Capitulo II - Aplicaciones A La Mineria

I
UNIVERSIDAD NACIONAL
SANTIAGO ANTNEZ DE MAYLO
PORTADA
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y
METALURGIA
ESCUELA PROFESIONAL DE INGENIERIA DE MINAS
MUESTREO-DISTRIBUCIONES MUESTRALES-
ESTIMACION PUNTUAL y ESTIMACION POR
INTERVALOS CAPITULO II
(AVANCE)
PRESENTADA EN LA ASIGNATURA DE GEOESTADISTICA
HUAYANEY MILLA, Miguel Angel

SUAREZ VALDIVIA, Michel Erik
VILLANUEVA MEYHUAY, Jos Luis
HUARAZ, 12 DICIEMBRE DEL 2012

II
DEDICATORIA
A NUESTROS PADRES
III
INDICE
PORTADA............................................................................................................... I
DEDICATORIA .....................................................................................................II
INDICE ................................................................................................................. III
INTRODUCCION ...............................................................................................VII
CAPTULO II: APLICACIONES A AL MINERIA .............................................. 1
APLICACIN N1 ................................................................................................. 1
Estimacin de Reservas por el Mtodo de Paneles ................................................. 1
APLICACIN N2 ................................................................................................. 4
Estimacin de Reservas por el Mtodo de Inverso a la distancia ........................... 4
APLICACIN N3 ............................................................................................... 10
Compositar taladros .............................................................................................. 10
APLICACIN N4 ............................................................................................... 12
Distribucin muestral de la media. ....................................................................... 12
APLICACIN N5 ............................................................................................... 15
IV
Distribucin de muestreo de una proporcin. ....................................................... 15
APLICACIN N6 ............................................................................................... 17
Estimacin puntual................................................................................................ 17
APLICACIN N7 ............................................................................................... 18
Confiabilidad de un equipo ................................................................................... 18
APLICACIN N8 ............................................................................................... 20
Costo de mantenimiento de una llanta de retroexcavadora................................... 20
APLICACIN N9 ............................................................................................... 22
Estimacin por intervalos...................................................................................... 22
APLICACIN N10 ............................................................................................. 23
Estimacin por intervalos...................................................................................... 23
ANEXOS .............................................................................................................. 25
CONCLUSIONES ................................................................................................ 36
BIBLIOGRAFIA .................................................................................................. 38
Basica ............................................................................................................................ 38
Citada ............................................................................................................................ 38
Consultada .................................................................................................................... 39
No Consultada............................................................................................................... 39
V
ROLOGO
PROLOGO
El presente trabajo de investigacin tiene como objetivo general mostrar una
compilacin bibliogrfica acerca de los conceptos de, muestreo, distribucin
muestral, estimacin puntual y estimacin por intervalos. Comprender, desde el
punto de vista estadstico, los conceptos, la importancia, los tipos, las clases, y
establecer cules son las ventajas y desventajas de su empleo en la industria
minera
Como objetivo especfico se busca relacionar estos conceptos estadsticos hacia
una concepcin geoestadistica, debido a las propias particularidades que tiene un
yacimiento; asimismo indicar su aplicacin tecnolgica en el proceso minero, que
se traduce en la estimacin de reservas con la mayor precisin.
Al concluir la lectura de este trabajo se espera que el lector este en la capacidad de
identificar y diferenciar estos conceptos desde el enfoque estadstico y
geoestadstico para su posterior aplicacin, de una manera adecuada, en la
realizacin de un trabajo de investigacin.

VI
En el desarrollo del presente trabajo tuvimos la ventaja de contar con una amplia
gama de informacin, como libros de la biblioteca de la Facultad de Ingeniera de
Minas, separatas proporcionadas por el docente del curso en ciclos anteriores e
informacin virtual de pginas web.
Nuestro mayor obstculo fue el escaso dominio en temas de estadstica
Inferencial, ya que se requiere un mediano nivel de conocimientos estadsticos
para abordar y entender los temas investigados en la presente monografa, a esto
le aadimos la poca experiencia en la elaboracin de monografas.
Agradecemos al Ing. Jesus Vizcarra por proporcionarnos copias de sus apuntes de
clases, asimismo separatas del curso de Geologa de Minas del presente ciclo
2012.
Los alumnos
VII
INTRODUCCION
INTRODUCCION
El muestreo es una operacin que se desarrolla en todas las etapas de la industria
minera, llmense prospeccin, exploracin, desarrollo, explotacin,
procesamiento, fundicin, refinacin, transformacin y comercializacin. Casi
todas las decisiones que se hacen respecto de un proyecto minero, desde la
exploracin hasta el cierre de la mina, estn basados en valores obtenidos de
material muestreado.
Es necesario conocer la teora aplicable en cada tcnica de seleccin de una
muestra, que es estadsticamente determinada para inferir el valor de una o varias
caractersticas del yacimiento. En este sentido es necesario conocer los mtodos,
las tcnicas y procedimientos del muestreo, sobre todo para la exploracin y
explotacin de yacimientos, ya que son la base para el posterior anlisis
estadstico, lo cual nos va permitir inferir a travs de las muestras la ley media de
mineral, el tonelaje y la cantidad de finos que tiene un yacimiento, es decir,
cuantificar en trminos de leyes promedio y tonelaje la riqueza y potencial
econmico del depsito.

VIII
El motivo de la eleccin del tema es que, a pesar que existe un mayor desarrollo
de softwares especializados en minera como el Vulcan, Datamine, Minesight, etc
para la estimacin de reservas, aun se sigue utilizando las tcnicas estadsticas
clsicas para la cubicacin del yacimiento por ser mas practicas en su aplicacin.
En el Captulo II, se consignan las aplicaciones relacionadas a la industria minera,
con la que ponemos en prctica todo lo que aprendimos en el primer captulo, para
poder aplicarlo a nuestra carrera; estas aplicaciones son los ms parecidos a los
problemas de anlisis que se presentan diariamente en el negocio minero
El mtodo empleado es la investigacin bibliogrfica y la tcnica es analtica-
sinttica. El procedimiento que se empleo es la digital (computadora), despus de
revisar la bibliografa necesaria, como por ejemplo las separatas del curso de
Geoestadistica de ciclos anteriores, la cual nos pareci de mejor comprensin y
acorde con nuestra realidad, para de esta manera presentar el presente trabajo con
una estructura sencilla y de fcil comprensin para el estudiante.
Los materiales bibliogrficos revisados en torno a estos temas son amplios;
podemos mencionar a Murray Ralph Spiegel y Manuel Cordova Zamora. El
primero es autor de fama internacional y su libro Probabilidad y Estadstica nos
ayudo a comprender los conceptos tericos; el segundo es un reconocido docente
nacional y su libro Estadstica: Descriptiva e Inferencial nos sirvi de gua para la
presentacin de las aplicaciones en mineria. Ambos autores no hacen alusin a
aplicaciones mineras, debido a las caractersticas especiales que presentan los
yacimientos. En resumen, existe abundante material bibliogrfico respecto a los

