lunes, 25 de abril de 2016

"Introducción a la simulación de procesos”.
Introducción:
En esta sección y en las dos unidades siguientes aprenderás a modelar y simular procesos químicos, considerando a los procesos químicos dentro del modelado de sistemas determinísticos, además como continuos , y podrán ser estáticos y/o dinámicos, en esta unidad, como primera etapa se considerará el modelado estático de dichos procesos , es decir determinísticos, continuos y estáticos. Cabe mencionar que en un modelado estático sólo se consideran ecuaciones algebraicas.

Instrucciones:
1.Realiza la lectura de "Introducción a la simulación de procesos”.
2.Identifica las características del modelado de los procesos químicos.
3.Realiza un documento que incluya una descripción de lo que entendiste acerca del punto dos, además responde a las siguientes preguntas: ¿Por qué los procesos químicos se consideran determinísticos, continuos, estáticos y/o dinámicos?, ¿Se pudieran considerar modelados estocásticos de los procesos químicos? Justifica las respuestas.
4.Reporta tu documento con el nombre: Apellido_nombre_deterministicos.
5.Espera la retroalimentación de tu asesor(a).













Cuando hablamos de un proceso químico esta nos relacionamos con los balances de materia y energía de dicho proceso, los simuladores de procesos es una de las herramienta más importante, junto a las técnicas de optimización. Con la ayuda de los simuladores podemos proponer algunos valores de entrada para así obtener los valores de salida del proceso y así ver el comportamiento del proceso a las condiciones propuestas.
Las herramientas de simulación pueden clasificarse según diversos criterios, por ejemplo, según el tipo de procesos (batch o continuo), si involucra el tiempo (estacionario o dinámico -incluye a los equipos batch-), si maneja variables estocásticas o determinísticas, variables cuantitativas o cualitativas, etc.
El modelado de procesos implica la construcción de un modelo matemático mediante la descripción de sus relaciones físicas y química fundamentales.  Los modelos ayudan en la toma de decisiones para conseguir que sean mejores, más rápidas y más seguras reduciendo con ello la incertidumbre.
·         ORIENTADA A ECUACIONES
En este caso todas las ecuaciones del modelo, algebraicas no lineales y diferenciales, se integran en un único conjunto y se resuelven simultáneamente. Este esquema es más flexible que el Secuencial-Modular, sin embargo requiere más esfuerzo de programación y se consumen más recursos de computación.

dx/dt= f(u,x,dp)

l  Módulos Simultáneos
Esta estrategia de solución combina los Módulos Secuenciales y Solución Orientada a Ecuaciones. Modelos rigurosos de las operaciones unitarias son resueltos secuencialmente, mientras que modelos lineales son resueltos globalmente para interconectar los resultados de cada módulo. Este parece ser el enfoque que a futuro se dará en los simuladores comerciales.

DOF= Nv - Neq

l  Nv número de variables
l  Neq número de ecuaciones independientes

¿Por qué los procesos químicos se consideran determinísticos, continuos, estáticos y/o dinámicos?
v  Determinístico: Si el sistema no contiene ningún elemento aleatorio es un sistema determinístico.  En este tipo de sistema, las variables de salidas e internas quedan perfectamente determinadas al especificar las variables de entrada, los parámetros y las variables de estado. Es decir, las relaciones funcionales entre las variables del sistema están perfectamente definidas. El calentador eléctrico estudiado es un sistema determinístico.
v  Estocástico: En este caso algún elemento del sistema tiene una conducta aleatoria. Entonces, para entradas conocidas no es posible asegurar los valores de salida. Un ejemplo de sistema estocástico es una máquina tragamonedas en la cual una misma acción (tirar la palanca) genera un resultado incierto (ganar o perder). Cuando un sistema determinístico es alimentado con entradas estocásticas, la respuesta del sistema es también estocástica. Por ejemplo, la temperatura ambiente es una variable estocástica que afecta la respuesta del calentador eléctrico. En el mundo real, los sistemas siempre tienen elementos estocásticos ya sea por su propia naturaleza o porque son fenómenos no comprendidos actualmente; por ejemplo, a un cavernícola le podía parecer que las eclipses eran fenómenos aleatorios, hoy ellas son predichas. Sin embargo, se puede considerar a un sistema real con un sistema determinístico si su incertidumbre es menor que un valor aceptado.
v  Continuo: Se tiene un sistema continuo cuando las relaciones funcionales entre las variables del sistema sólo permiten que el estado evolucione en el tiempo en forma continua (basta que una variable evolucione continuamente). Matemáticamente, el estado cambia en infinitos puntos de tiempo. El recipiente del calentador es un subsistema continuo porque tanto M como T evolucionan en forma continua durante la operación del sistema.
v  Discreto: Se tiene un sistema discreto cuando las relaciones funcionales del sistema sólo permiten que el estado varíe en un conjunto finito (contable) de puntos temporales. Las causas instantáneas de los cambios de estados se denominan eventos.  El interruptor del calentador es un subsistema discreto porque la intensidad I sólo puede variar en los instantes que se abre o se cierra el interruptor. La apertura y el cierre del interruptor son eventos. Un sistema continuo puede comportarse en forma discreta si las entradas son discretas. Los sistemas reales son combinaciones de continuos y discretos. La forma de tratarlos se adopta de acuerdo a la característica dominante.
v
¿Se pudieran considerar modelados estocásticos de los procesos químicos?

No, como su nombre lo indica, ciertas variables estarán sujetas a incertidumbre, que podrá ser expresada por funciones de distribución de probabilidad. En este caso, por lo tanto, también los resultados del modelo estarán asociados a una ley de probabilidad.

BIBLIOGRAFÍA:

miércoles, 6 de abril de 2016

Pruebas de la bondad de ajuste.

