CAPÍTULO N° 02

DESARROLLO DE MODELOS PARA

LA OPTIMIZACIÓN

29
PROBLEMA 2.1

Clasifique los siguientes modelos como lineales o no lineales:

a) Intercambiador de calor de doble tubo (corrientes 1 y 2)

T1 T 2h1
 1  T2  T1 
t z S1 1C p1
T2 2h1
 T2  T1 
t S2 2 C p 2
CL : T1  t ,0   a CI : T1  0, z   0
T2  t ,0   b T2  0, z   T0
donde: T ═ temperatura Cp ═ capacidad calorífica
t ═ tiempo S ═ factor de área
CL ═ condiciones límite CI ═ condiciones iniciales
 = densidad

b) Difusión en un cilindro
C   2C 1 C 
 D 2  
t  r r r 
C  0, r   C0
C  t ,0 
0
r
C  t , R   C0
donde: C ═ concentración r ═ dirección radial
t ═ tiempo D ═ constante

SOLUCIÓN

a) El modelo es lineal si las relaciones h1 / S1 1Cp1 y h2 / S2 2Cp2 son independientes de la

temperatura. Si no son independientes de la temperatura, luego el modelo es no lineal.

b) Si D es independiente de la concentración, entonces el modelo es lineal. Caso contrario, es no

lineal.

PROBLEMA 2.2

Clasifique las siguientes ecuaciones como lineales o no lineales (y ═ variable dependiente; x,z ═ variables
independientes)
a) y12  y22  a2
  2
b)  x y   2y
x z
SOLUCIÓN
a) No lineal
b) Lineal si  x es independiente de  y ; de otro modo será no lineal.

PROBLEMA 2.3

Clasifique los modelos de los problemas 2.1 y 2.2 como de estado estacionario o de estado no estacionario
SOLUCIÓN
2.1 a) Estado no estacionario
b) Estado no estacionario

2.2 a) Estado estacionario

b) Estado estacionario 30
PROBLEMA 2.4

Clasifique los modelos de los problemas 2.1 y 2.2 como de parámetros concentrados o de parámetros
distribuidos.
SOLUCIÓN

2.1 a) De parámetros distribuidos (varían con la posición en el espacio)

b) De parámetros distribuidos

2.2 a) De parámetros concentrados (no varían con la posición en el espacio)

b) De parámetros distribuidos

PROBLEMA 2.5

¿Qué tipo de modelo usaría usted para representar el proceso que se muestra en la figura? ¿De parámetros
concentrados o distribuidos? ¿De estado estacionario o de estado no estacionario? ¿Lineal o no lineal?

Figura P2.5
Un sistema de tratamiento de aguas residuales utiliza cinco secciones apiladas de Venturi para garantizar la
máxima eficiencia de oxigenación.
SOLUCIÓN

a) Un modelo de parámetros distribuidos sería el más adecuado. También es posible un modelo de flujo
pistón.
b) De estado estacionario (excepto en la puesta en marcha y parada).
c) Lineal

PROBLEMA 2.6

Determine el número de variables independientes, el número de ecuaciones independientes, y el número de

grados de libertad del rehervidor mostrado en la figura. ¿Qué variables deberían ser especificadas para hacer
la determinación de los balances de materia y energía? (Q ═ calor transferido)

Líquido Vapor

Figura P2.6
Solución

31
Variables:
- Total de variables (2 corrientes + Q) : 2  C  2  1  2C  5
Restricciones:
- Balances de materia independientes : C
- Balance de energía : 1
Número de grados de libertad  2C  5  C  1  C  4
Especificaciones convencionales son las variables en la corriente de entrada (C+2) y la temperatura y presión
de la corriente de salida. En algunos casos, Q puede ser especificada en lugar de la temperatura de la
corriente de salida.
Trabjo de grados de libertad

PROBLEMA 2.7

Determine la mejor relación funcional para ajustar los siguientes juegos de datos:
(a) (b) ( c) (d)
xi Yi xi Yi xi Yi xi Yi
1 5 2 94,8 2 0,0245 0 8290
2 7 5 87,9 4 0,0370 20 8253
3 9 8 81,3 8 0,0570 40 8215
4 11 11 74,9 16 0,0855 60 8176
14 68,7 32 0,1295 80 8136
17 64,0 64 0,2000 100 8093
128 0,3035

SOLUCIÓN
a) Análisis
x y y/x
1 5 -
2 7 2
3 9 2
4 11 2

Puesto que y/x es una constante, es mejor un ajuste lineal:

 y  ax  b
12

10

4
0 1 2 3 4 5

Aplicando regresión por el procedimiento de mínimos cuadrados, donde la suma de cuadrados de los
residuales es minimizada:
n
E   (a  bxi  yi ) 2
i 1

En el mínimo todas las derivadas parciales, con respecto a las constantes elegidas son cero:
E n
E n
  2(a  bxi  yi )  0,   2 (a  bxi  yi )  0
a i 1 a i 1
32
 E n
E n
  2 xi (a  bxi  yi )  0,   2 xi (a  bxi  yi )  0
b i 1 b i 1

Esto da un sistema de N ecuaciones, en N incógnitas (los coeficientes del modelo) a ser determinadas, que
escritas en forma matricial vienen a ser:
 n

 x  a    y 
i i

 xi  x  b   x y 
2
i i i

Tabulando los datos y requerimientos:

i x yi xi2 xi yi
i
1 1 5 1 5
2 2 7 4 14
3 3 9 9 27
4 4 11 16 44
Sumatorias 10 32 30 90

 4 10   a  32
10 30 b   90
    
1
 a  32  4 10   1,5 0,5

b  90 10 30   a b  32 90    3 2
      0,5 0, 2 
 a  3 
b    2 
   
 y  2x  3
b) Análisis
x y x log y  log y  log y x
2 94,8 1,9768 - - -
5 87,9 1,9440 -0,0328 3 -0,0109
8 81,3 1,9101 -0,0339 3 -0,0113
11 74,9 1,8745 -0,0356 3 -0,0119
14 68,7 1,8370 -0,0375 3 -0,0125
17 64,0 1,8062 -0,0308 3 -0,0103
Puesto que Δlog y/Δx es casi constante, una buena relación funcional es:
y  a bx
log y  log a  x log b
A B
100

90 Función:
log y = -0,01152x+2,00088
R2 = 0,99943

80
y

70

60
0 2 4 6 8 10 12 14 16 18
x
Aplicando regresión por el procedimiento de mínimos cuadrados:
n
E   ( A  Bxi  log yi ) 2
i 1
33
 E n
E n
  2( A  Bxi  log yi )  0   2 ( A  Bxi  log yi )  0
A i 1 A i 1

E n
E n
  2 xi ( A  Bxi  log yi )  0   2 xi ( A  Bxi  log yi )  0
B i 1 B i 1

 n

 xi   A   log yi 
2  
 xi  xi   B   xi log yi 

i xi yi xi2 log yi xi log yi

1 2 94,8 4 1,976 8 3,953 6
2 5 87,9 25 1,944 0 9,719 9
3 8 81,3 64 1,910 1 15,280 7
4 11 74,9 121 1,874 5 20,619 3
5 14 68,7 196 1,837 0 25,717 4
6 17 64 289 1,806 2 30,705 1
Sumatorias 57 471,6 699 11,348 5 105,996 0

 6 57   A  11,3485 
57 699  B   105,9960
    
1
 6 57 
 A B   11,3485 105,9960  
57 699 
0.73968254  0.06031746
 11,3485 105,9960  
 0.06031746 0.00634921
 A  2.00087778 
    
 B   0.01152222
 a  10   100.20232 
2.00087778

     0.01152222    
b  10  0.97381796

 y  100, 20232 (0,973818) x

c) Análisis
x y logx logy Δ logx Δlogy Δ logx / Δ logy
2 0,0245 0,3010 -1,6108 - - -
4 0,0370 0,6021 -1,4318 0,3010 0,1790 1,6814
8 0,0570 0,9031 -1,2441 0,3010 0,1877 1,6040
16 0,0855 1,2041 -1,0680 0,3010 0,1761 1,7095
32 0,1295 1,5051 -0,8877 0,3010 0,1803 1,6696
64 0,2000 1,8062 -0,6990 0,3010 0,1888 1,5948
128 0,3035 2,1072 -0,5178 0,3010 0,1811 1,6620

Puesto que Δlog x/Δlog y es casi constante, una buena relación funcional es:
y  axb
log y  log a  b log x
A B

34
 0.35

0.3 Función:
y = 0,01606x^0,60519
0.25 R^2 = 0,99995

0.2

y
0.15

0.1

0.05

0
0 20 40 60 80 100 120 140
x
Aplicando regresión por el procedimiento de mínimos cuadrados:
n
E   ( A  B log xi  log yi ) 2
i 1

E n
E n
  2( A  B log xi  log yi )  0   2 ( A  B log xi  log yi )  0
A i 1 A i 1

E n n
  2 log xi ( A  B log xi  log yi )  0  2 log xi ( A  B log xi  log yi )  0
B i 1 i 1

 n

 i      i 
log x  A  log y 

 log x i  (log xi )2   B   log xi log yi 

i  log xi 
2
xi yi log xi log yi log xi log yi
1 2 0,024 5 0,301 0 0,090 6 -1,610 8 -0,484 9
2 4 0,037 0 0,602 1 0,362 5 -1,431 8 -0,862 0
3 8 0,057 0 0,903 1 0,815 6 -1,244 1 -1,123 6
4 16 0,085 5 1,204 1 1,449 9 -1,068 0 -1,286 0
5 32 0,129 5 1,505 1 2,265 5 -0,887 7 -1,336 2
6 64 0,200 0 1,806 2 3,262 3 -0,699 0 -1,262 5
7 128 0,303 5 2,107 2 4,440 3 -0,517 8 -1,091 2
Sumatorias 254 0,837 0 8,428 8 12,686 7 -7,459 3 -7,446 4

 7 8, 4288   A  7, 4593

8, 4288 12, 6867   B    7, 4464
    
1
 A  7, 4593  7 8, 4288 
 B    7, 4464 8, 4288 12, 6867 
    
 0, 71428571 0, 47456116
 A B   7, 4593  7, 4464  
 0, 47456116 0,39411451 
 A  1, 79433744
    
 B   0, 60518759 
 a  101,79433744   0,01605693
     
b  0,60518759 0,60518759
log y = log 0,016056 + 0,60518759 log x
y  (0,01605693) x0,60518759

35
d) Análisis
x y Δx log y Δlog y Δlog y/Δx
0 8290 - 3,9186 - -
20 8253 20 3,9166 -0,001943 -9,713E-05
40 8215 20 3,9146 -0,002004 -1,002E-04
60 8176 20 3,9125 -0,002067 -1,033E-04
80 8136 20 3,9104 -0,002130 -1,065E-04
100 8093 20 3,9081 -0,002301 -1,151E-04

Puesto que Δlog y/Δx es casi constante, una buena relación fundamental es:
y  a bx
log y  log a  x log b
A B