IX
temas estadsticos presentados en la monografa, pero escasa, por no decir nula,
presentacin de aplicaciones a la mineria.
El alcance que persigue la elaboracin de la presente monografa es aportar con la
teora necesaria para el correcto entendimiento e interpretacin del muestreo,
distribuciones muestrales, estimacin por puntos e intervalos y luego relacionarlos
a situaciones mineras practicas.
Los alumnos
1
CAPTULO II: APLICACIONES A AL MINERIA
CAPITULO II
APLICACIONES A LA MINERA
APLICACIN N1
Estimacin de Reservas por el Mtodo de Paneles
En la unidad minera Huanzal, se pide estimar en el bloque de mineral A 6, su
tonelaje, su ley promedio y ancho promedio de la estructura mineralizada de
acuerdo a los datos que se adjuntan, el muestreo se realizo en un depsito
filoneano (P.E. = 3.2) para la cubicacin del mismo, como se muestra en la
siguiente figura:1
1
BUSTOS SANCHEZ, Gregorio Walter. Estudio comparativo entre los mtodos poligonal e
inverso de la distancia para la estimacin de reservas de mineral - Ciclo de actualizacin
profesional. Huaraz, octubre del 2003. FIMGM-UNASAM. p. 24.
2
Figura 1
Fuente: BUSTOS SANCHEZ, Gregorio Walter. Estudio comparativo entre los mtodos
poligonal e inverso de la distancia para la estimacin de reservas de mineral.
Ley
N de bloque Distancia Metros A.M
Ag Onz/Tn
L1 60 1.70 23.60
L2 60 1.50 20.50
A-6
L3 30 1.20 21.26
L4 30 1.60 24.50
Tabla 1: Datos
Donde:
A.M: Ancho de Muestra
Solucin:
Para su respectiva solucin es necesario hacer el siguiente cuadro para la mayor
facilidad de desarrollo del problema, a continuacin presentamos dicho cuadro:
N de Ley
Longitud Distancia A.M D*A.M.*Ley Ley*A.M
bloque Ag Oz/Tn
L1 60 1.70 23.60 2407.20 102.00
L2 60 1.50 20.50 1845.00 90.00
A-6
L3 30 1.20 21.22 763.92 36.00
L4 30 1.60 24.50 1176.00 48.00
180 6192.12 276.00
1.53 22.44
Tabla 2: Presentacin de clculos
3
De esta tabla podemos utilizar los parmetros que son necesarios para el clculo
mediante el uso de las siguientes formulas:
( )
. .=
( )
( )
=
( )
Donde:
L: Longitud o distancia
L.P.: Ley Promedio
A.M.P.: Ancho de Muestra (Promedio)
Por lo tanto reemplazado los datos de las tablas en las formulas tenemos:
6192.12
. .= = 22.44
276.00
276.00
= = 1.53
180
Una vez calculado esto procedemos a hallar lo que se pide:
a) rea = L * h = 60 * 30 = 1800 m2
b) Volumen = rea * AMP = 1800 * 1.53 = 2754 m3
c) Tonelaje = Volumen * P.E. = 2754 * 3.2 = 8812.8 TMS
d) Castigo al tonelaje = 8812.2 * 0.90 = 7931.52 TMS
e) Castigo a la ley = 22.44 * 0.9 = 20.196 Onz/Tn Ag

4
APLICACIN N2
Estimacin de Reservas por el Mtodo de Inverso a la distancia
Determinar la ley en el punto P del muestreo por taladros de un diseminado de
oro cuyos datos son los siguientes:
Ley
N de taladros Profundidad P.E.
Au gr/Tn
1 13.00 1.20 6.50
2 13.50 1.30 7.20
3 14.00 1.40 8.30
Tabla 3: Presentacin de datos
Se pide estimar la ley y la profundidad promedio para el rea formada por los 3
taladros, para el mejor entendimiento se realizo un grafico del problema como se
muestra a continuacin:2
22 m
21 m
A2
1 26 m
P A3
18 m
A1
20 m
16 m
Figura 2
2
Ibdem., p. 38
5
1. Para los diferentes clculos se utilizara la frmula del mtodo del inverso
de las distancias:
1 ( )
=
1( )
Donde:
di: distancia desde un punto estimado a cada una de las muestras.
Zp: Variable en estudio, sea ley, profundidad, PE, etc.
m: puede tomar valores de 1, 2, 3.
2. Calculo de la ley en el punto P:
6.50 7.20 8.30

+ +
= 26 21 16
1 1 1
+ +
26 21 16
= 7.63 /
3. Calculo de la profundidad en el punto P:
13 13.50 14
+ +
= 26 21 16
. 1 1 1
+ +
26 21 16
. = 13.66
6
4. Calculo del PE en el punto P:
1.20 1.30 1.40

+ +
= 26 21 16
1 1 1
+ +
26 21 16
= 1.33
5. Estimando la ley y profundidad promedio para las areas A1, A2 y A3, se
usara las siguientes tablas para facilitar los clculos, para lo cual se
utilizara las siguientes formulas:
( )
=

( )
=

Una vez conocidas estas formulas se proceder al llenado de los cuadros
como sigue:
N de N de Ley
Profundidad PE Prof. * Ley Prof. * PE
rea Taladro Au gr/Tn
1 13 1.20 6.50 84.50 15.60
A1 3 14 1.40 8.30 116.20 19.60
P 13.66 1.33 7.63 104.25 18.15
40.15 304.85 53.35
13.55 1.31 7.5
Tabla 4: Clculos
304.85
= = 7.5
40.1
53.35
= = 1.31
40.15
7
N de Ley
N de rea Profundidad PE Prof. * Ley Prof. * PE
Taladro Au gr/Tn
1 13 1.20 6.50 84.50 15.60
A2 2 13.50 1.30 7.20 97.20 17.55
P 13.66 1.33 7.63 104.25 18.15
40.16 285.85 51.30
13.38 1.28 7.12
Tabla 5: Clculos
285.85 7.12
= =
40.16
51.30
= = 1.28
40.16
N de Ley Prof. * Prof. *

