S.E.P. D.G.E.S.T. S.N.E.S.T.

INSTITUTO TECNOLÓGICO
de Tuxtepec

“INGENIERÍA DE PROCESOS”

CATEDRATICO:

DRA. IVETTE GALLEGOS MARÍN

PRESENTA:

Luz clarita Álvarez Ramírez

GRUPO:

8° B
 INTRODUCCIÓN.

Un sistema representa una unidad donde se hacen tratamientos físicos o químicos

de materiales que puede ser contrastada con un modelo que representa una
descripción matemática del sistema real. La disposición de varios sistemas unidos
entre sí por flujos comunes de materiales y/o información constituye un proceso. La
salida del proceso es una función no solamente de las características de sus
sistemas (o subsistemas) sino también de sus interacciones o interrelaciones. Una
propiedad del sistema o de su entorno a la que se le puede asignar valores
numéricos arbitrarios se denomina un parámetro. También puede ser una constante
o el coeficiente de una ecuación. El estudio de un proceso, mediante la
manipulación de su representación matemática o de su modelo físico, constituye
una simulación. Los estudios clásicos de un proceso en estado estacionario se
complementan con un análisis dinámico, lo que exige un conocimiento de los
criterios de estabilidad y de los métodos de operación para evaluar exitosamente el
funcionamiento del proceso
 MODELOS DETERMINISTICOS Y PROBABILÍSTICOS.

MODELO DETERMINÍSTICO

Los modelos determinísticos son aquellos en los que cada variable y parámetro
puede asignarse a un número fijo definido o una serie de números fijos para una
serie dada de condiciones.

Ejemplo: La planificación de una línea de producción, en cualquier proceso

industrial, es posible realizarla con la implementación de un sistema de gestión de
procesos que incluya un modelo determinístico en el cual estén cuantificadas las
materias primas, la mano de obra, los tiempos de producción y los productos finales
asociados a cada proceso.

MODELO PROBABILÍSTICO.

En los modelos probabilísticos o estocásticos se introduce el principio de

incertidumbre y, por lo tanto, las variables o parámetros utilizados para describir las
relaciones entrada-salida y la estructura de los elementos (y las restricciones) no
son conocidos con precisión.

Ejemplo: Un ejemplo de proceso estocástico en el mundo natural es la presión en

un gas tal y como se modela en un proceso de Wiener. Incluso aunque (en términos
clásicos) cada molécula se mueve siguiendo un patrón determinístico, el movimiento
de un conjunto de ellas es informática y prácticamente impredecible. Un conjunto
suficientemente grande de moléculas mostrará características estocásticas, como
llenar su recipiente, ejercer la misma presión, difundirse en gradientes de
concentración, etc.
 MODELOS LINEALES Y NO LINEALES.

MODELO LINEAL.

La modelación probabilista considera que la medición (a explicar) en un individuo

dado es una variable aleatoria, cuya ley depende de los valores que toman en ese
individuo los caracteres explicativos, considerados como deterministas.

Si denota la variable aleatoria asociada al individuo , y los

valores que toman para ese individuo los caracteres explicativos ,

se separará el efecto determinista y el efecto aleatorio con un modelo del tipo:

donde es una -tupla de variables aleatorias de misma ley. Se

habla entonces de un modelo de regresión. La función depende de uno o varios

parámetros desconocidos que se deben estimar. Se escoge para esto minimizar
el error cuadrático definido por:

En algunos casos clásicos, se sabe resolver explícitamente este problema de

minimización, y la solución está implementada en los sistemas de cálculo
estadístico. Cuando una solución explícita es imposible, se recurre a algoritmos de
minimización, uno de ellos es el algoritmo del gradiente.

Nosotros consideraremos solamente la regresión lineal simple :

donde es una muestra de la ley normal . En otras

palabras, se supone que las son variables aleatorias gaussianas

independientes, de esperanzas diferentes, pero con la misma varianza

. El modelo tiene parámetros desconocidos, , , y .
Los valores de y que minimizan el error cuadrático se expresan en función de
las medias, varianzas y covarianzas empíricas de y de . Denotamos:

la media empírica de .

la varianza empírica de .

la media empírica de .

la varianza empírica de .

la covarianza de y .

el coeficiente de correlación de y .
Se estiman y minimizando el error cuadrático:

Se obtienen así los estimadores llamados de mínimos cuadrados :

El error cuadrático mínimo es:

Estas tres variables aleatorias son estimadores convergentes de

, y respectivamente. Se obtiene un estimador sin sesgo y convergente de
tomando:
Ejemplo:

En general, cualquier variable Y puede relacionarse con dos o m´as variables

control. Así, son modelos lineales:

a) yi = β0 + β1xi1 + β2xi2 + i
b) yi = β0 + β1xi1 + β2xi2 + β3xi1xi2 + β4x2 i1 + β5x2 i2 + i
c) yi = β0 + β1xi1 + β2 cos(xi2) + β3 sen(xi2) + i

Sin embargo, no es modelo lineal

yi = β0 + β1 log(β2xi1) + β3xβ4 i2 + i
MODELO NO LINEAL.

