DETERMINACIÓN DEL CARÁCTER NORMAL

Una de las distribuciones teóricas mejor estudiadas en los textos de bioestadística y más utilizada
en la práctica es la distribución normal, también llamada distribución gaussiana. Su importancia se
debe fundamentalmente a la frecuencia con la que distintas variables asociadas a fenómenos
naturales y cotidianos siguen, aproximadamente, esta distribución. Caracteres morfológicos
(como la talla o el peso), o psicológicos (como el cociente intelectual) son ejemplos de variables de
las que frecuentemente se asume que siguen una distribución normal. No obstante, y aunque
algunos autores han señalado que el comportamiento de muchos parámetros en el campo de
la salud puede ser descrito mediante una distribución normal, puede resultar incluso poco
frecuente encontrar variables que se ajusten a este tipo de comportamiento.
El uso extendido de la distribución normal en las aplicaciones estadísticas puede explicarse,
además, por otras razones. Muchos de los procedimientos estadísticos habitualmente utilizados
asumen la normalidad de los datos observados. Aunque muchas de estas técnicas no son
demasiado sensibles a desviaciones de la normal y, en general, esta hipótesis puede obviarse
cuando se dispone de un número suficiente de datos, resulta recomendable contrastar siempre si
se puede asumir o no una distribución normal
Propiedades de la distribución normal:
La distribución normal posee ciertas propiedades importantes que conviene destacar:
I. Tiene una única moda, que coincide con su media y su mediana.
II. La curva normal es asintótica al eje de abscisas. Por ello, cualquier valor entre -¥ y +¥ es
teóricamente posible. El área total bajo la curva es, por tanto, igual a 1.
III. Es simétrica con respecto a su media µ. Según esto, para este tipo de variables existe
una probabilidad de un 50% de observar un dato mayor que la media, y un 50% de
observar un dato menor.
IV. La distancia entre la línea trazada en la media y el punto de inflexión de la curva es igual a
una desviación típica (σ). Cuanto mayor sea σ, mαs aplanada será la curva de la densidad.
V. El área bajo la curva comprendida entre los valores situados aproximadamente a dos
desviaciones estándar de la media es igual a 0.95. En concreto, existe un 95% de
posibilidades de observar un valor comprendido en el intervalo (µ-1.96σ, µ+1.96σ).
VI. La forma de la campana de Gauss depende de los parámetros µ y σ (Figura 2). La media
indica la posición de la campana, de modo que para diferentes valores de µ la gráfica es
desplazada a lo largo del eje horizontal. Por otra parte, la desviación estándar determina
el grado de apuntamiento de la curva. Cuanto mayor sea el valor de σ, mαs se dispersarán
los datos en torno a la media y la curva será más plana. Un valor pequeño de este
parámetro indica, por tanto, una gran probabilidad de obtener datos cercanos al valor
medio de la distribución.
Como se deduce de este último apartado, no existe una única distribución normal, sino una familia de
distribuciones con una forma común, diferenciadas por los valores de su media y su varianza. De entre
todas ellas, la más utilizada es la distribución normal estándar, que corresponde a una distribución de media
0 y varianza 1. Así, la expresión que define su densidad se puede obtener de la Ecuación 1, resultando:

Es importante conocer que, a partir de cualquier variable X que siga una distribución N (µ,σ), se puede
obtener otra característica Z con una distribución normal estándar, sin más que efectuar la transformación:

Ecuación 2:

Esta propiedad resulta especialmente interesante en la práctica, ya que para una distribución N (0,1) existen
tablas publicadas a partir de las que se puede obtener de modo sencillo la probabilidad de observar un dato
menor o igual a un cierto valor z, y que permitirán resolver preguntas de probabilidad acerca del
comportamiento de variables de las que se sabe o se asume que siguen una distribución aproximadamente
normal.

Ejemplo: el siguiente problema: supongamos que se sabe que el peso de los sujetos de una
determinada población sigue una distribución aproximadamente normal, con una media de 80 Kg y una
desviación estándar de 10 Kg. ¿Podremos saber cuál es la probabilidad de que una persona, elegida al azar,
tenga un peso superior a 100 Kg?
Denotando por X a la variable que representa el peso de los individuos en esa población, ésta sigue una
distribución . Si su distribución fuese la de una normal estándar podríamos utilizar la tabla para
calcular la probabilidad que nos interesa. Como éste no es el caso, resultará entonces útil transformar esta
característica según la Ecuación 2, y obtener la variable:

Para poder utilizar dicha tabla. Así, la probabilidad que se desea calcular será:

Como el área total bajo la curva es igual a 1, se puede deducir que:

Esta última probabilidad puede ser fácilmente obtenida a partir de la Tabla, resultando ser
. Por lo tanto, la probabilidad buscada de que una persona elegida aleatoriamente de
esa población tenga un peso mayor de 100 Kg., es de 1–0.9772=0.0228, es decir, aproximadamente de un
2.3%.