N de rea Profundidad PE
Taladro Au gr/Tn Ley PE
2 13.50 1.30 7.20 97.20 17.55
A3 3 14 1.40 8.30 116.20 19.60
P 13.66 1.33 7.63 104.15 18.15
41.15 317.55 55.30
13.72 1.34 7.72
Tabla 6: Clculos
317.55 7.72
= =
41.15
55.30
= = 1.34
41.15
Para el clculo de las reas respectivas lo resolveremos con la formula de

Hern, como se muestra a continuacin:
2
22 m
21 m
A2
1 26 m
P A3
18 m
A1
20 m
16 m
3
Figura 3
8
- Para A1:
a = 26 m
b = 20 m
c = 16 m
26 + 20 + 16
= = 31
2
Por Hern:
= ( )( )( )
1= 31(31 26)(31 20)(31 16)
1= 31(5)(11)(15)
1 = 159.91
- Para A2:
a = 26 m
b = 22 m
c = 21 m
26 + 22 + 21
= = 34.5
2
Por Hern:
= ( )( )( )
1= 34.5(34.4 26)(34.5 22)(34.5 21)
1= 34.5(8.5)(12.5)(13.5)
1 = 222.45
- Para A3:
a = 21 m
b = 18 m
c = 16 m
9
21 + 18 + 16
= = 27.5
2
Por Hern:
= ( )( )( )
1= 27.5(27.5 21)(27.5 18)(27.5 16)
1= 27.5(6.5)(9.5)(11.5)
1 = 139.74
Juntando las tablas anteriores en una sola tabla para el clculo total:
N de rea Prof. Volumen Ley

PEP TM TM * Ley
rea (m2) Prom. (m) (m3) Au gr/Tn
A1 159.91 13.55 2166.916 1.33 2838.66 7.50 21289.95
A2 222.45 13.38 2976.381 1.28 3809.77 7.12 27125.55
A3 139.74 13.72 1848.733 1.34 2477.17 7.72 19123.75
522.10 6992.03 9125.60 67539.65
13.39 1.30 7.40
Tabla 7: Clculos Finales
- Total mineral: 9125.60 - 10% = 8213.04 TM
- Ley promedio: 7.40 10% = 6.66
- Densidad promedio: 1.30
- Profundidad promedio: 13.29

10
APLICACIN N3
Compositar taladros
En un muestreo de exploracin por taladros con recuperacin con testigo se
necesita compositar el taladro DD1, cuyos datos son los siguientes:
Ley
Distancia 1 Distancia 2
Au Onz/Tn
0.00 1.50 5.00
1.50 3.50 4.50
3.50 6.00 4.70
6.00 8.00 4.40
8.00 9.50 4.50
9.50 11.00 4.20
Tabla 8: Datos
Fuente: VIZCARRA ARANA Jess, Separata del curso de Geologa de Minas.
Tambin se adjunta el siguiente grafico para ayudar al entendimiento:3
5 1.50
4.50 3.50
4.70 6
4.40 8
4.50 9.50
4.20 11
Figura 4
3
VIZCARRA ARANA Jess, Separata del curso de Geologa de Minas, Huaraz, 2002, p. 3
11
Para compositar el taladro se tomara cada 2 metros, como se muestra en la figura:
L1
5 1.50
0.50
1.50 L2
4.50 3.50
0.50
2.50 L3
4.70 6
2 L4
4.40 8
1.50 L5
4.50 9.50
0.50
1.50
4.20 11
Figura 5
Antes de proceder a calcular se deber mostrar la formula que nos ayudara en el

clculo, es la siguiente:
1+ 2
=
1+ 2
Luego de conocer la formula utilizamos los datos hallados por el grafico,

calcularemos la ley respecto a la longitud (2 m):
. . .
- = = 4.87
. .
. . . .
- = = 4.55
. .
.
- = = 4.70
12
.
- = = 4.40
. . . .
- = . .
= 4.43
.
- = = 4.20
Luego pasaremos a hallar la ley promedio con lo calculado anteriormente, lo que
estar resumido en una tabla, como se muestra a continuacin:
Ley
N de Muestra Medida (m) Ley*Medida
Au gr/Tn
L1 2 4.87 9.74
L2 2 4.55 9.10
L3 2 4.70 9.40
L4 2 4.40 8.80
L5 2 4.43 8.86
L6 1 4.20 4.20
11 50.10
4.55
Tabla 9: Clculos
APLICACIN N4
Distribucin muestral de la media.
El siguiente problema est basado en un ejercicio propuesto por Manuel Crdova,
pero adaptado a la minera y solucionado por nosotros.4
Un gelogo al realizar una exploracin ha logrado establecer que las muestras
obtenidas de un rea de 20 y enviadas a un laboratorio, en una cuadrcula
concesionada a Barrick, es una variable aleatoria cuya distribucin de
probabilidades de porcentaje de oro por rea esta descrita por la siguiente tabla:
4
CORDOVA ZAMORA, Manuel. Estadstica Descriptiva e Inferencial. Lima - Per, Editorial
Moshera S.R.L., 2009, p. 356.
13
1 2 3 4 5
( )= [ = ] 0.1 0.2 0.4 0.2 0.1
Tabla 10: Datos

Fuente: CORDOVA ZAMORA, Manuel. Estadstica Descriptiva e Inferencial.
Describa el modelo de probabilidad aproximado del nmero promedio de
porcentaje de oro de 30 reas.
Con qu probabilidad un promedio de porcentaje de oro de 30 reas ocurre entre
2.6 y 3.3?
Solucin.
Las formulas a usar para la media y la varianza son:

= = =

= =
( )
1 0.1 0.1 0.1
2 0.2 0.4 0.8
3 0.4 1.2 3.6
4 0.2 0.8 3.2
5 0.1 0.5 2.5
SUMA 3 10.2
Tabla 11: Clculos
Revise el tema de distribucin muestral de la media del captulo I de esta monografa. p 20.
14
Reemplazando en las formulas:
= =3
= = 10.2 3 = 1.2
Nuestra muestra para esta pregunta es n=30 y las formulas a usar son las
siguientes:
1 1 1
= ( )= = ( )= =
1 1 1
= ( )= = ( )= =
La media vendra ser la misma
= =3
La varianza se obtiene de la siguiente manera
1.2
= = = 0.04
30
La pregunta nos pide:
[2.6 < < 3.3]
Para esta parte usaremos la media y la varianza obtenida en la parte a).
= 30
=3
= 0.04
= 0.04
15
La transformacin para usar la tabla de la Normal ser usando el siguiente
criterio.

