Está en la página 1de 10

TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico de Tuxtepec

ING. DE PROCESOS

Dra. Ivet Gallegos Marín


Docente

Conceptos
Unidad II. Modelos Matemáticos
Modelos determinísticos y probabilísticos.
Modelos lineales y no lineales
Modelos de estado estacionario y no estacionario.
Modelos de parámetros globalizados y distribuidos.
Modelos de Descripción molecular.
Modelos de Descripción microscópica.
Modelos de Descripción de gradiente múltiple.
Modelos de Descripción de gradiente máximo.
Modelos de Descripción macroscópica.

Presenta:

Pedraza Miranda Blanca Itzel 16350061

San Juan Bautista Tuxtepec Oaxaca a 27 de Abril de 2020


INTRODUCCIÓN

El presente trabajo de investigación se desarrolla con el propósito de investigar y conocer los


modelos matemáticos utilizados en la ingeniería de procesos. Se específica y conceptualiza el
significado de cada uno de los modelos, es decir, de los modelos determinísticos y
probabilísticos, modelos lineales y no lineales, modelos de estado estacionario y no
estacionario y los modelos de parámetros globalizados y distribuidos. Así como también los
modelos de descripción molar, descripción microscópica, descripción de gradiente múltiple,
descripción de gradiente máximo y descripción macroscópica.

Un modelo matemático se define como una descripción desde el punto de vista de las
matemáticas de un hecho o fenómeno del mundo real, desde el tamaño de la población, hasta
fenómenos físicos como la velocidad, aceleración o densidad. El objetivo del modelo
matemático es entender ampliamente el fenómeno y tal vez predecir su comportamiento en el
futuro.

MODELO DETERMINISTICO

Un modelo se define como determinístico cuando siempre que se someta a un mismo


estimulo, reacciona de la misma manera. Los sistemas que representan los modelos
deterministas carecen de incertidumbre, es decir, todos los cambios de estado del sistema se
pueden predecir con certeza, y su comportamiento se evalúa con medidas de efectividad o
eficiencia tales como: Costos, tiempo y utilidades.

Un modelo determinista es un modelo matemático donde las mismas entradas o condiciones


iniciales producirán invariablemente las mismas salidas o resultados, no contemplándose la
existencia de azar, o incertidumbre en el proceso modelada mediante dicho modelo.

Está estrechamente relacionado con la creación de entornos simulados a través de


simuladores para el estudio de situaciones hipotéticas, o para crear sistemas de gestión que
permitan disminuir la propagación de errores. Los modelos deterministas sólo pueden ser
adecuados para sistemas deterministas no caóticos, para sistemas azarosos (no-determinista)
y caóticos (determinista impredecible a largo plazo) los modelos deterministas no pueden
predecir adecuadamente la mayor parte de sus características.

MODELO PROBABILISTICO

Un modelo es estocástico cuando al menos una variable de mismo es tomada como


un dato al azar y las relaciones entre variables se toman por medio de funciones
probabilísticas. Sirven por lo general para realizar grandes series de muestreos, quitan mucho
tiempo en el computador son muy utilizados en investigaciones científicas. Para lograr
modelar correctamente un proceso estocástico es necesario comprender numerosos
conceptos de probabilidad y estadística.

Dentro del conjunto de procesos estocásticos se encuentran, por ejemplo, el tiempo de


funcionamiento de una máquina entre avería y avería, su tiempo de reparación y el tiempo
que necesita un operador humano para realizar una determinada operación.
Modelo probabilístico es la forma que pueden tomar un conjunto de datos obtenidos de
muestreos de datos con comportamiento que se supone aleatorio.
Es un tipo de modelo matemático que usa la probabilidad, y que incluye un conjunto de
asunciones sobre la generación de algunos datos muéstrales, de tal manera que asemejen a
los datos de una población mayor.

MODELO LINEAL

En los modelos lineales los parámetros (valores poblacionales desconocidos) entran


linealmente en la ecuación. No importa que la(s) variable(s) independiente(s) estén en la
ecuación en forma no lineal: recordemos que son fijas, ya sea por el diseño o por observación.

Puede definirse como un esquema de relación entre una variable y (exógena o a explicar) y
otra(s) variable(s) X (X1X2 ... Xk ) (endógena(s) o explicativa(s), tal que:

Y= F. LINEAL (X) + PERTURBACIÓN ALEATORIA

(Modelo Lineal Simple)


Y= F. LINEAL (X1X2 ... Xk ) + PERTURBACIÓN ALEATORIA

(Modelo Lineal General)

Las hipótesis (básicas) que se asuman sobre la perturbación aleatoria permitirán realizar el
análisis estadístico inferencial

Las razones para la introducción de una perturbación aleatoria son fundamentalmente:

 1.efecto de variables no consideradas


 2.efectos imprevistos (catástrofes, modas, etc.)
 3.errores de observación o medición.