De modo análogo, podemos obtener la probabilidad de que el peso de un sujeto esté entre 60 y 100 Kg.:

De la Figura 2, tomando a =-2 y b =2, podemos deducir que:

Por el ejemplo previo, se sabe qué . Para la segunda probabilidad, sin embargo,
encontramos el problema de que las tablas estándar no proporcionan el valor de para valores
negativos de la variable. Sin embargo, haciendo uso de la simetría de la distribución normal, se tiene que:
Finalmente, la probabilidad buscada de que una persona elegida al azar tenga un peso entre 60 y 100 Kg., es
de 0.9772-0.0228=0.9544, es decir, aproximadamente de un 95%. Resulta interesante comprobar que se
obtendría la misma conclusión recurriendo a la propiedad () de la distribución normal.
No obstante, es fácil observar que este tipo de situaciones no corresponde a lo que habitualmente nos
encontramos en la práctica. Generalmente no se dispone de información acerca de la distribución teórica
de la población, sino que más bien el problema se plantea a la inversa: a partir de una muestra extraída al
azar de la población que se desea estudiar, se realizan una serie de mediciones y se desea extrapolar los
resultados obtenidos a la población de origen. En un ejemplo similar al anterior, supongamos que se
dispone del peso de n =100 individuos de esa misma población, obteniéndose una media muestral
de Kg., y una desviación estándar muestral S=12 Kg., querríamos extraer alguna conclusión acerca
del valor medio real de ese peso en la población original. La solución a este tipo de cuestiones se basa en un
resultado elemental de la teoría estadística, el llamado teorema central del límite. Dicho axioma viene a
decirnos que las medias de muestras aleatorias de cualquier variable siguen ellas mismas una distribución

normal con igual media que la de la población y desviación estándar la de la población dividida por . En

nuestro caso, podremos entonces considerar la media muestral , con lo cual, a partir de
la propiedad (iii) se conoce que aproximadamente un 95% de los posibles valores de caerían dentro del

intervalo . Puesto que los valores de µ y σ son desconocidos, podrνamos

pensar en aproximarlos por sus análogos muestrales,

Resultando .
Estaremos, por lo tanto, un 95% seguros de que el peso medio real en la población de origen oscila entre
75.6 Kg. y 80.3 Kg. Aunque la teoría estadística subyacente es mucho más compleja, en líneas generales éste
es el modo de construir un intervalo de confianza para la media de una población.

La probabilidad de que cualquier variable aleatoria X tome un valor dentro de k desviaciones estándar de la

media es al menos 1- . Es decir

.
Distribuciones muestrales

En esta sección estudiaremos las distribuciones más importantes de variables aleatorias continuas
unidimensionales. El soporte de una variable aleatoria continua se define como aquella región de donde
su densidad es no nula, . Para las distribuciones que enunciaremos, podrá ser bien todo , o bien
un segmento de la forma .
Distribuciones normales

La distribución gaussiana, recibe también el nombre de distribución normal, ya que una gran mayoría de las
variables aleatorias continuas de la naturaleza siguen esta distribución. Se dice que una variable aleatoria X
sigue una distribución normal de parámetros µ y σ2, lo que representamos del modo:

Si su función de densidad es:

Observación
Estos dos parámetros µ y σ2coinciden además con la media (esperanza) y la varianza respectivamente de la
distribución como se demostrará más adelante:

La forma de la función de densidad es la llamada campana de Gauss.

Para el lector es un ejercicio interesante comprobar que ésta alcanza un único máximo (moda) en µ, que es
simétrica con respecto al mismo, y por tanto:

Con lo cual en µ coinciden la media, la mediana y la moda, y por último, calcular sus puntos de inflexión.
El soporte de la distribución es todo , de modo que la mayor parte de la masa de probabilidad (área
comprendida entre la curva y el eje de abcisas) se encuentra concentrado alrededor de la media, y las ramas
de la curva se extienden asintóticamente a los ejes, de modo que cualquier valor ``muy alejado" de la media
es posible (aunque poco probable).
La forma de la campana de Gauss depende de los parámetros µ y σ:
 µ indica la posición de la campana (parámetro de centralización);
La función característica de la distribución normal, se comprueba más adelante que es:

Como consecuencia, la distribución normal es reproductiva con respecto a los parámetros µ, y σ2,
ya que:

Las consecuencias desde el punto de vista práctico son importantes, ya que eso impide el que
podamos escribir de modo sencillo la función de distribución de la normal, y nos tenemos que
limitar a decir que:

Sin poder hacer uso de ninguna expresión que la simplifique. Afortunadamente esto no impide
que para un valor de x fijo, F(x) pueda ser calculado. De hecho puede ser calculado con tanta
precisión (decimales) como se quiera, pero para esto se necesita usar técnicas de cálculo numérico
y ordenadores. Para la utilización en problemas prácticos de la función de distribución F, existen
ciertas tablas donde se ofrecen (con varios decimales de precisión) los valores F(x) para una serie
limitada de valores xi dados. Normalmente F se encuentra tabulada para una distribución Z,
normal de media 0 y varianza 1 que se denomina distribución normal tipificada:

En el caso de que tengamos una distribución diferente, se obtiene Z

haciendo el siguiente cambio:

De manera general se tiene:

 Proposición (Cambio de origen y escala)

Sean. Entonces:
Este resultado puede ser utilizado del siguiente modo: Si, y nos interesa calcular ,

1. Hacemos el cambio y calculamos ;

2. Usamos la tabla, relativa a la distribución para obtener (de modo

aproximado) ;

3. Como tenemos que el valor obtenido

en la tabla, FZ(z) es la probabilidad buscada.
1. Ejemplo
Supongamos que cierto fenómeno pueda ser representado mediante una variable

Aleatoria , y queremos calcular la probabilidad de que X tome un valor entre 39 y 48, es

decir,

Comenzamos haciendo el cambio de variable

De modo que:

Vamos ahora a demostrar algunas de las propiedades de la ley gaussiana que hemos mencionado
anteriormente.
 Proposición

Sea
. Entonces

Demostración
Por ser la normal una ley de probabilidad se tiene que

Es decir, esa integral es constante. Con lo cual, derivando la expresión anterior con respecto a µ se obtiene
el valor 0:

Luego .
Para demostrar la igualdad entre la var[X] y σ2, basta con aplicar la misma técnica, pero esta vez derivando
con respecto a σ2:

Luego

Para demostrar el resultado relativo a la función característica, consideramos en primer lugar la variable
aleatoria tipificada de X,

Y calculamos
Como , deducimos que

1. Distribución Chi-Cuadrada (X2)

Si consideramos una v.a. , la v.a. X=Z2 se distribuye según una ley de probabilidad

distribución x2 con un grado de libertad, lo que se representa como:

Si tenemos n v.a. independientes , la suma de sus cuadrados respectivos es una distribución

que denominaremos ley de distribución x2con n grados de libertad, x2n.

La media y varianza de esta variable son respectivamente:

Y su función de densidad es:

Los percentiles de esta distribución que aparecen con más frecuencia en la práctica los podemos encontrar
en la tabla.
En consecuencia, si tenemos x1,…,xn, v.a. independientes, donde cada , se tiene

 Observación
La ley de distribución x2muestra su importancia cuando queremos determinar la variabilidad (sin signo) de
cantidades que se distribuyen en torno a un valor central siguiendo un mecanismo normal.
Como ilustración tenemos el siguiente ejemplo:
 Ejemplo
Un instrumento para medir el nivel de glucemia en sangre, ofrece resultados bastantes aproximados con la
realidad, aunque existe cierta cantidad de error que se distribuye de modo normal con media 0 y
desviación típica .

Se realizan mediciones de los niveles de glucemia dados por el instrumento en un grupo de n=100 pacientes.
Nos interesa medir la cantidad de error que se acumula en las mediciones de todos los pacientes. Podemos
plantear varias estrategias para medir los errores acumulados. Entre ellas destacamos las siguientes:
1. Definimos el error acumulado en las mediciones de todos los pacientes como

¿Cuál es el valor esperado para E1?

2. Definimos el error acumulado como la suma de los cuadrados de todos los errores (cantidades positivas):

¿Cuál es el valor esperado para E2?

A la vista de los resultados, cuál de las dos cantidades, E1 y E2, le parece más conveniente utilizar en una
estimación del error cometido por un instrumento.

Solución: Suponiendo
que todas las mediciones son independientes, se tiene que:
De este modo, el valor esperado para E1 es 0, es decir, que los errores ei van a tender a compensarse entre
unos pacientes y otros. Obsérvese que si µ no fuese conocido a priori, podríamos utilizar E1, para obtener
una aproximación de µ

Sin embargo, el resultado E1 no nos indica en qué medida hay mayor o menor dispersión en los errores con
respecto al 0. En cuanto a E2 podemos afirmar lo siguiente:
 Determinación del carácter lognormal

En probabilidades y estadísticas, la distribución log-normal es una distribución de probabilidad de una

variable aleatoria cuyo logaritmo está normalmente distribuido. Es decir, si X es una variable aleatoria con
una distribución normal, entonces exp(X) tiene una distribución log-normal.

