Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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 08
MS Excel
Lo
Rótulos Nivel de confianza Constante igual a
cero R
Activar esta casilla cuando
la primera fila o la primera
Activar esta celda si
desea incluir más Activar esta casilla si
co
columna del rango (o niveles de confianza en se desea que la d
rangos) de entrada tienen la tabla de resúmenes línea de regresión
rótulos o nombres. No de resultados. pase por el origen
activar en el caso de que
el rango de entrada
Introducir el nivel de
confianza a aplicar
(no resulta muy
recomendada).
R
carezca de rótulos o además del nivel co
nombres. Excel, en este predeterminado del
último caso, genera los 95%. o
rótulos de datos
correspondientes para la
o
tabla de resultados. m
01 09
MS Excel
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
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
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
En las opciones Estadísticos y Gráficos, se procede como aparece en las selecciones adjuntas.
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
Frecuencia
es la del histograma.
4
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
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
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