Documentos de Académico
Documentos de Profesional
Documentos de Cultura
HUAMANGA
FACULTAD DE INGENIERIA DE MINAS GEOLOGIA Y CIVIL
ESCUELA DE FORMACION PROFESIONAL DE INGENIERIA DE
MINAS
CONTROL DE OPERACIONES MINERAS
ANÀLISIS MULTIVARIABLE
DOCENTE: Ing. Kelvis Berrocal Argumedo
ALUMNO: -Pérez Espino, Navat Ajias 15137201
-Congache rodríguez Jack Michael
AYACUCHO-2018
INDICE
INTRODUCCIÓN . ................................................................................................................................4
OBJETIVOS GENERALES……………………………………………………………………………………………………………………5
OBJETIVOS ESPECÍFICOS………………………………………………………………………………………………………………….5
CAPITULO I
1.1 LA ENCUESTA ESTRUCTURADA I LAS TECNICAS MULTIVARIANTES ......................... 5
CAPITULO 2
CAPITULO 3
2
ANÁLISIS FACTORIAL Y ANÁLISIS DE COMPONENTES PRINCIPALES........................... 24
CAPITULO 4
ETAPAS DEL ANÁLISIS MULTIVARIABLE ..................................................................... 25
BIBLIOGRAFIA ....................................................................................................34
3
INTRODUCCIÓN
4
OBJETIVOS
OBJETIVO GENERAL
-Dar a conocer que es el análisis multivariable o multivariante así como las etapas
básicas para realizar el análisis multivariable y la clasificación de las técnicas
multivariables más esenciales.
OBJETIVO ESPECÍFICO
-Dar a conocer la aplicación del análisis multivariable en circuito de molienda de la
unidad minera cuajone-spcc con el objetivo de incrementar el tonelaje en la planta
concentradora.
CAPITULO I
MULTIVARIANTES
Por tanto podemos afirmar que la mayoría de los problemas de la empresa son
multidimensionales, es decir cualquier actividad empresarial la podemos describir de
acuerdo con diversas dimensiones.
5
Esto nos conduce a que deberemos estudiar los factores que influyen o que bien
consideramos que lo puedan hacer, de una manera simultánea y para ello se utilizan
unas técnicas estadísticas a que se denominan: técnicas multivariantes o multivaribles.
Por ejemplo para determinar el estilo de vida, hacemos una batería de preguntas
acerca de: la profesión, el nivel de estudios, la renta familiar, el equipamiento del hogar,
electrodomésticos, vehículos, hábitos de consumo, hábitat, etc.
A través del análisis multivariante lo que hacemos es combinar todas las variables,
eliminando la información redundante y se obtiene una nueva variable que no es
observable directamente, que representa un concepto abstracto que se puede medir
obteniéndose un valor para cada elemento, en el caso del ejemplo lo denominamos
estilo de vida.
Esquema 1
6
1.2 ¿POR QUÉ SE USAN LAS TÉCNICAS MULTIVARIANTES?
7
FIGURA 1: ¿QUÉ ES EL ANÁLISIS MULTIVARIABLE?
8
1.3 DEFINICIÓN DEL ANÁLISIS MULTIVARIANTE
-Análisis de las relaciones de dependencia: con el fin de predecir o bien explicar algún
fenómeno.
9
CAPITULO 2
2.1 DEFINICIÓN Y CLASIFICACIÓN DE LAS VARIABLES
En las técnicas del análisis multivariante se entiende por variable alguna magnitud que
representa la característica de los elementos objeto de investigación que tratamos de
medir.
En una primera clasificación las variables las podemos clasificar en dos grupos,
variables independientes (VI) y variables dependientes (VD).
10
En ocasiones, al analizar el modelo la única forma de diferenciar las variables es
simplemente por donde están situadas en la ecuación.
Variables cuantitativas o métricas: Son aquellas en las que los valores tomados por
diferentes individuos tienen un significado propio. De hecho, son una medición o
cuantificación de una determinada característica, la respuesta a la pregunta:
¿Cuánto/s?
11
2.3 CLASIFICACIÓN POR LOS VALORES QUE PUEDEN ADOPTAR
De acuerdo con el valor que pueden adoptar las variables estas las podemos clasificar
en los siguientes tipos:
Variable continúa. Se trata de una variable cuantitativa que puede adoptar cualquier
valor numérico, Para todo par de valores siempre podemos encontrar uno intermedio.
