UNIVERSIDAD NACIONAL DE SAN CRISTOBAL DE

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

1.2 ¿POR QUE SE USAN LAS TECNICAS MULTIVARIANTES? ......................................................7

1.3 DEFINICIÓN DEL ANALISIS MULTIVARIANTE........................................................................9

1.4 AREAS DE APLICACIÓN DEL ANÁLISIS MULTIVARIANTE ................................................... 9

CAPITULO 2

2.1 DEFINICIÓN Y CLASIFICACIÓN DE LAS VARIABLES .............................................................10

2.2 TIPOS DE VARIABLES ...................................................................................................... 11

2.3 CLASIFICACIÓN POR LOS VALORES QUE PUEDEN ADOPTAR ..............................................12

2.4 ESCALAS DE MEDIDA .........................................................................................................13

2.5 VARIABLES Y ESCALAS DE MEDIDA ....................................................................................14

CAPITULO 3

3.1 CLASIFICACIÓN DE LAS TECNICAS MULTIVARIANTES........................................................15

3.2 MÉTODOS EXPLICATIVOS O DE DEPENDENCIA.............................................................17

3.2.1 OBJETIVOS DE LOS MÉTODOS EXPLICATIVOS .......................................................... 17

ANÁLISIS DE REGRESION ...............................................................................................18

ANÁLISIS DE SUPERVIVENCIA .................................................................................... 23
ANÁLISIS DE VARIANZA .............................................................................................23

CORRELACION CANÓNICA .........................................................................................23

3.3 MÉTODOS DE INTERDEPENDENCIA .............................................................................. 24

2
 ANÁLISIS FACTORIAL Y ANÁLISIS DE COMPONENTES PRINCIPALES........................... 24

CAPITULO 4
ETAPAS DEL ANÁLISIS MULTIVARIABLE ..................................................................... 25

1) OBJETIVOS DEL ANÁLISIS....................................................................................... 25

2) DISEÑO DEL ANÁLISIS ............................................................................................ 25
3) HIPOTESIS DEL ANÁLISIS........................................................................................ 25

4) REALIZACIÓN DEL ANÁLISIS ................................................................................... 26

5) INTERPRETACIÓN DE LOS RESULTADOS ................................................................ 26

6) VALIDACIÓN DEL ANÁLISIS .................................................................................... 26

APLICACIÓN DEL ANÁLISIS MULTIVARIABLE EN LA ETAPA DE MOLIENDA PARA AUMENTAR EL

TONELAJE EN LA PLANTA CONCENTRADORA DE LA UNIDAD MINERA CUAJONE-SPCC ...................27

BIBLIOGRAFIA ....................................................................................................34

3
INTRODUCCIÓN

El Análisis Multivariante es el conjunto de métodos estadísticos cuya finalidad es

analizar simultáneamente conjuntos de datos en el sentido de que hay muchas
variables medidas para cada individuo u objeto estudiado.
Su razón de ser radica en un mejor entendimiento del fenómeno objeto de estudio
obteniendo información que los métodos estadísticos univariantes y bivariantes son
incapaces de conseguir.

En análisis multivariable o multivariante predominará en el futuro y dará por resultado

cambios drásticos en el modo que los investigadores piensan sobre los problemas y en
como diseñan sus investigaciones. Estos métodos hacen posible plantear preguntas
específicas de considerable complejidad de marcos idóneos, lo que posibilita llevar a
cabo investigaciones teóricamente significativas y evaluar los efectos de las variaciones
paramétricas ocurridas de forma natural en el contexto en que normalmente ocurren.

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

1.1 LA ENCUESTA ESTRUCTURADA Y LOS MÉTODOS

MULTIVARIANTES

El objetivo fundamental de la Investigación o análisis multivariable es obtener

información objetiva, que permita el disminuir la incertidumbre del decisor en su toma de
decisiones.

A través de la Investigación multivariable la empresa puede disponer de una gran

cantidad de datos acerca de su actividad interna y del entorno en el que desarrolla su
negocio. El mercado donde realiza la actividad económica la empresa, es un fenómeno
complejo donde interactúan un gran número de factores que tienen influencia en los
resultados empresariales (Inflación, paro, paridad de la moneda, formación de los
trabajadores, ecología, legislación, demografía, etc.)

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.

En la Investigación Comercial a través de encuestas, se realizan una serie de

preguntas, mediante la administración de un cuestionario, que permite mediante su
combinación obtener información acerca del fenómeno objeto de la investigación.

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.

