CURSO: Expositor:

Dr. José Luis Salazar Navarrete - Chile

MODELACIÓN Y SIMULACIÓN DE Consultor de la Cámara Minera del
Perú
PROCESOS METALÚRGICOS
UNIDAD IV: Software de uso comercial

Todos los derechos reservados © 2021 - v1.3

 ACERCA DEL EXPOSITOR

Experiencia:
Académico e investigador del Departamento de Ingeniería Química de la Universidad de
Santiago de Chile (USACH). Cuenta con más de 15 años de experiencia en áreas de
modelación, simulación y control de procesos, con variadas publicaciones científicas y
proyectos de desarrollo tecnológico en el ámbito de la minería, principalmente en la minería de
cobre. Socio fundador de diversas empresas en el ámbito de consultoría y de desarrollo
tecnológico. Consultor de la Cámara Minera del Perú y CAMIPER - Escuela de Altos Estudios.

Formación:
Doctor en Ciencias de la Ingeniería con mención en Ingeniería de Procesos e ingeniero civil
químico de la Universidad de Santiago de Chile. Ph. D. en Ciencias de Ingeniería con
Dr. José Luis especialización en Modelos Avanzados de Control en Procesos de Molienda SAG. Académico
e investigador en áreas de simulación, modelamiento y control avanzado de procesos de
Salazar Navarrete conminución de minerales.
Bienvenido
a la unidad del curso
 01
TEMARIO

01 MS Excel
03 Conclusiones
Contenido y propósito del estudio

02 IBM SSPS
04 Referencias
Identificación de fuentes
 02

OBJETIVO DE LA UNIDAD
Utilizar y aplicar software de uso comercial
para la aplicación de los modelos
multivariables.
Experiencia 03
profesional
 04

MOTIVACIÓN

“ Cuando algo es lo
suficientemente importante,
lo haces incluso si las“
probabilidades de que salga
bien no te acompañan
Elon Musk
Tema 01

MS Excel
 diálogo Análisis de datos, don
01 Regresión, obteniéndose un 
06
MS Excel diálogo que permite realizar 
la regresión múltiple.

MS Excel es una de las plataformas

de mayor uso como planilla de
cálculo.

En particular, para los efectos de nuestro

curso estudiaremos la suite de Análisis
de regresión.

MS Excel dispone de análisis de regresión para

ajustar el modelo de regresión múltiple;
simultáneamente proporciona las estimaciones
de los parámetros, la contrastación individual y
el análisis de los residuos.

En el menú Herramientas, aparece el diálogo Análisis

de datos, donde elegimos Regresión, y se obtiene un
cuadro de diálogo que permite realizar un ajuste para
la regresión múltiple.
Los Campos de Entrada tienen las funcionalidades
01 07
MS Excel

Lo
01 Los campos de entrada
tienen las siguientes
funcionalidades: Ra
co
Rango Y de entrada de
Introducir la referencia correspondiente al
02 rango de datos dependientes. El rango
debe estar formado por una única columna.
Ra
co
Rango X de entrada
Introducir la referencia correspondiente al
or
or
03 rango de datos independientes. Excel
ordenará las variables independientes de
este rango en orden ascendente de m
izquierda a derecha. El número máximo
de variables independientes es 16.
01
MS Excel
Rótulos
Activar esta casilla cuando
la primera fila o la primera
columna del rango (o
rangos) de entrada tienen
rótulos o nombres. No
activar en el caso de que
el rango de entrada
carezca de rótulos o
nombres. Excel, en este
último caso, genera los
rótulos de datos
correspondientes para la
tabla de resultados.
08
Lo
Nivel de confianza Constante igual a
cero R
Activar esta celda si
desea incluir más Activar esta casilla si
co
niveles de confianza en se desea que la d
la tabla de resúmenes línea de regresión
de resultados. pase por el origen
Introducir el nivel de
confianza a aplicar
(no resulta muy
recomendada).
R
además del nivel co
predeterminado del
95%. o
o
m
01 09
MS Excel

Rango de salida En una hoja nueva Lo

Ra
co
Introducir la referencia de
correspondiente a la celda superior Al hacer clic en esta opción, se
izquierda de la tabla de resultados. opta por insertar una hoja nueva
Dejar por lo menos siete columnas en el libro actual y pegar los Ra
disponibles para la tabla de resultados en ella, comenzando
resultados sumarios, donde por la celda A1 de la nueva hoja co
aparecen tabla de análisis, número de cálculo. Para dar un nombre a
la nueva hoja de cálculo, se
or
de observaciones, coeficientes,
error típico del pronóstico Y, puede anotar en el cuadro. or
valores de R2 y error típico de m
coeficientes.
01 10
MS Excel

L
En un libro nuevo
Residuos
Hacer clic para crear un nuevo libro
y pegar los resultados en una hoja
R
nueva del libro creado. Si desea Activar esta casilla para incluir los
residuos en la tabla de resultados.
c
incorporar la opción gráfica, tiene
que teclear esta opción. d