MODELO NO LINEAL
En los modelos lineales los parámetros (valores poblacionales desconocidos) entran
linealmente en la ecuación. No importa que la(s) variable(s) independiente(s) estén en la
ecuación en forma no lineal: recordemos que son fijas, ya sea por el diseño o por observación.
1) el modelo de regresión lineal simple
,
2) el modelo de regresión múltiple

3) el modelo de regresión polinomial

Por el contrario, los modelos no lineales son modelos de regresión en los cuales los
parámetros aparecen en forma no lineal en la ecuación. Por ejemplo,

Particularmente, estas últimas tres ecuaciones son comúnmente usadas para describir
crecimiento, y se llaman, respectivamente, el modelo de Gompertz, el modelo Logístico y el
modelo de Richards.
Modelos de estado estacionario y no estacionario.
El modelo del Estado Estacionario fue propuesto en 1948 por Herman Bondi, Thomas Gold
y Fred Hoyle (todos fallecidos en los últimos años). Bondi y Gold presentaron una discusión
filosófica invocando el denominado "Principio Cosmológico Perfecto" en el que el Universo,
además de ser homogéneo espacialmente, presenta el mismo aspecto medio en cualquier
época. Hoyle trató de enmarcar esta idea en un modelo físico plausible mediante la
introducción de un campo de creación continua de materia: el campo C.

Si el universo tiene que tener el mismo aspecto en cualquier época, el valor de la constante
de Hubble tiene que ser realmente constante, por lo que de la relación velocidad-distancia se
deduce que:

v = da/dt = H a

que tiene una solución exponencial para el parámetro de expansión:

a (t) = Exp[H(t-t0 )]

del mismo tipo que la del modelo de de Sitter, a diferencia que aquí se obtiene a partir de un
principio de simetría, mientras que la solución de de Sitter es una de las posibles soluciones
a la ecuación de Friedman del modelo del Big Bang. Puesto que el radio de curvatura no
puede cambiar con el tiempo, éste no puede más que ser infinito, con lo que la geometría
espacial es exactamente la misma que en un universo de densidad crítica en el modelo del
Big Bang.

En este modelo, la densidad de materia debe ser constante en el tiempo para que el universo
muestre el mismo aspecto en cualquier instante. Puesto que un volumen dado de universo
experimenta en un instante dt una variación proporcional a 3 a2 da, tenemos que la cantidad
de materia n por unidad de volumen variará con el tiempo como

dn/dt = - 3 n a-1 da/dt + dn(creada)/dt

Esta variación por unidad de volumen debe ser entonces igual a cero y por tanto
dn(creada)/dt = 3 n H

Lo que implica que un observador verá un ritmo de creación de materia de tal manera que en
un tiempo de Hubble se renueva la materia unas 3 veces en promedio. En otras palabras, la
edad media de las galaxias no puede ser en promedio mucho mayor de 1/(3 H) El modelo de
Estado Estacionario hace algunas predicciones definidas:

 Creación de materia. No ha sido observada, aunque la tasa necesaria es lo


suficientemente baja para que pudiera pasar perfectamente desapercibida a la
observación.
 Homogeneidad temporal del universo. El modelo de estado estacionario establece
la no evolución media del universo a gran escala. Sin embargo parece que las
observaciones establecen diferencias entre el universo a desplazamientos al rojo del
orden de z ~2.5 –donde se observa un pico máximo en la densidad de cuásares (Croom
et al. 2001, MRAS, 322, L29 ; Fan et al. 2001, Astron. J. 122, 2833)– y el universo a
bajo desplazamiento al rojo.
 Incremento del número de fuentes luminosas con la distancia. En una distribución
homogénea de objetos del mismo brillo, uno cuenta 8 veces más objetos cuando
establece un límite de flujo 4 veces menor. En el modelo del Big Bang, el número de
fuentes cae por debajo de esta predicción en un factor dado aproximadamente por
(1+z)-4, donde un factor (1+z)-3 viene de la disminución del volumen del universo, y
el factor restante del desplazamiento al rojo. Esta ley asume que el número de fuentes
se conserva, y una sección del universo contiene el mismo número de fuentes en
cualquier época, es decir, no hay evolución. Puesto que el volumen del universo
disminuye por un factor (1+z)3 y en el modelo de Estado Estacionario la densidad de
fuentes debe permanecer constante, el número de fuentes debe disminuir en el mismo
factor y la corrección en este modelo debe ser de un factor (1+z) -7.

El estado estacionario es aquel en el que no existen cambios de variables de proceso. Por


ejemplo, en un intercambiador de calor, puede entrar agua a 25 C y salir a 80 C. Claro que el
agua ha cambiado su temperatura, pero en el estado estacionario, la temperatura del agua a
la entrada y a la salida siempre será la misma. En la práctica el estado estacionario es más
flexible, las variables cambian dentro de un rango de tolerancia.

