Universidad de Santiago de Chile

Facultad de Ingeniería
Departamento de Ingeniería en Minas

Laboratorio Nº1 Modelación y Simulación

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 estadístico para el análisis del rendimiento de
combustible en la mina, relacionado únicamente con el consumo de la flota de
transporte.
Luego de una serie de tratamientos y procesos matemáticos (que serán detallados
más adelante), se ha llegado a la conclusión que la variable Consumo de
combustible (Lts/Hr) tiene un comportamiento normal.
Para ello hemos usados 3 métodos:


Criterio Grupal
Criterio de Sturger
Criterio de la Raíz de n

La diferencia radica en el número de intervalos que nos presenta cada criterio, que
conlleva a un histograma más o menos representativo (con mayor cantidad de
puntos y barras), según sea el número de intervalos.
Hemos trabajado en Microsoft Excel 2007™, programa que nos ayudó a filtrar
datos (es decir, aplicarle ciertas restricciones a la variable de análisis) y simplificó
en gran medida las operaciones matemáticas implicadas en este proyecto.

2

Índice

1. Resumen ejecutivo…………………………………………………….

2

2. Introducción ……………………………………………………………

4

3. Objetivos y Alcances…………………………………………………..

5

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

3

Introducción
El consumo de combustible es un factor muy importante para la economía de la
compañía, es por ello, que saber cómo se comporta dicho factor a gran escala es
vital para el óptimo funcionamiento de la mina.
Este informe presenta los cálculos y los razonamientos utilizados para modelar los
datos, según los parámetros especificados por la empresa:

Camiones cargados, sin importar qué tipo de material contengan
Pendientes positivas

En adición, se ha pedido establecer un filtro para las velocidades de los camiones.
También debe filtrarse la variable, es decir, otorgarle un rango lógico 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 podría dar una prueba contundente de
que la modelación de la variable, contenida en la tabla filtrada (tabla en la cual se
encuentras los datos definitivos que serán parte de este análisis), es
representativa de la realidad.

4

Objetivos y Alcances
Objetivo General
Modelar el consumo de combustible de los camiones especificando (y rectificando)
así el comportamiento de la variable de estudio para ciertos camiones.
Objetivos Específicos
Entregar una modelación de la variable, apoyado en tablas de datos y gráficos.
Contribuir al desarrollo de la empresa, entregando una distribución aproximada de
los datos, dando así una base sólida para una futura toma de decisiones que
involucren de manera directa o indirecta el consumo de combustible.
Alcances
Se considerarán en este estudio camiones cargados con cualquier tipo de material
(lastre, SBL, sulfuro), cuya velocidad fluctúe entre los 10 y 30 Kms/Hr, y recorra
una pendiente positiva.
Suponemos también que éstas tres variables mencionadas, son las más
influyentes en lo que compete al consumo de combustible.

5

Desarrollo
Teniendo la tabla de datos entregada por la empresa, se procede a hacer el
reemplazo de . por , para así tener solamente valores numéricos (en las columnas
que correspondan.
A continuación, se filtran las variables bajo los parámetros 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 está entre los 10 y 30 Kms/Hr porque debemos
considerar que los camiones llevan material (o sea están cargados) y recorren
pendientes positivas (o sea van en subida), es por esto que las velocidad no serán
superiores a 40 Kms/Hr, pero para no forzar la máquina, ya que esto podría traer
más gasto a la empresa, decidimos una velocidad máxima de 30 Kms/Hr.
A pesar de que la velocidad mínima, podría ser aún menor, 10 Kms/Hr no es una
velocidad pequeña, y a la vez es una velocidad segura para la máquina (ésta no
forzará en exceso el motor).
Una vez filtrados los datos, tenemos la tabla que usaremos para el análisis, ésta
podemos copiarla en otra hoja de Microsoft Excel 2007™ para clarificar los
cálculos que se llevarán a cabo.
Como se dijo antes, los criterios usados sólo cambian los intervalos de clase, es
por ello que para los tres casos debemos hacer una tabla de estadística
descriptiva de la variable que es objeto de estudio (que será igual para los tres
casos) en la que al menos aparezcan la media, la desviación estándar, el máximo,
el mínimo y la cuenta (o cantidad de datos).Para obtener esta tabla, usamos la
herramienta de análisis de datos de Microsoft Excel 2007™ que nos arrojará de
manera automática (previo ingreso de la columna de consumo de combustible) los
parámetros mencionados, entre otros.
Luego de obtener la tabla, debemos obtener el intervalo de clase, y es aquí la
diferencia fundamental en cada criterio que usaremos.
Para el Criterio Grupal, IC=(máx-mín)/10
Para el Criterio Sturger, IC=(máx-mín)/(1+3.222LOG(n))
Para el Criterio Raíz de n, IC=(máx-mín)/
En donde IC es el intervalo de clase y n la cantidad de datos.
Esta es la única diferencia en cuanto a cálculo 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 límite
inferior del intervalo, la marca de clase del mismo, y su límite superior.
Luego debemos realizar un histograma a la tabla recién creada. Para ello,
6

volvemos a utilizar la herramienta de análisis de datos, pero esta vez, en la opción
de histograma. El rango de entrada será nuevamente la columna de nuestra
variable objeto del estudio, mientras que el rango de clases, será la columna de
los bi. Esta tabla debe contener la frecuencia y el porcentaje acumulado.
También se nos entrega un gráfico 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 (normalización, distr.Normal).
Posteriormente, ajustamos la curva de nuestro gráfico (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
básicamente es una tabla extensa que agrupa todos los datos según los intervalos
definidos, agregando parámetros de información, que nos serán útiles 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, aún no podemos predecir si el ajuste sirve o no, para ello, vamos al
último 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 límite superior (LS) del rango en que
debe encontrarse el Chi calculado, y la prueba con 0.95 de probabilidad es el
límite inferior (LI).
Una vez calculados estos dos parámetros (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 adecúa a la realidad (si es bueno o muy
bueno) o si debemos repetir el proceso, variando el filtro de alguna variable.

7

Criterio Grupal

Criterio Sturger

8

Criterio Raíz de n

Con éstos gráficos se expresa claramente con qué criterio se produce el mejor
ajuste.
También se ve claramente que criterio aporta la mayor cantidad de intervalos de
clase.
Se observa que las 3 curvas adoptan la forma clásica de la distribución normal
(forma de campana)

9

Conclusiones y Recomendaciones
Se comprobó 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 análisis (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 éstas condiciones tienen un comportamiento normal.
Se determino que el mejor criterio es el de Raíz de n, ya que entrega un ajuste
muy bueno. Esto podría explicarse por el hecho de que en este criterio el intervalo
de clase es mucho menor en comparación con los otros dos, y por ende entrega
más intervalos, lo que hace más preciso el ajuste.

10

Referencias
Para el correcto uso del programa y los comandos utilizados en el análisis 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: Raíz 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