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

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. Cuando la respuesta crece (o decrece) monotónicamente,
pero la magnitud de la tasa de crecimiento (decrecimiento) se hace cada vez más
pequeña, y la variable dependiente se aproxima a una constante (la “asíntota”), la
siguiente función exponencial suele usarse:

En todos estos modelos estamos presentando la media (esperanza) de la respuesta

Y como una función no lineal de una (o más variables) independientes. Para
completar la especificación del modelo, debemos indicar además la distribución de
Y y la independencia (o dependencia) entre los valores de Y. Al igual que lo
estuvimos haciendo en modelos lineales mixtos, existen muchas situaciones en las
que el modelo para la media incluye también componentes aleatorias. Por ejemplo,
es posible que algunos de los parámetros de una curva (no lineal) de crecimiento
varíen de individuo a individuo, y podemos reflejar esta variabilidad mediante
términos aleatorios en el modelo. Lo que cambia ahora es que la función no lineal
que estamos modelando (y sobre cuyos coeficientes nos interesa hacer inferencias)
expresan la esperanza (media) condicional de la variable de respuesta dados los
efectos aleatorios.
 MODELOS DE ESTADO ESTACIONARIO Y NO ESTACIONARIO

MODELO DE ESTADO ESTACIONARIO

La teoría del estado estacionario surge de la aplicación del llamado principio

cosmológico perfecto, el cual sostiene que para cualquier observador, el universo
debe parecer el mismo en cualquier lugar del espacio. La versión perfecta de este
principio incluye el tiempo como variable por la cual el universo no solamente
presenta el mismo aspecto desde cualquier punto sino también en cualquier
instante de tiempo, siendo sus propiedades generales constantes tanto en el
espacio como en el tiempo. El origen del universo estacionario se remonta
al infinito hacia el pasado con un ritmo de expansión exponencial. El ritmo de
expansión tiende a cero cuando el tiempo tiende a menos infinito, y tiende a
infinito cuando el tiempo tiende a infinito.

MODELO DE ESTADO NO ESTACIONARIO

Los procesos en estado no estacionario también se pueden llamar transitorios o

dinámicos. Aun cuando ha sido una práctica usual de los procedimientos de diseño
de procesos, desarrollarlos para la operación en estado estacionario, cuando
comenzó a estudiarse ampliamente el control de procesos se encontró que la
operación en estado no estacionario era muy importante. Si las propiedades o
condiciones de un sistema cambian en el sistema, el sistema se encontrará en
estado estacionario o transitorio.
MODELOS DE PARÁMETROS GLOBALIZADOS Y DISTRIBUÍDOS
MODELO GLOBALIZADO.

En un modelo de parámetro globalizado se ignoran las variaciones espaciales y

las distintas propiedades y las variables dependientes se pueden considerar
homogéneas en todo el sistema. En un modelo de parámetro distribuido se tienen
en cuenta en forma detallada las variaciones en el comportamiento del sistema en
todo su conjunto. Todos los sistemas reales son, por supuesto, distribuidos porque
existen algunas variaciones en todo el conjunto. Sin embargo, las variaciones son
con frecuencia relativamente pequeñas de tal forma que se pueden ignorar y,
entonces, el sistema se puede considerar globalizado.

La respuesta a la pregunta de si la globalización de parámetros es válida dista

mucho de ser sencilla. Una buena regla aproximada es que si la respuesta del
elemento, para todos los fines prácticos, es instantánea en el conjunto de todo el
elemento, entonces el parámetro del elemento puede ser globalizado. Si la
respuesta presenta diferencias instantáneas a lo largo del elemento, ya no sería
globalizado. Por respuesta se entiende la velocidad de propagación de la señal de
entrada a través del elemento. Así, para ver si debe utilizarse una ecuación de
parámetro distribuido o globalizado, es necesario conocer algo acerca de los
detalles internos del elemento en cuestión.

PARAMETRO DISTRIBUÍDO

En un modelo de parámetro distribuido se tienen en cuenta en forma detallada las

variaciones en el comportamiento del sistema en todo su conjunto. Todos los
sistemas reales son distribuidos porque existen algunas variaciones en todo el
conjunto, las variaciones son con frecuencia relativamente pequeñas de tal forma
que se pueden ignorar y, entonces, el sistema se puede considerar globalizado.

Ejemplo.

En los métodos habituales de diseño de un absorbedor de gases con relleno se

supone que las concentraciones varían en forma continua en la dirección axial o de
flujo, pero en cambio se ignoran en la dirección radial.
VALORES BASADOS EN LOS PRINCIPIOS DE FENOMENOS DE
TRANSPORTE.

Descripción de Gradiente Múltiple:

Se aplica en procesos con flujo turbulento o en el flujo con pasos muy

complicados como el que tiene lugar en lechos de relleno o medios porosos,
procesos en los que no se puede medir ni calcular el campo de velocidad local.

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.

Descripción de Gradiente Máximo:

Se desprecia toda la dispersión y solamente el mayor componente del gradiente

de la variable independiente se considera en cada balance.

Descripción macroscópica:

En este nivel se ignora todo detalle dentro del subsistema especificado y, en

consecuencia, en el planteamiento matemático no intervienen gradientes
espaciales.

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.