MODELOS MATEMÁTICOS

1. SISTEMAS

Ejemplo
Un sistema fisicoquímico comprende a un conjunto de
procesos físicos y químicos que interactúan entre sí, y a
equipos, instrumentos y materiales que lo hacen posible.
Como un ejercicio sencillo se tiene el proceso de transferencia
de calor de un bloque metálico que tiene una temperatura de
300⁰C, con otro bloque metálico que tiene temperatura
ambiente. Si el propósito es estudiar la transferencia de calor
entre ambos bloques, entonces se deberá seleccionar como
sistema uno solo de los bloques, de modo que en el borde del
sistema se registre la transferencia de calor. Si se selecciona
como sistema a ambos bloques, entonces no se aprecia la
transferencia de calor en el borde del mismo; es decir esta
selección es incorrecta. Por ello, anteriormente se ha
establecido que la definición del sistema es arbitraria en
función de los objetivos del estudio.
Como se ilustra en la figura adjunta, todo sistema tiene información
de entrada y salida así como perturbaciones. La información de entrada
puede ser la temperatura, presión y composición de materias primas; la
salida en cambio, puede ser la temperatura, presión y composición de
productos. Adicionalmente, existe información no deseada que ingresa
al sistema denominado perturbaciones. Como ejemplo de
1
perturbaciones se tienen cambios en la composición de los materiales,
afectada por la presencia de materias extrañas tóxicas.

Para compensar las perturbaciones usualmente los procesos son

controlados mediante la manipulacion de ciertas variables.
Los sistemas pueden ser de pequeña o gran escala. Un sistema de
pequeña escala se limita a un solo proceso. Un sistema de gran escala
esta conformado por un conjunto de sistemas de pequeña escala. Sus
principales caracteristicas son: (1) integridad, es decir, que deben
satisfacer varios objetivos simultáneamente; (2) gran escala y
multiplicidad de funciones; (3) comportamiento complejo; (4) aspectos
conflictivos que tienden a reducir la eficiencia del sistema.1
2. BASES SOBRE MODELOS

Por ejemplo, las maquinarias, las maquetas que construyen los

arquitectos son modelos físicos que representan sus proyectos.

2
 En términos generales los modelos se pueden clasificar en físicos
y en matemáticos. Por ejemplo, si se estudia tratamiento de una agua
en un espesador, se puede construir un pequeño tanque agitado para
evaluar en pequeña escala la tecnología propuesta. Este tanque agitado
constituye un modelo físico de un espesador comercial, que
regularmente tiene grandes dimensiones. Pero, también sobre este
problema se puede formular un modelo matemático que permita
conocer el comportamiento de la floculación de elmentos indeseables
en el espesador.
En muchos casos los modelos físicos son construídos para generar
información que permita comprender los procesos involucrados en el
sisitema bajo estudio y, a su vez, proveer información para la
formulación de modelos mtemáticos y su evaluación.
3. MODELOS FÍSICOS

Los datos experimentales obtenidos se arreglan involucrando

grupos adimensionales que resultan de combinar propiedades de los
fluidos, factores geométricos del sistema y coeficientes de transporte.
Esta presentación mediante grupos adimensionales posibilita la
generalización de los modelos a procesos que guarden determinados
criterios de similitud, es decir, que mantengan constantes los valores de
los grupos adimensionales. Los grupos adimensionales pueden ser
derivados a partir de modelos fenomenológicos o mediante el análisis
dimensional (método de Rayleigh o Teorema de Buckingham).
El modelamiento físico consiste en encontrar los mismos criterios
de similitud para el modelo y el proceso real. Usualmente se parte de un
modelo físico pequeño a escala laboratorio y gradualmente se va
aumentado su tamaño, de modo que se mantengan los criterios de
similitud. A este procedimiento se le llama escalamiento, es decir,
cambiar la escala de experimentación.