Esta situación la podemos resumir en el siguiente esquema

Esquema 1

Variables observadas Análises multivariante Nueva variable abstracta

6
1.2 ¿POR QUÉ SE USAN LAS TÉCNICAS MULTIVARIANTES?

Las técnicas de análisis multivariante se utilizan cada vez más en la investigación

comercial por las siguientes razones:

-Permiten el analizar un gran número de encuestas. Simplificando muchos datos, con la

mínima pérdida de información. Consiguiendo hacer más comprensible la información
para la mente humana

-Permiten analizar toda la información acerca de un determinado fenómeno,

considerando simultáneamente todos los factores que intervienen.

-Permiten trabajar con cualquier tipo de variable.

7
 FIGURA 1: ¿QUÉ ES EL ANÁLISIS MULTIVARIABLE?

8
1.3 DEFINICIÓN DEL ANÁLISIS MULTIVARIANTE

Podemos definir las técnicas multivariantes como, un conjunto de métodos estadísticos

que permiten el análisis de forma simultánea de más de dos variables observadas en
una Investigación.

Desde una concepción amplia podemos definir el Análisis Multivariante como un

conjunto de métodos que analizan las relaciones entre un número razonablemente
amplio de variables (medidas), tomadas sobre cada elemento de análisis, en una o más
muestras simultáneamente.

1.4 ÁREAS DE APLICACIÓN DEL ANÁLISIS MULTIVARIANTE

El análisis Multivariante se aplica generalmente y en mayor proporción en las

investigaciones comerciales, en el análisis estadístico de encuestas y en algunas áreas
de la ingeniería, en las siguientes circunstancias:

-Reducción de datos. Se trata de simplificar la estructura del fenómeno investigado

buscando la mayor simplicidad, lo que permitirá una interpretación muy fácil.

-Clasificación y agrupación: Por ejemplo, las técnicas de segmentación y tipología

-Análisis de las relaciones de dependencia: con el fin de predecir o bien explicar algún
fenómeno.

-En la construcción de modelos. Econometría

-En la optimización de procesos y operaciones de ingeniería.

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).

Las variables dependientes son aquellas cuyo comportamiento es explicado o

pronosticado por una o más variables independientes. Las variables dependientes
también se denominan variables criterio o respuesta, mientras que las variables
independientes son las que servirán para explicar el fenómeno estudiado y se en
ocasiones se denominan como variables explicativas, factores o variables predictoras.

En los estudios no experimentales, la situación de las variables no siempre es clara,

definiéndose su papel en el contexto de la investigación. Una misma variable puede
adoptar diferentes roles en función de situaciones.

Cuando existen diferencias sistemáticas en una variable dependiente (Y) asociada a

diferentes niveles de variación de la variable independiente (X) se dice que están
relacionadas.

Si todas las variables desempeñan el mismo papel se habla de relaciones de

interdependencia. En este caso no hay una variable con las que se intente explicar el
comportamiento de otras.

10
En ocasiones, al analizar el modelo la única forma de diferenciar las variables es
simplemente por donde están situadas en la ecuación.

2.2 TIPOS DE VARIABLES

Una variable es una característica o propiedad de un elemento (individuo, objeto,

transacción, suceso, etc.), que toma distintos valores para cada elemento.

En general se clasifican en dos grandes grupos:

Variables no métricas o cualitativas
Variables métricas o cuantitativas
Los diferentes tipos de variable los resumimos a continuación:

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?

Ejemplos: altura, peso, edad, hijos, ingresos, de un individuo, empleados, oficinas,

beneficios, de una empresa, etc.

Variables cualitativas o no métricas: Son aquellas en las que las distintas

características de los elementos estudiados son cualidades o categorías alfabéticas.
Sin embargo, con el fin de facilitar el tratamiento de los datos, estas categorías se
convierten en unos códigos, sin que tenga que existir ningún tipo de relación entre el
valor asignado y el significado de la categoría representada.

Ejemplos: nacionalidad, sexo, religión, estudios cursados, clase social, calificación

(Suspenso, Aprobado, Notable, Sobresaliente), etc.

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.

Para realizar la conversión de una variable cualitativa en ficticia se necesitan tantas

variables dummy como categorías tiene la variable menos una.

Ejemplos de variables Dummy

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

La categoría azul queda definida ya que tiene 0 en las dos ficticias

2.4 ESCALAS DE MEDIDA

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.

Medir consiste en asignar números a los sucesos, elementos, objetos, atributos,...

según unas normas predeterminadas.

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.

