Combustible Wilson PDF

FACULTAD DE INGENIERIA
DEPARTAMENTO DE INGENIERIA EN MINAS
MODELAMIENTO Y OPTIMIZACION DEL CONSUMO

DE COMBUSTIBLE EN COMPAÑIA MINERA
ZALDIVAR S.A.
Antofagasta, Octubre 2010

UNIVERSIDAD DE ANTOFAGASTA
FACULTADA DE INGENERIA
DEPARTAMENTO DE INGENERIA EN MINAS

ZALDIVAR S.A.
Trabajo de titulación presentado en conformidad a los requisitos para optar

al título de Ingeniero Civil Industrial en Minas.
Wilson Lennox Cereceda Reyes
Antofagasta, Octubre 2010

UNIVERSIDAD DE ANTOFAGASTA
FACULTAD DE INGENIERIA
DEPARTAMENTO DE INGENIERIA EN MINAS

ZALDIVAR S.A.
Trabajo de titulación presentado en conformidad a los requisitos

para optar al título de Ingeniero Civil Industrial en Minas
_____________________________________
Luis Illanes Díaz
Profesor guía
_____________________________________
Milton Tapia Cubillos
Director Departamento
COMISIÓN EXAMINADORA
_____________________________________
José Delgado Vega
Profesor comisión
_____________________________________
Ivonne Salas Rojas
Profesor comisión
“La oportunidad se deja alcanzar solo por quienes la persiguen.”
Johann W. Von Goethe

Con todo el corazón dedicado a:
A mis padres, William Cereceda y Rebeca Reyes

A mis hermanos, Gino Cereceda y William Cereceda
A mi pareja, Evelyn Avilés e hija; Florencia Cereceda Avilés
AGRADECIMIENTOS
En estos instantes de felicidad, en donde concluyo otro ciclo de mi vida, no

me queda más que agradecer a todos aquellos que hicieron posible llegar a estas
instancias.
A Dios, el cual me protege y me bendice día a día, me entrega las

herramientas y el apoyo ilimitado para enfrentar las adversidades de este largo y
difícil camino, además por darme vida y salud para cumplir mis anhelos, al mismo
tiempo por bendecirme con una espléndida familia.
A mis padres William Cereceda y Rebeca Reyes, pilares primordiales en

mi vida, quienes a punta de esfuerzo y amor, me educaron y entregaron lo máximo
a su alcance para verme feliz, me brindaron su amistad y presencia incondicional.
Reconozco que este camino sin ellos realmente no lo hubiera culminado. Este
logro va honestamente para ellos.
A mi familia en general, sobrinos(as), cuñadas(os), suegros, a mis

hermanos, William Cereceda y Gino Cereceda, personas de bien que siempre
tenían una palabra de ánimo y solidaridad para conmigo.
A mi pareja Evelyn Avilés, persona especial en mi vida, una amiga

incondicional, una confidente, una persona sincera y leal, la cual me ha brindado
un soporte esencial en mi vida, alentándome y respaldándome en cada una de mis
decisiones. Me ha entregado lo más hermoso de la vida, el derecho a ser padre.
A mi hija Florencia Antonia Cereceda Avilés, la princesita maravillosa que

ha llenado mi vida de alegrías. Ha dado un vuelco a mi existencia, convirtiéndose
en el nuevo motor que impulsa mi subsistencia, y que me insta a seguir luchando
para alcanzar nuevos logros y metas.
A los profesores del departamento de ingeniería en minas, todos sabemos

lo difícil de su labor; traspasar conocimiento y sabiduría, pero sobre todo,
educación y formación a futuros profesionales. Quiero brindarles mi más sincera
gratitud, ya que sus lecciones cavaron hondo en mi vida, especialmente a los
maestros; Luis Illanes, José Delgado, Milton Tapia, Jorge Clunes y Wilson Godoy.
Por último, pero no menos importante, quisiera dar un real agradecimiento

a compañía minera Zaldívar, quien me dió la posibilidad de desarrollar el tema de
memoria que hoy me convierte en Ingeniero Civil Industrial en Minas, gracias por
la confianza depositada y por la amistad desinteresada, brindada estos 6 meses
de memoria, quiero agradecer particularmente al gerente general Robert Mayne-
Nicholls, al superintendente de mina Leonardo Gonzáles, al jefe general de mina
Ricardo Lizama, al jefe general de perforación y tronadura y chancado primario
Richard Palape, a mi tutor, colaborador y amigo Carlos Angel, además a diversos
supervisores; quienes me apoyaron, me dieron una palabra de aliento y me
instruyeron gracias a su experiencia; Mauricio Alday, Orestes Hernández,
Leonardo Cisternas, William Seura, Sergio Vega, José Cárcamo, Miguel Sagredo,
entre otros.
A todos ustedes sencillamente muchas gracias de corazón.
Atte. Wilson Cereceda Reyes.

Resumen del trabajo de título presentado a la Universidad de Antofagasta como
parte de los requisitos necesarios para la obtención del Título de Ingeniero Civil
Industrial en Minas.
MODELAMIENTO Y OPTIMIZACION DEL CONSUMO DE

COMBUSTIBLE EN COMPAÑÍA MINERA ZALDIVAR S.A.

Septiembre/2010
Profesor Guía: Luis Illanes Díaz, Ingeniero Civil de Minas U.T.E.

Palabras Clave: Modelamiento, Regresión Multivariable, Optimización
Número de páginas: 237
Resumen: El presente trabajo aborda el análisis y modelamiento del consumo

específico, mensual y anual de combustible en compañía minera Zaldívar S.A. es
por esto, que inicialmente se realizo un diagrama de Pareto, el cual nos revela,
que la flota de transporte, es el verdadero problema a la hora de estudiar e inferir
acerca del consumo de petróleo, con un 87,25% del total en los pocos vitales. Una
vez identificado el verdadero problema en la contribución del consumo de
combustible, se procede a establecer un modelo de consumo especifico para la
flota de transporte, a través de la regresión multivariable, la cual nos permite hacer
inferencias a variables relacionadas con la operación, desprendiéndose que
existen diferencias significativas en los diferentes tipos de operador a la hora de
explicar el consumo unitario de combustible. Como uno de los objetivos de este
tema de titulación es optimizar el consumo de combustible en el área mina, se
dedujo gracias al modelo especifico que podremos cuantificar un fuerte ahorro de
combustible, capacitando a los diferentes operadores que componen nuestra flota
de transporte, mejorando las practicas operacionales con ayuda de tecnología,
vale decir la compra de una sala de simulación la cual se justifica a través de
varios ahorros; cuantitativos como es el caso del ahorro de combustible y daños a
los equipos y cualitativos como es la disminución de la tasa de accidentabilidad y
mayor frecuencia de capacitación. La evaluación económica del simulador queda
respaldada por una alta rentabilidad en el tiempo. Ahora bien para realizar la
evaluaciones económicas debimos incurrir en al creación de modelos de
combustibles mensuales y anuales, que además nos sirven en la proyección en
nuestros presupuestos a través del BUDGET Y LOM.
Otro punto que tocamos en la optimización del combustible, es la

innovación, la cual va de la mano con la prueba de un producto ofrecido por una
empresa radicada en Norteamérica, dedicada a la investigación, desarrollo y venta
de aditivos para combustibles que benefician a la industria y protegen el medio
ambiente. En relación a su evaluación económica y la rentabilidad podemos acotar
que su utilidad es alta, debido básicamente a que la inversión realizada por el
aditivo es baja en comparación a los grandes beneficios monetarios que entrega al
ratificarse su ahorro de combustible. En cuanto a la sensibilización aplicada a los
precios unitarios del aditivo mas el combustible, se puede concluir que para
respetar el equilibrio económico, vale decir una utilidad igual a cero, el precio entre
combustible y aditivo no debe superar en ningún caso el 1,2 [US$/Lt], en caso
contrario incurriríamos en perdidas. Actualmente se manejan costos unitarios
aditivo más combustible de 0,6572 [US$/Lt] que hacen rentable el proyecto.
INDICE
LISTA DE FIGURAS ........................................................................................... XIX
LISTA DE TABLAS ............................................................................................ XXII
CAPITULO 1............................................................................................................1
INTRODUCCION Y OBJETIVOS ............................................................................1
1.1 INTRODUCCIÓN ............................................................................................1

1.2 OBJETIVO GENERAL .....................................................................................2
1.3 OBJETIVOS ESPECÍFICOS ..............................................................................3
1.4 IMPORTANCIA DEL ESTUDIO ..........................................................................4
1.5 ALCANCES Y LIMITACIONES DEL ESTUDIO .......................................................4
1.6 METODOLOGÍA DE TRABAJO ..........................................................................5
CAPITULO 2............................................................................................................6
ANTECEDENTES GENERALES COMPAÑÍA MINERA ZALDÍVAR......................6
2.1 RESUMEN HISTÓRICO ...................................................................................6

2.2 UBICACIÓN ..................................................................................................8
2.3 CLIMA .........................................................................................................9
2.4 ORGANIZACIÓN ..........................................................................................11
2.4.1 Política de gestión de medio ambiente, salud, seguridad y calidad ...............11
2.4.2 Organigrama ...................................................................................................13
2.5 GEOLOGÍA .................................................................................................15
2.5.1 Geología Regional ..........................................................................................15
2.5.2 Geología Local, Yacimiento Zaldívar ..............................................................16
2.5.3 Litología ..........................................................................................................18
2.5.4 Mineralización .................................................................................................20
2.5.5 Alteración........................................................................................................22
2.6 RESERVAS.................................................................................................23
2.7 SECUENCIA DE EXTRACCIÓN .......................................................................26
2.8 COSTOS EN GENERAL ................................................................................30
2.8.1 Costo de Capital .............................................................................................30
2.8.2 Costo de Capital Diferido................................................................................31
2.8.3 Costo Operacional ..........................................................................................31
2.8.4 Tributación ......................................................................................................31
2.9 INSUMOS BÁSICOS .....................................................................................32
2.9.1 Suministros de Agua.......................................................................................32
2.9.2 Fuentes de Energía ........................................................................................32
2.9.3 Consumo de Ácido .........................................................................................32
2.10 OPERACIÓN MINERA...................................................................................33
2.10.1 Perforación .....................................................................................................33
2.10.2 Tronadura .......................................................................................................34
2.10.3 Carguío ...........................................................................................................36
2.10.4 Transporte ......................................................................................................38
2.10.5 Operaciones Complementarias ......................................................................39
2.11 PROCESAMIENTO DE MINERALES .................................................................41
2.11.1 Chancado .......................................................................................................41
2.11.2 Lixiviación en pilas..........................................................................................43
2.11.3 Extracción por solventes.................................................................................44
2.11.4 Electro-obtención ............................................................................................45
CAPITULO 3..........................................................................................................47
RECOLECCION Y ANALISIS DE DATOS PARA EL CONSUMO DE

COMBUSTIBLE.....................................................................................................47
3.1 INTRODUCCIÓN ..........................................................................................47

3.2 CONSUMO DIESEL HISTÓRICO AÑO 2009 .....................................................48
3.2.1 Clasificación del consumo del petróleo en operación mina ............................48
3.2.2 Evolución del consumo de combustible año 2009..........................................49
3.2.3 Diagrama de Pareto........................................................................................50
3.3 INFORMACIÓN MENSUAL DE LOS KPI AÑO 2009............................................51
3.4 CONSUMO ESPECÍFICO DE COMBUSTIBLE ....................................................55
3.5 TIPOS DE MOTORES ...................................................................................58
3.5.1 Factores de Carga ..........................................................................................59
3.6 SISTEMA DE GESTIÓN DISPATCH .................................................................63
3.6.1 Kilometraje Recorrido .....................................................................................63
3.6.2 Tiempos ..........................................................................................................65
3.6.3 Cargas ............................................................................................................67
3.6.4 Toneladas Transportadas ...............................................................................68
CAPITULO 4..........................................................................................................70
REGRESIÓN MULTIVARIABLE ...........................................................................70
4.1 INTRODUCCIÓN ..........................................................................................70

4.2 EL MODELO DE REGRESIÓN MÚLTIPLE .........................................................70
4.2.1 Variable Dependiente (Y) ...............................................................................71
4.2.2 Variables Predictoras (xi) ................................................................................71
4.2.3 Interpretación del Intercepto (β0) ....................................................................71
4.2.4 Interpretación Pendientes Parciales (βj) .........................................................72
4.2.5 Modelo de Primer Orden ................................................................................73
4.2.5.1 Interacción .......................................................................................................... 73
4.2.5.2 Término de Error................................................................................................. 73
4.2.5.3 Modelo Lineal General........................................................................................ 75
4.3 ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN MÚLTIPLE .......................75
4.3.1 Residuos.........................................................................................................76
4.3.2 Suma de Cuadrados .......................................................................................76
4.3.2.1 Suma de Cuadrados de la regresión SC (regresión) ......................................... 77
4.3.2.2 Suma de Cuadrados de los residuos SC (residuos) .......................................... 78
4.3.3 Cuadrados medios..........................................................................................78
4.3.3.1 Cuadrados medios de los errores MC (residual)................................................ 79
4.3.4 Desviación Estándar Residual Se ...................................................................79
4.3.5 Coeficiente de Determinación R2 ....................................................................80
4.3.6 R2 (Ajustado)...................................................................................................80
4.3.7 R2 (pronosticada) ............................................................................................81
4.3.8 Colinealidad ....................................................................................................82
4.4 INFERENCIAS EN LA REGRESIÓN MÚLTIPLE ...................................................82
4.4.1 Prueba de hipótesis de que todos los coeficientes de regresión son ceros ...83
4.4.2 Error Estándar Estimado de βˆ j en una Regresión Múltiple .........................84
4.4.2.1 Efecto de Colinealidad........................................................................................ 84

4.4.3 Prueba de hipótesis de que cada coeficiente de regresión es cero ...............85
4.5 CONSTRUCCIÓN DE UN MODELO DE REGRESIÓN MÚLTIPLE ...........................86
4.5.1 Selección de las Posibles Variables Independientes......................................86
4.5.2 Colinealidad ....................................................................................................87
4.5.3 Matriz de Correlación......................................................................................88
4.6 ELECCIÓN DEL MODELO DE REGRESIÓN.......................................................88
4.6.1 Los métodos "stepwise"..................................................................................89
4.6.1.1 Método de eliminación hacia atrás (Backward Eliminación) .............................. 89
4.6.1.2 Método de Selección hacia adelante.................................................................. 90
4.6.1.3 Método Paso a Paso .......................................................................................... 90
4.6.2 Método de los mejores subconjuntos .............................................................90
4.6.2.1 El coeficiente de Determinación R2 .................................................................... 91
4.7 LAS HIPÓTESIS BÁSICAS DEL MODELO DE REGRESIÓN ..................................92
4.7.1 Hipótesis de Normalidad.................................................................................93
4.7.2 Hipótesis de Homocedasticidad .....................................................................95
4.7.3 Hipótesis de Independencia ...........................................................................97
4.7.3.1 Contraste de Durbin-Watson .............................................................................. 98
CAPITULO 5........................................................................................................100
APLICACIÓN DEL ANÁLISIS DE REGRESIÓN MÚLTIPLE AL CONSUMO

ESPECÍFICO DE COMBUSTIBLE ......................................................................100
5.1 INTRODUCCIÓN ........................................................................................100

5.2 DESCRIPCIÓN DEL ANÁLISIS ......................................................................101
5.2.1 Alcances .......................................................................................................101
5.3 SELECCIÓN DE LAS VARIABLES ..................................................................101
5.4 DETERMINACIÓN DEL MODELO DE REGRESIÓN MÚLTIPLE ............................103
5.4.1 Selección del Modelo de Regresión Múltiple ................................................104
5.4.1.1 Colinealidad ...................................................................................................... 104
5.4.1.2 Coeficiente de Determinación .......................................................................... 107
5.4.1.3 Estadístico Cp de Mallow ................................................................................. 107
5.4.1.4 Desviación Estándar......................................................................................... 108
5.4.1.5 Resultado.......................................................................................................... 108
5.5 ESTIMACIÓN DE LA DESVIACIÓN ESTÁNDAR RESIDUAL SE ............................109
5.5.1 SC (residual).................................................................................................109
5.5.2 MC (residual) ................................................................................................109
5.5.3 Desviación Estándar Residual Se .................................................................110
5.6 INFERENCIAS AL MODELO .........................................................................110
5.6.1 Prueba F de H0: β1 = β2 =... = βk = 0 .............................................................110
5.6.2 Error Estándar Estimado de βˆ j en el Modelo .............................................111
5.6.3 Intervalo de Confianza al 100(1-α) % para β p

...........................................111
5.6.4 Prueba t de H0: βj =0.....................................................................................112

5.7 VALIDACIÓN DE LAS HIPÓTESIS BÁSICAS DEL MODELO ................................113
5.7.1 Hipótesis de Normalidad...............................................................................113
5.7.1.1 Contrastes de Bondad de Ajuste...................................................................... 114
5.7.1.2 Gráficos de Normalidad ....................................................................................... 114
5.7.2 Hipótesis de Varianza Constante .................................................................117
5.7.2.1 El Gráfico de los Residuos Frente a las Predicciones ..................................... 117
5.7.3 Independencia de los Errores .......................................................................118
5.7.3.1 Estadístico Durbin-Watson ............................................................................... 118
5.8 VALIDACIÓN DE LAS PREDICCIONES ...........................................................119
CAPITULO 6........................................................................................................126
ANÁLISIS E INFERENCIAS A PARTIR DEL MODELO REGRESION

MULTIVARIABLE................................................................................................126
6.1 INTRODUCCIÓN ........................................................................................126
6.2 APORTE DE CADA VARIABLE AL MODELO ...................................................126
6.3 ESTUDIO DEL IMPACTO DE CADA VARIABLE DEL MODELO EN EL CONSUMO ....128
6.3.1 Análisis de los Tiempos de Ciclo ..................................................................129
6.4 ESTUDIO ESPECÍFICO DEL TIEMPO DE CICLO ..............................................132
6.4.1 Estudio de Tiempo de Ciclo de los Camiones ..............................................132
6.5 ANÁLISIS ANOVA ....................................................................................137
6.5.1 Introducción ..................................................................................................137
6.5.2 ANOVA de un solo factor..............................................................................137
6.5.3 ANOVA de un solo factor cuando los tamaños muéstrales son desiguales .138
6.5.3.1 El estadístico de prueba ................................................................................... 140
6.5.3.2 Las distribuciones F y la prueba F.................................................................... 141
6.5.3.3 Formulas de cómputo para ANOVA ................................................................. 142
6.5.4 Comparaciones múltiples cuando los tamaños muéstrales son desiguales.142
6.5.4.1 Procedimiento de Tukey (el método T) ............................................................ 143
6.5.5 Aplicación del análisis ANOVA a la prueba operacional en CMZ.................144
6.5.5.1 Estadística básica de los datos obtenidos........................................................ 145
6.5.5.2 Análisis de las hipótesis de la prueba .............................................................. 146
6.5.5.3 Suma Total de Cuadrados (SST) ..................................................................... 148
6.5.5.4 Cuadrados Medios............................................................................................ 149
6.5.5.5 La prueba F y su estadístico de prueba f ......................................................... 150
6.5.5.6 Comparaciones múltiples ................................................................................. 151
6.5.5.7 Impacto del tipo de operador en el consumo especifico de combustible......... 154
6.5.5.8 Plan de acción de acuerdo a las inferencias .................................................... 155
CAPITULO 7........................................................................................................159
CREACION Y VALIDACION DEL MODELO DE CONSUMO MENSUAL Y

ANUAL DE COMBUSTIBLE ...............................................................................159
7.1 INTRODUCCIÓN ........................................................................................159

7.2 INDICADORES SOBRE EL CONSUMO COMBUSTIBLE .......................................159
7.3 MODELO CONSUMO MENSUAL PROPUESTO ...............................................161
7.3.1 Tonelaje Mensual a Transportar ...................................................................161
7.3.2 Capacidad Efectiva del Camión....................................................................162
7.3.3 Distancias Promedios ...................................................................................162
7.3.4 Consumo Horario en Estaciones ..................................................................163
7.3.5 Tiempo de Ciclo desglosado en Estaciones .................................................164
7.3.6 Total de Ciclo por mes ..................................................................................165
7.3.7 Consumo por Ciclo .......................................................................................166
7.3.8 Consumo Mensual de Petróleo ....................................................................166
7.3.9 Kilometraje Total a Recorrer .........................................................................167
7.3.10 Horas Operativas Mensuales .......................................................................167
7.3.11 Gasto por Combustible Mensual...................................................................167
7.4 VALIDACIÓN DEL MODELO .........................................................................168
7.5 PROYECCIÓN CONSUMO COMBUSTIBLE MENSUAL AÑO 2010 ......................171
7.5.1 Tonelaje Mensual a Transportar ...................................................................171
7.5.2 Capacidad Efectiva del Camión....................................................................171
7.5.3 Distancias Promedios ...................................................................................172
7.5.4 Consumo Horario en Estaciones ..................................................................173
7.5.5 Tiempo de Ciclo desglosado en Estaciones .................................................173
7.5.6 Proyección Año 2010 Según Modelo Creado...............................................174
7.6 MODELO CONSUMO ANUAL PROPUESTO ....................................................176
7.6.1 Tonelaje Anual a Transportar .......................................................................176
7.6.2 Disponibilidad de los Camiones....................................................................177
7.6.3 Utilización de los Camiones..........................................................................177
7.6.4 Números de Camiones en Operación ..........................................................178
7.6.5 Fundamentación Indicador [Lts/Ton*Hrs. Op.]..............................................179
7.6.6 Horas Operativas Anuales ............................................................................179
7.6.7 Consumo Mensual de Petróleo ....................................................................180
7.7 VALIDACIÓN DEL MODELO .........................................................................180
7.8 PROYECCIÓN CONSUMO COMBUSTIBLE SEGÚN LOM 2011 .........................181
7.8.1 Tonelaje Anual a Transportar .......................................................................181
7.8.2 Disponibilidad de los Camiones....................................................................182
7.8.3 Utilización de los Camiones..........................................................................183
7.8.4 Números de Camiones en Operación ..........................................................184
7.8.5 Proyección de combustible según LOM 2011-2026 .....................................186
CAPITULO 8........................................................................................................187
OPTIMIZACION DEL CONSUMO DE COMBUSTIBLE EN MINA ZALDIVAR...187
8.1 INTRODUCCIÓN ........................................................................................187

8.2 PLAN DE ACCIÓN ......................................................................................188
8.3 TPX TOTAL POWER .................................................................................189
8.3.1 Descripción de la empresa ...........................................................................189
8.3.2 Descripción del aditivo ..................................................................................189
8.3.2.1 Beneficios del aditivo ........................................................................................ 191
8.3.2.2 Propiedades químicas y físicas ........................................................................ 191
8.3.3 Procedimientos de aplicación del aditivo ......................................................192
8.3.3.1 Elaboración de la línea base ............................................................................ 192
8.3.3.2 Resumen de Reportes Semanales Sin Aditivo................................................. 192
8.3.3.3 Manejo del aditivo............................................................................................. 194
8.3.3.4 Resultados de la aplicación del aditivo............................................................. 194
8.3.3.5 Resumen de Reportes Semanales Con Aditivo ............................................... 195
8.3.4 Análisis de resultados...................................................................................197
8.3.5 Análisis en condiciones similares .................................................................199
8.3.6 Evaluación Económica .................................................................................200
8.3.6.1 Indicadores Económicos................................................................................... 201
8.3.6.2 Evaluación Económica del Proyecto Aditivo TPx............................................. 204
8.3.6.3 Sensibilización del flujo de caja con respecto al precio del combustible más
aditivo ……………………………………………………………………………………… .. 206
8.4 SIMULADOR CON EQUIPO DE AVANZADA (EA).............................................207
8.4.1 Descripción de la empresa ...........................................................................207
8.4.2 Descripción General del Simulador ..............................................................208
8.4.2.1 Alianzas con fabricantes de equipos originales ............................................... 209
8.4.2.2 Aceptación de la industria. Presencia en el mercado ...................................... 210
8.4.2.3 Asistencia integral al cliente ............................................................................. 211
8.4.2.4 Amplia variedad de productos .......................................................................... 211
8.4.2.5 Precisión insuperable en la simulación ............................................................ 212
8.4.2.6 Un compromiso único de servicio..................................................................... 212
8.4.3 Elementos clave de la propuesta..................................................................214
8.4.3.1 Simulador de base (AES II) .............................................................................. 214
8.4.3.2 Kits de conversión (modelos de equipos)......................................................... 214
8.4.3.3 Paquete de Asistencia al Cliente...................................................................... 214
8.4.4 Evaluación Económica .................................................................................215
8.4.4.1 Evaluación Económica del Simulador AE para capacitación ........................... 215
8.4.4.2 Sensibilización del flujo de caja con respecto al ahorro de combustible ......... 217
CAPITULO 9........................................................................................................219
CONCLUSIONES Y RECOMENDACIONES.......................................................219
9.1 CONCLUSIONES EN RELACIÓN AL MODELO DEL CONSUMO ESPECÍFICO DE

COMBUSTIBLE Y SUS RESPECTIVOS ANÁLISIS. ........................................................219
9.2 CONCLUSIONES EN RELACIÓN CON EL MODELO DE CONSUMO MENSUAL DE

COMBUSTIBLE .....................................................................................................221
9.3 CONCLUSIONES EN RELACIÓN CON EL MODELO DE CONSUMO ANUAL DE

COMBUSTIBLE .....................................................................................................222
9.4 CONCLUSIONES EN RELACIÓN A PLANES DE DISMINUCIÓN DE COMBUSTIBLE EN LA

FLOTA DE TRANSPORTE .......................................................................................223
9.4.1 Aditivo TPx....................................................................................................223

9.4.2 Sala de Simulación para capacitaciones ......................................................224
9.5 RECOMENDACIONES .................................................................................225
9.5.1 Modelo de consumo especifico de combustible ...........................................225
9.5.2 Modelos de consumo mensual y anual de combustible ...............................226
9.5.3 Aditivo TPx....................................................................................................226
9.5.4 Sala de Simulación .......................................................................................226
ANEXOS..............................................................................................................227
REFERENCIAS BIBLIOGRAFICAS ...................................................................237

xix
LISTA DE FIGURAS
FIGURA 2.1: PLANO DE UBICACIÓN DEL YACIMIENTO ZALDIVAR. ......................................9

FIGURA 2.2: ORGANIGRAMA DE C.M.Z.......................................................................14
FIGURA 2.3: MAPA GEOLÓGICO REGIONAL DEL YACIMIENTO ZALDÍVAR. .........................16
FIGURA 2.4: GEOLOGÍA LOCAL DEL YACIMIENTO ZALDÍVAR...........................................17
FIGURA 2.5: LITOLOGÍA DEL YACIMIENTO ZALDÍVAR.....................................................20
FIGURA 2.6: DOMINIOS ESTRUCTURALES DEL YACIMIENTO ZALDÍVAR. ...........................26
FIGURA 2.7: SECUENCIA DE EXTRACCIÓN POR ETAPAS PARA ALCANZAR EL PIT FINAL......28
FIGURA 2.8: DIAGRAMA DEL PIT FINAL SEGÚN EL ACTUAL PLAN DE MINA. .......................28
FIGURA 2.9: LÍMITE DE LA PROPIEDAD DE C.M.Z. ........................................................29
FIGURA 2.11: ILUSTRACIÓN DE UN CAMIÓN DE CARGUÍO DE EXPLOSIVOS ORICA.............35
FIGURA 2.12: SECUENCIAMIENTO SEGUIDO PARA UNA TRONADURA. .............................36
FIGURA 2.13: ILUSTRACIÓN DE UNA PALA CABLE P&H 4100A ......................................37
FIGURA 2.14: ILUSTRACIÓN DE UN CARGADOR FRONTAL MARATHON LETOURNEAU L 1800.
........................................................................................................................38
FIGURA 2.15: ILUSTRACIÓN DE UN EQUIPO DE TRANSPORTE, HAULPAK DRESSER 830E. 39
FIGURA 2.16: ILUSTRACIÓN DE UN BULLDOZER EJECUTANDO OPERACIÓN DE APOYO......41
FIGURA 2.17: FLOW SHEET C.M.Z. ...........................................................................46
FIGURA 46 [(.0.18 273.063Tm[L 27.72 273.0601(ADO)-7(R)1I3Tc 12 0 0 12 507.6599 112 0 0 12 507.6599 112 0 0 12
xxiv
TABLA 7.7: CONSUMO PETRÓLEO MENSUAL CALCULADO V/S REAL ..............................169

TABLA 7.8: ERROR PROMEDIO DE PREDICCIÓN PARA EL ALCANCE DE INVESTIGACIÓN ...170
TABLA 7.9: TONELAJES MENSUALES A TRANSPORTAR SEGÚN PLAN MINERO .................171
TABLA 7.10: DISTANCIAS PROMEDIOS MENSUALES ENERO 10- DICIEMBRE 10 .............172
TABLA 7.11: CONSUMOS HORARIOS PARA LAS 6 ESTACIONES ....................................173
TABLA 7.12: TIEMPOS DE CICLOS PROYECTADOS SEGÚN PLAN MINERO .......................173
TABLA 7.13: TONELAJE ANUAL A TRANSPORTAR AÑO 2010 ........................................176
TABLA 7.13: DISPONIBILIDAD ANUAL 2010................................................................177
TABLA 7.16: UTILIZACIÓN ANUAL 2010.....................................................................178
TABLA 7.16: NUMERO CAMIONES NECESARIOS AÑO 2010.........................................178
TABLA 7.17: FUNDAMENTACIÓN INDICADOR ..............................................................179
TABLA 7.18: ERROR DE PREDICCIÓN DEL CONSUMO DE COMBUSTIBLE ANUAL ..............180
TABLA 7.19: TONELAJE ANUAL A TRANSPORTAR SEGÚN LOM (2011-2026) ................182
TABLA 7.20: DISPONIBILIDAD PREPARADA SEGÚN LOM 2011-2026 ...........................183
TABLA 7.21: UTILIZACIÓN PROGRAMADA SEGÚN LOM (2011-2026) ...........................184
TABLA 7.16: NUMERO CAMIONES NECESARIOS SEGÚN LOM (2011-2026).................185
TABLA 7.17: PROYECCIÓN ANUAL DE COMBUSTIBLE SEGÚN LOM 2011-2026 .............186
TABLA 8.1: DESCRIPCIÓN FÍSICA Y QUÍMICA DEL ADITIVO ............................................191
TABLA 8.2: REPORTE RENDIMIENTO Y PRODUCTIVIDAD DE 54 TURNOS S/ADITIVO ........193
TABLA 8.3: REPORTE RENDIMIENTO Y PRODUCTIVIDAD DE 56 TURNOS C/ADITIVO ........196
TABLA 8.3: EVALUACIÓN ECONÓMICA DEL ADITIVO TPX.............................................205
TABLA 8.4: SENSIBILIZACIÓN DEL FLUJO DE CAJA C/R AL PRECIO DEL COMBUSTIBLE Y
ADITIVO ..........................................................................................................206
TABLA 8.5: EVALUACIÓN ECONÓMICA DEL SIMULADOR PARA CAPACITACIONES ............216
TABLA 8.6: SENSIBILIZACIÓN DEL FLUJO DE CAJA CON RESPECTO AL AHORRO DE
COMBUSTIBLE .................................................................................................218
1
Capitulo 1 – Introducción y Objetivos

------------------------------------------------------------------------------------------------------------------------------------
CAPITULO 1
INTRODUCCION Y OBJETIVOS
1.1 Introducción
Debido a lo competitiva que se ha transformado la actividad minera en el

ámbito mundial, hace que Compañía Minera Zaldívar no se quede atrás e impulse
una serie de investigaciones y metas a lograr, para cada una de sus áreas.
Dentro de esas investigaciones se encuentra inserto el mejoramiento

continuo de los insumos para obtener el mejor rendimiento y uso de ellos.
El siguiente trabajo de titulación da a conocer los aspectos más relevantes

del Proyecto Memoria: “Modelamiento y Optimización del consumo de combustible
en Compañía Minera Zaldívar”, su realización está asociado al enfoque de
negocio, el mejoramiento continuo del consumo de los insumos y una política de
gestión que se lleva a cabo en CMZ. Para conseguir estos objetivos se cuenta con
una serie de herramientas de gestión y control siendo la principal de estas, el
Sistema Dispatch que actualmente se utiliza en el área de Despacho. Esta cumple
un rol relevante, ya que debe interactuar con diversas áreas de la organización,
generando una información unificada que proporcione una base para la toma de
decisiones acertadas y en tiempo real.
En resumen, esta memoria de título está orientada a asegurar un mejor

manejo de los insumos, particularmente el combustible en el área mina, de
manera de minimizar los consumos, sin poner en juego la producción, y
consecuentemente reducir los costos de operación. Se procederá realizando dos
1
2

------------------------------------------------------------------------------------------------------------------------------------
estudios complementarios; el primero consiste en generar un modelo que permita

predecir con cierto grado de veracidad los consumos específicos, mensuales y
anuales de combustible en el área mina, mas precisamente en la clasificación de
la flota de transporte, con esto podremos analizar e inferir acerca de las variables
que más influyen en el consumo del combustible y tener un rastreo continuo y una
explicación de la razón por la que se consumen las cantidades de combustible
presupuestadas, lo anterior se realiza con el fin de mejorar el rendimiento de los
equipos en el área mina. El segundo estudio, consiste en reducir a través de
pruebas e innovaciones tecnológicas, la cantidad de combustible que se maneja
actualmente, todo esto con el fin de mejorar los costos de operación además de
incurrir indirectamente en una reducción de las emisiones de gases contaminantes
para nuestro medio ambiente, mejorando la eficiencia de la combustión.
Finalmente esta investigación forma parte de los requisitos establecidos

por la Universidad de Antofagasta para optar al Título Profesional de Ingeniero
Civil Industrial en Minas.
1.2 Objetivo General
Realizar un análisis y modelamiento del consumo de combustible, en base

a variables claves que intervienen en el área de operaciones mina,
específicamente las que dependen de la gestión dispatch. Con este análisis se
busca determinar, cual o cuales de las variables contribuyen, con un mayor
impacto, a la hora de calcular el consumo de combustible.
En complemento del análisis, se trabajará con experimentos que puedan

mejorar el consumo de combustible.
2
3

------------------------------------------------------------------------------------------------------------------------------------
Con esto se pretende cumplir con los objetivos planteados por Compañía
Minera Zaldívar:
¾ Minimizar el consumo de combustible, no poniendo en juego la

producción.
¾ Reducir los Costos de Operación.
1.3 Objetivos Específicos
Entregar un modelo del consumo de combustible específico [Lts/Hr], a

través de una regresión multivariable, la cual nos permita analizar y hacer
inferencias sobre las variables que las componen, identificando el impacto de cada
una de ellas en el gasto de combustible.
Entregar un modelo de consumo mensual, el cual nos ayude a proyectar

los gastos de combustible según BUDGET correspondiente al año en curso y que
intervengan solamente variables que se puedan obtener directamente del área
mina.
Entregar un modelo de consumo anual, el cual nos permita programar los

gastos de combustible según LOM (Life of Mine) y al igual que el modelo de
consumo mensual, que puedan intervenir solamente variables relacionadas al área
de mina.
Mejorar en un delta positivo el consumo de combustible actual para fechas

posteriores, a través de pruebas e innovaciones tecnológicas, las cuales
favorecerán directamente los costos de operación e indirectamente disminuirán las
emisiones de gases contaminantes para nuestro medio ambiente.
3
xxiv
TABLA 7.7: CONSUMO PETRÓLEO MENSUAL CALCULADO V/S REAL ..............................169

TABLA 7.8: ERROR PROMEDIO DE PREDICCIÓN PARA EL ALCANCE DE INVESTIGACIÓN ...170
TABLA 7.9: TONELAJES MENSUALES A TRANSPORTAR SEGÚN PLAN MINERO .................171
TABLA 7.10: DISTANCIAS PROMEDIOS MENSUALES ENERO 10- DICIEMBRE 10 .............172
TABLA 7.11: CONSUMOS HORARIOS PARA LAS 6 ESTACIONES ....................................173
TABLA 7.12: TIEMPOS DE CICLOS PROYECTADOS SEGÚN PLAN MINERO .......................173
TABLA 7.13: TONELAJE ANUAL A TRANSPORTAR AÑO 2010 ........................................176
TABLA 7.13: DISPONIBILIDAD ANUAL 2010................................................................177
TABLA 7.16: UTILIZACIÓN ANUAL 2010.....................................................................178
TABLA 7.16: NUMERO CAMIONES NECESARIOS AÑO 2010.........................................178
TABLA 7.17: FUNDAMENTACIÓN INDICADOR ..............................................................179
TABLA 7.18: ERROR DE PREDICCIÓN DEL CONSUMO DE COMBUSTIBLE ANUAL ..............180
TABLA 7.19: TONELAJE ANUAL A TRANSPORTAR SEGÚN LOM (2011-2026) ................182
TABLA 7.20: DISPONIBILIDAD PREPARADA SEGÚN LOM 2011-2026 ...........................183
TABLA 7.21: UTILIZACIÓN PROGRAMADA SEGÚN LOM (2011-2026) ...........................184
TABLA 7.16: NUMERO CAMIONES NECESARIOS SEGÚN LOM (2011-2026).................185
TABLA 7.17: PROYECCIÓN ANUAL DE COMBUSTIBLE SEGÚN LOM 2011-2026 .............186
TABLA 8.1: DESCRIPCIÓN FÍSICA Y QUÍMICA DEL ADITIVO ............................................191
TABLA 8.2: REPORTE RENDIMIENTO Y PRODUCTIVIDAD DE 54 TURNOS S/ADITIVO ........193
TABLA 8.3: REPORTE RENDIMIENTO Y PRODUCTIVIDAD DE 56 TURNOS C/ADITIVO ........196
TABLA 8.3: EVALUACIÓN ECONÓMICA DEL ADITIVO TPX.............................................205
TABLA 8.4: SENSIBILIZACIÓN DEL FLUJO DE CAJA C/R AL PRECIO DEL COMBUSTIBLE Y
ADITIVO ..........................................................................................................206
TABLA 8.5: EVALUACIÓN ECONÓMICA DEL SIMULADOR PARA CAPACITACIONES ............216
TABLA 8.6: SENSIBILIZACIÓN DEL FLUJO DE CAJA CON RESPECTO AL AHORRO DE
COMBUSTIBLE .................................................................................................218
1

------------------------------------------------------------------------------------------------------------------------------------
CAPITULO 1
INTRODUCCION Y OBJETIVOS
1.1 Introducción
Debido a lo competitiva que se ha transformado la actividad minera en el

ámbito mundial, hace que Compañía Minera Zaldívar no se quede atrás e impulse
una serie de investigaciones y metas a lograr, para cada una de sus áreas.
Dentro de esas investigaciones se encuentra inserto el mejoramiento

continuo de los insumos para obtener el mejor rendimiento y uso de ellos.
El siguiente trabajo de titulación da a conocer los aspectos más relevantes

del Proyecto Memoria: “Modelamiento y Optimización del consumo de combustible
en Compañía Minera Zaldívar”, su realización está asociado al enfoque de
negocio, el mejoramiento continuo del consumo de los insumos y una política de
gestión que se lleva a cabo en CMZ. Para conseguir estos objetivos se cuenta con
una serie de herramientas de gestión y control siendo la principal de estas, el
Sistema Dispatch que actualmente se utiliza en el área de Despacho. Esta cumple
un rol relevante, ya que debe interactuar con diversas áreas de la organización,
generando una información unificada que proporcione una base para la toma de
decisiones acertadas y en tiempo real.
En resumen, esta memoria de título está orientada a asegurar un mejor

manejo de los insumos, particularmente el combustible en el área mina, de
manera de minimizar los consumos, sin poner en juego la producción, y
consecuentemente reducir los costos de operación. Se procederá realizando dos
1
2

------------------------------------------------------------------------------------------------------------------------------------
estudios complementarios; el primero consiste en generar un modelo que permita

predecir con cierto grado de veracidad los consumos específicos, mensuales y
anuales de combustible en el área mina, mas precisamente en la clasificación de
la flota de transporte, con esto podremos analizar e inferir acerca de las variables
que más influyen en el consumo del combustible y tener un rastreo continuo y una
explicación de la razón por la que se consumen las cantidades de combustible
presupuestadas, lo anterior se realiza con el fin de mejorar el rendimiento de los
equipos en el área mina. El segundo estudio, consiste en reducir a través de
pruebas e innovaciones tecnológicas, la cantidad de combustible que se maneja
actualmente, todo esto con el fin de mejorar los costos de operación además de
incurrir indirectamente en una reducción de las emisiones de gases contaminantes
para nuestro medio ambiente, mejorando la eficiencia de la combustión.
Finalmente esta investigación forma parte de los requisitos establecidos

por la Universidad de Antofagasta para optar al Título Profesional de Ingeniero
Civil Industrial en Minas.
1.2 Objetivo General
Realizar un análisis y modelamiento del consumo de combustible, en base

a variables claves que intervienen en el área de operaciones mina,
específicamente las que dependen de la gestión dispatch. Con este análisis se
busca determinar, cual o cuales de las variables contribuyen, con un mayor
impacto, a la hora de calcular el consumo de combustible.
En complemento del análisis, se trabajará con experimentos que puedan

mejorar el consumo de combustible.
2
3

------------------------------------------------------------------------------------------------------------------------------------
Con esto se pretende cumplir con los objetivos planteados por Compañía
Minera Zaldívar:
¾ Minimizar el consumo de combustible, no poniendo en juego la

producción.
¾ Reducir los Costos de Operación.
1.3 Objetivos Específicos
Entregar un modelo del consumo de combustible específico [Lts/Hr], a

través de una regresión multivariable, la cual nos permita analizar y hacer
inferencias sobre las variables que las componen, identificando el impacto de cada
una de ellas en el gasto de combustible.
Entregar un modelo de consumo mensual, el cual nos ayude a proyectar

los gastos de combustible según BUDGET correspondiente al año en curso y que
intervengan solamente variables que se puedan obtener directamente del área
mina.
Entregar un modelo de consumo anual, el cual nos permita programar los

gastos de combustible según LOM (Life of Mine) y al igual que el modelo de
consumo mensual, que puedan intervenir solamente variables relacionadas al área
de mina.
Mejorar en un delta positivo el consumo de combustible actual para fechas

posteriores, a través de pruebas e innovaciones tecnológicas, las cuales
favorecerán directamente los costos de operación e indirectamente disminuirán las
emisiones de gases contaminantes para nuestro medio ambiente.
3
4

------------------------------------------------------------------------------------------------------------------------------------
Finalmente entregar una evaluación, recomendaciones y conclusiones

pertinentes a lo aportado dentro del área.
1.4 Importancia del Estudio
Para Compañía Minera Zaldívar, el estudio realizado es relevante debido;

a la elaboración de una proyección detallada del consumo de combustible,
permitirá contar, con más y mejor información de la que se dispone actualmente.
Con lo anterior; gestión y control dispatch podrá establecer comparaciones y
seguimiento de las proyecciones que tiene al respecto en el plan de mina.
1.5 Alcances y Limitaciones del Estudio
Los principales alcances de este estudio son:
La data utilizada en este estudio, es a partir del 01 de Enero del 2009 al 31

de Diciembre del 2009, gracias al almacenamiento de datos propuesto por el
sistema dispatch.
La estimación del modelo de regresión múltiple, aplicado al consumo

específico de combustible se realizó con el software Minitab 15 contrastando y
respaldando los resultados con el software Statgraphics 5.1.
En lo que concierne a las limitaciones, se tiene que:
Barrick Gold Corporation posee una política de privacidad especial con

respecto a los costos, por lo que este estudio se limitará solamente al aspecto de
modelamiento y mejoramiento del consumo de combustible y sus resultados se
4
5