La base de una función logarítmica no es importante, ya que loga X está distribuida normalmente si y sólo si
logb X está distribuida normalmente, sólo se diferencian en un factor constante.
Log-normal también se escribe log normal o lognormal.
Una variable puede ser modelada como log-normal si puede ser considerada como un producto
multiplicativo de muchos pequeños factores independientes. Un ejemplo típico es un retorno a largo plazo
de una inversión: puede considerarse como un producto de muchos retornos diarios.
Propiedades La distribución lognormal se caracteriza por las siguientes propiedades:
 Asigna a valores de la variable < 0 la probabilidad 0 y de este modo se ajusta a las tasas y
probabilidades de fallo que de esta forma sólo pueden ser positivas.
 Como depende de dos parámetros, según veremos, se ajusta bien a un gran número de
distribuciones empíricas.
 Es idónea para parámetros que son a su vez producto de numerosas cantidades aleatorias
(múltiples efectos que influyen sobre la fiabilidad de un componente).
 La esperanza matemática o media en la distribución lognormal es mayor que su mediana.
De este modo da más importancia a los valores grandes de las tasas de fallo que una
distribución normal con los mismos percentiles del 5% y 50% tendiendo, por tanto, a ser
pesimista.

Para , donde y son la media y la desviación estándar del logaritmo de variable. El valor
esperado es:

Y la varianza es:

Relación con media y la desviación estándar geométrica

La distribución log-normal, la media geométrica, y la desviación estándar geométrica están relacionadas.

En este caso, la media geométrica es igual a y la desviación estándar geométrica es igual a

Si una muestra de datos determina que proviene de una población distribuida siguiendo una distribución
log-normal, la media geométrica de la desviación estándar geométrica puede utilizarse para estimar los
intervalos de confianza tal como la media aritmética y la desviación estándar se usan para estimar los
intervalos de confianza para un dato distribuido normalmente.
 Límite de intervalo de confianza log geométrica

3σ límite inferior

2σ límite inferior

1σ límite inferior

1σ límite superior

2σ límite superior

3σ límite superior

Donde la media geométrica y la desviación estándar geométrica

Se muestran unos gráficos de la función de distribución y de la función de densidad:

Función de densidad

Función de distribución
Ejemplo1:

Se estudia la proporción de rentistas por encima de 18.000e anuales para un sector económico cuya
distribución salarial medida en miles de euros sigue un modelo logaritmo normal con parámetros µ = 2 y σ =
102.

Se define la variable aleatoria

Y = {renta en dicho sector económico}.

Puesto que Y sigue una distribución lognormal, se puede considerar una variable

X ∼ N (µ, σ), tal que, Y = e X, por tanto;

Ejemplo2:

Sea V, la velocidad (cm/seg) de un objeto que tiene una masa de 1 Kg., una variable aleatoria con
distribución N (0, 25).

Si K = mV 2 2 representa la energía cinética del objeto y se necesita saber la probabilidad de que K < 400.

Puesto que m = 1, se tiene que;

Algunos modelos probabilísticos Puesto que X sigue una distribución Pareto se tiene que el salario esperado
viene dado por

La proporción de asalariados que perciben más de 18.000e es

La resistencia de una muestra de un determinado material viene dado por una variable aleatoria, X, con
función de densidad

Calcule su función de distribución

Solución: Usando la definición de función de distribución se obtiene que

Es decir, la función de distribución viene dada por

LEY MEDIA EN DISTRIBUCIONES NORMALES
 LA MEDIA Y LA VARIANZA

Media

Varianza

Desviación típica

Representación grafica

Se verifica:

 La curva es simétrica respecto a µ

 La media, la moda y la mediana coinciden
Función de distribución

Área a la izquierda del punto x1

Distribución Normal tipificada

Una variable aleatoria continua, X, sigue una distribución normal de parámetros:

µ =0y=1

Si su función de densidad es:

Representación gráfica de la función de densidad de la distribución Normal tipificada

Se verifica:

 La curva es simétrica respecto a 0

 La media, la moda y la mediana coinciden

Ejemplo:

Se sabe que la longitud de las alas extendidas de un tipo de ave rapaz es una variable aleatoria que
sigue una distribución Normal, de media 120 cm. y desviación típica 8 cm.

