1 Estadísticas para la ingeniería minera

Vale la pena señalar que la no estacionariedad de la secuencia examinada aquí

no se observa con frecuencia. Sin embargo, hay algunos procesos en la
ingeniería de minas que dependen del tiempo u otro parámetro del proceso. Hay
tres áreas básicas en las que la no estacionariedad de los datos se puede
percibir en la mecanización de la mina.
Cuando una pieza de equipo comienza a cumplir sus funciones, a menudo
comienza un período de rodaje (rectificación). Algunos elementos estructurales
que funcionan juntos comienzan a encajar mejor. La cooperación se hace más
suave con el tiempo. Si esto es así, cualquier falla potencial debería ocurrir con
menos frecuencia. Por esta razón, el tiempo medio de trabajo entre fallas
aumenta. Este proceso tiene un carácter que se desvanece. Al principio, la
intensidad de las fallas, que es relativamente alta, disminuye hacia su nivel
apropiado característico que está asociado con las propiedades del objeto.
Cuando se alcanza este nivel, comienza el proceso de explotación regular del
objeto. Los productores de máquinas de alta calidad eliminan este período
realizando el período de funcionamiento inicial cuando la producción de la
máquina finaliza en su fábrica. El comprador de la máquina obtiene un objeto en
el que los elementos ya funcionan juntos sin problemas. Algunos otros
fabricantes de máquinas cuyos productos tienen un período de funcionamiento
durante las operaciones regulares garantizan el reemplazo de elementos fallidos
a través de este período especial de forma gratuita o garantizan un precio bajo
en los artículos necesarios para reemplazar los que han fallado. Este período
está garantizado por el productor.
Un segundo período especial en el que la intensidad de las fallas aumenta es el
período durante el cual una pieza del equipo se desgasta y envejece. Algunos
signos de desgaste son claramente visibles en algunos elementos de la máquina.
Los elementos comienzan a trabajar juntos menos eficientemente con el tiempo.
El número y la intensidad de las fallas aumentan. El proceso de explotación de
la máquina pasa del período regular (II) a un tercer período, un período de
degradación significativamente mayor. El

final de la vida útil de este objeto se acerca. Los usuarios de la máquina están
interesados en deshacerse de ella para evitar problemas operativos y pérdidas
económicas. Sin embargo, hoy en día, el fin económico de una máquina ocurre
más que su muerte mecánica. Un problema que a veces enfrentan los usuarios
de máquinas es la aparición en el mercado de una nueva máquina que tiene
mejores parámetros y mejores propiedades. Este problema plantea la cuestión
de si puede ser más rentable retirar la máquina del uso, venderla y comprar una
máquina nueva.
También hay una fuente diferente que genera no estacionariedad en los datos.
La práctica minera ha demostrado que a veces surgen situaciones inusuales. El
proceso de generación de una corriente de roca que se está excavando está
funcionando con un alto grado de intensidad cuando de repente ocurre una falla
en una máquina que es importante para la producción. Hay presión de tiempo:
esta máquina debe repararse lo más rápido posible. Y, lamentablemente, no hay
ningún elemento adicional para reemplazar el que ha fallado. Los mineros a
veces intentan resolver este problema haciendo uso de un elemento similar
(como un reemplazo directo o después de algunas modificaciones) durante la
1 Estadísticas para la ingeniería minera
reparación. La máquina funciona nuevamente, pero la intensidad de las fallas
cambia. El elemento modificado (a veces es un conjunto completo) cumple con
sus funciones, pero no del todo como se espera. Este período cuando la máquina
comienza a realizar sus tareas y la intensidad de la falla aumenta es no
estacionaria, y esto significa que el tiempo de trabajo entre dos fallas vecinas se
acorta y la intensidad de las fallas aumenta. Este tipo de práctica de reparación
obviamente no es recomendable, pero desafortunadamente a veces se puede
observar en la realidad minera.