------------------------------------------------------------------------------------------------------------------------------------
verán reflejados solamente en los litros a consumir o en su peor caso, unos

precios ficticios.
1.6 Metodología de Trabajo
Finalmente, la metodología de trabajo aplicada a este estudio se conforma

de la siguiente manera:
¾ Antecedentes Generales de C.M.Z., la cual incluye políticas de la

empresa, geología y reservas de la mina, operaciones mineras y
procesamiento de mineral.
¾ Recolección y Análisis de datos para el consumo de combustible,

utilizando el sistema DISPATCH.
¾ Análisis e Inferencias a partir de un modelo de regresión multivariable

aplicado al consumo especifico de combustible.
¾ Creación y Validación del modelo de consumo mensual y proyección anual

según LOM, con parámetros ajustados según los requerimientos de la
operación minera.
¾ Análisis de los resultados obtenidos, conclusiones y recomendaciones

respecto al estudio presentado.
5
6
Capitulo 2: Antecedentes Generales Compañía Minera Zaldívar

------------------------------------------------------------------------------------------------------------------------------------
CAPITULO 2
ANTECEDENTES GENERALES COMPAÑÍA MINERA

ZALDÍVAR.
2.1 Resumen Histórico
A fines de 1989, Outokumpu OY de Finlandia adquirió la propiedad minera

Zaldívar para posteriormente, en 1990, iniciar los trabajos geológicos,
metalúrgicos y de exploración de recursos hídricos. Lo anterior permitió a
Outokumpu OY ampliar significativamente la reserva minera, decidir los
procedimientos metalúrgicos y dotar al proyecto de agua industrial necesaria para
su operación. A mediados de 1992, el proyecto alcanzó el nivel de confiabilidad
necesario, gracias a un estudio de factibilidad que incluyó además, el respectivo
estudio de impacto ambiental.
En diciembre de 1992, Outokumpu Copper Resources anunció la

formación de una empresa denominada Compañía Minera Zaldívar (C.M.Z),
llevando a cabo un Joint Venture con Placer Dome Inc. (50%/50%). En noviembre
de 1993, comenzó la construcción de sus instalaciones.
En abril de 1995 comenzó un período de "marcha blanca" en la

producción, que culmina con la obtención del primer cátodo el 7 de junio del
mismo año, día establecido como de auténtico nacimiento de la empresa. Luego, a
mediados de 1995, las primeras mil toneladas de cátodos de cobre de alta pureza
partieron desde el puerto de Antofagasta con destino a Japón y un mes después,
800 toneladas fueron embarcadas a Italia.
6
7

------------------------------------------------------------------------------------------------------------------------------------
A fines de 1996 fueron producidas alrededor de 80.000 toneladas de

cátodos de cobre, esperándose alcanzar durante el segundo semestre de 1997, la
máxima capacidad de producción de 125.000 toneladas al año.
En diciembre de 1999 Placer Dome obtiene la propiedad total de la Mina

Zaldívar, adquiriendo el 50% de la participación de Outokumpu, por US$ 251
millones.
En enero del 2000 se confirma la prolongación en cinco años más de la vida

útil de la mina, hasta el 2024, esto es debido al incremento de las reservas de cobre
fino en un 35 por ciento respecto al registro de reservas existentes a 1998. Esto
radica en la primera campaña de sondajes efectuada en 1999 en el marco de un
programa de optimización de recursos que esta desarrollando la Superintendencia
de Minas, además debido a los buenos resultados se decidió para el año 2000 hacer
la totalidad del programa de sondajes que sé tenia planificado en cuatro años con el
propósito de identificar y confirmar los recursos de mineral del deposito.
En enero del 2006 Barrick Gold compra el 80% a Placer Dome incluida
Compañía Minera Zaldívar, siendo ésta última la única mina de cobre explotada
actualmente por Barrick Gold.
Con la adquisición de Placer Dome, las reservas combinadas de oro

probadas y probables de Barrick han aumentado a 139 millones de onzas (41
millones provienen de Sudamérica) y los recursos de oro medidos e indicados a
55 millones de onzas, donde el aporte del Cono Sur alcanza a cinco millones de
onzas.
7
8

------------------------------------------------------------------------------------------------------------------------------------
También existen reservas de cobre probadas y probables de 6.200

millones de libras y recursos de cobre medidos e indicados de 1.200 millones de
libras.
Específicamente en la Región Sudamérica, existen cinco motores que

impulsan a Barrick: Pierina, Lagunas Norte, Veladero, Zaldívar y próximamente
Pascua–Lama. Todo este conjunto de operaciones será fundamental para lograr el
objetivo de ser la compañía productora de oro número uno del mundo, ese
objetivo es general ya que todas las empresas pertenecientes a Barrick son de oro
incluyendo el nuevo proyecto Pascua-Lama, siendo solamente los productores de
Cobre Zaldívar, además ser los únicos en Barrick de extraer Cobre aportan con
20% de las ganancias totales de Barrick.
En la actualidad C.M.Z. produce alrededor de 145.000 toneladas de cobre

fino por año.
2.2 Ubicación
El yacimiento Zaldívar se encuentra emplazado en la segunda región de

Chile, margen occidental de la cordillera de Domeyko (pre-cordillera de los Andes),
específicamente entre los paralelos 24º12'30" S y 69º04' W y a una altura
promedio de 3.300 m.s.n.m. Además, este yacimiento se ubica a 1.400 kilómetros
al norte de la ciudad de Santiago, a 175 kilómetros al sur-este de la ciudad de
Antofagasta y a sólo 5 kilómetros al norte de las operaciones de Minera Escondida
Limitada (M.E.L).
El acceso al yacimiento Zaldívar se realiza a través de una carretera

pavimentada de 160 kilómetros, terminada de construir a mediados de 1995 y
8
9

------------------------------------------------------------------------------------------------------------------------------------
mantenida por M.E.L y C.M.Z. Cabe destacar que en la zona también existe el
circuito ferroviario Antofagasta (Chile) – Salta (Argentina) y un aeródromo de tierra
mejorada construido y mantenido por M.E.L. Lo anterior se ilustra en la Figura 2.1:
Zaldivar Norte Project Location
Cam in
o M in
a5 s al #Gaby Sur
Rut
B-28 Highway
R
ut
a
La Negra
de
La
M
in
e
r ía
# Zaldivar
#
Escondida
Legend
Properties
Joint Venture Properties 2005
0 25 50 100 Placer Dome Properties 2005
Kilometers
FIGURA 2.1: PLANO DE UBICACIÓN DEL YACIMIENTO ZALDIVAR.
2.3 Clima
La segunda región de Chile está inserta en una zona definida como de

tendencia desértica, paisaje típico de zonas áridas, producto de la ausencia casi
total de precipitaciones. Particularmente, el yacimiento Zaldívar se encuentra
9
10

------------------------------------------------------------------------------------------------------------------------------------
dentro del clima desértico interior, el cual abarca prácticamente toda la depresión
intermedia y constituye el desierto en toda su expresión. En esta zona se
presentan cielos claros con una humedad relativa muy reducida.
C.M.Z. ha instalado una estación meteorológica para la recolección de

datos, la cual está ubicada en las coordenadas U.T.M. (7.321.377,043 Norte;
492.344,119 Este), a una altura de 3.176 m.s.n.m. y opera desde Mayo de 1991.
En esta estación se registra en forma regular información de temperatura,
dirección y velocidad del viento, radiación solar, precipitaciones y evaporación.
La extrema aridez de esta zona es causada por la falta de humedad en las

masas de aire, las que en promedio sólo alcanzan el 19,1% y como máximo llegan
a los 37,8%. Este fenómeno produce grandes variaciones de temperatura entre el
día y la noche. Las temperaturas extremas pueden variar entre mínimas de -16 ºC
en invierno y máximas de 25 ºC en verano, según se ha registrado en la estación
meteorológica Zaldívar.
Los vientos por lo general se levantan en la tarde desde los cuadrantes

oeste y noroeste y soplan con una intensidad moderada de 30 a 32
kilómetros/hora. Además, existen vientos poco frecuentes del orden de los 100
kilómetros/hora, los cuales son provocados por frentes de alta energía generados
en el altiplano.
Las precipitaciones son insignificantes, sin alcanzar los 10 milímetros

anuales. Esto redunda en una casi nula vegetación existente en la zona. Cabe
destacar, que los escasos recursos de agua que existen, se originan
principalmente de nieve derretida que se infiltra para reaparecer en forma de
pequeños riachuelos.
10
11

------------------------------------------------------------------------------------------------------------------------------------
2.4 Organización
Actualmente las compañías que pretenden ser un referente mundial en la

actividad minera, deben mantener a todos sus empleados absolutamente
involucrados y convencidos de la esencia de la empresa. Por esta razón C.M.Z.
decidió realizar una declaración de principios sobre la base del establecimiento de
tres pilares fundamentales que la representan: Política de gestión de medio
ambiente, salud, seguridad y calidad de Barrick Zaldívar.
2.4.1 Política de gestión de medio ambiente, salud, seguridad y calidad
Compañía minera Zaldívar, empresa de la corporación Barrick Gold, con

actividades productivas en la región de Antofagasta de Chile, produce cátodos y
concentrados de cobre, mediante un proceso hidrometalúrgico; comercializando
estos productos en los mercados nacionales e internacionales.
Declara que acorde con su visión, misión y valores, se compromete a dar

cumplimiento a los siguientes principios:
¾ Cumplir con los requisitos y mejorar continuamente la eficacia de los

sistemas de gestión de la organización, maximizando la continuidad y
efectividad operacional, considerando en sus planes y programas, del
desempeño ambiental, de la salud y seguridad, responsabilidad social y de
la calidad.
¾ Promover una comunicación abierta y transparente con la comunidad, los

trabajadores, proveedores, clientes, autoridades y accionistas, a través de
los canales de comunicación adecuado.
11
12

------------------------------------------------------------------------------------------------------------------------------------
¾ Cumplir con la legislación vigente, compromisos contractuales y

compromisos voluntariamente adquiridos en materias ambientales, de
seguridad, salud y calidad.
¾ Gestionar adecuadamente los peligros y aspectos ambientales de sus

actividades, productos y servicios, con el propósito de proteger la salud de
los trabajadores, quienes trabajan en su nombre, visitas, y todos quienes
ingresan a faena, el cuidado y preservación del medio ambiente y los
recursos de la organización.
¾ Prevenir la contaminación y hacer uso eficiente de los recursos naturales e

insumos que utiliza en su gestión productiva.
¾ Incentivar el desarrollo de los talentos en los trabajadores y quienes

trabajan en su nombre, mediante capacitación, entrenamiento, igualdad de
oportunidades y trabajo en equipo.
¾ Promover que ninguna meta de producción y costo, justifica la exposición

a peligros de los trabajadores, daños al medio ambiente y trasgresión a las
leyes vigentes y los estándares técnicos.
La gerencia general de minera Zaldívar requiere, de cada uno de sus

trabajadores y colaboradores, hacer propia y comprometerse con el cumplimiento
de esta política, a través de su liderazgo, ejemplo y actitud positiva.
12
13

------------------------------------------------------------------------------------------------------------------------------------
2.4.2 Organigrama
En C.M.Z. existe una estructura organizacional bastante plana, compuesta

por 3 Gerencias (Operaciones, Administración y Finanzas, Comercial), de las
cuales dependen 6 Superintendencias (Mina, Planta, Mantención, Servicios
Técnicos, Desarrollo Sustentable, Recursos Humanos). La Figura 2.2 muestra las
distintas áreas y departamentos que conforman C.M.Z.
13
14

------------------------------------------------------------------------------------------------------------------------------------
FIGURA 2.2: ORGANIGRAMA DE C.M.Z
14
15

------------------------------------------------------------------------------------------------------------------------------------
2.5 Geología
2.5.1 Geología Regional
El yacimiento Zaldívar corresponde a un depósito de cobre porfídico y

forma parte de un gran sistema de yacimientos cupríferos terciarios que incluye el
pórfido cuprífero de Escondida. Este complejo porfídico ocurre dentro del sistema
estructural de la gran Falla Oeste, que controla la mayoría de los depósitos de
pórfidos cupríferos en Chile.
Las rocas más antiguas de la zona son de formación Paleozoico Superior

a Triásico Inferior, llamada Formación la Tabla, que está expuesta a lo largo de los
márgenes oriental y occidental de la zona. Al occidente de esta unidad se ubican
los sedimentos Jurásicos de la formación Quebrada Salitrosa y los esquistos de la
Formación Profeta. Estas unidades están cubiertas por la Formación Quebrada
Basural del Cretácico Inferior, el cual se compone de areniscas, limos calcáreos y
conglomerados.
Las rocas más jóvenes de la región son de la Formación Augusta Victoria

de Terciario Inferior y consisten en andesitas, riolitas, areniscas y conglomerados.
Lo anterior se puede observar en la figura 2.3:
15
16

------------------------------------------------------------------------------------------------------------------------------------
FIGURA 2.3: MAPA GEOLÓGICO REGIONAL DEL YACIMIENTO ZALDÍVAR.
2.5.2 Geología Local, Yacimiento Zaldívar
El pórfido Zaldívar se encuentra en una intersección del sistema de fallas

norte sur con una serie de fallas noroeste y noreste. En general, el depósito está
centrado sobre un intrusivo granodiorítico de rumbo noreste que intruye a las
andesitas y riolitas de la Formación Augusta Victoria y cruza la Falla Portezuelo de
rumbo norte sur.
Aunque la geología y el depósito mineral de Zaldívar generalmente son

continuos de oriente a occidente, el yacimiento ha sido dividido en dos zonas por
la falla Poderosa. Esto se observa en la figura 2.4:
16
17

------------------------------------------------------------------------------------------------------------------------------------
¾ Zona Principal (al oriente de 93.000 Este), dividida en sentido norte – sur
por la Falla Portezuelo.
¾ Zona Pinta Verde (al occidente de 93.000 Este).
FIGURA 2.4: GEOLOGÍA LOCAL DEL YACIMIENTO ZALDÍVAR.
17
18

------------------------------------------------------------------------------------------------------------------------------------
2.5.3 Litología
En el yacimiento Zaldívar han sido reconocidas 5 unidades litológicas

principales: Andesita, Pórfido Zaldívar, Pórfido Llamo, Brechas y Cobertura Aluvial.
Las características de estas unidades se detallan a continuación:
Andesita (AND): Unidad litológica de amplia distribución areal en el sector

occidental del yacimiento Zaldívar. En el sector Pinta Verde constituyó el 100% de
la roca de caja y en la zona principal o Main Zone (M.Z.) aparece en algunos
sectores. Esta unidad limita al este con el Pórfido Zaldívar, en un contacto definido
por la falla Portezuelo. Texturalmente, esta unidad se caracteriza por variaciones
de andesitas porfídicas de grano fino a afaníticas. En las zonas de mayor
alteración argílica, presenta un color blancuzco con textura “dalmatítica”.
Pórfido Zaldívar (ZPY): Unidad litológica de moderada distribución areal en los

sectores orientales del yacimiento. En M.Z. se encuentra en los taludes centro-
orientales. Esta unidad limita al oeste con la andesita, en un contacto definido por
la falla Portezuelo. Composicionalmente, corresponde a una riolita a riodacita, con
texturas porfídicas a equigranulares y se caracteriza por un gran desarrollo de
“ojos de cuarzo”.
Pórfido Llamo (LPY): Unidad litológica de poca extensión areal que aflora en
forma irregular, con orientación predominante noreste-suroeste en la parte central
del yacimiento. En general, esta unidad limita con zonas de brechización y/o rocas
andesíticas o intrusivas, dependiendo de su ubicación respecto a la falla
Portezuelo. Además, esta unidad intruye tanto a la andesita como al pórfido
Zaldívar y corresponde a una granodiorita a monzodiorita, con texturas
equigranulares de grano medio a fino.
18
19

------------------------------------------------------------------------------------------------------------------------------------
Brechas (BXX): Unidad litológica de poca extensión areal que se localiza, como
brecha de borde, en el entorno del pórfido Llamo. Composicionalmente, esta
unidad se observa en el desarrollo de brechas andesíticas cuando la roca de caja
del evento intrusivo es andesita, es decir, en los sectores occidentales de M.Z., y
de brechas intrusivas cuando la roca de caja del evento intrusivo es el pórfido
Zaldívar, en los sectores orientales de M.Z.
Cobertura Aluvial: Unidad no consolidada que sobreyace a las unidades de roca

en forma de discordancia por erosión. La potencia media de esta unidad es de
unos 30 m, pero varía desde un mínimo de algunos metros hasta un máximo de
unos 80 m.
En la tabla 2.1 se puede apreciar la clasificación del yacimiento Zaldívar y sus

principales características, además en la figura 2.5 podemos visualizar como se
distribuye esta litología en el yacimiento zaldivar.
TABLA 2.1 CLASIFICACIÓN LITOLOGÍA YACIMIENTO ZALDIVAR
19
20

------------------------------------------------------------------------------------------------------------------------------------
FIGURA 2.5: LITOLOGÍA DEL YACIMIENTO ZALDÍVAR
2.5.4 Mineralización
La mineralización primaria en el yacimiento Zaldívar es resultado de

múltiples estados de metalización, que afectan la zona desde hace unos 40
millones de años. Esta mineralización consta de cantidades variables de pirita,
calcopirita y en menor proporción de bornita y molibdenita. Estos minerales se
presentan con texturas de diseminación, vetillas asociadas a cuarzo, y como
relleno dentro de la matriz de brechas estructurales e hidrotermales. Por otro lado,
la subsecuente lixiviación, oxidación y redeposición generaron un “blanket” de
enriquecimiento secundario sobre la zona primaria, con pasos graduales entre
ambos campos y donde coexisten mineralogías tanto primarias como secundarias.
La mineralogía típica dentro de la zona de enriquecimiento consiste en

calcosina, con menores cantidades de covelina. En C.M.Z. se han diferenciado
20
21

------------------------------------------------------------------------------------------------------------------------------------
cinco grandes zonas de mineralización: Zona Primaria, Zona de Enriquecimiento

Secundario, Zona de Mixtos, Zona de Óxidos y Zona de Lixiviación. A continuación
se detallan cada una de estas zonas:
Zona Primaria (PRI): Se encuentra en los sectores profundos del yacimiento

Zaldívar y su mineralogía típica está dada por la asociación pirita – calcopirita y
contenidos menores de bornita y molibdenita.
Zona de Enriquecimiento Secundario (SSE): Se distribuye de forma irregular en

los sectores medios del yacimiento sobre la zona primaria, con espesores que van
desde unos pocos metros hasta aproximadamente 150 metros. Su mineralogía
típica está dada por la asociación calcosina-pirita, con contenidos menores de
covelina.
Zona de Mixtos (MXX): Se distribuye en forma irregular en los alrededores de las

zonas de enriquecimiento secundario, tanto en su gradación hacia el primario
(Mixto Sulfuro-Primario (MSP)) como en su gradación hacia óxidos de cobre (Mixto
Oxido-Secundario (MOS)). Su mineralogía típica está dada por la asociación
calcosina, pirita, calcopirita y bornita, en el primer caso, (MSP) y calcosina y
óxidos de cobre, en el segundo caso, (MOS).
Zona de Óxidos (OXI): Ocurre en los sectores superiores del yacimiento y su

mineralogía típica está dada por la asociación brochantita, atacamita, crisocola y
en menor proporción chalcantita, especialmente en M.Z.
Zona de Lixiviación (LXX): Corresponde a los sectores más superficiales del

yacimiento Zaldívar y su mineralogía típica está dada por limonitas, hematitas,
jarosita en vetillas y diseminada.
21
22

------------------------------------------------------------------------------------------------------------------------------------
2.5.5 Alteración
En general, las alteraciones en el yacimiento Zaldívar se distribuyen en

forma anular. Primeramente, se distingue un anillo externo de alteración
propilítica-clorítica, que rodea la pertenencia y afecta principalmente al basamento
andesítico. Mientras que en las partes interiores del yacimiento se observan
gradaciones de alteración cuarzo-serícitica, argílica y silícea en los sectores
superficiales y medios, para luego gradar a una alteración potásica en las zonas
más profundas de éste.
Las diversas etapas de lixiviación, oxidación y enriquecimiento secundario

que afectaron a las zonas primarias de M.Z., generaron una distribución de la
alteración que esta controlada principalmente por factores litológicos y
estructurales. Se han establecido los siguientes tipos de alteración que se detallan
a continuación:
Alteración Argílica (ARG): Se encuentra en los sectores superficiales de M.Z. y

genera rocas de color blanco a gris según su intensidad, se asocia principalmente
a litologías del tipo brechas y andesitas. La mineralogía típica está dada por la
presencia de arcillas y sericita. En algunas andesitas se observó el desarrollo de
una textura argílica-cumulofídica denominada dalmática.
Alteración Cuarzo-sericítica (QSE): Se desarrolla preferentemente en los

sectores superficiales y centrales de M.Z. y genera rocas de colores grises, se
asocia principalmente a litologías del tipo intrusiva. La mineralogía típica está dada
por la presencia de cuarzo, arcillas y sericita. Las mayores intensidades se
desarrollan en las zonas de enriquecimiento secundario, tanto en brechas como
en el pórfido Zaldívar.
22
23

------------------------------------------------------------------------------------------------------------------------------------
Alteración Silícea (SIL): Ocurre en los sectores superficiales y medios de M.Z. y

genera rocas de color pardo a gris-amarillento según su intensidad, las cuales se
asocian a litologías tanto del tipo andesíticas como intrusivas. La mineralogía
característica es cuarzo y cuarzo-alunita, la que se encuentra asociada a grandes
zonas de vetas tardías y/o como grandes extensiones de diseminación
penetrativa.
Alteración Clorítica (CLO): Se encuentra en los sectores superficiales y externos

de M.Z. y genera rocas de color pardo a verdosas que se asocian principalmente a
litologías del tipo andesíticas. La mineralogía típica está dada por la presencia de
clorita y epidota.
Alteración Potásica (POT): Se desarrolla preferentemente en los sectores

profundos de M.Z. y genera rocas de color gris oscuro a gris claro, se asocia
principalmente a litologías del tipo intrusivas. La mineralogía típica está dada por
la presencia de biotitas secundarias y feldespatos de alta temperatura.
2.6 Reservas
A fines del año 2001, C.M.Z. desarrolló el estudio “Optimización de

Zaldívar”, que tuvo como propósito evaluar diferentes alternativas de planes
mineros y niveles de producción de cobre, teniendo como objetivo mejorar el valor
presente de la compañía. Lo anterior dio como resultado un nuevo plan mina de
largo plazo, basado en las reservas definidas con el modelo de recursos
entregado por el Departamento de Geología en Noviembre de 2001. En este
nuevo plan minero se redefinieron 10 etapas para alcanzar el Pit Final, las que
comenzaron a ser explotadas en Enero de 2002. Anteriormente, fueron explotadas
las etapas 0 (sector Pinta Verde) y 1 (sector M.Z.).
23
24

------------------------------------------------------------------------------------------------------------------------------------
En C.M.Z. el procedimiento que permite transformar los recursos en

reservas se llama algoritmo Profit (beneficio). Para aplicar este procedimiento se
debe contar con la representación del yacimiento en forma de bloques, cada uno
de los cuales debe estar valorizado económicamente. Los factores considerados
para tal valorización son leyes, costos, recuperación metalúrgica, precio de cobre,
consumo de ácido y precio de ácido. Con esta información se evalúa que bloques
generan un beneficio mayor a cero (US$/Bloque) y ellos son considerados mineral
lixiviable en pilas (Heap Leach). Por su parte, los bloques que poseen un beneficio
menor a cero (US$/Bloque) son reevaluados para ver la conveniencia de ser
procesados en botaderos (Dump Leach), o definidos como lastre (Waste).
Es importante destacar que dentro del mineral a ser lixiviado en pilas

existe un corte por beneficio mínimo, lo que genera un material marginal destinado
a ser lixiviado en pilas, pero al final de la vida de la mina (Heap Leach Stock). Lo
anterior, se encuentra explicado en la tabla 2.2:
TABLA 2.2: RESERVAS MINERAS Y CATEGORIZACIÓN DE ELLAS SEGÚN BENEFICIOS POR BLOQUE.
Tipo de
Beneficio (US$/Bloque) Tipo de Material
Reserva
Mx > Beneficio Mínimo, evaluado Mineral, Material Chancado y Lixiviado
con Algoritmo Profit HL en Pilas.
Mineral
Mx =< Beneficio Mínimo, evaluado Stock, Material Chancado y Lixiviado en
con Algoritmo Profit HL Pilas, Al final de la vida de la Mina.
DL > 0 , Evaluado con Algoritmo Dump Leach, Material Lixiviado en

Dump Leach
Profit DL Botaderos sin ser Chancado.
Est. < 0 , Evaluado con Algoritmo Estéril, Material destinado a Botaderos,

Lastre
Profit DL Al no pagar Ningún Proceso.
24
25

------------------------------------------------------------------------------------------------------------------------------------
El detalle sobre las reservas y tipos de materiales a ser removidos en las

distintas etapas de explotación durante el periodo 2011- 2026 se presentan en las
tablas 2.3 y 2.4 respectivamente:
TABLA 2.3: RESERVAS DE ÓXIDO Y SULFURO PARA EL PERIODO 2011 – 2026.
TABLA 2.4: RESERVAS DE DL, HL Y LASTRE PARA EL PERIODO 2011– 2026.
25
26

------------------------------------------------------------------------------------------------------------------------------------
2.7 Secuencia de Extracción
El sistema de explotación aplicado en C.M.Z. corresponde al denominado

Open Pit o rajo abierto, dentro de sus características más relevantes destacan:
¾ Bancos simples de 15 metros de altura, los cuales son doblados a 30

metros cuando se alcanza el final de la etapa en explotación.
¾ Rampas principales que han sido diseñadas con un ancho de 30 metros y

una pendiente máxima de 10%.
¾ Ángulos de pit final que varían entre 47° y 53°, dependiendo de la

zonificación geotécnica.
En la figura 2.6 podemos apreciar los dominios estructurales del

yacimiento Zaldívar.
ZPY-N
AND-1
AND-2
LP-BX-E
LP-BX-W
AND-3
LP-BX-W ZPY-S ZPY-E
AND-2
FIGURA 2.6: DOMINIOS ESTRUCTURALES DEL YACIMIENTO ZALDÍVAR.
26
27

------------------------------------------------------------------------------------------------------------------------------------
En la definición del pit final se utilizó el modelo de recursos entregado por

el Departamento de Geología, valorizado económicamente mediante el algoritmo
Profit. Lo anterior, permitió generar el modelo de reservas base y sobre estas, se
aplicó el modulo de Lerch & Grossman del software Vulcan 6.0.
Las etapas que permitieron alcanzar el pit final fueron definidas por
decrecimiento de beneficio, esto significa que se explotaron primero las etapas
que entregaron un mayor beneficio económico. Los criterios de diseño
consideraron como ancho mínimo operacional en los bancos involucrados en las
expansiones, 100 metros. Por su parte, las paredes de cada una de las
expansiones están diseñadas manteniendo los ángulos de la pared final,
establecidos sobre la base de la zonificación geotécnica.
En C.M.Z. constantemente se está analizando la opción de mejorar el

valor presente de la compañía a través de variaciones en la secuencia de
extracción de explotación. Por está razón en el año 2001 se estableció la ultima
modificación a esta secuencia de explotación y actualmente hay otra en estudio.
La figura 2.7 señala un detalle de la actual secuencia de extracción que

permitirá alcanzar el diseño de Pit final mostrado en la figura 2.8:
27
28

------------------------------------------------------------------------------------------------------------------------------------
FIGURA 2.7: SECUENCIA DE EXTRACCIÓN POR ETAPAS PARA ALCANZAR EL PIT FINAL.
FIGURA 2.8: DIAGRAMA DEL PIT FINAL SEGÚN EL ACTUAL PLAN DE MINA.
28
29

------------------------------------------------------------------------------------------------------------------------------------
Debido a lo pequeño de la propiedad de C.M.Z. el espacio es un bien

escaso que debe aprovecharse al máximo. Además, considerando el avance
propio de la explotación del rajo y las necesidades infraestructurales de la faena,
se considera el manejo de botaderos y Stocks en un aspecto relevante.
De hecho la mayor parte del espacio de la propiedad minera, fuera del pit
final, está destinado al depósito de estéril. Por esto C.M.Z. tiene fuera de su
propiedad las instalaciones de campamento de operaciones, paños de lixiviación,
planta de SX, planta de EW, tranques de relaves y caminos de accesos.
En la Figura 2.9 se presenta un detalle sobre el límite de la propiedad

minera de C.M.Z., que corresponde a una especie de isla cuya área exterior
pertenece a M.E.L.
FIGURA 2.9: LÍMITE DE LA PROPIEDAD DE C.M.Z.
29
30

------------------------------------------------------------------------------------------------------------------------------------
El plan minero de largo plazo establece la necesidad de extraer 820

millones de toneladas de lastre durante los próximos 16 años. Por su parte
Planificación de Mediano Plazo, ha diseñado 4 botaderos que absorberán esta
cantidad de material. El diseño de los botaderos considera una densidad del
material de 1.7 toneladas/metros3, un ángulo de reposo de 37° y una pendiente de
su piso o superficie superior a 3% (en los 25 metros finales del botadero). Una
descripción de los botaderos de destino que tiene cada banco explotado, de
acuerdo a la etapa que pertenecen, se presenta en la Tabla 2.5:
Botaderos
Etapa Principal Principal Principal Norte
Inferior Intermedio Superior Superior
4 3260 a 2990 3470 a 3275
5 3200 a 2960
6 3275 a 2870 3470 a 3290
7 3275 a 3110 3410 a 3290 3470 a 3425
8 3170 a 2840 3245 a 3185
9 3305 a 2960
10 3230 a 2960
TABLA 2.5. DESCRIPCIÓN DE BOTADEROS DE DESTINO DEL MATERIAL ESTÉRIL SEGÚN BANCOS
EXPLOTADOS.
2.8 Costos en General
2.8.1 Costo de Capital
El costo de capital se estima en US$ 900 millones.
30
31

------------------------------------------------------------------------------------------------------------------------------------
2.8.2 Costo de Capital Diferido
Durante la vida de producción, se estima que se requerirá una inversión

adicional de US$ 125 millones. Los componentes principales han sido y será la
ampliación del área de lixiviación en pilas, construcción de planta de flotación y
equipos para el rajo abierto.
2.8.3 Costo Operacional
El costo directo promedio de operación durante la vida útil de la propiedad,

incluyendo los costos de comercialización y de transporte de cátodos a los
clientes, se ha estimado en alrededor de US$ 0,95 por libra de cobre.
2.8.4 Tributación
Los impuestos sobre la renta se pagan en dos partes. El Impuesto de

Primera Categoría es del 17% de las utilidades acumuladas. El Impuesto Adicional
es del 35 % de los dividendos brutos ajustados remitidos a los accionistas sin
domicilio en Chile, menos un crédito por cualquier Impuesto de Primera Categoría
relacionado que se haya pagado. El efecto combinado de estos dos impuestos
produce una tasa de impuesto efectiva de aproximadamente 35 % sobre las
ganancias distribuidas a los accionistas. El contrato de inversión extranjera entre
el Gobierno de Chile e inversionistas extranjeros permite al inversionista elegir una
tasa fija de impuesto a la renta del 42 % por un período de 20 años. Por una sola
vez, el inversionista podrá revertir al régimen tributario normal.
31
32

------------------------------------------------------------------------------------------------------------------------------------
2.9 Insumos Básicos
2.9.1 Suministros de Agua
El agua llega a Zaldívar desde Negrillar a una distancia de 100 Km., donde
existe un campo de pozos en el Salar de Atacama (lecho de un lago seco). El
precioso elemento es tomado de 6 pozos y bombeado al lugar de operaciones
mediante una tubería, llegando ésta hasta el estanque de agua fresca, cercano a la
instalación de chancado terciario en la planta. La napa freática, que se alimenta de
los deshielos de los Andes, se encuentra a 100 metros por debajo de la superficie
y los pozos tienen una profundidad de 300 metros. El gasto de los pozos puede
llegar a 640 litros por segundo y los procesos de Zaldívar requieren de un gasto
aproximado de 375 litros por segundo. Los resultados de pruebas indicaron que la
napa freática se recarga a una razón mayor que la de extracción.
2.9.2 Fuentes de Energía
Existe un tendido de transmisión de doble circuito 13,8 ó 23 kV. , de una

longitud de 230 Km., entre la subestación Zaldívar y la subestación del SING en
Crucero, en conjunto con Minera Escondida.
2.9.3 Consumo de Ácido
Existe un terminal en Mejillones y todo el ácido es transportado hasta

faena. La operación se efectúa en virtud de un contrato firmado por la compañía
minera y el Ferrocarril de Antofagasta a Bolivia, FCAB, por un período de 10 años.
El ferrocarril, por medidas de seguridad, tiene un desvío de 50 Km. para evitar el
paso por Antofagasta.
32
33

------------------------------------------------------------------------------------------------------------------------------------
2.10 Operación Minera
2.10.1 Perforación
La determinación del tipo de perforadoras utilizadas en C.M.Z., tomó en

cuenta el costo unitario y la vida útil de los diversos modelos de equipos
disponibles en el mercado. De acuerdo a estos criterios, se seleccionaron dos
perforadoras de tipo rotatoria, cuyas especificaciones se presentan en la Tabla
2.6:
Tipo de Marca & Diámetro de Numero de
Perforadora Modelo Perforación [Pulg] Equipos
Rotatoria Drilltech
13¾ – 12 ¼ 2
eléctrica D90 KS
Rotatoria Drilltech
105/8 1
diesel D75 KS
TABLA 2.6: DESCRIPCIÓN TÉCNICA DE LOS EQUIPOS DE PERFORACIÓN DE C.M.Z.
El número de equipos utilizado se basa en las necesidades de obtener,

día a día, una cantidad de 5.000.000 de toneladas de material tronado, el cual se
divide en cada frente de carguío. Mensualmente, se perforan 47.000 metros, con
un rendimiento promedio de 170 toneladas métricas/metro. La figura 2.10 presenta
una perforadora eléctrica trabajando.
33
34

------------------------------------------------------------------------------------------------------------------------------------
FIGURA 2.10: ILUSTRACIÓN DE LA PERFORADORA DRILLTECH D90 KS.
2.10.2 Tronadura
C.M.Z. realiza esta operación unitaria a través del servicio contratado de la

empresa Orica Chile.
El rango de aplicación de explosivos depende de las características de la

roca y de la ubicación del sector a tronar, dentro de la caracterización geotécnica
del rajo. Debido a la poca presencia de agua, no son muy utilizados los hidrogeles
o emulsiones. Los explosivos que se utilizan en esta operación son los mexales
(Anfo, Anfo pesado) y como iniciador Mexatol Extra A de 450 y 900 gramos.
El carguío de los materiales explosivos es una actividad sumamente

delicada y es realizada por personal de Orica mediante camiones fábrica, los
cuales descargan directamente el explosivo en los pozos perforados. La figura
2.11 muestra el detalle de un camión fábrica de Orica.
34
35

------------------------------------------------------------------------------------------------------------------------------------
FIGURA 2.11: ILUSTRACIÓN DE UN CAMIÓN DE CARGUÍO DE EXPLOSIVOS ORICA.
Para evitar pérdidas de tiempo, las tronaduras son planificadas

generalmente en horarios de colación, en un lapso no mayor a 30 minutos y en
ellas se debe evitar o minimizar la proyección de materiales (fly rock). La figura
2.12 muestra la secuencia seguida para una tronadura en particular:
35
36

------------------------------------------------------------------------------------------------------------------------------------
FIGURA 2.12: SECUENCIAMIENTO SEGUIDO PARA UNA TRONADURA.
2.10.3 Carguío
Para la realización de esta operación C.M.Z. utiliza los siguientes equipos:
TABLA 2.7: DESCRIPCIÓN TÉCNICA DE LOS EQUIPOS DE CARGUÍO DE C.M.Z.

Capacidad del Numero de
Tipo de Equipo Marca & Modelo 3
Balde [Yd ] Equipos
Pala de Cable P&H 4100 59 3
Cargador Frontal Le Tourneau L1800 32 1
36
37

------------------------------------------------------------------------------------------------------------------------------------
La elección de tal configuración de sistema de carguío se debe

principalmente a la disposición espacial de los cuerpos mineralizados. El pórfido
Zaldívar es homogéneo, no siendo necesario el constante desplazamiento del
equipo de carguío, a diferencia de lo que ocurre en un yacimiento estratoligado
volcanogénico.
Las ventajas de las palas de cable con respecto a los cargadores frontales
radican en que sus costos de operación son menores y tienen una vida útil y
disponibilidad mayor. En contrapartida, el costo de capital puede llegar a ser el
triple que el de un cargador frontal. Las figuras 2.13 y 2.14 presentan un detalle de
los equipos de carguío empleados en C.M.Z.
FIGURA 2.13: ILUSTRACIÓN DE UNA PALA CABLE P&H 4100A
37
43

------------------------------------------------------------------------------------------------------------------------------------
pirometalúrgico. El objetivo final de esto es recuperar el cobre contenido en el

concentrado.
Los relaves de la flotación son transportados por gravedad, a través de

una tubería de 4 kilómetros, hasta el depósito de relaves ubicado en la esquina
noreste de la pertenencia minera. Los relaves se depositan en capas delgadas, de
100 a 150 milímetros de espesor, esperando que escurran sobre los contorno del
terreno natural de manera uniforme. Finalmente, parte del agua contenida se
escurre hasta una represa de contención y parte se evapora, permitiendo el
drenaje y secado de los relaves de cada capa antes de ser cubierto por la
siguiente.
2.11.2 Lixiviación en pilas
El mineral que proviene del chancado terciario es transportado mediante

correas y luego es apilado mediante equipos capaces de procesar un promedio de
65.000 toneladas/día de mineral. El apilado se realiza a través de capas de 9
metros de altura, utilizando membranas intermedias entre capas. Una vez ocurrida
la lixiviación, la solución ácida generada es percolada a través de capas
consecutivas desde la parte superior de la pila hasta su base. Cabe destacar que
durante este proceso no se presentan problemas de percolación debido
principalmente a la compactación y/o migración de finos.
El mineral destinado al proceso de lixiviación es categorizado como

mineral sulfurado y mineral oxidado, por lo tanto reciben distintos procesos de
apilado y lixiviación. Para la recuperación del cobre en los minerales oxidados, se
utiliza ácido sulfúrico en tanto que en los minerales sulfurados, se ocupa lixiviación
bioquímica mediante el uso de bacterias presentes de forma natural en el mineral.
43
39

------------------------------------------------------------------------------------------------------------------------------------
TABLA 2.8: DESCRIPCIÓN TÉCNICA DE LA FLOTA DE TRANSPORTE DE C.M.Z.

Tipo Tren Numero de
Marca & Modelo Carga Útil
Camión Propulsor Camiones
Diesel Haulpak Dresser 830E 240 Eléctrico DC 17
Diesel Terex MT-4400 240 Eléctrico DC 6
Diesel Komtasu 830 AC 240 Eléctrico AC 4
Diesel Caterpillar 793 B 240 Mecánico 3
N° Total Flota 30
Cabe destacar que los caminos por los cuales circulan los equipos poseen
una resistencia a la rodadura no mayor a 3% y las pendientes de las rampas
principales no superan el 10%. A continuación se presenta en la Figura 2.15 un
equipo de transporte trabajando.
FIGURA 2.15: ILUSTRACIÓN DE UN EQUIPO DE TRANSPORTE, HAULPAK DRESSER 830E.
2.10.5 Operaciones Complementarias
Para mantener un ritmo de operación expedito, es necesario ejecutar

algunas operaciones complementarias. Estas operaciones son realizadas por
39
40

------------------------------------------------------------------------------------------------------------------------------------
equipos auxiliares e incluyen el mantenimiento de los bancos y caminos, la

preparación de pretiles, la nivelación de botaderos, la preparación de las
plataformas para perforación y el movimiento de cables eléctricos. Las
especificaciones y cantidades de máquinas requeridas se detallan en la Tabla 2.9.
Adicionalmente, la figura 2.16 muestra un ejemplo de este tipo de operación:
TABLA 2.9: DESCRIPCIÓN TÉCNICA DE LOS EQUIPOS DE APOYO DE C.M.Z.