1. Calcúlese la probabilidad de que la longitud de un ave elegida al azar sea:

a.- Mayor de 130 cm

b.- Menor de 100 cm

c.- Esté comprendido entre 110 y 130 cm Solución:

2. Obtener la longitud tal que solo el 10 % de las aves tienen una longitud superior.
 LEY MEDIA EN DISTRIBUCIONES LOGNORMALES

La ley media está relacionada en varios puntos y aspectos, en relación con la desviación estándar
geométrica

La distribución log-normal, la media geométrica, y la desviación estándar geométrica están

relacionadas. En este caso, la media geométrica es igual a y la desviación estándar

geométrica es igual a

Si una muestra de datos determina que proviene de una población distribuida siguiendo una
distribución log-normal, la media geométrica de la desviación estándar geométrica puede
utilizarse para estimar los intervalos de confianza tal como la media aritmética y la desviación
estándar se usan para estimar los intervalos de confianza para un dato distribuido normalmente.

Donde la media geométrica y la desviación estándar

geométrica

Momentos

Los primeros momentos son:

o de forma general:
Estimación de parámetros

Para determinar los estimadores que más se aproximan a los parámetros μ y σ de la distribución
log-normal, podemos utilizar los mismos procedimientos que para la distribución normal. Para no
repetirlo, obsérvese que:

Donde por denotamos la función densidad de probabilidad de distribución log-normal, y

por a la de la distribución normal. Por lo tanto, utilizando los mismos índices para denotar
las distribuciones, podemos escribir que:

Ya que el primer término es constante respecto a μ y σ, ambas funciones logarítmicas, y ,

obtienen su máximo con el mismo μ y σ. Por tanto, utilizando las fórmulas para los estimadores de
parámetros de la distribución normal, y la igualdad de arriba, deducimos que para la distribución
log-normal se cumple:

Distribución relacionada

 Si es una distribución normal, entonces .

 Si
 son variables independientes log-normalmente distribuidas con el mismo parámetro μ y

permitiendo que varíe σ, y , entonces Y es una variable distribuida log-

normalmente como: .
 LA LEY DE CORTE

La ley de corte o cut off (LC) es aquella ley de mineral, cuyo valor es igual al costo de producción
(Cp): es decir, corresponde a la ley de mineral en que no da pérdidas ni ganancias.
La ley de mineral es expresado en términos de porcentaje en casos de cobre, plomo, o estaño; en
términos de Oz/tc o g/t en casos de plata yoro; mientras que el valor del mineral (Vm) y el costo
de producción (Cp) son expresados en $/t de mineral.

Bajo este concepto, leyes superiores a la LC darán ganancias, considerándose como mineral
económicamente explotable; en cambio leyes inferiores a la LC darán perdidas, no recomendables
para su explotación.

Por eso en una operación o proyecto minero es muy importante conocer la ley de corte, pues en
base a ella se podrá cubicar reservas, hacer el planeamiento deminado, decidir el destino que se
dará a los disparos de los frentes de acuerdo a su ley o iniciar nuevos proyectos mineros; en fin, en
toda actividad minera y en todo sus niveles de decisión.

El proceso de clasificación de una reserva minera, para determinar si se trata de reservas

probadas o probables con valor económico, comienza con la toma de muestras del yacimiento,
para luego definir la ley mínima o “Ley de corte” que puede ser trabajada con rentabilidad. La ley
de un mineral nos indica la cantidad (cobre, plomo, plata, etc), expresada en porcentaje (%), onzas
por tonelada (oz/t) o gramos por tonelada (g/t) del mineral presente en el yacimiento mina.

En el caso del plomo, zinc, cobre, molibdeno, etc. la unidad preferida son g/t.Para el oro, plata,
platino, paladio, etc. la unidad empleada son oz/t. La ley de corte (cut off), será aquella ley mínima
cuyo valor cubre todos los costos involucrados en el proceso minero (producción + procesamiento
+comercialización) y equivale al costo indispensable para que la reserva minera resulte
económicamente rentable.

El volumen de material cuya ley se encuentre por debajo de la ley de corte, será considerado
desmonte, por su reducido contenido metálico que no justifica su tratamiento al no cubrir los
costos del proceso productivo. Así, por ejemplo, si la ley de corte de una mina que produce cobre,
es de 1%, se trabajará únicamente aquellas zonas del yacimiento en las que el contenido de cobre
esté por encima del 1%. Cada mina tiene una ley de corte particular, la cual se establece en
función de las características del yacimiento, el método de producción y la técnica de
procesamiento empleada
Definiciones

a) Valor de los metales contenidos en una tonelada de mineral que cubre exactamente los
costos incurridos desde su extracción hasta su colocación en el mercado, tomando en cuenta las
recuperaciones durante su tratamiento. Concepto equivalente a “valor mínimo explotable”,
expresado en $/ton.