Por ejemplo la edad, el consumo de teléfono,...
Variable discreta. Puede adoptar un número finito de valores distintos, entre dos
valores consecutivos no se puede encontrar ninguno intermedio. Por ejemplo el número
de personas por hogar.
Variable dicotómica o binaria. Solo puede tomar dos valores, si se definen como 0 y 1
se llama binaria.
Variables ficticias o Dummy. Se utiliza con variables cualitativas, para poder obtener
información a través de operaciones, se convierten en binarias, indicando el valor 1 la
presencia de una categoría de la variable y 0 su ausencia.
La variable Sexo con las categorías hombre y mujer necesitaría una sola variable
dummy D1: Hombre 0 Mujer 1
Consideremos la variable “Color del producto A” que tiene las siguientes categorías
12
1 Rojo 2 Verde 3 Azul
Obtendremos las siguientes Dummy 3 – 1 = 2 que corresponden a: D1 = Rojo 1 Verde y
Azul 0
D2 = Verde 1 Rojo y Azul 0
Prácticamente todas las investigaciones que se realizan recogen los datos en forma de
números, interesando al investigador lo que estos números representan, por medio de
las correspondientes operaciones de medida.
Puesto que utilizamos diferentes reglas para la asignación de los números, un mismo
número puede dar lugar a diferentes interpretaciones, ello da lugar a la existencia de
diferentes escalas de medida.
13
Nominal: los posibles valores de la variable representan diferentes categorías, no
existiendo ninguna relación entre el código asignado a una categoría y su significado
Ejemplos: profesión, raza, estado civil…
14
CAPITULO 3
Los diferentes métodos de análisis multivariante no solo difieren entre sí por el objetivo
o tipo de resultados obtenidos sino que existen ya diferencias en la tabulación, forma de
codificar y en el trabajo con las variables ya que algunos métodos pueden trabajar con
variables nominales, mientras que otros solo lo hacen con variables ordinales y
métricas.
15
La clasificación de las técnicas multivariantes las podemos resumir en el siguiente
esquema.
ESQUEMA 2
TÉCNICAS MULTIVARIANTES
SI NO
16
FIGURA 2: CLASIFICACIÓN DE TECNICAS MULTIVARIANTES
14
15
16
3.2 MÉTODOS EXPLICATIVOS O DE DEPENDENCIA
Los métodos explicativos o de dependencia, del análisis multivariante, son técnicas que
diferencian entre variables independientes, explicativas o predictoras y variables
dependientes o a explicar.
17
ANÁLISIS DE REGRESIÓN
Por ejemplo, intentar predecir el gasto anual en cine de una persona a partir de su nivel
de ingresos, nivel educativo, sexo y edad.
MÉTODOS EXPLICATIVOS
NÚMERO DE VARIABLES DEPENDIENTES
UNA
INDEPENDIENTE (S)
MÉTRICA
REGRESIÓN
18
CONCEPTO
Y = f (Xi)
Si solo hay una variable independiente (X) se trata de un modelo de regresión simple.
y = 0 + 1x +
19
Su representación gráfica:
y = 0 + 1 x1 + 2 x2 + . . . + k xk +
Donde:
Y: variable dependiente o variable a explicar
Xi: variables independiente o variables explicativas
20
FIGURA 4: ANÁLISIS DE REGRESIÓN MULTIPLE
El modelo de regresión requiere que todas las variables sean métricas, las
cuantitativas
21
FIGURA 5: ANÁLISIS DE REGRESIÓN MULTIPLE
22
ANÁLISIS DE SUPERVIVENCIA
ANÁLISIS DE VARIANZA
Se utilizan en situaciones en las que la muestra total está dividida en varios grupos
basados en una o varias variables independientes no métricas y las variables
dependientes analizadas son métricas. Su objetivo es averiguar si hay diferencias
significativas entre dichos grupos en cuanto a las variables dependientes se refiere.
Por ejemplo, ¿hay diferencias en el nivel de colesterol por sexos? ¿Afecta, también, el
tipo de ocupación?
CORRELACIÓN CANÓNICA
Por ejemplo, analizar cómo están relacionadas el tiempo dedicado al trabajo y al ocio de
una persona con su nivel de ingresos, su edad y su nivel de educación.