Numero de
Tipo de Equipo Marca & Modelo
Equipos
Komatsu D375 5
Bulldozer
Caterpillar D10-R 1
Wheel Dozers Komatsu WD-600 2
Wheeldozer
Wheel Dozers Komatsu WD-900 1
Motoniveladoras Caterpillar 16-G 1
Motoniveladora Motoniveladoras Caterpillar 16-H 1
Motoniveladoras Caterpillar 16-M 1
Haulpak Dresser 210 M 2
Camión Regador
Water Truck Western Star 2
Cargador Frontal Cargador WA-600 1
Retro Excavadora Liebherr 930C 1
Man. Neumáticos Hyster 120XM 1
Enrolla Cable Komatsu WA 2600 1
40
41

------------------------------------------------------------------------------------------------------------------------------------
FIGURA 2.16: ILUSTRACIÓN DE UN BULLDOZER EJECUTANDO OPERACIÓN DE APOYO.
2.11 Procesamiento de Minerales
2.11.1 Chancado
En esta etapa se permite una tasa de tratamiento máxima de 15 millones

de toneladas/año y consta de los siguientes elementos:
Chancado Primario: Corresponde a las instalaciones en las cuales el mineral,

transportado por camiones desde su extracción en el pit, llega a la tolva de
alimentación del chancador primario a una tasa de 65.000 toneladas/día. El
tamaño máximo de partícula de material que alimenta al chancador primario es de
aproximadamente 4 pulgadas y el producto resultante tiene un máximo de 3,5
pulgadas.
41
42

------------------------------------------------------------------------------------------------------------------------------------
Chancado Secundario: La descarga del chancador primario alimenta 2

chancadores secundarios de cono, desde donde el mineral es transportado hasta
un acopio, mediante un sistema de correas transportadoras. Aquí, el producto
entregado por el chancador es de un tamaño máximo de 40 milímetros.
Chancado Terciario: El mineral del acopio es transportado hasta un sistema de

cuatro chancadores terciarios con barrido de agua (water flush), debido a la
naturaleza seca y polvorienta del mineral. En esta etapa del proceso el mineral es
reducido a un tamaño bajo 5 milímetros.
Finalmente, la descarga del chancado terciario es vertida a un sistema de

harneros vibratorios de dos cubiertas, que clasifican el mineral húmedo en tres
tipos de productos:
¾ Un sobre tamaño para reciclar que vuelve al circuito.
¾ Un tamaño intermedio que constituye la alimentación a la pila de

lixiviación.
¾ Un bajo tamaño reclasificado en ciclones para remover la fracción fina.
Posteriormente, el producto de sobre tamaño de los ciclones se une al

producto intermedio del sistema chancado terciario, constituyendo la alimentación
a la lixiviación en pilas.
Por su parte, el producto bajo tamaño de los ciclones, es sometido a

flotación para recuperar el cobre contenido en forma de concentrado de Cobre y
que luego es enviado a la fundición Altonorte, para ser sometido a un proceso
42
43

------------------------------------------------------------------------------------------------------------------------------------
pirometalúrgico. El objetivo final de esto es recuperar el cobre contenido en el

concentrado.
Los relaves de la flotación son transportados por gravedad, a través de

una tubería de 4 kilómetros, hasta el depósito de relaves ubicado en la esquina
noreste de la pertenencia minera. Los relaves se depositan en capas delgadas, de
100 a 150 milímetros de espesor, esperando que escurran sobre los contorno del
terreno natural de manera uniforme. Finalmente, parte del agua contenida se
escurre hasta una represa de contención y parte se evapora, permitiendo el
drenaje y secado de los relaves de cada capa antes de ser cubierto por la
siguiente.
2.11.2 Lixiviación en pilas
El mineral que proviene del chancado terciario es transportado mediante

correas y luego es apilado mediante equipos capaces de procesar un promedio de
65.000 toneladas/día de mineral. El apilado se realiza a través de capas de 9
metros de altura, utilizando membranas intermedias entre capas. Una vez ocurrida
la lixiviación, la solución ácida generada es percolada a través de capas
consecutivas desde la parte superior de la pila hasta su base. Cabe destacar que
durante este proceso no se presentan problemas de percolación debido
principalmente a la compactación y/o migración de finos.
El mineral destinado al proceso de lixiviación es categorizado como

mineral sulfurado y mineral oxidado, por lo tanto reciben distintos procesos de
apilado y lixiviación. Para la recuperación del cobre en los minerales oxidados, se
utiliza ácido sulfúrico en tanto que en los minerales sulfurados, se ocupa lixiviación
bioquímica mediante el uso de bacterias presentes de forma natural en el mineral.
43
44

------------------------------------------------------------------------------------------------------------------------------------
En cuanto a los tiempos óptimos de lixiviación estos varían entre 150 días
para el mineral oxidado y hasta 500 días en el caso del mineral sulfurado.
Por último la solución rica que contiene el cobre disuelto, se recoge en

canaletas en la base de las pilas y fluye por pendiente natural hacia el estanque
de lixiviación, desde donde es enviada hasta la planta de extracción por solventes.
2.11.3 Extracción por solventes
La planta de extracción por solventes (Solvent Extraction [S.X.]) permite

que la solución acuosa obtenida de la lixiviación en pilas, sea purificada y
concentrada selectivamente, mediante reactivos líquidos de intercambio iónico.
Esta solución acuosa esta compuesta por agua, cobre disuelto, ácido sulfúrico
residual del proceso de lixiviación y otros minerales en solución, incluyendo hierro,
cuya presencia no es deseable en la producción del cobre catódico. Cabe señalar
que los reactivos utilizados en la separación del cobre no son solubles en agua,
por lo cual, para ser utilizados en el proceso, se presentan disueltos en kerosene.
La mezcla de kerosene con los reactivos es llamada solución orgánica.
El cobre contenido en la solución de lixiviación se mezcla con la solución

orgánica en unidades especiales, que le permiten reaccionar con el reactivo de
intercambio iónico. Producto de la mezcla anterior, el cobre es retenido por el
reactivo y las impurezas entre ellas el hierro, permanecen en la solución acuosa.
Así el cobre es retirado en forma selectiva de la solución de lixiviación por
decantación en conjunto con la solución orgánica.
Posteriormente para que el cobre sea retirado de la solución orgánica, se

le hace entrar en contacto con una solución de ácido sulfúrico de 170 gramos/litro.
44
45

------------------------------------------------------------------------------------------------------------------------------------
De esta manera la mayor acidez de la nueva solución, invierte la reacción

anterior y el cobre es transferido una vez más a una solución acuosa, de la cual es
extraído por electrólisis. Por lo tanto la planta de extracción por solventes, permite
que el cobre sea transferido desde la solución rica impura a una solución
purificada de grado adecuado para la electro obtención. Finalmente cabe señalar
que mediante el uso de mezcladores y decantadores, se recuperan
aproximadamente el 90% del cobre de la solución rica de lixiviación, mientras que
el 10% del cobre restante es reciclado a la lixiviación en pilas en el refino.
2.11.4 Electro-obtención
La planta de electro- obtención (Electro Winning (E.W.)) contiene 368

celdas o tanques de policoncreto, pendiendo de cada uno de ellos 60 ánodos de
plomo (polo positivo) y 60 cátodos de acero inoxidable (polo negativo). La solución
electrolito, rica en cobre y proveniente de la extracción por solventes, fluye por los
estanques donde se aplica corriente eléctrica. Lo anterior produce un intercambio
iónico en el cual el cobre se deposita en ambos lados del cátodo, durante
aproximadamente 6 días, para finalmente retirar el cobre de los cátodos en forma
de láminas. La nave de electro-obtención tiene una capacidad de producción de
125.000 toneladas de cobre catódico/año, pero gracias a una serie de
optimizaciones realizadas se ha superado esta capacidad de diseño y actualmente
puede alcanzar las 146.000 toneladas de cobre catódico/año. Cada cátodo
exportado pesa alrededor de 45 kilos y tiene una pureza certificada de 99,999% de
cobre correspondiendo a Grado A-L.M.E., según las especificaciones de la Bolsa
de metales de Londres. Todo el proceso explicado anteriormente se ilustra en la
figura 2.17:
45
Capitulo 2 – Antecedentes Generales Compañía Minera Zaldivar
------------------------------------------------------------------------------------------------------------------------------------
FIGURA 2.17: FLOW SHEET C.M.Z.
46
47
Capitulo 3 – Recolección y Análisis de Datos Para el Consumo de Combustible

------------------------------------------------------------------------------------------------------------------------------------
CAPITULO 3
RECOLECCION Y ANALISIS DE DATOS PARA EL

CONSUMO DE COMBUSTIBLE
3.1 Introducción
La recolección de datos se refiere al uso de una gran diversidad de

técnicas y herramientas que pueden ser utilizadas por el analista para desarrollar
H
sistemas de información, los cuales nos servirán para analizar y concluir con una
base fundamentada la investigación que se desarrollará.
El siguiente análisis se ha centrado en el estudio del comportamiento del

consumo de combustible en el área mina. La relevancia de este trabajo se debe a
que trabajaremos con información fidedigna, obtenida de un software llamado
dispatch. Gracias a la información que logremos obtener, podremos modelar el
comportamiento de este insumo fundamental en la operación minera y así poder
proyectar este consumo minero de una forma clara y asertiva.
En la presente investigación se tratará con detalle los pasos que se debe

seguir en el proceso de recolección de datos, además de los indicadores y las
variables que se obtendrán y servirán para explicar la creación de los respectivos
modelos.
47
48

------------------------------------------------------------------------------------------------------------------------------------
3.2 Consumo Diesel Histórico año 2009
Para comenzar nuestra investigación, es primordial conocer de qué forma

se distribuyen los consumos de petróleo en la operación minera, ya que además
de saber que estos gastos representan un porcentaje importante dentro de los
costos totales de las actividades de producción, necesitamos entender su
comportamiento durante su tiempo de utilización para poder modelar de una forma
certera su conducta en tiempos posteriores.
3.2.1 Clasificación del consumo del petróleo en operación mina
Para tener una mayor apreciación de qué partes de la operación

contribuyen al consumo de combustible, realizaremos una clasificación del gasto
de combustible en 5 segmentos, las cuales se detallan a continuación:
¾ Perforación y Tronadura
¾ Carguío
¾ Transporte
¾ Equipos de Apoyo
¾ Otros
El rastreo de los consumos se realizó entre los meses de Enero del año
2009 hasta Diciembre del año 2009. La clasificación del consumo de petróleo en
operación mina son mostrados en la tabla 3.1
48
49

------------------------------------------------------------------------------------------------------------------------------------
TABLA 3.1: CLASIFICACIÓN CONSUMO COMBUSTIBLE SUPERINTENDENCIA MINA.
Consumos Perforación Equipos

Transporte Carguío Otros Total
[Lts.] & Tronadura de Apoyo
Ene-09 2.993.997 80.284 329.941 63.365 3.727 3.471.314
Feb-09 2.970.186 77.665 294.459 65.375 3.201 3.410.886
Mar-09 3.237.696 88.605 337.663 93.248 3.559 3.760.771
Abr-09 2.405.361 60.643 243.085 97.808 4.140 2.811.037
May-09 2.543.248 77.772 239.382 79.424 4.630 2.944.456
Jun-09 2.486.938 72.313 207.555 81.372 4.630 2.852.808
Jul-09 2.599.551 55.186 233.005 104.046 4.428 2.996.216
Ago-09 2.825.427 64.156 238.810 96.009 4.359 3.228.761
Sep-09 2.858.914 61.413 216.709 84.532 4.108 3.225.676
Oct-09 2.992.064 69.661 242.447 73.213 4.042 3.381.427
Nov-09 2.795.018 68.476 237.638 91.673 4.269 3.197.074
Dic-09 2.962.110 30.746 227.240 86.787 4.114 3.310.998
3.2.2 Evolución del consumo de combustible año 2009
La clasificación antes mencionada se realizó con el fin de identificar que

consumos son mayormente demandados en la operación minera. Con estos
lograremos identificar realmente cual de las 5 clasificaciones causa mayor impacto
en el consumo de combustible y con esto analizar directamente aquella
categorización. La evolución del consumo de combustible del año 2009 se
presenta en la Figura 3.1
49
50

------------------------------------------------------------------------------------------------------------------------------------
Ev o lu ció n d el Co n su m o d e Co m b u st ib le
3.300.000
3.000.000
2.700.000
Consumo de Combustible [Lts.]
2.400.000
2.100.000
1.800.000
1.500.000
1.200.000
900.000
600.000
300.000
0
Ene-09 Feb-09 Mar-09 Abr-09 May-09 Jun-09 Jul-09 Ago-09 Sep-09 Oct-09 Nov-09 Dic-09
Tiempo [Meses]
Transporte Perforación y Tronadura Equipos de Apoyo Carguio Otros
FIGURA 3.1: EVOLUCIÓN DEL CONSUMO DE COMBUSTIBLE AÑO 2009.
3.2.3 Diagrama de Pareto
El análisis de Pareto se define como una comparación cuantitativa y

ordenada de elementos según su contribución a un determinado efecto, en este
caso “consumo de petróleo en la operación minera”.
El objetivo de esta comparación es clasificar dichos elementos o factores

en dos categorías, Los "Pocos Vitales" (los elementos muy relevantes en su
contribución) y los "Muchos Triviales" (los elementos poco importantes en ella). Se
procede a aplicar los conceptos de análisis de Pareto, con el fin de identificar el
efecto sobre el consumo de las diferentes clasificaciones en la operación. Se
detalla este análisis a diferentes niveles de agregación de información. A
continuación se muestra el análisis a nivel de su contribución sobre el consumo de
combustible en la operación en minera Zaldívar en la Figura 3.2
50
51

------------------------------------------------------------------------------------------------------------------------------------
Gráfico de Pareto para Consumo Petroleo O.M.

(X 1,E7)
4 97,78 99,87 100,00
95,15
Consumo Petroleo [Lts.]
87,25
3
0
Transporte
Carguio
Eq.de Apoyo
Otros
FIGURA 3.2: ANÁLISIS DE PARETO PARA EL CONSUMO PETRÓLEO EN OPERACIÓN MINA.Perf. & Tron.
Gracias al gráfico de la figura 3.2 se puede concluir que los pocos vitales
pertenecientes al consumo de combustible en el área mina, se agrupan en un
87,25% en la clasificación de transporte, es por esto que nos concentraremos en
el análisis particular de la flota de transporte.
3.3 Información Mensual de los KPI año 2009
Concentrándose en el análisis anterior se concluye que los equipos de

transportes, en este caso la flota de camiones de extracción, es el verdadero
problema a la hora de analizar e inferir acerca del consumo de petróleo. Es por
esto que a continuación se presenta el consumo diesel mensual por cada flota de
camión en la Tabla 3.2.
51
52

------------------------------------------------------------------------------------------------------------------------------------
TABLA 3.2: CONSUMO DIESEL MENSUAL POR FLOTA DE CAMIÓN.

CONSUMO MENSUAL [LITROS]
MESES ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC TOTAL
DIESEL FLOTA
172137 111030 55084 56176 123704 126184 151610 155663 195888 215125 181884 116149 1660634
CATERPILLAR
Total C19 49672 10148 16335 0 41076 0 0 0 49632 75001 63145 57881 362890
Total C20 67189 60249 10201 0 2700 48182 73236 82550 78101 68220 63834 44164 598626
Total C21 55276 40633 28548 56176 79928 78002 78374 73113 68155 71904 54905 14104 699118
DIESEL FLOTA
280065 262395 290176 247013 283437 185899 293606 503961 595789 642979 627389 631567 4844276
TEREX
Total H23 104946 90552 99557 86226 105156 82724 108053 114405 92282 109723 97374 94188 1185186
Total H24 72019 82617 95336 82841 81593 59311 105974 93720 106980 96702 100080 112177 1089350
Total H25 103100 89226 95283 77946 96688 43864 79579 95214 94832 65423 86297 72844 1000296
Total H26 64984 110486 120821 109774 112151 518216
Total H27 72445 90567 122001 112707 113643 511363
Total H28 63193 100642 128309 121157 126564 539865
DIESEL FLOTA
1620114 1604711 1814731 1603622 1670982 1721729 1746024 1693109 1620137 1668342 1530590 1750238 20044329
HAULPAK
Total H01 91527 95734 100171 102388 103228 107770 112453 108982 110999 100608 66045 101565 1201470
Total H02 90932 78703 99597 90900 107597 95101 91553 103055 97949 91338 104718 77783 1129226
Total H03 105426 94699 119300 99233 91738 100086 94389 84604 104470 109239 97074 104399 1204657
Total H04 97020 99258 103264 91061 112363 92009 118549 97749 66316 68718 106343 77922 1130572
Total H05 107315 100295 106495 73357 85623 103001 111836 69672 75970 103845 96833 110140 1144382
Total H06 115265 96875 117108 106506 101990 109824 65846 113754 97568 112431 94353 116136 1247656
Total H07 108093 97550 115011 93516 89870 104921 100948 100520 87923 82138 105680 108729 1194899
Total H08 104030 89250 112483 106040 102181 105130 78168 99965 102606 89495 100818 93646 1183812
Total H09 105281 97863 89992 90853 83818 90614 98557 91154 104718 117380 101321 110895 1182446
Total H10 103982 100355 84008 83730 86765 91644 105465 106807 98013 89233 83588 105894 1139484
Total H11 104884 100314 114091 100305 107273 110294 108766 110985 92954 102556 111673 112365 1276460
Total H12 101645 92374 114428 101488 64019 104916 109895 95995 103892 66801 64444 109558 1129455
52
53

------------------------------------------------------------------------------------------------------------------------------------
Total H14 87312 91686 112997 99087 116582 103520 106239 99643 84979 105042 43497 73674 1124258
Total H15 0 82190 100933 97729 109878 100756 115898 109227 89385 70909 92017 111548 1080470
Total H16 87833 89478 96387 86334 107437 97483 106035 103936 104267 112822 97435 99854 1189301
Total H17 109330 93408 112307 83990 100165 100311 110429 86281 106730 119301 68590 112121 1202963
Total H18 100239 104679 116159 97105 100455 104349 110998 110780 91398 126486 96161 124009 1282818
DIESEL FLOTA
471121 436530 470833 421093 465125 453126 406580 472694 447100 465618 455155 464156 5429131
KOMATSU
Total H31 116059 107785 96346 93718 110044 112485 120817 116721 113686 120616 107204 116635 1332116
Total H32 115036 112781 124780 113063 118687 116530 60045 106204 121089 125926 107553 115806 1337500
Total H33 115865 100564 122362 103845 116975 113297 103108 124562 103946 86547 116356 120599 1328026
Total H34 124161 115400 127345 110467 119419 110814 122610 125207 108379 132529 124042 111116 1431489
TOTAL FLOTA
2543437 2414666 2630824 2327904 2543248 2486938 2597820 2825427 2858914 2992064 2795018 2962110 31978371
CMZ
53
54

------------------------------------------------------------------------------------------------------------------------------------
De lo anterior se logró visualizar; que dentro del consumo de combustibles

de la clasificación transporte que representa el 87,25% del consumo total, la flota
Haulpak es la que contribuye con un 63%. A continuación se presenta la figura 3.3
que muestra la distribución de los porcentajes del consumo de petróleo en la
clasificación transporte.
Consumo de Petroleo Flota de

Camiones CMZ 2009
17% 5%
15%
63%
DIESEL FLOTA CATERPILLAR
DIESEL FLOTA TEREX
DIE SEL FLOTA HAULPAK
DIESEL FLOTA KOMATSU
FIGURA 3.3: CONSUMO DE PETRÓLEO EN FLOTA TRANSPORTE C.M.Z.
Ahora bien, el aporte de la flota Haulpak con un 63% del consumo de

combustible se explica claramente ya que dentro de los 30 camiones de la flota
total C.M.Z, Haulpak contribuye con 17 camiones. Es por esto, que nos
orientaremos en el consumo específico [Lts/hrs.] de cada flota, para obtener
54
55

------------------------------------------------------------------------------------------------------------------------------------
realmente la flota con mayor consumo unitario. Todo esto se realiza para no caer
en sesgos de medición.
3.4 Consumo Específico de Combustible
Para obtener el consumo especifico de combustible, se deberá recopilar y

analizar información acerca de las horas operacionales de la flota C.M.Z y con
esto observar el consumo unitario de combustible de cada flota [Lts. /Hr] que es el
indicador del comportamiento real del consumo de combustible en el transporte.
La Tabla 3.3 nos informa sobre las horas operacionales mensuales del
año 2009, de cada camión que compone la flota C.M.Z.
Obteniendo las horas operacionales y los consumos de petróleo

mensuales podremos calcular, para luego analizar, el consumo especifico de
combustible [Lts /Hr] por flota. Con esta información se logrará identificar que flota
de transporte, es la más consumidora de combustible, según su escala en
cantidad operacional.
Se da cuenta según la figura 3.4, que la flota que contribuye con un mayor
consumo unitario al consumo total de combustible; es la flota Komatsu con
aproximadamente 202 [Lts/hrs.]. Ahora bien el consumo de combustible va
estrechamente ligado con el tipo de motor que cuenta los equipos analizados, es
por esto, fundamentalmente definir y clasificar los tipos de motores que cuenta la
flota de trasporte.
55
56

------------------------------------------------------------------------------------------------------------------------------------
TABLA 3.3: HORAS OPERACIONALES FLOTA C.M.Z.
HORAS OPERACIONALES EQUIPOS MINA
H19 336 63 112 0 278 0 0 0 344 537 441 397 2508
H20 435 394 56 0 2 328 500 589 521 452 451 291 4017
H21 316 257 161 379 554 495 556 516 425 417 344 62 4482
F.CATERPILLAR 1087 713 329 379 833 824 1056 1105 1289 1407 1236 750 11007
H23 600 529 549 533 597 446 587 611 466 581 521 530 6551
H24 380 455 541 488 482 326 540 486 540 505 522 556 5821
H25 526 497 514 467 581 247 421 504 458 322 436 380 5352
H26 323 558 621 586 571 2657
H27 370 477 595 573 592 2606
H28 327 489 599 596 615 2626
F. TEREX 1507 1481 1605 1487 1660 1020 1547 2621 2988 3222 3233 3244 25613
H01 484 503 498 575 561 591 577 577 555 505 321 524 6270
H02 519 450 567 586 617 523 509 570 559 492 578 462 6431
H03 574 492 606 552 493 523 475 454 509 548 485 517 6228
H04 510 506 504 497 577 462 567 470 293 351 534 412 5683
H05 597 517 571 400 482 576 573 387 380 555 505 551 6093
H06 599 501 576 577 553 548 322 592 477 564 481 603 6392
H07 590 504 579 508 511 587 538 531 468 404 531 552 6302
H08 567 479 589 594 557 566 380 529 503 425 467 464 6120
H09 587 514 475 536 481 502 513 514 553 599 525 533 6332
H10 576 516 431 464 479 528 564 590 516 490 433 536 6123
H11 575 522 563 546 574 574 563 583 464 522 545 555 6586
H12 560 478 585 537 350 549 572 503 530 320 331 558 5873
H14 471 492 584 576 615 546 545 532 394 510 227 379 5871
H15 0 469 532 560 586 547 583 556 459 352 453 559 5658
H16 521 506 614 575 611 542 575 574 543 580 520 541 6700
H17 601 497 607 468 574 542 568 489 538 612 348 582 6427
H18 564 524 600 524 539 554 592 575 446 614 476 601 6609
F. HAULPACK 8893 8473 9481 9076 9159 9261 9015 9025 8186 8444 7759 8928 105698
H31 615 554 485 485 593 593 611 589 555 597 532 569 6777
H32 575 541 602 588 613 582 291 534 556 599 518 554 6552
H33 568 481 599 575 589 568 489 603 486 415 569 587 6528
H34 631 558 613 593 609 568 603 616 515 608 561 544 7017
F. KOMATSU 2389 2133 2298 2240 2404 2312 1994 2341 2111 2220 2179 2253 26873
FLOTA CMZ 13875 12799 13712 13182 14055 13415 13612 15092 14574 15293 14408 15175 169192
56
57

------------------------------------------------------------------------------------------------------------------------------------
TABLA 3.4: CONSUMOS ESPECÍFICOS MENSUALES AÑO 2009.

CONSUMOS ESPECIFICOS [LTS/HORA]
F.CATERPILLAR 158 156 168 148 148 153 144 141 152 153 147 155 151
Total C19 148 162 146 0 148 0 0 0 144 140 143 146 145
Total C20 155 153 184 0 1286 147 147 140 150 151 142 152 149
Total C21 175 158 177 148 144 157 141 142 161 172 159 227 156
F.TEREX 186 177 181 166 171 182 190 192 199 200 194 195 189
Total H23 175 171 181 162 176 185 184 187 198 189 187 178 181
Total H24 190 181 176 170 169 182 196 193 198 192 192 202 187
Total H25 196 180 185 167 166 177 189 189 207 203 198 191 187
Total H26 201 198 195 187 197 195
Total H27 196 190 205 197 192 196
Total H28 193 206 214 203 206 206
F. HAULPAK 182 189 191 177 182 186 194 188 198 198 197 196 190
Total H01 189 190 201 178 184 183 195 189 200 199 206 194 192
Total H02 175 175 176 155 174 182 180 181 175 186 181 168 176
Total H03 184 192 197 180 186 191 199 186 205 199 200 202 193
Total H04 190 196 205 183 195 199 209 208 226 196 199 189 199
Total H05 180 194 187 183 178 179 195 180 200 187 192 200 188
Total H06 192 193 203 185 184 201 205 192 204 199 196 193 195
Total H07 183 194 199 184 176 179 188 189 188 203 199 197 190
Total H08 184 186 191 179 184 186 206 189 204 210 216 202 193
Total H09 179 190 189 169 174 180 192 177 190 196 193 208 187
Total H10 181 194 195 180 181 174 187 181 190 182 193 198 186
Total H11 182 192 203 184 187 192 193 190 200 197 205 203 194
Total H12 182 193 196 189 183 191 192 191 196 209 194 196 192
Total H14 185 186 193 172 190 189 195 187 216 206 192 194 192
Total H15 0 175 190 174 188 184 199 196 195 201 203 200 191
Total H16 169 177 157 150 176 180 184 181 192 195 188 185 177
Total H17 182 188 185 179 174 185 195 177 198 195 197 193 187
Total H18 178 200 194 185 186 188 187 193 205 206 202 206 194
F. KOMATSU 197 205 205 188 194 196 204 202 212 210 209 206 202
Total H31 189 195 199 193 186 190 198 198 205 202 202 205 197
Total H32 200 209 207 192 194 200 207 199 218 210 208 209 204
Total H33 204 209 204 181 199 199 211 207 214 209 204 206 203
Total H34 197 207 208 186 196 195 203 203 210 218 221 204 204
TOTAL FLOTA
183 189 192 177 181 185 191 187 196 196 194 195 189
CMZ
57
58

------------------------------------------------------------------------------------------------------------------------------------
Consumos Especificos Flota CMZ 2009 [Lts/Hrs]
151
202
189
190
DIESEL FLOTA CATERPILLAR DIESEL FLOTA TEREX DIESEL FLOTA HAULPAK DIESEL FLOTA KOMATSU
FIGURA 3.4: CONSUMO ESPECÍFICO DE PETRÓLEO [LTS. /HR]
3.5 Tipos de Motores
Los motores diesel típicamente están diseñados para laborar muchas más
horas bajo condiciones adversas, antes de requerir un overhaul (cambio de
motor). También hay que tener en cuenta, que cualquier negligencia en el nivel de
mantención preventiva en un motor diesel, puede significar un costo mucho mas
elevado en términos de reparación correctiva.
Es por esto que es de suma importancia conocer con que tipos de motores
trabaja la flota de transporte en C.M.Z.; esta clasificación se puede apreciar en la
figura 3.5
58
59

------------------------------------------------------------------------------------------------------------------------------------
FIGURA 3.5: CLASIFICACIÓN DE MOTORES EN C.M.Z.
La figura 3.5 se aprecia la clasificación de la flota de transporte en C.M.Z.

Esta se especifica en 3 tipos de motores (QSK-60 con distribuidor Cummins, MTU-
4000 con distribuidor Detroit, CAT-3516 con distribuidor Caterpillar) para sus 4
tipos de flotas.
3.5.1 Factores de Carga
Adentrándonos más en el tema de los motores, en fundamental definir un

concepto básico que tiene una alta contribución en el trabajo del motor y asimismo
en el consumo de combustible.
Como ya es conocido la carga se define como la salida mecánica de un

motor. Esta carga se mide en hp ó watts, la potencia nominal en hp indica la
potencia máxima de salida que normalmente debe producirse; el factor de carga
59
60

------------------------------------------------------------------------------------------------------------------------------------
es un indicador de la capacidad a la cual está trabajando el motor, por tanto el

factor de carga indica el porcentaje en que el motor trabajo a máxima capacidad
dentro de sus horas operacionales.
Es importante determinar el factor de carga de los motores para estar

seguros que están dimensionados en forma apropiada para sus aplicaciones y
para ayudar a identificar problemas potenciales, como por ejemplo de sobrecarga.
En las tablas (3.5, 3.6, 3.7) y en las figuras (3.6, 3.7, 3.8), se aprecia los
factores de carga promedios mensuales del año 2009, según los motores QSK-60
MTU-4000 y CAT3516 respectivamente.
TABLA 3.5: FACTORES DE CARGA MENSUALES AÑO 2009 PARA TIPO MOTOR QSK-60.
Motor FACTOR DE CARGA QSK – BARRICK ZALDIVAR 2009
QSK-60
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Prom.
H01 34,3% 34,7% 34,8% 33,6% 33,6% 36,1% 36,5% 36,3% 36,6% 36,8% 37,5% 39,9% 35,9%
H03 32,8% 32,8% 32,9% 35,6% 32,6% 35,8% 36,1% 36,1% 36,5% 37,0% 37,2% 37,5% 35,2%
H06 32,4% 37,2% 37,2% 37,9% 37,9% 38,5% 38,7% 37,4% 40,2% 40,3% 40,1% 39,3% 38,1%
H07 31,5% 33,5% 33,5% 33,5% 39,0% 38,0% 39,5% 36,0% 37,5% 37,9% 37,9% 38,6% 36,4%
H11 38,9% 38,6% 38,4% 33,8% 36,2% 36,1% 36,1% 35,8% 36,3% 37,7% 39,1% 39,8% 37,2%
H12 37,8% 36,6% 36,5% 32,8% 44,6% 39,9% 39,6% 39,7% 40,0% 39,9% 39,7% 39,7% 38,9%
H14 32,5% 34,3% 32,3% 35,4% 41,3% 38,7% 39,3% 39,6% 39,6% 40,9% 40,6% 37,7%
H16 34,2% 34,1% 31,4% 25,8% 33,1% 33,5% 33,5% 32,7% 32,3% 32,7% 32,6% 32,9% 32,4%
H17 36,9% 35,8% 36,0% 34,3% 44,0% 34,7% 35,1% 35,8% 35,3% 35,4% 35,8% 37,8% 36,4%
H18 30,0% 30,2% 30,5% 33,7% 32,5% 34,5% 34,8% 35,1% 35,4% 35,7% 35,8% 36,1% 33,7%
H31 36,2% 39,1% 39,0% 38,9% 39,2% 39,3% 39,1% 39,2% 39,4% 39,0% 40,7% 41,0% 39,2%
H32 36,1% 36,7% 36,7% 36,5% 36,7% 36,3% 36,7% 36,7% 37,2% 37,2% 37,7% 37,8% 36,9%
H33 36,0% 36,0% 36,0% 36,5% 36,5% 36,2% 36,6% 36,7% 37,1% 37,1% 37,2% 37,3% 36,6%
H34 37,1% 36,0% 36,0% 36,1% 36,6% 35,6% 35,9% 36,2% 36,6% 40,3% 37,4% 36,7% 36,7%
Prom. 34,8% 35,5% 35,2% 34,4% 37,0% 36,8% 36,9% 36,6% 37,1% 37,6% 37,8% 38,2% 36,2%
60
61

------------------------------------------------------------------------------------------------------------------------------------
Factores de Carga Motor QSK-60 2009
38,2%
37,8%
37,6%
37,1%
37,0%
36,9%
36,8%
39%
36,6%
36,2%
Factores de Carga [%]
38%
35,5%
35,2%
34,8%
37%
34,4%
36%
35%
34%
33%
32%
Dic
Oct
Jun
Mar
Jul
May
Nov
Ene
Abr
Prom.
Feb
Ago
Sep
Tiempo [Meses]
Factores de Carga QSK-60
FIGURA 3.6: GRAFICO COMPORTAMIENTO MENSUAL FACTORES DE CARGA PARA MOTORES QSK-60.
TABLA 3.6: FACTORES DE CARGA MENSUALES AÑO 2009 PARA TIPO MOTOR MTU-4000.
Motor
FACTOR DE CARGA MTU – BARRICK ZALDIVAR 2009
MTU
4000 Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Prom.
H02 34,3% 34,7% 34,8% 33,6% 34,7% 35,4% 33,4% 35,6% 35,0% 33,4% 36,9% 37,4% 34,9%
H04 32,8% 32,8% 32,9% 35,6% 33,8% 34,9% 36,6% 36,1% 36,0% 40,1% 38,1% 38,5% 35,7%
H05 32,4% 37,2% 37,2% 37,9% 34,2% 35,9% 38,5% 35,8% 39,0% 41,7% 39,9% 39,7% 37,5%
H08 31,5% 33,5% 33,5% 33,5% 34,6% 35,4% 35,2% 36,5% 37,0% 38,2% 38,2% 38,6% 35,5%
H09 38,9% 38,6% 38,4% 33,8% 36,0% 39,1% 38,9% 38,2% 41,0% 41,9% 37,3% 38,7% 38,4%
H10 37,8% 36,6% 36,5% 32,8% 35,4% 38,2% 40,4% 39,0% 40,0% 40,1% 39,5% 38,3% 37,9%
H15 32,5% 34,3% 32,3% 39,2% 40,6% 41,9% 41,1% 42,0% 42,6% 39,7% 38,7% 38,6%
H23 34,2% 34,1% 31,4% 25,8% 37,0% 43,5% 36,9% 40,8% 40,0% 41,4% 36,2% 38,6% 36,7%
H24 36,9% 35,8% 36,0% 34,3% 33,4% 36,2% 37,4% 38,2% 39,0% 38,6% 38,4% 36,2% 36,7%
H25 30,0% 30,2% 30,5% 33,7% 37,1% 38,0% 39,9% 40,7% 42,0% 42,2% 36,5% 37,0% 36,5%
H26 42,2% 44,0% 45,8% 43,1% 42,7% 43,6%
H27 42,9% 42,0% 44,6% 41,2% 40,8% 42,3%
H28 42,7% 45,0% 45,9% 40,1% 41,9% 43,1%
Prom. 34,3% 34,6% 34,6% 33,3% 35,5% 37,7% 37,9% 39,2% 40,2% 41,3% 38,9% 39,0% 37,2%
61
62

------------------------------------------------------------------------------------------------------------------------------------
Factores de Carga MTU-4000 2009
41,3%
40,2%
39,0%
39,2%
38,9%
37,9%
37,7%
37,2%
34,6%
34,6%
33,3%
35,5%
34,3%
50%
Factores de Carga [%]

40%
30%
20%
10%
0%
Oct
Dic
Jun
Mar
Jul
May
Nov
Ene
Abr
Prom.
Feb
Ago
Sep
Tiempo [Meses]
Factores de Carga MTU-4000
FIGURA 3.7: GRAFICO COMPORTAMIENTO MENSUAL FACTORES DE CARGA PARA MOTORES MTU-4000.
TABLA 3.7: FACTORES DE CARGA MENSUALES AÑO 2009 PARA TIPO MOTOR CAT-3516.
Motor
FACTOR DE CARGA CAT-3516 - BARRICK ZALDIVAR 2009
CAT-
3516 Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Prom.
H19 28,0% 29,4% 25,3% 26,5% 25,7% 25,3% 25,4% 26,6% 26,5%
H20 29,6% 27,3% 34,2% 27,0% 25,4% 25,9% 27,0% 27,9% 25,1% 28,0% 27,7%
H21 34,3% 28,6% 32,6% 28,6% 25,7% 29,5% 24,2% 26,3% 29,4% 32,9% 29,2% 45,4% 30,6%
Prom. 30,6% 28,4% 30,7% 28,6% 26,1% 28,3% 24,8% 26,1% 27,4% 28,7% 26,6% 33,3% 28,3%
Factores de Carga CAT-3516 2009

33,3%
30,7%
30,6%
28,6%
28,3%
28,7%
28,4%
28,3%
27,4%
26,1%
26,6%
26,1%
24,8%
35,0%
30,0%
Factores de Carga
25,0%
20,0%
[%]
15,0%
10,0%
5,0%
0,0%
Ene Feb M ar Abr M ay Jun Jul Ago Sep Oct Nov Dic Prom.
Tiempo [Meses]
Factores de Carga CAT-3516
FIGURA 3.8: GRAFICO COMPORTAMIENTO MENSUAL FACTORES DE CARGA PARA MOTORES CAT-3516.
62
63

------------------------------------------------------------------------------------------------------------------------------------
3.6 Sistema de Gestión Dispatch
El Sistema Dispatch corresponde a un Sistema de Administración Minera

a gran escala, que utiliza los sistemas más modernos de computación y
comunicación de datos, junto con lo más avanzado de la tecnología del Sistema
de Posicionamiento Global (GPS) con el fin de proporcionar asignaciones, en
forma automática, de camiones de transporte a palas, en la minería a cielo abierto.
Dispatch es una herramienta con multifunciones. Tres de sus

multifunciones son colector de datos integrado, multi-gran base de datos, y como
un componente que resuelve problemas en tiempo real con alta velocidad.
El Sistema Dispatch constantemente recibe, refiere, y almacena datos.

Usa los datos en tiempo real e histórico para actualizar archivos, generar
decisiones de asignaciones y reportes.
Es por lo anteriormente mencionado que utilizaremos este gran software

para recopilar valiosa información de la flota de transporte a estudiar. Nuestro
alcance de información es desde Enero del 2009 hasta Enero del 2010. Por la
excesiva cantidad de datos y a modo de ejemplo, solamente mostraremos el mes
de Enero 2010.
3.6.1 Kilometraje Recorrido
En la tabla 3.7 se puede apreciar los kilometrajes recorridos por la flota de

transporte en el mes de Enero del 2010.
63
64

------------------------------------------------------------------------------------------------------------------------------------
TABLA 3.7: KILÓMETROS RECORRIDOS POR LA FLOTA DE TRANSPORTE MES ENERO 2010.
KILOMETRAJE
CAMION
VACIO LLENO TOTAL
H01 4.266 4.635 8.901,4
H02 3.228 4.160 7.387,4
H03 4.341 4.492 8.832,7
H04 4.388 4.592 8.980,6
H05 5.202 5.423 10.624,9
H06 4.908 5.113 10.020,2
H07 4.127 4.427 8.553,4
H08 3.381 3.766 7.147,1
H09 3.886 4.036 7.921,4
H10 4.412 4.672 9.083,9
H11 4.529 4.755 9.284,3
H12 5.215 5.383 10.597,3
H14 4.380 5.093 9.472,4
H15 3.023 3.195 6.217,5
H16 2.542 2.720 5.262,0
H17 4.961 5.146 10.106,2
H18 4.019 4.479 8.497,9
H19 3.828 5.753 9.581,6
H21 2.574 3.990 6.564,8
H23 4.760 5.127 9.887,6
H24 4.684 4.895 9.579,8
H25 3.726 3.913 7.639,0
H26 4.401 4.798 9.198,8
H27 5.223 5.758 10.980,8
H28 5.155 5.446 10.600,4
H31 4.962 5.574 10.535,9
H32 5.501 5.891 11.392,1
H33 4.493 5.101 9.593,7
H34 4.934 5.612 10.545,9
PROMEDIO 4.311,94 4.756,71 9.068,66
64
65

------------------------------------------------------------------------------------------------------------------------------------
3.6.2 Tiempos
Los períodos entregados por dispatch nos muestran los tiempos en donde los equipos fueron utilizados
y los tiempos en los cuales los equipos se detuvieron ya sea por una mantención programada o una
irregularidad no programada. Estos tiempos quedan expresados en la tabla 3.8 y corresponden al mes de
Enero del 2010.
TABLA 3.8: TIEMPOS POR FLOTA DE TRANSPORTE MES ENERO 2010

TIEMPOS
CAMION
Usado DemNoP DemPro Hrs Op Reserva MantPRO MantNoP Acciden Neuma Nominal Operat DispFis Util %
H01 528 18 8 553,6 118,5 30,5 35,4 0,0 5,9 744,0 90,3 90,3 82,4
H02 402 12 7 421,6 103,6 37,8 175,4 0,0 5,6 744,0 70,6 70,6 80,3
H03 486 18 9 511,9 127,6 31,3 51,9 0,0 21,2 744,0 86,0 86,0 80,1
H04 497 16 10 523,3 92,2 49,1 72,6 0,4 6,3 744,0 82,7 82,7 85,0
H05 577 23 9 609,2 101,5 17,2 15,6 0,0 0,5 744,0 95,5 95,5 85,7
H06 538 17 16 569,8 115,3 18,8 39,5 0,0 0,6 744,0 92,1 92,1 83,2
H07 508 17 8 533,7 95,8 19,2 92,4 0,0 2,9 744,0 84,6 84,6 84,8
H08 424 13 10 447,0 96,9 30,0 162,0 0,0 8,0 744,0 73,1 73,1 82,2
H09 411 12 8 430,5 85,4 159,7 68,4 0,0 0,0 744,0 69,3 69,3 83,4
H10 508 14 9 530,8 105,3 40,8 67,0 0,0 0,0 744,0 85,5 85,5 83,4
H11 513 15 9 536,7 100,4 18,4 75,4 2,5 10,7 744,0 85,6 85,6 84,2
H12 566 15 10 591,3 109,0 12,1 31,3 0,1 0,1 744,0 94,1 94,1 84,4
H14 504 13 9 526,2 87,3 19,3 104,8 0,0 6,5 744,0 82,4 82,4 85,8
H15 365 9 8 382,2 110,0 32,6 138,9 68,3 12,0 744,0 66,2 66,2 77,7
65
66

------------------------------------------------------------------------------------------------------------------------------------
H16 359 8 6 373,1 63,0 12,4 295,2 0,2 0,0 744,0 58,6 58,6 85,6
H17 562 14 10 586,4 95,3 28,5 26,9 0,0 6,9 744,0 91,6 91,6 86,0
H18 508 15 11 534,0 108,8 70,7 26,4 0,0 4,2 744,0 86,4 86,4 83,1
H19 467 12 7 486,1 137,8 27,6 92,5 0,0 0,0 744,0 83,9 83,9 77,9
H21 321 10 8 338,4 162,4 19,2 222,7 0,0 1,2 744,0 67,3 67,3 67,6
H23 545 19 12 576,5 95,7 32,5 23,7 5,0 10,6 744,0 90,3 90,3 85,8
H24 518 17 8 543,4 98,9 25,2 57,3 0,0 19,3 744,0 86,3 86,3 84,6
H25 416 13 12 440,3 116,0 38,3 124,0 0,0 25,4 744,0 74,8 74,8 79,1
H26 551 16 9 576,2 103,3 20,2 38,8 0,0 5,5 744,0 91,3 91,3 84,8
H27 594 18 12 623,9 95,5 19,2 4,9 0,0 0,5 744,0 96,7 96,7 86,7
H28 552 17 13 581,7 99,1 16,8 46,4 0,0 0,0 744,0 91,5 91,5 85,4
H31 562 14 9 585,7 101,6 22,9 25,0 0,0 8,8 744,0 92,4 92,4 85,2
H32 597 18 8 623,0 87,8 17,1 14,5 0,0 1,5 744,0 95,5 95,5 87,6
H33 539 19 12 569,2 99,2 12,6 60,7 0,0 2,3 744,0 89,8 89,8 85,2
H34 566 17 10 593,0 111,6 14,8 24,5 0,0 0,2 744,0 94,7 94,7 84,2
TOTAL 14.484 437 278 15.199 3.025 895 2.214 77 167 21.576 2.449 2.449 2.411
PROMEDIO 499,44 15,06 9,60 524,09 104,30 30,86 76,35 2,64 5,75 744,00 84,45 84,45 83,15
66
67

------------------------------------------------------------------------------------------------------------------------------------
3.6.3 Cargas
Dispatch también nos puede facilitar las cargas realizadas por los
camiones en cualquier tiempo determinado, en este caso la tabla 3.9 nos enseña
las cargas de los camiones efectuadas en el mes de enero del 2010.
TABLA 3.9: CARGAS EFECTUADAS POR LA FLOTA DE TRANSPORTE EN ENERO 2010.

CARGAS
CAMIONES
Óxidos Sulfuros Estéril Otros Total
H01 643 148 135 0 926
H02 611 147 145 0 903
H03 572 161 136 1 869
H04 590 103 205 0 898
H05 634 172 258 1 1064
H06 642 154 220 0 1016
H07 629 152 160 0 941
H08 526 110 91 0 727
H09 412 132 243 0 787
H10 589 146 150 0 885
H11 579 226 130 0 935
H12 659 225 167 0 1051
H14 722 120 227 0 1069
H15 416 149 102 0 667
H16 670 71 102 0 843
H17 671 175 144 1 990
H18 616 178 96 0 890
H19 869 86 277 0 1232
H21 593 46 178 0 817
H23 737 142 115 0 994
H24 678 134 172 0 984
H25 515 133 135 0 783
H26 724 160 143 0 1027
67
68

------------------------------------------------------------------------------------------------------------------------------------
H27 770 192 170 0 1132

H28 567 171 340 0 1078
H31 862 170 108 0 1140
H32 709 245 154 1 1108
H33 768 164 93 0 1025
H34 727 177 133 0 1037
TOTAL 18.700 4.389 4.729 4 27.818
PROMEDIO 644,83 151,34 163,07 0,14 959,24
3.6.4 Toneladas Transportadas
Dispatch de igual forma nos puede proporcionar las toneladas

transportadas por la flota de transporte en un tiempo determinado, en este caso la
tabla 3.10 nos muestra las toneladas transportadas por los camiones, generadas
en el mes de enero del 2010.
TABLA 3.10: TONELADAS EFECTUADAS POR LA FLOTA DE TRANSPORTE EN ENERO 2010.