b) Ley mínima, de metal en una tonelada de material que cumple la condición anterior.
Concepto equivalente a “ley cut – off”, “ley de corte”, “ley mínima explotable”, expresada en onz–
metal / tonelada o % en peso-metal / tonelada. Dado que este valor determina el nivel de reservas
minables dentro de un yacimiento y el nivel tecnológico de las operaciones, resulta importante
revisar las variables que lo determinan:

VME = f {costos / método minado / recuperaciones metalúrgicas / cotización de metales}

Las primeras variables son endógenas a la empresa y eventualmente controlables; la última es

exógena a ella, por lo tanto está fuera de control.

Elementos que intervienen en el cut – off.

1- Costos.

2- Métodos de minado.

3- Recuperaciones metalúrgicas.

4- Cotización de metales.

Fórmulas de cálculo.

Cut – off: es la suma de los costos incurridos en la producción de cierto tonelaje de mineral hasta
su concentración en la unidad de producción. La fórmula vigente en uso por Contabilidad
Metalúrgica:

VME = M + ( K1 + K2 + K3 ) Deducciones fijas.

Dónde:

 VME : Valor mínimo explotable, cut-off, en $ / ton.

 M : costo total de extracción minera, variable dependiente del método de minado, en $
/ ton.
 K1 : Costo total de concentración, en $ / ton.
 K2 : Provisión anula por indemnización, en $ / ton.
 K3 : Gastos fijos de administración.
Valorización de minerales.

Como el cut-off está ligado a la cotización del metal fino, veremos la fórmula de valorización:

(Valor de mineral) = (ensayes de metal x recuperación combinada x precio neto) – (costos de

transporte y fundición)

Dónde:

Recuperación combinada: de mineral a metal fino, considera la recuperación resultante del

tratamiento de concentración, fundición y refinación; está conformada por una deducción fija y
por un porcentaje para reflejar mayores recuperaciones para contenidos metálicos mas altos; para
éste fin generalmente se usan las del año anterior.

Costos de transporte: según el destino delos concentrados, estos son distribuidos a los minerales
producidos mediante el radio de concentración. Son costos variables.

Costos de fundición: los costos totales de fundición son distribuidos a los minerales producidos.

1.-Precio neto.

Se calcula de acuerdo a la siguiente fórmula:

(Precio neto de venta) = (precio promedio FOB Callao) – (comisión MPC + gastos de embarque +
costos de refinación)

P.N.V. = P.P FOB – (C.MPC + GE + CR)

Dónde:

 PNV : Precio neto de venta.

 CR : Costo de refinación, implica solo costo directo y es aplicado a metal fino.
 PPFOB : Precio promedio FOB, de las cotizaciones en el mercado internacional de metales.
 GE : Gastos de embarque, incluye los fletes.
 CMPC : Comisión MPC, incluye los gastos de comercialización.
EJEMPLO: Dada la siguiente curva de Tonelaje v/s Ley, definir las leyes de corte óptimas
correspondientes a cada área (Mina, Proceso y Refino) y determine la ley de corte óptima global
del sistema.

Según la información presentada el problema se puede abordar de dos formas:

– La primera forma es utilizar la aproximación de una función al conjunto de datos, de lo cual

resultarían las funciones correspondientes a las curvas Ritmo de explotación v/s Ley y de las leyes
entre sí.

– La otra forma dice relación con la utilización de gráficos, para lo cual habría que dibujar el
gráfico correspondiente.

Recordemos que para calcular la cantidad de concentrado se utiliza la expresión:

 Tonelaje de concentrado = Tonelaje de Mineral x Ley de Cabeza (o ley Media) x

Recuperación/Ley del Concentrado x 100
En nuestro ejemplo se tiene:

 Tonelaje de concentrado =Tonelaje de Mineral x Ley Media x 0,85 / 32

En el primer caso, ajustando funciones a los datos, se tiene lo siguiente:

Ritmo (Kton) = 36.678 Lc6 – 137.093 Lc 5 + 206.997 Lc 4 – 161.768 Lc 3 + 69.538 Lc 2 – 16.061 Lc+
1.759

R2 = 0,9988

Ritmo (Kton) = – 94.384 Lm6 + 447.298 Lm 5 – 876.681 Lm 4 + 907.454 l Lm 3 – 520.733 Lm 2 +

155.464 Lm – 18.353

R2 = 0,9987

Lm (%Cu) = – 119,07 Lc 6 + 431,54 Lc 5 – 634,33 Lc 4 + 482,53 Lc 3 – 199,63 Lc 2 + 43,198 Lc – 3,2091

R2 = 0,9993

Sabemos que tenemos dos limitantes principales que son la capacidad de la Planta y La capacidad
de la Refinería (Fundición), 100.000 toneladas de Mineral al día y 2.200 toneladas de Concentrado
al día respectivamente, por lo que en el corto plazo no podríamos ampliar la capacidad de ninguna
de ellas, en cambio en el corto plazo podríamos pedirle a la mina que cambie su programa de
movimiento de materiales cambiando su relación Estéril/ Mineral por dicho período (inicialmente
es de 2,33).