La bondad de ajuste de un modelo describe lo bien que se ajusta un conjunto de observaciones. Las medidas de bondad en general, resumen la discrepancia entre los valores observados y los K valores esperados en el modelo de estudio. Tales medidas se pueden emplear en el contraste de hipótesis, el test de normalidad de los residuos, comprobar si dos muestras se obtienen a partir de dos distribuciones idénticas ( test de Kolmogorov-Smirnov), o si las frecuencias siguen una distribución específica ( chi cuadrado).
Si el analista desea conocer el comportamiento, es necesario modificar la forma de presentación de datos y presentarla como tablas de frecuencia, con la finalidad de realizar cualquiera de las siguientes pruebas:
                               
* Prueba de bondad de ajuste  X2
 Prueba de Kolmogorov-Smirnov

Prueba de bondad de ajuste  X2

Esta prueba se utiliza para encontrar la distribucion de la probabilidad de una serie de datos.La metodologia de la prueba X2 es la siguiente:

          1.Se colocan los n datos historicos en una tabla de frecuencias de 
intervalos, Se obtiene la frecuencia observada en cada intervalo i(FOj). Se calcula la media y la variancia de los datos.

2.       Se propone una distribucion de pobabilidad de acuerdo con la forma de la tabla de frecuencias obtenida en el paso 1.
3.       Con  la distribucion propuesta, se calcula la frecuencia esperada para cada uno de los intervalos (FEi) mediante la integracion de la distribucion propuesta y su posterior multiplicacion por el numero total de datos.
4.       Se calculo el estimador:

5.       Si el estimador C es menor o igual al valor correspondiente X2 con m-k-1 grados de libertada (k= numero de parametros estimados de la distribucion) y a un nivel de confiabilidad de 1-α, entonces no se puede rechazar la hipotesis de que la informacion historica sigue la distribucion propuesta en el punto 2.

Mediante la prueba X2 determine el tipo de distribución de probabilidad que sigue la demanda de automóviles a un nivel del 95%, si a través del tiempo se ha registrado el comportamiento consigna en la figura 1.13.
Obtenga la tabla de frecuencias d la figura 1.13 considerando 7 intervalos y cauntificando la frecuencia para cada uno de ellos:


  











La distribución de probabilidad esperada que se propone, observando los datos de FO, es una distribución uniforme entre   a = 0 y b = 13 y automóviles por día, o sea:
Integrando la función:


Donde:
LI: Limite Inferior de cada intervalo.
LS: Limite Superior de cada intervalo.
Sustituyendo valores para obtener F(x) y multiplicándolos por es total de datos, se obtiene FE para cada intervalo.

Calculando el estadístico C con los datos FEi y FOi se obtiene:
C=4.092
El valor C=4.092, comparado con el valor de la tabla X5%,6=12.59, indica que no podemos rechazar que los datos anteriores se comportan de acuerdo a una distribución uniforme entre 0 y 13 automóviles demandados por día con un nivel de confianza del 95%, entonces:

Demanda= U (0,13) automoviles/dia 

Prueba de Bondad de Ajuste de Kolmogorov-Smirnov

Si el objetivo es encontrar el tipo de distribucion deprobabilidad de una serie de datos, esposible utilizar la prueba de bondad de ajuste de Kolmogorov-Smirnov, la cual, comparandola con la de X2, es mas eficiente en varios aspectos ya que trabaja con la distribucion de probabilidad acumulada. La metodologia es la siguiente:
      1.      Se colocan los n datos históricos en una tabla de frecuencias con nidsks. Para cada interval   o se tendrá la frecuencia observada i (FOi). Se calcula la media y la varianza de los datos.
       2.       Se divide la frecuencia observada da cada intervalo por el número total de datos a este resultado, para obtener la probabilidad observada(POi).
       3.       Se calcula la probabilidad acumulada observada de cada intervalo (PAOi) del paso 2.
       4.       Se propone una distribución de probabilidad de acuerdo con la forma de la tabla de frecuencias obtenida en 1. 
       5.       Con la distribución propuesta se calcula la probabilidad esperada para cada uno de los intervalos (PEi).  Mediante la integración de la distribución propuesta.
       6.       Se calcula la probabilidad acumulada esperada  (PAEi) para cada intervalo de la clase.
       7.       Se calcula el valor absoluto entre PAOi y PEOi para cada intervalo y se selecciona la máxima diferencia, llamándola DM 
       8.       El estimador DM se compara con el valor límite correspondiente con n daos y a un nivel de confiabilidad de 1-α . Si el estimador DM es menor o igual al valor límite de la tabla en función del nivel de significancia y del tamaño de la muerta, no se puede rechazar que la información histórica sigue la distribución propuesta en el paso 4.

Ejemplo:

Mediante la prueba de Kolmogorov determine el tipo de distribución de probabilidad que siguen los datos del ejemplo anterior, con un nivel de confianza del 95%. Obtenga la tabla de frecuencias, considerando 7 intervalos:
La distribución de probabilidad esperada que se propone, según los datos de la columna FO, es una distribución uniforme entre 0 y 13 automóviles por día, o sea:
Integrando la función:
Donde:
LS: Limite Superior de cada intervalo.
Evaluando la ecuacion anterior, se obtiene la tabla siguiente:
Al obtener la diferencia término a término entre PEA y POA, se tiene:

El valor DM es igual a la máxima diferencia, o sea 0.0694, que comparándolo contra el valor de  d5%,41=0.2123 indica que los datos anteriores siguen una distribución uniforme entre 0 y 13 automóviles demandados por día, con un nivel de confianza del 95% por lo tanto:
Demanda= U (0,13) automoviles/dia

Bibliografía

Reza M., García E. (1996). Simlulación y análisis de modelos estocásticos. México: MacGraw-Hill.