Por escala de medida entenderemos la correspondencia entre los números asignados a

las propiedades de los elementos y la significación de los cálculos matemáticos
realizados con los números. Básicamente en el análisis estadístico se utilizan las cuatro
escalas siguientes:

Nominal, Ordinal, Intervalo y Ratio o de proporción.

Las características de estas escalas las resumimos a continuación:

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…

O Caso particular: variables dicotómicas, sólo admiten dos posibles respuestas.

Ejemplos: sexo, verdadero / falso, si / no,... Se denominan binarias si se codifican 0 / 1.

Ordinal: los códigos o valores de cada categoría mantienen la misma relación de

orden que el significado de las categorías. Ejemplos: clase social, escala de
preferencia,...

Intervalo: los códigos asignados a diferentes respuestas permiten conocer la magnitud

de la característica medida, ya que se mantiene una relación de orden y distancia.
Ejemplos: temperatura, fechas, cualquier variable redondeada,...

Ratio o razón: los códigos representan el propio valor de la característica estudiada,

observándose una relación de orden y de distancia y la existencia de un origen
Ejemplos: cifra de ventas, ratio económico- financiero,...

2.5 VARIABLES Y ESCALAS DE MEDIDA

Partiendo de los dos grandes grupos de variables, (cualitativas y métricas), podemos

resumir la relación entre las variables y las escalas de medida como sigue.

-Variables no métricas o cualitativas, vienen medidas en escala nominal u ordinal.

-Variables métricas o cuantitativas se utilizan las escalas de intervalo o de razón.

-Variables binarias se utiliza la escala de razón.

14
 CAPITULO 3

3.1 CLASIFICACIÓN DE LAS TÉCNICAS MULTIVARIANTES

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.

Una clasificación de gran utilidad es el diferenciar las técnicas multivariantes en dos

grupos básicos:

Métodos descriptivos o de interdependencia y métodos explicativos o de

dependencia.

Los métodos explicativos o de dependencia se emplean para explicar o proyectar

la(s) variable(s) dependiente(s) con base en dos o más variables independientes.

Por ejemplo explicar las ventas en función de numerosas variables independientes

(número de vendedores, inversión en publicidad, promoción, renta de los
consumidores, etc.).

Los métodos descriptivos o de interdependencia tratan de dar significado a un

conjunto de variables o bien tratan de agrupar las cosas.

Por ejemplo cuando realizamos un estudio de segmentación.

15
La clasificación de las técnicas multivariantes las podemos resumir en el siguiente
esquema.

ESQUEMA 2

TÉCNICAS MULTIVARIANTES

EXISTEN VARIABLES DEPENDIENTES E

INDEPENDIENTES

SI NO

MÉTODOS EXPLICATIVOS MÉTODOS DESCRIPTIVOS

Los métodos explicativos y descriptivos, a su vez se dividen de acuerdo con diferentes

criterios los más habituales son los que reseñamos en los siguientes esquemas

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.

3.2.1 OBJETIVOS DE LOS MÉTODOS EXPLICATIVOS

El objetivo principal de los métodos explicativos es:

Encontrar la relación existente entre la variable/s dependiente/s y la/s
independiente/s:

Este objetivo nos conduce a los siguientes objetivos secundarios:

-Explicar el comportamiento de la/s variable/s dependiente/s (Y)

-Por qué la Y no es igual en todas las observaciones.

-Estimar el efecto de una o varias variables explicativas (X) cuantitativas o binarias.
-¿Cuáles son las variables X que explican el comportamiento de Y?
-¿En cuánto varía la Y frente a un cambio de cada una de las X’s?
-Predecir el valor de Y.
-Cuál es el valor de Y para unas X’s determinadas.
-Hasta qué punto hemos conseguido explicar Y.

TÉCNICAS MÁS HABITUALES.

En esta modalidad de análisis multivariable de la información las técnicas más

habituales son:

La regresión, el análisis de la varianza, segmentación jerárquica análisis discriminante,

regresión logística, correlaciones canónicas, análisis de ecuaciones estructura

17
ANÁLISIS DE REGRESIÓN

Al clasificar los métodos explicativos por el número de variables dependientes y las

escalas de medida de las variables dependientes e independientes nos encontrábamos
que cuando tenemos una sola variable dependiente y todas las mediciones de las
diferentes variables están en escala métrica podemos aplicar la técnica denominada
regresión.

Es la técnica adecuada si en el análisis hay una o varias variables dependientes métricas

cuyo valor depende de una o varias variables independientes métricas.

Por ejemplo, intentar predecir el gasto anual en cine de una persona a partir de su nivel
de ingresos, nivel educativo, sexo y edad.