Entonces si procesamos a capacidad máxima de la refinería se obtiene lo siguiente:

La refinería sólo puede recibir 2.200 toneladas de concentrado, por lo que no sería posible refinar
lo que sobre (se puede acopiar, pero el costo de proceso** en el corto plazo sigue presente por el
hecho de haber procesado el mineral).

Desde este punto de vista no sería conveniente procesar una cantidad de mineral por sobre
99.309 toneladas al día. Bajo esta condición se tiene que la mina mueve 99.309 ton de
mineral con una ley de corte óptima de 0,567 % Cu, y 200.691 ton de estéril (E/M = 2,02), la
Planta procesa dicho mineral entregando 2.200 toneladas de concentrado (lo que sobre se acopia)
y la refinería recibirá dicho concentrado entregando 1.552.038 libras de Cobre (al 100% de
recuperación).

En el segundo caso debemos construir el gráfico y realizar los cálculos correspondientes de

producción de concentrado:

Debemos situarnos en un punto del gráfico, para definir nuestro primer dato, es decir saber
cuánto se produce dada una ley de corte.

Situándonos en la producción máxima de la Planta se obtiene que:

 Ley media o de cabeza es 0,81 %Cu, para una ley de corte de 0,55 %Cu.

 La cantidad de concentrado que se produciría es de 2.152 toneladas al día.

 La refinería queda con una capacidad ociosa de 48 toneladas por día.

Como la planta no puede producir más, ésta sería la configuración para la producción,
obteniéndose los siguientes resultados:
No podría alcanzarse esta producción (capacidad de planta sobrepasada).

Se pueden apreciar diferencias entre los resultados obtenidos por uno y otro método,
especialmente en lo que dice relación a los ingresos y cantidades de concentrado. Sin embargo el
valor de la ley de corte óptimo obtenido en ambos casos es relativamente parecido, lo cual nos
indica que no estamos lejos del resultado buscado.

Ahora bien, la diferencia entre ambos métodos se debe a que la curva Ritmo de explotación v/s
Leyes, tiene ciertas irregularidades, especialmente en la zona de estudio (100.000 toneladas al
día), lo cual es bien absorbido por la aproximación matemática, ya que se trata de un sector muy
pequeño, pero gráficamente se puede observar que existe dicha singularidad, especialmente si se
recurre a un gráfico más detallado (Ver gráficos adjuntos).
 CURVAS LEY MEDIA VERSUS TONELAJE

Teniendo los datos de las reservas del yacimiento se puede obtener una curva de Tonelaje v/s
la Ley de corte y la Ley media. Esto se logra a través del inventariado de reservas
del yacimiento que se encuentran bajo una ley de cortedeterminada y calculando la ley media de
todos los recursos cuya ley es superior o igual a la ley de corte determinada obteniéndose dos
curvas en un mismo gráfico.

Como ejemplo en la figura se puede apreciar que para una ley de corte de 0.3 % de Cu existen

Aproximadamente 5.500.000.000 toneladas de mineral con una ley media de 0.4 % de Cu.

El mismo tratamiento se tendrá que realizar una vez definido el pit final y las fases de explotación,
por lo que teniendo los límites de cada fase se obtendrán las curvas correspondientes a las
reservas mineras involucradas.

De la Tabla Ejemplo vista anteriormente, considerando una alimentación a planta de 80.000

toneladas al día (360 días al año), con un 90 % de recuperación metalúrgica y junto con la curva
tonelaje v/s ley obtenidas, se puede observar la variación de los recursos explotables (minables)
como se ilustra en los siguientes ejemplos:
Como podemos observar la forma de la curva tonelaje v/s ley nos determina la sensibilidad de
nuestro yacimiento respecto a la variación de la ley de corte, ya que su pendiente determina la
cantidad de recursos que quedan fuera de la explotación al producirse una variación de la ley de
corte.

El ejemplo anterior ilustra los cambios que pueden surgir en el diseño y explotación de un rajo
frente a las variaciones del modelo económico. En este ejemplo no se incluye la tasa de descuento,
la cual haría que los valores finales de los ingresos sean menores en función del tiempo que tome
la explotación del yacimiento.