R
Residuos estándares Gráficos de residuos
c
Activar esta casilla para incluir Si activa esta casilla, se genera un
o
residuos estándares en la tabla gráfico por cada variable o
de resultados de residuos. independiente frente al residuo.
m
01 11
MS Excel

Lo
Curva de regresión ajustada

Si activa esta casilla, se genera un

Ra
01 gráfico con los valores
pronosticados frente a los valores
co
observados. de

Ra
Trazado de probabilidad normal
co
Activando esta casilla, se genera
ord
02 un gráfico con probabilidad normal. ord
má
01 12
MS Excel
Regresión Lineal Múltiple

Finalmente, con las opciones

activadas en la figura anterior, en
la tabla de resultados aparecen los
estadísticos de regresión, cuadro
de análisis de la varianza del
modelo, estimadores, contrastes
de significación de F‐Snedecor y
de t‐Student con sus p‐valores
asociados, intervalos de confianza
para los parámetros y para las
predicciones al 90% y 95%, y
residuos.
01 13
MS Excel
La siguiente figura presenta el gráfico de cada variable independiente (X1, X2) contra los residuos,
que se utiliza para detectar el problema de no linealidad, heteroscedasticidad, y autocorrelación e
La figura presenta el gráfico de cada variable independiente (X1, X2) contra los residuos, lo que se utiliza
el modelo del ajuste.
para detectar el problema de no linealidad, heterocedasticidad y autocorrelación en el modelo del ajuste.
Lo mejor es que todas las gráficas presenten una estructura aleatoria de puntos.

Lo mejor es que todas las

gráficas presenten una
estructura aleatoria de
puntos.
 01 14
MS Excel

La figura presenta el gráfico

para detectar la hipótesis
de normalidad en el
ura adjunta presenta el gráfico para
modelo.
tar la hipótesis de normalidad en el
elo.
áfica ideal es la diagonal del primer
ante.
La gráfica ideal es la
diagonal del primer
cuadrante.

de la Fuente Fernández                                                                                                                                                     16
01 15
MS Excel

Las siguientes figuras muestran cada variable independiente contra los valores
Regresión Lineal Múltiple
predichos, lo que sirve para detectar problemas de heterocedasticidad.
Las siguientes gráficas visualizan cada variable independiente contra los valores predichos, lo que
sirve para detectar problemas de heteroscedasticidad.
Lo ideal es que todas las gráficas presenten una estructura aleatoria de puntos.
Lo ideal es que todas las gráficas presenten una estructura aleatoria de puntos.
Tema 02

IBM SSPS
02 17
IBM SSPS

El SPSS es un software de IBM para un análisis

completo estadístico.

Es el acrónimo de Producto de Estadística y

Solución de Servicio.

Existen otros productos diferentes en la suite, cada

uno de ellos ofrece sus propias características
únicas.

El SPSS es un software popular entre los usuarios

de Windows, es utilizado para realizar la captura y
el análisis de datos para crear tablas y gráficas con
data compleja.

El SPSS es conocido por su capacidad de

gestionar grandes volúmenes de datos y es capaz
de llevar a cabo análisis de texto entre otros
formatos más.
02 18
SPSS Y LA REGRESIÓN MÚLTIPLE _______________________________________________________
SPSS Y LA REGRESIÓN MÚLTIPLE _______________________________________________________
IBM SSPS
Con datos introducidos en SPSS, intentamos ajustar un modelo mediante Mínimos Cuadrados
Con datos introducidos en SPSS, intentamos ajustar un modelo mediante Mínimos Cuadrados
Ordinarios (MCO).
Ordinarios (MCO).
Para el análisis multivariado, se debe elegir en el En el cuadro de la Regresión lineal, se introduce la variable
Para ello, se elige en el Menú Analizar / Regresión / Lineal, como se indica en la figura adjunta.
Para ello, se elige en el Menú Analizar / Regresión / Lineal, como se indica en la figura adjunta.
menú Analizar / Regresión / Lineal. dependiente (Y) y las variables independientes X1, X2, etc.
02 19
IBM SSPS

• Para el análisis multivariado, se debe elegir en el menú Analizar / Regresión / Lineal.

• En el cuadro de la Regresión lineal, se introduce la variable dependiente (Y) y las variables
En el cuadro de la Regresión lineal se introduce la variable dependiente (Y) y las variables
En el cuadro de la Regresión lineal se introduce la variable dependiente (Y) y las variables
independientes X1, X2, etc.
independientes ingresos (X1) y tamaño familiar (X2). En el botón [Opciones]:
independientes ingresos (X1) y tamaño familiar (X2). En el botón [Opciones]:
02 20
IBM SSPS

En las opciones Estadísticos y Gráficos, se procede como aparece en las selecciones adjuntas.