Tenga en cuenta que las fases de operación de las máquinas descritas

anteriormente se refieren a objetos que pueden repararse. Sin embargo, hay
algunos otros elementos técnicos que no se pueden reparar y que fallan durante
su uso y que algunos períodos de no estacionariedad ocurren cuando esto
sucede. Un cable de

cabeza de polipasto en un polipasto se puede dar como un ejemplo. Su proceso

de desgaste, que generalmente se entiende como el proceso de roturas en los
alambres, da como resultado roturas después de un período sin mostrar ningún
signo de fatiga (período estacionario), entrando así en una fase no estacionaria
con una acumulación acelerada de roturas.
 Análisis de datos 4

■ Ejemplo 3.6 Se investigó el uso de una locomotora

suspendida subterránea. Se señalaron los tiempos de su
trabajo y las fallas que ocurrieron. A continuación, se calculó
el tiempo de trabajo total entre dos fallas vecinas. De esta
forma se obtuvo una secuencia de 13 veces del uso de la
locomotora: 241.1; 205,4; 26.1; 25.0; 68.1; 41.0; 9.2; 17.1;
5.2; 69.1; 1.0; 4.9; 0.5 h Al observar esta secuencia, es fácil
ver que el tiempo de trabajo total de falla a falla disminuye
estocásticamente. Vamos a verificar esta suposición.
Aplique una prueba basada en el coeficiente de correlación
de rango de Spearman.

Al asignar rangos y hacer todos los cálculos necesarios, uno obtiene los datos
que se muestran en la Tabla 3.2.
Calcule el coeficiente. Aquí tenemos:
rS = −16 ×2662 =−0 8. 2
n (n −1)

Formule una hipótesis nula que indique que la secuencia es estacionaria.

Compare este valor con el crítico correspondiente tomado de la Tabla 9.14:
Tabla 3.2. Cálculos Auxiliares.
Rango numero
Valor i (vi –
vi i)2
241.1 13 1 144
205.4 12 2 100
26.1 9 3 36
25 8 4 16
68.1 10 5 25
41 7 6 1
9.2 5 7 4
17.1 6 8 4
Análisis de datos 4

5.2 4 9 25
69.1 11 10 1
1 2 11 81
4.9 3 12 81
0.5 1 13 144
Σ 662
7 Estadísticas para ingeniería minera

rS (α = 0.05; n =13) = 0.53.

El valor empírico es significativamente mayor en módulo que el valor crítico.

Esto le da el terreno para rechazar la hipótesis nula. Teniendo en cuenta cómo
se asignaron los rangos y el signo de rS, podemos concluir que el tiempo total
de trabajo desde la falla hasta la falla disminuye y no de manera incidental,
significativamente en un sentido estadístico. Observación. No había forma de
obtener información acerca de cuál era la razón física de tal fenómeno, pero
cuando ocurrió la última falla, el loco se sometió a una reparación general. eso
duró bastante tiempo.
◀ Hay algunas áreas más de ingeniería minera donde los datos indican la no
estacionariedad. Las Figuras 3.3-3.6 ilustran las relaciones estadísticas entre:
• El número de toneladas de carbón duro vendidas en Polonia mensualmente
en 1995-2007 • La tasa de incidentes de tiempo perdido para la industria
minera en los EE. UU. • Desplazamientos verticales de rocas durante el
intervalo de tiempo relacionado con el temblor registrado en la mina de carbón
'Rydułtowy-Anna', Polonia
• La subsidencia teóricamente determinada w (t) del punto S y el
desplazamiento vertical observado wp (t) en un área de la mina de carbón
subterránea 'Halemba', Polonia. Todas estas parcelas contienen información
importante y útil, aunque en algunos casos el análisis estadístico adicional es
difícil y requiere la aplicación de sofisticadas herramientas estadísticas. Haz
algunos comentarios sobre el problema de la estacionalidad. Repitamos desde
el principio, debido a la importancia de este material, que la información sobre
no estacionariedad tiene grandes repercusiones para cualquier otro análisis
estadístico que se realice. Esta información también es vital si el análisis se
refiere a los problemas de la mecanización de minas, por ejemplo. Si los datos
recopilados se refieren a la realización del proceso de explotación de un objeto
técnico (y no importa si se trata de un elemento único o de todo el sistema), la
información sobre no estacionariedad debería ser una señal clara para
observar el objeto cuidadosamente. El principal punto de interés debería ser la
respuesta a dos preguntas:

• ¿Cuál es la fuente física de tal regularidad?

7 Estadísticas para ingeniería minera

• ¿Qué pasará probablemente con el objeto en el futuro cercano?

January February March April

May June July August

September October November December

Figura 3.3. El número de toneladas de carbón duro vendidas mensualmente en

1995-2007 (Manowska, 2010).
Análisis de datos 9
24,000 9
Number
21,000 Rate
8

18,000 7

6
15,000
5
12,000
4
9,000
3
6,000
2
3,000 1

0 0

Figura 3.4. La tasa de incidentes de tiempo perdido para la

industria minera en los EE. UU. (Saporito y Self, 2012).

Figura 3.5. Desplazamientos verticales de rocas durante el intervalo de tiempo

relacionado con el temblor registrado en la mina de carbón 'Rydułtowy-Anna'
(Szewioła-Sokoła, 2011).

27-10-2005
Energía: 8.00E+04 J

Hora h

Figura 3.6. La subsidencia teóricamente determinada w (t) del punto S y el

desplazamiento vertical observado wp (t) en un área de la mina de carbón
Análisis de datos 9
subterránea 'Halemba' durante el período 24-10-2005 al 31-10-2005 (Sokoła-
Szewioła 2011 )
10 Estadísticas para ingeniería minera

Algunas veces esta información es alarmante. Al analizarlo con más cuidado y

más profundidad, uno puede obtener información de que la existencia del objeto
muy probablemente estará en peligro o incluso que su existencia se verá
gravemente amenazada en el futuro cercano. La responsabilidad recae en la
persona que realiza el análisis si él / ella no genera eventos en ejecución. En la
operación regular de objetos técnicos, la no estacionariedad rara vez ocurre a
menos que los períodos de rodaje y el envejecimiento intensivo sean
descuidados. Sin embargo, hay algunos objetos técnicos que tienen un proceso
de desgaste no estacionario casi desde el comienzo de su uso (vide: cuerdas de
la cabeza del polipasto). También hay algunos objetos para los cuales el proceso
de operación puede cambiar drásticamente debido a cambios significativos en
su entorno. Se trata de sistemas de soporte motorizados, por ejemplo. Cuando
se construye una pared larga en un área donde otra pared larga está en
funcionamiento (esta segunda excavación puede estar debajo o encima de la
pared larga), las tensiones que existen en las rocas cambian y pronto tienen una
dispersión considerablemente diferente que en una roca intacta. También se
pueden observar tensiones drásticamente cambiadas en las rocas cuando la
excavación entra en contacto con fallas geológicas. Todas estas situaciones
causan una mayor cantidad de fallas de los elementos de soporte motorizados.
Mire ahora las Figuras 3.3-3.6. La información sobre la no estacionariedad de
las secuencias indicadas en estas figuras 'da' un analizador para tomar algunas
decisiones importantes. Generalmente, en la Figura 3.3 uno puede detectar el
proceso de cambios en la producción de carbón en Polonia. Esto ocurrió durante
el período de la reestructuración de la industria minera polaca después del
colapso del sistema político anterior. Se puede adivinar que la situación en el
mercado se estabilizó con el tiempo y se alcanzó un cierto nivel de ventas. Esta
información es útil para planificar la producción adicional de carbón en Polonia.
La figura 3.4 a su vez 'transporta' información diferente. Existe una tendencia
positiva en la minería en los EE. UU. De que la tasa de incidentes con pérdida
de tiempo disminuye con el tiempo. Esta es una clara indicación de que su
política en este sentido es correcta y debe mantenerse. Sin embargo, se puede
predecir que la tendencia general tiende a una cierta asíntota si no hay cambios
significativos en los métodos de minería que se aplican.
Las Figuras 3.5 y 3.6 contienen información esencial, que es un precursor de un
temblor inminente causado por la ejecución de operaciones mineras. Si se
observa un evento de este tipo en una estación de monitoreo de minas, se
debería emprender una acción apropiada de inmediato. Este problema se
discutirá en el capítulo sobre predicción.
Las pruebas no estacionarias de secuencias en la ingeniería minera tienen una
importancia inmensa en algunas áreas. Hagamos nuestra consideración
presumiendo, hasta ahora, que la secuencia observada y luego analizada es
estacionaria en el sentido del valor medio.
3.4 PRUEBA DE DISPERSIÓN DE RESULTADOS
10 Estadísticas para ingeniería minera