= = ~ (0,1)

Reemplazando y usando la tabla Normal del Anexo 1
2.6 3 3.3 3
< < = [2 < < 1.5]
0.04 0.04
=0.933193-0.022750=0.910443
APLICACIN N5
Distribucin de muestreo de una proporcin.
En un proceso de concentracin de plata se encuentra que el 4% de toneladas
concentradas es de plomo. Para controlar el proceso, se extrae peridicamente una
muestra.
Calcule aproximadamente la probabilidad de que en una muestra al azar de 150
muestras de concentrado de plata se encuentre un 6% de plomo.
5
CORDOVA ZAMORA, Manuel Estadstica Descriptiva e Inferencial.- Lima - Per, Editorial
Moshera S.R.L., 2009, p. 344
16
El proceso de concentracin se detiene si al revisar una muestra al azar de 100
muestras de concentrado de plata se encuentra que al menos 5% de las muestras
son de plomo. Cul es la probabilidad de que el proceso se detenga si realmente
est concentrando 6% de plomo del total de la produccin?
Solucin.
Sea = /150, la proporcin de plomo en la muestra de 150 toneladas escogida
al azar, donde X, es el nmero de muestras.
9
[ = 0.06] = = = [ = 9] [8.5 9.5]
150 150
Usaremos la siguiente frmula:(La tabla de la distribucin de la normal esta
en el Anexo 1)

= ~ (0,1)
(1 )/
8.5 150 0.04 9.5 150 0.04

< <
150 0.04 0.96 150 0.04 0.96
[ = 0.06] [1.04 1.46] = 0.0771
Sea = /150, la proporcin de muestras de plomo en las muestras de 100
unidades, donde X, el nmero de unidades de plomo en la muestra de 100
unidades.
[ < 0.05 = 0.06] = 1 [ 0.05 = 0.06] = 1 0.6628 = 0.3372
Donde, se ha aplicado la aproximacin normal de la distribucin de :
0.05 0.06
[ 0.05/0.06] [ 0.42] = 0.6628
0.0237
Revise el tema de distribucin de muestreo de una proporcin del captulo I de esta

monografa. p 22.
17
APLICACIN N6
Estimacin puntual
Un yacimiento de plomo ha sido objeto de una investigacin previa en la que se

han perforado 40 sondeos que han demostrado que la distribucin de leyes sigue
una ley normal con ley media en plomo = 3,5% y desviacin tpica =1,2 %.Se
desea calcular:
El error de la estimacin con una confianza del 95 %.

El nmero de sondeos adicionales que hay que realizar para que el error en
la estimacin de la ley sea del 10% de sta, con una confianza del 97,5%.
El peso de la muestra.
1) Calculamos el error de la estimacin:
a) Paso 1: como es desconocida, la poblacin normal, y el numero
de muestras es N>30, entonces utilizaremos lo siguiente:
/
= / /
b) Para un nivel de confianza del 95% se tiene:
1 = 0.95

Entonces: = 0.05 = 0.025
c) Yendo a la tabla de la distribucin t- Student6 (se entra en la

columna g.l 40, fila t0.025, resultando t / = 2.02.
,
d) Por lo tanto el = 2.02 .
= . %
2) Calculamos nmero de sondeos adicionales que hay que realizar:

a) El nmero de sondeos que se necesita realizar para tener un error
del 10% de la media, es decir, de 0.35% de ley en Pb, con un
97,5% de confianza se determina mediante la frmula:
2
n=t / *s2 /
b) Calculamos el parmetro t / para 1 = 0.975. en este caso:
6
Ver en Anexos Tabla t- student
18

1 = 0.975 = 0.025 = 0.0125
c) Para n=, t / = . = 2.1 (promediando aproximadamente
entre . . . no lo proporciona la tabla).
Entonces:
2=
n=t / *s2 / (2.1*1.2/0.35)2 = 52
d) Por lo tanto ser necesario efectuar 52-40=12 nuevas
perforaciones. Con estos sondeos se mantiene el valor de la
desviacin tpica de la campaa previa.
3) Calculamos el peso de cada muestra:
a) De estos resultados podemos decir que el coeficiente de variacin
tiene valor:
V=(1.2/3.5)*100 = 34 %
b) De esto, el yacimiento se puede clasificar como regular segn la
tabla 11 (Ver Anexo 4), entonces el peso de cada muestra que
corresponda a tomar es de 2 kg.
APLICACIN N7
Confiabilidad de un equipo
La confiabilidad de una perforadora durante un periodo t es la probabilidad de que
su tiempo de falla exceda t. Esto es, la confiabilidad es R (t) = P [T > t].
7
CORDOVA ZAMORA, Manuel Estadstica Descriptiva e Inferencial.- Lima - Per, Editorial
Moshera S.R.L., 2009, p. 356
19
El ingeniero mecnico del taller de mantenimiento de la U.E.A Don Eliseo, ha

determinado que el tiempo de falla en meses del motor de una scooptram
Caterpillar tiene la funcin de densidad:
.
f (t) = 0.025 e , t 0
Determinar la confiabilidad del motor para un periodo de 4 aos
Si el tiempo de falla del motor excede el tiempo promedio de falla, cul es la
probabilidad de que exceda un ao ms?
Hallar el perodo en el cual el motor tiene una confiabilidad igual a 0.325
Solucin:
Parte a)
Sabemos que [ > ]= 1 [ ].
Adems ( ) = [ > ]
Como la funcin de distribucin es Exponencial entonces:
( )= [ ]= . .
0.025 e = 1 , t 0
.
Entonces, [ > ] = 1 [ ]=
La confiabilidad R (t) para 4 aos (48 meses) es la siguiente:
(48) = [ > 48] = . ( )
( )= .
La probabilidad de que el motor funcione ms de 48 meses es del 30%.
Parte b)
La funcin densidad del motor sigue un modelo exponencial con media = 1/
Como = 0.025, entonces = 1/0.025. Por lo tanto, el tiempo promedio de falla
es = 40 meses.
20
La probabilidad que exceda por un ao ms (12 meses) dado que ya paso el
tiempo promedio de falla es:
> 40 + 12 > 52 [ > 12]

