El presente trabajo de investigación tiene como objetivo aplicar técnicas de análisis de regresión y aprendizaje automático (ML) para mejorar los resultados de estimación de sobre dilución en tajos explotados por el método de Sub Level Stoping (SLS) de la Compañía Minera Condestable (CMC) a través de la generación de ecuaciones de regresión y código en lenguaje de Python para las técnicas de ML. Para la estimación de sobre dilución se analizaron las reconciliaciones de tajos explotados con el método de SLS del período 2017-2019 con la aplicación de las técnicas: Análisis de Regresión Lineal Múltiple (ARLM), regresión no lineal múltiple (ARNM) y métodos de aprendizaje automático (ML) como Máquinas de Vectores de Soporte (SVM) y bosques aleatorios (RF), lo que permitió establecer comparaciones entre los resultados a nivel predictivo y tecnológico con la metodología de O’Hara aplicada actualmente en CMC para la estimación de sobre dilución de tajos SLS. La aplicación de las técnicas mencionadas implicó variables operativas como: nivel, buzamiento, densidad, burden, espaciamiento, altura, longitud, ancho, RQD, RMR y ratio de tonelada por metro de perforación (TMP) de los tajos evaluados, mientras que el objetivo o variable dependiente fue la sobre dilución. Ello permitió inicialmente identificar que las técnicas de regresión ARLM y ARNM mejoraron el coeficiente de determinación R2 de O’Hara en 5.5% y 4.4%. Luego, con la aplicación de herramientas de aprendizaje automático se identificó que ambas técnicas (SVM y RF) lograron la mejora en 0.3% y 18.5% respectivamente. El resultado de ello fue la reducción de la diferencia de costos estimados obtenidos con la metodología de O’Hara relacionados al costo adicional por carguío y transporte de carga rota de dilución. / This research work aims to apply Regression Analysis and Machine Learning (ML) techniques to improve the results of estimating over dilution in stopes mined by Sub Level Stoping (SLS) method at Compania Minera Condestable (CMC) through the generation of regression equations and code in Python language for ML techniques. For the estimation of over dilution, the reconciliations of stopes mined with the SLS method for the period 2017-2019 were analysed with the application of the techniques: Multiple Linear Regression Analysis (MLRA), Multiple Non-linear Regression Analysis (MLNRA) and Machine Learning (ML) methods such as Support Vector Machine (SVM) and Random Forests (RF), which allowed comparisons of the results at predictive and technological level with the O'Hara methodology currently applied at CMC for the estimation of over dilution of SLS stopes. The application of the afore mentioned techniques involved operational variables such as: level, dip, density, burden, spacing, height, length, width, RQD, RMR and tonne per metre drilling (TMP) ratio of the evaluated stopes, while the objective or dependent variable was over dilution. This initially identified that the ARLM and ARNM regression techniques improved O'Hara's R2 determination coefficient by 5.5% and 4.4%. Then, with the application of machine learning tools it was identified that both techniques (SVM and RF) achieved the improvement by 0.3% and 18.5% respectively. This resulted in a reduction of the estimated cost difference obtained with the O'Hara methodology related to the additional cost of loading and transporting broken stock from the dilution. / Tesis