En el botón Gráficos, se selecciona residuos contra valores predichos.

Al pulsar Aceptar, se obtiene el ajuste del modelo.

02 21
IBM SSPS
Los resultados del modelo se obtienen en los siguientes formatos o figuras

Resumen del modelob

R cuadrado Error típ. de Durbin- ANOVAb

Modelo R R cuadrado
corregida la estimación Watson
Suma de Media
Modelo gl F Sig.
1 .974a .950 .941 .07751 1.177 cuadrados cuadrática

a. Variables predictoras: (constante), X2 tamaño, X1 ingreso 1 Regresión 1.360 2 .680 113.141 .000a
b. Variable dependiente: Y gasto Residual .072 12 .006
Total 1.432 14

Coeficientesa
Coeficientes no Coeficientes Intervalo de confianza para
estandarizados estandarizados B al 95%
Modelo t Sig.
Límite Límite
B Error típ. Beta
inferior superior
1 (Constante) – .160 .090 –1.775 .101 – .357 .036
Ingresos_mes .149 .010 1.044 14.915 .000 .127 .170
Tamaño_Familia .077 .020 .268 3.825 .002 .033 .121
02 22
IBM SSPS
Histograma
Variable dependiente: Y Gasto

Una forma de mirar los

resultados de residuos

Frecuencia
es la del histograma.
4

En la figura mostrada del

histograma de residuos, se 2
observa que se ajusta bien a
una distribución normal.

0
–2 –1 0 1 2 3
Regresión residuo tipificado Media = 2.36E – 16
Desviación típica = 0.926
N=15
02 23
IBM SSPS
Gráfico P-P normal de regresión residuo tipificado
Variable dependiente: Y Gasto

1.0

Prob. acum. esperada

0.8

En la figura se presenta el gráfico de

normalidad de los residuos. Lo deseado 0.6
es que se ajuste muy bien a la diagonal
del primer cuadrante. 0.4

0.2

0.0
0.0 0.2 0.4 0.6 0.8 1.0
Prob. acum. observada
Tema 03

Conclusiones
Contenido y propósito del estudio
03 25
Conclusiones
Contenido y propósito del estudio

Los tipos de software comerciales permiten obtener análisis de los

modelos de forma muy rápida, simple y precisa.

MS Excel presenta ventajas por el nivel de uso universal, respecto de

otras plataformas.

Resulta necesario conocer las bases teóricas de los modelos para poder
utilizar los software.
Tema 04

Referencias
Identificación de fuentes
04 27
Referencias
Identificación de fuentes
⚫ García Valest, C., Aguazaco González, J. y Lizarazo Velasco, L. ⚫ Montgomery, D. (2017). Design and analysis of experiments. John
(2015). Implementación software Net-Aplication en Industria Wiley & Sons.
Comercializadora Metalúrgica (proyecto SMART ICM) [Trabajo de
grado para título profesional, Universidad Piloto de Colombia].
⚫ Montgomery, D. (2020). Introduction to statistical quality control.
John Wiley & Sons.
⚫ Gil Crespín, M. (2019). Aplicación de software minero Minehaul
para cálculo de camiones en plan minero LOM 2019 en Unidad
⚫ Montgomery, D., Peck, E. y Vining, G. (2011). Introducción al
análisis de regresión lineal. Grupo Editorial Patria.
Minera La Arena SA [Tesis para título profesional, Universidad
Nacional de Trujillo]. ⚫ Peña Arnau, K. (2009). Estrategia de migración a software libre del
ISMM [Trabajo de diplomado, Instituto Superior Minero Metalúrgico
⚫ Gujarati, D. (2018). Linear Regression. A Mathemical Introduction.
de Moa].
SAGE Publications.
⚫ Hernández Chiva, E. y Trejo, A. (2004). Factores determinantes ⚫ Rojas Torres, J. y Varas Albarnez, S. (2018). Mapas de conflictos
de derechos de agua en zona norte de Chile, por intervención minera,
en la elección de un software PLM. En Actas del VIII Congreso
haciendo uso del software global Mapper [Memoria para título
Internacional de Ingeniería de Proyectos (pp. 275-283). Escuela
profesonal, Universidad de Atacama].
Superior de Ingenieros de Bilbao.
⚫ Hinostroza Jahuana, C. (2019). Optimización en el proceso de ⚫ Romero Baylón, A., Lovera Dávila, D. y Yaringaño Yaringaño, S.
(2010). Gestión de Riesgos con CMMI, RUP e ISO en ingeniería de
producción usando la manufactura esbelta con ayuda del software
software minero. Revista del Instituto de Investigación de la Facultad
Fabsuite en la Empresa E y C Metalikas SAC [Tesis para título
de Ingeniería Geológica, Minera, Metalúrgica y Geográfica, 10(19),
profesional, Universidad Nacional del Centro del Perú].
55-61.
Gracias