Aplicando regresión por el procedimiento de mínimos cuadrados:

n
E   ( A  Bxi  log yi ) 2
i 1

E n
  ( A  Bxi  log yi )  0
A i 1
E n
 log xi  ( A  Bxi  log yi )  0
B i 1

 n

 xi   A    log yi 
2  
 xi  xi   B   xi log yi 

i xi yi xi2 log yi xi log yi

1 0 8 290 0 3,918 6 0,000 0
2 20 8 253 400 3,916 6 1566,644 7
3 40 8 215 1 600 3,914 6 6263,372 1
4 60 8 176 3 600 3,912 5 14085,147 2
5 80 8 136 6 400 3,910 4 25026,630 0
6 100 8 093 10 000 3,908 1 39081,095 4
Sumatorias 300 49 163 22 000 23,480 8 86 022,889 4

 6 300   A  23, 4808353

300 22000   B   1173,31282 
    
1
 A  23, 4808353  6 300 
 B   1173,31282  300 22000
    

36
  A  23, 4808353  0,52380952 0, 00714286
 B   1173,31282   0, 00714286 0, 00014286 
    
 A  3,91867929 
    
 B   0, 00010413
 a  10   8292,38181
3,91867929

     0,00010413    
b  10  0,99976025
log y  log 8292,38181  x log 0,99976025
y  8292,381813 (0,99976025) x

8350

8300 Función:
y = -1,96429x + 8292,04762
8250 R2 = 0,99934

8200
y

8150

8100

8050
0 20 40 60 80 100
x
PROBLEMA 2.8

Se han recolectado los siguientes datos:

xi yi
10 1
20 1,26
30 1,86
40 3,31
50 7,08

¿Cuál de los siguientes tres modelos representa mejor la relación entre ‘y’ y ‘x’?
y  e   x
2
y  e  1x  2 x
y   x
SOLUCIÓN
Primer modelo
y = eα+βx
ln y     x
5 2

E      xi  ln yi 
i 5

E 5
 2    xi  ln yi   0
 i 5

E 5
 2 xi    xi  ln yi   0
 i 5

n    xi   ln yi
  xi    xi2  xi ln yi

37
  n

 x        ln y 
i i

  xi  x      x ln y 
2
i i i

i xi xi2 yi ln yi xi ln yi
1 10 100 1 0 0
2 20 400 1,26 0,23111172 4,62223442
3 30 900 1,86 0,62057649 18,6172946
4 40 1600 3,31 1,19694819 47,8779276
5 50 2500 7,08 1,95727391 97,8636954
Sumatorias 150 5500 14,51 4,00591031 168,981152

 5 150     4, 00591031
150 5500      168,981152 
    
1
   5 150   4, 00591031  1,1  0, 03  4, 00591031
    150 5500  168,981152    0, 03 0, 001  168,981152 
        
   0, 6629332
     0, 0488038 
   
y  e 0 ,662 933 2 0 ,0488038x

Coeficiente de determinación (nivel de confiabilidad de los resultados):

 y  y   E
2

R 2
 i

 y  y 
2
i

   xi  ln yi   yi  y 
2 2
i
1 0,03058819 3,617604
2 0,00672923 2,696164
3 0,03261837 1,085764
4 0,00851418 0,166464
5 0,0324054 17,455684
Sumatorias E = 0,11085537 25,02168

E  0,11085537
 y  y   25, 02168
2
i

25, 02168  0,11085537

R2   0,995 570
25, 02168
Segundo modelo
2
y = eα+β1x+β2x
ln y     1 x   2 x 2
2

E     1 xi   x  ln yi 
5
2
2 i
i 5

E
 2   1 xi   2 xi2  ln yi   0
5

 i 5

E
 2 xi   1 xi   2 xi2  ln yi   0
5

1 i 5

E
 2 xi2   1 xi   2 xi2  ln yi   0
5

 2 i 5

38
 n  1  xi   2  xi2   ln yi
  xi  1  xi2   2  xi3  xi ln yi
  xi2  1  xi3   2  xi4   xi2 ln yi
 n

x x i
2
i
      ln yi 
    
  xi x x    1     xi ln yi 
2 3
i i
  xi2 x x 3 4    2    xi2 ln yi 
 i i   

i xi xi2 xi3 xi4 yi ln yi xi  ln yixi2  ln yi

1 10 100 1000 10000 1,00 0,00000 0,00000 0,00000
2 20 400 8000 160000 1,26 0,23111 4,62223 92,44469
3 30 900 27000 810000 1,86 0,62058 18,61729 558,51884
4 40 1600 64000 2560000 3,31 1,19695 47,87793 1915,11710
5 50 2500 125000 6250000 7,08 1,95727 97,86370 4893,18477
Sumatorias 150 5500 225000 9790000 14,51 4,00591 168,98115 7459,26540

 5 150 5500      4, 00591 

 150 5500 225000   1    168,98115 

5500 225000 9790000   2  7459, 26540
1
   5 150 5500   4, 00591 
     150 5500 225000   168,98115 
 1 
  2  5500 225000 9790000  7459, 26540
    4.6  0.33 0.005   4,00591 
     0.33 0.02671429  0.00042857  168,98115 
 1   
  2  0.005  0.00042857 7.1429E  06  7459, 26540
    0, 0402665 
     0, 00456761
 1  
  2   0, 00088952 
2
y  e0,04026650,00456761x 0,00088952x

Coeficiente de determinación:
 y  y   E
2

R2  i

 y  y 
2
i

   x   x  ln yi   yi  y 
2 2 2
i 1 i 2 i

1 9,05924E-06 3,617604
2 4,78954E-05 2,696164
3 7,29354E-06 1,085764
4 1,10216E-05 0,166464
5 4,45231E-06 17,455684
Sumatoria 7,97221E-05 25,021680

E  7,97221E  05
 y  y   25, 02168
2
i

25, 02168  7,97221E  05

R2   0,999997
25, 02168
Tercer modelo
y = αxβ
ln y  ln    ln x
39
 5 2

E    ln    ln x  ln yi 
i 5

E 5
1
 2  ln    ln x  ln yi   0
 i 5 
E 5
 2 ln x  ln    ln x  ln yi   0
 i 5

n ln     ln x   ln yi
ln   ln xi     ln xi    ln xi  ln yi
2

 n

 ln x i  ln     ln yi
 

 
 ln xi   ln x       ln xi  ln yi 
2
i

 ln xi 
2
i xi ln xi yi ln yi ln xi ln yi
1 10 2,30259 5,30190 1,00 0 0
2 20 2,99573 8,97441 1,26 0,23111172 0,69234884
3 30 3,40120 11,56814 1,86 0,62057649 2,11070313
4 40 3,68888 13,60783 3,31 1,19694819 4,41539758
5 50 3,91202 15,30392 7,08 1,95727391 7,65690055
Sumatorias 150 16,30042 54,75621 14,51 4,00591031 14,8753501

 5 16,30042  ln    4, 00591031 

16,30042 54, 75621     14,8753501 
    
1
ln    5 16,30042   4, 00591031 
    16,30042 54, 75621 14,8753501 
     
 ln    6.7789754  2.01803862  4,00591031 
     2.01803862  14,8753501 
   0.6190143  
ln    2,86302788   0, 05709562
     1,12396201        1,12396201 
       
y  0, 05709562x 1,12396201

Coeficiente de determinación:
  yi  y   E
2

R 
2

  yi  y 
2

 ln    ln x  ln yi   yi  y 
2 2
i
1 0,075630 3,617604
2 0,074502 2,696164
3 0,115065 1,085764
4 0,007428 0,166464
5 0,179214 17,455684
Sumatorias 0,451838 25,021680

E  0, 451 838

 y  y   25, 02168
2
i

25, 02168  0, 451 838

R2   0,981942
25, 02168

40
Por lo tanto el segundo modelo representa mejor la relación “x” e “y”

2
y  e0,04026650,00456761x 0,00088952x

PROBLEMA 2.9

Dados los siguientes datos de equilibrio para la distribución del SO3 en hexano, determinar un modelo
empírico lineal adecuado (en los parámetros) para representar los datos:
xi Yi
presión fracción peso
(psia) hexano
200 0,846
400 0,573
600 0,401
800 0,288
1000 0,209
1200 0,153
1400 0,111
1600 0,078

SOLUCIÓN
Graficando tenemos:
1

0.5
yi

0
0 500 1000 1500 2000
xi

Comparando la curva con la figura 2.6 (ver texto), esta se parece a la ecuación 5 (ver texto de E.H.L.).
En consecuencia requerimos tabular los datos, y luego plotear ln yi contra xi:

xi yi ln yi
200 0,846 -0,167236
400 0,573 -0,55687
600 0,401 -0,913794
800 0,288 -1,244795
1000 0,209 -1,565421
1200 0,153 -1,877317
1400 0,111 -2,198225
1600 0,078 -2,551046

41
 0
0 500 1000 1500 2000
-0.5
-1
ln yi -1.5
-2
-2.5
-3
xi

Desde que los datos se ve que están sobre una línea recta después de la transformación, un buen modelo es:
ln y     x ó y  e   x
8
E      xi  ln yi 
2

i 1
8
E
 2     xi  ln yi   0
 i 1
8
E
 2  xi    xi  ln yi   0
 i 1

 n

 xi       ln yi 
   
  xi  xi2      xi ln yi 
Tabulando:
xi xi2 ln yi xi ln yi
200 40000 -0,167236 -33,4471839
400 160000 -0,55687 -222,747825
600 360000 -0,913794 -548,276311
800 640000 -1,244795 -995,835839
1000 1000000 -1,565421 -1565,42103
1200 1440000 -1,877317 -2252,78083
1400 1960000 -2,198225 -3077,51511
1600 2560000 -2,551046 -4081,67432
 7200 8160000 -11.0747 -12777,6984

 n

 xi       ln yi 
2    
  xi  xi       xi ln yi 
 8 7200     11, 074 
7200 8160000       12777, 698 
    
X C Y
1
CX Y
1
   8 7200   11, 074 
    7200 8160000   12777 , 698 
     
  0.60714286  0.00053571   11, 074 
     0.00053571 5.95238E  07   12777, 698
    
  0.12126771 
     0.0016729 
   
Por tanto: Y  exp (0, 12127  0, 0016729 x)

42
PROBLEMA 2.10

a) Suponga que usted desea ajustar una curva de un conjunto de datos (que se muestra en la tabla) con la
ecuación:
y  Co  C1e3 x  C2e3 x

xi yi
0 1
1 2
2 2
3 1

Calcular Co, C1 y C2. (muestre que sumatorias necesitan ser calculadas). ¿Cómo encontraría usted C1 y C2 si
Co se fija igual a cero?
SOLUCIÓN
3x 3 x
y  Co  C1e  C2 e
4
 