De forma esquemática podemos representar esta situación como.

MÉTODOS EXPLICATIVOS
NÚMERO DE VARIABLES DEPENDIENTES
UNA

ESCALA DE MEDIDA DE LA VARIABLE (S)

INDEPENDIENTE (S)
MÉTRICA

ESCALA DE MEDIDA DE LA VARIABLE DEPENDIENTE

MÉTRICA

REGRESIÓN

18
CONCEPTO

El análisis de regresión trata de analizar la dependencia de una variable cuantitativa a

explicar respecto de una o varias variables explicativas, también cuantitativas.

Matemáticamente la regresión la podemos representar como:

Y = f (Xi)

Donde Y es la variable dependiente y Xi representa las diferentes variables

independientes.

Si solo hay una variable independiente (X) se trata de un modelo de regresión simple.

Cuando hay dos o más variables independientes se trata de un modelo de regresión

múltiple.

Si recordamos el modelo de regresión simple o modelo de regresión lineal de primer

orden responde a la siguiente fórmula matemática.

y = 0 + 1x + 

Y: variable dependiente o variable a explicar

X: variable independiente o variable explicativa

error o perturbación aleatoria

0: origen de la recta: punto donde la recta corta el eje de ordenadas o eje de la Y.
1: pendiente de la recta o coeficiente de regresión: nos indica en cuanto aumenta (o
disminuye) la variable dependiente por cada incremento en 1 unidad de la variable
independiente.

19
Su representación gráfica:

FIGURA 3: ANÁLISIS DE REGRESIÓN LINEAL SIMPLE

El modelo de regresión múltiple viene expresado por:

y = 0 + 1 x1 + 2 x2 + . . . + k xk + 


Donde:
Y: variable dependiente o variable a explicar
Xi: variables independiente o variables explicativas

Error o perturbación aleatoria

0: origen cuando todas las variables independientes son cero
i: pendiente o coeficiente de la variable i
- Los coeficientes de regresión son en todos los casos los parámetros a estimar.

20
 FIGURA 4: ANÁLISIS DE REGRESIÓN MULTIPLE

El modelo de regresión requiere que todas las variables sean métricas, las

variables independientes que sean cualitativas o no métricas se pueden convertir

en variables métricas ficticias (Dummy) dicotomizándolas, de este modo las

convertimos en binarias (0, 1) y por consiguiente las podemos tratar como

cuantitativas

21
 FIGURA 5: ANÁLISIS DE REGRESIÓN MULTIPLE

22
ANÁLISIS DE SUPERVIVENCIA

Es similar al análisis de regresión pero con la diferencia de que la variable independiente

es el tiempo de supervivencia de un individuo u objeto.

Por ejemplo, intentar predecir el tiempo de permanencia en el desempleo de un individuo

a partir de su nivel de estudios y de su edad.

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

Su objetivo es relacionar simultáneamente varias variables métricas dependientes e

independientes calculando combinaciones lineales de cada conjunto de variables que
maximicen la correlación existente entre los dos conjuntos de variables.

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:

ANÁLISIS FACTORIAL Y ANÁLISIS DE COMPONENTES PRINCIPALES

Se utiliza para analizar interrelaciones entre un número elevado de variables métricas

explicando dichas interrelaciones en términos de un número menor de variables
denominadas factores (si son inobservables) o componentes principales (si son
observables).

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.

Si un psicólogo quiere determinar los factores que caracterizan la inteligencia de un

individuo a partir de sus respuestas a un test de inteligencia, utilizaría para resolver este
problema un Análisis Factorial.

24
 CAPITULO 4
ETAPAS DEL ANÁLISIS MULTIVARIABLE

-Se pueden sintetizar en 6 pasos.

1) Objetivos del análisis

Se define el problema especificando los objetivos y las técnicas multivariantes que se

van a utilizar

El investigador debe establecer el problema en términos conceptuales definiendo los

conceptos y las relaciones fundamentales que se van a investigar. Se deben establecer
si dichas relaciones van a ser relaciones de dependencia o de interdependencia. Con
todo esto se determinan las variables a observar.

2) Diseño del análisis.

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

3) Hipótesis del análisis

Se evalúan las hipótesis subyacentes a la técnica multivariante. Dichas hipótesis

pueden ser de normalidad, linealidad, independencia, homocedasticidad, etc. También
se debe decidir qué hacer con los datos missing.

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.