TONELADAS
CAMIONES
MINERAL ESTERIL OTROS TOTAL
H01 162.225 48.375 225 210.825
H02 236.700 18.450 0 255.150
H03 213.300 24.975 1.125 239.400
H04 193.950 24.975 450 219.375
H05 221.625 28.575 225 250.425
H06 242.100 18.900 0 261.000
H07 235.575 28.350 0 263.925
H08 217.800 20.250 2.700 240.750
H09 233.550 20.025 900 254.475
H10 214.200 21.825 450 236.475
H11 213.750 30.825 0 244.575
H12 217.575 34.875 6.975 259.425
H14 201.150 21.600 2.700 225.450
68
69

------------------------------------------------------------------------------------------------------------------------------------
H16 267.525 19.575 1.125 288.225

H17 243.900 12.825 675 257.400
H18 185.625 30.600 450 216.675
H19 118.575 61.425 6.525 186.525
H20 189.675 39.600 26.550 255.825
H21 130.500 27.675 22.275 180.450
H23 210.525 41.925 675 253.125
H24 136.575 26.550 0 163.125
H25 172.350 47.475 3.600 223.425
H31 227.475 26.775 1.125 255.375
H32 217.350 34.875 450 252.675
H33 223.650 30.150 450 254.250
H34 240.750 36.450 0 277.200
TOTAL 5.367.975 777.900 79.650 6.225.525
PROMEDIO 206.460,58 29.919,23 3.063,46 239.443,27
Con toda la información que nos proporciona en plenitud el capitulo 3,

estamos en condiciones de analizar e interpretar los datos expuestos con el fin de
generar un modelamiento del consumo de combustible especifico, mensual y
anual, según los requerimientos expuestos por el área de gestión en mina.
Para el caso de los análisis y las inferencias de acuerdo al modelo

específico de combustible [Lts/hrs.], necesitaremos definir la teoría de la regresión
multivariable, la cual nos guiará en la búsqueda del modelo mas asertivo y al
mismo tiempo nos respaldará a la hora de validar tal modelo.
69
70
Capitulo 4 – Regresión Multivariable

------------------------------------------------------------------------------------------------------------------------------------
CAPITULO 4
REGRESIÓN MULTIVARIABLE
4.1 Introducción
En cualquier ciencia es necesario establecer relaciones entre variables

que se presupone que tienen relación con el objeto de estudio. Si estas relaciones
existen y son comprendidas, podemos entender el funcionamiento del sistema y,
consecuentemente, prever su comportamiento futuro, incluso si las condiciones
varían.
La regresión múltiple es una extensión inmediata de la regresión simple.

En aquella se pretende estudiar la relación entre una variable dependiente y, y
varias variables independientes o predictoras x.
Vamos a dedicar este capítulo a la regresión múltiple. Desarrollaremos los

conceptos teóricos básicos, las hipótesis y los métodos. Vamos a ver en qué
consiste el modelo de regresión múltiple y cómo se le interpreta; cómo se pueden
estimar los coeficientes a partir de los datos; cómo se puede llevar a cabo
inferencias en el modelo.
4.2 El Modelo de Regresión Múltiple
Cualquier tipo de empresa se enfrenta a situaciones en las que los

cambios o variaciones en alguna entidad necesitan entenderse y pronosticarse, y
en las que hay muchos indicadores posibles que señalan hacia los cambios
70
71

------------------------------------------------------------------------------------------------------------------------------------
predichos (en forma quizá incompatibles). La regresión múltiple es un método para

utilizar datos y escoger el mérito predictivo de los predictores contendientes.
Dados los datos, la primera tarea en la regresión múltiple es especificar un

modelo, la forma matemática de la ecuación de predicción. El modelo más simple
toma cada predictor, lo multiplica por un peso numérico (coeficiente) y añade las
cantidades que de ello resultan a un término constante.
4.2.1 Variable Dependiente (Y)
Las variables de interés en un experimento (las que se miden u observan)

se denominan variables dependientes o de respuesta.
4.2.2 Variables Predictoras (xi)
Otras variables en el experimento que afectan la respuesta y que el

experimentador puede establecer o medir se denominan variables predictoras,
explicativas o independientes.
4.2.3 Interpretación del Intercepto (β0)
Indica el valor promedio de la variable de respuesta o dependiente Y

cuando todas las variables independientes Xi son cero. Si se tiene certeza de que
todas las variables predictoras o independientes Xi no puede asumir el valor 0,
entonces la interpretación no tiene sentido.
71
72

------------------------------------------------------------------------------------------------------------------------------------
4.2.4 Interpretación Pendientes Parciales (βj)
El estimado del coeficiente de regresión poblacional bj, con j = 1…p, se

representará por βj. Este estimado indica el cambio promedio en la variable de
respuesta Y cuando la variable predictora xj cambia en una unidad adicional
asumiendo que las otras variables predictoras permanecen constantes.
El modelo de regresión lineal múltiple con p variables predictoras X1,…Xp es

de la siguiente forma:(véase Ecuación 4.1)
Y =β0 +β1 ∗x1 +β2 ∗x2 +....+βp ∗xp +e (4.1)
Donde:
Y : Variable dependiente que se quiere explicar o predecir
Xi : Variables independientes o predictoras,
e : Término de error.
β0 : Término constante o intercepto
β1 a βp : Pendientes parciales.
Las constantes β0, β1…βp, llamadas coeficientes de regresión, se estiman

usando el método de mínimos cuadrados, y usando n observaciones de la forma
Yi, xi1, xi2,…, xip, donde i = 1…n. Dicha observación se presenta en la siguiente
ecuación 4.2:
Yi =β0 +β1 ∗xi1 +β2 ∗xi2 +....+βp ∗xi p +ei (4.2)
72
73

------------------------------------------------------------------------------------------------------------------------------------
El que usemos o no el subíndice no reviste mayor importancia; ambas

formas del modelo de regresión son de uso común y significan los mismo.
4.2.5 Modelo de Primer Orden
El modelo de regresión más simple se llama modelo de primer orden. En

él se encuentra cada predictor por sí mismo, sin transformaciones matemáticas
tales como términos cuadráticos o logaritmos, ni combinaciones como productos.
El uso del modelo de primer orden presupone ciertas hipótesis acerca de la
naturaleza de la relación entre Y y los predictores. En primer lugar, supone que Y
cambia a una tasa constante ante cambios en xj , en oposición a, digamos, un
crecimiento que sigue una razón decreciente, o un incremento hasta alcanzar un
máximo seguido de una disminución.
4.2.5.1 Interacción
Un modelo de primer orden también supone implícitamente que no hay

interacción entre los predictores. Dos variables independientes interactúan en su
efecto sobre la variable dependiente si el efecto pronosticado del cambio de un
predictor, manteniendo al otro constante, depende del lugar en que la otra variable
se mantiene constante.
4.2.5.2 Término de Error
El término de error (ei) incluye todos los efectos de factores impredecibles

e ignorados. (Lo que básicamente se espera en la regresión múltiple es hacer que
los valores ei sean pequeños por medio de la inclusión de todos o casi todos los
factores predictivos relevantes.) Las hipótesis formales sobre los ei, son las
siguientes;
73
74

------------------------------------------------------------------------------------------------------------------------------------
Hipótesis básicas del modelo de regresión múltiple para ei:
El modelo de regresión múltiple requiere hacer las siguientes hipótesis:
1. Linealidad: Es una hipótesis fundamental. Para ajustar una línea recta a un

conjunto de datos es preciso que éstos tengan un aspecto razonablemente recto.
2. E (ei)= 0: El valor promedio del error es cero para toda i. Esta hipótesis implica
que el ajuste que se va realizar está centrado respecto a los datos. Así, en virtud
de esta hipótesis cabe esperar que la recta de regresión esté centrada en la nube
de puntos de los datos.
3. Var (ei) = σ2= CTE: La varianza de los errores es constante y no depende del
nivel de las variables. Esta hipótesis implica que la nube de puntos de los datos
tiene una anchura semejante a lo largo de la recta de regresión. Si lo datos
cumplen esta hipótesis se dice que son Homocedásticos. Por el contrario, datos
cuya variabilidad no es constante se denominará Heterocedásticos.
4. Independencia E (ei ej)= 0 Esta hipótesis implica que las observaciones son
independientes. Es decir una observación no ofrece información sobre los valores
de la siguiente. Esta hipótesis invalida el análisis de regresión, con datos de tipo
temporal en los que exista autocorrelación.
5. Normalidad ei∼ N (0,σ2) Esta hipótesis se refiere a que los errores se

distribuyen normalmente, es decir siguiendo una campana de Gauss. Es una
hipótesis razonable en virtud del Teorema Central del Límite que dice que cuando
una variable es el resultado de muchas cosas pequeñas tenderá a distribuirse
normalmente.
74
75

------------------------------------------------------------------------------------------------------------------------------------
Es muy importante que se cumplan estas hipótesis. Para ello se realizará

un examen gráfico de los datos antes del ajuste y, posteriormente, se comprobará
que se cumplen mediante el análisis de los residuos.
4.2.5.3 Modelo Lineal General
La ecuación 4.2, junto con las hipótesis señaladas para los términos xij y
ei, se llama a menudo modelo lineal general. La palabra lineal se utiliza de una
manera peculiar. Como algunos predictores x pueden ser funciones no lineales de
los otros, la expresión no significa necesariamente que E(Y) es una función lineal
de las variables independientes. Es decir si observamos el modelo lineal general
como una función de los parámetrosβ, considerando a las x como números dados,
si es lineal. Cualquier ecuación de predicción que es lineal en los parámetros β
satisface el modelo lineal general.
4.3 Estimación de los Coeficientes de Regresión Múltiple
La primera tarea en el análisis de regresión múltiple consiste en estimar el

término constante β0, las pendientes parciales β1, β2,..., βk y la varianza del error
σe2. El principio básico es la estimación por mínimos cuadrados.
En la regresión múltiple, donde se utilizan p variables independientes, hay

que resolver p+1 ecuaciones para el término constante y las p pendientes
parciales. Si recuerda el tiempo y el esfuerzo requerido para resolver, digamos,
cuatro ecuaciones con cuatro incógnitas, usted apreciará por qué la regresión
múltiple casi siempre se lleva a cabo por medio de un paquete computacional. Hay
un patrón para las ecuaciones normales con cualquier número de variables
independientes que puede ser programado. Por lo tanto, un solo programa puede
75
76

------------------------------------------------------------------------------------------------------------------------------------
manejar cualquier número de variables independientes, hasta agotar los límites de

memoria de la computadora.
4.3.1 Residuos
Se define como la diferencia entre un valor observado (y) y su valor

ajustado correspondiente (ŷ). Los valores residuales son útiles especialmente en
procedimientos de regresión y ANOVA porque ellos indican el grado hasta el cual
un modelo representa la variación en los datos observados. A continuación
residuo se define como se presenta en la ecuación 4.3:
∧ ∧ ∧ ∧ ∧
yi − yi = yi − (β0 + β1∗ xi1 + β2 ∗ xi 2 + ....+ β p ∗ xi p ) (4.3)
Donde:
yi : Valor Observado
ŷ : Valor Ajustado
4.3.2 Suma de Cuadrados
Representa una medida de variación o desviación desde la media. Se

calcula como una suma de los cuadrados de las diferencias desde la media. El
cálculo de la suma total de cuadrados considera la suma de cuadrados a partir de
los factores y de una probabilidad aleatoria o un error.
En regresión, la suma total de cuadrados ayuda a expresar la variación

total de las y. La suma total de cuadrados se compone de la Suma de cuadrados
de la regresión SC (regresión) más la Suma de cuadrados de los residuos SC
(residuos). Lo antes mencionado queda definido en la ecuación 4.4
76
77

------------------------------------------------------------------------------------------------------------------------------------
SC (Total ) = SC ( regresion ) + SC ( residuos ) (4.4)
Una fórmula matemática para el cálculo de la ecuación anterior queda

definida por la ecuación 4.5
∑ ( yi − y i ) 2 = ∑ ( yˆ i − y i ) 2 + ∑ ( yi − yi ) 2 (4.5)
Donde:
yi : Valor Observado
ŷ : Valor Promedio
Los grados de libertad (g.l.) para esta suma de cuadrados son n-(p+1). Se
sustrae un g.l. para el término constante y un g.l. para cada una de las pendientes
parciales.
4.3.2.1 Suma de Cuadrados de la regresión SC (regresión)
La suma de cuadrados de la regresión es la variación atribuida a la

relación entre las variables predictoras xi y la variable dependiente Y. Lo anterior
queda determinado por la ecuación 4.6
SC ( regresion ) = ∑ ( yˆ i − y i ) 2
(4.6)
SC ( regresion ) = ∑ [( βˆ0 + βˆ1 * xi1 + βˆ2 * xi 2 + .... + βˆ p * xip ) − yi ]2
Al comparar la suma de cuadrados de la regresión con la suma total de

cuadrados, se encuentra la proporción de la variación total que se explica
77
78

------------------------------------------------------------------------------------------------------------------------------------
mediante el modelo de regresión (R2, el coeficiente de determinación). Mientras

más grande sea este valor, mejor será la relación que explique a la variable
dependiente, en función de las variables independientes.
4.3.2.2 Suma de Cuadrados de los residuos SC (residuos)
La suma de los cuadrados de los residuos SC (residual) o también

llamada SC (error) representa una medida de variación o desviación de la
variación atribuida al error. Lo antes mencionado queda definido en la ecuación
(4.7):
SC ( residual ) = ∑ ( yi − yˆ i ) 2
(4.7)
SC ( residual ) = ∑ [ yi − ( βˆ0 + βˆ1 ∗ xi1 + βˆ2 ∗ xi 2 + .... + βˆ p ∗ xi p )]2
4.3.3 Cuadrados medios
Representa una estimación de la varianza de la población. Se calcula

dividiendo la suma correspondiente de los cuadrados entre los grados de libertad.
En regresión, los cuadrados medios se utilizan para determinar si los

términos de un modelo son significativos. El cuadrado medio del término se
obtiene dividiendo la suma de los cuadrados del término entre los grados de
libertad.
78
79

------------------------------------------------------------------------------------------------------------------------------------
4.3.3.1 Cuadrados medios de los errores MC (residual)
El cuadrado medio MC (residual), también llamado como MC (error) se

obtiene dividiendo la suma de los cuadrados del error entre los grados de libertad
n-(p+1). El cuadrado medio del error MC (error) es la varianza (σ2) alrededor de la
línea de regresión ajustada. Lo antes mencionado se puede apreciar en la
Ecuación 4.8
SC (residual )
MC (residual ) = (4.8)
n − ( p + 1)
4.3.4 Desviación Estándar Residual Se
La desviación estándar residual Se es la raíz cuadrada de MC (error) y se

obtiene de la siguiente forma véase ecuación 4.9
Se = MC ( residual ) (4.9)
La desviación estándar residual es una medida del valor promedio de los

residuos. Esta es decisiva para determinar el error probable de una predicción
utilizando la ecuación de regresión. El error estándar depende del tamaño
muestral y del grado de extrapolación comprendido en la predicción. El error
estándar se debe multiplicar por un valor tabulado t apropiado para dar el error
probable. Este valor se puede utilizar como un indicador aproximado de la calidad
de la predicción de un modelo de regresión.
79
80

------------------------------------------------------------------------------------------------------------------------------------
4.3.5 Coeficiente de Determinación R2
Porcentaje de variación de la variable de respuesta que se explica por su

relación con una o más variables predictoras. En general, mientras más alto sea
R2, mejor se ajustará el modelo a sus datos. R2 está siempre entre 0 y 100%.
También se conoce como el coeficiente de determinación o de determinación
múltiple (en regresión múltiple).
Mientras menor sea la varianza que represente el modelo de regresión,

más cerca quedarán los puntos de datos de la línea de regresión ajustada. En
teoría, si un modelo pudiera explicar 100% de la varianza, los valores ajustados
siempre serían iguales a los valores observados y, por lo tanto, todos los puntos
de datos se ubicarían sobre la línea de regresión ajustada.
Entonces podemos decir que el coeficiente de determinación es una

medida de bondad del ajuste del modelo de regresión múltiple hallado y este se
representa en la ecuación 4.8
SC (total ) − SC ( residual ) SC ( regresion )

R2 = =
SC (total ) SC (total ) (4.8)
4.3.6 R2 (Ajustado)
Porcentaje de variación en la variable de la respuesta que es explicada

por su relación con una o más variables predictoras, ajustado para el número de
predictores en el modelo. Este ajuste es importante porque R2 siempre aumentará
para cualquier modelo cuando se agregue un nuevo término. Un modelo con más
términos podría parecer tener un mejor ajuste simplemente porque posee más
80
81

------------------------------------------------------------------------------------------------------------------------------------
términos. Sin embargo, algunos aumentos en R2 podrían atribuirse únicamente a

razones aleatorias.
El R2 ajustado es una herramienta útil para comparar la potencia

explicativa de modelos con diferentes números de predictores. El R2 ajustado
aumentará solamente si el nuevo término mejora el modelo más de lo que se
esperaría sólo por razones de probabilidad. Disminuirá cuando un predictor mejore
el modelo menos que lo esperado por probabilidad.
4.3.7 R2 (pronosticada)
Se utiliza en el análisis de regresión para indicar en qué medida el modelo

es capaz de predecir las respuestas de nuevas observaciones, en tanto que R2
indica en qué medida el modelo se ajusta a sus datos. R2 pronosticada puede
evitar el sobreajuste del modelo y puede ser más útil que R2 ajustada para
comparar modelos, porque se calcula utilizando observaciones no incluidas en la
estimación del modelo. El sobreajuste se refiere a modelos que parecen explicar la
relación entre las variables predictoras y de respuesta para el conjunto de datos
utilizado en el cálculo del modelo, pero no aportan predicciones válidas para
nuevas observaciones.
R2 pronosticada se calcula eliminando sistemáticamente cada una de las

observaciones del conjunto de datos, estimando la ecuación de regresión y
determinando en qué medida el modelo es capaz de predecir la observación que
se eliminó. R2 pronosticada varía entre 0 y 100%. Valores más grandes de R2
pronosticada sugieren modelos con mayor capacidad predictiva.
81
82

------------------------------------------------------------------------------------------------------------------------------------
4.3.8 Colinealidad
En ocasiones cuando se pretende explicar la variable dependiente Y

mediante una serie de variables predictoras x1, x2,…, xp que tienen mucha relación
entre sí; esto ocasiona que el modelo a diseñar no podrá distinguir qué parte de Y
es explicada por una variable y qué parte de Y es explicada por otra.
Cuando las variables independientes o predictoras están correlacionadas

entre sí, hay colinealidad (llamada en regresión múltiple; multicolinealidad). Por lo
general siempre existe cierto grado de colinealidad en los estudios de regresión
múltiple; lo que no representa problemas si las variables x están pocos
correlacionadas, pero es un problema significativo si las variables x están
sumamente correlacionadas. Las variables x correlacionadas dan lugar a piezas
sobrepuestas de la variabilidad en Y.
La multicolinealidad se detecta porque aunque el contraste t dé un valor

muy bajo, el contraste conjunto F indica que una parte importante de la
variabilidad es explicada por el modelo. Una forma adicional de comprobar la
existencia de multicolinealidad es que el coeficiente de determinación es alto
aunque las variables no sean significativas.
4.4 Inferencias en la Regresión Múltiple
Las ideas de la sección precedente comprenden la estimación puntual

(mejor suposición) de los coeficientes de la regresión, la desviación estándar Se y
los coeficientes de determinación R2, R2 (ajustado) y R2 (pronosticado). En esta
sección analizamos las inferencias acerca de los parámetros de las pendientes
parciales en el modelo de la regresión múltiple.
82
83

------------------------------------------------------------------------------------------------------------------------------------
4.4.1 Prueba de hipótesis de que todos los coeficientes de regresión son

ceros
En este caso la hipótesis nula es H0: β1=β2=…=βp= 0 o sea, que el modelo

no sirve, versus la hipótesis alterna Ha: Al menos uno de los coeficientes es
distinto de cero, o sea, al menos una de las variables del modelo sirve.
La prueba estadística es la prueba de F que se obtiene al hacer la tabla

del Análisis de varianza para la regresión múltiple y queda expresada por la
ecuación 4.10:
Prueba F
H0: β1 = β2 =... = βk = 0
Ha: al menos una βj ≠ 0
SC (regresión) / p MC (regresión)
F= = (4.10)
SC (residual ) /[ n − ( p + 1)] MC (residual )
Se distribuye como una F con p grados de libertad en el numerador y [n-

(p + 1)] grados de libertad en el denominador. Rechace H0 si F > Fα.
El rechazo de la hipótesis nula en esta prueba F no es abrumador. Tan

sólo indica que en alguna parte entre las variables independientes hay algún
valor predictivo. No nos da una indicación de qué variable independiente
individual es útil. Por lo tanto, la siguiente tarea es realizar inferencias acerca de
las pendientes parciales individuales.
Para llevar a cabo estas inferencias, necesitamos el error estándar

estimado de cada pendiente parcial (véase Ecuación 4.11). La mayoría de los
83
84

------------------------------------------------------------------------------------------------------------------------------------
paquetes computacionales para la regresión calculan y muestran los errores

estándar.
4.4.2 Error Estándar Estimado de βˆ j en una Regresión Múltiple
1
S e ( βî ) = S e (4.11)
∑ ( x ji − x i ) (1 − R 2 xi *x1 ... xi−1xi+1 ... x p )
2
Donde R xi *x1 ...xi−1xi+1 ...x p es el valor R2 que se obtiene al permitir que xj sea la
2
variable independiente en una regresión múltiple en que todas las demás variables
x son independientes. Observe que Se es la desviación estándar residual para la
regresión múltiple de y sobre x1, x2,…, xp.
4.4.2.1 Efecto de Colinealidad
El efecto más importante de una severa colinealidad, es que resulta en

errores estándar muy grandes para las pendientes parciales. Un error estándar
grande para cualquier pendiente parcial indica un error probable muy grande para
la estimación. La pendiente parcial βˆ i de xi estima el efecto de incrementar xi en
una unidad mientras las otras variables x permanecen constantes. Si xi es

altamente colineal con otra x, cuando xi se incrementa las otras x también varían
en vez de permanecer constantes. Por lo tanto, βˆ i es difícil de estimar y su error
probable es grande cuando xi es sumamente colineal con otras variables

independientes.
84
85

------------------------------------------------------------------------------------------------------------------------------------
El error estándar de cada pendiente parcial estimada βˆ i se utiliza en un
intervalo de confianza (véase Relación 4.12) y una prueba estadística para βˆ j
(véase Ecuación 4.13).
Intervalo de Confianza al 100 (1-α) % para βˆ i
βˆ i − tα / 2 S βˆ ≤ β i ≤ βˆ i + tα / 2 S βˆ
i i
(4.12)
Donde tα/2 tiene un área α/2 en la cola de una distribución t con g.l. = n-
(p+1).
4.4.3 Prueba de hipótesis de que cada coeficiente de regresión es cero
En este caso la hipótesis nula es H0: βi= 0 (i= 1,…, p), o sea, la variable xi
no es importante en el modelo, versus la hipótesis alterna Ha: βi≠ 0 (i= 1,…, p), que
significa que la variable xi si es importante. La prueba estadística es la prueba de t
dada por la ecuación 4.13
Prueba t
H0: βi = 0 (i= 1,…, p)

Ha: Ha: βi≠ 0 (i= 1,…, p)
1. t > tα
2. t < - tα
3. |t| > tα/2
Donde tα tiene un área α en la cola derecha de la distribución t con g.l. = n-(p+1).
85
86

------------------------------------------------------------------------------------------------------------------------------------
βî
t=
S e βî ( ) (4.13)
Esta hipótesis no afirma que xi no tiene valor predictivo por sí misma. Tan
sólo afirma que no tiene valor predictivo adicional más allá de las otras variables
independientes; es decir, si las demás variables x ya fueron utilizadas en un
modelo de regresión y xi se añadió en último lugar, no habrá ninguna mejora en la
predicción. Consideramos que H0: βi = 0 significa que xi no tiene valor predictivo
adicional como “último predictor que entra” en la regresión.
Las pruebas t y F de regresión múltiple que se analizaron en este capítulo
contrastan diferentes hipótesis nulas. En ocasiones sucede que la prueba F
resulta en el rechazo de H0: β1 = β2 =... = βp = 0, mientras que ninguna prueba t de
H0: βi = 0 es significativa. En tal caso, podemos concluir que hay un valor
predictivo en la ecuación como un todo, pero no podemos identificar las variables
específicas que tienen valor predictivo. Recuerde que cada prueba t examina el
valor que tendría la variable al entrar como “último predictor”. Cuando las variables
explicativas están altamente correlacionadas entre sí, sucede a menudo que no se
puede demostrar que alguna xi tenga un valor significativo al “entrar al último
lugar”, aun cuando se haya demostrado que las variables x juntas son útiles.
4.5 Construcción de un Modelo de Regresión Múltiple
4.5.1 Selección de las Posibles Variables Independientes
Una de las principales dificultades a la hora de ajustar un modelo de

regresión múltiple surge cuando es necesario identificar entre el conjunto de
86
87

------------------------------------------------------------------------------------------------------------------------------------
variables disponibles aquellas que están relacionadas con la respuesta y que la

predicen de la mejor forma posible.
Una buena propiedad de un modelo de regresión múltiple es que permita

explicar el comportamiento de la variable dependiente o de respuesta Y lo mejor
posible, haciendo uso del menor número de variables predictoras posibles, esta
propiedad es llamada “parsimonía”.
Los modelos con una gran cantidad de variables predictoras son muy
difíciles de interpretar y además son altamente costosos desde el punto de vista
de recolección de datos y el uso de la computadora.
4.5.2 Colinealidad
Un problema que es muy importante considerar al seleccionar las

variables de predicción es el de colinealidad, variables independientes
severamente correlacionadas. Una pendiente parcial de regresión múltiple estima
el efecto predictivo de cambiar una variable independiente mientras se mantienen
constantes las otras. Pero cuando uno o todos los predictores varían juntos, puede
ser casi imposible separar los efectos predictivos de cada uno de ellos.
Un resultado común cuando todos los predictores están sumamente

correlacionados es que la prueba global F es altamente significativa pero ninguna
de las pruebas t individuales está cerca de serlo. El significativo resultado F tan
solo indica que entre las variables independientes hay algún valor predictivo; los
valores t no significativos indican que no podemos determinar un valor predictivo
“adicional” para ninguna variable, suponiendo que están dadas las otras. La razón
es que los predictores altamente correlacionados son sustitutos los unos de los
otros; cualquiera de ellos puede se útil individualmente, pero la adición de los
87
88

------------------------------------------------------------------------------------------------------------------------------------
demás no lo será. Cuando en un modelo de regresión múltiple se utilizan variables

independientes sumamente colineales, puede ser virtualmente imposible decidir
que predictores están de hecho relacionados con la variable dependiente.
4.5.3 Matriz de Correlación
Hay varias maneras de determinar la amplitud de la colinealidad en un

conjunto de variables independientes. El método más simple consiste en examinar
una matriz de coeficientes de correlación, que se puede producir en casi todos los
paquetes estadísticos para la computadora. Mientras más altas sean dichas
correlaciones, más severo será el problema de colinealidad. En la mayoría de las
situaciones, cualquier correlación por encima de 0.9 indica en definitiva un serio
problema. La matriz de correlación tal vez no revele el problema en toda su
extensión. En ocasiones, dos predictores juntos predicen a un tercero bastante
bien, aun cuando ninguno de los dos por sí mismo muestre una correlación más
que modesta con el tercero.
4.6 Elección del Modelo de Regresión
Hemos señalado muchas razones para incluir variables en un estudio de

regresión. La mayoría de estas sugerencias incluyen la adición de más variables
independientes al estudio. Para seleccionar las variables independientes entre
todos los candidatos, es necesario recurrir a algunos principios sensatos al hacer
la construcción final del modelo de regresión. Existen dos métodos generales de
lograr este objetivo: los métodos “stepwise” y el método de los “mejores
subconjuntos”.
88
89

------------------------------------------------------------------------------------------------------------------------------------
4.6.1 Los métodos "stepwise"
Los métodos stepwise se subdividen a su vez en 3 métodos que se

detallan a continuación:
¾ Método de eliminación hacia atrás (“Backward Elimination”)
¾ Método de Selección hacia adelante (“Forward Selection”)
¾ Método Paso a Paso ("Stepwise")
4.6.1.1 Método de eliminación hacia atrás (Backward Eliminación)
Aquí el paso inicial es incluir en el modelo todas las variables predictoras y

en cada paso se elimina la variable cuyo “p-value” es más grande para la prueba
de t o cuyo valor de la prueba t menor que 2 en valor absoluto. Una variable que
es eliminada del modelo ya no puede volver a entrar en un paso subsiguiente.
El proceso termina cuando todos los “p-values” son menores que 0.05, o
sea cuando todas las variables predictoras son significativas al modelo con un
95% de confiabilidad. O cuando todos los valores de la prueba t son mayores que
2 en valor absoluto.
Lo anterior también se puede hacer con una prueba F-parcial, puesto que
F = t2 (cuando el numerador tiene grados de libertad igual a 1). Luego, el método
terminará cuando todas las F son mayores que 4.
89
90

------------------------------------------------------------------------------------------------------------------------------------
4.6.1.2 Método de Selección hacia adelante
Aquí el paso inicial se considera una regresión lineal simple que incluye a
la variable predictora que da la correlación más alta (R2) con la variable de
respuesta. Se incluye una segunda variable en el modelo, que es aquella variable
dentro de las no incluidas aún, que da el “p-value” más bajo para la prueba t o el
valor de la prueba de t más grande en valor absoluto. Y así se siguen incluyendo
variables, notando que una vez que ésta es incluida ya no puede ser sacada del
modelo. El proceso termina cuando los “p-values” para la prueba t de todas las
variables que aún no han sido incluidas son mayores que 0.05 ó la prueba de t es
menor que 2 para dichas variables. Si se usa la prueba de F, entonces el proceso
termina cuando todas las F son menores que 4.
4.6.1.3 Método Paso a Paso
Es una modificación del método “Forward”, donde una variable que ha

sido incluida en el modelo en un paso previo puede ser eliminada posteriormente.
En cada paso se cotejan si todas las variables que están en el modelo

deben permanecer allí. La mayoría de las veces, pero no siempre, los tres
métodos dan el mismo resultado para el mejor modelo de regresión.
4.6.2 Método de los mejores subconjuntos
La opción de los mejores de los subconjuntos se basa principalmente en 3

criterios para la selección de las mejores variables que representan al
modelamiento de la variable dependiente Y. Estos criterios se pasan a detallar a
continuación:
90
91

------------------------------------------------------------------------------------------------------------------------------------
4.6.2.1 El coeficiente de Determinación R2
El mejor modelo es aquel con R2 más alto pero con el menor número de
variables posibles (propiedad de parsimonia).
4.6.2.2 El coeficiente de Determinación R2 [Ajustado].
Es una variante del R2 y que a diferencia de éste no aumenta

necesariamente al incluir una variable adicional en el modelo.
4.6.2.3 El Coeficiente Cp de Mallows (1973).
El mejor modelo es aquel para el cual se cumple aproximadamente, pero

con Cp = p+1 el menor número de variables posibles. Notar que la igualdad
anterior también se cumple cuando se usa el modelo completo.
Si un modelo contiene p coeficientes: por lo común un término constante y

p-1 pendientes que corresponden a p-1 variables independientes, entonces el Cp
de Mallows queda expresado en las ecuaciones (4.14) y (4.15) .
SC ( residual , pcoeficientes )
Cp = − (n − 2 p) (4.14)
MC (residual , todoslosco eficientes )
( n − p ) MC ( residual , pcoeficientes )
Cp = − (n − 2 p ) (4.15)
MC ( residual , todoslosco eficientes )
Donde la última línea se obtiene en virtud de que los grados de libertad

para MC (residual, p coeficientes) son n-(p+1)=n-(p-1+1)=n-p. Si el modelo con p
coeficientes contiene todos los predictores útiles, MC (residual, p coeficientes) es
91
92

------------------------------------------------------------------------------------------------------------------------------------
esencialmente el mismo que MC (residual, todos los coeficientes). En este caso,

Cp es aproximadamente igual a (n-p)-(n-2p)=p. Pero si el modelo con p
coeficientes no es adecuado, Cp es sustancialmente más grande que p. una
estrategia posible para elegir el modelo es seleccionar el modelo de regresión con
el menor número de variables independientes y con la prioridad de que Cp es
aproximadamente igual a p.
Mallows (1973) señala que el estadístico Cp es tan susceptible a la

variación aleatoria como cualquier otro estadístico; no es una guía infalible.
Tampoco lo es cualquier otro método estadístico. Al seleccionar un modelo de
regresión, un gerente debería utilizar la experiencia y el buen juicio junto con los
resultados estadísticos.
4.7 Las Hipótesis Básicas del Modelo de Regresión
En el estudio de un modelo de regresión múltiple, al igual que en el

estudio de cualquier modelo estadístico, se debe contrastar que se verifican las
hipótesis básicas o estructurales del modelo. En el modelo de diseño regresión
múltiple las hipótesis establecidas sobre los errores (Ecuación 4.16) del modelo
ε i = yi − (μ + αi ) (4.16)
Son las siguientes:
¾ La Normalidad
¾ La homocedasticidad (varianza constante) del error
¾ La independencia de las observaciones
92
93

------------------------------------------------------------------------------------------------------------------------------------
Dado que los errores del modelo son desconocidos, las hipótesis
anteriores pueden y deben chequearse a partir de los residuos (Ecuación 4.17):
∧
ei = yi − yi (4.17)
Y, en general, es preferible trabajar con los residuos estandarizados,

definidos por la ecuación 4.18:
ei
Rsi = (4.18)
Se
Si las suposiciones sobre el modelo son correctas, se verifica que εi/σ es

una muestra aleatoria simple de una distribución N (0,1)
4.7.1 Hipótesis de Normalidad
La hipótesis de normalidad afirma que los errores del modelo ε siguen una
distribución normal. Esta hipótesis se contrasta a partir de los residuos
estandarizados. Se pueden aplicar los contrastes y gráficos de normalidad
descritos a continuación:
¾ Gráficos para observar la normalidad son: el Histograma, Anderson

Darling, estimador núcleo de la densidad de Rosenblatt-Parzen, Gráfico p – p y
Gráfico q – q. Contraste de normalidad son: contraste de asimetría y curtosis,
contraste chi-cuadrado, contraste de Kolmogorov-Smimov-Liliefors.
93
94

------------------------------------------------------------------------------------------------------------------------------------
Si la hipótesis de normalidad no se verifica, esto afecta al modelo en:
Los estimadores por mínimos-cuadrados de los parámetros del modelo no

coinciden con los máximo-verosímiles. Los estimadores obtenidos son centrados
pero no eficientes.
Los contrastes de significación (de la F y de la t) dejan de ser válidos y los

intervalos de confianza obtenidos para los parámetros del modelo no son
correctos. A pesar de ello, si el tamaño muestral es razonablemente grande, por el
Teorema Central del Límite, los contrastes e intervalos de confianza obtenidos son
una buena aproximación de los reales.
Causas que dan origen a la falta de normalidad son las siguientes:
¾ Existen observaciones heterogéneas. En este caso se debe averiguar la

causa que origina estas observaciones: errores en la recogida de datos; el modelo
especificado no es correcto porque se han omitido variables regresoras.
¾ Se debe hacer un estudio de influencia de las observaciones atípicas para

averiguar el grado de influencia en la estimación del modelo. Si esta influencia es
muy grande puede ser conveniente recurrir a procedimientos de estimación
robusta en el cálculo del modelo.
¾ Existe asimetría en la distribución. En este caso suele ser conveniente

transformar la variable respuesta (transformación de Box-Cox). Este problema
suele estar relacionado con otros problemas como falta de linealidad o
heterocedasticidad, la solución de transformar las observaciones pueden
resolverlos conjuntamente.
94
95

------------------------------------------------------------------------------------------------------------------------------------
¾ Si la hipótesis de normalidad no se verifica y las soluciones anteriores no

son válidas se pueden obtener intervalos de confianza de los parámetros por
métodos diferentes de los expuestos en los que se tiene en cuenta la distribución
específica de los errores.
4.7.2 Hipótesis de Homocedasticidad
2
La hipótesis de homocedasticidad implica que Var (εi) =σ = cte, esto es,
la varianza de los residuos es constante y no varía en los diferentes niveles del
factor. La falta de homocedasticidad se denomina heterocedasticidad. Esta influye
en el modelo de regresión lineal múltiple, los estimadores mínimo-cuadráticos
siguen siendo centrados pero no son eficientes y las fórmulas de las varianzas de
los estimadores de los parámetros no son correctas. Por tanto no pueden
aplicarse los contrastes de significación.
La heterocedasticidad se detecta en los gráficos de residuos:
¾ De forma general, en el gráfico de residuos (ei) frente a las

predicciones (ŷi).
¾ En el gráfico de residuos (ei) frente a una variable explicativa (xij) si se

sospecha que la heterocedasticidad es debida a la variable explicativa xj.
¾ Si los gráficos anteriores son dudosos se pueden hacer grupos de los

residuos ordenados de menor a mayor según las predicciones (ŷi) y en cada grupo
calcular la media de las predicciones (ӯp) y la desviación típica de los residuos Se.
Si hay homocedasticidad, la nube de puntos (ӯp, Se) se ajusta a una recta

horizontal, en caso contrario, es necesario transformar los datos.
95
96

------------------------------------------------------------------------------------------------------------------------------------
Para resolver este problema las alternativas que hay son las siguientes:
¾ Transformar los datos. En muchos casos es suficiente con tomar

logaritmos en la variable respuesta (o de forma más compleja, aplicar la
transformación de Box-Cox). Por otra parte, el problema puede estar ligado a otros
problemas como falta de normalidad, falta de linealidad que, normalmente,
también se resuelven al hacer la transformación.
¾ Si la heterocedasticidad es debida a una variable regresora (por ejemplo

xk) y la varianza aumenta linealmente con la variable xk, Var(εi ) = kxik. Entonces se
obtiene homocedasticidad (véase Ecuación 4.19) haciendo la siguiente
transformación del modelo de regresión.
y 1 x x x x ε
= βˆ 0 + βˆ1 1 + βˆ 2 2 + ... + βˆ k −1 k −1 + βˆ k k + (4.19)
xk xk xk xk xk xk xk
¾ Si la que varía linealmente con xk es la desviación típica, la transformación

a realizar sería la siguiente (Ecuación 4.20).
y 1 x x x ε
= βˆ 0 + βˆ1 1 + βˆ 2 2 + ... + βˆ k −1 k −1 + βˆ k + (4.20)
xk xk xk xk xk xk
¾ Las transformaciones anteriores son casos particulares del método de

mínimos cuadrados ponderados, método muy utilizado para obtener estimadores
de los parámetros en situaciones de heterocedasticidad.
¾ Las transformaciones anteriores son casos particulares del

denominado método de mínimos cuadrados ponderados. El método se basa en
96
97

------------------------------------------------------------------------------------------------------------------------------------
calcular los estimadores de los parámetros del modelo como los valores que
minimizan la siguiente función de los residuos.
4.7.3 Hipótesis de Independencia
La hipótesis de que las observaciones muestrales son independientes es

una hipótesis básica en el estudio de los modelos de regresión lineal. Con ello se
entiende que los errores {εi} son variables aleatorias independientes.
La falta de cumplimiento de la hipótesis de independencia tiene efectos

graves sobre los resultados del estudio. Influye en:
¾ Los estimadores son centrados pero ineficientes (no son de varianza

mínima).
¾ El estimador R2 normalmente subestima el parámetro σ2, lo que hace que

los contrastes de significación (contrastes individuales de la t) no sean válidos y
tienden a detectar relaciones inexistentes, denominadas relaciones espurias, que
son relaciones falsas entre variables independientes que siguen una evolución
análoga en el tiempo y tienen un R2 alto.
¾ Las predicciones son ineficientes.
¾ La falta de independencia se suele dar situaciones en que las

observaciones son recogidas secuencialmente en el tiempo. Esto ocurre en el
estudio de muchas variables económicas, sociales y demográficas. En este caso
la variable “tiempo” puede ser una variable regresora.
97
98

------------------------------------------------------------------------------------------------------------------------------------
Se detecta la falta de independencia en:
¾ Los siguientes gráficos: el gráfico de residuos (ei) frente al índice (o

tiempo) (i); el gráfico de (ei) frente a (ei-1); el gráfico de la función de
autocorrelación simple de los residuos (fas).
¾ Los siguientes contrastes de independencia: el contraste de Durbin-

Watson sobre el primer coeficiente de correlación; el contraste de Ljung-Box sobre
las autocorrelaciones que se consideren significativas.
Si existe dependencia entre las observaciones la metodología descrita

para estudiar los modelos de regresión lineal general por mínimos cuadrados
ordinarios no es válida y en la mayoría de las situaciones, deben utilizarse
técnicas de series de tiempo y regresión dinámica.
En algunas situaciones se pueden estimar los parámetros del modelo de

regresión por el método de mínimos cuadrados generalizados. Dentro de los
contrastes de auto correlaciones para modelos de regresión, el contraste de
Durbin-Watson es muy utilizado.
4.7.3.1 Contraste de Durbin-Watson
El contraste de Durbin-Watson está diseñado para detectar residuos de un

modelo de regresión lineal que tienen un coeficiente de auto correlación de orden
uno distinto de cero. El contraste (ecuación 4.21) es el siguiente
H0 : ρ (ε i , ε i + 1 ) = 0
(4.21)
HA : ρ (ε i , ε i + 1 ) ≠ 0
98
99

------------------------------------------------------------------------------------------------------------------------------------
El estadístico de Durbin-Watson para este contraste es la siguiente

ecuación 4.22
n
∑ (e
i=2
i − e i −1 ) 2
d= ≅ 2(1 − r1 )
n
(4.22)
∑e
2
t
i =1
Siendo ei = yi –ŷi los residuos y r1 la auto correlación muestral de orden

uno. Durbin y Watson calcularon la distribución de este estadístico d, bajo la
hipótesis nula y para cada tamaño muestral, n. Para cada nivel de significación α
las tablas Durbin y Watson proporcionan los niveles inferiores, dL, y superior, dU,
de la distribución. La decisión final se obtiene de la siguiente regla:
¾ Si 0 < d < dL se rechaza H0 y aceptamos la existencia de auto correlación

positiva.
¾ Si dL < d < dU el contraste no es concluyente.
¾ Si dU < d < 4 - dU se acepta H0, esto es, no hay auto correlación.
¾ Si 4 - dU < d < 4 - dL el contraste no es concluyente.
¾ Si 4 - dL < d < 4 se rechaza H0 y aceptamos la existencia de auto

correlación negativa.
99
100
Capitulo 5 – Aplicación del Análisis de Regresión Múltiple al Consumo Especifico de Combustible

------------------------------------------------------------------------------------------------------------------------------------
CAPITULO 5
APLICACIÓN DEL ANÁLISIS DE REGRESIÓN MÚLTIPLE

AL CONSUMO ESPECÍFICO DE COMBUSTIBLE
5.1 Introducción
La visión de negocio, el mejoramiento continuo del proceso y una política

de gestión que se lleva a cabo en Compañía Minera Zaldívar, hacen hincapié en el
mejoramiento continuo del consumo de combustible para obtener mayores
rendimientos y beneficios. Para conseguir este objetivo se cuenta con una serie de
herramientas de gestión y control siendo la principal de estas, el Sistema Dispatch
que actualmente se utiliza en el área de Despacho.
Esta es una gran herramienta, pero por si sola no es suficiente para lograr
los estándares de eficiencia requeridos para el cumplimiento pleno de las metas
trazadas, es necesario el conocimiento y comprensión de las variables operativas
que intervienen en el proceso, las cuales tienen una directa incidencia en el logro
de los KPI, pertenecientes al área de Despacho, al nivel del Supervisor de
Despacho.
En síntesis, teniendo como principio el dinamismo de la operación minera,

nos es muy complicado controlar todas las variables operativas que intervienen en
ella. Sin embargo, el determinar qué variables aportan, con un mayor peso relativo
en el logro del mejoramiento continuo de los consumos de combustible, sabríamos
cual o cuales de las variables podríamos atacar con mayor énfasis para mejorar
en un ahorro de combustible.
100
101

------------------------------------------------------------------------------------------------------------------------------------
5.2 Descripción del Análisis
La regresión múltiple utiliza muchas variables independientes para

predecir o explicar la variación de una variable dependiente cuantitativa. Es una
forma extremadamente útil de determinar el valor explicativo de muchos
predictores diferentes posibles. En muchas situaciones empresariales hay varios
predictores posibles de un resultado. Utilizamos la regresión múltiple para tratar de
seleccionar cuáles de ellos en realidad explican la variación de la variable
dependiente, y cuáles otros tienen un valor predictivo muy pequeño o nulo.
5.2.1 Alcances
El presente trabajo se basará en realizar un estudio de análisis e

inferencias, a partir de las variables que intervienen en un modelo de regresión
múltiple, el cual nos describa de mejor manera el consumo específico [Lts. /Hr] de
combustible en el área mina. La data utilizada en este estudio, es a partir del 01 de
enero del 2009 al 31 de diciembre del 2009, recopilando información de todos los
turnos (A, B, C y D).
La estimación del modelo de regresión múltiple, sus pendientes parciales,

intercepto, residuos, matriz de correlación, y otros parámetros, se realizaron
utilizando el software Minitab 15, además de contrastarlos con el software
Statgraphics Plus 5.1.
5.3 Selección de las Variables
Antes de realizar el análisis de las variables debemos tener presente los

siguientes conceptos y aplicarlos al comportamiento de nuestra base de datos.
101
102

------------------------------------------------------------------------------------------------------------------------------------
Quizá la decisión más importante en la construcción de un modelo de

regresión múltiple es la selección inicial de variables independientes.
Consideraremos diversos métodos para el análisis de regresión múltiple, cuyo
primer paso, consiste en tomar una decisión acerca de que variables
independientes (x) se deben considerar para ser incluidas, lo que determina que
datos se deben reunir. Mientras que en un principio puede parecer que la
estrategia óptima sería construir un modelo de regresión múltiple gigantesco con
muchas variables, estos modelos son difíciles de interpretar y son más costosos
desde el punto de vista de la recolección de datos y análisis de información.
El área del problema está enfocada directamente, con las variables que
intervienen en uno de los insumos fundamentales de la mina, el petróleo, el cual
afecta de manera notoria los costos pertenecientes al área mina.
Variable dependiente: La variable que se pretende predecir para nuestro estudio,

se define como Consumo Especifico de Petróleo, medida en [Lts. /Hrs.]
¾ CE = Consumo Especifico Petróleo [Lts. /Hrs.]
Variables independientes:
¾ KR = Kilómetros Recorridos [Km.]