2
E   Co  C1 e3 xi  C2 e3 xi  yi
i 1
4
E
Co

 2 Co  C1 e3 xi  C2 e3 xi  yi  0
i 1

4
E
C1

 2 e3 xi Co  C1 e3 xi  C2 e3 xi  yi  0
i 1

4
E
C2

 2 e3 xi Co  C1e3 xi  C2 e3 xi  yi  0
i 1

4 4 4
nC0  C1  e3 xi  C2  e3 xi   yi  0
i 1 i 1 i 1
4 4 4 4
C0  e3 xi  C1  e6 xi  C2  e3 xi e3 xi   yi e3 xi  0
i 1 i 1 i 1 i 1
4 4 4 4
C0  e3 xi  C1  e3 xi e3 xi  C2  e3 xi e3 xi   yi e3 xi  0
i 1 i 1 i 1 i 1
Se origina el siguiente juego de ecuaciones normales:
4 4 4
nC0  C1  e3 xi  C2  e3 xi   yi
i 1 i 1 i 1
4 4 4
Co  e3 xi  C1  e6 xi  nC2   yi e3 xi
i 1 i 1 i 1
4 4 4
Co  e3 xi  nC1  C2  e6 xi   yi e3 xi
i 1 i 1 i 1

Que escrito en forma matricial viene a ser:

 n

 e3 xi  e3 xi  Co    yi 
  e3 xi  e6 xi n  C1     e3 xi yi 
   
  e i
3 x
n  e6 xi  C2   e3 xi yi 
n4
 e3xi  e3(0)  e3(1)  e3(2)  e3(3)
 1  20, 085  403, 428  8103, 083  8527, 6
 e3xi  e3(0)  e3(1)  e3(2)  e3(3)
 1  0, 049  0, 00247  0, 000123  1, 0524
43
  yi  1  2  2  1  6
 e3xi yi  1(1)  20, 08554(2)  403, 42879(2)  8103, 08393(1)  8951,11
 e3xi yi  1(1)  0, 049787(2)  0, 002479(2)  0, 000123(1)  1,10466
 e6 xi  e6(0)  e6(1)  e6(2)  e6(3)
 1  403, 42879  162754, 79142  65659969,13733  65 823128
e 6 xi
 e 6(0)  e 6(1)  e 6(2)  e 6(3)
 1  0, 002479  0, 0000061  0, 00000001523  1, 00248

Luego:
 4 8527, 6 1, 0524  Co   6 
8527, 6 65823128 4   C1  = 8951,11

1, 0524 4 1, 00248 C2  1,10466 
X C Y
-1
C=X Y
-1
 Co   4 8527, 6 1, 0524   6 
 C  = 8527, 6 65823128 4  8951,11
 1   
C2  1, 0524 4 1, 00248 1,10466
Co   0.5581904 - 7.22798E - 05 - 0.58569793   6 
 C  = -7.228E - 05 2.45517E - 08 7.57811E - 05 8951,11
 1 
C2  -0.58569793 7.57811E - 05 1.612087403  1,10466
Co   2.05516102 
 C  = -0.0001302 
 1  
C2  -1.05505412

La solución del sistema de ecuaciones da:

Co  2, 0552
C1  1,302  104
C2  1, 0551
Si Co  0 , es igual a cero, entonces:
y  C1e3 x  C2 e3 x
4 2


E   C1 e 3 xi  C2 e 3 xi  yi
i 1

4
E
C1

 2 e3 xi C1 e3 xi  C2 e3 xi  yi  0
i 1

4
E
C2

 2  e3 xi C1 e3 xi  C2 e3 xi  yi  0
i 1

4 4 4
 e3 xi C1e3 xi   C2e3 xi e3 xi   yie3 xi  0
i 1 i 1 i 1
4 4 4
 e3 xi C1e3 xi   C2e3 xi e3 xi   yie3 xi  0
i 1 i 1 i 1
Se origina el siguiente juego de ecuaciones normales:
4 4
C1  e6 xi  nC2  0 yi e3 xi
i 1 i 1
4 4
C1n  C2  e6 xi   yi e3 xi
i 1 i 1
44
Que escrito en forma matricial viene a ser:
 e6 xi n   C1    e3 xi yi 
     
 n  e6 xi  C2   e3xi yi 
n4
 e6 xi  e6(0)  e6(1)  e6(2)  e6(3)  65 823128
 e6 xi  e6(0)  e6(1)  e6(2)  e6(3)
 1  0, 00247875  0, 000006144  0, 00000001523  1, 00248

 e3xi yi  1(1)  20,085(2)  403, 428(2)  8103,083(1)  8951,11

 e3xi yi  1(1)  0,049(2)  0,00247(2)  0,000123(1)  1,1046
Luego reemplazando valores en la forma matricial del sistema de ecuaciones normales:
65 823128 4   C1  8951,11


 4 1, 00248 C2  1,10466
X C Y
1
CX Y
1
 C1  65 823128 4  8951,11
C    1, 00248 1,10466
 2  4  
 C1   1.51922E  08  6.06186E  08 8951,11
C    6.06186E  08 0.997526377  1,10466
 2 
 C1  0.00013592
C   1.10138488 
 2  
La solución de este juego de ecuaciones da:
C1  1,3592 104
C2  1,101385

b) Si la ecuación deseada fuera y  a1 xea2 x , ¿cómo podría usted utilizar mínimos cuadrados para
encontrar a1 , y a2 ?
SOLUCIÓN

Aplicando regresión por el procedimiento de mínimos cuadrados:

yi  a1 xi e a2 xi

ln yi  ln a 1  ln xi  a2 xi
Sea  ln a1  b1  , luego
n
E =   b1  ln xi  a2 xi  ln yi 
2

i 1

E n
 2   b1  ln xi  a2 xi  ln yi   0
b1 i 1

E n
 2  xi  b1  ln xi  a2 xi  ln yi   0
a2 i 1

45
 n n n n
 b1   ln xi   a2 xi   ln yi  0
i 1 i 1 i 1 i 1
n n n n
 xi b1   xi ln xi   a2 xi2   xi ln yi  0
i 1 i 1 i 1 i 1

Obteniéndose el siguiente juego de ecuaciones normales:

n n n
nb1  a2  xi   ln yi   ln xi
i 1 i 1 i 1
n n n n
b1  xi  a2  xi2   xi ln yi   xi ln xi
i 1 i 1 i 1 i 1

Que escrito en forma matricial viene a ser:

 n  xi   b1    ln yi   lnxi 
 2  
 
 xi  xi   a2   xi ln yi   xi lnxi 
Tabulando tenemos:

xi yi xi2 ln xi ln yi xi ln xi xi ln yi
0 1 0 0 0
1 2 1 0 0,6931472 0 0,6931472
2 2 4 0,6931472 0,6931472 1,3862944 1,3862944
3 1 9 1,0986123 0 3,2958369 0
 6 6 14 1,7917595 1,3862944 4,6821312 2,0794415

 4 -6   b1  -0, 405465
6 -14 a  =  -2, 60269 
  2  
X C Y
-1
C=X Y
-1
 b1   4 -6  -0, 405465
a  = 6 -14  -2, 60269 
 2    
 b1  0.7 - 0.3  -0, 405465 0.4969815
a  = 0.3 - 0.2  -2,60269  = 0.3988985
 2     
a2  0,3988985
b1  0, 4969815  ln a1
a1  1, 643752
Por lo tanto el modelo es: yi  (1, 643752) xi e0,3988985 xi

46
PROBLEMA 2.11

Ajustar los siguientes datos utilizando el método de mínimos cuadrados con la siguiente ecuación:
y  Co  C1 x
x y
0,5 0,6
1 1,4
2,1 2
3,4 3,6
Compare los resultados con una estimación gráfica (visual).

SOLUCIÓN
y  Co  C1 x
E    Co  C1 xi  yi 
2

E
 2   Co  C1 xi  yi   0
Co
E
 2  xi  Co  C1 xi  yi   0
C1
Co n  C1  xi   yi
Co  xi  C1  xi 2   yi xi
 n

 xi  Co     yi 
   
  xi  xi 2  C1   xi yi 
  yi  xi 

  xi yi  xi   yi  xi   xi yi  xi
2 2
Co  
 n

 xi  n xi 2    xi 
2

2
  xi  xi 
 n

 yi 
C1  
 xi  xi yi   n xi yi   xi  yi
 n

 xi  n xi 2  ( xi )2
  xi  xi 
2

Las sumatorias se obtienen tabulando los diferentes valores requeridos:

xi yi xi2 xiyi
0,5 0,6 0,25 0,3
1 1,4 1 1,4
2,1 2 4,41 4,2
3,4 3,6 11,56 12,24
 7 7,6 17,22 18,14

Co =
 yi  xi 2 -  xi yi  xi = (7, 6)(17, 22) - (18,14)(7) = 0,195775
n xi2 -   xi 
2
4(17, 22) - (7) 2

n  x i yi -  x i  yi 4(18,14) - (7)(7, 6)
C1 = = = 0,973843
n xi2 -   xi 
2 19,88
Por lo tanto los datos se ajustan a la siguiente ecuación : y = 0,195775 + 0,973843x
47
 PROBLEMA 2.12

Ajustar los mismos datos del problema 2.11 usando un ajuste cuadrático. Repita para un modelo cúbico
y  c0  c1 x  c2 x 2  c3 x 3 
. Grafique los datos y las curvas.

SOLUCIÓN
Ajustando los datos a la ecuación siguiente:
y  c0  c1 x  c2 x2
Con los datos del problema 2.11:
x y
0,5 0,6
1 1,4
2,1 2
3,4 3,6
Aplicando regresión:

 
n 2
E   c0  c1 xi  c2 xi2  yi
i 1
E
 
n
 2 c0  c1 xi  c2 xi2  yi  0
c0 i 1
E
 
n
 2  xi c0  c1 xi  c2 xi2  yi  0
c1 i 1

E
 
n
 2  xi2 c0  c1 xi  c2 xi2  yi  0
c2 i 1

n n n
nc0  c1  xi  c2  xi2   yi
i 1 i 1 i 1
n n n n
c0  xi  c1  xi2  c2  xi3   yi xi
i 1 i 1 i 1 i 1
n n n n
c0  xi2  c1  xi3  c2  xi4   yi xi2
i 1 i 1 i 1 i 1
 n n
2  n 
 n x i  xi    yi 
 i 1 i 1
 c0   i 1 
 n n n
3   n 
  xi x  xi  c1     yi xi 
2
i
 i 1 i 1 i 1
 c   i 1 
 n 2   2  n
2
n n

  xi x    yi xi 
3
i xi4  C
 i 1 i 1 i 1   i 1 
X Y
1
CX Y

Tabulando datos:
xi yi xi2 xi3 xi4 yi xi yi xi2
0,5 0,6 0,25 0,125 0,0625 0,3 0,15
1 1,4 1 1 1 1,4 1,4
2,1 2 4,41 9,261 19,4481 4,2 8,82
3,4 3,6 11,56 39,304 133,6336 12,24 41,616
∑ 7 7,6 17,22 49,69 154,1442 18,14 51,986
48
  4 7 17, 22  c0   7, 6 
 7, 6 17, 22
 49, 69  c1    18,14 
17, 22 49, 69 154,1442  c2  51,986 
X C Y
1
c0   4 7 17, 22   7, 6 
c    7, 6 17, 22 49, 69   18,14 
 1   
c2  17, 22 49, 69 154,1442 51,986
c0   3, 03475404  3, 65853035 0,84034241   7, 6 
c    3, 65853035 5, 24253131  1, 28127745  18,14 
 1 
c2   0,84034241  1, 28127745 0,325643  51,986
c0  0,38443067 
c   0, 68619756 
 1  
c2  0, 07310653 
Entonces la ecuación será:
y  0,38443067  0, 68619756x  0, 07310653x 2