3
 El modelamiento físico ha mostrado su utilidad para el análisis de
procesos determinísticos relativamente sencillos donde se tienen pocos
factores adimensionales, como por ejemplo en el flujo de fluidos o el
transporte de calor en fluidos en una sola fase. Para procesos más
complejos, el análisis dimensional es impracticable debido a las
contradicciones que se generan entre los criterios de similitud.
Como resultado del modelamiento físico se obtienen ecuaciones
semi-empíricas, que luego pueden ser incorporadas a modelos
matemáticos.
4. CRITERIOS DE SIMILITUD
Los criterios de similitud se refieren a las relaciones existentes
entre sistemas físicos de diferentes tamaños. Se pueden identificar los
siguientes tipos de similitudes:
 Geometría
 Mecánica
 Térmica
 Química

4
 Se dice que dos cuerpos son geométricamente similares cuando a
cada punto de uno de los cuerpos le corresponde uno equivalente en el
otro cuerpo. Por ejemplo si se tiene dos tanques verticales, el primero
tiene un diámetro de 30 cms y una altura de 60 cms; el segundo tiene
un diámetro de 2 m y una altura de 4 m. En ambos tanques la relación
altura versus diámetro (L/D) es igual a dos, lo que indica que los
tanques son geométricamente similares.
La similitud mecánica puede ser estática, cinemática o dinámica.
La similitud estática se aplica a sólidos y se dice que dos cuerpos son
estáticamente similares entre sí, siendo geométricamente similares,
cuando son sometidos a esfuerzos constantes, su deformación relativa
es tal que permanecen geométricamente similares.
La similitud cinemática se refiere a sistemas en movimiento.
Sistemas geométricamente similares son también cinemáticamente
similares cuando partículas correspondientes trazan rutas
geométricamente similares en tiempos correspondientes similares. Es
decir, dos sistemas son cinemáticamente similares si sus patrones de
flujo son iguales. El patrón de flujo se evalúa con el Número
Adimensional de Reynolds:

𝐍𝐑𝐞 = d u ρ /µ
Siendo:
d el diámetro del ducto o alguna longitud característica,
en m

5
 u velocidad lineal en m/s

ρ densidad del fluido, en kg/𝑚3

µ Viscosidad, en Pa.s

La similitud dinámica se refiere a las fuerzas actuantes sobre un

sistema conformado por partículas sólidas o fluidos. Dos sistemas que
representan similitud geométrica y cinemática son dinámicamente
semejantes cuando las razones de las fuerzas que actúan sobre ellos son
iguales Es decir, las razones de fuerzas que ocurren en el modelo físico
y el equipo son constantes.

F1᾿/ F2᾿ = F1 / F2
siendo las F᾿ correspondientes al modelo y las F al equipo.
En sistemas de flujo de fluidos, la similitud dinámica es de
importancia directa cuando se desea predecir caídas de presión o
consumo de energía.
La similitud térmica ocurre cuando dos sistemas geométricamente
similares, presentan relaciones de gradientes de temperatura
correspondientes y, si se encuentran en movimiento, son
cinemáticamente similares.

5. MODELOS MATEMÁTICOS

En el desarrollo de la Ingeniería se ha demostrado la gran utilidad

de los modelos matemáticos para el estudio de los fenómenos físico-
químico. Dado que en muchos casos los modelos pueden resultar
sumamente complejos en su resolución, es frecuente simplificarlos. Es
decir, los modelos caricaturizan al objeto, destacando sus rasgos más

