MODELOS MATEMÁTICOS

EMPÍRICOS
LOS MODELOS MATEMÁTICO MEDIO PARA OPTIMIZACIÓN.

histórica
data análisis de
datos

Modelo Diseño
Matemático experimentos
(Investigació
EMPíRICO
Modelo n)
Matemático
BASADO
FENOMENOLOgíA
Optimización
sin
Método restricciones
Monte Carlo simulación optimización
optimización
con
restricciones
 PROCESOS DE LA OPTIMIZACIÓN POR MODELOS MATEMÁTICOS EMPÍRICOS

Superficie
Respuesta - Real

“ Busca de la CIMA”

Superficie
1 Respuesta - Estimado

LOS RANGOS DE INVESTIGACIÓN?

Modelos matemáticos empíricos
DISEÑO EXPERIMENTAL
(HEXAGONAL)
3 2

60°
7 8
4 1

XXi Y
Y 9

Y = f (xi) 5 6
 LA SERIE DE TAYLOR COMO APROXIMACIÓN MODELOS MATEMÁTICOS
EMPIRICOS

Superficie
respuesta
Estimada
(Valores
estimados)

Superficie
respuesta
real
(Valores
Reales).
LA SERIE DE TAYLOR - MODELOS PREDICTIVOS.

Forma de un modelo empírico

MÍNIMOS CUADRADOS - REGRESIÓN LINEAL MÚLTIPLE.

Modelo matemático basados en los valores de Yi observados ( Superficie respuesta ”real”).

Modelo matemático estimado con los valores de Yi estimado (Superficie respuesta

“estimado”)

Mínimos cuadros:
Tipos modelos matemáticos - Medio Ambiente

DATA
VARIABLES
Se mide (Monitoreo MODELO
NO CONTROLABLES
Metereológico, MATEMÁTICO
( Se pueden medir y no
gases, ect) EMPÍRICO
se pueden controlar)

MODELO
VARIABLES OPTIMIZACIÓN DATA MATEMÁTICO
CONTROLABLES PROCESOS Se construye EMPÍRICO
( Se pueden medir y se (Planta de Cal, Planta de (Diseño de ( Modelo serie de
pueden controlar) tratamiento de aguas residuales) Experimentos) Taylor).
Modelamiento Matemático Empírico
1. Requiere de la forma del modelo.
2. Conocimiento avanzado de la materia en estudio.

1. Lineal
2. Exponencial:
3. Serie de Fourier: R>0
4. Gasussiana
5. Interpolación
6. Polimonial
7. Potencia

“Pero no todos lo datos se

ajustan a un modelo
predeterminado, hay que
buscar el mejor ajuste vía
regresión múltiple”
 ESCUELA DE POST - GRADO

CONSTRUCCIÓN DE DATOS
MODELOS MATEMÁTICOS EMPÍRICOS
Modelos matemáticos empíricos
DISEÑO EXPERIMENTAL
(HEXAGONAL)
3 2

60°
7 8
4 1

XXi Y
Y 9

Y = f (xi) 5 6
CONSTRUCCIÓN DE LOS DATOS EXPERIMENTALES.

1
1. Datos históricos.
2. Prueba y error.
3. Datos aleatorios.
Prueba Error
4. DISEÑO DE EXPERIMENTOS

0 1
 PROCESOS DE LA OPTIMIZACIÓN POR MODELOS MATEMÁTICOS EMPÍRICOS

Superficie
Respuesta - Real

“ Busca de la CIMA”

Superficie
1 Respuesta - Estimado

LOS RANGOS DE INVESTIGACIÓN?

 DISEÑO DE EXPERIMENTOS.

Diseños de primer orden:

ETAPA 1: SCREENING (Tamizado de variables) 1. Diseño Factorial

2. Diseño Factorial Fraccionado
3. Diseño Plackett y Burman.

1. Método Simplex (Basado matriz

simplex)
ETAPA 2: ESCALAMIENTO
2. Gradiente pasos ascendentes o
(Usa para el escalamiento los diseños de primer orden)
descendentes

Diseños de segundo orden:

ETAPA 3: OPTIMIZACIÓN. Diseños Rotables
1. Diseño Hexagonal (02 variables independientes)
2. Diseño Octogonal (02 variables independientes)
3. Diseño compuesto central 03 variables
independientes)
Diseño Factorial (N= 2k)
PARA 02 VARIABLES
( N= 2^(2)= 4
Diseño Factorial (N= 2k)
PARA 03 VARIABLES
Diseño Rotable (Hexagonal)
PARA 02
VARIABLES

y= % Recuperación de Cobre
Etapa 3: Diseño Rotable (Compuesto central)
PARA 03
VARIABLES
Ejercicio 1: Desarrollar para 03 variables.
 ESCUELA DE POST - GRADO

ESTIMACIÓN DEL MODELO MATEMÁTICO

Y ANÁLISIS DE VARIANZA BASADO EN EL RESIDUAL
Estimación de coeficientes del modelo matemático
Sentencias matlab para regresión múltiple.
a) Fórmula matricial.

Forma del modelo

Matemático

b) Sentencia “ REGRESS”
Sentencias matlab para regresión múltiple.
Construye la matriz X

Forma del modelo

Matemático
Fitlm = Ajuste de “modelo lineal”

Observación: Proyecta el ANOVA

Análisis de
significancia -
Residual
- T-student. ANOVA

N: Número de pruebas experimentales

L: Número de coeficientes del modelo matemático
95%
Confianza
Análisis de varianza - residual.
Análisis de varianza - residual.
Análisis de significancia - Error experimental.

N°: Número de pruebas experimentales replicadas

Análisis de varianza - Falta de Ajuste
Código Matlab
clear
clc
% Ingreso de datos diseño hexagonal
x1= [1;0.5;-0.5;-1;-0.5;0.5;0;0;0];
x2=[0;0.866;0.866;0;-0.866;-0.866;0;0;0];
y = [64.1;61.8;55.3;77.3;43.2;39.1;87.9;89.9;88.3];
save -ascii molienda0412.dat x1 x2 y
% Regresión múltimple
tbl = table (x1,x2,y);
mdl = fitlm(tbl,'y ~ x1+x2+x1^2+x2^2+x1*x2')
anova (mdl)
 Construcción
DATA

Modelo
Matemático

Diagrama Análisis
Significancia

de Flujo
Análisis
Varianza

Eliminar Variables no No
Buen
significativas ó
Modelo
Cambiar de rango la data

Si

Fin
En el horno de sinterización de
hierro se usan las siguientes
variables: tiempo, temperatura
y ratio (C/Fe), para maximizar
la recuperación de hierro
esponja.

Calcule el mejor modelo

matemático lineal que ajuste a
los parámetros estadísticos y
grafique tres cortes.