Universidad de Santiago de Chile

Facultad de Ingeniera
Departamento de Ingeniera en Minas

Laboratorio N1 Modelacin y Simulacin

Nombre: Matias Morong Alfaro

Ayudante: Rodrigo Raddatz
Profesor: Fernando Machuca
Fecha: 15 de abril de 2011

Resumen Ejecutivo
Haciendo uso del programa Microsoft Excel 2007 y una tabla de datos
entregadas por la empresa CERRO LIMPIO, la meta de este proyecto es
determinar el mejor modelo estadstico para el anlisis del rendimiento de
combustible en la mina, relacionado nicamente con el consumo de la flota de
transporte.
Luego de una serie de tratamientos y procesos matemticos (que sern detallados
ms adelante), se ha llegado a la conclusin que la variable Consumo de
combustible (Lts/Hr) tiene un comportamiento normal.
Para ello hemos usados 3 mtodos:

Criterio Grupal
Criterio de Sturger
Criterio de la Raz de n

La diferencia radica en el nmero de intervalos que nos presenta cada criterio, que
conlleva a un histograma ms o menos representativo (con mayor cantidad de
puntos y barras), segn sea el nmero de intervalos.
Hemos trabajado en Microsoft Excel 2007, programa que nos ayud a filtrar
datos (es decir, aplicarle ciertas restricciones a la variable de anlisis) y simplific
en gran medida las operaciones matemticas implicadas en este proyecto.

ndice

1. Resumen ejecutivo.

2. Introduccin

3. Objetivos y Alcances..

4. Desarrollo... 6
5. Conclusiones y Recomendaciones.. 10
6. Referencias.. 11
7. Anexos.. 12

Introduccin
El consumo de combustible es un factor muy importante para la economa de la
compaa, es por ello, que saber cmo se comporta dicho factor a gran escala es
vital para el ptimo funcionamiento de la mina.
Este informe presenta los clculos y los razonamientos utilizados para modelar los
datos, segn los parmetros especificados por la empresa:

Camiones cargados, sin importar qu tipo de material contengan

Pendientes positivas

En adicin, se ha pedido establecer un filtro para las velocidades de los camiones.

Tambin debe filtrarse la variable, es decir, otorgarle un rango lgico que sea
acorde a las otras tres especificaciones.
Se espera que los ajustes (uno por cada criterio) sean al menos de la calidad
BUENO, aunque un ajuste MUY BUENO podra dar una prueba contundente de
que la modelacin de la variable, contenida en la tabla filtrada (tabla en la cual se
encuentras los datos definitivos que sern parte de este anlisis), es
representativa de la realidad.

Objetivos y Alcances
Objetivo General
Modelar el consumo de combustible de los camiones especificando (y rectificando)
as el comportamiento de la variable de estudio para ciertos camiones.
Objetivos Especficos
Entregar una modelacin de la variable, apoyado en tablas de datos y grficos.
Contribuir al desarrollo de la empresa, entregando una distribucin aproximada de
los datos, dando as una base slida para una futura toma de decisiones que
involucren de manera directa o indirecta el consumo de combustible.
Alcances
Se considerarn en este estudio camiones cargados con cualquier tipo de material
(lastre, SBL, sulfuro), cuya velocidad flucte entre los 10 y 30 Kms/Hr, y recorra
una pendiente positiva.
Suponemos tambin que stas tres variables mencionadas, son las ms
influyentes en lo que compete al consumo de combustible.

Desarrollo
Teniendo la tabla de datos entregada por la empresa, se procede a hacer el
reemplazo de . por , para as tener solamente valores numricos (en las columnas
que correspondan.
A continuacin, se filtran las variables bajo los parmetros entregados por la
empresa:
Tipo de material : lastre, SBL, sulfuro
Pendiente Tramo (%) : >0
Luego se procede a estimar el filtro para las variables restantes:
Velocidad Tramo (Kms/Hr): entre 10 y 30
Consumo de combustible (Lts/Hr): entre 300 y 700

Se decide una velocidad que est entre los 10 y 30 Kms/Hr porque debemos
considerar que los camiones llevan material (o sea estn cargados) y recorren
pendientes positivas (o sea van en subida), es por esto que las velocidad no sern
superiores a 40 Kms/Hr, pero para no forzar la mquina, ya que esto podra traer
ms gasto a la empresa, decidimos una velocidad mxima de 30 Kms/Hr.
A pesar de que la velocidad mnima, podra ser an menor, 10 Kms/Hr no es una
velocidad pequea, y a la vez es una velocidad segura para la mquina (sta no
forzar en exceso el motor).
Una vez filtrados los datos, tenemos la tabla que usaremos para el anlisis, sta
podemos copiarla en otra hoja de Microsoft Excel 2007 para clarificar los
clculos que se llevarn a cabo.
Como se dijo antes, los criterios usados slo cambian los intervalos de clase, es
por ello que para los tres casos debemos hacer una tabla de estadstica
descriptiva de la variable que es objeto de estudio (que ser igual para los tres
casos) en la que al menos aparezcan la media, la desviacin estndar, el mximo,
el mnimo y la cuenta (o cantidad de datos).Para obtener esta tabla, usamos la
herramienta de anlisis de datos de Microsoft Excel 2007 que nos arrojar de
manera automtica (previo ingreso de la columna de consumo de combustible) los
parmetros mencionados, entre otros.
Luego de obtener la tabla, debemos obtener el intervalo de clase, y es aqu la
diferencia fundamental en cada criterio que usaremos.
Para el Criterio Grupal, IC=(mx-mn)/10
Para el Criterio Sturger, IC=(mx-mn)/(1+3.222LOG(n))
Para el Criterio Raz de n, IC=(mx-mn)/
En donde IC es el intervalo de clase y n la cantidad de datos.
Esta es la nica diferencia en cuanto a clculo que presentan los criterios, es por
esto, que los pasos siguientes deben ser aplicados para los 3 casos.
Se debe crear una tabla con los ai, mc y bi, que son respectivamente: el lmite
inferior del intervalo, la marca de clase del mismo, y su lmite superior.
Luego debemos realizar un histograma a la tabla recin creada. Para ello,
6