6
importantes. El éxito de un modelo matemático consiste precisamente
en la selección adecuada de aspectos básicos del proceso, de modo que
sin pecar de detallista el modelo presente con precisión aceptable el
comportamiento del sistema. Durante el modelamiento se toman un
conjunto de decisiones, por ejemplo, sobre la selección de las variables
relevantes, de las simplificaciones a realizar, de los métodos de cálculo
a emplear, etc. Cada una de estas decisiones debe ser posteriormente
revisada para evitar contradicciones y alcanzar la representación
adecuada del sistema.
Lamentablemente para muchos fenómenos estudiados por los
ingenieros no existen modelos genéricos apropiados, como por ejemplo
en las reacciones catalíticas heterogéneas. Entonces, se requiere
experimentar en el laboratorio cada caso e interpretar los resultados
obtenidos para formular modelos matemáticos empíricos o semi-
empíricos.
Cuando a partir de la teoría sobre un sistema no pueden generar
modelos matemáticos adecuados, es necesario recurrir al trabajo en
laboratorio. Los experimentos pueden ser usados para proveer
información para la construcción del modelo o también para verificar la
validez del mismo.
Ejemplo.
Se pueden hacer pruebas experimentales para establecer el
comportamiento reológico de una mezcla de fluidos, e que es esencial
para determinar sus características de flujo. A partir de los resultados
obtenidos se formularan ecuaciones que correlacionen las variables de
composición de la mezcla con aquellas referidas al flujo de la misma. Otro
ejemplo, consistiría en la formulación de una ecuación semi-empírica que
describa la cinética de extracción de los glico-alcaloides del tarwi a partir
de ensayos en laboratorio. Al estudiar la dispersión de contaminantes
gaseosos en la atmosfera se encuentran con modelos teóricos que
describen este fenómeno. Sin embargo, el ingeniero deberá verificar la
validez de dichos modelos tomando muestras según normas y
contrastando los resultados predichos por el modelo con aquellos
obtenidos mediante el muestreo.

Un modelo es válido cuando existe una discrepancia aceptable

entre los datos generados por el mismo y aquellos medidos a partir del
sistema físico que representa. Si no se logra congruencia entre estos
resultados, hay que reiniciar la investigación, para determinar las causas

7
de tal divergencia y, reajustar el modelo o emplear un modelo
alternativo.
Para formular un modelo matemático es requisito dominar los
fundamentos de ingeniería; para resolver el modelo hay que conocer
técnicas matemáticas y estadísticas y, en muchos casos, aplicar la
computación.
6. TIPOS DE MODELOS MATEMÁTICOS
Desde el punto de vista de su origen de los modelos matemáticos se
clasifican en:
 Empíricos
 Semi-empíricos, y
 Fenomenológicos.
Los modelos empíricos son generados usualmente ajustando datos
experimentales a funciones matemáticas arbitrarias, como en regresión,
en la que se aplican principios estadísticos. Los diseños factoriales de
experimentos también generan modelos empíricos. Los modelos semi-
empíricos toman como referencia los fundamentos físico-químicos pero
son recogidos para controlar con pruebas experimentales. La gran
mayoría de modelos ingenieriles caen en esta categoría. Existen
múltiples ejemplos, como las funciones para determinar los coeficientes
de transferencia de calor o de transporte de masa o para calcular la
caída de presión debida al flujo en un lecho poroso. Los modelos
fenomenológicos se infieren a partir de los principios científicos que
sustentan un determinado proceso. Como ejemplo, se puede citar a la
ecuación de estado virial.

8
 Si se considera el aspecto temporal los modelos pueden ser: en
estados estacionarios y dinámicos. Los modelos en estado estacionario
no toman en cuenta las variaciones con el tiempo y se aplican a
sistemas de procesamiento continuo. Los modelos dinámicos, en
cambio, tienen como variable fundamental el tiempo y se aplican a
procesos discontinuos y a modelos para el control de procesos.
7. DESARROLLO DE MODELOS MATEMÁTICOS
En el desarrollo de los modelos matemáticos se presentan las
siguientes etapas:
 Formulación.
 Resolución
 Validación, y
 Uso para predicciones, es decir, simulación.