> 40 = > 40 =
[ > 12] = . ( )
= 0.74
La probabilidad de que el motor funcione 12 meses ms dado que ya pasaron 40
meses es del 74%.
Parte c)
Sabemos que:
[ > ]= .
.
Entonces = 0.325
Aplicando logaritmo neperiano en ambos miembros, tenemos que
0.025 = 1.1239
= .
El tiempo para el cual se tiene una confiabilidad de funcionamiento del motor del
32.5 % es 45 meses
APLICACIN N8
Costo de mantenimiento de una llanta de retroexcavadora
La vida til de una llanta Goodyear lona 16 para retroexcavadora es una variable
aleatoria X cuya distribucin es normal con media = 38,000 Km. y desviacin
estndar = 3,000 Km.

21
Si el costo de mantenimiento de cada llanta (en $) est dada por la relacin Y =0.2
X + 100, Cul es la probabilidad que el costo de mantenimiento sea mayor que $
8,900?
Determinar el nmero de tales llantas que debe adquirir una empresa minera para
conseguir que su costo promedio sea a lo ms $7541
Solucin:
Parte a)
Cada variable aleatoria Xi tiene la misma media y varianza de la distribucin X,
es decir sigue una distribucin Normal N (38,000, 3,000). Entonces se cumple
que:
[ ]= y [ ]=
[ ] = 38,000 [ ] = 3000
Por la propiedad de de la esperanza matemtica tenemos:
Si a y b son constantes reales, entonces, [ + ]= [ ]+
Por la propiedad de de la varianza tenemos:
La varianza es un nmero real no negativo. Adems se tiene:
Si a y b son constantes reales, entonces, [ + ]= [ ]
Aplicando estas propiedades a la ecuacin Y =0.2 X + 100, tenemos:
[ ] = [0.2 + 100] = 0.2 [ ] + 100. (1)
[ ]= [0.2 + 100] = 0.2 [ ] (2)
Desarrollando (1) y (2)
[ ] = 0.2 [ ] + 100 = 0.2(38,000) + 100 = 7700
Entonces = 7700
[ ] = 0.2 [ ] = 0.2 (3,000) = 360,000

22
Entonces = 360,000 = 600
Por el Teorema del lmite central:
Si , , ,, son variables n aleatorias independientes igualmente
distribuidas con media y varianza , entonces la distribucin de la variable

=
Tiene distribucin normal N (0,1) cuando n tiende a infinito
,
Entonces normalizando la variable Y tenemos: =
=
, ,
Segn el problema: [ > 8,900] = >
[ > 2] = 1 [ 2]8
Segn tabla de distribucin normal
[ 2] = 0.9772
Entonces: [ > 2] = 1 0.9772 = 0.0228
La probabilidad de que el costo de mantenimiento sea mayor a $ 8,900 es de
0.0228 (2.28%)
APLICACIN N9
Estimacin por intervalos
Deseamos valorar el grado de conocimientos en el examen sobre Seguridad
minera de una poblacin de varios cientos de trabajadores de la U.E.A Huanzal.
Sabemos, por estudios anteriores, que la desviacin tpica poblacional es =2,3.
Nos proponemos estimar pasando una prueba a 100 operarios mineros. La
media de esta muestra de 100 operarios ha resultado ser x =6,32.
8
Vease anexos. Tabla de distribucin Normal
23
Halla el intervalo de confianza de con un nivel de confianza del 95%.
Solucin:
2,3
Puesto que n=100, sabemos que X N , N , 0,23 .
100
6,32 L X 6,32 L
P(6,32 L X 6,32 L) 0,95 P( ) 0,95
0, 23 0, 23 0, 23
L L L L
P( Z ) 0,95 (donde Z N (0,1)) P( Z ) 0,975 1,96 (ver tabla)
0, 23 0, 23 0, 23 0, 23
L 1,96 0, 23 0, 45 , con lo que el int ervalo de confianza para , al 95%, y segn esta muestra,
es [6,32 0, 45;6,32 0, 45] [5,87;6,77]
Esto quiere decir, que aunque no sabemos el valor de , podemos asegurar que
estar entre 5,87 y 6,77 con una probabilidad del 95%.
Al radio del intervalo de confianza, L, se le llama error mximo admisible; en el
ejemplo anterior es L=0,45.
APLICACIN N10
Estimacin por intervalos
Queremos saber la media de km recorridos por los scooptram de cierta poblacin.
Sabemos por estudios anteriores que = 2.250 km. Para ello, elegimos una
muestra de 100 scooptram y obtenemos una media muestral x =15.200 km.
a) Determina el intervalo de confianza al 99% para .

24
b) Cul ha de ser el tamao mnimo de la muestra para que el error no
supere los 500 km con la misma confianza del 99%?
Solucin:
2.250
Puesto que n=100 (30), sabemos que X N , N , 225 .
100
L L
a) P(15.200 L X 15.200 L) 0,99 P( Z ) 0,99
225 225
L L
P( Z ) 0,995 2,575 (ver tabla) L 579,
225 225
con lo que el int ervalo de confianza para , al 99%, y segn esta muestra, es [14.621;15.779]
2.250
b) Si el I.C. ha de ser [ x -500, x +500], entonces, como X N , ,
n

