Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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.
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)
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
18,000 7
6
15,000
5
12,000
4
9,000
3
6,000
2
3,000 1
0 0
27-10-2005
Energía: 8.00E+04 J
Hora h
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
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
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
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.