Los pasos a seguir en el desarrollo de los modelos matemáticos

son:
PASOS EN EL DESARROLLO DE ETAPAS
MODELOS
1. Definición del sistema. En lo posible
hacer un diagrama del mismo, indicando
las variables independientes y
dependientes.
2. Aplicación de balances de masa,
momento, energía mecánica, etc. FORMULACIÓN
3. Simplificación de balances, según
asunciones, determinando que variables
son importantes.
4. Verificación de consistencia dimensional
de ecuaciones, para detectar errores en
modelos o en unidades empleadas.
5. Transformación a variables
adimensionales (si se ve por
conveniente), para simplificar la
resolución del modelo.
6. Desarrollo de ecuaciones FORMULACION
complementarias: modelos cinéticos,
correlaciones de equilibrio, etc.
7. Determinación del algoritmo que
establece una secuencia especifica de
pasos a tomar para resolver el modelo.
9
8. Selección de métodos para resolución, en RESOLUCIÓN
lo posible analíticos; caso contrario, usar
métodos numéricos apropiados.
9. Resolución del modelo, siguiendo el
algoritmo y aplicando los métodos de
cálculo seleccionados.
10. Análisis de resultados, comparando los
valores calculados con los
experimentales y estableciendo bajo qué VALIDACIÓN
condiciones existen discrepancias.
11. Evaluación del modelo, haciendo un
análisis de consistencia de las asunciones
y ajustando parámetros si no hay
concordancia en paso 10, hasta lograrla.
12. Simulación con el modelo, aplicando el
modelo a nuevas situaciones. En el caso SIMULACIÓN
de modelos empíricos la extrapolación es
muy incierta.

8. PROCESOS BÁSICOS
Los procesos básicos se pueden clasificar en determinísticos y
estocásticos. En un proceso determinístico las variables de salida más
representativas dependen unívocamente y mediante funciones
claramente identificables de las variables de entrada, como por ejemplo,
la transferencia de calor por conducción.

10
 Un proceso estocástico o aleatorio se caracteriza porque las
variables de salida no dependen directa ni nítidamente de las variables
de entrada. Los modelos estocásticos se basan en la teoría de las
probabilidades y estadística. Como ejemplos se pueden citar el flujo
turbulento de mezclas de fluidos o la desactivación de catalizadores
heterogéneos por efecto de envejecimiento. Existe la tendencia a dar
importancia creciente a los procesos estocásticos, como en la
termodinámica molecular.
En Ingeniería de Procesos se identifican procesos físico-químicos
fundamentales que ocurren en equipos específicos. Se pueden distinguir
las siguientes las siguientes clases de procesos básicos: hidrodinámicos,
térmicos, difusionales, mecánicos y químicos.
Por ejemplo, los procesos difusionales son: absorción, destilación,
extracción, adsorción y desorción, disolución y cristalización, secado,
intercambio iónico, etc.
9. MODELOS MATEMÁTICOS EN INGENIERÍA DE
PROCESOS
Para formular modelos matemáticos en Ingeniería de Procesos se deben
aplicar los siguientes fundamentos:
1. El concepto de balance, ya sea de masa, de energía, de momento,
de población, etc. Los balances pueden ser macroscópicos o
diferenciales, pueden referirse al estado estacionario o al
transitorio, a sistemas abiertos o cerrados.
2. Los fenómenos de transporte de calor, de masa y cantidad de
movimiento.
3. El concepto de equilibrio y su aplicación a procesos por etapas
como destilación, extracción y absorción.
4. La cinética de reacciones químicas y de operaciones fiscas.
5. Propiedades físico-químicas de los materiales involucrados en
función de las variables del proceso, como presión, temperatura,
concentración, etc.
6. El concepto de estabilidad y su aplicación en control de procesos.
7. Las técnicas de optimización.
Conociendo los fundamentos de Ingeniería se pueden formular
modelos matemáticos. Luego, con aplicación de la matemática, se
rearregla el modelo hasta una forma en que pueda ser resuelto ya sea
analítica o numéricamente (con auxilio del computador). Para ello es