4.0
3.5
3.0
2.5
2.0
y

1.5
1.0
0.5
0.0
0 1 2 3
x

Ahora para el modelo cúbico:

y  c0  c1 x  c2 x2  c3 x3

 
n 2
E   c0  c1 xi  c2 xi2  c3 xi3  yi
i 1

E
 
n
 2  c0  c1 xi  c2 xi2  c3 xi3  yi  0
co i 1

E
 
n
 2  xi c0  c1 xi  c2 xi2  c3 xi3  yi  0
c1 i 1

E
 
n
 2  xi2 c0  c1 xi  c2 xi2  c3 xi3  yi  0
c2 i 1

E
 
n
 2  xi3 c0  c1 xi  c2 xi2  c3 xi3  yi  0
c3 i 1
n n n n
c0 n  c1  xi  c2  xi2  c3  xi3   yi
i 1 i 1 i 1 i 1
n n n n n
c0  xi  c1  xi2  c2  xi3  c3  xi4   yi xi
i 1 i 1 i 1 i 1 i 1

49
 n n n n n
c0  xi2  c1  xi3  c2  xi4  c3  xi5   yi xi2
i 1 i 1 i 1 i 1 i 1
n n n n n
c0  xi3  c1  xi4  c2  xi5  c3  xi6   yi xi3
i 1 i 1 i 1 i 1 i 1
 n n n
3 n 
 n  xi  xi2  i x   yi 
 i 1 i 1 i 1   i 1 
 n n n n  c   n 
  xi  xi2  xi3  xi4  c0   yi xi 
 i 1 i 1 i 1 i 1  1 i 1
n n n n  c    n 
 x2 5 2  2
i 1
i  xi3  xi4
i 1 i 1
 xi  c3   yi xi 
i 1   i 1
   
 n 3 n n n
6
C
n 3
  xi  xi4  xi5  xi    yi xi 
 i 1 i 1 i 1 i 1   i 1 
X Y
1
CX Y

Tabulando datos:
xi yi xi2 xi3 xi4 xi5 xi6 yi yi xi yi xi2 yi xi3
0,5 0,6 0,25 0,125 0,0625 0,03125 0,015625 0,6 0,3 0,15 0,075
1 1,4 1 1 1 1 1 1,4 1,4 1,4 1,4
2,1 2 4,41 9,261 19,4481 40,84101 85,766121 2 4,2 8,82 18,522
3,4 3,6 11,56 39,304 133,6336 454,35424 1544,80442 3,6 12,24 41,616 141,4944
Sumas 7 7,6 17,22 49,69 154,1442 496,2265 1631,58616 7,6 18,14 51,986 161,4914

X C Y
4 7 17,22 49,69 c0 7,6
7 17,22 49,69 154,1442 c1 18,14
17,22 49,69 154,1442 496,2265 c2 51,986
49,69 154,1442 496,2265 1631,58616 c3 161,4914

X-1 Y
17,3516294 -38,8965033 22,5533388 -3,71301046 7,6
-38,8965033 91,9733787 -54,7232443 9,13879309 18,14
22,5533388 -54,7232443 33,2556086 -5,63115768 51,986
-3,71301046 9,13879309 -5,63115768 0,9629508 161,4914

c0 -0,87156981
c1 3,77757817
c2 -1,83174584
c3 0,32573748
Entonces la ecuación será:
y  0,87156981  3, 77757817x  1,83174584x 2  0,32573748x3

4.0

3.0

2.0
y

1.0

0.0
0 0.5 1 1.5 x 2 2.5 3 3.5
50
PROBLEMA 2.13

b1 , b2 y c
Se le pide obtener las mejores estimaciones de los coeficientes en el siguiente modelo:
 cx
y  b0  b1e
Dados los siguientes datos:
yi xi
51,6 0,4
53,4 1,4
20 5,4
-4,2 19,5
-3 48,2
-4,8 95,9
Explique paso a paso cómo se podrían obtener los valores de los coeficientes.

SOLUCIÓN

Aplicando mínimos cuadrados al modelo y calculando la función objetivo tenemos:

y  b0  b1e  cx

E    b0  b1e  cx  y 
n 2
(1)
i 1
Entonces derivamos la ecuación (1) respecto a cada coeficiente, obteniendo:
E
 2  b0  b1e cx  y   0
n
(2)
b0 i 1

E
 2 e cx  b0  b1e cx  y   0
n
(3)
b1 i 1

E
 2b1  xe cx  b0  b1e  cx  y   0
n
(4)
c i 1
Podemos ver que las ecuaciones obtenidas, no son explicitas, entonces se resolverá este sistema de
ecuaciones mediante un método numérico.

F1    b0  b1e  cx  y   0
n

i 1

F2    b0 e  cx  b1e 2 cx  ye  cx   0
n

i 1

F3    b0 xe  cx  b1 xe 2 cx  yxe  cx   0
n

i 1
n n n

b  b e
i 1
0
i 1
1
 cx
 y  0
i 1
n n n

 b0ecx   b1e2cx   yecx  0

i 1 i 1 i 1
n n n

 b0 xecx   b1 xe2cx   yxecx  0

i 1 i 1 i 1

 n n
n

  b0   b1e   yi
 cxi

 i 1 i 1 i 1

 n n n

F    b0e  cxi   b1e 2 cxi   yi e  cxi 
 i 1 i 1 i 1

 n n n
 cxi 
  b0 xi e   b1 xi e   yi xi e 
 cxi 2 cxi

 i 1 i 1 i 1 
51
Para utilizar el método de Newton-Raphson, requerimos la matriz del Jacobiano, obteniendo:
 F1 / b0 F1 / b1 F1 / c   n  e  cx b1  xe  cx 
F / b F / b F / c    e  cx  cx 
  e b0  xe  2b1  xe   xye
2 cx  cx 2 cx
 2 0 2 1 2 
 F3 / b0 F3 / b1 F3 / c    xe  cx
 xe  2 cx
b 0 x 2  cx
e  2b1 x 2 2 cx
e   x 2
ye  cx 


Entonces empleando el método de Newton-Raphson tenemos:

F0
x1  x 0 
dF0
Expresándolo el sistema de ecuaciones en forma matricial, tenemos:
1
b0  b0   F1 / b0 F1 / b1 F1 / c   F1 
 b    b   F / b F / b F / c   F 
 1  1  2 0 2 1 2   2
 c 1  c  0  F3 / b0 F3 / b1 F3 / c   F3 
donde la matriz que contiene las derivadas parciales representa al Jacobiano de las funciones.

1ra. iteración
Para empezar con las iteraciones, tomamos valores iniciales obtenibles del ajuste utilizando el solver del
Excel:
 b0   -5 
x 0 =  b1  =  50 
 c 1 0,1
Entonces calculamos los valores de las funciones F1 , F2 y F3 y las derivadas parciales:
x y F1 F2 F3 ecx b1 xe  cx e2cx xecx xe2cx b0 xe  cx .. b0 x 2 ecx ..
0,4 51,6 -8,56 -8,22 -3,28 0,96 -19,21 0,9231 0,384 0,3692 -15,174 -6,0690
1,4 53,4 -14,93 -12,98 -18,17 0,86 -60,85 0,7558 1,217 1,0581 -34,730 -48,623
5,4 20 4,13 2,41 13,01 0,58 -157,34 0,3396 3,146 1,8338 -104,716 -565,437
19,5 -4,2 6,31 0,89 17,51 0,14 -138,71 0,0202 2,774 0,3947 -37,2523 -726,418
48,2 -3 -1,59 -0,012 -0,62 8,07E-3 -19,44 6,51E-5 0,388 3,14E-3 0,4640 22,3641
95,9 -4,8 -0,19 -1,3E-5 -0,00 6,84E-5 -0,32 4,68E-9 0,006 4,48E-7 1,27E-3 0,1215
 -14,83 -17,90 8,45 2,56 -395,89 2,03 7,918 3,6590 -191,401 -1324,06

El Jacobiano tendrá la forma:

 6 2, 56 -395, 9 

J   2, 56 2, 04 -191, 4 
7, 92 3, 66 -1324, 06 
Obtenemos la inversa del Jacobiano:
-1
 6 2, 56 -395, 9   0, 44406 -0, 43211 -0, 07031
J =  2, 56 2, 04 -191, 4  = -0, 41725 1, 06833 -0, 02967 
-1  
7, 92 3, 66 -1324, 06  0, 00150 0, 00037 -0, 00126 
Entonces los valores de los coeficientes de la función serán:
 b0   -5   0, 44406 -0, 43211 -0, 07031 -14,83
 b  =  50  - -0, 41725 1, 06833 -0, 02967   -17, 91
 1     
 c 1 0,1  0, 00150 0, 00037 -0, 00126  8, 45 
 b0   -5   0, 5573
 b  =  50  - -13,1945
 1    
 c 1 0,1  -0, 0395
 b 0   -5, 557 
 b  =  63,194 
 1  
 c 1  0, 139 
52
 2da. Iteración

x y F1 F2 F3 ecx b1 xe  cx e2cx xecx xe2cx b0 xe  cx .. b0 x 2 ecx ..

0,4 51,6 2,607 2,4657 0,986 0,946 -23,906 0,894 0,378 0,358 -23,595 -9,438
1,4 53,4 -6,975 -5,7376 -8,033 0,823 -72,775 0,677 1,152 0,947 -51,830 -72,56
5,4 20 4,193 1,9742 10,660 0,471 -160,654 0,222 2,542 1,197 -86,293 -465,98
19,5 -4,2 2,803 0,1846 3,600 0,066 -81,138 0,004 1,284 0,085 -8,942 -174,37
48,2 -3 -2,481 -2,98E-3 -0,1437 1,20E-3 -3,659 1,44E-06 0,0579 6,95E-5 0,1393 6,712
95,9 -4,8 -0,757 -1,2E-6 -1,1E-4 1,55E-6 -0,009 2,39E-12 1,48E-4 2,295E-10 1,12E-4 0,0108
 -0,609 -1,1161 7,070 2,306 -342,141 1,797 5,414 2,586 -170,52 -715,63

El Jacobiano:
 6 2, 3061 -342,1412

J =  2, 3061 1, 7970 -170, 5208
5, 4141 2, 5865 -715, 6298

La inversa del Jacobiano:

-1
 6 2,3061 -342,1412   0, 4014 -0,3636 -0,1053
-1  
J =  2,3061 1, 7970 -170,5208 =  -0,3454 1,1599 -0,1112
5, 4141 2,5865 -715, 6298 0, 00179 0, 00144 -0, 00260
Los valores de los coeficientes de la función:
 b0   -5, 5574   0, 4014 -0, 3636 -0,1053 -0, 6097 
 b  = 63,1945 -  -0, 3454 1,1599 -0,1112   -1,1161
 1     
 c  2  0,1395 0, 00179 0, 00144 -0, 00260   7, 0700 
 b0   -5, 5574 -0, 5832
 b  = 63,1945 -  -1,8703
 1    
 c  2  0,1395  -0, 0211
 b0   -4, 9742
 b  = 65, 0648
 1  
 c  2  0,1606

3ra. Iteración

x y F1 F2 F3 ecx b1 xe  cx e2cx xecx xe2cx b0 xe  cx .. b0 x 2 ecx ..

