UNIVERSIDAD NACIONAL DE SAN AGUSTIN

FACULTAD DE INGENIERÍA PROCESOS

Ingeniería Metalúrgica

Asignación 5
Modelamiento y Simulación de Procesos
4to año Grupo B
Asignación 5
Docente: Ing. Federico Calisaya Mamani

Pertenece a:
Flores Luque Cristhian Santos

Arequipa – Perú
2020
REGRESIÓN LINEAL
1- La presión barométrica está relacionada con la altura por la siguiente
ecuación
𝑝 −𝑘𝑧
=𝑒 𝑇
𝑝𝑜
Donde p es la presión barométrica, po es la presión a z=0, z es la altura, k es la
constante y t la temperatura. A temperatura casi constante 6 mediciones de presión
fueron hechas por un grupo de asesores a una montaña

Nivel o altura Presión

3290 27.2
3610 23.4

3940 19.8
4600 14.3
4930 12.2
5260 10.5

A) Cuáles son los mejores estimados de K y po

B) Está usted de acuerdo con Po= 29.9 a z=0
C) Cuál es la región conjunta de confianza para k y po
Solución
Primero formulamos nuestra hipótesis
Ho: Existe correlación entre Presión y altura
Ha: No existe correlación entre Presión y altura
α= 95%
Correlación: Presión; Nivel o altura

Método

Tipo de Pearson
correlación
Filas 6
utilizadas
ρ: correlación en parejas de Pearson
Correlaciones

Presión
Nivel o -0.992
altura
Correlaciones en parejas de Pearson
IC de
Muestra Muestra 95% para Valor
1 2 Correlación ρ p

Nivel o Presión -0.992 (-0.999; - 0.000

altura 0.927)

Conclusión: Descartamos la hipótesis alterna y tomamos la hipótesis nula porque el valor

de p es menor a 0.05
Linalizamos nuestra ecuación
𝑃 −𝑘𝑧
ln ( ) = 𝑙𝑛𝑒 𝑇
𝑃𝑜
−𝑘𝑧
𝑙𝑛𝑃 − 𝑙𝑛𝑃𝑜 =
𝑇
𝑘
𝑙𝑛𝑃 = 𝑙𝑛𝑃𝑜 − 𝑧
𝑇
Entonces lnp sería mi nueva Y y z mi X
𝑦 = 𝑎 + 𝑚𝑥
Ahora hacemos la correlación entre mis nuevas variables
Nivel o altura Presión Lnp
3290 27.2 3.30322
3610 23.4 3.15274
3940 19.8 2.98568
4600 14.3 2.66026
4930 12.2 2.50144
5260 10.5 2.35138
Correlación: Lnp; Nivel o altura
Método

Tipo de Pearson
correlación
Filas 6
utilizadas
ρ: correlación en parejas de Pearson
Correlaciones

Lnp

Nivel o -
altura 1.000
Correlaciones en parejas de Pearson
IC de
Muestra Muestra 95% para Valor
1 2 Correlación ρ p

Nivel o Lnp -1.000 (-1.000; - 0.000

altura 0.999)

Como vemos mi intervalo de confianza aumento por ende nuestra ecuación planteada
está bien
Ahora por ultimo hacemos la regresión
Análisis de regresión: Lnp vs. Nivel o altura
La ecuación de regresión es
Lnp = 4.905 - 0.000487 Nivel o altura
Resumen del modelo
R- R-cuad.
S cuad. (ajustado)

0.0054453 99.98% 99.98%

Análisis de Varianza

Fuente GL SC MC F P

Regresión 1 0.717952 0.717952 24213.59 0.000

Error 4 0.000119 0.000030

Total 5 0.718071
Ya tenemos la ecuación, ahora podemos comparar con nuestra ecuación planteada y
hallar los valores de los valores constantes