11
frecuente la aplicación del algebra, cálculo, y ecuaciones
diferenciales. Hay que corroborar los resultados que ofrece el
modelo matemático para asegurar consistencia con la realidad. La
belleza de la matemática está en la consistencia y en la lógica.
Ocurre en muchos casos que los modelos matemáticos son
complejos, en cuyo caso su resolución es imposible o muy
engorrosa. En tal situación se recurre a los métodos numéricos que
deben ser adecuadamente programados en computador. Hoy en día
se tienen diversos utilitarios con librerías de métodos numéricos,
facilitando el trabajo. Sin embargo, para modelos complejos, en los
que se aplican diversos métodos numéricos enlazados entre sí puede
resultar más conveniente la programación específica para el
problema en cuestión.
10. EJEMPLO DE MODELAMIENTO FÍSICO
Formulación del sistema
Se trata de determinar a partir de trabajo experimental la curva
característica de un sistema agitado. La geometría del sistema es la
siguiente; se tiene un tanque en el que la altura del fluido es 1,5
veces el diámetro del tanque (L/Dt = 1,5). El tanque tiene cuatro
deflectores igualmente espaciados con un espesor 1/12 del diámetro
del tanque. El impulsor es de tipo turbina de disco con 6 paletas
rectas inclinadas en 30°. El diámetro del impulsor es 0,40 veces el
diámetro del tanque (D/Dt = 0,40). La altura de cada paleta es de 1/6
del diámetro del impulsor. El impulsor se coloca a una altura del
fondo equivalente a un diámetro del tanque.
Marco Conceptual
A partir de un balance de cantidad de movimiento en un sistema
agitado se determina que el Número de Potencia es función del
Número de Reynolds y del Número de Froude. Cuando las fuerzas
gravitacionales no son significativas, como cuando se rompe el
vórtice por efecto de deflectores, el Número de Froude se puede
ignorar. En sistemas agitados se tienen las siguientes definiciones:
Numero de Reynolds: 𝐷2 N ρ /µ
Numero de Potencia: P/ (ρ𝑁 3 𝐷5 )
Siendo:

12
 D: diámetro del tanque, m
N: velocidad de rotación, s-1
P: Potencia, W
ρ: densidad, kg/m3
µ: viscosidad, Pa

Estrategia Experimental
Se dispone de un equipo de laboratorio con las características
geométricas indicadas anteriormente. Se experimenta con cuatro
fluidos para obtener valores diferentes del Número de Reynolds. A
la temperatura de operación se evalúan la densidad y viscosidad de
los fluidos. Durante la operación del equipo agitado se mide la
velocidad de rotación del eje con un tacómetro óptico. La potencia
consumida por el fluido se evalúa con un vatímetro.
Resultados Experimentales
Los resultados experimentales reportados son los siguientes:

FLUIDO DENSIDAD VISCOSIDAD VELOCIDAD POTENCIA

A.OLIVA 919.00 84.00 8.00 1.00
919.00 84.00 80.00 10.00
919.00 84.00 88.00 20.00
A. SOYA 919.00 40.00 21.00 3.00
919.00 40.00 41.00 23.00
LECHE 1030.00 2.12 12.00 1.00
1030.00 2.12 12.00 1.00
AGUA 1000.00 1.02 13.00 1.00
1000.00 1.02 21.00 4.00
1000.00 1.02 13.00 12.00

13
Cálculos
En función de los resultados experimentales del acápite anterior
se calculan los números de Reynolds y de Potencia.
Asimismo, se ajusta un polinomio cuadrático y otro cúbico. En
la tabla se aprecia que el polinomio cúbico es mucho más preciso
que el cuadrático. Realizando una evaluación estadística es aceptado
con probabilidad superior al 99%, de acuerdo a la prueba de Fisher.
Las columnas POL2 y POL3 contienen los valores calculados del ln
(NP), con los polinomios cuadrático y cúbico, respectivamente. La
columna que indica DESV3 CUADR, contiene el valor de las
desviaciones entre los valores experimentales y los calculados con el
polinomio cubico elevadas al cuadrado.

REY- NRO. LN(RE) LN(NP) POL2 POL3 DESV3

NOLDS POT. CUAD
R.
219 6.80 5.39 1.92 1.51 1.90 0.00

820 1.29 6.71 0.25 0.59 0.32 0.00

1039 1.27 6.95 0.24 0.47 0.21 0.00

1207 1.13 7.10 0.12 0.40 0.16 0.00

2354 1.16 7.76 0.15 0.15 0.10 0.00

14575 1.80 9.59 0.59 -0.02 0.50 0.01

31862 1.46 10.37 0.38 0.14 0.50 0.01

51470 1.38 10.85 0.32 0.31 0.33 0.00

Conclusión
La ecuación cubica que representa este sistema, calculada con
auxilio de MATLAB, es:

14
 Esta ecuación servirá para escalar o extrapolar los resultados del
laboratorio a nivel comercial, permitiendo calcular la potencia de la
instalación correspondiente.
Apreciaciones sobre el Ejemplo
Existen otras múltiples formas de ajustar funciones a los datos
experimentales generados. Por ejemplo se podrían ajustar funciones
doble logarítmicas lineales por segmentos, pudiendo lograrse un
ajuste igualmente bueno.