0,4 51,6 4,4432 4,1668 1,667 0,938 -24,407 0,879 0,375 0,352 -24,555 -9,822
1,4 53,4 -6,4079 -5,1179 -7,165 0,799 -72,753 0,638 1,118 0,893 -50,942 -71,318
5,4 20 2,3656 0,9940 5,368 0,420 -147,635 0,177 2,269 0,953 -67,403 -363,977
19,5 -4,2 2,0675 0,0903 1,761 0,044 -55,413 0,002 0,852 0,037 -4,181 -81,530
48,2 -3 -1,9459 -8,47E-04 -0,0408 4,35E-04 -1,366 1,90E-07 0,0210 9,14E-06 0,0402 1,9399
95,9 -4,8 -0,1742 -3,6E-08 -3,4E-06 2,05E-07 -0,001 4,22E-14 1,97E-05 4,049E-12 3,43E-06 0,0003
 0,3485 0,1324 1,589 2,201 -301,575 1,696 4,635 2,235 -147,04 -524,71

El Jacobiano:
 6 2, 2008 -301, 5753

J =  2, 2008 1, 6958 -147, 0409 
 4, 6350 2, 2355 -524, 7072 
La inversa del Jacobiano:
-1
 6 2, 2008 -301,5753  0,3901 -0,3341 -0,1306 
J =  2, 2008 1, 6958 -147, 0409  =  -0,3290 1, 2169 -0,1519
-1  
 4, 6350 2, 2355 -524, 7072  0, 00204 0, 00223 -0, 00371
53
 Los valores de los coeficientes de la función:
 b0   -4, 9742  0, 3901 -0, 3341 -0,1306 0, 3485
 b  = 65, 0648 -  -0, 3290 1, 2169 -0,1519  0,1324
 1     
 c  3  0,1606 0, 00204 0, 00223 -0, 00371 1, 5895
 b0   -4, 9742  -0,1158
 b  = 65, 0648 -  -0,1950
 1    
 c  3  0,1606 -0, 0049
 b0   -4,8583
 b  = 65, 2598
 1  
 c  3  0,1654

4ta. Iteración

x y F1 F2 F3 ecx b1 xe  cx e2cx xecx xe2cx b0 xe  cx .. b0 x 2 ecx ..

0,4 51,6 4,6225 4,3265 1,731 0,936 -24,432 0,876 0,374 0,350 -24,598 -9,839
1,4 53,4 -6,4914 -5,1493 -7,209 0,793 -72,474 0,629 1,111 0,881 -50,280 -70,393
5,4 20 1,8498 0,7570 4,088 0,409 -144,224 0,167 2,210 0,904 -63,113 -340,809
19,5 -4,2 1,9330 0,0768 1,497 0,040 -50,531 0,002 0,774 0,031 -3,503 -68,313
48,2 -3 -1,8359 -6,32E-04 -0,0305 3,44E-04 -1,082 1,18E-07 0,0166 5,71E-06 0,0301 1,4498
95,9 -4,8 -0,0583 -7,5E-09 -7,2E-07 1,29E-07 -0,001 1,65E-14 1,23E-05 1,587E-12 7,20E-07 0,0001
 0,0196 0,0104 0,076 2,179 -292,744 1,674 4,486 2,167 -141,46 -487,90

El Jacobiano:
 6 2,1785 -292, 7443

J =  2,1785 1, 6743 -141, 4646
 4, 4858 2,1666 -487, 9038

La inversa del Jacobiano:

-1
 6 2,1785 -292, 7443  0,3889 -0,3266 -0,1387 
-1  
J =  2,1785 1, 6743 -141, 4646  =  -0,3264 1, 2300 -0,1608
 4, 4858 2,1666 -487,9038 0, 00213 0, 00246 -0, 00404

Los valores de los coeficientes de la función:

 b0   -4,8583  0, 3889 -0, 3266 -0,1387  0, 0196 
 b  = 65, 2598 -  -0, 3264 1, 2300 -0,1608 0, 0104 
 1   
 c  4  0,1654 0, 00213 0, 00246 -0, 00404 0, 0759
 b0   -4,8583  -0, 0063
 b  = 65, 2598 - -0, 0059
 1    
 c  4  0,1654 -0, 0002
 b0   -4,8521
 b  = 65, 2657 
 1  
 c  4  0,1657 

En la cuarta iteración se vió que los valores de las funciones casi convergían a cero; calculando los mismos
para los valores de las constantes obtenidos, tenemos:

54
 x y F1 F2 F3
0,4 51,6 4,6284 4,3316 1,733
1,4 53,4 -6,4978 -5,1526 -7,214
5,4 20 1,8240 0,7455 4,026
19,5 -4,2 1,9274 0,0762 1,485
48,2 -3 -1,8299 -6,22E-04 -0,0300
95,9 -4,8 -0,0521 -6,5E-09 -6,3E-07
0,00005 0,00003 0,00018

0,165 7 x
Por lo tanto la función es: y  4,8521  65, 2657e
Sumando las derivadas hallamos el error:
Error = 0,00005+0,00003+0,00018 = 0,00026

Comparando los datos experimentales con los datos obtenidos por la correlación vemos:
x y exp y calc.
0,4 51,6 56,2284
1,4 53,4 46,9022
5,4 20 21,8240
19,5 -4,2 -2,2726
48,2 -3 -4,8299
95,9 -4,8 -4,8521
60

50

40

30
y
20 y calculado

10
y experimental

-10
0 20 40 60 80 100 120
x
Con lo que podemos afirmar que el modelo obtenido es aceptable.

PROBLEMA 2.14

Ajuste la siguiente función para la densidad  como una función de la concentración C, es decir; determine
el valor de  en:
    1,33C
dadas las siguientes mediciones para  y C:

ρ (g/cm3) C (gmol/L)
3,31 1,01
4,69 1,97
5,92 3,11
7,35 4,00
8,67 4,95
55
 SOLUCIÓN

Primer método: Generando una nueva relación lineal y usando mínimos cuadrados
    1,33C
Dividiendo ambos miembros por C:
 
  1,33
C C
 1
 1,33  
C C
 1
y  1,33 ; x 
C C
y x
i C  mol / L    g / cm3  x 1
C y    C 1,33 x y i i x 2
i

1 1,01 3,31 0,990099 194722,772 19,279,48 0,98029

2 1,97 4,69 0,5076142 105071,066 0,533355 0,25767
3 3,11 5,92 0,3215434 0,57353698 0,184417 0,10339
4 4,00 7,35 0,25 0,5075 0,126875 0,0625
5 4,95 8,67 0,2020202 0,42151515 0,085154 0,04081
∑ 15,04 29,94 285775,05 144467,05

E    yi   xi 
2

E n
 2  yi   xi   xi   0
 i 1

  xi2   xi yi


xi yi 2,857 75051
  1,978 133
x 2
i 1, 444 67056
  1,978

Segundo método: Usando mínimos cuadrados directamente

    1,33C
Esta ecuación se lleva a cero:
  1,33C    0
o también:
    1,33C  0
E   i    1,33Ci   0
2

y continuar con el procedimiento conocido:

n
dE
 2 ( i    1,33Ci )  0
d i 1
n n n

 i    1,33 Ci  0
i 1 i 1 i 1
n n


i 1
i  n  1,33 Ci  0
i 1

Despejando la constante  tenemos:

n n n n

n n
1,33 Ci   i  i  1,33 Ci
n  1,33 Ci   i   i 1 i 1
  i 1 i 1

i 1 i 1 n n

56
Tabulando para obtener las sumatorias:
ρ (g/cm3) C (gmol/L)
3,31 1,01
4,69 1,97
5,92 3,11
7,35 4,00
8,67 4,95
∑ρ=29,94 ∑C=15,04

n n

 i  1,33 Ci
29,94  1,33(15, 04)
 i 1 i 1
  1,9874
n 5
Entonces la ecuación es:   1,98  1,33C

Coeficiente de determinación:
i
 i    1,33Ci   i   
2 2
ρ (g/cm3) i Ci (gmol/L)
1 3,31 1,01 0,000 131 7,171 684
2 4,69 1,97 0,008 421 1,684 804
3 5,92 3,11 0,037 804 0,004 624
4 7,35 4 0,002 690 1,855 044
5 8,67 4,95 0,011 743 7,193 124
∑   5,988   0,060790   17,90928
  y  y   E  17,90928  0, 060 790  0,996 606
2

R 2
 i

 y  y 
2
i
17,90928

PROBLEMA 2.15

a) Para la siguiente data, ajuste una función cuadrática de y contra x estimando los valores de todos los
coeficientes.
y x
6,4 1
5,6 1
6 1
7,5 2
6,5 2
8,3 3
7,7 3
11,7 4
10,3 4
17,6 5
18 5

b) ¿Este juego de datos constituye un diseño ortogonal?

SOLUCIÓN

a) Modelo cuadrático: y  C0  C1 x  C2 x 2

E    C0  C1 xi  C2 xi2  yi   0
n 2

i 1
57
 E
 2  C0  C1 xi  C2 xi2  yi   0
n

C0 i 1

E
 2 xi  C0  C1 xi  C2 xi2  yi   0
n

C1 i 1

E
 2 xi2  C0  C1 xi  C2 xi2  yi   0
n

C2 i 1

Sistema de ecuaciones normales:

n n n
nC0  C1  x  C2  xi2   yi
i 1 i i 1 i 1
n n n n
C0  xi  C1  xi2  C2  xi3   yi xi
i 1 i 1 i 1 i 1
n n n n
C0  xi2  C1  xi3  C2  xi4   yi xi2
i 1 i 1 i 1 i 1
que escritas en forma matricial, quedan así:

n

x i x i   C    yi 
2

 0  
3 
  xi x x i  C1     xi yi 
2
i
 4  C   
  xi x x   2    xi yi 
2 3 2
i i 

Para operativizar el cálculo preparamos la siguiente tabla:

xi yi xi yi xi2 xi2 yi xi3 xi4
1 6,4 6,4 1 6,4 1 1
1 5,6 5,6 1 5,6 1 1
1 6 6 1 6 1 1
2 7,5 15 4 30 8 16
2 6,5 13 4 26 8 16
3 8,3 24,9 9 74,7 27 81
3 7,7 23,1 9 69,3 27 81
4 11,7 46,8 16 187,2 64 256
4 10,3 41,2 16 164,8 64 256
5 17,6 88 25 440 125 625
5 18 90 25 450 125 625
 xi =31  yi =105,6  xi y i =360  xi 2 111  xi yi =1460
2
x i
3
 xi 4 =1959
=451

11 31 111  C0  105, 6 

31
 111 451   C1  = 360, 0 
111 451 1 959 C2  1 460, 0 
-1
C0  11 31 111  105, 6 
C  = 31 111 451  360, 0 
 1 
C2  111 451 1 959 1 460, 0 
C0  1,73861386  1,32029703 0, 20544554  105, 6 
C    1,32029703 1,14207921  0,18811881 360, 0 
 1 
C2  0, 20544554  0,18811881 0, 03217822  1 460, 0 

58
 C0  8.24118812 
C    2.92831683
 1  
C2  0.95247525 

 y  8.2412  2.9283x  0.95247x 2

es la función cuadrática ajustada.

b) ¿Este juego de datos constituye un diseño ortogonal?

