Mapa global de 8 unidades
Mapa revisado del caso aplicado.
Mapa global de las 8 unidades aplicadas a flotación de cobre
Una ruta completa para entender cómo una planta pierde estabilidad antes de perder recuperación, usando estadística, álgebra, Excel, Python y machine learning básico.
Visión General
El objetivo no es empezar con un modelo sofisticado. El objetivo es construir criterio: entender el proceso, medir estabilidad, encontrar relaciones, estimar riesgo, organizar datos y recién después proyectar modelos básicos.
Módulo 1: Fundamentos De Estadística Para IA
Varianza y desviación estándar
Sirven para medir estabilidad. En planta, una recuperación promedio alta no basta si el proceso está saltando demasiado entre horas o turnos.
Pregunta de planta
¿La recuperación, el nivel, el aire o el espumante están estables?
Importancia
Detecta señales tempranas antes de que la recuperación caiga.
Ejercicio
Comparar desviación estándar en ventana normal vs ventana problema.
Posibilidades
Crear features móviles: std_nivel_4h, std_aire_4h, std_espumante_4h.
Covarianza y correlación
Permiten ver qué variables se mueven juntas. No prueban causalidad, pero ayudan a priorizar sospechosos.
Pregunta de planta
¿Nivel, aire y espumante se mueven junto con la sobre-espumación?
Importancia
Ayuda a elegir qué variables mirar primero.
Ejercicio
Matriz de correlación entre recuperación, relave, P80, aire, nivel, espumante y evento.
Posibilidades
Selección inicial de variables y detección de redundancias antes de ML.
Probabilidad y distribución
Permiten saber qué tan frecuente es el evento y qué valores son normales, altos o raros dentro del histórico.
Pregunta de planta
¿Qué tan frecuente es la sobre-espumación? ¿Qué valores aparecen cuando ocurre?
Importancia
Define tasa base, percentiles y umbrales de alerta.
Ejercicio
Calcular probabilidad base, histogramas y promedios con/sin evento.
Posibilidades
Crear banderas: nivel_muy_alto, espumante_alto. Entender clase desbalanceada.
Inferencia Bayesiana
Permite actualizar el riesgo cuando aparece nueva evidencia de planta.
Pregunta de planta
Si nivel, aire y espumante están altos, ¿cuánto sube el riesgo?
Importancia
Convierte observaciones operativas en probabilidades de alerta.
Ejercicio
Comparar P(evento) vs P(evento | evidencia).
Posibilidades
Puente directo hacia regresión logística y alertas con probabilidad.
Módulo 2: Fundamentos De Álgebra Para IA
Operaciones con matrices
Una tabla histórica de planta es una matriz. Esa matriz se convierte en X para machine learning.
Pregunta de planta
¿Cómo organizo variables históricas para analizarlas?
Importancia
Ordena filas, columnas, variables de entrada y objetivo.
Ejercicio
Separar X = variables de proceso y y = recuperación o evento.
Posibilidades
Base para regresión, clasificación, PCA y modelos predictivos.
Valores propios y vectores propios
Ayudan a descubrir patrones dominantes cuando muchas variables se mueven juntas.
Pregunta de planta
¿Puedo resumir muchas variables en pocos patrones operativos?
Importancia
Permite entender inestabilidad de espuma, pérdida metalúrgica o cambio de alimentación.
Ejercicio
Aplicar PCA y revisar varianza explicada y cargas de componentes.
Posibilidades
Crear índices como PC1, PC2, PC3 para análisis o modelos.
Espacios vectoriales y normas
Cada hora de planta es un vector. La norma mide qué tan lejos está de la operación normal.
Pregunta de planta
¿La condición actual se alejó demasiado de lo normal?
Importancia
Detecta anomalías multivariable, no solo sensores individuales.
Ejercicio
Calcular distancia operativa con variables estandarizadas.
Posibilidades
Crear distancia_operativa como score de anomalía o feature para ML.
Transformaciones lineales
Combinan variables con pesos para producir una salida: recuperación estimada, score de riesgo o probabilidad.
Pregunta de planta
¿Cómo combino variables para estimar recuperación o riesgo?
Importancia
Introduce la lógica de regresión lineal y logística.
Ejercicio
Crear una fórmula lineal, calcular error y luego entrenar modelo.
Posibilidades
Regresión para recuperación, clasificación para evento y scores interpretables.
La Escalera Completa Del Caso
La ruta completa del curso puede presentarse como una escalera de madurez analítica. Cada escalón conserva sentido operativo.
Resumen Operativo
| Concepto | Pregunta corta | Salida práctica | Uso posible |
|---|---|---|---|
| Varianza y desviación | ¿Está estable? | Medida de variabilidad | Señales tempranas |
| Correlación | ¿Se mueven juntas? | Variables sospechosas | Selección de features |
| Probabilidad | ¿Qué tan frecuente es? | Tasa base y percentiles | Umbrales y clase desbalanceada |
| Bayes | ¿Cambió el riesgo? | Probabilidad condicionada | Alerta probabilística |
| Matrices | ¿Cómo organizo datos? | X e y | Base de ML |
| Valores/vectores propios | ¿Qué patrón domina? | Componentes principales | PCA e índices |
| Normas | ¿Qué tan lejos estoy? | Distancia operativa | Anomalías |
| Transformaciones lineales | ¿Cómo estimo? | Predicción o score | Regresión y clasificación |
Materiales De La Serie
../datos/flotacion_cobre.xlsx como base común para Excel, Python y machine learning básico.
Cierre Del Mapa
La estadística ayuda a entender estabilidad, frecuencia y riesgo. El álgebra ayuda a organizar datos, medir distancias y transformar variables. Machine learning aparece después, cuando ya sabemos qué problema estamos resolviendo y qué señales tienen sentido operativo.
Regístrate al boletín MathPlay
Datos, simulación, visualización, IA y tecnología aplicada a problemas reales de industria y minería.
Sin calendario fijo. Sin spam.
Listo. Te escribo cuando haya algo nuevo.