500 500
P ( x 5 0 0 X x 5 0 0 ) 0,9 9 P Z 0,99
2 .2 5 0 2250

n n
500 n 500 n
P (Z ) 0,995 2 , 5 7 5 (v e r ta b la )
2 .2 5 0 2 .2 5 0
2 , 5 7 5 2 .2 5 0
n 1 1, 5 9 n 1 3 4 , 3 2 n 1 3 5
500
25
ANEXOS
ANEXOS
ANEXO 1: Aplicaciones de modelos de reemplazo, confiabilidad y
mantenimiento
1.1.Conceptos estadsticos.-
Los aspectos de habilidad del proceso, confiabilidad, mantenimiento y renovacin
de equipos, tiene estrecha relacin entre s. Por ejemplo la poltica de
mantenimiento y renovacin de equipos influye de forma directa tanto en la
habilidad, como en la confiabilidad del sistema. Por otro lado, los conceptos de
confiabilidad y tasa de fallas, y las polticas de mantenimiento y renovacin de
equipos, pueden modelarse a partir del mismo concepto: el tiempo de vida sin
fallas del equipo (que se modela como variable aleatoria). El presente captulo II
se presenta los temas de confiabilidad, curvas de vida y tasa de fallas, con especial
atencin a las tcnicas para evaluar y mejorar el desempeo de los equipos. Por
ltimo, se definen tcnicas para evaluar polticas de mantenimiento y renovacin
de equipos.
1.2.Confiabilidad y falla de equipos.-
Las fallas de los equipos obedecen a razones muy diversas, entre las cuales la ms
importante puede ser la edad, ya que a mayor edad las maquinas tienden a fallar
con ms frecuencia, debido al desgaste. Sin embargo, tambin influyen otros
factores como la frecuencia y la calidad del mantenimiento preventivo,
propiedades de la materia prima, fuentes de energa, o simplemente errores o
causas imprevistas en la operacin del equipo. La ocurrencia de las fallas no

26
puede pronosticarse con precisin (de otra forma se evitaran), y es por esta razn
que la naturaleza del proceso de fallas de un equipo o componente es aleatoria, y
para su estudio deben utilizarse conceptos de teora de probabilidades. 9
1.3.CONFIABILIDAD 10
La confiabilidad de un producto o de un sistema es la probabilidad de que este se
desempee satisfactoriamente durante un periodo de tiempo dado y bajo ciertas
condiciones de operacin establecidas. La confiabilidad se define como una
probabilidad, ya que como se mencion, el proceso de fallas de un producto es un
proceso aleatorio.
La confiabilidad de un producto se define bajo condiciones de operacin bien
determinadas; por ejemplo, el uso de insertos de carburo de tungsteno tipo HH 33
est definida para rocas suaves o blandas, obviamente si se usa para otros tipos de
rocas con mayor dureza, su vida til ser menor.
El tiempo entre mantenimientos preventivos de una maquina ser el adecuado
para hacer referencia a la confiabilidad de la misma, ya que las fallas que ocurren
cuando la mquina esta en operacin son costosas (y deben evitarse) debido a que
originan gasto no solo por el costo de reparacin, sino porque tambin genera
produccin defectuosa y paros indeseables del proceso productivo. Se debe
9
MUOZ NEGRN, David. Administracin de operaciones. Enfoque de administracin
de procesos de negocios. Mxico D.F,CENGAGE learning., p. 374
10
dem, p 375
27
evaluar las confiabilidades de los sistemas productivos (equipos y maquinas)
complejas, con base en las confiabilidades de sus componentes.
Grafico1.Confiablidad de un equipo en funcin del tiempo de operacin11
1.4.TASA DE FALLAS
Es razonable pensar que la confiabilidad de sistemas (maquinas y/o equipos)
pueda variar en el tiempo y para ilustrar esta caracterstica podra registrar los
tiempos de las fallas de un sistema, y construir una grafica en el tiempo del
nmero total (acumulado) de fallas del sistema, tal grafica es el proceso de fallas
del sistema. Sobre la base del proceso de fallas de un sistema se introduce el
concepto de tasa de fallas, como el numero de fallas del sistema por unidad de
tiempo; es lgico pensar que cuando la tasa de fallas de fallas es grande, los
tiempos entre fallas sucesivas son pequeas, y viceversa, cuando la tasa de fallas
es pequea, los tiempos entre fallas sucesivas son grandes. De esta manera, la
grafica de la tasa de falla (t) como funcin del tiempo de operacin (uso) del
11
Ibidem
28
sistema (maquina y/o equipo) ilustrar cmo la confiabilidad del sistema varia en
el tiempo; a mayor tasa de fallas la confiabilidad del sistema es menor, y a menor
tasa de fallas la confiabilidad del sistema es mayor.
1.5.TIEMPO OPERATIVO SIN FALLAS.- 12
La confiabilidad y la tasa de fallas de un sistema (equipo o componente) son
conceptos tiles para estudiar el proceso de fallas de un sistema. Se modela el
tiempo operativo sin fallas del equipo o componente como una variable aleatoria
continua T y se utiliza la siguiente notacin:
( )
( )= ( )
1.6.FUNCIN DE CONFIABILIDAD13
( )= ( > )= 1 ( )
La confiabilidad de la componente se obtiene simplemente de evaluar esta funcin
en el tiempo de vida de especificacin de ella.
Consideremos ahora que observamos a la componente funcionando en el tiempo t,
entonces la probabilidad de que la componente falle un instante despus (digamos
hasta t + h) es:
P(t < + ) F (t + h) F (t)

P (t T t + h T > ) = =
P(T> ) R (t)
Si dividimos esta probabilidad entre h, obtendremos lo que se conoce como la
razn de falla promedio de la componente en el intervalo [t, t+ h. Al lmite de esta
expresin cuando h 0 se le conoce como la razn de falla instantnea en t, y se
le denota por Z (t); concretamente:
12
dem, p.381
13
Valdivieso Serrano, Luis, ESTADISTICA APLICADA, Fondo Editorial PUCP. Lima, 2002, p.18
29
F (t + h) F (t) f (t)
Z(t) = lim =
h R (t) R(t)
1.7.FUNCIN RAZN DE FALLA (TASA DE FALLA)14
f (t)
(t) = Z(t) =
R(t)
La funcin razn de falla nos mide la propensin a falla de la componente a lo
largo del tiempo. Una tpica funcin razn de falla puede tener en la prctica la
grafica siguiente
Grfico. 2: Grfico de la tasa de fallas de un componente15
Como se puede apreciar se distinguen aqu tres zonas claramente diferenciadas:
una zona de fallas iniciales (Z (t) decreciente), una zona de fallas accidentales
(Z(t) constante) y una zona de fallas por desgaste (Z (t) decreciente).
Funcin de densidad del tiempo de vida til de la componente en base a su
funcin razn de falla.
Como:
14
Ibidem
15
Muoz Negrn, David p. Cit. p. 379
30
dF (t) dR(t)
f(t) = =
dt dt
Entonces
f (t) d ln(R(t))
Z(t) = =
R(t) dt
( )
R(t) = e
Luego
f (t) = Z(t) R(t)
Puede escribirse como:
( )
f (t) = Z(t)e
El modelo exponencial 16
En este modelo se asume que las fallas de la componente ocurren solo por
accidente; vale decir que
Z(t) = = constante > 0, 0
Entonces el tiempo de vida til T de una componente bajo este modelo tiene
funcin de densidad:

f (t) = e , t 0
En otras palabras T~ Exp. (). De aqu que este reciba el nombre de modelo
exponencial.
El modelo Weibull17
16
Valdivieso Serrano, Luis, p. Cit., p.19
17
Ibidem
31
La familia de distribuciones que por tradicin se usa para modelar el tiempo
operativo sin fallas, es la distribucin Weibull. Esta familia de distribuciones
depende de dos parmetros positivos, () y ().
Este modelo se asume que la funcin razn de falla de la componente toma la
forma
Z(t) = t , t 0
Ntese que si < 1, se estar modelando a una componente que tiene una alta
propensin a sufrir fallas iniciales, mientras que si > 1, se estar modelando a
una componente con alta propensin a sufrir fallas por desgaste. El modelo
exponencial resulta un caso particular del modelo Weibull al tomarse = 1.
La funcin de densidad del tiempo de vida til T de la componente bajo este
modelo es:

f (t) = t e , t 0
En otras palabras T~ W (, ). De aqu que este reciba el nombre del modelo de
Weibull. En este modelo la funcin de confiabilidad de una componente viene
dada por:
f (t)
R(t) = =e
Z(t)
La distribucin Weibull resulta muy conveniente para modelar el proceso de fallas
de un sistema, ya que tiene la suficiente flexibilidad para representar los periodos
de falla temprana, de vida til y de obsolescencia. Sin embargo, la dificultad
practica de esta distribucin, es estimar los parmetros y a partir de una
muestra de observaciones; para superar esta dificultad se puede aplicar el mtodo

32
de mxima verosimilitud mediante un solver18 de programacin no lineal (como
LINGO o el Excel)
18
Hallar la solucin de un problema
33
ANEXO 2: Las distribuciones de probabilidad ms usadas para modelar el
tiempo de vida til de una componente o sistema19
19
Besterfield Dale. CONTROL DE CALIDAD, Pretencie Hall, Cuarta edicin, Mxico, 1995, p
391.
34
ANEXO 3
35
ANEXO 4: Mtodo del coeficiente de variacin20
Consiste en calcular el peso aproximado de muestra en funcin del coeficiente de
variacin, definido para un colectivo de muestras de un mineral como la relacin
entre la desviacin tpica y la media aritmtica de las leyes de dicho mineral, es
decir:
Siendo:
n = el nmero de muestras.
La Tabla 11 proporciona los pesos de las muestras en funcin del coeficiente de
variacin para diversos tipos de yacimientos.
TABLA 11: Peso de la muestra en funcin de la irregularidad del depsito

medida con el coeficiente de variacin (Stammberger, 1966, en Febrel, 1971).
Fuente: ORCHE GARCA, Enrique MANUAL DE EVALUACIN DE
YACIMIENTOS MINERALES
20
ORCHE GARCA, Enrique. Manual de evaluacin de yacimientos minerales. Edit. Mstoles, Madrid, 1999, pp. 52-53
36
CONCLUSIONES
CONCLUSIONES
I. Los conceptos de la estadstica clsica ayudan para el clculo de muestreo,

distribuciones muestrales y estimacin, de una manera casi precisa, ya
que todo procedimiento conlleva a errores ya que son hechos por hombres,
es una herramienta til para nuestra carrera.
II. Los mtodos estadsticos utilizan valores medios o medias ponderadas
para la estimacin de bloques definidos convenientemente, por lo que su
uso est relacionado con problemas de precisin y confiabilidad.
III. Los mtodos estadsticos clsicos no permiten calcular la variabilidad o
dispersin de la mineralizacin ya que no tienen en cuenta el carcter
estructural (espacial) de las muestras.
IV. La estadstica clsica permite hacer un previo anlisis de los datos que se
obtiene del muestreo del yacimiento, segn las mtodos, procedimientos y
tcnicas empleadas para tal fin, a su vez, esta data procesada en
informacin, servir para un posterior anlisis geoestadstico en la
estimacin de reservas
V. Los datos que se obtuvieron a travs del muestreo son de gran ayuda ya
que conjuntamente con la estadstica podemos hallar como la estimacin
de reservas, hasta compositar un taladro.
VI. Se logro estimar por mtodos clsicos (M. paneles e Inverso a las
distancias) de un deposito mineralizado gracias a los datos que se obtuvo
del proceso de muestreo.
37
VII. La estimacin de reservas por los mtodos clsicos se siguen utilizando en
la minera porque resultan ms prcticos en su aplicacin, pero conllevan a
un mayor error de estimacin.
VIII. La utilizacin de mtodos clsicos de cubicacin no se recomienda porque

aun cuando permiten cuantificar las reservas a escala global, no son
adecuados para la caracterizacin local de las reservas.
IX. La compositacin de un taladro es otro mtodo para la estimacin de
reservas pero para depsitos estratificados, lo cual se logro realizar una
compositacin de un taladro.
X. Ahorro en tiempo al permitir concentrar la atencin en las muestras
permitiendo obtener mayor informacin respecto al yacimiento con toda la
exactitud que su objetivo necesite.
XI. La estimacin puntual de parmetros no tiene mucha relevancia practica
en el quehacer minero, puesto que no se trabaja con un solo valor
determinado sino con un conjunto de valores probables, en este sentido la
estimacin de parmetros por intervalos es el efectivo y cercano a la
realidad.
XII. Los parmetros estadsticos ms importantes en mineria son la media y la
desviacin estndar.
XIII. Los mtodos clsicos de estimacin de reservas no consideran el dominio
estructural de cada muestra.