No, el diseño no es ortogonal, Se necesitan dos variables independientes para obtener un diseño ortogonal,
Nuestro problema sólo tiene una variable independiente “x”

PROBLEMA 2.16

La data obtenida de una serie preestablecida de experimentos fue:

Temperatura, T Presión, p Rendimiento, Y
(ºF) (atm) (%)
160 1 4
160 1 5
160 7 10
160 7 11
200 1 24
200 1 26
200 7 35
200 7 38
Ajuste el modelo lineal, Yˆ  b0  b1 x1  b2 x2 utilizando la tabla anterior. Reporte los coeficientes estimados
b0 , b1 , y, b2 , Fue el conjunto de experimentos , un diseño factorial?

SOLUCIÓN

El vector de coeficientes B, la matriz de las variables independientes X y el vector de la variable dependiente

Y, vienen definidos para nuestro problema por:
 x1i x2i x3i 
1 160 1  4 
  5 
1 160 1   
  10 
b0  1 160 7   

B  b1  ; 
X  1 160 7  ; Y  
11
   24 
b2  1 200 1   
1 200 1   26 
  35 
1 200 7   
1 200 7  38 
 
Primer método:

El juego de ecuaciones normales para estimar los coeficientes b0 , b1 , y, b2 incluyendo ahora la variable falsa
x0 igual a la unidad, y la suma de cuadrados de los residuales que queremos minimizar, se obtienen por el
procedimiento ya presentado reiteradamente:

59
 n
E    b0 x0i  b1 x1i  b2 x2i  yi 
2

i 1

E n
 2  b0 x0i  b1 x1i  b2 x2i  x0i   0
b0 i 1

E n
 2  b0 x0i  b1 x1i  b2 x2i  x1i   0
b1 i 1

E n
 2  b0 x0i  b1 x1i  b2 x2i  x2i   0
b2 i 1

b0  x02i  b1  x0i x1i  b2  x0i x2i   x0i yi

b0  x0i x1i  b1  x12i  b2  x1i x2i   x1i yi
b0  x2i x0i  b1  x2i x1i  b2  x22i   x2i yi

x0i2 x0i x1i x0i x2i x1i2 x1i x2i x2i2 x0i yi x1i yi x2i yi
1 160 1 25600 160 1 4 640 4
1 160 1 25600 160 1 5 800 5
1 160 7 25600 1120 49 10 1600 70
1 160 7 25600 1120 49 11 1760 77
1 200 1 40000 200 1 24 4800 24
1 200 1 40000 200 1 26 5200 26
1 200 7 40000 1400 49 35 7000 245
1 200 7 40000 1400 49 38 7600 266
 x0i2  x0i x1i  0i x2i
x  x1i2  x1i x2i  x2i2  x0i yi  x1i yi  x2i yi
=8 =1 440 =32 =262 400 =5 760 =200 =153 =29 400 =717

Expresado esto en forma matricial:

8 1 440 32  b0   153 
1440 262 400 5760 b    29 400 
  1  
 32 5 760 200  b2   717 
1
b0   8 1 440 32   153 
b   1440 262 400 5760   29 400 
 1    
b2   32 5 760 200   717 
b0   10, 4722222  0, 05625  0, 05555556   153 
b    0, 05625 0, 0003125 0   29 400
 1   
b2   0, 05555556 0 0, 01388889   717 
b0   91.3333333
b   0.58125 
 1  
b2  1.45833333 

 Yˆ  91,3333  0,5813x1  1,4583x2

es el modelo lineal ajustado a partir de la data experimental.

Segundo método:

Según el texto de V. Kafarov “Cybernetic Methods in Chemestry & Chemical Engineering” 1ra. Ed. Pág.

286, para el caso del diseño factorial experimental, Ec. II-220:

60
 b0 
b 
 1
. 
B      X T X  X TY
1

. 
. 
 
bk 
Como ya se dispone de información debidamente tabulada, procedemos a operativizar de inmediato el
algoritmo, utilizando el Excel:

1
 1 160 1    4  
 1   5  
  160 1     
 1 160 7    10  
b0    1 1 1 1 1 1 1 1     1 1 1 1 1 1 1 1    
b    160 160 160 160 160 160 160 160  1 160 7     11  
 1    1 200 1  
  160 160 160 160 160 160 160 160    
b2    1 1 7 7 1 1 7 7      1 1 7 7 1 1 7 7   24  
 1 200 1    
 26  
 1   35  
 200 7   
   
 1 200 7    38  
 
1
b0   8 1440 32   153  10.4722222  0.05625  0.05555556  153 
b   1440 262 400 5760   29 400    0.05625 0.0003125 0   29 400
 1       
b2   32 5760 200   717   0.05555556 0 0.01388889   717 

b0   91.3333333
b    0.58125 
 1  
b2   1.45833333 

Evidentemente el resultado es el mismo al encontrado por el procedimiento de mínimos cuadrados de los

residuales, lo que demuestra la potencia del algoritmo.

PROBLEMA 2.17

A usted le dan datos de y en función de x, y le requieren ajustarlos a un modelo empírico de la forma:

y  x
donde β es un valor conocido. De una ecuación para calcular la mejor estimación de α.

SOLUCIÓN
n
E      xi  yi 
2

i 1
n
dE
 2    xi  yi   0
d i 1
n n
n    xi   yi  0
i 1 i 1

1 n n

    yi    xi 
n  i 1 i 1 

PROBLEMA 2.18

Un experimento factorial repetido en dos niveles se ejecuta produciendo la siguiente información (la variable
dependiente es el rendimiento):
61
 Temperatura Rendimiento
Tiempo (h)
(ºC) (%)
1 240 24
5 240 42
1 280 3
5 280 19
1 240 24
5 240 46
1 280 5
5 280 1

Encontrar los coeficientes en un modelo de primer orden, Y  0  1 x1   2 x2 (Y = rendimiento, x1 =

tiempo, x2 = temperatura),
SOLUCIÓN
Primer método:

Se trata de un problema de diseño experimental factorial 2 k replicado, con l =2 niveles en cada variable k; y
dos variables k  2 , Luego el número de observaciones es:

 
N =R l k  número de experimentos

R= número de repeticiones, l = número de niveles, k= número de variables independientes.

 2 
 
R lk  2 

replicado 
2 niveles   8 experimentos


Generalmente, para cualquier factor Z j tenemos:
Z mj á x  Z min
Sean: Z  0
j
j
; tal que j  1, 2,..., k es cualquier factor (variable).
2
Z mj á x  Z min
Z  0
j
j

2
-El punto con coordenadas  Z10 , Z 20 ,..., Z k0  es llamado el punto centro del diseño, o el nivel básico; Z j es
el intervalo de cambio sobre los ejes Z
-Es usual pasar de las coordenadas Z1 ; Z 2 ...Z k a un nuevo sistema a dimensional de coordenadas x1 , x2 ,...xk
mediante la ecuación de codificación:
Z j  Z 0j
pj  ; j  1, 2,...k .
Z j
-En el sistema coordenado adimensional, el nivel superior es +1 el nivel inferior es -1, las coordenadas del
punto central del diseño son cero y coinciden con el origen de coordenadas.
Matriz del diseño
Factores en escala Rendimiento
Factores en escala natural
adimensional %
Nº de Observación Z1 tiempo Z2 temperatura x1 x2 Y
1 1 240 -1 -1 24
2 5 240 +1 -1 42
3 1 280 -1 +1 3
4 5 280 +1 +1 19
5 1 240 -1 -1 24
6 5 240 +1 -1 46
7 1 280 -1 +1 5
8 5 280 +1 +1 21
62
donde:
1 5 5 1
Z10  3 ; Z 1  2
2 2
53 1 3
x1sup   1 ; x1inf   1
2 2
240  280 280  240
Z 20   260 ; Z 2   20
2 2
280  260 240  260
x2sup   1 ; x2inf   1
20 20
La matriz de diseño presentada en la tabla, es:
x0i x1i x2i Yi ,promedio
1 -1 -1 24
1 1 -1 44
1 -1 1 4
1 1 1 20

Nótese que la columna Y, se ha obtenido tomando los correspondientes promedios de los rendimientos
replicados.
Para Y  0  1 x1   2 x2
donde (Y= rendimiento, x1 = tiempo, x2 = temperatura), tenemos el siguiente sistema de ecuaciones
normales:
Aplicando la Ec. 220 del texto de Kafarov:
b0  1 / N 0    x0i yi    x0i yi / N 
b    x y   x y / N 
 1  1/ N    1i i    1i i 
.   
 .......   
B      X T X  X TY = 
1 .
    ....... 
 
.  .   ........   ........ 
.   
 . .......   
.
     . ....... 
bk   1 / N   
   xki yi    xki yi / N 
Como una consecuencia, cualquier coeficiente b j de la ecuación de regresión es definido por el producto
escalar de una columna Y por la respectiva columna x j dividida por el número de experimentos N de la
matriz de diseño; es decir:
1 N
b j   x ji yi ( II  221)
N i 1
Aplicando la ecuación anterior, en base a la información tabulada y adecuando la notación a los coeficientes
de nuestro modelo, tenemos directamente:
N N
1 1 92
0 
N
x
i 1
0i yi  p0 
N
x
i 1
0i yi  p0 
4
 23

1 N 1 N 36
1   x1i yi  p1   x1i yi  p1  9
N i 1 N i 1 4
1 N
1 N 44
 2   x2i yi  p2   x2i yi  p2   11
N i 1 N i 1 4
Luego: Y  23  9 p1  11 p2
x1  3 x2  260
Pero p1  ; p2 
2 20
 x 3  x2  260 
Y  23  9  1   11 20 
 2   
Y  23  4,5 x1  13,5  0,55 x2  143
de donde se obtiene el modelo de primer orden solicitado: Y  152,5  4,5x1  0,55x2
63
Segundo método:
n
E     0 x0i  1 x1i   2 x2i  Yi 
2

i 0

E n
 2 x0i   0 x0i  1 x1i   2 x2i  Yi   0
 0 i 0

E n
 2 x1i   0 x0i  1 x1i   2 x2i  Yi   0
1 i 0

E n
 2 x2i   0 x0i  1 x1i   2 x2i  Yi   0
 2 i 0
n n n n
 0  x02i  1  x0i x1i   2  x0i x2i   Yi x0i  0
i 0 i 0 i 0 i 0
n n n n
 0  x02i  1  x0i x1i   2  x0i x2i   Yi x0i
i 0 i 0 i 0 i 0
n n n n
 0  x0i x1i  1  x12i   2  x1i x2i   Yi x1i
i 0 i 0 i 0 i 0
n n n n
 0  x0i x2i  1  x1i x2i   2  x2i 2   Yi x2i
i 0 i 0 i 0 i 0