¾ TC = Tiempos de Ciclos Promedios [min.].
¾ FC = Factores de Carga [%].
¾ TM = Toneladas Movidas [Ton]
¾ RC = Rendimiento Camión [Ton. /Hr]
¾ VP = Velocidad Promedio [Km. /Hr]
102
103

------------------------------------------------------------------------------------------------------------------------------------
5.4 Determinación del Modelo de Regresión Múltiple
Una vez definida las variables, se procede a realizar varios ajustes de

modelos de regresión múltiple (véase Tabla 5.1), para luego determinar la
selección de un modelo particular que es útil y apropiado para la situación dada.
Variables
KR =A TC = B FC = C TM =D RC = E VP = F
Independientes
TABLA 5.1: AJUSTES DE MODELOS DEPENDIENDO DE LAS VARIABLES PRESENTES.

R2 R2 [Ajustado] Cp de Mallows S Variables
47,4 47,3 113,8 11,710 B
46,3 46,2 123,1 11,832 C
8,1 7,9 444,2 15,480 D
47,8 47,6 111,2 11,675 E
10,7 10,5 422,5 15,262 F
55,4 55,1 49,1 10,806 BC
55,7 55,5 46,1 10,763 CE
52,2 51,9 76,1 11,188 CF
54,4 54,2 57 10,919 BF
53,6 53,4 63,8 11,015 EF
58,2 57,8 27,5 10,476 ABC
59,5 59,1 16,3 10,308 ACD
58,4 58,0 25,7 10,450 ACE
61,1 60,8 2,7 10,100 BCF
60,8 60,5 5,2 10,139 CEF
61,3 60,8 3,5 10,096 ABCF
61,3 60,8 3,7 10,100 BCDF
103
104

------------------------------------------------------------------------------------------------------------------------------------
61,2 60,7 4,3 10,110 BCEF

61,0 60,5 5,6 10,130 ACEF
61,0 60,5 5,8 10,132 CDEF
61,3 60,7 5,0 10,104 ABCEF
61,3 60,7 5,0 10,105 BCDEF
61,3 60,7 5,4 10,110 ABCDF
61,0 60,4 7,6 10,145 ACDEF
60,8 60,2 9,8 10,179 ABCDE
61,3 60,6 7 10,120 ABCDEF
La Tabla 5.1 muestra los resultados de ajustar 26 modelos de regresión

múltiple para un total de 332 casos, describiendo la relación entre las variables CE
y KR, TC, FC, TM, RC, VP. Los estadísticos tabulados incluyen los valores R-
cuadrado ajustado y sin ajustar, y el estadístico Cp de Mallows y la desviación
estándar (S).
5.4.1 Selección del Modelo de Regresión Múltiple
Para determinar qué modelo describe de mejor manera el ajuste entre la

variable dependiente y las variables independientes, nos basaremos en la
colinealidad de las variables predictoras, los valores de R-cuadrado ajustado, el
estadístico Cp de Mallows y la desviación estándar. A partir de estos cuatro
criterios, seleccionaremos el mejor modelo.
5.4.1.1 Colinealidad
Es muy importante al seleccionar las variables de predicción considerar el

problema de colinealidad, variables independientes severamente correlacionadas.
104
105

------------------------------------------------------------------------------------------------------------------------------------
Una pendiente parcial de regresión múltiple estima el efecto predictivo de

cambiar una variable independiente mientras se mantienen constantes las otras.
Pero cuando uno o todos los predictores varían juntos, puede ser casi imposible
separar los efectos predictivos de cada uno de ellos.
Matriz de Correlación
Hay varias maneras de determinar la amplitud de la colinealidad en un

conjunto de variables independientes. El método más simple y preciso, consiste en
examinar una matriz de coeficientes de correlación. A continuación en la tabla 5.2,
se puede analizar si existe correlación entre las variables pertenecientes al
modelo.
TABLA 5.2: MATRIZ DE CORRELACIÓN.

Constante KR TC FC TM RC VE
Constante 1,00 0,08 -0,96 -0,09 -0,07 -0,83 -0,18
KR 0,08 1,00 -0,08 0,07 -0,98 0,45 -0,93
TC -0,96 -0,08 1,00 -0,14 0,07 0,81 0,14
FC -0,09 0,07 -0,14 1,00 -0,08 0,08 -0,10
TM -0,07 -0,98 0,07 -0,08 1,00 -0,48 0,90
RC -0,83 0,45 0,81 0,08 -0,48 1,00 -0,36
VE -0,18 -0,93 0,14 -0,10 0,90 -0,36 1,00
La tabla 5.2 muestra las correlaciones estimadas entre los coeficientes en

el modelo ajustado. Estas correlaciones pueden utilizarse para detectar la
presencia de una seria multicolinealidad, i.e., correlación entre las variables
pronosticadas. En este caso, hay 4 correlaciones con valores absolutos superiores
a 0.8 (no incluido el término constante).
105
106

------------------------------------------------------------------------------------------------------------------------------------
A continuación en la tabla 5.3, muestra las variables que quedaron dentro

del modelo, luego de quitar las variables que están altamente correlacionadas.

Constante TC FC RC VE
Constante 1,00 -0,96 -0,09 -0,99 -0,27
TC -0,96 1,00 -0,14 0,96 0,17
FC -0,09 -0,14 1,00 0,04 -0,08
RC -0,99 0,96 0,04 1,00 0,17
VE -0,27 0,17 -0,08 0,17 1,00
La tabla 5.3 muestra las correlaciones estimadas entre los coeficientes en

el modelo ajustado. En este caso, hay 1 correlación con valores absolutos
superiores a 0.8 (no incluido el término constante).
A continuación en la tabla 5.4, muestra las variables que no tienen relación

colineal para el modelo.

Constante TC FC VE
Constante 1,0000 -0,1858 -0,3296 -0,6580
TC -0,1858 1,0000 -0,6906 -0,0041
FC -0,3296 -0,6906 1,0000 -0,0909
VE -0,6580 -0,0041 -0,0909 1,0000
En este caso, no hay correlación con valores absolutos superiores a 0.8

(no incluido el término constante).
106
107

------------------------------------------------------------------------------------------------------------------------------------
5.4.1.2 Coeficiente de Determinación
El estadístico R-cuadrado ajustado mide la proporción de variabilidad en

CE que es explicada por el modelo. Los mayores valores de R-cuadrado ajustado,
corresponden con los valores más pequeños de la desviación estándar (S). La
tabla 5.1 nos muestra hasta un máximo de 6 variables en el modelo, sin embargo
los modelos; BCF, ABCF, BCDF, son los que obtienen el mayor R-cuadrado
(ajustado) = 60,8 %.
Grafico R Cuadrado Ajustado CE Petroleo [Lts./Hrs]

80
R Cuadrado Ajustado
BCF ABCF ABCEF ABCDEF

60 CE
E
40
20
Ninguna
0
0 1 2 3 4 5 6 7 8
N° de Coeficientes
FIGURA 5.1: GRÁFICO DE R-CUADRADO AJUSTADO.
5.4.1.3 Estadístico Cp de Mallow
Cp es una medida de sesgo en el modelo, basado en una comparación del

error cuadrado medio total con la variación del error verdadero. Los modelos
imparciales tienen un valor esperado de aproximadamente p, donde p es el
107
108

------------------------------------------------------------------------------------------------------------------------------------
número de coeficientes en el modelo ajustado (incluida la constante). Se debe

buscar modelos con valores de Cp próximos a p.
De la tabla 5.1, en conjunto con la tabla 5.4 se desprende que el mejor

modelo ajustado es el modelo BCF, que tiene un valor de Cp de Mallows = 2,7, ya
que este valor es muy similar al número de coeficientes en el modelo (el intercepto
más 3 variables independientes).
5.4.1.4 Desviación Estándar
Es la medida de dispersión más común, que indica cuán separados de la

media están los datos. Mientras el rango estima la dispersión de los datos
restando el valor mínimo al valor máximo, la desviación estándar estima
aproximadamente la distancia "promedio" de las observaciones individuales con
respecto a la media. Mientras mayor sea la desviación estándar, mayor será la
dispersión de los datos.
Apreciando la tabla 5.1, nos podemos percatar que el modelo BCF es uno
de los modelos con la desviación estándar mas baja y al mismo tiempo el modelo
con menores variables posibles y con el mejor R2 ajustado (parsimonia). Esto nos
indica que el mejor modelo contiene las 3 variables predictoras TC, FC, VP.
5.4.1.5 Resultado
Considerando los cuatro criterios analizados, podemos inferir que el

modelo que mejor se ajusta, corresponde a aquel que considera las 3 variables
independientes, dado que; tanto la matriz de correlación, el coeficiente de
determinación, el estadístico Cp de Mallows, como la desviación estándar apuntan
al mismo modelo.
108
109

------------------------------------------------------------------------------------------------------------------------------------
Al correr el software, el modelo final obtenido, que mejor describe el

consumo específico de petróleo [Lts./Hr], es a través de 3 variables
independientes, y que se presenta a continuación:
CE = 47,4 + [1,73*TC] + [1,44*FC] + [1,93*VP]
5.5 Estimación de la Desviación Estándar Residual Se
Para estimar la desviación estándar residual, necesitamos calcular los

siguientes parámetros:
5.5.1 SC (residual)
Utilizando la fórmula 4.7, se obtiene el siguiente valor para la suma de los

cuadrados de los residuos:
SC (residual) = 33461
Con 328 grados de libertad.
5.5.2 MC (residual)
Utilizando la fórmula 4.8, se obtiene el siguiente valor para el error

cuadrático medio:
MC (residual)= 33461 / [322 – (3+1)] = 102,015
Con n = 332 y p = 3.
109
110

------------------------------------------------------------------------------------------------------------------------------------
5.5.3 Desviación Estándar Residual Se
Utilizando la fórmula 4.9, se obtiene el siguiente valor para la desviación

estándar residual Se:
Se = 102,015 = 10,100
5.6 Inferencias al Modelo
Las ideas de la sección 5.4 y 5.5 comprenden la estimación puntual (mejor

suposición) de los coeficientes de la regresión, la desviación estándar Se y el
coeficiente de determinación R2. En esta sección analizamos las inferencias
acerca de los parámetros de las pendientes parciales en el modelo de la regresión
múltiple.
5.6.1 Prueba F de H0: β1 = β2 =... = βk = 0
Al llevar a cabo la prueba 4.4.1, se obtiene lo siguiente:
52633,3 / 3 17544,4
E.P.: F = = = 171,98
33461 /[332 − (3 + 1)] 102,015
R.R.: Para g.l.1= 3 g.l.2= 332-(3+1) = 328, el valor critico de F

correspondiente a 0.05 (95%) es 2.65, por lo tanto se rechaza H0.
El rechazo de la hipótesis nula en esta prueba F no es abrumador. Tan

sólo indica que en alguna parte entre las variables independientes hay algún
valor predictivo. No nos da una indicación de qué variable independiente
110
111

------------------------------------------------------------------------------------------------------------------------------------
individual es útil. Por lo tanto, la siguiente tarea es realizar inferencias acerca de

las pendientes parciales individuales.
Para llevar a cabo estas inferencias, necesitamos el error estándar

estimado de cada pendiente parcial.
5.6.2 Error Estándar Estimado de βˆ j en el Modelo
A continuación en la siguiente tabla (5.3) se presenta cada parámetro

perteneciente al modelo con su respectivo error estándar, cuya determinación se
obtuvo al utilizar la formula 4.11:
TABLA 5.3: ERROR ESTÁNDAR DE CADA PARÁMETRO DEL MODELO.

Parámetro Estimación β p
Error Estándar S β̂p
Constante 47,437 6,863

Tiempos de Ciclo [min.] 1,73 0,199
Factores de Carga [%] 1,44 0,192
Velocidad Promedio [Km/Hr] 1,93 0,277
5.6.3 Intervalo de Confianza al 100(1-α) % para β p
Para la construcción de los intervalos de confianza, se utilizó la relación

4.12 y los siguientes valores:
¾ Se utilizó un 95 % de confianza.
¾ g.l. = 332 – (3+1) = 328.
¾ El valor t que tiene un área de 0.025 en una distribución t con g.l.=328 es
1960.
111
112

------------------------------------------------------------------------------------------------------------------------------------
A continuación en la tabla 5.4 se presenta cada parámetro perteneciente

al modelo con su respectivo intervalo de confianza.
TABLA 5.4: INTERVALO DE CONFIANZA PARA CADA PARÁMETRO DEL MODELO.

Estimación Límite Límite
Parámetro
β p Inferior Superior
Constante 47,437 33,936 60,937
Tiempos de Ciclo [min.] 1,734 1,342 2,126
Factores de Carga [%] 1,440 1,063 1,817
Velocidad Promedio [Km/Hr] 1,932 1,387 2,477
Los intervalos de confianza muestran la precisión con que pueden

estimarse los coeficientes dada la cantidad de datos disponibles y la perturbación
que está presente.
5.6.4 Prueba t de H0: βj =0
Para la realización de esta prueba, se utilizó la relación 4.13 y los

siguientes valores:
¾ Se utilizó un 99 % de confianza.
¾ g.l. = 332 – (3+1) = 328.
¾ El valor t que tiene un área de 0.01 en una distribución t con g.l.=328 es
2.326
A continuación en la siguiente tabla 5.5, se presenta cada parámetro

perteneciente al modelo con la respectiva estimación del estadístico t.
112
113

------------------------------------------------------------------------------------------------------------------------------------
TABLA 5.5: ESTIMACIÓN ESTADÍSTICO T PARA CADA PARÁMETRO DEL MODELO.
Parámetro Estimación β p
S β̂ Estadístico t
p
Constante 47,4365 6,86255 6,91238

Tiempos de Ciclo [min.] 1,73392 0,199224 8,70338
Factores de Carga [%] 1,44009 0,191634 7,51476
Velocidad Promedio [Km/Hr] 1,93203 0,277162 6,97075
En general, si observamos el valor del estadístico t para cada una de las

pendientes parciales, rechazamos la hipótesis nula H0: βj = 0 con un 99% de
confianza y g.l. = 328.
Cada prueba t examina el valor que tendría la variable al entrar como

“último predictor”. Cuando las variables explicativas están altamente
correlacionadas entre sí, sucede a menudo que no se puede demostrar que
alguna xj tenga un valor significativo al “entrar al último lugar”, aun cuando se haya
demostrado que las variables x juntas son útiles.
Para nuestro modelo, el estadístico de prueba es estadísticamente

significativo para un nivel de confianza del 99%. Por lo tanto, no se quitará
ninguna variable del modelo.
5.7 Validación de las Hipótesis Básicas del Modelo
5.7.1 Hipótesis de Normalidad
Para verificar la hipótesis de normalidad se aplicaron los contrastes y

gráficos de normalidad.
113
114

------------------------------------------------------------------------------------------------------------------------------------
5.7.1.1 Contrastes de Bondad de Ajuste
A continuación, en la tabla 5.6, se presentan los distintos Tests de

Normalidad para Residuos Estandarizados.
TABLA 5.6: TEST DE NORMALIDAD PARA RESIDUOS ESTANDARIZADOS.

Test para Normalidad Estadístico P-Valor
Estadístico Chi-Cuadrado de Bondad de Ajuste 23,934 0,938
Estadístico W de Shapiro-Wilks 0,981 0,256
Puntuación Z para Asimetría 0,191 0,848
Puntuación Z para Curtosis -1,703 0,089
La tabla 5.6, muestra los resultados de los test ejecutados, con los cuales
se determina si los residuos estandarizados de nuestro modelo de regresión
múltiple pueden ser modelados adecuadamente por una distribución normal.
Analizando los p-valor obtenidos para el test de normalidad, observamos que
todos son mayores a 0.01, entonces podemos afirmar que los residuos
estandarizados proceden de una distribución normal con un nivel de confianza del
99%.
5.7.1.2 Gráficos de Normalidad
A) El Histograma
A continuación se presenta el histograma de los residuos estandarizados

en conjunto con la densidad normal, como se observa, se ajusta a la muestra.
114
115

------------------------------------------------------------------------------------------------------------------------------------
H istograma para Residuo Estandarizado

(La Respuesta es Consumo Especifico [Lts./Hrs])
35 Media -0,0005428
Desv .Est. 1,002
N 332
30
25
Frecuencia
20
15
10
0
-2,25 -1,50 -0,75 0,00 0,75 1,50 2,25
Residuo estandarizado
FIGURA 5.2: HISTOGRAMA PARA RESIDUOS ESTANDARIZADOS
B) Prueba de Anderson- Darling
Esta prueba compara la función de distribución acumulada empírica de los

datos de su muestra con la distribución esperada si los datos son normales. Si
esta diferencia observada es suficientemente grande, la prueba rechazará la
hipótesis nula de normalidad en la población.
115
116

------------------------------------------------------------------------------------------------------------------------------------
Gr áf ica Probabilidad de Residuos Est andarizados

[Prueba de Normalidad Anderson Darling]
99,9
Media -0,0005428
Desv .Est. 1,002
99
N 332
AD 0,290
95
Valor P 0,611
90
80
Porcentaje
70
60
50
40
30
20
10
5
0,1
-3 -2 -1 0 1 2 3
Residuos Estandarizados
FIGURA 5.3: GRAFICO ANDERSON DARLING PARA RESIDUOS ESTANDARIZADOS.
C) El Gráfico de Distribución Normal
La importancia de este grafico, radica en observar que los residuos se

pueden modelar, a través de una distribución normal con media y desviación
conocida.
D is trib u c ion N orm a l
Probabilidad Acumulativa
0,8
0,6
0,4
0,2
0
-2,8 -1,8 -0,8 0,2 1,2 2,2 3,2
Residuos Estandarizados
FIGURA 5.3: GRÁFICO DE DISTRIBUCIÓN NORMAL PARA LOS RESIDUOS ESTANDARIZADOS.
116
117

------------------------------------------------------------------------------------------------------------------------------------
5.7.2 Hipótesis de Varianza Constante
Para verificar la homocedasticidad del modelo, utilizaremos el siguiente

análisis gráfico.
5.7.2.1 El Gráfico de los Residuos Frente a las Predicciones
Es interesante utilizar este gráfico porque, se puede observar en muchas

situaciones, que la varianza de los residuos por niveles aumenta con las
predicciones, lo cual nos indica que estamos en presencia de heterocedasticidad.
En la figura 5.4 podemos apreciar la homocedasticidad de nuestros residuos
estandarizados.
Grafico de Residuos Estandarizados

[La Respuesta es Consumo Especifico (Lts./Hrs)]
4
Residuo estandari zado
-2
-4
-6
150 160 170 180 190 200 210

Consumo Especifico [Lts./Hrs] Valor Ajustado
FIGURA 5.4: DIAGRAMA DE DISPERSIÓN DE LOS RESIDUOS ESTANDARIZADOS FRENTE A PREDICCIONES.
117
118

------------------------------------------------------------------------------------------------------------------------------------
Podemos apreciar claramente según el grafico anterior la evidencia de

homocedasticidad, ya que la variabilidad de los valores (residuos) no se
incrementan a medida que la Y pronosticada aumenta.
5.7.3 Independencia de los Errores
Para verificar la hipótesis de independencia de los errores, se utilizó el

siguiente análisis estadístico.
5.7.3.1 Estadístico Durbin-Watson
Esta hipótesis se puede analizar utilizando el estadístico Durbin-Watson

(DW), ya que este examina los residuos para determinar si hay alguna correlación
significativa basada en el orden en el que se han introducido los datos en el
fichero.
El estadístico de Durbin-Watson tiene un rango entre 0 y 4: un valor

próximo a 2 indica nula auto correlación; un valor entre 2 y 0 indica un auto
correlación positiva mientras que un valor entre 2 y 4 indica un auto correlación
negativa. Al aplicar el estadístico (ecuación 4.22), se obtuvo lo siguiente
¾ Estadístico de Durbin-Watson = 2,08353
¾ Transformación Cochrane-Orcutt aplicada:

Auto correlación = -0,0435434
Debido a que el estadístico es cercano a 2, no existe auto correlacion, los

errores son independientes.
118
119

------------------------------------------------------------------------------------------------------------------------------------
5.8 Validación de las Predicciones
El proceso de validación corresponde a cuantificar la diferencia entre el

consumo combustible específico real y el consumo combustible específico
estimado para los meses promedio del año 2009. Los consumos específicos de
combustible se evalúan en base al modelo de estimación de consumos
específicos. El modelo utiliza las relaciones identificadas para cada una de las
flotas que componen el transporte en compañía minera Zaldívar.
Los cálculos de las predicciones se segregaron por flota de transporte, ya

que analizando el comportamiento de los consumos combustible especifico de las
flotas pudimos apreciar, que existen diferencias significativas entre flota Haulpak,
Caterpillar, Komatsu y Terex. Con esto conseguimos que las variables que estén
presentes en el modelo, se comporten de una mejor manera de acuerdo a la flota
asignada. Los meses promedio se definen para representar respectivamente el
año 2009.
La metodología de validación considera:
¾ Generar parámetros representativos de los meses promedio, año 2009
¾ Evaluar los parámetros y calcular el error de estimación
¾ Verificar la magnitud del error.
Al realizar la validación del modelo se obtienen los siguientes errores de

estimación clasificada según flota como se aprecia en las tablas (5.7, 5.8, 5.9,
5.10) y en las figuras (5.5, 5.6, 5.7, 5.8) respectivamente.
119
120

------------------------------------------------------------------------------------------------------------------------------------
TABLA 5.7: ESTIMACIÓN DE ERROR DE PREDICCIÓN PARA FLOTA HAULPAK.

Flota Haulpak
Consumo Específico Consumo Específico Error de
Real [Lts/Hrs.] Calculado [Lts/Hrs.] Predicción [%]
Ene-09 182,20 182,37 0,10
Feb-09 189,21 180,82 -4,64
Mar-09 191,74 185,18 -3,54
Abr-09 177,09 183,07 3,27
May-09 182,35 188,45 3,23
Jun-09 186,04 186,42 0,21
Jul-09 194,14 194,66 0,26
Ago-09 187,55 193,75 3,20
Sep-09 199,10 200,75 0,82
Oct-09 198,01 193,47 -2,35
Nov-09 197,43 197,40 -0,02
Dic-09 195,69 195,68 -0,01
Promedio 190,05 190,17 0,06
Mod elo v / s R ea l Con su m o Men su a l d e Com b u st ib le

300 100
Co mbu s tib le [L ts .]
260
50
220 -4,64 -3,54 3,27 3,23 3,20 -2,35

0,10 0,21 0,26 0,82 -0,02 -0,01 0,06
0
180
-50
140
100 -100
Pr omedio
Ene- 09
Feb- 09
Mar-0 9
May-0 9
Jun- 09
Jul-09
O ct-09
Nov-09
Dic-09
Sep-09
Ago-09
Abr-0 9
Tiempo [Meses]
Error de Consumo Especifico Consumo Especifico
Prediccion [%] Real [Lts/Hrs.] Calculado [Lts/Hrs.]]
FIGURA 5.5: PREDICCIÓN DEL ERROR PARA FLOTA HAULPAK AÑO 2009.
120
121

------------------------------------------------------------------------------------------------------------------------------------
TABLA 5.8: ESTIMACIÓN DE ERROR DE PREDICCIÓN PARA FLOTA CATERPILLAR.

Flota Caterpillar
Consumo Específico Consumo Especifico Error de
Real [Lts/Hrs.] Calculado [Lts/Hrs.]] Predicción [%]
Ene-09 159,11 164,70 3,39
Feb-09 157,74 157,85 0,07
Mar-09 168,87 168,07 -0,48
Abr-09 148,22 167,62 11,57
May-09 146,15 163,07 10,38
Jun-09 152,11 160,44 5,19
Jul-09 143,77 153,50 6,34
Ago-09 140,94 151,69 7,09
Sep-09 151,66 158,60 4,38
Oct-09 154,23 158,35 2,60
Nov-09 148,07 159,80 7,34
Dic-09 174,82 174,57 -0,14
Promedio 153,81 161,52 4,78

300 100
Combustible [Lts.]
260
50
11,57 10,38
220 3,39 0,07 -0,48 5,19 6,34 7,09 4,38 2,60 7,34
-0,14 4,78
0
180
-50
140
100 -100
Promedio
May-09
Ene-09
Feb-09
Jul-09
Oct-09
Nov-09
Dic-09
Mar-09
Jun-09
Sep-09
Abr-09
Ago-09
Tiempo [Meses]
FIGURA 5.6: PREDICCIÓN DEL ERROR PARA FLOTA CATERPILLAR AÑO 2009.
121
122

------------------------------------------------------------------------------------------------------------------------------------
TABLA 5.9: ESTIMACIÓN DE ERROR DE PREDICCIÓN PARA FLOTA TEREX.

Flota Terex
Ene-09 186,76 187,87 0,59
Feb-09 177,46 174,67 -1,60
Mar-09 180,91 179,31 -0,89
Abr-09 166,22 176,26 5,69
May-09 170,67 182,23 6,35
Jun-09 181,52 189,58 4,25
Jul-09 189,89 191,04 0,60
Ago-09 193,22 198,09 2,46
Sep-09 199,51 202,93 1,68
Oct-09 199,60 199,21 -0,19
Nov-09 194,02 195,72 0,87
Dic-09 194,23 193,07 -0,60
Promedio 186,17 189,17 1,59

300 100
C o m b u s tib le [L ts .]
260
50
220 0,59 -1,60 -0,89 5,69 6,35 4,25 0,60 2,46 1,68 -0,19 0,87 -0,60 1,59
0
180
-50
140
100 -100
Prom edio
Ene-09
F eb-09
M ar-09
M ay -09
J un-09
J ul-09
O c t-09
N ov -09
D ic -09
Sep-09
Abr-09
Ago-09
Tiempo [Meses]
FIGURA 5.7: PREDICCIÓN DEL ERROR PARA FLOTA TEREX AÑO 2009.
122
123

------------------------------------------------------------------------------------------------------------------------------------
TABLA 5.10: ESTIMACIÓN DE ERROR DE PREDICCIÓN PARA FLOTA KOMATSU.

Flota Komatsu
Ene-09 197,42 190,46 -3,65
Feb-09 204,86 188,98 -8,40
Mar-09 204,56 187,31 -9,21
Abr-09 188,18 190,77 1,36
May-09 193,51 192,71 -0,42
Jun-09 196,08 188,52 -4,01
Jul-09 204,59 195,60 -4,59
Ago-09 201,77 197,09 -2,38
Sep-09 211,80 202,36 -4,66
Oct-09 209,65 196,00 -6,96
Nov-09 208,74 199,30 -4,74
Dic-09 206,01 194,01 -6,19
Promedio 202,26 193,59 -4,48

300 100
C ombustible [Lts.]
260
50
220 1,36 -0,42

0
180 -3,65 -8,40 -4,01 -4,59 -2,38 -4,66 -6,96 -4,74 -6,19 -4,48
-9,21
-50
140
100 -100
Promedio
Ene-09
Feb-09
J ul-09
O ct-09
Mar-09
May-09
Jun-09
Nov-09
Dic-09
Sep-09
Abr-09
Ago-09
Tiempo [Meses]

FIGURA 5.8: PREDICCIÓN DEL ERROR PARA FLOTA KOMATSU AÑO 2009.
123
124

------------------------------------------------------------------------------------------------------------------------------------
A partir de las figuras mostradas, se observan dos tendencias; la línea de

color verde; indica el consumo combustible especifico calculado, o sea lo
pronosticado por nuestro modelo, versus la línea de color roja; la cual nos indica el
consumo combustible especifico real. Además se observan barras (color azul), las
cuales corresponden al delta (diferencia) entre lo pronosticado v/s real.
Los errores de predicción en cualquiera de las flotas no superan el 5 %.

No obstante, la flota Haulpack y terex presentan mayor acierto en la predicción
versus el real. Además podemos apreciar que muchas de las relaciones pueden
ser mejoradas, al registrar con mayor detalle algunos datos, o comenzar la
medición de otros parámetros relevantes. El modelo se considera validado, ya que
existe un muy buen acuerdo para todos los casos estudiados. Al mejorar las
relaciones que presentan un menor nivel de ajuste, es posible mejorar la
estimación del consumo de combustible específico en todas las flotas de
transporte.
Como resultado de las relaciones obtenidas en el análisis del consumo de

combustible específico, se puede observar la siguiente situación, las cual se
presenta a continuación en la figura 5.9:
124
125

------------------------------------------------------------------------------------------------------------------------------------
Gráfica de respuesta de PLS

(la respuesta es Consumo Especifico [Lts/Hrs])
3 componentes
230
220
210
Respuesta calculada
200
190
180
170
160
150
140
140 150 160 170 180 190 200 210 220 230
Respuesta real
FIGURA 5.9: NUBE DE CORRELACIÓN.
El grafico 5.9 muestra la relación relativamente buena, con un coeficiente

de correlación de 0,62, por lo demás con una clara tendencia.
125
126
Capitulo 6 – Análisis e Inferencias a Partir del Modelo de Regresión Multivariable

------------------------------------------------------------------------------------------------------------------------------------
CAPITULO 6
ANÁLISIS E INFERENCIAS A PARTIR DEL MODELO

REGRESION MULTIVARIABLE
6.1 Introducción
A partir de todos los análisis, pruebas y validaciones expuestas en el

Capítulo V, queda demostrado que estamos en presencia de un modelo de
regresión múltiple apto para desarrollar un análisis más profundo, en el cual
determinaremos específicamente el aporte o contribución de cada variable a la
hora de alcanzar el consumo especifico de combustible [Lts./Hrs].
El modelo final obtenido, que mejor describe el consumo específico de

combustible en el área mina, es a través de 3 variables independientes, y se
presenta a continuación:
CE = 47,4 + [1,73*TC] + [1,44*FC] + [1,93*VP]
Obtenido el modelo, hemos identificado las variables involucradas en el

consumo de combustible. Esto es clave, ya que estamos en condiciones de
abordar a cada variable por sí sola, identificando el real impacto de estas, a la
hora de evaluar los consumos específicos de la flota de transporte.
6.2 Aporte de Cada Variable al Modelo
En la siguiente tabla, se puede observar el aporte de cada variable al

modelo, en peso y porcentaje:
126
127

------------------------------------------------------------------------------------------------------------------------------------
TABLA 6.1: PESO Y PORCENTAJE DE CADA VARIABLE EN EL MODELO.

Variable Peso [%]
Tiempo de Ciclo 1,73 33,92
Factor de Carga 1,44 28,24
Velocidad Promedio 1,93 37,84
Tiempos de Ciclo: Esta variable aporta con un 33,92% del total al modelo. En
otras palabras, si disminuyéramos un minuto los tiempos de ciclos promedios de
los camiones. El consumo especifico de combustible se reduciría en 1,73 [Lts. /Hr]
en nuestra flota de transporte.
Factor de Carga: Esta variable tiene un peso dentro del modelo de un 28,24% del
total. Nos indica que, si bajáramos punto porcentual el factor de carga de los
camiones, el consumo especifico de combustible disminuiría en 1,44 [Lts. /Hr] en
nuestra flota de transporte.
Velocidad Promedio: Corresponde a la variable que más aporta al modelo,

influyendo en un 37,84% del total. En otras palabras, con cada Km./Hr que
reduzca mi velocidad, se minimizará 1,93[Lts./Hr] en el consumo especifico para
nuestra flota de transporte.
Para entender mejor el aporte de cada variable al modelo, lo analizaremos

bajo un punto de vista hipotético (ver tabla 6.2); seleccionaremos valores para una
cierta fecha de cada variable explicativa y obtendremos un consumo especifico de
combustible [Lts/Hr] determinado; luego haremos variar “una” variable explicativa
manteniendo las demás constantes y se podrá observar la variación en la
producción debido al cambio en una unidad de esa variable:
127
128

------------------------------------------------------------------------------------------------------------------------------------
TABLA 6.2: EJEMPLO DEL APORTE DE CADA VARIABLE AL MODELO.

Variación Variables Consumo Especifico
Ej.: Camión Komatsu TC FC VP [Lts./Hr]
Diciembre 2009 34,45 39,80 19,79 202,51
Variación TC [min.] 33,45 39,80 19,79 200,78
Variación FC [%] 34,50 38,80 19,79 201,15
Variación VP [Km./Hr] 34,50 39,80 18,79 200,66
De la tabla 6.2, podemos inferir lo siguiente; a partir de los datos del mes
de Diciembre del año 2009, reemplazando los valores de cada variable obtenemos
el consumo especifico de combustible [Lts. /Hr] correspondiente a este tipo de
flota. Luego, enfocado en ese caso base, hacemos variar en una unidad cada
variable explicativa y vemos como afecta esta variable predictora en el consumo
especifico, observando claramente que la mayor variable que influye al modelo es
la velocidad promedio, pero como esta variable es difícil de controlar; nos
enfocaremos en la segunda variable que mas influye al consumo especifico de
petróleo y que tiene un impacto muy cercano a la variable anterior, además de ser
la más factible en atacar; estamos hablando del tiempo de ciclo.
6.3 Estudio del Impacto de Cada Variable del Modelo en el consumo
Continuando con el estudio, estamos en condiciones de abordar a cada

variable por sí sola, identificando el real impacto de estas, al control del consumo
especifico de petróleo.
Si analizamos una a una las variables, nos daremos cuenta que no todas
pueden ser controladas en este caso por el Ingeniero de Gestión Mina.
128
129

------------------------------------------------------------------------------------------------------------------------------------
En síntesis, el objetivo de este estudio radica en realizar un análisis

completo de cada una de las variables, considerando los siguientes aspectos:
¾ Los datos a analizar comprenden entre el 01/01/2009 y el 31/12/2009.
¾ No se abordará la variable “Factores de Carga” (FC), debido a que esta no

depende del control o gestión de la Superintendencia de Mina.
¾ No se abordará la variable Velocidad Promedio (VP), ya que esta variable

no es completamente controlable y no se proyecta en los budget anuales.
¾ Se analizará minuciosamente los tiempos de ciclos.
6.3.1 Análisis de los Tiempos de Ciclo
A continuación, analizaremos el comportamiento de los tiempos de ciclo

de la flota de transporte a través del año 2009, visualizando a simple vista,
distintas tendencias. En la figura 6.1 podremos apreciar el comportamiento del
tiempo de ciclo el año 2009.
129
130

------------------------------------------------------------------------------------------------------------------------------------
Ten d en cia s TC 2009
40 60
40
35
Tiempo Ciclo [min]
0,49
20
0,40
1,46
4,91
-0,29
1,14
Del ta [%]
0,34
30 0
-0,97
-1,03
-0,92
-1,27
-3,38
-20
25
-40
20 -60
Oct-09
Jun-09
Ene-09
Feb-09
Mar-09
May-09
Jul-09
Nov-09
Dic-09
Sep-09
Ago-09
Abr-09
Tiempo [Meses]
Delta TC Real TC Budget
FIGURA 6.1: TENDENCIA TIEMPO DE CICLO PARA FLOTA TRANSPORTE EL AÑO 2009.
A partir de la figura 6.1, se observan dos tendencias; la de color verde, la

cual nos indica el Budget, o sea lo planificado por Ingeniería en cuanto a los
tiempos de ciclo promedio; la de color rojo, nos indica los Tiempos de Ciclos
reales dentro del año 2009. Además se observan barras (color azul), las cuales
corresponden al delta (diferencia) entre lo comprometido v/s real.
6.3.2 Conclusión
Anteriormente, se trató la variable tiempo de ciclo por separado, indicando

claramente el valor comprometido (budget) v/s el real y el delta resultante de la
130
131

------------------------------------------------------------------------------------------------------------------------------------
diferencia entre estos. Ahora presentaremos un análisis (ver tabla 6.3), en el cual
cuantificaremos los Lts de combustible que se pueden ahorrar solamente
enfocándonos en la disminución de los tiempos de ciclo.
TABLA 6.3: IMPACTO DE LAS VARIABLES EN LA PRODUCCIÓN.