Si durante el análisis realizado no hay base para rechazar la hipótesis que

proclama la estacionalidad de la secuencia observada, es decir, que los valores
en la secuencia no cambian con el tiempo en promedio, entonces esto no
significa que esta secuencia esté libre de cualquier secuencia dependencia del
tiempo. Esta relación puede ser más sutil, p. la dispersión de los valores de
secuencia no es constante, sino que cambia con el tiempo en promedio. Como
regla general, en la práctica minera, si un valor no es constante, aumenta con el
tiempo. Un problema de este tipo puede ocurrir, por ejemplo, cuando se lleva a
cabo un examen de los datos y el punto de interés es encontrar una buena
función que pueda describir satisfactoriamente la información que se ha
obtenido. Tal situación se puede observar al analizar los registros relativos a los
procesos de desgaste por fatiga de un cable de cabeza de un polipasto. Por lo
general, una presunción predeterminada es que esta función debe describir los
datos que están en buenas manos y esta bondad debe ser aproximadamente
constante a lo largo del tiempo. Desafortunadamente, muy a menudo lo contrario
 Análisis de datos 13

se nota la regularidad: la bondad de la descripción empeora con la cantidad de

trabajo ejecutado por la cuerda. Esta bondad empeora debido a la creciente
dispersión de los valores observados (número total de roturas de cables)
alrededor de la función de valor esperado.

■ Ejemplo 3.7 En la Figura 3.7 se muestra un gráfico de la función: el número

total de grietas en los cables de una cuerda de la cabeza del polipasto frente al
número q de vientos ejecutados por este polipasto. Hace más de medio siglo,
se propuso (Kowalczyk, 1957) que los datos empíricos en tal caso se
aproximaran mediante una función de poder determinada por la fórmula: Θt =
δt cχζt (3.24) donde: δ, χ-parámetros estructurales de la función Θt-número
total de grietas de cables de cuerda t-tiempo (o número q de vientos) c-
constante ζ t-componente aleatorio de la función. Habitualmente, la
linealización de la función (3.24) se realiza aplicando el logaritmo natural y, por
esta razón, c = e, lo que hace que la componente aleatoria ζ t esté de una
manera aditiva conectada con la función de regresión. Se supuso que el
componente aleatorio del modelo comprende toda la naturaleza estocástica del
proceso de acumulación de grietas durante la utilización de la cuerda. Explica
exclusivamente el hecho de que la función teórica no cubre precisamente el