Que expresado en forma matricial resulta:

 n

 p1i  p2i   0   Yi 
  p1i  p1i
2
 p1i p2i   1    p1iYi 
    
  p2i  p2i p1i  p2i    2    p2i Yi 
2

Requerimos evaluar las sumatorias de la matriz y del vector:

p0i p1i p2i p1i2 p1i p2i p 2i2 Yi p1i Yi p2i Yi
1 -1 -1 1 1 1 24 -24 -24
1 1 -1 1 -1 1 44 44 -44
1 -1 1 1 -1 1 4 -4 4
1 1 1 1 1 1 20 20 20
∑ 0 0 4 0 4 92 36 -44

Luego aplicando la Ec. 220 del texto de Kafarov (la igualdad intermedia) que considera el sistema de
ecuaciones normales, que se presenta líneas arriba, llegando a esta ecuación. Adicionalmente la matriz de
diseño presentada en el primer método, tiene las siguientes propiedades:
N

x
i 1
ui .x ji  0 u j u , j  0,1,...., k (i)
N

x
i 1
ji 0 j  1, 2,...., k j0 (ii)
N

x
i 1
2
ji
N j  0,1,..., k (iii)

donde k es el número de variables y N el número de experimentos en la matriz de diseño. La primera

propiedad expresada por la ecuación (i) es llamada la propiedad de ortogonalidad; es decir, la igualdad a
cero de los productos escalares de todos los vectores columna. Esta propiedad reduce sustancialmente las
dificultades en la estimación de los coeficientes porque la matriz de coeficientes X T X de las ecuaciones
normales viene a ser la diagonal, y sus elementos son iguales al número de experimentos, N, en la matriz de
diseño.

64
 b0  1 / N 0    x0i yi    x0i yi / N 
b    x y   x y / N 
 1  1/ N    1i i    1i i 
.   
 .......   
B      X T X  X TY = 
1 . .......
     
.   .   ........   ........ 
.   
 . .......   
.
     . ....... 
bk   1 / N    xki yi    xki yi / N 
   
1
0, 25 0 0   92  0, 25 0 0   92 

B 0   
0, 25 0   36    0 
0, 25 0  B   36 
 0 0 0, 25  44   0 0 0, 25  44 
 4 0 0   0   92 
0 4 0      36 
  1  
0 0 4    2   44 
4  0  92 4 1  36 4  2  44
 0  23 1  9  2  11
Luego: Y  23  9 p1  11 p2
x 3 x  260
Pero p1  1 ; p2  2
2 20
 x 3  x  260 
Y  23  9  1   11 2   Y  152,5  4,5 x1  0,55 x2
 2   20 
PROBLEMA 2.19

Un experimento basado en un diseño de hexagonal se efectuó con 4 repeticiones en el origen, produciendo

los siguientes datos:

Niveles de los factores Niveles de diseño

Rendimiento (%) Temperatura(°C) tiempo (h) x1 x2
96 75 2 1 0
78,7 60 2,866 0,5 0,866
76,7 30 2,866 -0,5 0,866
54,6 15 2 -1 0
64,8 30 1,134 -0,5 -0,866
78,9 60 1,134 0,5 -0,866
97,4 45 2 0 0
90,5 45 2 0 0
93 45 2 0 0
86,3 45 2 0 0

Temperatura  45
Codificación : x1  x2  Tiempo  2
30
-----------------------------------------------------------------------------------------------------------------
Ajustar un modelo de segundo orden (cuadrático), a los datos.

SOLUCIÓN

Representación gráfica de los niveles de un diseño hexagonal:

65
 Rendimiento (%) x1 x2 w
96 1 0 1
78,7 0,5 0,866 1
76,7 -0,5 0,866 1
54,6 -1 0 1
64,8 -0,5 -0,866 1
78,9 0,5 -0,866 1
91,8 0 0 4

El modelo cuadrático de segundo orden a ajustar es de la forma:

y  C0  C1x1  C2 x2  C3 x12  C4 x22  C5 x1x2
Aplicando el método de mínimos cuadrados:
7
E   wi (C0 C1 x1i  C2 x2i  C3 x12i  C4 x22i  C5 x1i x2i  yi ) 2
i 1

E 7
 2 wi (C0 C1 x1i  C2 x2i  C3 x12i  C4 x22i  C5 x1i x2i  Yi )  0
C0 i 1

E 7
 2 wi x1i (C0 C1 x1i  C2 x2i  C3 x12i  C4 x22i  C5 x1i x2i  Yi )  0
C1 i 1

E 7
 2 wi x2i (C0 C1 x1i  C2 x2i  C3 x12i  C4 x22i  C5 x1i x2i  Yi )  0
C2 i 1

E 7
 2 wi x12i (C0 C1 x1i  C2 x2i  C3 x12i  C4 x22i  C5 x1i x2i  Yi )  0
C3 i 1

E 7
 2 wi x22i (C0 C1 x1i  C2 x2i  C3 x12i  C4 x22i  C5 x1i x2i  Yi )  0
C4 i 1

E 7
 2 wi x1i x2i (C0 C1 x1i  C2 x2i  C3 x12i  C4 x22i  C5 x1i x2i  Yi )  0
C5 i 1

  wi w x i 1i w x i 2i w x 2
i 1i w x 2
i 2i w x xi 1i 2 i
 CO    wiYi 
     
  wi x1i w x w x x w x w x x w x x   C1    wi x1iYi 
2 3 2 2
i 1i i 1i 2 i i 1i i 1i 2 i i 1i 2i
  wi x2i w x x w x 2
w x x 2
w x 3
w x x 2   C2    wi x2iYi 
     
i 2 i 1i i 2i i 2 i 1i i 2i i 1i 2 i

  wi x1i w x w x x w x w x x w x x   C3    wi x1iYi 
2 3 2 4 2 2 3 2
i 1i i 1i 2 i i 1i i 1i 2 i i 1i 2 i
  C   w x2 Y 
  i 2i w x x w x w x x w x w x x   4    i 2i i 
w x2 i 1i 2 i
2 3
i 2i
2 2
i 1i 2 i
4
i 2i
3
i 1i 2 i

  wi x1i x2i w x x w x x w x x w x x w x x   C5    wi x1i x2iYi 

2 2 3 3 2 2
i 1i 2i i 1i 2 i i 1i 2 i i 1i 2 i i 1i 2i

66
 Para operativizar el cálculo preparamos la siguiente tabla:

Yi x1i x2i wi wi x1i wi x2 i wi x1i 2 wi x2i 2 wi x1i x2i wi x1i 4 wi x1i 3

96 1 0 1 1 0 1 0 0 1 1
78,7 0,5 0,866 1 0,5 0,433 0,25 0,74996 0,433 0,0625 0,125
76,7 -0,5 0,866 1 -0,5 -0,433 0,25 0,74996 -0,433 0,0625 -0,125
54,6 -1 0 1 -1 0 1 0 0 1 -1
64,8 -0,5 -0,866 1 -0,5 0,433 0,25 0,74996 0,433 0,0625 -0,125
78,9 0,5 -0,866 1 0,5 -0,433 0,25 0,74996 -0,433 0,0625 0,125
91,8 0 0 4 0 0 0 0 0 0 0
 541,5 0 0 10 0 0 3 3 0 2 0

wiYi wi x1iYi wi x2iYi wi x1i 2Yi wi x2i 2Yi wi x1i x2 iYi wi x1i 2 x2i 2 wi x2i 4
96 96 0 96 0 0 0 0
78,7 39,35 68,1542 19,675 59,0215372 34,0771 0,187489 0,562434
76,7 -38,35 66,4222 19,175 57,5216252 -33,2111 0,187489 0,562434
54,6 -54,6 0 54,6 0 0 0 0
64,8 -32,4 -56,1168 16,2 48,5971488 28,0584 0,187489 0,562434
78,9 39,45 -68,3274 19,725 59,1715284 -34,1637 0,187489 0,562434
367,2 0 0 0 0 0 0 0
 817 49 10 225 224 -5 1 2

Obteniéndose la siguiente ecuación matricial:

10 0 0 3 3 0  CO  817 i 
 0 3 0 0 0 0   C   49 
   1  
 0 0 3 0 0 0   C2   10 
     
 3 0 0 2 1 0   C3   225 
 3 0 0 1 2 0   C4   224 
     
 0 0 0 0 0 1   C5   5 
1
CO  10 0 0 3 3 0 817 
C   0 3 0 0 0 0   49 
 1   
 C2   0 0 3 0 0 0  10 
    
 C3   3 0 0 2 1 0  225
 C4   3 0 0 1 2 0  224 
     
 C5   0 0 0 0 0 1   5 
CO   0, 25 0 0 , 025 0, 25 0  817   92 
C   0 0,333 0 0 0 0   49   16,333 
 1 
 C2   0 0 0,3333 0 0 0   10   3,333 
    
 C3   0, 25 0 0 0,9167 0, 0833 0   225   16, 667 
 C4   0, 25 0 0 0, 0833 0,9167 0   224   17, 667 
       
 C5   0 0 0 0 0 1   5   5 
CO   92 
C   16,333 
 1  
 C2   3,333 
    
 C3   16,667 
 C4   17,667 
   
 C5   5 
67
 C0  92 C2  3,333 C4  17,667
C1  16,333 C3  16,667 C5  5

Por lo tanto el modelo cuadrático es de la forma:

y  92  16,333x1  3,333x2 16,667 x12 17,667 x22  5x1x2

Finalmente comparando los valores obtenidos tenemos:

x1 x2 % exp, % calc,
1 0 96 91,996
0,5 0,866 78,7 83,637
-0,5 0,866 76,7 71,304
-1 0 54,6 58,670
-0,5 -0,866 64,8 61,201
0,5 -0,866 78,9 82,194
0 0 91,8 92

Con lo que podemos afirmar que el modelo empleado es aproximado.

Coeficiente de determinación:

wi  C0  C1 x1i  C2 x2i  C3 x12i  C4 x22i  C5 x1i x2i  yi   yi  y 

2 2
i x1 x2 w yi

1 1 0 1 96 18,7836 347,556 1
2 0,5 0,866 1 78,7 22,7687 1,803 3
3 -0,5 0,866 1 76,7 27,3670 0,431 8
4 -1 0 1 54,6 19,3600 517,887 6
5 -0,5 -0,866 1 64,8 11,7930 157,681 8
6 0,5 -0,866 1 78,9 9,7900 2,380 4
7 0 0 4 91,8 0,1600 208,5961
y  77,357   110,022 3   1236,337 1
  y  y   E  1236,3371-110,0223  0,911 0
2

R2  i

 y  y 
2
i
1236,3371

PROBLEMA 2.20

Un reactor convierte un compuesto orgánico al producto P por calentamiento del material en presencia de un
aditivo de A. El aditivo puede ser inyectado dentro del reactor, y el vapor puede ser inyectado dentro de un
serpentín de calentamiento para proporcionar calor al reactor. Alguna conversión puede obtenerse por el
calentamiento, sin adición de A, y viceversa, Con el fin de predecir el rendimiento de P, Yp, (lbmol de
producto por cada lbmol de alimentación), como función de la fracción molar de A, XA, y de la adición del
vapor S (en lb/lbmol de alimentación), se obtuvieron los siguientes datos:

Yp XA S
0,2 0,3 0
0,3 0 30
0,5 0 60

a) Ajustar un modelo lineal

Y p  c0  c1 X A  c2 S
que proporcione un ajuste por mínimos cuadrados de los datos.
68
 b) Si se requiere que el modelo siempre debe ajustar el punto Yp = 0 para XA = S = 0 calcular c0, c1, y c2 de
modo que se obtenga un ajuste por mínimos cuadrados.