FC VP TC B TC R CE B CE R DELTA HO CP
MES
[%] [Km/Hr] [min.] [min.] [Lts/Hr] [Lts/Hr] [Lts/Hr] [Hrs] [Lts]
Ene-09 34,1 19,16 28,50 28,16 182,83 182,24 -0,59 13874,70 8146
Feb-09 34,3 18,04 25,80 27,07 176,25 178,43 2,19 12799,10 28012
Mar-09 34,5 20,32 28,10 26,96 184,88 182,92 -1,97 13712,20 -26954
Abr-09 33,7 18,71 30,40 28,94 184,68 182,14 -2,53 13182,00 -33359
May-09 36 18,63 29,50 29,79 186,22 186,73 0,51 14053,00 7110
Jun-09 36,5 17,98 34,00 29,09 193,51 185,02 -8,49 13415,40 113962
Jul-09 36,4 18,56 30,70 31,67 188,7 190,38 1,67 13612,00 22778
Ago-09 37,1 18,56 30,40 31,43 189,2 190,98 1,77 15091,90 26784
Sep-09 37,5 19,04 30,20 33,58 190,34 196,18 5,84 14574,10 85122
Oct-09 38,3 16,82 31,20 32,12 189 190,59 1,59 15292,74 24343
Nov-09 37,1 19,67 31,70 31,30 193,7 193,01 -0,69 14408,00 9952
Dic-09 38,1 18,42 32,20 31,71 193,48 192,63 -0,85 15174,60 -12853
En la tabla 6.3, observamos en la columna CP (la cual nos señala el

consumo mensual de petróleo) los ahorros o los gastos que se producen, con la
variación de los tiempos de ciclo entre columnas de TC B (tiempo de ciclo según
Budget) y TC R (tiempo de ciclo real) en nuestra flota de transporte. Es mas si
observamos en el capitulo 3 la figura 3.1, los aumentos o disminuciones del
consumo mensual se deben en gran medida al consumo especifico que se vio
reflejado en los tiempos de ciclos.
El objetivo claramente es no tener tiempos de ciclo mayores a lo

planificado, debido a esto, es que se analizará la variable TC, pero en mayor
profundidad, buscando determinar las principales causas que afecten el aumento
131
132

------------------------------------------------------------------------------------------------------------------------------------
de esta variable, estableciendo las más reiterativas y las que aporten en mayor
magnitud al aumento de esta.
6.4 Estudio Específico del Tiempo de Ciclo
Anteriormente se abordó la variable Tiempo de Ciclo en forma general,

identificando el impacto de esta variable. Ahora analizaremos en un mayor detalle
e identificando las principales causas que afecten el incumplimiento de los
objetivos.
6.4.1 Estudio de Tiempo de Ciclo de los Camiones
A continuación el estudio se enfocará y profundizará en entender la

variable “Tiempo de Ciclo”. Como todos sabemos el tiempo de ciclo corresponde a
la sumatoria de los tiempos de aculatamiento, cola, carga, viaje lleno, viaje vacío,
descarga o vaciado (ver Ecuación 6.1):
TC = T origen + T viaje + T destino (6.1)
El tiempo de origen se compone de los tiempos de cola, tiempos de

aculatamiento y tiempos de carga que se originan; en este caso en el frente de
extracción. Y queda definido por la ecuación 6.2
T origen = T COLA + T ACUL . + T CARGA (6.2)
El tiempo de viaje se obtiene por la suma de los tiempos llenos y tiempos

vacíos en el trayecto. Y este queda definido por la ecuación 6.3
132
133

------------------------------------------------------------------------------------------------------------------------------------
T viaje = T viaje _ lleno + T viaje _ vacio (6.3)
Debido a lo dinámico de las trayectorias, además de una relación

inversamente proporcional con las velocidades promedios. Los tiempos de viaje no
debieran analizarse en mayor profundidad.
El tiempo de destino se define como el tiempo de vaciado. Este tiempo

encierra el tiempo de descarga, espera y aculatamiento en el destino. Este tiempo
se determina a través de la Ecuación 6.4
T destino = T vaciado (6.4)
Analizando la fórmula de Tiempo de Ciclo y no comprometiendo la

velocidad promedio de los trayectos, ya que esta tiene una relación inversamente
proporcional a los tiempos de ciclo, deberemos trabajar en disminuir los tiempos
de origen y destino. Es por esto que las figuras (6.2) (6.3) (6.4) y (6.5) nos
muestran los tiempos que actualmente se manejan en la faena versus los tiempos
óptimos que se aspiran como operación.
133
134

------------------------------------------------------------------------------------------------------------------------------------
Tiempo en Cola 2009
1,50
Tiem po [min]
1,00
0,50
0,00
di o
9
9
9
9
-09
9
9
09
9
t-0
-0
c-0
-0
v-0
-0
-0
y-0
l -0
r-0
me
b-
n
r
o
e
Oc
Ju
Ab
Ma
Di
No
Ju
Ma
Ag
Se
En
Fe
o
Pr
Tiempo [Meses]
Tiempo Cola Tiempo Optimo
FIGURA 6.2: TIEMPO EN COLA V/S TIEMPOS ÓPTIMOS DE OPERACIÓN
Si nos centramos en el promedio anual de los tiempos de colas en

nuestras operaciones, debiéramos bajar de 1,24 min. Que actualmente se maneja;
representado por las columnas de color verde. Frente a 1 min. Que sería nuestro
óptimo operacional representado por las columnas de color rojo. Esto aportaría
0,24 min. al ahorro del tiempo de ciclo.
Tiempo de Aculatamiento 2009
1,20
Tiempo [min]
0,90
0,60
0,30
0,00
di o
9
09
9
09
09
09
9
09
9
9
t-0
c-0
v-0
r-0
y-0
l -0
r-0
n-
o-
p-
e-
me
b-
Oc
Ju
Ab
Ma
Di
No
Ju
Ma
Ag
Se
En
Fe
o
Pr
Tiempo [Meses]
Tiempo Aculatamiento Tiempo Optimo
FIGURA 6.3: TIEMPO DE ACULATAMIENTO V/S TIEMPOS ÓPTIMOS DE OPERACIÓN.
134
135

------------------------------------------------------------------------------------------------------------------------------------
Apreciando la figura anterior podremos notar que nuestros tiempos de

aculatamiento actuales caracterizados por las columnas de color verde ,son más
bajos que los tiempos óptimos propuesto por operación, señalados por las
columnas de color rojo, así que en este ámbito no podremos mejorar mas de lo
pedido.
Tiempo de Carguio 2009
1,80
Tiempo [min]
1,20
0,60
0,00
di o
9
9
9
9
-09
9
09
9
t-0
-0
c-0
-0
-0
-0
v-0
l -0
y-0
r-0
me
b-
n
r
e
Oc
Ju
Ab
Ma
Di
No
Ju
Ma
En
Fe
Ag
Se
o
Pr
Tiempo [Meses]
Tiempo de Carguio Tiempo Optimo
FIGURA 6.4: TIEMPO DE CARGUÍO V/S TIEMPOS ÓPTIMOS DE OPERACIÓN.
Visualizando la figura 6.4 nos lograremos dar cuenta que nuestros tiempos
de carga actuales diferenciados por las columnas de color verde, son mucho
mayores que los tiempos óptimos propuestos por operación descritos por las
columnas de color rojo. Si ponemos énfasis en tratar de llegar al tiempo óptimo
operacional promedio, esto aportara con un ahorro de 0,42 min. en nuestro tiempo
de ciclo.
135
136

------------------------------------------------------------------------------------------------------------------------------------
Tiempo Vaciado 2009
2,50
2,00
Tiempo [min]
1,50
1,00
0,50
0,00
di o
9
9
9
9
-09
9
09
9
t-0
-0
c-0
-0
-0
-0
v-0
l -0
y-0
r-0
me
b-
n
r
e
Oc
Ju
Ab
Ma
Di
No
Ju
Ma
En
Fe
Ag
Se
o
Pr
Tiempo [Meses]
Tiempo Vaciado Tiempo Optimo
FIGURA 6.5: TIEMPO DE VACIADO V/S TIEMPOS ÓPTIMOS DE OPERACIÓN.
Considerando la figura 6.5, nos damos cuenta que el promedio anual de

los tiempos de vaciado representados por las columnas de color verde, están por
sobre el óptimo operacional requerido por el área mina descritos por las columnas
de color rojo, si conseguimos mejorar este tiempo hasta llegar al optimo podremos
mejorar nuestro tiempo de ciclo en 0,56 min.
Ahora bien, si aplicamos planes de acción para obtener estas mejoras.

Podríamos optimizar nuestro tiempo de ciclo promedio en 1,22 min. Lo cual según
nuestro modelo estadístico significaría un ahorro de combustible especifico de
2,11[Lts. /hrs.]. Considerando que promedio tenemos operativas 14000 hrs.
mensuales en nuestra flota de transporte, el ahorro de combustible mensual
solamente con el mejoramiento de estos tiempos mencionados, alcanzaría los
29548 Lts. mensuales.
136
137

------------------------------------------------------------------------------------------------------------------------------------
6.5 Análisis ANOVA
6.5.1 Introducción
El análisis de varianza, o más brevemente ANOVA, se refiere en general a

un conjunto de situaciones experimentales y procedimientos estadísticos para el
análisis de respuestas cuantitativas de unidades experimentales o cualitativas. El
problema mas sencillo de ANOVA se conoce indistintivamente como ANOVA de
un solo factor, de clasificación única o en una dirección, donde interviene el
análisis ya sea de datos a los que se hace muestreo a partir de más de dos
poblaciones numéricas (distribuciones), o datos de experimentos en los que se
han empleado mas de dos tratamientos. La característica que diferencia los
tratamientos o poblaciones entre si se llama factor bajo estudio, y los tratamientos
o poblaciones diferentes se conocen como niveles del factor.
Para nuestro caso particular, el análisis ANOVA complementará las

inferencias realizadas por nuestro modelo de regresión multivariable. Con este
estudio de datos cualitativos, se busca ver si hay alguna diferencia significativa en
el tiempo de ciclo de diferentes operadores clasificados por niveles jerárquicos, y
en caso que existiese alguna diferencia en sus tiempos de ciclos, cuantificarlos a
través de nuestro modelo de regresión multivariable, el cual esta en función 3
variables, descritas anteriormente, entre ellas el tiempo de ciclo. Con esto
podremos ver, cuan influyente es el operador en el consumo especifico de
combustible.
6.5.2 ANOVA de un solo factor
El ANOVA de un solo factor se concentra en una comparación de más de

dos medias poblacionales o de tratamiento. Siendo:
137
138

------------------------------------------------------------------------------------------------------------------------------------
I = numero de poblaciones o tratamientos que se comparan.

u1 = media de la población 1, cuando se aplica el tratamiento 1
…
uI = media de la población I, cuando se aplica el tratamiento I
Entonces la hipótesis de interés son:
H0 = u1 = u2 =… = uI, Contra
Hα = Al menos dos de las ui son diferentes.
Si I=3, H0 es verdadera solo si las tres ui son idénticas. Hα seria verdadera,

por ejemplo, si u1=u2≠u3, o si las tres ui difieren entre si.
6.5.3 ANOVA de un solo factor cuando los tamaños muéstrales son

desiguales
Cuando los tamaños muéstrales de cada población o tratamiento no son

iguales, representamos con J1, J2,…, Ji los I tamaños muéstrales y simbolizamos
con n = ∑ J i el número total de observaciones.
i
Las medias muéstrales individuales estarán representadas por

X 1 , X 2 ,..., X I . Esto queda definido en la Ecuación 6.5
Ji
∑X
j =1
ij
X i° = , i = 1,2,..., I (6.5)
Ji
De manera similar, el promedio de todas las IJi observaciones, llamado

grande media, queda representada en la Ecuación 6.6
138
139

------------------------------------------------------------------------------------------------------------------------------------
∑X i°
X °° = i =1
(6.6)
n
Además, representamos con S12 , S 22 ,...,S 2I las varianzas muéstrales,
calculadas con la Ecuación 6.7
Ji
∑(X
j =1
iJ i − X i° ) 2
S i2 = , i = 1,2,..., I (6.7)
Ji −1
Suposiciones
Las I distribuciones poblacionales o de tratamiento son todas normales

con la misma varianza σ2. Esto es, cada XiJi esta normalmente distribuida con las
Ecuaciones 6.8 y 6.9 respectivamente
E ( X iJ i ) = u i (6.8)
V ( X iJ I ) = σ 2 (6.9)
Las I desviaciones estándar muéstrales por lo general van a diferir un

poco aun cuando sean idénticas las σ correspondientes. Una regla práctica es que
si la S más grande no es mucho más de dos veces el valor de la pequeña, es
razonable suponer σ2 iguales.
139
140

------------------------------------------------------------------------------------------------------------------------------------
6.5.3.1 El estadístico de prueba
Si H0 es verdadera, las J observaciones de cada muestra vienen de una

distribución poblacional normal con el mismo valor medio u, en cuyo caso las
medias muéstrales X 1 ,..., X I deben ser razonablemente cercanas. El
procedimiento de prueba esta basado en la comparación de una media de
diferencias entre las X i ° (variación entre muestras), con una medida de variación
calculada dentro de cada unas de las muestras.
El cuadrado medio de tratamientos esta dado por la Ecuación 6.10:

SSTr
MSTr = (6.10)
I −1
El cuadrado medio del error se aprecia en la Ecuación 6.11:

SSE
MSE = (6.11)
n−I
El estadístico de prueba ANOVA de un solo factor para tamaños

muéstrales desiguales, se visualiza en la Ecuación 6.12
MSTr
f = (6.12)
MSE
Podríamos preguntarnos entonces ¿Qué valor de f proporciona evidencia

a favor o en contra de H0?, observemos primero que si H0 es verdadera (todas las
ui son iguales), los valores de los promedio muéstrales individuales se deben
acercar entre si y, por lo tanto, deben acercarse al promedio general, dando como
resultado un valor relativamente pequeño de MSTr. Sin embargo, si las ui son muy
distintas, algunas X i ° deben diferir bastante de X °° . Así el valor de MSTr depende
140
141

------------------------------------------------------------------------------------------------------------------------------------
del status de H0 (verdadera o falsa). No en el caso con el MSE, porque las S i2 solo
dependen del valor subyacente de σ2 y no de donde se centran las diversas

distribuciones. Por tanto podríamos concluir que la región de rechazo se da
cuando f ≥ F α, I-1, n-I.
6.5.3.2 Las distribuciones F y la prueba F
Una distribución F surge al considerar un cociente donde hay grados de

libertad asociados con el numerador y otros grados de libertad asociados al
denominador. Representemos con v1 y v2 el número de grados de libertad del
numerador y del denominador, respectivamente, para una variable con una
distribución F. Tanto v1 como v2 son enteros positivos. La figura 6.6 ilustra una
curva de densidad F y el correspondiente valor crítico de cola superior F α, v1, v2.
FIGURA 6.6: CURVA F Y VALOR CRITICO F Α, V1, V2.
Entonces siendo f el estadístico de prueba en un problema ANOVA de un

solo factor, definido en la ecuación 6.12 donde aparecen I poblaciones o
tratamientos, con una muestra aleatoria de Ji observaciones y siendo v1=I-1 y
141
142

------------------------------------------------------------------------------------------------------------------------------------
v2=n-I. H0 es falsa, si se encuentra en la región de rechazo f ≥ F α, I-1, n-I. Con un

nivel de significación de α.
6.5.3.3 Formulas de cómputo para ANOVA
Los cálculos que llevan a f se pueden hacer de manera eficiente utilizando

fórmulas semejantes a la fórmula de computo para una sola varianza muestral S2.
Las formulas de la suma total de cuadrado (SST), la suma de cuadrados de
tratamientos (SSTr) y la suma de cuadrados del error (SSE) quedan expresadas
en las Ecuaciones 6.13, 6.14, 6.15 respectivamente.
I Ji I Ji
1 2
SST = ∑∑ ( X ij − X °° ) 2 =∑∑ X ij2 − X °° , grados de libertad=n-1 (6.13)
i =1 j =1 i =1 j =1 n
I Ji I
1 2 1 2
SSTr = ∑ ∑ ( X i ° − X °° ) 2 = ∑ X i ° − X °° , grados de libertad=I-1 (6.14)
i =1 j =1 i =1 Ji n
I Ji
SSE = ∑∑ ( X ij − X i2° ) = SST − SSTr , grados de libertad = ∑ ( J i − 1) = n − I (6.15)
i =1 j =1
6.5.4 Comparaciones múltiples cuando los tamaños muéstrales son

desiguales
Cuando el valor calculado del estadístico F en un ANOVA de un solo

factor no es significativo, el análisis se termina porque no han sido identificadas
diferencias entre las ui. Pero cuando H0 es rechazada, por lo general se desea
saber cuales de las ui son diferentes entre si. Un método para continuar con el
análisis se llama procedimiento de comparaciones múltiples. Hay varios de estos
procedimientos en la literatura estadística. Aquí se trabajará con uno que muchos
expertos recomiendan para determinar si es posible que ui=uj para cada i y j.
142
143

------------------------------------------------------------------------------------------------------------------------------------
6.5.4.1 Procedimiento de Tukey (el método T)
En el procedimiento de Tukey interviene el uso de otra distribución de

probabilidad llamada distribución de rango estudentizado. La distribución
depende de dos parámetros: grados de libertad m del numerador y grados de
libertad v del denominador. Representamos con Q α, m, v el valor crítico de la cola
superior α de la distribución de rango estudentizado, con m grados de libertad en
el numerador y v grados de libertad en el denominador (análogo a F α, v1, v2).
Entonces Q α, I, n-I se puede emplear para obtener intervalos de confianza

simultáneos para todas las diferencias pares ui-uj. Pero para nuestro caso
particular, cuando los tamaños muéstrales son desiguales, el procedimiento de
1 1
Tukey se modifica mediante el uso de promedios de parejas de en lugar de .
Ji J
Por tanto, el método T permite identificar si ui son significativamente diferentes,
esto se aprecia en la Ecuación 6.16
MSE ⎛ 1 1⎞
wij = Qα , I ,n − I • ⎜⎜ + ⎟⎟ (6.16)
2 ⎝ Ji Ji ⎠
Luego, 1-α es aproximadamente la probabilidad de que
X i ° − X j ° − wij ≤ u i − u j ≤ X i ° − X j ° + wij
Para toda i y j (i=1,…, I) con i≠j.
El nivel de confianza simultaneo de 100(1-α) % es solo aproximado, no

exacto, por estar con tamaños muéstrales desiguales.
143
144

------------------------------------------------------------------------------------------------------------------------------------
6.5.5 Aplicación del análisis ANOVA a la prueba operacional en CMZ
Se gestionó a través de los jefes de turnos y los despachadores, la

elección de los siguientes puntos a tratar en la prueba operacional:
¾ Circuito fijo de transporte donde se realizará la prueba operacional:

82960N (Etapa 8, cota 2960 m.s.n.m) – DLPILAS (Dump Leach).
¾ Tres operadores, clasificados por niveles jerárquicos: Instructor

(experiencia 15 años), Intermedio (experiencia 5-7 años), y Aprendiz (experiencia
0-1,5 años).
¾ Tres camiones homogéneos que sean representativos de la flota de

transporte (Haulpak Dresser 830E; camiones H01, H07, H08).
¾ Se necesitará monitorear para esta prueba operacional, los tiempos de

ciclo incurridos en el perfil de transporte.
Para realizar esta prueba es necesario cumplir a cabalidad la comparación

en situaciones similares, y así, ver cómo reacciona el operador en un mismo
circuito de transporte; llámese a este, distancias horizontales, pendientes etc. Es
por esto que se pondrán en paralelo 3 operadores en sus respectivos camiones,
en el perfil designado, durante un tiempo determinado. Con esto se comenzará a
recopilar los tiempos de ciclo de cada operador. Al finalizar el tiempo de prueba se
analizarán los datos estadísticamente y se sacarán conclusiones acertadas sobre
cuán influyente es el tipo de operador en el consumo de combustible.
144
145

------------------------------------------------------------------------------------------------------------------------------------
6.5.5.1 Estadística básica de los datos obtenidos
La estadística básica se obtiene gracias a las ecuaciones (6.5), (6.6), (6.7)

expuestas anteriormente, integrando el software statgraphics. Estas se pueden
visualizar en la tabla 6.4
TABLA 6.4. RESUMEN ESTADÍSTICO PARA TIEMPOS DE CICLO DE LOS OPERADORES

Resumen Estadistico para Tiempos de Ciclo
Tipo de Operador Frecuencia Media Mediana Varianza Desv.Tipica Coef. Variacion
1 11 40,48 39,75 19,20 4,38 10,82%

2 24 45,52 43,68 56,26 7,50 16,48%
3 11 49,74 50,20 34,51 5,87 11,81%
Total 46 45,32 43,71 51,21 7,16 15,79%
Según los datos obtenidos por el análisis, logramos apreciar en la figura

6.7 del grafico de caja y bigotes, el cual nos enseña las medias y medianas
representadas por cada tipo de operador.
Gráfico de Cajas y Bigotes
1
Tipo de Operador
31 41 51 61 71
Tiempo de Ciclo
FIGURA 6.7: GRAFICO DE CAJA Y BIGOTES PARA LOS TIEMPOS DE CICLOS DE CADA OPERADOR
145
146

------------------------------------------------------------------------------------------------------------------------------------
La tabla 6.4 nos servirá comprobar a priori, si nuestras distribuciones

poblacionales o de tratamiento provienen de una tendencia normal con la misma
varianza σ2. La regla práctica indica que si la S más grande no es mucho más de
dos veces el valor de la más pequeña, es razonable suponer σ2 iguales.
Como podemos corroborar la S2 mas grande pertenece al operador clase

2 y tiene un valor de 7,5, y la S1 más pequeña corresponde al operador 1 y tiene
un valor de 4,4. Visualizando los valores podemos concluir S2 no supera dos
veces el S1 por tanto supondremos que σ22 = σ12. Para que no quede ningún tipo
de duda analizaremos con mayor detalle las hipótesis de normalidad de la prueba
operacional.
6.5.5.2 Análisis de las hipótesis de la prueba
El modelo está basado en las hipótesis de normalidad de los datos de

cada grupo, igualdad de varianzas en todos los grupos e independencia de los
residuos. Todas estas hipótesis pueden comprobarse con los gráficos de residuos.
Para la hipótesis de igualdad de varianzas (de todos los grupos), existen además
los siguientes test:
Test de homogeneidad de varianzas
El sistema da los resultados de tres test de homogeneidad de varianzas,

cuenta con la hipótesis nula, la cual nos indica en todos ellos, que las varianzas de
los distintos niveles son iguales. Por ello, si el p-valor de los test de Cochran o
Barlett es mayor que 0.01, se acepta la hipótesis de igualdad de varianzas. La
tabla 6.5 nos presenta un resumen de los test de homogeneidad con sus
respectivos P-valor.
146
147

------------------------------------------------------------------------------------------------------------------------------------
TABLA 6.5: TEST DE HOMOGENEIDAD

Constraste de Varianza
Test de Homogeneidad Valor P-valor
Contraste C de Cochran 0,5116 0,1344

Contraste de Bartlett 1,0889 0,1711
Test de Levene 0,6849 0,5095
El cuadro estadístico mostrado en esta tabla, comprueba la hipótesis nula

de que la desviación típica de Tiempo de Ciclo dentro de cada uno de los 3 niveles
de Tipo de Operador, es la misma. De particular interés están los tres p-valores.
Dado que el menor de los p-valores es superior o igual a 0,01, no hay diferencia
estadísticamente significativa entre las desviaciones típicas para un nivel de
confianza del 99,0%.
Gráficos de Residuos
En la figura 6.8 se aprecian los residuos correspondientes a cada uno de

los niveles del factor (tipos de operadores).
Gráfico de Residuos para Tiempo de Ciclo

24
12
Residuo
-12
-24
1 2 3
Tipo de Operador
FIGURA 6.8: GRAFICO DE RESIDUOS PARA LOS TIEMPOS DE CICLO DE CADA OPERADOR
147
148

------------------------------------------------------------------------------------------------------------------------------------
La figura 6.9 notamos los residuos en el orden que están almacenados los
datos en la variable tiempo de ciclo.
Gráfico de Residuos para Tiempo de Ciclo

24
12
Residuo
-12
-24
0 10 20 30 40 50
Número de Fila
FIGURA 6.9: GRAFICO DE RESIDUOS SEGÚN ALMACENAMIENTO DE LOS TIEMPOS DE CICLO.
En ambos gráficos podemos apreciar que todas las clasificaciones de los

operadores, aparecen con una variabilidad similar, por tanto de acuerdo a los test
y gráficos señalados podemos afirmar que la distribución de los residuos dentro de
cada nivel se aproxima a una distribución normal con media cero. Con las
conclusiones anteriores podemos seguir con el procedimiento de análisis de
varianza.
6.5.5.3 Suma Total de Cuadrados (SST)
Para estimar la suma total de cuadrados, necesitamos calcular los

siguientes parámetros:
Suma de Cuadrado de Tratamiento (SSTr)
Utilizando la formula 6.14, se obtiene el siguiente valor para la suma de los

cuadrados de los tratamientos.
148
149

------------------------------------------------------------------------------------------------------------------------------------
SSTr = 473,405
Suma de Cuadrado del Error (SSE)
Utilizando la formula 6.15, se obtiene el siguiente valor para la suma de los

cuadrados del error.
SSE = 1831,05
Suma de Cuadrado Total (SST)
Utilizando la formula 6.13, se puede conseguir el valor para la suma de

cuadrado total.
SST = 2304,46
6.5.5.4 Cuadrados Medios
Los cuadrados medios los podemos clasificar en dos tipos:
El cuadrado medio de tratamientos (MSTr)
SSTr 473,405 473,405

MSTr = = = = 236,703
I −1 3 −1 2
149
150

------------------------------------------------------------------------------------------------------------------------------------
El cuadrado medio del error (MSE)
SSE 1831,05 1831,05

MSE = = = = 42,5826
n−I 46 − 3 43
6.5.5.5 La prueba F y su estadístico de prueba f
El estadístico de prueba ANOVA de un solo factor para tamaños

muéstrales desiguales, se calcula utilizando la Ecuación 6.12
MSTr 236,703
f = = = 5,56
MSE 42,5836
El valor crítico de F que tiene un área de 0.01, con grados de libertad en el

numerador = (I-1)= (3-1) = 2 y grados de libertad en el denominador = (n-I)= (46-
3)=43 tiene un valor de: F0.01, 2, 43 = 5.18
Como f =5.56 ≥ F0.01, 2, 43 = 5.18, H0 es rechazada con un nivel de

confianza del 99%. Por tanto podemos concluir que las medias de los tiempos de
ciclos de nuestros operadores (instructor, intermedio, aprendiz) difieren
significativamente. Ahora estaremos interesados en determinar cual de los
tiempos de ciclos promedios difieren de los otros. Por tanto aplicaremos el
procedimiento de comparaciones múltiple para tamaños muestrales desiguales.
Además para reafirmar la conclusión anterior podemos señalar que como

el p-valor es inferior a 0.01, hay diferencia estadísticamente significativa entre los
tiempos de ciclos medios de un nivel de operador con respecto a otro. Con un
nivel de confianza del 99%.
150
151

------------------------------------------------------------------------------------------------------------------------------------
En la tabla 6.6 podemos encontrar un resumen del análisis ANOVA que se

aplico a los tiempos de ciclos operacionales.
TABLA 6.6: RESUMEN ANÁLISIS ANOVA.

Analisis de la Varianza
Fuente Suma Cuadrados G.L. Cuadrados Medios Coefciente-F P-Valor
Tratamiento 473,41 2 236,70 5,56 0,0071

Error 1831,05 43 42,58
Total (Corr.) 2304,46 45
6.5.5.6 Comparaciones múltiples
Aplicaremos el procedimiento de comparación múltiple para determinar las

medias que son significativamente diferentes unas de otras.
Los tamaños muéstrales para los datos de frecuencia de los tiempos de

ciclo son J1=11, J2=24, J3=11, con I =3 grados de libertad en el numerador y
[n-I]= 43 grados de libertad en el denominador, además de un MSE = 42,58. Un
nivel de confianza simultáneo de aproximadamente 99% requiere Q0.01, 3, 43 =
4,37, de lo cual, de acuerdo a la ecuación 6.16 se obtiene:
42,58 ⎛ 1 1 ⎞
w12 = 4,37 • • ⎜ + ⎟ = 7,3420
2 ⎝ 11 24 ⎠
42,58 ⎛ 1 1 ⎞
w13 = 4,37 • • ⎜ + ⎟ = 8,5981
2 ⎝ 11 11 ⎠
42,58 ⎛ 1 1⎞
w23 = 4,37 • • ⎜ + ⎟ = 7,3420
2 ⎝ 24 11 ⎠
151
152

------------------------------------------------------------------------------------------------------------------------------------
En la figura 6.10 vemos graficados los intervalos de cada tipo de operador.
Medias y 99,0 Porcentajes Intervalos HSD de Tukey

56
52
Tiempo de Ciclo
48
44
40
36
1 2 3
Tipo de Operador
FIGURA 6.10: INTERVALOS HSD DE TURKEY CON UN 99% DE CONFIANZA
A simple viste, apreciamos en la figura 6.10, los tiempos de ciclo del

operador 1 y 3 no se traslapan, por tanto es un claro indicio que sus tiempos de
ciclos son significativamente diferentes. En cambio existe un traslape del tiempo
de ciclo del operador 2 con respecto al 1 y 3. Por consiguiente no existe diferencia
significativa entre ambos pares.
En la tabla 6.7 visualizamos un resumen del contraste múltiple de rango

para los tiempos de ciclo promedios, según tipo de operador y con esto, respaldar
lo visto en la figura 6.10.
152
153

------------------------------------------------------------------------------------------------------------------------------------
TABLA 6.7: CONTRASTE DE RANGO MÚLTIPLE

Contraste Múltiple de Rango para Tiempo de Ciclo según Tipo de Operador
Metodo: HSD de Tukey con 99% confianza

Nivel Frecuencia Media Grupos Homogeneos
1 11 40,4818 X
2 24 45,5167 XX
3 11 49,7409 X
Contraste Diferencias +/- Limites
1-2 5,0349 7,34

1-3 * 9,2591 8,60
2-3 4,2242 7,34
* Indica una diferencia significativa
Como X 2 − X 1 = 45,5167 − 40,4818 = 5,0349〈 w12 = 7,3420 , u1 y u2 no se
estiman considerablemente diferentes. Lo mismo con el caso entre X 3 − X 2 .
Pero con el caso entre 1 y 3 podemos apreciar que

X 3 − X 1 = 49,7409 − 40,4818 = 9,2591〉 w31 = 8,60 , por consiguiente u1 y u3 se estiman
considerablemente diferentes con un nivel de confianza del 99%.
Es por esto que se puede afirmar que entre el operador instructor y el

operador aprendiz hay una diferencia significativa en los tiempos de ciclos,
mientras tanto que entre el operador intermedio y el operador instructor o aprendiz
no existe diferencia significativa de los tiempos. Ahora debemos considerar que
con este método hay 1% de considerar uno o mas pares como significativamente
diferentes cuando su diferencia real es igual a cero.
153
154

------------------------------------------------------------------------------------------------------------------------------------
6.5.5.7 Impacto del tipo de operador en el consumo especifico de

combustible
Como concluimos en los puntos anteriores existe una diferencia

significativa en los tiempos de ciclos de los diferentes operadores, ahora lo que se
busca es cuantificar, cuan influyente es esta diferencia en los consumos
específicos de combustible. La tabla 6.7 nos muestra en cuanto puede variar el
consumo específico de combustible con los diferentes tipos de operadores para un
perfil de transporte fijo.
TABLA 6.7: CONSUMO ESPECÍFICO DE COMBUSTIBLE DE ACUERDO A TIPOS DE OPERADORES.

Tiempo de Factor de Carga Vel. Prom. Consumo Especifico
Tipo Operador
Ciclo[min] [%] [Kms/Hr] [Lts.Hr]
1 40.54 36.46 18.65 206.02
2 45.53 36.46 18.65 214.67
3 49.77 36.46 18.65 222.00
Como apreciamos en la tabla 6.7, al existir una diferencia en los tiempos

de ciclo y manteniendo las demás variables como constantes, obtenemos el
consumo especifico de cada operador para este perfil fijo. Lo que rescatamos en
esta información son las diferencias de consumo en pares de operadores y
extrapolamos estas diferencias para cualquier tipo de perfil, ya que están
validadas por nuestro estudio.
Ahora recopilando información de que tipo de operadores componen

nuestra flota y sabiendo que aproximadamente, se trabaja promedio 510 horas
operativas por mes, podremos cuantificar realmente cuanto combustible podremos
ahorrar teóricamente, en caso de mejorar las prácticas operacionales para cada
operador en estudio. La tabla 6.8 nos señala el real impacto en el ahorro de
154
155

------------------------------------------------------------------------------------------------------------------------------------
combustible mensual si se pudiera capacitar a nuestros operadores de menor

experiencia y llevarlos a mejores prácticas operacionales.
TABLA 6.8: CUANTIFICACIÓN DE AHORRO DE COMBUSTIBLE MENSUAL SEGÚN TIPO DE OPERADOR

Diferencia Consumo Horas.Op. Combustible
Turno A Turno B Turno C Turno D
Especifico [Lts/Hr] [Hrs/Mes] [Lts/Mes]
1-2 8.6 510.41 8 13 10 10 45228
1-3 16.0 510.41 12 8 14 15 99909
2-3 7.3 510.41 12 8 14 15 45856
Total Ahorro 190993
Como podemos darnos cuenta según la tabla 6.8, si logramos mejorar las
prácticas operacionales de los operadores en entrenamiento o bien de los
operadores con una experiencia intermedia al máximo teórico, lograremos mejorar
aproximadamente 190000 litros de combustible al mes.
6.5.5.8 Plan de acción de acuerdo a las inferencias
En el punto anterior se cuantificó el impacto que tiene cada operador a la

hora de consumir combustible, ahora lo que se busca en crear planes de acción
que mejoren las prácticas operacionales de los operadores más débiles. Es por
que se analizará con mayor detalle el desglose de los tiempos de ciclos de cada
operador con el fin de apuntar con certeza donde atacar a la hora de capacitar. La
tabla 6.9 nos muestra el desglose de los tiempos de ciclos además de una
estadística básica.
155
156

------------------------------------------------------------------------------------------------------------------------------------
TABLA 6.9: DESGLOSE DE LOS TIEMPOS DE CICLO.

T.V.Vacio T. Cola T. Acul. T. Carga T.V.Cargado T. Vaciado T. Ciclo
Tipo Operador Estadistica
[min] [min] [min] [min] [min] [min] [min]
Media 13.07 1.14 1.13 1.38 23.07 0.75 40.54
Mediana 13.50 1.10 1.10 1.30 23.00 0.50 39.75
1 [Instructor]
Des. Estandar 5.23 1.22 0.49 0.18 1.03 0.47 4.38
Varianza 27.40 1.48 0.24 0.03 1.07 0.22 19.20
Media 15.04 3.20 0.94 1.78 23.03 1.54 45.53
Mediana 14.10 0.60 0.95 1.55 22.95 0.90 43.68
2 [Intermedio]
Des. Estandar 4.48 5.38 0.68 0.81 1.30 2.51 7.50
Varianza 20.07 28.91 0.46 0.65 1.68 6.32 56.26
Media 16.35 4.35 0.95 2.45 24.42 1.25 49.77
Mediana 15.70 3.50 1.10 2.40 24.30 1.20 50.20
3 [Aprendiz]
Des. Estandar 4.42 4.50 0.77 0.88 1.39 0.85 5.87
Varianza 19.57 20.24 0.59 0.77 1.94 0.73 34.51
La mayoría de los tiempos tienen una distribución normal a excepción del

tiempo en cola y el tiempo de vaciado para el operador intermedio, esto se debe a
la alta variabilidad de los datos. Por tanto, primero que todo, hay que apuntar a
normalizar los tiempos de cola de aquí en adelante, gestionando el dinamismo en
la asignación y con esto no permitir que estos tiempos superen el minuto, por otra
parte en los tiempos de vaciado debemos capacitar y mejorar las prácticas
operacionales del vaciado. Ahora bien para una mejor apreciación del diferencial
entre pares de operadores, se diseño la tabla 6.10 la cual nos enseña la diferencia
total en los tiempos de ciclo entre los pares de operadores, además de esto se
desgloso este diferencial para apreciar la contribución de los tiempos que
componen el tiempo de ciclo, con esto podremos focalizar las capacitaciones mas
criticas.
TABLA 6.10: DIFERENCIAS SEGÚN DESGLOSE DE TIEMPOS DE CICLO

T.V.Vacio T. Cola T. Acul. T. Carga T.V.Cargado T. Vaciado T.Ciclo Diferencia Consumo
[min] [min] [min] [min] [min] [min] [min] Especifico [Lts/Hr]
1-2 1.96 2.06 -0.19 0.40 -0.04 0.80 5.00 8.6
1-3 3.28 3.21 -0.17 1.07 1.35 0.50 9.24 16.0
2-3 1.32 1.15 0.01 0.67 1.39 -0.30 4.24 7.3
156
157

------------------------------------------------------------------------------------------------------------------------------------
Para poder contemplar con mejor detalle cual es la contribución porcentual

de cada tiempo en la diferencia total se crearon las figuras 6.11, 6.12, 6.13, que
representan los tres pares de comparación.
FIGURA 6.11: CONTRIBUCIÓN PORCENTUAL DE TIEMPOS EN VARIACIÓN TOTAL DE LOS TC OPERADOR 1 Y 2
Variacion de los tiempos de ciclos Op.1 v/s Op.2
25,00 39,32 41,30 50,00
20,00
15,93 25,00
Porcentaje [%]
Tiem po [m in]
8,03
15,00 -0,87
0,00
10,00 -3,71
-25,00
5,00
0,00 -50,00
T. Carga
T.V.Vacio
T. Cola
T.V.Cargado
T. Vaciado
T. Acul.
Tiempos Desglosados
"Delta Op1 - Op2" "Operador 1" "Operador 2"
25,00 50,00
35,53 34,74
20,00
14,57 25,00
11,61 Porcentaje [%]
Tiempo [ min]
5,41
15,00
0,00
10,00 -1,87
-25,00
5,00
0,00 -50,00
T. Acul.
T.V.Vacio
T. Cola
T. Carga
T.V.Cargado
T. Vaciado
Tiempos Desglosados
157
158

------------------------------------------------------------------------------------------------------------------------------------
25,00 50,00
31,07 32,76
27,02
20,00
15,83 25,00
Porcentaje [%]
Tiempo [min ]
15,00 0,30
0,00
10,00
-6,99
-25,00
5,00
0,00 -50,00
T. Acul.
T.V.Vacio
T. Cola
T. Carga
T.V.Cargado
T. Vaciado
Tiempos Desglosados
Visualizamos en los tres gráficos de comparación de pares, que

aproximadamente el 50% de las diferencias de tiempos entre un operador y otro
se debe a los tiempos de viaje de la flota de transporte y el otro 50% de las
diferencias corresponde en gran medidas a los tiempos fijo (cola, aculatamiento,
carga, vaciado). Por tanto podríamos dividir las capacitaciones de los operadores
en mejores prácticas en la conducción y maniobras operacionales.
Gracias al estudio realizado, y a las excelentes conclusiones, se sugirió

por parte de la jefatura realizar una evaluación económica de la compra de un
simulador que nos ayudará a la capacitación de los operadores. El tema de la
evaluación económica de la cabina de simulación, que nos servirá para capacitar a
nuestros operadores, se quiere tocar con mayor profundidad en el capitulo 8, el
cual hace referencia a la optimización de combustible, además existe la necesidad
de definir un modelo de proyección anual de combustible, que nos sirva para las
evaluaciones económicas de este análisis.
158
159
Capitulo 7 – Creación y Validación del Modelo de Consumo Mensual de Combustible

------------------------------------------------------------------------------------------------------------------------------------
CAPITULO 7
CREACION Y VALIDACION DEL MODELO DE CONSUMO

MENSUAL Y ANUAL DE COMBUSTIBLE
7.1 Introducción
El modelamiento del consumo mensual de combustible es uno de los

ítems que abarca mayor relevancia a la hora de hacer los presupuestos
mensuales y anuales en compañía minera Zaldívar. Es por esto y de acuerdo a los
datos de entrada que obtenemos por parte de otras áreas relacionadas al negocio
minero, hemos de confeccionar un modelo que proporcione la proyección de este
insumo, según Budget, con un nivel de confianza aceptable y no solo eso, sino
que también se ajuste a las restricciones propuestas por área de gestión en mina.
A partir de todos los análisis, e interpretaciones de la información propuesta por el
capitulo III desarrollaremos un modelo representativo para nuestra área.
La data utilizada en este estudio, es a partir del 01 de enero del 2009 al 01

de enero del 2010, recopilando información de todos los turnos (A, B, C y D).
7.2 Indicadores sobre el consumo combustible
Gracias al capítulo III y las tablas que se muestran en este, podemos

visualizar los indicadores que nos servirán para explicar de mejor manera el
consumo de combustible. Para ejemplarizar los valiosos indicadores, se trabajaran
con datos pertenecientes al mes de Enero del 2010, estos los podremos apreciar a
continuación en la tabla 7.1.
159
160

------------------------------------------------------------------------------------------------------------------------------------
TABLA 7.1: INDICADORES DE CONSUMO COMBUSTIBLE MES ENERO 2010.

Kms/Vuelta Kms/Vuelta Kms/Vuelta
Camiones Ton/Carga Lts/Ciclo
Vacío Lleno Promedio
H01 4,61 5,01 9,61 225,0 117,31
H02 3,57 4,61 8,18 225,0 75,29
H03 5,00 5,17 10,16 225,3 115,11
H04 4,89 5,11 10,00 225,0 109,69
H05 4,89 5,10 9,99 225,2 105,27
H06 4,83 5,03 9,86 225,0 105,12
H07 4,39 4,70 9,09 225,0 104,60
H08 4,65 5,18 9,83 225,0 120,37
H09 4,94 5,13 10,07 225,0 99,56
H10 4,98 5,28 10,26 225,0 116,33
H11 4,84 5,09 9,93 225,0 112,63
H12 4,96 5,12 10,08 225,0 102,45
H14 4,10 4,76 8,86 225,0 88,19
H15 4,53 4,79 9,32 225,0 109,09
H16 3,02 3,23 6,24 225,0 79,52
H17 5,01 5,20 10,21 225,2 112,99
H18 4,52 5,03 9,55 225,0 123,00
H19 3,11 4,67 7,78 225,0 47,21
H21 3,15 4,88 8,04 225,0 64,37
H23 4,79 5,16 9,95 225,0 107,73
H24 4,76 4,98 9,74 225,0 109,06
H25 4,76 5,00 9,76 225,0 101,03
H26 4,29 4,67 8,96 225,0 110,32
H27 4,61 5,09 9,70 225,0 104,03
H28 4,78 5,05 9,83 225,0 96,00
H31 4,35 4,89 9,24 225,0 98,97
H32 4,96 5,32 10,28 225,2 117,09
H33 4,38 4,98 9,36 225,0 111,84
H34 4,76 5,41 10,17 225,0 116,48
PROMEDIO 4,50 4,95 9,45 225,03 102,78
160
161

------------------------------------------------------------------------------------------------------------------------------------
La tabla anterior la cual representa el mes de enero de 2010, se analizo

para los meses restantes de acuerdo al alcance de investigación (Enero 2009-
Enero 2010). Estos indicadores nos muestran parámetros de rendimientos
promedios según la flota de transporte, apreciando de estos, unos de los más
relevantes en nuestra investigación; como es el caso de los litros por ciclos
consumidos dentro del mes.
7.3 Modelo Consumo Mensual Propuesto
Este modelo se creara bajo condiciones o información que se puede

obtener proyectada en los planes de nuestra área. Estos input o variables de
entrada son las siguientes:
7.3.1 Tonelaje Mensual a Transportar
El tonelaje mensual a transportar es una variable que domina el área de

Ingeniería, perteneciente a la Superintentendia de Servicios Técnicos, dicha área
proporciona esta información de acuerdo al plan minero según BUDGET. En la
tabla 7.2 se mostrara lo tonelajes mensuales transportados desde Enero 2009
hasta Enero 2010.
161
162

------------------------------------------------------------------------------------------------------------------------------------
TABLA 7.2: TONELAJES MENSUALES A TRANSPORTAR ENERO 2009-ENERO 2010.

DL a
Min a Ch1 TCu CuS Tcu CuS Min a Stock Tcu CuS Lastre Total
Mes Pila
Kton % % Kton % % Kton % % Kton Ton
Ene-09 1.801 0,612 0,418 1.974 0,383 0,195 40 0,329 0,130 2.254 6.068.815
Feb-09 1.722 0,679 0,466 1.865 0,414 0,204 61 0,494 0,277 2.239 5.886.580
Mar-09 1.734 0,709 0,531 1.976 0,407 0,211 176 0,354 0,166 2.587 6.472.819
Abr-09 1.529 0,677 0,477 1.603 0,361 0,184 258 0,454 0,261 2.288 5.678.213
May-09 1.503 0,696 0,529 1.681 0,411 0,210 298 0,499 0,324 2.377 5.859.111
Jun-09 1.419 0,704 0,398 2.129 0,453 0,232 367 0,541 0,271 1.793 5.707.948
Jul-09 1.478 0,733 0,466 1.931 0,449 0,231 228 0,558 0,253 1.654 5.291.423
Ago-09 1.427 0,724 0,352 1.974 0,380 0,182 239 0,484 0,191 2.243 5.882.506
Sep-09 1.330 0,718 0,469 1.508 0,405 0,193 251 0,504 0,277 2.245 5.333.280
Oct-09 1.637 0,746 0,351 1.504 0,346 0,136 209 0,431 0,148 2.549 5.898.737
Nov-09 1.435 0,889 0,498 1.435 0,338 0,150 351 0,515 0,268 2.437 5.657.764
Dic-09 1.543 0,901 0,590 1.567 0,369 0,121 303 0,447 0,263 2.468 5.880.450
Ene-10 1.803 0,746 0,449 1.501 0,492 0,177 1.727 0,482 0,182 1.118 6.148.522
Total 20.361 0,731 0,461 22.649 0,403 0,190 4.505 0,483 0,223 28.251
7.3.2 Capacidad Efectiva del Camión
Los camiones que constituyen nuestra flota de transporte, a pesar de

componerse de diferentes marcas de equipos, estos tienen una capacidad
homogénea de traslado que se le llama trivialmente; factor de carga del camión, el
cual esta saeteado a 225 Ton/Viaje. Por tanto este input se convierte en una
constante.
7.3.3 Distancias Promedios
Esta variable de entrada, se obtuvo en la recopilación de datos en el

capitulo III, y sencillamente representa la distancia promedio que efectúa el
camión en una vuelta. En la tabla 7.3 se muestra la recopilación de las distancias
promedios recorridas por nuestra flota de transporte desde enero del 2009 hasta
enero 2010.
162
163

------------------------------------------------------------------------------------------------------------------------------------
TABLA 7.3: DISTANCIAS PROMEDIOS MENSUALES ENERO 09- ENERO 10.