En el estado no estacionario las variables de proceso cambian y esto se debe a que existe
alguna acumulación de materia y energía. Como por ejemplo cuando inicias una operación y
\"enciendes\" los equipos, hay que esperar un tiempo a que se alcancen las
condiciones de proceso, es decir primero existe un estado no estacionario hasta alcanzar el
equilibro del proceso donde ya llegas al estado estacionario .

Modelos de parámetros globalizados y distribuidos.

Un modelo de parámetro globalizado se plantea con una ecuación diferencial ordinaria


mientras que uno de parámetro distribuido se expresa mediante una ecuación diferencial
parcial.

Un modelo en estado estacionario no incluye las variaciones de las propiedades del sistema
en el tiempo y, por lo tanto, su descripción puede ser una ecuación algebraica en el caso de
un modelo de parámetro globalizado o una ecuación diferencial en el caso de un modelo de
parámetro distribuido.

Una representación de parámetro globalizado quiere decir que se ignoran las variaciones
espaciales y que las distintas propiedades y el estado (variables dependientes) del sistema se
pueden considerar homogéneas en todo el sistema.

Modelos de Descripción molecular.


Descripción Atómica y Molecular: Se caracteriza porque trata un sistema arbitrario como
si estuviese compuesto de entidades individuales, cada una de las cuales sigue ciertas leyes.
En consecuencia, las propiedades y las variables de estado del sistema se obtienen como
suma de todas las entidades. La mecánica cuántica, la mecánica estadística de equilibrio y no
equilibrio, así como la mecánica clásica constituirían métodos típicos de análisis mediante
los cuales se podrían calcular teóricamente todas las propiedades y formas de respuesta de
un sistema.
Las moléculas están conformadas por átomos (dos o más) agrupados en forma definida,
enlazados de modo covalente, componiendo el primer elemento de los cuerpos. La masa
molecular de una sustancia se obtiene mediante la suma de las masas atómicas de los
elementos que constituyen la molécula.

Modelos de Descripción microscópica.


Descripción Microscópica: Corresponde a un tratamiento fenomenológico del problema y
admite que el sistema puede considerarse como continuo. Se ignoran las interacciones
moleculares detalladas y se plantean ciertas ecuaciones de balance diferencial para materia,
energía y cantidad de movimiento. Cada balance, a través del sistema, puede expresarse en
la siguiente forma:

Modelos de Descripción de gradiente múltiple.


Descripción de Gradiente Múltiple: En este nivel se incorpora menos información
detallada acerca de las características internas del sistema que en el caso de la descripción
microscópica. Las formas de las ecuaciones matemáticas están sugeridas y corresponden a
las ecuaciones de transporte microscópico, pero con coeficientes modificados. La
característica esencial de la descripción de gradiente múltiple es que son importantes uno o
más términos de dispersión que deben ser retenidos en el modelo, con o sin los términos
conectivos.

Modelos de Descripción de gradiente máximo.


Descripción de Gradiente Máximo: Es una forma menos detallada de descripción que se
puede considerar como un modelo simplificado de gradiente múltiple en el que se suprimen
los términos de dispersión y solamente se conserva una derivada en términos del flujo global.
Cuando no se intenta analizar el detalle interno de los modelos de gradiente múltiple se
realizan suposiciones simplificables adicionales con lo cual se obtienen ecuaciones
matemáticas de fácil tratamiento que resultan, no obstante, muy satisfactorias para
numerosos fines. Los modelos de gradiente máximo son los generalmente considerados en
los libros elementales para los procesos continuos y se pueden generalizar a un balance con
los siguientes términos:

El balance de materia para cada especie “i” y el balance de energía se expresan,


respectivamente, con las siguientes ecuaciones:

El balance de cantidad de movimiento se ignora puesto que normalmente se supone que la


velocidad es constante o bien una función sencilla de “z”. En el balance de energía el
término R S representa la energía neta desprendida por el proceso durante la(s) reacción(es)
que se representa por i R en el balance(s) de materia.

Modelos de Descripción macroscópica.


Descripción Macroscópica: En este nivel se ignora todo detalle dentro del subsistema
especificado y, en consecuencia, en el planteamiento matemático no intervienen gradientes
espaciales. En los balances generales, solamente el tiempo permanece como una variable
diferencial independiente. Las variables dependientes, tales como concentración y
temperatura, no son funciones de la posición y, por tanto, representan valores medios para
todo el volumen del subsistema.
REFERENCIAS

 Bequette W.B. Process Dynamics. Modeling, Analysis and Simulation. Prentice


Hall International Series. 1998

 Toma de decisiones modelos deterministicos y probabilisticos.Recuperado de


http://home.ubalt.edu/ntsbarsh/opre640s/spanishp.htm