𝐿𝑛𝑝 = 4.095 − 0.000487𝑧

𝑘
𝑙𝑛𝑃 = 𝑙𝑛𝑃𝑜 − 𝑧
𝑇
Comparando
𝑙𝑛𝑃𝑜 = 4.095

𝑃𝑜 = 𝑒 4.095
𝑃𝑜 = 134.96
𝑘
= 0.000487
𝑇
El problema no nos da el valor de T pero nos dice que es constante vamos a suponer que
están a temperatura ambiente entonces T= 25°C
𝑘 = 0.000487 ∗ 25

𝑘 = 0.12175
a) Cuáles son los mejores estimados de K y po
Po=134.96, k=0.12175
b) Está usted de acuerdo con Po= 29.9 a z=0

No estoy de acuerdo.
c) Cuál es la región conjunta de confianza para k y po
(-1,-0.999)
2.- Se ha hecho un diseño factorial 𝟐𝟑 para investigar el efecto del tonelaje de
alimentacion, velocidad del tambor y la separación entre los rodillos en una
concentracion de minerals de hierro usando un separador magnetico para
concentracion magnetica.

Factores Niveles
A Tonelaje de Alimentación (Tn) 0.5 0.7
B Velocidad del Tambor (rpm) 64 116
C Separación entre rodillos (cm) 25 45

Ingrensando los datos para hallar el modelo matematico se tienen las siguientes corridas:
Obtener el modelo matemático correspondiente y hacer el análisis del modelo obtenido.

Solución:
El modelo tendra la forma siguiente:

𝑌 = 𝐵0 + 𝐵1 𝐴 + 𝐵2 𝐵 + 𝐵3 𝐴 ∗ 𝐵 + 𝐵4 𝐶 + 𝐵5 𝐴 ∗ 𝐶 + 𝐵6 𝐵 ∗ 𝐶 + 𝐵7 𝐴 ∗ 𝐵 ∗ 𝐶
El desarrollo del problema se hará mediante matrices partiendo de los siguientes
datos experimentales:
N X0 X1 X2 X3 X1X2 X1X3 X2X3 X1X2X3 Y(obs)
1 1 0.5 64 25 32 12.5 1600 800 67.72
2 1 0.7 64 25 44.8 17.5 1600 1120 67.85
3 1 0.5 116 25 58 12.5 2900 1450 69.6
4 1 0.7 116 25 81.2 17.5 2900 2030 69.44
5 1 0.5 64 45 32 22.5 2880 1440 67.75
6 1 0.7 64 45 44.8 31.5 2880 2016 67.93
7 1 0.5 116 45 58 22.5 5220 2610 68.73
8 1 0.7 116 45 81.2 31.5 5220 3654 68.72
Matriz X:

1 0.5 64 25 32 12.5 1600 800

1 0.7 64 25 44.8 17.5 1600 1120
1 0.5 116 25 58 12.5 2900 1450
1 0.7 116 25 81.2 17.5 2900 2030
1 0.5 64 45 32 22.5 2880 1440
1 0.7 64 45 44.8 31.5 2880 2016
1 0.5 116 45 58 22.5 5220 2610
1 0.7 116 45 81.2 31.5 5220 3654

Matriz Y: 67.72
67.85
69.6
69.44
67.75
67.93
68.73
68.72

Entonces primeramente calculamos la 𝑋𝑡

1 1 1 1 1 1 1 1
0.5 0.7 0.5 0.7 0.5 0.7 0.5 0.7
64 64 116 116 64 64 116 116
25 25 25 25 45 45 45 45
32 44.8 58 81.2 32 44.8 58 81.2
12.5 17.5 12.5 17.5 22.5 31.5 22.5 31.5
1600 1600 2900 2900 2880 2880 5220 5220
800 1120 1450 2030 1440 2016 2610 3654