volvemos a utilizar la herramienta de anlisis de datos, pero esta vez, en la opcin

de histograma. El rango de entrada ser nuevamente la columna de nuestra
variable objeto del estudio, mientras que el rango de clases, ser la columna de
los bi. Esta tabla debe contener la frecuencia y el porcentaje acumulado.
Tambin se nos entrega un grfico con los datos de la tabla.
Ahora, se debe reemplazar la columna clase por la columna mc.
Luego copiamos esta tabla y normalizamos los datos, creando una tercera y
cuarta columna (normalizacin, distr.Normal).
Posteriormente, ajustamos la curva de nuestro grfico (que en este punto depende
de los datos contenidos en las columnas clase y % acumulado) para que dependa
de los datos contenidos en clase y distr.normal.
Ahora estamos en condiciones de practicar el Test de Chi Cuadrado, que
bsicamente es una tabla extensa que agrupa todos los datos segn los intervalos
definidos, agregando parmetros de informacin, que nos sern tiles para
obtener nuestro Chi calculado.
En la tabla del Test de Chi cuadrado, deben ir columnas con los siguientes datos:
ai, bi, y1, y2, Area1, Area2, Oj, Frecuencia, Ej, ((Oj-Ej)^2)/Ej
En este punto, an no podemos predecir si el ajuste sirve o no, para ello, vamos al
ltimo paso del proceso: se calculan los grados de libertad v=n-k-1, donde n es la
cantidad de intervalos y k=2.
Luego se hacen dos pruebas Chi inversas, con probabilidades de 0.05 y 0.95
respectivamente y con los grados de libertad v.
La prueba con probabilidad de 0.05 es el lmite superior (LS) del rango en que
debe encontrarse el Chi calculado, y la prueba con 0.95 de probabilidad es el
lmite inferior (LI).
Una vez calculados estos dos parmetros (y definido el intervalo del Chi) estamos
en condiciones de saber si nuestro ajuste fue bueno, muy bueno o malo.
Por regla general:
1. Si LI<LS<Chi Calculado , el ajuste es MALO
2. Si LI<Chi Calculado<LS , el ajuste es BUENO
3. Si Chi Calculado<LI<LS , el ajuste es MUY BUENO
Luego podemos decidir si el ajuste se adeca a la realidad (si es bueno o muy
bueno) o si debemos repetir el proceso, variando el filtro de alguna variable.

Criterio Grupal

Criterio Sturger

Criterio Raz de n

Con stos grficos se expresa claramente con qu criterio se produce el mejor

ajuste.
Tambin se ve claramente que criterio aporta la mayor cantidad de intervalos de
clase.
Se observa que las 3 curvas adoptan la forma clsica de la distribucin normal
(forma de campana)

Conclusiones y Recomendaciones
Se comprob que los filtros elegidos para las variables son adecuados, ya que en
los 3 casos se obtuvo un ajuste bueno o muy bueno. Esto nos indica que el filtro
para nuestra variable de anlisis (consumo de combustible Lts/Hr), para camiones
cargados, en pendiente positiva y velocidades entre 10 y 30 Kms/Hr, fue exitoso, y
los datos dentro de stas condiciones tienen un comportamiento normal.
Se determino que el mejor criterio es el de Raz de n, ya que entrega un ajuste
muy bueno. Esto podra explicarse por el hecho de que en este criterio el intervalo
de clase es mucho menor en comparacin con los otros dos, y por ende entrega
ms intervalos, lo que hace ms preciso el ajuste.

10

Referencias
Para el correcto uso del programa y los comandos utilizados en el anlisis de
datos:
http://office.microsoft.com/es-es/excel-help/ayuda-y-procedimientos-de-excelFX010064695.aspx?CTT=97

11

Anexos
Chi inversas: Grupal

Chi Calculado =
6,812487199
Grados de Libertad = 7
Chi ( v7; 0,95 )=14,06714043
Chi ( v7; 0,05 )=2,167349919

Como:
2,16734992<6,8124872<14,0671404 Ajuste Bueno

Chi Calculado =
7,641855876
Grados de Libertad = 11

Chi inversas: Sturger

Chi ( v11; 0,95 )=19,67513757

Chi ( v11; 0,05 )=4,574813108
Como:
4,57481311<7,64185588<19,6751376 Ajuste Bueno

Chi Calculado =
13,67048723
Grados de Libertad = 110

Chi inversas: Raz de n

Chi ( v110; 0,95 )=135,4801778

Chi ( v110; 0,05 )=86,79162866
Como:
13,6704872<86,7916287<135,480178 Ajuste Muy Bueno

12