38
BIBLIOGRAFIA
BIBLIOGRAFIA
Basica
Bibliografa Bsica
CORDOVA ZAMORA, Manuel Estadstica Descriptiva e Inferencial.-
Lima - Per, Imprenta Moshera S.R.L., 2009.- Cap. VIII
De LA TORRE SILVETRE, Valerio. Separata de clases de Geoestadistica.
2012
VIZCARRA ARANA Jess, Separata del curso de Geologa de Minas,
Huaraz, 2002, p. 3
Citada
Bibliografa Citada
BUSTOS SANCHEZ, Gregorio Walter. Estudio comparativo entre los
mtodos poligonal e inverso de la distancia para la estimacin de reservas
de mineral. - Ciclo de actualizacin profesional. Huaraz, octubre del 2003.
FIMGM-UNASAM. p. 24.
CORDOVA ZAMORA, Manuel Estadstica Descriptiva e Inferencial.-
Lima - Per, Imprenta Moshera S.R.L., 2009.- Cap. VIII

39
De LA TORRE SILVETRE, Valerio. Separata de clases de Geoestadistica.
2012.
MUOZ NEGRN, David. Administracin de operaciones. Enfoque de
administracin de procesos de negocios. Mxico D.F, CENGAGE
LEARNING., p. 374.
ORCHE GARCA, Enrique Manual de evaluacin de yacimientos
minerales, Edit. Mstoles, Madrid, 1999, pp. 80 -89
VIZCARRA ARANA Jess, Separata del curso de Geologa de Minas,
Huaraz, 2002, p. 3
Consultada
Bibliografa Consultada
LEVIN, Richard, Estadstica para Administradores.- Mxico, Prentice-
Hall Hispanoamrica S.A., 1988.-Cap. VII
BUSTILLO REVUELTA, Manuel, LOPEZ JIMENO, Carlos. Manual de
evaluacin y diseo de explotaciones mineras. Editorial Entorno Grafico,
p. 101
ORCHE GARCA, Enrique Manual de evaluacin de yacimientos
minerales, Edit. Mstoles, Madrid, 1999, pp. 80 -89
No Consultada
Bibliografa no Consultada
ARDERSON, David R., SWEENEY, Dennis J. . . Estadstica para
Administradores y Economa.- Mexico, Thomson editores, 2005
ALFARO SIRONVALLE, Marco AntonioIntroduccin al Muestreo
Minero. Instituto de Ingenieros de Minas de Chile. Santiago.2002.p. 9.

Capitulo II - Aplicaciones A La Mineria

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Capitulo II - Aplicaciones A La Mineria

Încărcat de

Drepturi de autor:

Formate disponibile

I

FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y

ESCUELA PROFESIONAL DE INGENIERIA DE MINAS

ESTIMACION PUNTUAL y ESTIMACION POR

PRESENTADA EN LA ASIGNATURA DE GEOESTADISTICA

HUAYANEY MILLA, Miguel Angel

HUARAZ, 12 DICIEMBRE DEL 2012

INDICE ................................................................................................................. III

CAPTULO II: APLICACIONES A AL MINERIA .............................................. 1

Estimacin de Reservas por el Mtodo de Paneles ................................................. 1

Estimacin de Reservas por el Mtodo de Inverso a la distancia ........................... 4

Compositar taladros .............................................................................................. 10

Distribucin muestral de la media. ....................................................................... 12

Distribucin de muestreo de una proporcin. ....................................................... 15

Confiabilidad de un equipo ................................................................................... 18

Costo de mantenimiento de una llanta de retroexcavadora................................... 20

Estimacin por intervalos...................................................................................... 22

APLICACIN N10 ............................................................................................. 23

Estimacin por intervalos...................................................................................... 23

El presente trabajo de investigacin tiene como objetivo general mostrar una

compilacin bibliogrfica acerca de los conceptos de, muestreo, distribucin

muestral, estimacin puntual y estimacin por intervalos. Comprender, desde el

establecer cules son las ventajas y desventajas de su empleo en la industria

Como objetivo especfico se busca relacionar estos conceptos estadsticos hacia

una concepcin geoestadistica, debido a las propias particularidades que tiene un

yacimiento; asimismo indicar su aplicacin tecnolgica en el proceso minero, que

se traduce en la estimacin de reservas con la mayor precisin.

Al concluir la lectura de este trabajo se espera que el lector este en la capacidad de

identificar y diferenciar estos conceptos desde el enfoque estadstico y

geoestadstico para su posterior aplicacin, de una manera adecuada, en la

realizacin de un trabajo de investigacin.

gama de informacin, como libros de la biblioteca de la Facultad de Ingeniera de

Minas, separatas proporcionadas por el docente del curso en ciclos anteriores e

informacin virtual de pginas web.

Nuestro mayor obstculo fue el escaso dominio en temas de estadstica

Inferencial, ya que se requiere un mediano nivel de conocimientos estadsticos

para abordar y entender los temas investigados en la presente monografa, a esto

le aadimos la poca experiencia en la elaboracin de monografas.

Agradecemos al Ing. Jesus Vizcarra por proporcionarnos copias de sus apuntes de

El muestreo es una operacin que se desarrolla en todas las etapas de la industria

minera, llmense prospeccin, exploracin, desarrollo, explotacin,

procesamiento, fundicin, refinacin, transformacin y comercializacin. Casi

todas las decisiones que se hacen respecto de un proyecto minero, desde la

exploracin hasta el cierre de la mina, estn basados en valores obtenidos de

Es necesario conocer la teora aplicable en cada tcnica de seleccin de una

muestra, que es estadsticamente determinada para inferir el valor de una o varias

caractersticas del yacimiento. En este sentido es necesario conocer los mtodos,

las tcnicas y procedimientos del muestreo, sobre todo para la exploracin y

explotacin de yacimientos, ya que son la base para el posterior anlisis

mineral, el tonelaje y la cantidad de finos que tiene un yacimiento, es decir,

cuantificar en trminos de leyes promedio y tonelaje la riqueza y potencial

econmico del depsito.

de softwares especializados en minera como el Vulcan, Datamine, Minesight, etc

para la estimacin de reservas, aun se sigue utilizando las tcnicas estadsticas

En el Captulo II, se consignan las aplicaciones relacionadas a la industria minera,

problemas de anlisis que se presentan diariamente en el negocio minero

El mtodo empleado es la investigacin bibliogrfica y la tcnica es analtica-

sinttica. El procedimiento que se empleo es la digital (computadora), despus de

Geoestadistica de ciclos anteriores, la cual nos pareci de mejor comprensin y

una estructura sencilla y de fcil comprensin para el estudiante.

Los materiales bibliogrficos revisados en torno a estos temas son amplios;

podemos mencionar a Murray Ralph Spiegel y Manuel Cordova Zamora. El

primero es autor de fama internacional y su libro Probabilidad y Estadstica nos