Figura 3.7. Número total de grietas en los cables de una cuerda de cabeza de
polipasto frente al número q de vientos ejecutados; θi diagrama empírico, Θi
argumento teórico.
15 Estadísticas para ingeniería minera
valores empíricos El número total de descansos en un momento dado es una
variable aleatoria (el lado izquierdo de la ecuación). Esto significa que el lado
derecho de la ecuación también es una variable aleatoria. El único elemento
estocástico de este lado es el componente aleatorio. Es inobservable
directamente; sin embargo, puede estimarse determinando la secuencia de
residuos que miden cuán diferentes son los valores teóricos y empíricos. La serie
de valores empíricos de θt se observan generalmente siguiendo la utilización de
una cuerda y crean datos estadísticos. Considerando la función (3.24), el
componente aleatorio se puede definir de dos maneras: a. A s una secuencia de
las diferencias entre los valores empíricos de θi y sus equivalentes teóricos; es
la secuencia de la fórmula (3.24): u θ atb i = 1, 2, , (3.25) i i i donde ayb son
estimaciones de los parámetros estructurales desconocidos δ, χ segundo. Como
la secuencia de residuos definida por patrón: ui ln θib 1, 2, (3.26) ati que es el
resultado de la conversión apropiada de la fórmula (3.24). Tenga en cuenta que
el residuo aquí es el índice de potencia y c = e. Ambas medidas están definidas
correctamente y son dos medidas diferentes del componente aleatorio para la
función (3.24). Los parámetros estructurales se estiman haciendo una
linealización de la función de potencia, es decir: lnΘt = χlnt + lnδ + ζt (3.27) y
aplicando el método de mínimos cuadrados. La idoneidad de este método se
ignora aquí (consulte el Capítulo 6 para obtener más información sobre este
tema). Suponiendo que el parámetro del proceso es el número de vientos
ejecutados, los resultados de la estimación de la función que se muestra en la
Figura 3.7 son:

Θi = 5 28×10−5 qi3.78eui

Esta función se muestra como una continua en la Figura 3.7. A propósito,

muchos ingenieros usan esta forma de razonamiento y generalmente están
convencidos de que todo es correcto. Pero esto

no es cierto. Para más información sobre este tema, vea Czaplicki 2010, Capítulo
5.3.2. Ahora observe cómo se ve el curso de los residuos. La Figura 3.8 ilustra
los residuos ui determinados por la función (3.25) para la secuencia de los datos
observados y la Figura 3.9 muestra los residuos determinados por la función
(3.26) contra el número de vientos ejecutados por la cuerda. En ambas figuras,
los puntos de los residuos están conectados por líneas rectas. Ambas parcelas
son diferentes de una realización típica de un proceso estocástico puro con una
media cero y una varianza finita, como podría esperarse debido al método de
mínimos cuadrados que se aplicó. Si esto es así, esta suposición debe ser
verificada. Se puede formular una sugerencia de que tiene que haber un cierto
factor que genere esta diferencia. Al observar ambas figuras, se puede postular
una hipótesis según la cual la dispersión de los valores no se distribuye
uniformemente a lo largo del tiempo en un sentido estocástico.
Análisis de datos 17
10

0
ui

–10

–20
30 40 50 60

qi × 103

Figura 3.8. Residuos determinados por la función (3.25) para la secuencia de

datos anotados.

0.1

0.05

uˆi 0

–0.05

–0.1
30 40 50 60
qi × 103

Figura 3.9. Residuos determinados por la función (3.26) vs. el número de vientos
ejecutados por una cuerda.

Para verificar esta suposición, los datos se dividieron a la mitad y se calculó el error
estándar de estimación para ambas secuencias, lo que da S 1 = 3.32 para la
primera mitad y S 2 = 6.75 para la segunda. El problema ahora es verificar si esta
diferencia es estadísticamente significativa o solo aleatoria. Se debe aplicar una
prueba estadística apropiada para aclarar estas dudas. Se pueden considerar al
menos dos pruebas: a. La prueba aplicando la distribución de F-Snedecor segundo.
El análisis de varianza de una vía de Kruskal based - reasoning on (a) assumes a
Wallis.TheGaussian
distribución de la variable aleatoria que se prueba. Este es el método más utilizado;
Sin embargo, esta suposición debe ser verificada antes de un análisis posterior. El
razonamiento basado en (b) es un método no paramétrico para probar la igualdad
de las medianas de población entre los grupos. Es idéntico al análisis de varianza
de una vía con los datos reemplazados por sus rangos. Dado que es un método no
paramétrico, esta prueba no supone la población normal (Kruskal y Wallis 1952,
Siegel y Castellan 1988);
19 Estadísticas para la ingeniería minera