Distancia Promedio Distancia Promedio Distancia
Mes
Vacío [Kms/Vuelta] Lleno[Kms/Vuelta] Promedio
Ene-09 4,61 4,71 9,33
Feb-09 4,15 4,32 8,47
Mar-09 4,58 4,83 9,42
Abr-09 4,58 4,89 9,47
May-09 4,66 4,92 9,58
Jun-09 4,37 4,61 8,98
Jul-09 4,93 5,28 10,21
Ago-09 4,88 5,36 10,24
Sep-09 5,33 5,90 11,22
Oct-09 4,42 4,94 9,36
Nov-09 5,04 5,63 10,67
Dic-09 4,87 5,21 10,08
Ene-10 4,50 4,95 9,45
7.3.4 Consumo Horario en Estaciones
Estas variables se consiguen de dispatch y consisten en parámetros

optimizados promedios del consumo horario de la flota de transporte, según las 6
estaciones en la cual se encuentre (cola, aculatamiento, carguío, viaje lleno,
vaciado, viaje vacío). Estas 6 estaciones componen el ciclo de nuestra flota, por
tanto, gracias a esta información y en conjunto con nuestros tiempos de ciclo,
lograremos obtener el gasto de combustible según el ciclo designado. A
continuación en la tabla 7.4 se presenta los consumos horarios que tomara
nuestro modelo para el cálculo del consumo de combustible mensual.
TABLA 7.4: CONSUMOS HORARIOS PARA LAS 6 ESTACIONES.

COLA ACULATAMIENTO CARGUIO V. LLENO VACIADO V. VACIO
Consumo
87,69 89,49 88,34 259,77 87,97 186,24
[Lts/Hr]
163
164

------------------------------------------------------------------------------------------------------------------------------------
En la tabla 7.4 se muestra el detalle de los gastos horarios de combustible

según la estación en la cual se encuentra. La sumatoria de estas estaciones
compondrá el gasto de combustible según el ciclo correspondiente.
7.3.5 Tiempo de Ciclo desglosado en Estaciones
Recopilando los tiempos de ciclo promedios mensuales desglosados en 6

estaciones (cola, aculatamiento, carga, viaje lleno, vaciado, viaje vacío), en
conjunto con los consumos específicos desglosados en estas 6 estaciones
mencionadas anteriormente, se obtiene el consumo combustible por ciclo mensual
promedio que gasta nuestra flota de transporte, este calculo se compara con los
consumos por ciclo reales que obtuvieron de los indicadores calculados en el ítem
7.2. Consiguiéndose deltas de error muy bajos, por lo que son factores que se
utilizaran más adelante en la creación del modelo. En la tabla 7.5 se detalla la
recolección de los tiempos de ciclo además del consumo por ciclo mensual real,
para el alcance de investigación (Enero 2009-Enero 2010).
TABLA 7.5: TIEMPOS DE CICLOS DESGLOSADOS Y CONSUMO POR CICLOS REALES.

MES LT/CICLO T COLA T ACUL. T CARGUIO T LLENO T DESC. T VACIO T CICLO
Ene-09 92,76 1,29 0,91 1,58 13,35 2,05 8,98 28,16
Feb-09 91,52 1,26 0,91 1,56 12,94 1,89 8,51 27,07
Mar-09 91,31 1,16 0,96 1,59 12,98 1,84 8,43 26,96
Abr-09 93,50 1,17 1,05 1,75 13,54 2,02 9,41 28,94
May-09 96,88 1,33 1,03 1,62 14,00 2,18 9,63 29,79
Jun-09 96,42 1,12 0,98 1,64 13,88 2,11 9,35 29,09
Jul-09 110,67 1,44 0,97 1,68 15,57 2,12 9,89 31,67
Ago-09 109,22 1,28 0,93 1,57 15,43 2,03 10,18 31,43
Sep-09 121,64 1,26 0,96 1,62 17,32 1,96 10,47 33,58
Oct-09 114,99 1,09 0,87 1,50 16,51 2,17 9,98 32,12
Nov-09 110,68 1,23 0,97 1,62 15,71 2,11 9,67 31,30
Dic-09 112,58 1,20 0,95 1,71 15,57 2,19 10,09 31,71
Ene-10 102,78 1,57 1,04 1,59 14,77 1,99 9,45 30,41
CONSUMO
87,69 89,49 88,34 259,77 87,97 186,24
[Lts/Hr]
175

------------------------------------------------------------------------------------------------------------------------------------
2) CALCULOS MODELO PETROLEO MENSUAL:

TOTAL DE
27.390 25.495 27.611 28.632 29.508 29.176 28.464 31.209 29.913 26.002 29.711 30.071 [Ciclos/Mes]
CICLOS
CONS. POR
102 95 98 91 88 87 88 94 102 86 96 103 [Lts/Ciclo]
CICLO.
CONS. TOT.
2.804.528 2.419.123 2.704.293 2.607.347 2.609.463 2.548.989 2.507.329 2.945.591 3.038.888 2.232.198 2.859.002 3.095.141 [Lts/Mes]
PETR.
REAL= 2.846.390 2.314.530 2.586.033 2.563.186 2.458.078 [Lts/Mes]
% ERROR PRED. -1,47 4,52 4,57 1,72 6,16 [%]
KMS TOT.REC. [Kms/Mes]

258.834 230.226 271.416 223.903 277.965 318.897 312.822 300.859 314.690 258.723 294.136 269.440
HRS.OP. TOT. [Hrs/Mes]

15.271 13.203 14.762 14.486 14.403 13.775 13.536 15.782 16.152 12.109 15.285 16.431
GASTO TOT.
[US$/Mes]
PETR. 1.822.943 1.572.430 1.757.791 1.694.775 1.696.151 1.656.843 1.629.764 1.914.634 1.975.277 1.450.929 1.858.351 2.011.842
175
176

------------------------------------------------------------------------------------------------------------------------------------
7.6 Modelo Consumo Anual Propuesto
El consumo anual de combustible; si bien es cierto, se puede obtener

fácilmente por la sumatoria de los meses respectivos, para cada año calculado por
nuestro modelo de consumo mensual anteriormente validado y proyectado. Pero
este panorama se ve complicado, cuando queremos obtener el consumo anual
para años posteriores como 2011-2026 por la cantidad de información que se
tendrá que recopilar para tales años (perfiles de transporte, distancias recorridas,
etc.). Es por esto que se quiere idear una forma rápida y sencilla, que no se aleje
de la realidad, para conseguir los consumos de combustibles anuales según LOM
(2011-2026). Quizás esta proyección no será tan acertada, como lo será sumando
los meses respectivos del consumo de combustible, calculado por el modelo
anteriormente mostrado, pero tiene la ventaja, que se acerca de forma muy
equivalente, reduciendo la cantidad de datos requeridos, o sea se creara bajo
escenarios o información que se puede obtener de una forma expedita en los
planes de nuestra área. Estos input o variables de entrada son las siguientes:
7.6.1 Tonelaje Anual a Transportar
El tonelaje anual a transportar es una variable que domina el área de

Ingeniería, perteneciente a la Superintendencia de Servicios Técnicos, dicha área
proporciona esta información de acuerdo al plan minero según LOM. En la tabla
7.13 se mostrara el tonelaje anual a transportar el año 2010.
TABLA 7.13: TONELAJE ANUAL A TRANSPORTAR AÑO 2010

Total
Año
Ton /Año
2010 77.216.534
176
177

------------------------------------------------------------------------------------------------------------------------------------
7.6.2 Disponibilidad de los Camiones
El factor de disponibilidad de un equipo o sistema es una medida que nos

indica cuanto tiempo está ese equipo o sistema operativo respecto de la duración
total durante la que se hubiese deseado que funcionase. Típicamente se expresa
en porcentaje. Esta variable proyectada la entrega el área de Ingeniería,
perteneciente a la Superintendencia de Servicios Técnicos, y se exige su
cumplimiento al área de Mantención, perteneciente a la Superintendencia
Mantención. Esta información se calcula de acuerdo al plan minero según LOM.
En la tabla 7.14 se mostrara la disponibilidad anual requerida por los camiones
para cumplir las metas de producción presupuestadas.
TABLA 7.13: DISPONIBILIDAD ANUAL 2010

Total
Año
% /Año
2010 83%
7.6.3 Utilización de los Camiones
Como todos sabemos la utilización corresponde al cuociente entre el

tiempo operativo por el tiempo disponible (Ecuación 7.7):
Top
UOC = (7.7)
Top + Tres + DP
El Tiempo de Reserva corresponde a las horas en que el camión, estando

en condiciones electro-mecánicas de cumplir su objetivo, no lo realiza por motivos
originados por falta de operador, requerimientos operacionales, etc.
177
178

------------------------------------------------------------------------------------------------------------------------------------
Las Demoras Programadas son las horas en que el camión, estando en

condiciones óptimas de funcionamiento, no trabaja por motivos justificados, los
cuales deben cumplirse para seguir con el transcurso óptimo de la operación.
Esta variable la proyecta el área de ingeniería, y el área de mantenimiento

se compromete a cumplir con lo exigido. Debemos tener claro que la utilización
máxima u optima a conseguir no superara el 94%, ya que está este porcentaje
representa el tiempo máximo en operación descontando las horas de colación. En
la tabla 7.15 se mostrara la utilización anual requerida por los camiones para
cumplir las metas de producción presupuestadas.
TABLA 7.16: UTILIZACIÓN ANUAL 2010

Total
Año
% /Año
2010 82%
7.6.4 Números de Camiones en Operación
Esta variable representa los camiones en operación pronosticados según

ingeniería, para cumplir con los planes de extracción. Estos varían de acuerdo al
tonelaje a transportar. A continuación en la tabla 7.16 se presenta los camiones
necesarios para la operación del año 2010.
TABLA 7.16: NUMERO CAMIONES NECESARIOS AÑO 2010

Total
Año
N° Camiones
2010 30
178
179

------------------------------------------------------------------------------------------------------------------------------------
7.6.5 Fundamentación Indicador [Lts/Ton*Hrs. Op.]
Este factor a diferencias de las variables anteriores, se trata de una

constante calculada, a través de los gastos de combustible, toneladas
transportadas y horas de operacionales anuales, desde los años 2007 al 2009. En
la tabla 7.17 se presenta los cálculos desarrollados para obtener este factor.
TABLA 7.17: FUNDAMENTACIÓN INDICADOR

AÑO CONSUMO [Lts] TON MOVIDO HR OPER LT/(TON*HR OP) E 7
2007 23.460.866,2 74.131.450 146.038 21,67
2008 26.331.083,2 77.703.450 157.949 21,45
2009 31.978.370,7 70.726.275 169.191 26,72
PROMEDIO= 23,28
Este indicador es representativo del aumento que ha sufrido el

combustible en minera Zaldívar. Se recomienda que este factor se actualice según
los LOMS realizados.
Con las variables de entrada más el indicador representativo,

mencionados anteriormente, se calculara de manera simple y asertiva las
siguientes variables de salida:
7.6.6 Horas Operativas Anuales
Esta variable de salida representa las horas operativas necesarias en el

año, que debe tener nuestra flota general de transporte, para cumplir con los
tonelajes de extracción programados por ingeniería. Esta variable se define como
el producto entre las horas totales del año, la disponibilidad y utilización de los
equipos además de la cantidad de camiones que requerimos en el año. Tal
formula queda definida en la ecuación 7.8
179
170

------------------------------------------------------------------------------------------------------------------------------------
A partir de la figura 7.1, se observan dos tendencias; la línea de color rojo;

indica el consumo combustible mensual calculado, o sea lo pronosticado por
nuestro modelo, versus la línea de color verde; la cual nos indica el consumo
combustible mensual real. Además se observan barras (color azul), las cuales
corresponden al delta (diferencia) entre lo pronosticado v/s real.
Al realizar la validación del modelo se obtiene el siguiente error de

estimación (ver tabla 7.8):
TABLA 7.8: ERROR PROMEDIO DE PREDICCIÓN PARA EL ALCANCE DE INVESTIGACIÓN

Alcance de la investigación Porcentaje de Error [%]
(Enero 2009 - Enero 2010) -1,73%
Al analizar la tabla 7.7 y 7.8 respectivamente nos podemos dar cuenta que
el error de predicción mensual no supera el 5,1 % de error en su predicción mas
mala, además del error promedio del alcance de investigación no supera el 2%.
Percibiendo que lo proyectado incurre en un error de predicción muy bajo,
podemos concluir que el modelo mensual queda completamente certificado.
Asimismo debemos recalcar que por lo simplista que se vea el modelo,

este cumple a cabalidad los requerimientos de nuestra área, ya que se construye
de acuerdo a los datos de entrada que actualmente maneja operación en mina, al
mismo tiempo maneja un error de predicción muy bajo.
No obstante, muchas de las relaciones pueden ser mejoradas, al registran

con mayor detalle algunos datos.
170
171

------------------------------------------------------------------------------------------------------------------------------------
7.5 Proyección Consumo Combustible Mensual Año 2010
Una vez validado el modelo, se procederá a proyectar con este, el

consumo mensual de combustible a consumir para el año 2010, para esto
recopilaremos los inputs anteriormente mencionados.
7.5.1 Tonelaje Mensual a Transportar
El tonelaje mensual a transportar, proyectado por el área de ingeniería,

superintendencia de servicios técnicos, de acuerdo al plan minero según
FORECAST 5+7 (año 2010) se presenta en la tabla 7.9.
TABLA 7.9: TONELAJES MENSUALES A TRANSPORTAR SEGÚN PLAN MINERO

Min a Ch1 TCu CuS DL a Pila TCu CuS Min a Stock TCu CuS Lastre Total
Mes
KTon % % KTon % % KTon % % KTon KTon
Ene-10 1.803 0,746 0,449 1.501 0,492 0,177 1.713 0,482 0,182 1.118 6.163
Feb-10 1.542 0,687 0,394 618 0,362 0,141 1.434 0,481 0,208 2.142 5.736
Mar-10 1.696 0,730 0,440 1.152 0,446 0,184 1.198 0,529 0,212 2.166 6.212
Abr-10 1.846 0,677 0,414 1.610 0,431 0,229 985 0,567 0,290 2.001 6.442
May-10 1.850 0,700 0,421 2.092 0,487 0,188 514 0,458 0,210 2.183 6.639
Jun-10 1.942 0,683 0,427 2.051 0,467 0,182 515 0,359 0,204 2.057 6.565
Jul-10 1.925 0,687 0,435 1.335 0,374 0,162 494 0,355 0,206 2.650 6.404
Ago-10 1.790 0,698 0,420 1.036 0,279 0,136 369 0,365 0,200 3.827 7.022
Sep-10 1.842 0,640 0,398 1.195 0,278 0,133 402 0,350 0,209 3.292 6.731
Oct-10 1.925 0,641 0,378 1.682 0,482 0,186 363 0,366 0,195 1.881 5.851
Nov-10 1.861 0,656 0,370 1.587 0,478 0,186 313 0,367 0,194 2.924 6.685
Dic-10 1.925 0,617 0,347 2.157 0,486 0,188 255 0,361 0,200 2.429 6.766
Total 21.947 0,679 0,408 18.016 0,447 0,182 8.555 0,459 0,211 28.670
7.5.2 Capacidad Efectiva del Camión
Los camiones que constituyen nuestra flota de transporte, a pesar de

componerse de diferentes marcas de equipos, estos tienen una capacidad
171
172

------------------------------------------------------------------------------------------------------------------------------------
homogénea de traslado que se le llama trivialmente; factor de carga del camión, el

cual esta saeteado a 225 Ton/Viaje. Por tanto este input se convierte en una
constante.
7.5.3 Distancias Promedios
Esta variable de entrada, está proyectada de acuerdo a la secuencia de

extracción de la mina, y sus respectivos perfiles de transporte. Representa la
distancia promedio que efectúa el camión en una vuelta. En la tabla 7.10 se
muestra la recopilación de las distancias promedios que recorrerán nuestra flota
según lo proyectado en los perfiles de transporte por el área de ingeniería,
superintendencia de servicios técnicos, desde enero del 2010 hasta diciembre
2010.
TABLA 7.10: DISTANCIAS PROMEDIOS MENSUALES ENERO 10- DICIEMBRE 10

Distancia Promedio Distancia Promedio Distancia
Mes
Vacío [Km/Vuelta] Lleno[Km/Vuelta] Promedio
Ene-10 4,50 4,50 9,00
Feb-10 4,95 4,53 9,48
Mar-10 4,92 4,91 9,83
Abr-10 3,84 3,98 7,82
May-10 4,34 5,08 9,41
Jun-10 5,05 5,88 10,93
Jul-10 5,08 5,91 10,99
Ago-10 4,47 5,17 9,64
Sep-10 5,06 5,46 10,52
Oct-10 4,86 5,09 9,95
Nov-10 4,61 5,29 9,90
Dic-10 4,11 4,85 8,96
172
173

------------------------------------------------------------------------------------------------------------------------------------
7.5.4 Consumo Horario en Estaciones
Como se menciono anteriormente estas variables se consiguen de

dispatch y consisten en parámetros optimizados promedios del consumo horario
de la flota de transporte. A continuación en la tabla 7.11 se presenta los consumos
horarios que tomara nuestro modelo, para el cálculo del consumo de combustible
por ciclo.
TABLA 7.11: CONSUMOS HORARIOS PARA LAS 6 ESTACIONES
COLA ACULATAMIENTO CARGUIO V. LLENO VACIADO V. VACIO
Consumo [Lts/Hr] 87,69 89,49 88,34 259,77 87,97 186,24
7.5.5 Tiempo de Ciclo desglosado en Estaciones
Los tiempos de ciclo promedios, desglosados en estaciones, se obtienen

de los perfiles de transportes, planificados por el área de ingeniería, los cuales se
consiguen según las rutas de extracción. En la tabla 7.12 se detalla la proyección
de los tiempos de ciclo del año 2010 según FORECAST 5+7.
TABLA 7.12: TIEMPOS DE CICLOS PROYECTADOS SEGÚN PLAN MINERO

Mes T COLA T ACUL. T CARGUIO T LLENO T VACIADO T VACIO T CICLO
Ene-10 1,57 1,04 1,59 14,77 1,99 9,45 30,41
Feb-10 1,36 1,04 1,77 13,38 1,52 9,21 28,28
Mar-10 1,59 1,04 1,77 13,97 1,56 9,25 29,17
Abr-10 1,80 1,04 1,75 12,81 1,72 8,48 27,60
May-10 2,02 1,01 1,53 12,53 1,61 8,09 26,79
Jun-10 1,68 0,68 1,50 12,45 0,93 8,50 25,75

Jul-10 1,68 0,68 1,50 12,57 0,93 8,57 25,94
Ago-10 1,68 0,68 1,50 13,54 0,93 9,24 27,58
Sep-10 1,68 0,68 1,50 14,69 0,93 9,97 29,45
Oct-10 1,68 0,68 1,50 12,10 0,93 8,50 25,40
Nov-10 1,68 0,68 1,50 13,84 0,93 9,43 28,06
Dic-10 1,68 0,68 1,50 14,89 0,93 10,12 29,80
173
174

------------------------------------------------------------------------------------------------------------------------------------
7.5.6 Proyección Año 2010 Según Modelo Creado
Una vez obtenidos todos los datos de entrada para nuestro modelo según FORESCAST 5+7,
proyectaremos el consumo de combustible para el año 2010.
CONSUMO PETROLEO PROYECTADO MENSUAL AÑO 2010
1) DATOS: INPUT
PERIODO AÑO 2010

MESES ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC
DIAS 31 28 31 30 31 30 31 31 30 31 30 31
HORAS 24 24 24 24 24 24 24 24 24 24 24 24
COST UNIT
0,65 0,65 0,65 0,65 0,65 0,65 0,65 0,65 0,65 0,65 0,65 0,65 [US$/Lt]
PETR.
TON. TRANSP. 6162813 5736450 6212475 6442229 6639296 6564676 6404450 7022127 6730528 5850519 6684906 6766065 [Tons/Mes]
CAP. EFEC. CAM. 225 225 225 225 225 225 225 225 225 225 225 225 [Tons/Ciclos]
DIST.PROM. VAC. 4,50 4,50 4,92 3,84 4,34 5,05 5,08 4,47 5,06 4,86 4,61 4,11 [Kms/Ciclos]
DIST.PROM.
4,95 4,53 4,91 3,98 5,08 5,88 5,91 5,17 5,46 5,09 5,29 4,85 [Kms/Ciclos]
LLEN.
VIAJE LLENO [Lts/Hr]
260 260 260 260 260 260 260 260 260 260 260 260
VIAJE VACIO 186,24 186,24 186,24 186,24 186,24 186,24 186,24 186,24 186,24 186,24 186,24 186,24 [Lts/Hr]
CONSUMO
ACULATAMIENTO 89,49 89,49 89,49 89,49 89,49 89,49 89,49 89,49 89,49 89,49 89,49 89,49 [Lts/Hr]
HORARIO
PROMEDIO ESPERA CAMION 87,69 87,69 87,69 87,69 87,69 87,69 87,69 87,69 87,69 87,69 87,69 87,69 [Lts/Hr]
CARGUIO 88,34 88,34 88,34 88,34 88,34 88,34 88,34 88,34 88,34 88,34 88,34 88,34 [Lts/Hr]
VACIADO 87,97 87,97 87,97 87,97 87,97 87,97 87,97 87,97 87,97 87,97 87,97 87,97 [Lts/Hr]
VIAJE LLENO 14,8 13,4 14,0 12,8 12,5 12,5 12,6 13,5 14,7 12,1 13,8 14,9 [mins]
VIAJE VACIO 9,5 9,2 9,2 8,5 8,1 8,5 8,6 9,2 10,0 8,5 9,4 10,1 [mins]
ACULATAMIENTO 1,0 1,0 1,0 1,0 1,0 0,7 0,7 0,7 0,7 0,7 0,7 0,7 [mins]
TIEMPOS
ESPERA CAMION 1,6 1,4 1,6 1,8 2,0 1,7 1,7 1,7 1,7 1,7 1,7 1,7 [mins]
CARGUIO 1,6 1,8 1,8 1,8 1,5 1,5 1,5 1,5 1,5 1,5 1,5 1,5 [mins]
VACIADO 2,0 1,5 1,6 1,7 1,6 0,9 0,9 0,9 0,9 0,9 0,9 0,9 [mins]
TIEMPO CICLO 30,4 28,2 29,2 27,6 26,6 25,8 25,9 27,6 29,5 25,4 28,1 29,8 [mins]
174
175

------------------------------------------------------------------------------------------------------------------------------------
2) CALCULOS MODELO PETROLEO MENSUAL:

TOTAL DE
27.390 25.495 27.611 28.632 29.508 29.176 28.464 31.209 29.913 26.002 29.711 30.071 [Ciclos/Mes]
CICLOS
CONS. POR
102 95 98 91 88 87 88 94 102 86 96 103 [Lts/Ciclo]
CICLO.
CONS. TOT.
2.804.528 2.419.123 2.704.293 2.607.347 2.609.463 2.548.989 2.507.329 2.945.591 3.038.888 2.232.198 2.859.002 3.095.141 [Lts/Mes]
PETR.
REAL= 2.846.390 2.314.530 2.586.033 2.563.186 2.458.078 [Lts/Mes]
% ERROR PRED. -1,47 4,52 4,57 1,72 6,16 [%]
KMS TOT.REC. [Kms/Mes]

258.834 230.226 271.416 223.903 277.965 318.897 312.822 300.859 314.690 258.723 294.136 269.440
HRS.OP. TOT. [Hrs/Mes]

15.271 13.203 14.762 14.486 14.403 13.775 13.536 15.782 16.152 12.109 15.285 16.431
GASTO TOT.
[US$/Mes]
PETR. 1.822.943 1.572.430 1.757.791 1.694.775 1.696.151 1.656.843 1.629.764 1.914.634 1.975.277 1.450.929 1.858.351 2.011.842
175
176

------------------------------------------------------------------------------------------------------------------------------------
7.6 Modelo Consumo Anual Propuesto
El consumo anual de combustible; si bien es cierto, se puede obtener

fácilmente por la sumatoria de los meses respectivos, para cada año calculado por
nuestro modelo de consumo mensual anteriormente validado y proyectado. Pero
este panorama se ve complicado, cuando queremos obtener el consumo anual
para años posteriores como 2011-2026 por la cantidad de información que se
tendrá que recopilar para tales años (perfiles de transporte, distancias recorridas,
etc.). Es por esto que se quiere idear una forma rápida y sencilla, que no se aleje
de la realidad, para conseguir los consumos de combustibles anuales según LOM
(2011-2026). Quizás esta proyección no será tan acertada, como lo será sumando
los meses respectivos del consumo de combustible, calculado por el modelo
anteriormente mostrado, pero tiene la ventaja, que se acerca de forma muy
equivalente, reduciendo la cantidad de datos requeridos, o sea se creara bajo
escenarios o información que se puede obtener de una forma expedita en los
planes de nuestra área. Estos input o variables de entrada son las siguientes:
El tonelaje anual a transportar es una variable que domina el área de

Ingeniería, perteneciente a la Superintendencia de Servicios Técnicos, dicha área
proporciona esta información de acuerdo al plan minero según LOM. En la tabla
7.13 se mostrara el tonelaje anual a transportar el año 2010.
TABLA 7.13: TONELAJE ANUAL A TRANSPORTAR AÑO 2010

Total
Año
Ton /Año
2010 77.216.534
176
177

------------------------------------------------------------------------------------------------------------------------------------
El factor de disponibilidad de un equipo o sistema es una medida que nos

indica cuanto tiempo está ese equipo o sistema operativo respecto de la duración
total durante la que se hubiese deseado que funcionase. Típicamente se expresa
en porcentaje. Esta variable proyectada la entrega el área de Ingeniería,
perteneciente a la Superintendencia de Servicios Técnicos, y se exige su
cumplimiento al área de Mantención, perteneciente a la Superintendencia
Mantención. Esta información se calcula de acuerdo al plan minero según LOM.
En la tabla 7.14 se mostrara la disponibilidad anual requerida por los camiones
para cumplir las metas de producción presupuestadas.
TABLA 7.13: DISPONIBILIDAD ANUAL 2010

Total
Año
% /Año
2010 83%
Como todos sabemos la utilización corresponde al cuociente entre el

tiempo operativo por el tiempo disponible (Ecuación 7.7):
Top
UOC = (7.7)
Top + Tres + DP
El Tiempo de Reserva corresponde a las horas en que el camión, estando

en condiciones electro-mecánicas de cumplir su objetivo, no lo realiza por motivos
originados por falta de operador, requerimientos operacionales, etc.
177
178

------------------------------------------------------------------------------------------------------------------------------------
Las Demoras Programadas son las horas en que el camión, estando en

condiciones óptimas de funcionamiento, no trabaja por motivos justificados, los
cuales deben cumplirse para seguir con el transcurso óptimo de la operación.
Esta variable la proyecta el área de ingeniería, y el área de mantenimiento

se compromete a cumplir con lo exigido. Debemos tener claro que la utilización
máxima u optima a conseguir no superara el 94%, ya que está este porcentaje
representa el tiempo máximo en operación descontando las horas de colación. En
la tabla 7.15 se mostrara la utilización anual requerida por los camiones para
cumplir las metas de producción presupuestadas.
TABLA 7.16: UTILIZACIÓN ANUAL 2010

Total
Año
% /Año
2010 82%
Esta variable representa los camiones en operación pronosticados según

ingeniería, para cumplir con los planes de extracción. Estos varían de acuerdo al
tonelaje a transportar. A continuación en la tabla 7.16 se presenta los camiones
necesarios para la operación del año 2010.
TABLA 7.16: NUMERO CAMIONES NECESARIOS AÑO 2010

Total
Año
N° Camiones
2010 30
178
179

------------------------------------------------------------------------------------------------------------------------------------
7.6.5 Fundamentación Indicador [Lts/Ton*Hrs. Op.]
Este factor a diferencias de las variables anteriores, se trata de una

constante calculada, a través de los gastos de combustible, toneladas
transportadas y horas de operacionales anuales, desde los años 2007 al 2009. En
la tabla 7.17 se presenta los cálculos desarrollados para obtener este factor.
TABLA 7.17: FUNDAMENTACIÓN INDICADOR

AÑO CONSUMO [Lts] TON MOVIDO HR OPER LT/(TON*HR OP) E 7
2007 23.460.866,2 74.131.450 146.038 21,67
2008 26.331.083,2 77.703.450 157.949 21,45
2009 31.978.370,7 70.726.275 169.191 26,72
PROMEDIO= 23,28
Este indicador es representativo del aumento que ha sufrido el

combustible en minera Zaldívar. Se recomienda que este factor se actualice según
los LOMS realizados.
Con las variables de entrada más el indicador representativo,

mencionados anteriormente, se calculara de manera simple y asertiva las
siguientes variables de salida:
7.6.6 Horas Operativas Anuales
Esta variable de salida representa las horas operativas necesarias en el

año, que debe tener nuestra flota general de transporte, para cumplir con los
tonelajes de extracción programados por ingeniería. Esta variable se define como
el producto entre las horas totales del año, la disponibilidad y utilización de los
equipos además de la cantidad de camiones que requerimos en el año. Tal
formula queda definida en la ecuación 7.8
179
180

------------------------------------------------------------------------------------------------------------------------------------
Horas Operativas [Hrs/Año] = 365 [Días/Año]*24[Hrs/Días] * Disponibilidad*Utilización * N° Camiones
(7.8)
7.6.7 Consumo Mensual de Petróleo
Esta variable de salida constituye mayor provecho en nuestro estudio y

representa el consumo global de la flota de transporte en un periodo anual. El
cálculo se realiza en base al producto del indicador [Lts /Ton*Hr] por la variable de
salida mencionada anteriormente (Hrs. Operacionales) y las toneladas a
transportar anualmente según el área de ingeniería. Esta variable de salida queda
expresada en la ecuación 7.9:
Consumo de Combustible [Lts/Año] = Indicador [Lts/Ton*Hrs] * Horas Op. [Hrs] * Toneladas Trans. [Ton/Año]
(7.9)
7.7 Validación del Modelo
Si bien el proceso de validación corresponde a cuantificar la diferencia

entre el consumo de combustible real versus el consumo de combustible
estimado. Esta vez, no contamos con los consumos de combustibles anuales
reales del año 2010 en adelante, Por lo cual para validar este modelo anual,
bastara con cuantificar la diferencia o error entre el modelo mensual ya validado
(sumatoria de consumos mensuales de enero a diciembre) y el modelo anual
expuesto. Esto queda manifestado en la tabla 7.18
TABLA 7.18: ERROR DE PREDICCIÓN DEL CONSUMO DE COMBUSTIBLE ANUAL

Consumo Petróleo Consumo Petróleo Error de
Año Anual Calculado [Lts] Anual Calculado [Lts] Predicción [%]
Modelo Mensual Validado Modelo Anual por Validar
2010 32371891 32121043 0,77
180
181

------------------------------------------------------------------------------------------------------------------------------------
Al analizar la tabla 7.18 nos podremos dar cuenta que el error de

predicción anual no supera el 1% predicción, con respecto al modelo mensual ya
validado (sumatoria de los meses de enero a diciembre). Percibiendo que lo
proyectado incurre en un error de predicción muy bajo, podemos concluir que el
modelo anual queda completamente certificado.
Asimismo debemos recalcar que por lo simplista que se vea el modelo,

este cumple a cabalidad los requerimientos de nuestra área, y contribuye de una
manera rápida y efectiva la proyección del consumo anual de combustible según
LOM.
No obstante, muchas de las relaciones pueden ser mejoradas, al registran

con mayor precisión algunos datos de entrada.
7.8 Proyección Consumo Combustible según LOM 2011
Una vez validado el modelo, se procederá a proyectar con este, el

consumo anual de combustible a consumir según LOM (2011-2026), para esto
recopilaremos los inputs anteriormente mencionados.
El tonelaje anual a transportar, planeado por el área de ingeniería,

superintendencia de servicios técnicos, de acuerdo al plan minero según LOM
(2011-2026) se presenta en la tabla 7.19.
181
182

------------------------------------------------------------------------------------------------------------------------------------
TABLA 7.19: TONELAJE ANUAL A TRANSPORTAR SEGÚN LOM (2011-2026)

Total
Año
Ton/Año
2011 72211437
2012 71733070
2013 72529334
2014 72245865
2015 65741201
2016 65921314
2017 72623634
2018 72715379
2019 74360628
2020 67558540
2021 66559285
2022 55242290
2023 48814710
2024 48901975
2025 49097724
2026 9238091
Este input lo obtenemos del área de Ingeniería, perteneciente a la

Superintendencia de Servicios Técnicos, y se exige su cumplimiento al área de
Mantención, perteneciente a la Superintendencia Mantención. En la tabla 7.20 se
puede apreciar la disponibilidad anual requerida por los camiones para cumplir las
metas de producción presupuestadas según LOM 2011-2026.
182
183

------------------------------------------------------------------------------------------------------------------------------------
TABLA 7.20: DISPONIBILIDAD PREPARADA SEGÚN LOM 2011-2026

Total
Año
%/Año
2011 85,03%
2012 84,72%
2013 85,75%
2014 85,75%
2015 85,75%
2016 85,75%
2017 85,75%
2018 85,75%
2019 85,75%
2020 85,75%
2021 85,75%
2022 85,75%
2023 85,75%
2024 85,75%
2025 85,75%
2026 85,75%
Esta variable la programa el área de ingeniería. En la tabla 7.21 se

mostrara la utilización anual que debe realizar la flota de transporte para cumplir
las metas de producción presupuestadas.
183
184

------------------------------------------------------------------------------------------------------------------------------------
TABLA 7.21: UTILIZACIÓN PROGRAMADA SEGÚN LOM (2011-2026)

Total
Año
%/Año
2011 91,0%
2012 91,0%
2013 91,0%
2014 91,0%
2015 91,0%
2016 91,0%
2017 91,0%
2018 91,0%
2019 91,0%
2020 91,0%
2021 91,0%
2022 91,0%
2023 91,0%
2024 91,0%
2025 91,0%
2026 91,0%
El input que representa la cantidad de camiones en operación también lo

facilita ingeniería. Con esto ellos podrán cumplir con los planes de extracción.
Estos varían de acuerdo al tonelaje a transportar. A continuación en la tabla 7.22
se presenta los camiones necesarios para la operación según LOM 2011-2026.
184
185

------------------------------------------------------------------------------------------------------------------------------------
TABLA 7.16: NUMERO CAMIONES NECESARIOS SEGÚN LOM (2011-2026)

Total
Año
N° Camiones/Año
2011 30
2012 30
2013 30
2014 30
2015 30
2016 30
2017 30
2018 30
2019 30
2020 30
2021 30
2022 30
2023 30
2024 30
2025 28
2026 6
Una vez definidos todos los inputs necesarios, pasamos a proyectar de

acuerdo al modelo explicado y validado anteriormente, el consumo anual de
combustible, según LOM (2011-2026).
185
186

------------------------------------------------------------------------------------------------------------------------------------
7.8.5 Proyección de combustible según LOM 2011-2026
Una vez obtenidos todas las variables de entrada para nuestro modelo según LOM 2011-2026,
planearemos el consumo de combustible anual hasta el fin de nuestras operaciones.
TABLA 7.17: PROYECCIÓN ANUAL DE COMBUSTIBLE SEGÚN LOM 2011-2026
186
187
Capitulo 8 – Optimización del consumo de combustible en mina Zaldívar

----------------------------------------------------------------------------------------------------------------------------
CAPITULO 8
OPTIMIZACION DEL CONSUMO DE COMBUSTIBLE EN

MINA ZALDIVAR
8.1 Introducción
La permanencia y competitividad de Barrick Zaldívar, en el mercado del

cobre, depende de manera fundamental de su propio accionar y de mantener los
retornos a los accionistas. Para ello, debe preservar la excelencia en todas sus
actividades, saber salir adelante en lo que hace y siempre a través de un trabajo
de mejora continua. Solo así se podrá proyectar como una operación exitosa en
un mercado exigente y un mundo tan cambiante.
Los cambios tecnológicos y profusos, el aumento de la competitividad y

por supuesto la volatilidad de los mercados, han convertido a las organizaciones
en sistemas altamente complejos. Ello exige a los gestionadores de las empresas
un control más eficiente y sistemático sobre los resultados.
Nunca se debe olvidar que el propósito primordial de cualquier actividad

económica, apunta a alcanzar el aprovechamiento óptimo y racional de los
recursos con que se cuentan. Es en este contexto, es donde la etapa del control
cobra una importancia sustantiva para cualquier empresa que anhele ser exitosa y
que desee mantenerse en el tiempo.
Si no existe un buen control organizacional de los medios económicos, es

imposible que una empresa pueda subsistir en este turbulento mar competitivo.
187
188

----------------------------------------------------------------------------------------------------------------------------
Probablemente pueda permanecer algunos años resistiendo embates o

ataques de la competencia, subsistir a la sombra de algún producto, servicio o
imagen corporativa; pero en el mediano o largo plazo prevalecerán aquellas
organizaciones que lleven a la práctica una etapa de control eficiente, que evite los
desperdicios y aprovechen adecuadamente los recursos de que se disponen.
La etapa de control busca la optimización en el uso de los recursos, a

través de seguimientos permanentes, rastreo de su evolución tanto en los
resultados producidos como por producir.
8.2 Plan de Acción
Por lo mencionado anteriormente, buscaremos realizar un mejoramiento

del consumo de combustible, tratando de minimizar este insumo en el área de
operaciones.
Esta reducción va de la mano con la innovación y la tecnología, ya que

supervisaremos y pondremos 2 iniciativas de mejora en el consumo de
combustible. Primero pondremos a prueba un producto ofrecido por una empresa
radicada en Norteamérica, dedicada a la investigación, desarrollo y venta de
aditivos para combustibles que benefician a la industria y protegen el medio
ambiente y en segundo lugar evaluaremos la compra de una sala de simulación
que nos permita mejorar las prácticas operacionales de nuestros operadores
según las conclusiones obtenidas en el capitulo 6. La innovación apunta al aditivo
para combustible, que a lo largo de su presencia le ha dado ahorro a empresas
cuyo rubro va enfocado a las calderas. En el caso de la tecnología se esta
evaluando la compra de un simulador perteneciente a la empresa IMMERSIVE
Technologies respaldada por Caterpillar INC.
188
189

----------------------------------------------------------------------------------------------------------------------------
8.3 TPX Total Power
8.3.1 Descripción de la empresa
TOTAL POWER, INC. Es una empresa nacional, establecida en los

Estados Unidos, en el estado de California, dedicada exclusivamente al desarrollo
tecnológico de aditivos que ayudan a mejorar la eficiencia de combustión de los
combustibles que hoy en día se emplean en las diversas ramas de la industria.
Cuenta con un equipo técnico siempre dispuesto a brindar a sus clientes

un servicio constante de apoyo. Estos técnicos son especialistas en el manejo y la
operación de motores de combustión interna, calderas, hornos y turbinas. Dispone
de un servicio de laboratorio de pruebas y análisis de combustibles, equipos de
monitoreo de gases y un continuo programa de investigación y desarrollo de
nuevos productos.
Los productos que TOTAL POWER, INC. elabora y envasa se someten a

un estricto control de calidad, lo que permite garantizar un estándar de constante
excelencia. TOTAL POWER, INC. ofrece una solución integral al manejo de sus
combustibles, pues se compromete a verificar y colaborar con sus técnicos para
lograr la optimización del funcionamiento de sus equipos.
8.3.2 Descripción del aditivo
Todos los combustibles derivados del petróleo, contienen cierta cantidad

de impurezas y contaminantes que, durante el proceso de combustión se
transforman en gases, cenizas y depósitos que dan lugar a problemas de
corrosión, contaminación y depósitos en los equipos. Estos materiales ya están
presentes en la materia orgánica que dio origen a los combustibles, o bien fueron
189
190

----------------------------------------------------------------------------------------------------------------------------
absorbidos durante los procesos de explotación, refinación o almacenaje. Siendo

los combustibles residuales y/o el diesel productos de la refinación de los crudos,
la mayoría de las impurezas minerales y de los reactivos añadidos durante la
refinación, como los álcalis, están presentes en ellos.
Metales como el fierro, vanadio y níquel están presentes en forma de

órgano metálicos generalmente del tipo de la parafina. El azufre está presente
principalmente como sulfuros y sulfatos orgánicos complejos. El sodio se
encuentra como complejo órgano metálico, o bien, como cloruros y sulfatos. Sin
embargo, son el vanadio, azufre, sodio, fierro, asfáltenos, sedimentos y el agua,
los elementos que más problemas de depósitos y corrosión causan en los
equipos.
TPx es un aditivo elaborado con tecnología que genera beneficios

multifacéticos, diseñado para tratar el combustible en todo tipo de motores de
combustión interna, en equipos móviles o fijos y combustibles residuales en
calderas u hornos. Este aditivo presenta las siguientes características generales:
¾ Es económico; aumenta el rendimiento del combustible, hace más

eficiente la combustión. Justifica la relación costo - beneficio.
¾ Es eficiente; reduce el costo de mantenimiento, mantiene limpios los

inyectores, tuberías y cámaras de combustión, dispersan el agua y ayuda
a evitar la formación de ácidos corrosivos.
¾ Es ecológico; reduce la emisión de gases contaminantes y de partículas

suspendidas, ayuda a mantener limpias las chimeneas e intercambiadores
de calor, además ayuda a cumplir las normas ecológicas.
190
191

----------------------------------------------------------------------------------------------------------------------------
8.3.2.1 Beneficios del aditivo
¾ Disminuye el consumo de combustible hasta un 4%

¾ Disminución de gastos de mantenimiento.
¾ Boquillas e inyectores limpios.
¾ Evita residuos y lodos en tanques.
¾ Líneas y filtros limpios.
¾ Menor corrosión interna.
¾ Disminución de incrustaciones.
¾ Tubos de escape más limpios.
¾ Reducción de la emisión de gases contaminantes.
8.3.2.2 Propiedades químicas y físicas
Las propiedades que posee el aditivo se ven reflejados en la tabla 8.1 que
se presenta a continuación.
TABLA 8.1: DESCRIPCIÓN FÍSICA Y QUÍMICA DEL ADITIVO

Apariencia Liquido Transparente
Flamabilidad Vapor Inflamable
Propiedades Explosivas Ninguna
Presión de Vapor 0,76 mm Hg
Destilación 346°F
Solubilidad Soluble al agua
Densidad de Vapor 4.1
Olor Ligeramente dulce
Punto de ebullición 171°C
Punto de inflamación 66.7°C
Auto inflamación 238|C
Propiedades Oxidantes Ninguna
Densidad Relativa 0,904 a 20 °C
Grado de Evaporación Aprox. 0,003
191
192