15
 11. EJEMPLO DE MODELO MATEMÁTICO:
RESPUESTA DINÁMICA DE UN
TERMÓMETRO
Definición del sistema y simplificaciones
Este ejemplo desarrolla un modelo fenomenológico. Se trata de
formular un modelo matemático que describa el cambio de
temperatura en el bulbo de un termómetro (o termocupla).
Entonces el sistema estaría definido por el bulbo del
termómetro. Se realizan las siguientes simplificaciones:
a) El coeficiente de transferencia de calor entre el
bulbo y el fluido es constante.
b) La transferencia de calor entre el fluido y el bulbo es
más lenta que entre el bulbo y el resto de mercurio que hay en
el termómetro.
c) Las demás propiedades del sistema son constantes.
Balance de Calor
Aplicando un balance térmico sobre el bulbo se determina:
ENTRADA + PRODUCCION = SALIDA + ACUMULACION
El calor no se produce y, por la asunción (b), tampoco hay salida de
calor, por lo que el balance se simplifica a:
ENTRADA = ACUMULACIÓN (1)
Vale decir:
𝑑
hA(𝑇𝑎 – T) = [𝑚𝐶𝑝 (𝑇 − 𝑇𝑟𝑒𝑓 )] (2)
𝑑𝑡

donde:

𝑇𝑎 temperatura inicial de fluido

𝑇 temperatura del fluido en un tiempo cualquiera
𝑇𝑟𝑒𝑓 temperatura de referencia, fijada según conveniencia
h coeficiente de transferencia de calor entre el fluido y el
bulbo
𝐶𝑝 calor especifico dl material del bulbo

16
𝐴 área de transferencia de calor en el bulbo
𝑚 masa del bulbo
𝑡 tiempo
El término de la izquierda representa la entrada de calor al bulbo
por convección. El término de la derecha es la acumulación de calor
en el bulbo. Redondeando términos se obtiene la ecuación
diferencial.
𝑑𝑇
k + T= 𝑇𝑎 (3)
𝑑𝑡

donde K= m Cp/ (hA) se denomina constante de tiempo y

determina la dinámica del proceso.
Resolución del Modelo
Al ser resuelta por separación de variables, esta ecuación se
transforma en la ec. (4):
Mediante este modelo matemático sencillo se determina la
variación de la temperatura en el bulbo del termómetro en función
del tiempo. Si se trata con agua como fluido, entonces el valor de k
es aproximadamente 8,5 segundos.

T = Ta + (𝑇0 − 𝑇𝑎 )𝑒 −𝑡/𝑘 (4)

Modelo con Variables Adimensionales

Este mismo modelo matemático se puede representar en
términos de variables adimensionales. Se definen las siguientes
variables adimensionales:
Temperatura adimensional u (Ta – T) / (Tv – Tref)
Tiempo adimensional z t/tf
donde tf se selecciona como un tiempo máximo que puede durar el
proceso. El efecto de sustituir estas variables adimensionales en la
ec. (1) es doble:
 Se simplifica la resolución de la ecuación diferencial
17
  El rango de variación de u y z es conocido, en este caso,
desde cero hasta uno.