por lo tanto, este enfoque es más general (más general que la prueba basada
en la variable aleatoria de F-Snedecor). Existe una presunción en la prueba de
que la distribución de probabilidad describe una variable aleatoria continua. En
el caso que se está considerando, se puede suponer que la secuencia calculada
de diferencias tiene una distribución de probabilidad normal. Por lo tanto, el caso
(a) puede analizarse. Formule una hipótesis nula H0: σ12 = σ22 de que la
varianza en la primera mitad de los datos no difiere significativamente de la
varianza en la segunda mitad de los datos. En cuanto a los datos, una hipótesis
alternativa puede ser: H1: σ12> σ22. Para verificar la hipótesis básica, calcule la
razón de las varianzas empíricas. Esto debe hacerse de tal manera que la
varianza en el numerador no sea mayor que la varianza en el denominador. En
nuestro caso tenemos la relación S 2 2 / S 1 2, que es la variable aleatoria que
tiene la distribución de F-Snedecor con (n1 - 1, n2 - 1) grados de libertad si la
hipótesis H0 es la verdadera. Si la relación es mayor que el valor crítico Fα (n1 -
1, n2 - 1), que se toma de la tabla estadística apropiada suponiendo un nivel de
significancia α, la hipótesis H0 debe rechazarse a favor de la suposición
alternativa. Esto significa que las varianzas de los residuos son estadísticamente
diferentes, lo que es idéntico a la afirmación de que las desviaciones estándar
son significativamente diferentes entre sí. En el caso analizado tenemos: F =
S22 S12 = 4.14 whereass 0,05 (14,15) = 2,42 para el supuesto nivel de
significancia α = 0.05 (Tabla 9.6). El valor crítico debe determinarse de tal
manera que el número de grados de libertad asociados con la mayor varianza
se encuentre en la fila superior de la tabla. El número de grados de libertad
asociados con la varianza más pequeña se coloca en la columna lateral de la
tabla. Debido al hecho de que el valor F calculado es mayor que el tomado de la
Tabla 9.6: F0,05 (14, 15) = 2.42, tenemos la base para rechazar la hipótesis nula.
Por lo tanto, se puede suponer que la dispersión de los residuos de la variable
aleatoria que se está investigando aumenta con el número de vientos que
ejecuta el polipasto. ◀ Por cierto, al observar la Figura 3.3, podemos sospechar
que la dispersión del número de toneladas de carbón vendido mensualmente
entre los años 1995-1999 es significativamente mayor que en los próximos ocho
años.
19 Estadísticas para la ingeniería minera

Hagamos algunos comentarios sobre un análisis de los resultados de las

pruebas de dispersión
La primera pieza de información crucial es que los datos que están a mano son
de hecho la realización de un cierto proceso estocástico, y, lo que, es más, la
dispersión de sus valores alrededor de la media aumenta. Si es así, una parte
adicional del análisis que se está llevando a cabo se debe colocar en un análisis
de procesos aleatorios.
En segundo lugar, debe haber un factor físico que genere la variabilidad de la
dispersión. Por lo general, este será un determinado proceso que se ejecutará a
tiempo. Este proceso y sus propiedades deberían identificarse porque se asocia
mucha información importante.
En tercer lugar, la función de valor esperado para el proceso a menudo se estima
utilizando un modelo matemático que puede linealizarse y el método de mínimos
cuadrados para estimar sus parámetros desconocidos. Sin embargo, si la
dispersión no es constante, uno de los
19 Estadísticas para la ingeniería minera