----------------------------------------------------------------------------------------------------------------------------
8.3.3 Procedimientos de aplicación del aditivo
8.3.3.1 Elaboración de la línea base
El procedimiento de aplicación del aditivo se efectuará, iniciando con la

recopilación de una línea base, la cual nos revele en qué situación nos
encontramos actualmente, y así, una vez utilizado el aditivo, verificar la diferencia
o ahorro prometido. Con esto podremos cuantificar la relación costo-beneficio. El
alcance de recopilación para la línea base, será desde el 04 de mayo hasta el 30
de mayo del presente año. Se crearán reportes semanales, los cuales
almacenarán parámetros operacionales de medición de resultados:
¾ Horas operativas
¾ Toneladas movidas
¾ Litros reportados
¾ Kilómetros recorridos.
El personal adscrito por Total Power Chile S.A. en colaboración con el

personal de Cia. Minera Zaldívar, tendrán a su cargo el verificar y registrar el
llenado de combustible de los camiones. Los métodos de medición son a través
Reportes de Despacho, Oficina Mina, Sistema Dispatch.
8.3.3.2 Resumen de Reportes Semanales Sin Aditivo
Los resúmenes semanales se crearon a partir del martes 04 mayo, hasta

el 30 de mayo del presente año, acumulando los parámetros operacionales en los
turnos diurnos y nocturnos. Con un total de 54 turnos en la fecha de recolección. A
continuación en la tabla 8.2 se mostrara el resumen global que encierra las 4
semanas de toma de datos.
192
193

----------------------------------------------------------------------------------------------------------------------------
TABLA 8.2: REPORTE RENDIMIENTO Y PRODUCTIVIDAD DE 54 TURNOS S/ADITIVO
193
194

----------------------------------------------------------------------------------------------------------------------------
Visualizando la tabla 8.2, podemos ver los parámetros operacionales

dentro de las cuatro semanas que conforman la línea base, además de
indicadores unitarios que se calcularon en base a los parámetros antes
mencionados. Todo esto nos servirá como medidas de control cuando se aplique
el aditivo TPx.
8.3.3.3 Manejo del aditivo
Una vez obtenida la línea base se comenzará con la mezcla del aditivo y
el petróleo, esta consiste en depositar en los estanques de combustible ubicados
en el área mina, propiedad de Copec, la cantidad del aditivo necesario para
respetar la relación 1lt de aditivo por 2500 Lts de combustible.
En estos instantes C.M.Z. posee en sus instalaciones 2 estanques de

combustible con capacidad de 880 Lts cada uno.
La mezcla se realizo en los tanques de combustible a través de bombas

de llenado. Esta mezcla abastecerá de combustible a todos los equipos que
operan en la compañía CMZ.
8.3.3.4 Resultados de la aplicación del aditivo
La mezcla del aditivo comenzó el día lunes 31 de mayo, pero se dio una
semana de adaptación del aditivo o marcha blanca hasta el domingo 6 de junio.
Luego de esto, se comenzó con la misma operación de la creación de la

línea base, o sea se compiló información semanalmente, obteniendo los mismos
parámetros operacionales; horas operativas, toneladas movidas, litros reportados,
194
195

----------------------------------------------------------------------------------------------------------------------------
kilómetros recorridos, etc. Estos nos servirán de comparación al momento de

evaluar el mejoramiento que promete el aditivo al consumo de combustible.
La recopilación de datos con aditivo será desde el 07 de junio hasta el 04

de julio del presente año. Recopilando 56 turnos diurnos y nocturnos.
El personal adscrito por Total Power Chile S.A. en colaboración con el

personal de Cia. Minera Zaldivar, tendrán a su cargo el verificar y registrar el
llenado de combustible de los camiones. Los métodos de medición son a través
Reportes de Despacho, Oficina Mina, Sistema Dispatch.
8.3.3.5 Resumen de Reportes Semanales Con Aditivo
Los resúmenes semanales se acumularon desde el lunes 07 de junio

hasta el domingo 04 de julio del presente año. Lo que persigue estos informes
semanales, es analizar, si existe una diferencia en el consumo de combustible,
aplicando el aditivo. Esta diferencia la haremos cuantificable de acuerdo a los
parámetros operacionales e indicadores que sirven como medidores de
rendimiento. A continuación en la tabla 8.3 se mostrara el resumen global que
encierra las 4 semanas de toma de datos.
195
196

----------------------------------------------------------------------------------------------------------------------------
TABLA 8.3: REPORTE RENDIMIENTO Y PRODUCTIVIDAD DE 56 TURNOS C/ADITIVO
196
197

----------------------------------------------------------------------------------------------------------------------------
8.3.4 Análisis de resultados
Una vez obtenidos los parámetros operacionales para las pruebas con y
sin aditivo, se procede a realizar las comparaciones, las cuales nos mostraran
resultados cuantitativos sobre, si existe o no, ahorro de combustible. La figura 8.1
nos muestra un análisis de comparación para los parámetros operacionales que
se midieron en la prueba con o sin aditivo.
Parametros Medidos
6131700
6000000
6055200
4000000
Cantidad 2246533
2338438
2000000
12941 13736 249396 285586 54 56
0
Horas Toneladas Litros Kilometros
N°Turnos
Operativas Transportad Reportados Recorridos
Sin Aditivo 12941 6131700 2246533 249396 54
Con Aditivo 13736 6055200 2338438 285586 56
Parametros
Sin Aditivo Con Aditivo
FIGURA 8.1: COMPARACIÓN DE PARÁMETROS OPERACIONALES C/S ADITIVO
Luego de comparar los parámetros operacionales obtenidos por las

pruebas, se procede a calcular indicadores que se consiguen gracias a los
parámetros mencionados anteriormente, Estos indicadores se pueden apreciar en
la figura 8.2
197
198

----------------------------------------------------------------------------------------------------------------------------
Indicadores de la prueba C/S Aditivo
480,00 20,00%
360,00 10,00%
Cantidad
7,31%
-1,97%
240,00 -7,48% 0,00%
-10,01%
120,00 -10,00%
0,00 -20,00%
[TON/HR] [LT/HR] [KMS/HR] [LTS/KM]
Diferencia [%] -7,48% -1,97% 7,31% -10,01%
Sin Aditivo 473,83 173,60 19,27 9,01
Con Aditivo 440,84 170,25 20,79 8,19
Indicadores
FIGURA 8.2: INDICADORES C/S ADITIVO
De los dos gráficos mostrados anteriormente se puede concluir lo

siguiente:
¾ El rendimiento promedio mensual de la flota de transporte [Ton /Hr], bajo

con respecto a la línea base del mes anterior en un 7,48%. Esto se debe a
diversos factores de los cuales se menciona.
• Las distancias de los circuitos durante la prueba con aditivo

aumentaron notablemente, con una distancia promedio mensual en la
línea base de 4,6 Kms. en comparación con la distancia promedio
mensual en la prueba del aditivo de 5,3 Kms. Por tanto, la flota de
198
199

----------------------------------------------------------------------------------------------------------------------------
transporte recorrió mayor distancia en los circuitos, dando como resultado

un menor transporte de tonelaje.
¾ El uso del aditivo nos permitió cuantificar un ahorro de combustible

especifico [Lts/Hr] de 1,97 % con respecto al mes base.
¾ La velocidad promedio de la flota de transporte aumento gracias al aditivo.
¾ El indicador [Lts/Kms] disminuye gracias al aditivo aproximadamente en un

10%. Lo que nos refleja que con el aditivo se ahorra mas combustible recorriendo
una mayor distancia.
8.3.5 Análisis en condiciones similares
Para que quede expresado con mayor apreciación las comparaciones

entre el consumo de combustible con y sin aditivo se asumirá una distancia fija de
de 100 Km. Con esto ratificaremos si realmente existe un ahorro de combustible,
poniendo en igualdad de condiciones un parámetro operacional (Kilómetros
Recorridos). La figura 8.3 nos pone a comparación en igualdad de distancia
recorrida, los consumos realizados con y sin aditivo.
199
200

----------------------------------------------------------------------------------------------------------------------------
Frecuencia y Consumo a iguales condiciones [100 Km]
1000,00 20,00%
800,00 818,82
10,00%
600,00
Cantidad
0,00%
400,00
-7,88% -10,00%
200,00 -10,01%
0,00 -20,00%
TIEMPO [HR] CONSUMO [LT]
Diferencia [%] -7,88% -10,01%
Sin Aditivo 5,19 900,79
Con Aditivo 4,81 818,82
Parametros
FIGURA 8.3: GRAFICO DE FRECUENCIA Y CONSUMO DE COMBUSTIBLE A IGUALES CONDICIONES
Gracias a este gráfico podemos visualizar que existe una disminución en

los tiempos de ciclo, por tanto una mayor productividad. Ocasionando con esto
una disminución en el consumo de petróleo aproximado de un 10%.
8.3.6 Evaluación Económica
En todas las empresas es necesario, en mayor o en menor medida, hacer

frente a inversiones sobre las que se vaya a basar la operativa del proyecto. Por
analizar la viabilidad de una inversión puede entenderse el hecho de plantearnos
si los ingresos derivados de nuestro proyecto de negocio van a ser suficientes
para hacer frente a los compromisos adquiridos, y en qué medida ese proyecto va
a ser rentable.
200
201

----------------------------------------------------------------------------------------------------------------------------
La evaluación para analizar proyectos de inversión se basan normalmente

en el análisis de los ingresos y gastos relacionados con el proyecto, teniendo en
cuenta cuándo son efectivamente recibidos y entregados, es decir, en los flujos de
caja (cash flows) que se obtienen en dicho proyecto. Con el fin de determinar si
son suficientes para soportar el servicio de la deuda anual y de retribuir
adecuadamente el capital aportado por los socios.
Para evaluar la viabilidad de un proyecto de inversión los indicadores más

utilizados por los expertos son: Valor actual neto, tasa interna de retorno.
Estos indicadores de evaluación permiten dar una medida, más o menos

ajustada, de la rentabilidad que podemos obtener con el proyecto de inversión,
antes de ponerlo en marcha. También permiten compararlo con otros proyectos
similares, y, en su caso, realizar los cambios en el proyecto que se consideren
oportunos para hacerlo más rentable.
Por tanto este trabajo se basa en la evaluación desde el punto de vista

empresarial utilizando los indicadores antes mencionados, para una mejor toma de
decisión. Aunque es oportuno decir que para un mejor análisis se puede realizar
también un análisis de sensibilidad, el cual se tocara después de la evaluación
económica.
8.3.6.1 Indicadores Económicos
Flujo de Caja
El flujo de caja privado tiene como objetivo medir los flujos efectivos
(ingresos y egresos) de dinero que deben realizar para llevar a cabo un proyecto,
situándolos en el momento en que se producen.
201
202

----------------------------------------------------------------------------------------------------------------------------
En el cálculo del flujo de cada período se suman los ingresos y egresos

que se estiman ocurrirán dentro de él. Supone que todos los ingresos y egresos
ocurrirán al final del año, los periodos para nuestro caso serán años. Con respecto
al periodo 0, en realidad no es un periodo, sino que un momento instantáneo de
tiempo. En él ocurren automáticamente inversión, préstamos, capital de trabajo,
etc.
Indicadores de evaluación
El flujo de caja de un proyecto, que es una estimación de la cantidad de

dinero que va a entrar o salir de la caja durante cada período comprendido dentro
del horizonte de evaluación del proyecto. Las variables necesarias para el cálculo
de los indicadores son: el flujo de caja (Ft), la tasa de descuento para cada
período o costo de oportunidad del proyecto en la mejor alternativa de igual riesgo
(rt) y el horizonte de evaluación del proyecto (n).
Valor actual neto (VAN)
Esta variable también llamada como Valor Presente Neto (VNP), Valor
Neto Descontado (VND), Beneficio Neto Actual (BNA), el VAN queda definido por
la Ecuación 8.1.
n
Ft
VAN = F0 + ∑ n
(8.1)
t =1
∏ (1 + r )
k =1
k
En donde F0 es la inversión inicial, Ft son los flujos de cajas

correspondientes a la vida del proyecto, n son los números de periodos del
proyecto, y por ultimo rk es la tasa de interés del proyecto.
202
203

----------------------------------------------------------------------------------------------------------------------------
El VAN mide la riqueza equivalente que aporta el proyecto medido en

dinero del período inicial (t = 0). Él VAN es el excedente que queda para quienes
realizan la inversión después de haber recuperado la inversión y el costo de
oportunidad de los recursos destinados.
Maximizar el VAN equivale a maximizar la riqueza del inversionista.

Luego, el criterio de decisión es:
¾ VAN > 0, conviene hacer el proyecto porque aporta riqueza.
¾ VAN = 0, se está indiferente entre hacer o no el proyecto.
¾ VAN < 0, no conviene realizarlo, es mejor destinar el capital a su uso

alternativo.
Tasa interna de retorno (TIR)
La TIR es un indicador asociado al VAN y por lo tanto requiere la misma

información necesaria para calcularla. La Ecuación 8.2 nos muestra el cálculo de
la TIR.
n
Ft
0 = F0 + ∑ n
(8.2)
t =1
∏ (1 + TIR )
k =1
Es decir son todas aquellas tasas de descuento constantes que hacen que
el VAN del proyecto en cuestión sea cero. O sea, para un proyecto que presenta
flujos "simple" (primero negativos y luego positivos) es la tasa de descuento límite
entre la aceptación y rechazo de un proyecto.
203
204

----------------------------------------------------------------------------------------------------------------------------
Representa la rentabilidad media intrínseca del proyecto que se está

evaluando. El criterio de decisión es que se deben aceptar los proyectos con
TIR>r. O sea todos los proyectos cuya tasa de retorno sea mayor que el costo de
oportunidad del capital. TIR sólo tiene sentido cuando se está evaluando un
proyecto puro, es decir, sin financiamiento.
8.3.6.2 Evaluación Económica del Proyecto Aditivo TPx
En la tabla 8.3 se puede apreciar la evaluación económica aplicada al

proyecto del aditivo Tpx, el cual nos entrega estupendos resultados a la hora de
reducir el consumo de combustible y el gran impacto costo beneficio que nos
señala el VAN, considerando su utilización hasta el fin de la vida útil de la mina.
El flujo de caja fue proyectado gracias al LOM 2011 y el modelo de

combustible para la vida de la mina.
Otro punto importante de tocar, es la alta rentabilidad del proyecto, esto se

debe básicamente a que la inversión realizada por el aditivo es baja en
comparación a los grandes beneficios monetarios que entrega.
204
205

----------------------------------------------------------------------------------------------------------------------------
TABLA 8.3: EVALUACIÓN ECONÓMICA DEL ADITIVO TPX.
205
206

----------------------------------------------------------------------------------------------------------------------------
8.3.6.3 Sensibilización del flujo de caja con respecto al precio del

combustible más aditivo
La sensibilización se utiliza para determinar que tan sensible es una

situación o un proyecto a diversas variables, a fin de que se le asigne a cada una
de ellas la importancia y consideración apropiadas. Como por ejemplo ¿Hasta qué
punto son sensibles las medidas del proyecto ante cambios en los costos unitarios
y beneficios estimados?. El análisis de sensibilidad se justifica, ya que muchos
datos son estimaciones, en los proyectos de mediano y largo plazo, hay mucha
incertidumbre y volatilidad con respeto a los precios.
Para nuestro caso particular, sensibilizaremos el precio del combustible y

el aditivo, con esto, podremos apreciar hasta que punto el precio de estos insumos
en conjunto (combustible + aditivo), no genera perdidas de acuerdo al proyecto
analizado anteriormente. En la tabla 8.4 se muestra la sensibilización del precio
realizada al proyecto del Tpx.
TABLA 8.4: SENSIBILIZACIÓN DEL FLUJO DE CAJA C/R AL PRECIO DEL COMBUSTIBLE Y ADITIVO
SENSIBILIZACION FLUJ O DE CAJ A CON R ESP ECTO AL P R ECIO COMBUSTIBLE
BENEFICIOS DEL ADITIVO TPx VALOR ACTUAL SENSIBILIZACION

AHORRO DE COMBUSTIBLE [US$] $ 3.485.015 $ 1.912.782
EGRESOS(-) Precio maximo que resista el ahorro de combustible

COSTOS VARIABLES
Costo Aditivo [US$] -1854769 -1854769 PRECIO
COSTOS FIJOS TOTAL AHORRO (US$/Lt)
Depreciacion Instalaciones Mina -15797 -15797 $ 3.485.015 0,6572
Otros Gastos -3452 -3452 $ 1.912.782 X
UTILIDAD [US$] 1609418 38764

$ 1,20 US$/Lts
INVERSION(-) -35534 -35534
CAPITAL DE TRABAJO -35534 -35534
RECUPERACION KT (+) 32304 32304
F$i FLUJO CAJA 1546084 0
206
207

----------------------------------------------------------------------------------------------------------------------------
Gracias a este análisis podemos concluir que para respetar el equilibrio

económico, vale decir una utilidad igual a cero, el precio entre combustible y
aditivo no debe superar en ningún caso el 1,2 [US$/Lt], en caso contrario
incurriríamos en perdidas y no seria rentable el proyecto propuesto.
8.4 Simulador con Equipo de Avanzada (EA)
Debemos tener en cuenta que la capacitación es un proceso por el cual un

individuo adquiere nuevas destrezas y conocimiento que promueven,
fundamentalmente un cambio de actitud. Es por ello que se debe contar con las
mejores condiciones y herramientas para que este proceso sea el más eficaz. La
adquisición e implementación de un simulador de entrenamiento nos llevara a la
modernización de nuestro sistema de capacitación, permitiéndonos realizar
instrucciones interactivas, que simulen condiciones reales de operación buscando
aumentar la efectividad de los procesos de entrenamiento de los operadores mina,
en sus respectivos equipos y así disminuir los índices de accidentabilidad.
8.4.1 Descripción de la empresa
La empresa presenta un historial de desarrollo y suministro de sistemas de

capacitación de gran calidad para el mejoramiento del desempeño que data de
1993, con paquetes de capacitación computacional (computer based training,
CBT) para operadores de equipos de excavación. Hoy en día, Immersive
Technologies es ampliamente reconocida como el líder mundial en capacitación
mediante simuladores para la industria minera, habiendo sido precursora en el
desarrollo de simuladores con equipo de avanzada para la capacitación en
numerosos equipos de minería modernos.
207
208

----------------------------------------------------------------------------------------------------------------------------
Muchas de las empresas mineras, fabricantes de equipos, distribuidores

de maquinaria y organizaciones de capacitación más importantes del mundo están
utilizando estas soluciones integradas de capacitación mediante simuladores.
Immersive Technologies aporta a cada proyecto abundantes conocimientos sobre
capacitación con simuladores específicos para minería. La misión de la empresa
es proporcionar a los clientes la mejor oferta de equipos en productos para
capacitación mediante simuladores, destinados a mejorar la seguridad del
personal y la rentabilidad de la mina.
El uso de los Simuladores con equipo de avanzada (AE, por su sigla en

inglés) de Immersive Technologies ha producido una reducción de costos en las
minas de todo el mundo. Al no tener la necesidad de retirar equipos reales del
proceso productivo para usarlos en la capacitación, se logra una mayor
productividad. Asimismo, regularmente se registran mejoras significativas en la
seguridad y un menor mantenimiento reactivo.
8.4.2 Descripción General del Simulador
La capacitación mediante Simuladores con equipo de avanzada presenta

ventajas considerables para los operadores mineros. Immersive Technologies ha
comprometido importantes recursos durante más de una década para desarrollar
los sistemas y tecnologías de capacitación que sirven como punto de referencia en
la industria y para apoyar a una enorme y creciente cantidad de unidades en
terreno. Esta inversión sustenta la posición dominante de la empresa en el
mercado actual.
Immersive Technologies goza de reconocimiento mundial como el

principal proveedor de simuladores de capacitación para equipos de minería por
las siguientes razones:
208
209

----------------------------------------------------------------------------------------------------------------------------
8.4.2.1 Alianzas con fabricantes de equipos originales
Immersive Technologies ha desarrollado alianzas exclusivas de alto nivel

con varios de los fabricantes líderes de equipos originales (Original Equipment
Manufacturers, OEMs) de todo el mundo. Estas empresas recomiendan nuestros
Simuladores AE y proporcionan en forma exclusiva información patentada
necesaria para fabricar el simulador.
Caterpillar Inc, el mayor fabricante y proveedor de equipos de excavación

y construcción que en 2004, después de una evaluación Seis Sigma de los
sistemas existentes de equipos con simuladores, decidió respaldar en forma
exclusiva los simuladores con equipo de avanzada para minería de Immersive
Technologies. Immersive Technologies es el único fabricante de este tipo de
simuladores que opera en el marco de un acuerdo de intercambio de información
técnica y licencias a nivel mundial celebrado con Caterpillar.
Bucyrus International y P&H MinePro también han recomendado en forma

exclusiva los Simuladores AE de Immersive Technologies y desde 2002
proporcionan información técnica confidencial. Komatsu brinda información técnica
desde 1999. En 2005, Liebherr formalizó una alianza exclusiva con Immersive
Technologies.
Se están desarrollando otros acuerdos de intercambio de información

técnica, con los cuales se consolida la posición inigualable de Immersive
Technologies como proveedor preferencial de auténticas herramientas de
capacitación para equipos de minería.
209
210

----------------------------------------------------------------------------------------------------------------------------
8.4.2.2 Aceptación de la industria. Presencia en el mercado
Immersive Technologies ha instalado más de 70 Simuladores AE para

clientes de la industria minera en 16 países, incluyendo compañías mineras,
contratistas, fabricantes y distribuidores de equipos, y escuelas de capacitación.
Con esta gran cantidad de simuladores en terreno, mayor que la de

cualquier otro proveedor, Immersive Technologies ocupa una posición única para
garantizar y brindar asistencia de alto nivel a sus clientes ahora y en el futuro.
Los foros permanentes de Grupos de Usuarios les permiten a nuestros

clientes estar en contacto entre sí y aprender más sobre cómo optimizar sus
programas de capacitación. Los siguientes son algunos de los puntos interesantes
expresados en reuniones recientes:
¾ Los usuarios de simuladores han logrado una reducción significativa de los

tiempos de capacitación y una mejora en la eficacia de la capacitación, tanto en el
caso de nuevos operadores como en el de los más experimentados.
¾ Como resultado del perfeccionamiento del conocimiento y de la idoneidad

de los operadores, una importante mina de oro australiana ha visto aumentar la
vida útil de los neumáticos de sus camiones en un 11%.
¾ Mediante el uso del simulador con equipo para capacitación, una

importante mina de la costa este de Australia ha perfeccionado su capacitación
para responder en situaciones de urgencia.
210
211

----------------------------------------------------------------------------------------------------------------------------
8.4.2.3 Asistencia integral al cliente
Los simuladores son aparatos técnicos que requieren de asistencia

constante para maximizar su disponibilidad. El Simulador AE se volverá un
elemento crítico para la operación de la empresa, de modo que es necesario evitar
el tiempo fuera de servicio, para lo cual resulta esencial una asistencia técnica de
calidad.
Gracias a un equipo exclusivo de técnicos que brinda servicio de tiempo

completo, Immersive Technologies proporciona una rápida respuesta en la mina y
a distancia desde sus oficinas ubicadas en Australia, los EE.UU y Chile. Nuestros
numerosos convenios de servicios con los clientes demuestran que podemos
financiar, implementar e incrementar el nivel de asistencia que nuestros clientes
necesitan.
En 2002, Immersive Technologies realizó grandes inversiones en un

sistema avanzado de seguimiento de problemas (Problem Tracking System, PTS),
el cual mejoró la capacidad de la empresa para el seguimiento y la solución de
problemas relacionados con los simuladores, sus reparaciones y actualizaciones
en el transcurso del tiempo. Los técnicos utilizan el sistema PTS para recuperar al
instante los registros históricos detallados del servicio, lo cual ayuda a dar una
rápida solución a los problemas y maximizar así el tiempo de operación. El
sistema PTS es una valiosa base de conocimientos de carácter exclusivo que
continúa evolucionando.
8.4.2.4 Amplia variedad de productos
Immersive Technologies ofrece la mayor variedad en tipos de maquinaria

para la simulación minera que existe hoy en día (nuestros Kits de conversión), que
211
212

----------------------------------------------------------------------------------------------------------------------------
asegura a los clientes el acceso a numerosas opciones de disponibilidad

inmediata para ahorrar tiempo y dinero.
Nuestra variedad de Kits de conversión para camiones, por ejemplo,

abarca más del 90% de los camiones mineros utilizados por los clientes de todo el
mundo. Estos productos han pasado por intensas pruebas de fábrica y de uso final
y presentan un inigualable nivel de sofisticación.
Definitivamente, nuestros clientes de la industria minera no adquieren un

prototipo cuando compran un Simulador AE de Immersive Technologies. De
hecho, el refinamiento del producto en el transcurso del tiempo, basado en los
datos de terreno y en las observaciones de nuestros clientes, garantiza una
funcionalidad ya consolidada para la industria minera y una alta confiabilidad.
8.4.2.5 Precisión insuperable en la simulación
Las alianzas exclusivas de Immersive Technologies con los fabricantes

líderes de equipos originales de la industria minera no dan lugar a conjeturas en
cuanto al desarrollo de simuladores. Estos acuerdos proporcionan un acceso
único a información confidencial patentada y a información técnica de los equipos
que resulta esencial para desarrollar un simulador con equipo de avanzada para la
capacitación que puede generar el máximo de destreza durante el entrenamiento
y, en última instancia, aumentar la seguridad y la eficiencia del operador.
8.4.2.6 Un compromiso único de servicio
La experiencia con nuestros clientes de todo el mundo ha demostrado

ampliamente el valor de los contratos de servicio a largo plazo. Al comprometerse
con un contrato de servicio por cinco años, Immersive Technologies garantiza la
212
213

----------------------------------------------------------------------------------------------------------------------------
asistencia futura al cliente. La empresa prefiere no limitarse a vender un producto

técnicamente valioso, sino que también se propone ayudar al cliente a maximizar
los beneficios que pueda generar ese producto, mediante una asociación
productiva.
Las actualizaciones de software forman parte de nuestros contratos de

servicio. La tecnología no se detiene, y estas mejoras aseguran que la inversión
de los clientes en tecnología de simuladores de avanzada tampoco se quede
atrás. Immersive Technologies entrega dos principales actualizaciones de software
cada año, agregando mejoras en lo relativo a pruebas, informes, escenarios y
realismo gráfico.
En el pasado, estas actualizaciones de software influyeron en las

operaciones de nuestros clientes de diversas maneras. Por ejemplo, se redujo el
desgaste de los neumáticos y se mejoraron los escenarios de capacitación para
situaciones de urgencia. Nuestras actualizaciones se basan en las observaciones
de muchos de nuestros clientes de la industria minera, lo que garantiza que el
software de cada simulador esté sujeto a constantes mejoras en función de la
evolución de las mejores prácticas de la industria. Ya que contamos con
numerosos clientes que contribuyen a un desarrollo permanente en materia de
software (muchos de ellos a través de los contratos de servicio), Immersive
Technologies está capacitada para proporcionar innovaciones en el producto de
manera continua, a una fracción del precio de las mejoras personalizadas.
Aprovechamos nuestras alianzas con los fabricantes de equipos originales

para garantizar que las nuevas versiones de software incorporen la información
esencial de actualización de los equipos. Esto nos permite alcanzar un nivel
insuperable de realismo y fidelidad. Por último, un simulador actualizado tiene
mayor valor en el mercado de segunda mano.
213
214

----------------------------------------------------------------------------------------------------------------------------
8.4.3 Elementos clave de la propuesta
8.4.3.1 Simulador de base (AES II)
Los simuladores vienen en un modelo portátil o bien en un modelo semi -

portátil, y están diseñados para soportar los rigores de todas las condiciones
climáticas, desde el clima desértico hasta el clima ártico. Incluye 1 mina
personalizada.
8.4.3.2 Kits de conversión (modelos de equipos)
Los Kits de conversión son modulares, lo cual permite al instructor

trasladar un simulador desde un tipo de equipo a otro (por ejemplo, de un camión
a una pala) en pocos minutos. Actualmente, simulamos al menos 55 tipos
diferentes de maquinaria. Nuestras sólidas alianzas estratégicas con los
fabricantes de equipos, junto a la demanda de nuestros clientes, continuarán
estimulando el desarrollo de nuevos Kits de conversión.
8.4.3.3 Paquete de Asistencia al Cliente
Los simuladores son aparatos técnicos que requieren de asistencia

constante para maximizar su disponibilidad. La experiencia con nuestros clientes
demuestra que el simulador se vuelve un elemento esencial para la operación, y
es por ello que el tiempo fuera de servicio es un grave inconveniente. Con la
compra de un Simulador AE, Immersive Technologies proporciona un paquete de
asistencia al cliente por cinco años, el cual asegura una disponibilidad máxima y
una obsolescencia mínima del simulador durante ese período. Los distintos niveles
de asistencia reflejan el rendimiento esperado de los operadores y las
necesidades de disponibilidad del simulador. Si bien el paquete Bronce es el
214
215

----------------------------------------------------------------------------------------------------------------------------
estándar mínimo de asistencia al cliente, la selección del paquete adecuado es

vital para garantizar la obtención del mayor beneficio de la inversión en el
simulador.
8.4.4 Evaluación Económica
En el proyecto anterior relacionado al aditivo TPx, se definió las

herramientas a usar a la hora de hacer una evaluación económica, para ver si
realmente el proyecto es rentable en el tiempo y cumple su objetivo que es
provocar un impacto favorable en el ahorro del consumo de combustible.
8.4.4.1 Evaluación Económica del Simulador AE para capacitación
Esta vez presentaremos en la tabla 8.5 un flujo de caja designado a la

propuesta de un simulador para la capacitación de los operadores que componen
CMZ. Para esta evaluación se necesitó cuantificar el impacto que tiene la
capacitación en nuestras operaciones; todo esto, se desarrolló con mayor detalle
en el capitulo 6. Además de esto, se consideró un ahorro por daño a los equipos
cuando se encuentran en entrenamiento. La suma de estos 2 ahorros se cuantificó
en el tiempo. Los gastos reflejados en la compra del simulador se reflejan en la
inversión inicial para adquirir la sala de simulación más los kits de capacitación y
gastos de entrega y transporte y los gastos de mantención y actualización tanto
del software como el hardware.
215
216

----------------------------------------------------------------------------------------------------------------------------
TABLA 8.5: EVALUACIÓN ECONÓMICA DEL SIMULADOR PARA CAPACITACIONES
216
217

----------------------------------------------------------------------------------------------------------------------------
La evaluación midió dos tipos de ahorros cuantificables, que son el ahorro

de combustible de los equipos en los cuales se realizan las capacitaciones, en
conjunto con el ahorro de daños a equipos en la capacitación.
Analizando nuestra evaluación económica podemos concluir que los

beneficios por ahorro de combustible y por disminución de daños a equipos son
rentables para hacer posible la compra del simulador, o sea el impacto costo
beneficio es alto y paga nuestras inversiones.
Al mismo tiempo, el simulador tienen un sinfín de cualidades no

cuantificables como son; la disminución de los incidentes, mayor frecuencia de
entrenamiento y capacitación a nuestros operadores.
Por otra parte podemos decir, si no se ejecuta este proyecto se seguirá

realizando las capacitaciones como se ejecuta actualmente y se perderá la
oportunidad de ocupar nuevas tecnologías para el desarrollo profesional de
nuestros operadores, como también la oportunidad de poder disminuir los índices
de accidentabilidad.
8.4.4.2 Sensibilización del flujo de caja con respecto al ahorro de

combustible
En conjunto con nuestra evaluación, es valido también hacer una

sensibilización de acuerdo al ahorro necesario ocasionar para el caso del
combustible. La tabla 8.6 nos muestra la sensibilización realizada al flujo de caja
con respecto al ahorro de combustible necesario para que se conserve el equilibrio
económico, vale decir una utilidad igual a cero.
217
218

----------------------------------------------------------------------------------------------------------------------------
TABLA 8.6: SENSIBILIZACIÓN DEL FLUJO DE CAJA CON RESPECTO AL AHORRO DE COMBUSTIBLE
Como podremos observar, de acuerdo a la sensibilización de la tabla 8.6,

logramos darnos cuenta, que se necesita cerca de 8000 [US$] de ahorro de
combustible, para que nuestro proyecto conserve un equilibrio económico con
utilidad igual a cero. Esto nos dice claramente que el proyecto de la sala del
simulación esta en gran parte financiado por el impacto que ocasiona el ahorro por
daño a equipo, o sea ahorro que se obtiene al disminuir los daños a equipos de
capacitación.
El ahorro de combustible solamente maximiza nuestro proyecto o mas

claramente el VAN, y aunque no logremos el ahorro prometido de combustible,
solamente con cumplir con un ahorro del 0,2 % del comprometido podremos
alcanzar nuestro equilibrio económico.
Por tanto el proyecto del simulador tiene una excelente rentabilidad y un

sinfín de beneficios cuantitativos y cualitativos que solventan las inversiones
realizadas.
218
219
Capitulo 9 – Conclusiones y Recomendaciones

------------------------------------------------------------------------------------------------------------------------------------
CAPITULO 9
CONCLUSIONES Y RECOMENDACIONES
La presentación de las conclusiones del trabajo de memoria, acometido en

la presente investigación, se ha estructurado en cuatro apartados, cada uno de los
cuales corresponde en parte con los objetivos planteados, en el inicio del presente
trabajo de memoria.
De acuerdo al análisis de Pareto aplicado en el capitulo III, se desprende

que los equipos de transportes en este caso la flota de camiones de extracción es
el verdadero problema a la hora de analizar e inferir acerca del consumo de
petróleo, con un 87,25% de contribución en los pocos vitales.
9.1 Conclusiones en relación al modelo del consumo específico de

combustible y sus respectivos análisis.
En un comienzo, la regresión múltiple se aplicó (como variables

regresoras) a diversas variables mineras que tienen relación al consumo de
combustible, sin embargo, concurríamos a serios problemas de Multicolinealidad
entre dichas variables. Luego de aplicar eficientemente la técnica de regresión
múltiple, se logró obtener un modelo, el cual satisface cada uno de los
requerimientos y condiciones necesarias del campo de regresión multivariable
(expuesto en el Capítulo V).
En el Capítulo VI, se demuestra que el 61,13 % del consumo especifico de

combustible [Lts. /Hrs] de las distintos equipos que componen nuestra flota de
transporte, puede ser explicado mediante los Tiempos de Ciclo, Factores de Carga
219
220

------------------------------------------------------------------------------------------------------------------------------------
de los motores y Velocidades Promedios. Cada una de estas variables contribuye

a la explicación del consumo unitario, con distintos pesos específicos y
porcentajes, como se menciona a continuación:
¾ La Velocidad Promedio, corresponde a la variable que más aporta al

modelo, influyendo en un 37,84% del total.
¾ El Tiempo de Ciclo, corresponde a la segunda variable que mas aporta al

modelo, con un peso dentro del modelo de un 33,92% del total.
¾ Los Factores de Carga de los motores de los camiones contribuye con un

28,24% del total al modelo.
Además podemos mencionar, que gracias a las inferencias realizadas a

los tiempos de ciclos en el modelo de regresión multivariable, se pudo cuantificar
un ahorro importante en el consumo de petróleo, si aplicamos planes de acción
para poder reducir nuestros tiempos operacionales en 1,22 min. Lo cual según
nuestro modelo estadístico significaría un ahorro de combustible especifico de
2,11[Lts. /hrs.]. Considerando que promedio tenemos operativas 14000 hrs.
mensuales en la flota de transporte, el ahorro de combustible mensual solamente
con el mejoramiento de los tiempos de operación, alcanzaría los 29548 Lts.
mensuales.
Estudiando detalladamente la maniobra de los operadores a través de un

análisis ANOVA, logramos concluir, que existe una gran diferencia significativa en
los tiempos de ciclo entre un operador experimentado y un operador aprendiz, lo
que genera un impacto de combustible aproximado de 99000 Lts mensuales. Esta
diferencia de tiempos entre un operador y otro se contribuye básicamente en un
220
221

------------------------------------------------------------------------------------------------------------------------------------
50% en la conducción de los caminos y el otro 50% en las maniobras de los

tiempos fijos.
9.2 Conclusiones en relación con el modelo de consumo mensual de

combustible
Si bien podríamos extrapolar nuestros consumos específicos para obtener

los consumos mensuales de combustible, esta labor se ve afectada, ya que las
variables que entran en juego dentro del consumo unitario, como por ejemplo el
factor de carga de los motores, esta ligada directamente con el área de
mantención, perteneciente a la Superintendencia de Mantención, los cuales no
programan o proyectan este input para nuestro modelo, en conjunto con esto la
variable Velocidades Promedios, es un input difícil de pronosticar y representar.
Por tanto se podría decir que este modelo nos sirve de agente en la deducción de
parámetros operacional además de inspector de los consumos específicos,
trabajando con factores representativos (promedios) en estas variables de
entradas. Al mismo tiempo la Superintendencia de Mina necesita de un modelo
mensual de combustible que tenga estrecha relación con el BUDGET planificado y
programado por el área de Ingeniera.
Es por esto que el modelo presentado en el capitulo VII nos sirve de gran
medida para las proyecciones mensuales de petróleo, ya que tiene un error de
predicción promedio de 1,73%.
Los consumos horarios desglosados en estaciones, variable fundamental

en el cálculo del consumo mensual de petróleo, a una variable que se estructuró
gracias a la toma de datos en perfiles representativos del yacimiento.
228
Anexos
------------------------------------------------------------------------------------------------------------------------------------
Valores Críticos para distribución F - 99%
228
229
Anexos
------------------------------------------------------------------------------------------------------------------------------------
2 Análisis Químicos del Aditivo TPx.
229
230
Anexos
------------------------------------------------------------------------------------------------------------------------------------
230
231
Anexos
------------------------------------------------------------------------------------------------------------------------------------
231
232
Anexos
------------------------------------------------------------------------------------------------------------------------------------
232
233
Anexos
------------------------------------------------------------------------------------------------------------------------------------
233
234
Anexos
------------------------------------------------------------------------------------------------------------------------------------
234
235
Anexos
------------------------------------------------------------------------------------------------------------------------------------
235
236
Anexos
------------------------------------------------------------------------------------------------------------------------------------
236
237
Bibliografía
------------------------------------------------------------------------------------------------------------------------------------
REFERENCIAS BIBLIOGRAFICAS
[1] Jay L. Devore. “Probabilidad y Estadística para ingeniería y ciencias”.

Quinta edición 2001. Por International Thomson editores S.A. de C.V.
[2] Hildebrand, D. Ott Lyman. “Estadística Aplicada a la Administración y

Economía”, Escuela de Administración, 18. Pearson Educación. Pontificia
Universidad Católica de Chile, 1998.
[3] Compañía Minera Zaldívar, “ Geología de los Porfidos Cupríferos Distrito

Zaldívar”, Chile, 2008
[4] http://www.tpx.cl
237

Combustible Wilson PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Combustible Wilson PDF

Caricato da

Copyright:

Formati disponibili

FACULTAD DE INGENIERIA

DEPARTAMENTO DE INGENIERIA EN MINAS

MODELAMIENTO Y OPTIMIZACION DEL CONSUMO

Antofagasta, Octubre 2010

MODELAMIENTO Y OPTIMIZACION DEL CONSUMO

Trabajo de titulación presentado en conformidad a los requisitos para optar

Wilson Lennox Cereceda Reyes

Antofagasta, Octubre 2010

MODELAMIENTO Y OPTIMIZACION DEL CONSUMO

Wilson Lennox Cereceda Reyes

Trabajo de titulación presentado en conformidad a los requisitos

Johann W. Von Goethe

A mis padres, William Cereceda y Rebeca Reyes

En estos instantes de felicidad, en donde concluyo otro ciclo de mi vida, no

A Dios, el cual me protege y me bendice día a día, me entrega las

A mis padres William Cereceda y Rebeca Reyes, pilares primordiales en

A mi familia en general, sobrinos(as), cuñadas(os), suegros, a mis

A mi pareja Evelyn Avilés, persona especial en mi vida, una amiga

A mi hija Florencia Antonia Cereceda Avilés, la princesita maravillosa que

A los profesores del departamento de ingeniería en minas, todos sabemos

Por último, pero no menos importante, quisiera dar un real agradecimiento

A todos ustedes sencillamente muchas gracias de corazón.

Atte. Wilson Cereceda Reyes.

MODELAMIENTO Y OPTIMIZACION DEL CONSUMO DE

Wilson Lennox Cereceda Reyes

Profesor Guía: Luis Illanes Díaz, Ingeniero Civil de Minas U.T.E.

Resumen: El presente trabajo aborda el análisis y modelamiento del consumo

Otro punto que tocamos en la optimización del combustible, es la

LISTA DE FIGURAS ........................................................................................... XIX

LISTA DE TABLAS ............................................................................................ XXII

INTRODUCCION Y OBJETIVOS ............................................................................1

1.1 INTRODUCCIÓN ............................................................................................1

ANTECEDENTES GENERALES COMPAÑÍA MINERA ZALDÍVAR......................6

2.1 RESUMEN HISTÓRICO ...................................................................................6

RECOLECCION Y ANALISIS DE DATOS PARA EL CONSUMO DE

3.1 INTRODUCCIÓN ..........................................................................................47

REGRESIÓN MULTIVARIABLE ...........................................................................70

4.1 INTRODUCCIÓN ..........................................................................................70

4.4.2.1 Efecto de Colinealidad........................................................................................ 84

APLICACIÓN DEL ANÁLISIS DE REGRESIÓN MÚLTIPLE AL CONSUMO

5.1 INTRODUCCIÓN ........................................................................................100

5.6.2 Error Estándar Estimado de βˆ j en el Modelo .............................................111

5.6.3 Intervalo de Confianza al 100(1-α) % para β p

5.6.4 Prueba t de H0: βj =0.....................................................................................112

ANÁLISIS E INFERENCIAS A PARTIR DEL MODELO REGRESION

CREACION Y VALIDACION DEL MODELO DE CONSUMO MENSUAL Y

7.1 INTRODUCCIÓN ........................................................................................159

OPTIMIZACION DEL CONSUMO DE COMBUSTIBLE EN MINA ZALDIVAR...187

8.1 INTRODUCCIÓN ........................................................................................187

9.1 CONCLUSIONES EN RELACIÓN AL MODELO DEL CONSUMO ESPECÍFICO DE

9.2 CONCLUSIONES EN RELACIÓN CON EL MODELO DE CONSUMO MENSUAL DE

9.3 CONCLUSIONES EN RELACIÓN CON EL MODELO DE CONSUMO ANUAL DE

9.4 CONCLUSIONES EN RELACIÓN A PLANES DE DISMINUCIÓN DE COMBUSTIBLE EN LA

9.4.1 Aditivo TPx....................................................................................................223

REFERENCIAS BIBLIOGRAFICAS ...................................................................237

FIGURA 2.1: PLANO DE UBICACIÓN DEL YACIMIENTO ZALDIVAR. ......................................9

TABLA 7.7: CONSUMO PETRÓLEO MENSUAL CALCULADO V/S REAL ..............................169

Capitulo 1 – Introducción y Objetivos

Debido a lo competitiva que se ha transformado la actividad minera en el

Dentro de esas investigaciones se encuentra inserto el mejoramiento

El siguiente trabajo de titulación da a conocer los aspectos más relevantes

En resumen, esta memoria de título está orientada a asegurar un mejor

Capitulo 1 – Introducción y Objetivos