𝑡
− 𝑘𝑎 𝑧
u=𝑒 (5)
El modelo resultante es equivalente al de la ec. (4). Para problemas más
complicados recurrir a variables adimensionales puede aliviar mucho la
resolución y evaluación del modelo.
Apreciaciones sobre el Ejemplo
El ejemplo planteado es muy simple y se requiere solamente la
resolución de una ecuación diferencial, generada a partir de un balance
de calor en estado no estacionario. Sin embargo, es útil para demostrar
la conveniencia de emplear variables adimensionales.
12. EJEMPLO DE MODELO MATEMÁTICO:
DESCARGA DE UN TANQUE CILÍNDRICO
Planteamiento del Problema
En este ejemplo se formularan varios modelos matemáticos
fenomenológicos alternativos, requiriendo algunas resoluciones
numéricas. Sea el sistema señalado en la figura 7. Un tanque cilíndrico
drenara a través de una tubería dispuesta verticalmente en el fondo del
mismo. La descarga del tanque se produce solo por efecto de la
gravedad. El líquido en el tanque es de viscosidad y densidad constante
(es decir, incomprensible, Newtoniano y operado en condiciones
isotérmicas).

18
Formulación de Modelo Básico
El volumen del tanque está dado por la ec. (6)
𝑣𝑟 = ᴨ𝑅2 h (6)
Siendo R el radio del tanque y h la altura del fluido.
El fluido volumétrico de salida del tanque se presenta en la ec. (7),
siendo t el tiempo transcurrido.
𝑑ℎ
𝑣= ᴨ𝑅2 (− ) (7)
𝑑𝑡

En cambio, el flujo volumétrico en la tubería de descarga del

tanque está dado por al ec. (8):

𝑣 =ᴨ𝑅0 2 𝑢0 (8)
donde 𝑅0 es el radio de la tubería de descarga y 𝑢0 la velocidad del
fluido al interior de esta tubería.
Realizando un balance de energía mecánica entre la superficie del
fluido contenido en el tanque y el punto inferior de la tubería de
descarga, asumiendo estado pseudo-estacionario par un fluido
incomprensible, se obtiene la ec. (9):
𝑃 𝑢2
−𝐿𝑊 − 𝑊 − ∆ ( + + 𝘨𝑧) = 0 (9)
𝜌 2
Donde:
LW trabajo perdido por fricción en la tubería y accesorios
W trabajo en el eje
u velocidad del fluido
P presión del fluido
ρ densidad del fluido
𝗀 aceleración gravitacional
Z altura estática del fluido
Las simplificaciones que se introducen al modelo son:
 La presión del fluido en la superficie del tanque y en la tubería de
descarga es atmosférica, luego no hay gradiente de presión.

19
  No hay trabajo ene l eje, pues no existe bomba o compresor en el
sistema.
 La velocidad en la superficie del fluido por la conocida ec. (10),
donde:
f factor de fricción de Fanning
Leq longitud equivalente, que incluye la contracción a la salida del
tanque y accesorios en la tubería.

𝐿𝑒𝑞 𝑢2
𝐿𝑊 = −4𝑓 (10)
2𝑅0 2

Sustituyendo la ec. (10) en la ec. (8), considerando las

simplificaciones indicadas y resolviendo para la velocidad, se obtiene la
ec. (11):

2𝘨(𝐿 + ℎ)
𝑢2 = (11)
𝐿𝑒𝑞
1 + 2𝑓
𝑅0

Esta ecuación se puede simplificar aún más si se desprecia el

coeficiente del denominador, entonces resulta la ec. (12):

𝘨(𝐿 + ℎ)𝑅0
𝑢2 = (12)
𝑓𝐿𝑒𝑞

La determinación del tiempo de descarga del fluido del tanque se

realiza a partir de igualar el flujo de descenso del líquido en el tanque
con el flujo de circulación por la tubería de descarga; es decir, las ecs.
(7) y (8). Resulta entonces la ec. (12). Esta es una ecuación diferencial,
que se puede transformar fácilmente en integral y explicita en t, ec.
(13):

20
 𝑑ℎ 𝑅
− 𝑑𝑡 = ( 𝑅0 )2 𝑢 (13)

Para resolver el modelo es necesario reemplazar una expresión para

u en función solo de h, en la ec. (13) e integrar.