SOLUCIÓN
a) Modelo lineal
Y p  c0  c1 X A  c2 S
Yp Rendimiento de P, lbmol producto/lbmol de alimentación
XA Fracción molar de A,
S Adición de vapor (lb/lbmol alimentación)
E    c0  c1 X Ai  c2 Si  Ypi 
n
2

i 1

E
 2  c0  c1 X Ai  c2 Si  Ypi   0
n

c0 i 1

E
 2  c0  c1 X Ai  c2 Si  Ypi X Ai  0
n

c1 i 1

E
 2  c0  c1 X Ai  c2 Si  Ypi  Si  0
n

c2 i 1

Sistema de ecuaciones normales :

n n n
c0 n  c1  X Ai  c2  S   Ypi
i 1 i 1 i 1
n n n n
c0  X Ai  c1  X Ai2  c2  X Ai Si   X AiYpi
i 1 i 1 i 1 i 1
n n n n
c0  Si  c1  X Ai Si  c2  Si2   SiYpi
i 1 i 1 i 1 i 1
Notación matricial:
 n n
  n 
 n X Ai S    Ypi 
 i 1 i 1
 c0   i 1 
 n n n
   n 
  X Ai X  X Ai Si  c1     X AiYpi 
2
Ai
 i 1 i 1 i 1
 c   i 1 
 n n n
  2  n 
  Si X Ai Si  Si2    SiYpi 
 i 1 i 1 i 1   i 1 

Tabulación de los datos:

Yp XA S X A2 X AS S2 X AY p SY p
0,2 0,3 0 0,09 0 0 0,06 0
0,3 0 30 0 0 900 0 9
0,5 0 60 0 0 3600 0 30
Yp  1,0 X A =0,3  S  90  X A  0,09
2
 X AS  0  S  4 500
2
 X AYp  0,06  SYp  39
 3 0,3 90  c0   1,0 
0,3 0,09 0  c1   0,06
    
 90 0 4500 c2   39 
1
c0   3 0,3 90   1, 0 
c   0,3 0, 09 0  0, 06 
 1 
c2   90 0 4500   39 
69
 c0   5 16, 67 0,1   1, 0 
c    16, 67 66, 67 0,3333 0, 06
 1   
c2   0,1 0,33 0, 0022  39 

De aquí:
c0  0,1 c1  0,3333 c2  0,00667

b) Se requiere que el modelo siempre deba ajustar YP = 0, para XA = S = 0. En tal caso es evidente que c0 =
0, y el modelo se reduce a:
Y p  c1 X A  c2 S

E    c1 X A  c2 S  Y p 
2
Luego:
E
 2 X A  c1 X A  c2 S  Y p   0
c1
E
 2 S  c1 X A  c2 S  Y p   0
c2
Sistema de ecuaciones normales:
c1  X A2  c2  X AS   X AY p
c1  SX A  c2  S 2   SY p
Notación matricial:
  X A2  X AS  c1    X AY p 
 2   
  SX A  S     SY p 
 c2

Tabulación de los datos:

Yp XA S X A2 X AS S2 X AY p SY p
0,2 0,3 0 0,09 0 0 0,06 0
0,3 0 30 0 0 900 0 9
0,5 0 60 0 0 3600 0 30
Y p  1,0 X A
=0,3  S  90  X A  0, 09
2
 X AS  0  S 2  4500  X AYp  0, 06  SY p  39
0, 09 0  c1  0, 06 

 0
 4500  c2   39 
1
c1  0, 09 0  0, 06 
c    0 4500   39 
 2 
c1  11,111111 0  0, 06 
c    0, 00022   39 
 2  0
De aquí:
c1  0, 667 c2  0, 008667

PROBLEMA 2.21

Si usted añade una corriente de alimentación a la etapa de equilibrio mostrada en la figura, determine el
número de grados de libertad para una mezcla binaria (Q = calor transferido),

70
 SOLUCIÓN

Comentario previo: Según la figura P2.21 se observa que la etapa 1 es la etapa del fondo (este criterio
contradice el criterio para contabilizar el número de las etapas de una columna de algunos autores, como
Treybal por ejemplo).
Asumamos que la alimentación es una corriente de una sola fase.
Total variables (5 corrientes + Q) = 5 (C+2) + 1
= 5C + 11
Restricciones:
 Balances de materia independientes : C
 Balance de energía :1
 Relaciones de equilibrio :C
 T la misma en cada fase :1
 P la misma en cada fase :1
2C  3
Número de grados de libertad = Total de variables –Total restricciones
  5C  11   2C  3
 3C  8

PROBLEMA 2.22

¿Cuántas variables deben ser seleccionadas como variables independientes para el horno mostrado en la
figura?

SOLUCIÓN

Hay seis componentes (C = 6) , 3 corrientes y pérdidas Q:

Número total de variables:

=3 (C +2) +1
=3 (6 +2) +1=25 71
Restricciones:
1) Balances de masa (C, H, O, N) :4
2) Balance de energía :1
3) Relación fija O2/N2 en el aire :1
4) Concentración cero de los componentes iniciales en:
combustible :4
aire :4
gases de combustión :1
5) Especificación de % de exceso de aire :1
6) Especificación de % N2en combustible :1
7) La especificación de tres temperaturas :3
20
Número de grados de libertad = 25 – 20 = 5

Las tres presiones y una variable extensiva, deben ser especificadas, ya sea la alimentación, el aire o la
velocidad de flujo del gas de combustión, La última variable podría ser la relación CO/CO2.

PROBLEMA 2.23

Determine el número de variables independientes, el número de ecuaciones independientes, y el número de

grados de libertad en el siguiente proceso (A, B, y D son especies químicas):

Las variables dentro de círculo tienen valores conocidos. Los parámetros de reacción en el reactor son
conocidos como la fracción separada en el separador entre F4 y F5. Cada corriente presenta una sola fase.

SOLUCIÓN

Cada corriente está en una sola fase. Son 7 corrientes y C =3 componentes.

Número total de variables:

= 7  C  2   7  3  2   35
Restricciones:
(1) 3 balances de materia (3 componentes A, B, D) por cada equipo. Son 4 equipos : 3  4  12
(2) 1 balance de energía para cada equipo : 1 4  4
F0 , wA 0 ,WA 0 ,WA4 F5 / F4
(3) Especificaciones de y : 5
(4) Relación P-V-T para cada corriente : 7
Total restricciones : 28

Número de grados de libertad = Total de variables – Total restricciones

Número de grados de libertad:  35  28  7

PROBLEMA 2.24

Una caldera de recuperación (ver Fig. P2.24) debe ser diseñada para la operación en estado estable bajo las
siguientes especificaciones: 72
Pitch: distancia de separación entre tubos en el intercambiador

Flujo total del gas 25 000 kg/h

Composición del gas SO2  9% , O2 12% , N2  79% 
Temperaturas del gas entrada = 1200oC; salida = 350oC
Presión de la corriente fuera de los tubos 250 kPa
Propiedades del gas C p  0, 24 kcal  g   o C 
  0,14 kg  m h 
k  0, 053 kcal  m  h   o C 
Los datos de costos son:
Casco $ 2,5/ kg
Tubo $ 150/ m2
Electricidad $ 0,60/ kWh
Tasa de interés 14%

Basar la optimización sólo en el costo del casco, tubos y costos de bombeo para el gas. Ignore el
mantenimiento y reparaciones.
Formular el problema de optimización usando solamente la siguiente notación (según sea necesario):
A área de la superficie de los tubos, m 2
Cs costo del casco, $
Ct costo de tubos, $
Cpi capacidad calorífica del gas, kcal  kg   C
o

D diámetro del casco, m

d 0 , di diámetros externo e interno de los tubos, m
f factor de fricción
2
g aceleración debida a la gravedad, m s
hi    h   C
coeficiente de transferencia de calor lado del gas, dentro de los tubos, kcal / m
2 o

i tasa de interés, fracción

k conductividad térmica del gas, kcal/m h oC
LS longitud del casco, m
MW peso molecular del gas
n número de tubos
N vida útil de los equipos, años
73
Q calor de la caldera, kcal h
T1,T2 temperatura de entrada y salida del gas del hervidor, oC
T temperatura en general
g
3
densidad del gas, kg m
G viscosidad del gas, kg m  h 
V velocidad del gas, m s
Wg flujo másico del gas, kg h
WS peso del casco, toneladas
 eficiencia del soplador
PG caída de presión del gas, kPa
Z espesor del casco, m

¿Cuántos son los grados de libertad en el problema que usted ha formulado?

SOLUCIÓN

Función objetivo:
Minimizar el costo total por año:
Ctot = (Cs + Ct )r + Cop
o minimizar el valor presente del costo total
 N 
Ctot = Cs + Ct +   Cop  F
 i=1 
donde: r: factor de recuperación del capital
F: factor de descuento
Sujeto a:
Cs = 2,5Ws
Ws = πDzLs ρs
volumen del acero

D = P(n p +1), diámetro del casco para pitch triangular

P = 1, 25 do pitch
1/2
 4n -1 
np =  
 3 
C t = 150A o
A o = πd o nL
 Wg ΔPg  h  $
Cop =    8400  × 0, 06
 102ηρg  3600    año  kWh
donde:
$
Cs = 2,5 Ws kg
kg
z = Espesor del casco
Ls = Longitud del casco
D = Diámetro del casco para arreglo triangular
P = Pitch
n p = Número de tubos
A o = Área externa de los tubos
L = Longitud de los tubos

74
 días 24horas h
350 x  8400
año 1dia año

Electricidad $ 0.6/kwh
Wg  25000 kg / h
1, 5V 2  g fLsV 2  g
Pg  
2 gc 2 gc di
f  0, 023
4 Wg
Y
3600  g  di 2 n
Q  U o Ao Tml
Q  Wg Cp(T2  T1 )
U o  0, 95hio
d 
hio  hi  i 
 do 
hio do  hi di
0.4

0.8 
hi di  3600  gVdi   Cp  
Nu   0, 023    
k     k 
Re
 Pr 
Cp  0, 24 kcal / kg º C
  0, 14 kg / mh
k  0, 053 kcal / mh º C
(To  T1 )  (To  T2 )
Tml 
 T  T1 
ln  o 
 To  T2 
T1  1200º C
T2  350º C

Presión del vapor fuera de los tubos = 250 kPa

75