Ahora multiplicamos 𝑋𝑡 ∗ 𝑋
8 4.8 720 280 432 168 25200 15120
4.8 2.96 432 168 266.4 103.6 15120 9324
720 432 70208 25200 42124.8 15120 2457280 1474368
280 168 25200 10600 15120 6360 954000 572400
432 266.4 42124.8 15120 25976.96 9324 1474368 909193.6
168 103.6 15120 6360 9324 3922 572400 352980
25200 15120 2457280 954000 1474368 572400 93025600 55815360
15120 9324 1474368 572400 909193.6 352980 55815360 34419472
 Ahora sacaremos la inversa de (𝑋 𝑡 ∗ 𝑋)−1
795.568417 -1290.11095 -8.1587463 -21.0150148 13.2303994 34.0784024 0.21551405 -0.34948225
-1290.11095 2150.18491 13.2303994 34.0784024 - - - 0.58247041
22.0506657 56.7973373 0.34948225
-8.1587463 13.2303994 0.09065274 0.21551405 - - -0.0023946 0.00388314
0.14700444 0.34948225
-21.0150148 34.0784024 0.21551405 0.60042899 - - - 0.00998521
0.34948225 0.97366864 0.00615754
13.2303994 -22.0506657 -0.14700444 -0.34948225 0.2450074 0.58247041 0.00388314 -0.00647189
34.0784024 -56.7973373 -0.34948225 -0.97366864 0.58247041 1.62278107 0.00998521 -0.01664201
0.21551405 -0.34948225 -0.0023946 -0.00615754 0.00388314 0.00998521 6.8417E-05 -0.00011095
-0.34948225 0.58247041 0.00388314 0.00998521 - - - 0.00018491
0.00647189 0.01664201 0.00011095

Y Tambien multiplicamos 𝑋𝑡 ∗ 𝑌
547.74
328.658
49432.84
19156.1
29659.716
11494.35
1728375.4
1037046.26

Finalmente, para obtener los coeficientes del modelo, multiplicamos:

(𝑋 𝑡 ∗ 𝑋)−1 ∗ (𝑋 𝑡 ∗ 𝑌)
B0 80.1057
B1 -22.2048
B2 -0.0737
B3 0.1764
B4 -0.3244
B5 0.5394
B6 0.0023
B7 -0.0043
Entonces escribiendo el modelo:
𝑌 = 𝐵0 + 𝐵1 𝐴 + 𝐵2 𝐵 + 𝐵3 𝐴 ∗ 𝐵 + 𝐵4 𝐶 + 𝐵5 𝐴 ∗ 𝐶 + 𝐵6 𝐵 ∗ 𝐶 + 𝐵7 𝐴 ∗ 𝐵 ∗ 𝐶
Reemplazando datos:
𝑌 = 80.1057 − 22.2048𝐴 − 0.0737𝐵 + 0.1764𝐴 ∗ 𝐵 − 0.3244𝐶 + 0.5394𝐴 ∗ 𝐶 + 0.0023𝐵 ∗ 𝐶
− 0.0043𝐴 ∗ 𝐵 ∗ 𝐶
También el problema puede ser desarrollo en el programa Minitab, ya ingresando los datos,
tenemos el siguiente modelo matemático:

Entonces se obtiene el mismo modelo, por lo tanto, el modelo es correcto. Para hacer el
análisis, lo haremos de una manera gráfica:

Se puede observar que ninguna de las variables es significativa en la respuesta, es decir,

en el %Fe en el concentrado. Ello se puede solucionar haciendo un análisis más profundo
en las variables evitando las interacciones entre ellas.
Por otro lado, se conoce que estas variables de alguna u otra forma si influyen en el modelo
pero que no se visualiza con precisión, y digo esto porque gráficamente se puede visualizar
que si tienen que influir en el modelo.
Se puede ver que a mayor tonelaje de alimentación menor será le %Fe en el concentrado,
o también que a mayor velocidad en el tambor se tendrá mayor %Fe en el concentrado y
finalmente a mayor separación entre los rodillos menor será el %Fe en el concentrado.
Estas graficas forman parte del análisis del modelo y que nos indican que el modelo requiere
un análisis más profundo para que se visualice que las variables son significativas en el
modelo.