23
3.3 MÉTODOS DE INTERDEPENDENCIA
Si los datos son métricos se pueden utilizar, entre otras, las siguientes técnicas:
Así, por ejemplo, si un analista financiero quiere determinar cuál es el estado de salud
financiero de una empresa a partir del conocimiento de un número de ratios financieros,
construyendo varios índices numéricos que definan su situación, el problema se
resolvería mediante un Análisis de Componentes Principales.
24
CAPITULO 4
ETAPAS DEL ANÁLISIS MULTIVARIABLE
Se determina el tamaño muestral, las ecuaciones a estimar (si procede), las distancias
a calcular (si procede) y las técnicas de estimación a emplear. Una vez determinado
todo esto se proceden a observar los datos
25
4) Realización del análisis
Se estima el modelo y se evalúa el ajuste a los datos. En este paso pueden aparecer
observaciones atípicas (outliers) o influyentes cuya influencia sobre las estimaciones y
la bondad de ajuste se debe analizar.
26
APLICACIÓN DEL ANÁLISIS MULTIVARIABLE EN LA ETAPA
MINERA CUAJONE-SPCC.
-Este trabajo de tesis fue realizado en el año 2008 por CRISTIAN GERONIMO CURO
LORO para optar el título profesional de ingeniero metalurgista en la universidad nacional
de ingeniería (UNI).
El trabajo consiste en investigar el efecto de todas las variables que existen e interactúan
en el proceso de molienda evaluando las variaciones de éstas y el efecto que tienen
sobre el tonelaje. Para el estudio se hizo análisis de toda una data extraída usando el
Sistema PI, el cual permitía capturar los datos de la historia de todas las variables a
examinar para la generación de los modelos predictivos multivariantes.
-La planta concentradora de Cuajone tiene 3 circuitos de chancado en tres etapas:
primario, secundario y terciario
-Flotación de Cobre – Moly en celdas OK100 y OK160, Wemco, Dorr – Oliver y celdas
columna.
-Recuperación de Moly en Planta de Molibdeno.
27
HIPÓTESIS: INCREMENTAR TONELAJE EN CIRCUITOS DE MOLIENDA
TENIENDO A LA MALLA +65 COMO VARIABLE DE CALIDAD.
VALOR TEÓRICO
JUSTIFICACIÓN
El logro del incremento del tonelaje, requirió el desarrollo de un Soft Sensor (Sensor
Virtual) del %malla +65 como un variable de control de calidad y del % de Sólidos en el
28
OverFlow. La justificación del desarrollo de estos Soft Sensor fue para continuar con la
medición de las variables (%malla +65 y %Sólidos del OverFlow) cuando exista alguna
falla o mantenimiento del PSM,PSI.
ESQUEMA 2
MODELOS PREDICTIVOS
29
MODELO PREDICTIVO TONELAJE:
Otros de los gráficos que son mucha importancia es el que nos muestra el peso de los
coeficientes de Regresión.
30
El valor teórico obtenido es el siguiente:
31
DISCUSIÓN DE LOS RESULTADOS
Estos resultados nos indican que el tonelaje promedio incrementado por día en los 9
dias de la prueba fue de 141.3 TM ( equivalente a un incremento de 22% de Cobre Total
por día), lo cual significaría un incremento de 4239.6 TM húmedas en un mes de 30 días
solo para el molino 1C.
A continuación se realizó un Balance Metalúrgico para evaluar el incremento de
Contenido Metálico y de esta manera el beneficio económico expresado en miles de US$,
tanto por el Molino 1C como por los 8 Molinos de 16´ x 20´ considerando el mismo
incremento de tonelaje del Molino 1C.
32
TABLA Nº 2: BENEFICIO ECÓNÓMICO DEL INCREMENTO DEL TONELAJE
TM Ley
TMS Contenido Recuperación Contenido Precio Beneficio
Húmedas Cabeza
Metálico Cu
Mes Mes %Cu Metálico %Cu miles US$
Adicional US$/lb
™
MOLINO
4239 4133 0,72 29.76 85 25,29 3 $ 167.142
1C
16,5´ x 20´
8
33912 33064 0,72 238.06 85 202,35 3 $1,337.134
MOLINOS
16,5´ x 20´
33
BIBLIOGRAFIA
-Análisis de datos multivariantes-Daniel Peña-1era edición en español: 2000.
- control estadístico multivariante en circuito de molienda en la concentradora
cuajone de souther peru cooper corporation: cristian geronimo curo loro-UNI
2008.
34