Ejemplo de aplicación:

Una empresa minera explota su yacimiento, según lo muestra la siguiente curva de Movimiento
Mina v/s Leyes de Corte y Media, para el período correspondiente (reservas inventariadas para el
período de producción definido). Además se ilustra el comportamiento de la relación E/M
operacional para dicho período:

La siguiente tabla muestra el esquema del movimiento mina ante la variación de las capacidades
de recepción de mineral por parte de la planta (3ª columna). En ella se asume que la mina no varía
su producción, por lo que tendrá que buscar la mejor asignación de materiales para satisfacer la
alimentación a planta.

Se puede apreciar que a mayor ley de envío a planta la relación E/M operacional
aumenta, debido a que en el momento de decidir el destino de los camiones, la mayor parte se
destinará a acopios (con mineral de leyes superiores a la ley de corte crítica e inferiores a la ley de
corte de envío a planta) y sólo se destinarán a procesos el mineral con leyes sobre la ley de corte
óptima o de envío a planta. El material que se envía a botaderos corresponde al mineral con ley
inferior a la ley de corte crítica.
En el caso de que la planta requiera mayor producción sin aumentar la producción de la mina y
además los recursos disponibles (cuya ley sea superior a la ley de corte crítica dentro del
inventario de reservas del período) no son los suficientes, tendremos que evaluar una nueva ley de
corte sobre los materiales estériles disponibles en la mina. Esta nueva ley de corte deberá
considerar que el material pueda pagar los costos asociados a su manejo posterior y
procesamiento, ya que si fue extraído de la mina como estéril quiere decir que existe mineral que
pagó la extracción de este material (al diseñar la mina). Debido a ello se evaluará si dicho material
contiene la cantidad suficiente de metal fino, que permita satisfacer la capacidad de la planta y
además obtener un beneficio extra con su proceso.
Manejo de información gráfica.
Por lo general se dispone de gráficos representativos de nuestro yacimiento y del movimiento de
la mina, lo cual permite obtener información operacional interesante y una visualización de las
características de nuestro yacimiento en explotación.
Por ejemplo:

En este caso se tiene que la faena está trabajando a un ritmo de Tcop toneladas al día de mineral
con una ley de envío a planta de Lcop. Es decir todo el mineral que está siendo sacado de la mina
con una ley menor de que Lcop y mayor queLcc está siendo enviado a un acopio especial para dicho
mineral, ya que no es estéril y solo se envía a planta lo que tenga ley superior o igual a Lcop.
Supongamos ahora que se amplía la capacidad de la planta y se requiere enviar más mineral a
proceso. Nuestro gráfico podría quedar de las siguientes formas:
En este caso la mina enviará mineral con la nueva Ley L (que será la ley de envío a planta), ya que
ésta aumentó su capacidad. Si observamos en la fórmula de la ley de corte óptima propuesta por
Lane, cuando la planta limita la operación, vemos que al aumentar la capacidad de la planta,
necesariamente bajará la ley de corte óptima, lo que se cumple en este caso. La mina enviará
mineral a la planta que antes se dirigía a acopios de mineral y todo el mineral con leyes
entre Lcc y L se enviará a estos acopios.

En este caso la mina no necesariamente enviará mineral con la nueva Ley L, ya que ésta ley está
bajo la ley de corte crítica, y a pesar de que la planta aumentó su capacidad, no podemos
enviar estéril a proceso. Si observamos bien existe una ley Lcv la cual representa la ley de un
material que si bien salió de la mina como estéril permite pagar sus costos variables (proceso), por
lo cual si es enviado a planta generará un beneficio extra a la explotación.

Por esto sólo será enviado a planta el mineral que tenga una ley sobre la ley de corte crítica más
el estéril que tenga ley suficiente como para pagar su proceso. Si la planta aún queda con una
capacidad ociosa tendríamos que pensar en comprar mineral para copar su capacidad o
seleccionar mineral de otros sectores (botaderos) o simplemente dejarla con esta capacidad
ociosa, pero no podemos pensar en enviar a la planta material estéril que no pague su proceso.
 UNIVERSIDAD NACIONAL DE PIURA
“AÑO DE LA DIVERSIFICACIÓN PRODUCTIVA Y
DEL FORTALECIMIENTO DE LA EDUCACIÓN“

ESCUELA PROFESIONAL MINAS-FACULTAD MINAS

Alumno: Genaro Alburquerque olivos.

Profesor: Ing. Martin Zeta.

Curso: Geoestadística

2015