Las suposiciones básicas que deben cumplirse para permitir que se aplique
el método de mínimos cuadrados no se cumplen. Por lo tanto, si se sigue
aplicando el método de mínimos cuadrados, las estimaciones obtenidas
pueden ser menos creíbles y, en algunos casos, se pueden sacar
conclusiones falsas basadas en ellas. Si el análisis se refiere al proceso de
desgaste de una cuerda de la cabeza del polipasto, esta falsa inferencia
puede afectar la evaluación del nivel de seguridad de la cuerda y esto
puede ser peligroso. Además, cuando se lleva a cabo periódicamente una
inferencia sobre el grado de desgaste de la cuerda en el futuro, los
pronósticos formulados serán de una probabilidad decreciente en el tiempo
debido a la dispersión en aumento. Esto significa que la incertidumbre
aumenta con el tiempo en lo que respecta a la precisión de la predicción.
Debido a que es imposible renovar una cuerda que está en funcionamiento
en un eje, la única solución para mantener la seguridad a un nivel apropiado
es ejecutar diagnósticos de cable más precisos y más completos y
obviamente realizarlos más a menudo. Al analizar los procesos de
explotación regulares de piezas de equipo o procesos de estados
cambiantes, rara vez se observa la variabilidad de la dispersión a lo largo
del tiempo. A veces se puede observar tal regularidad cuando el objeto está
en funcionamiento durante mucho tiempo sin ningún mantenimiento o
acciones profilácticas planificadas que deberían haberse realizado.

3.5 RASTREO DE COMPONENTES CÍCLICOS

Muchos procesos en la minería tienen un carácter cíclico.
El carácter cíclico de los procesos se genera por el carácter periódico de la
organización del trabajo. El ciclo de un proceso se puede conectar con la
temporada del calendario, el día o la progresión de la producción por día o turno.
Al observar con más atención la operación de muchas máquinas, es fácil notar
que su proceso de explotación tiene una naturaleza periódica y que puede
entenderse en un sentido diferente. Los períodos solo pueden tener un carácter
más o menos estocástico. Hace muchos años, se formuló una hipótesis que
probaba que esta naturaleza cíclica de la operación puede distorsionar
periódicamente los procesos de cambio de los estados (Czaplicki 1974, 1975).
La hipótesis proclamaba que, en algunos períodos de tiempo de operación,
durante la explotación de un objeto técnico (una sola máquina o un sistema de
máquinas), la ocurrencia de algunos estados es más probable que la de otros.
Si esto es así, la probabilidad de la aparición de un estado dado no es constante
en el tiempo, sino que es más bien una función del tiempo y esta función es
cíclica. Además, una corriente de roca que se extrae o arrastra por medios de
transporte muy a menudo también tiene un carácter periódico. Estas dos
funciones están frecuentemente correlacionadas entre sí. En algunos casos, se
puede formular una declaración más fuerte: si una corriente de roca
transportada aumenta, y generalmente tiene una mayor dispersión en el valor,
significa que la probabilidad de que ocurra una falla en las unidades de
transporte aumenta. Por lo tanto, la salida de una unidad de acarreo que se
calcula como el producto de la probabilidad del trabajo de la unidad y la masa
media de la roca que se transporta da una estimación incorrecta porque cuanto
mayor sea la masa transportada, menor será la probabilidad de que sea
19 Estadísticas para la ingeniería minera

transportada. desplazamiento. Por lo tanto, esta estimación da valores más

altos de lo que debería.
Considere el problema de la existencia de un componente cíclico desde un
punto de vista formal. Hay dos casos a considerar:
a. el período de ciclo es conocido
segundo. el período de ciclo no está identificado.

Considere estos casos en una secuencia.