5) Interpretación de los resultados

Dichas interpretaciones pueden llevar a reespecificaciones adicionales de las variables

o del modelo con lo cual se puede volver de nuevo a los pasos 3) y 4)

6) Validación del análisis

Consiste en establecer la validez de los resultados obtenidos analizando sí los

resultados obtenidos con la muestra se debe generalizar a la población de la que
procede. Para ello se puede dividir la muestra en varias partes en las que el modelo se
vuelve a estimar y se comparan los resultados. Otras técnicas que se pueden utilizar
aquí son las técnicas de remuestreo.

26
APLICACIÓN DEL ANÁLISIS MULTIVARIABLE EN LA ETAPA

DE MOLIENDA CON EL OBJETIVO DE INCREMENTAR EL

TONELAJE EN LA PLANTA CONCENTRADORA DE LA UNIDAD

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).

La presente tesis trata sobre la aplicación de las técnicas de análisis multivariante en la

etapa de molienda con el objetivo de incrementar el tonelaje en la Planta Concentradora
– Unidad Cuajone – SPCC, haciendo uso de la tecnología utilizada como es la Aplicación
SCAN.

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

-Molienda en molinos de bolas Allis Chalmers y Svedala.

-Flotación de Cobre – Moly en celdas OK100 y OK160, Wemco, Dorr – Oliver y celdas
columna.
-Recuperación de Moly en Planta de Molibdeno.

-Espesamiento en espesadores Eimco.

La concentradora y las instalaciones relacionadas están diseñadas para tratar 87000

TMD de mineral con un contenido promedio de 0.72% de Cu y 0.029% de Mo

27
HIPÓTESIS: INCREMENTAR TONELAJE EN CIRCUITOS DE MOLIENDA
TENIENDO A LA MALLA +65 COMO VARIABLE DE CALIDAD.

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.

VALOR TEÓRICO

El propósito del análisis multivariante es medir, explicar y predecir el grado de relación

de los valores teóricos (combinaciones ponderadas de variables). Por tanto, el carácter
multivariante reside en los múltiples valores teóricos (combinaciones múltiples de
variables) y no en el número de variables u observaciones.

El elemento esencial del análisis multivariante es el valor teórico, una combinación

lineal de variables con ponderaciones determinadas empíricamente. El investigador
especifica las variables, mientras que las ponderaciones son objeto específico de
determinación por parte de la técnica multivariante. Un valor teórico de “n” variables
ponderadas (X1 a Xn) puede expresarse matemáticamente así:

Valor Teórico = w1X1 + w2X 2 + w3X3 + ... + wn Xn .................. (1)

Donde Xn es la variable observada y w n es la ponderación determinada por la técnica

multivariante.

JUSTIFICACIÓN

Para lograr el objetivo de la Hipótesis de la Tesis: Incrementar el Tonelaje en la

Molienda, se hace necesario adaptar, integrar y conciliar diversos componentes de la
tecnología disponible en la Planta Concentradora Cuajone.

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.

La información recolectada de las variables de operación del circuito de molienda

clasificación, permitió elaborar modelos multivariantes con el uso de la Aplicación
SCAN, los cuales pudieron ser ingresados de dos formas al PI System:

ESQUEMA 2

MODELOS PREDICTIVOS

las principales variables (que son expresadas mediante Tags) en un circuito de

molienda y que fueron las que se emplearon para la generación de los modelos
predictivos son:

29
MODELO PREDICTIVO TONELAJE:

El modelo generado para el Tonelaje es un modelo predictivo que en función al

comportamiento de las variables de operación de la molienda permiten predecir
cuál sería el Tonelaje óptimo a tratar. El modelo obtenido con el SCAN para el
Tonelaje se muestra a continuación.

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

La evaluación del Control Estadístico Multivariante que se realizó al Molino 1C,

mediante los modelos predictivos generados, permitió evaluar el incremento del
tonelaje por guardia de 12h, durante un periodo de 9 días como se muestra en la Tabla
a continuación. Los tonelajes mostrados son la sumatoria del incremento del tonelaje
por hora, durante dicha guardia.

TABLA 1: RESULTADOS DEL INCREMENTO DEL TONELAJE

INCREMENTO DEL TONELAJE

FECHA TM -12h TMD
1-sep-2006 49,4 98,9
2-sep-2006 93,2 186,3
3-sep-2006 113,0 225,9
4-sep-2006 23,1 46,2
5-sep-2006 122,6 245,2
6-sep-2006 101,1 202,2
7-sep-2006 39,3 78,5
8-sep-2006 72,8 145,6
9-sep-2006 21,6 43,1
PROMEDIO 70,7 141,3
Toneladas Mínimo 21,6 43,1
Toneladas Máximo 122,6 245,2

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