𝑅
𝑡 = −( ) 𝑓𝑢−2 𝑑ℎ (14)
𝑅0

Modelamientos para Régimen Laminar

Para flujo laminar, el factor de fricción se calcula por la ec. (15)
donde, el Numero Adimensional de Reynolds 𝑁𝑅𝑒 se define mediante la
ec. (16)

16
𝑓= (15)
𝑁𝑅𝑒

Si se fusionan las ecs. (15) y (16) se obtiene una expresión para el

factor de fricción en función de la velocidad del fluido, ec. (16):

2𝑅0 𝑢𝜌
𝑁𝑅𝑒 = (16)
µ

Ahora la ec. (16) debe sustituirse en alguna expresión para

velocidad, vale decir las ecs. (11) o (12). Si, se sustituye en la ec. (12)
se formula la ec. (17).

8µ
𝑓= (17)
𝑅0 𝑢𝜌

Reemplazando la ec. (17) en la ec. (14) se obtiene la ec. (18):

21
 𝑅02 𝘨𝜌 (𝐿 + ℎ)
𝑢= (18)
16µ𝐿𝑒𝑞

16µ𝐿𝑒𝑞 𝑅2 𝐿 + ℎ1
𝑡= ln ( ) (19)
𝜌𝘨𝑅04 𝐿 + ℎ2
donde:
Leq longitud equivalente de tubería, que incluye accesorios
hl altura inicial del fluido en el tanque
h2 altura final del fluido en el tanque
Modelamiento para Régimen Turbulento con Ecuación de Blasius
El factor de fricción para Régimen Turbulento y tuberías lisas fue
correlacionado por Blasius, mediante la ec. (20):

0,0791
𝑓= 1/4
(20)
𝑁𝑅𝑒

Si esta ecuación se sustituye en la ec. (12) que representa la

velocidad, se obtiene la ec. (21).

1/7
2(𝐿+𝑅)4 𝑅05 𝘨4 𝜌
𝑢 = [(8)(0,0791)4 𝐿4 µ] (21)
𝑒𝑞

Reemplazando esta ecuación en la (14) y después de arreglar

resulta la ec. (22):

1/7
7 𝑅 2 0,00031318𝐿𝑒𝑞4 µ
𝑡= ( ) [ ] [(𝐿 + 𝐻2 )1/7
3 𝑅0 𝑅05 𝘨4 𝜌
− (𝐿 + 𝐻2 )1/7 ] (22)

22
Modelamiento para Régimen Turbulento con Ec. de Shacham
Shacham correlaciona los datos del factor de fricción mediante una
ecuación explicita para tuberías rugosas y régimen turbulento,
presentada en la ec. (23):

𝑒 / 𝐷 5,02 𝑒 / 𝐷 14,5 −2
𝑓 = [−2 log( − log [ + ])] (23)
3,7 𝑁𝑅𝑒 3,7 𝑁𝑅𝑒

e / D representa la rugosidad relativa.

Dada la complejidad de esta ecuación la resolución del modelo de
descarga de tanques debe ser iterativa, siguiendo los siguientes pasos:
1. Asumir un valor para la velocidad u en la tubería
2. Calcular el Número de Reynolds
3. Calcular el factor de fricción con la ec. (23)
4. Reemplazar el valor de f en ec. (11) o (12) para calcular u.
5. Verificar convergencia.
Una vez que se alcanza la convergencia se aceptan como válidos
los valores par u y f. Es necesario destacar que la velocidad es función
de la altura del fluido en el tanque por lo que el problema se
complejiza.
a) Integración Simplificada
La estrategia más simple es calcular el valor de u y f
correspondiente para la altura inicial en el tanque y también para la
final. Entonces se promedian los valores de f obtenidos. En la
integración este valor promedio se considera constante y se reemplaza
en la ec. (11), o (12). Combinando (12) con (14) e integrando se obtiene
la ec. (24):

𝑅 2 1 + 2𝑓(𝐿/𝑅0
𝑡 = 2( ) √ [(𝐿 + ℎ1 )1/2 − (𝐿 + ℎ2 )1/2 ] (24)
𝑅0 𝘨

23
b) Integración Rigurosa
En este caso no se simplifica el proceso de integración; sino que
se asume que el valor de f varía en cada punto de la integración.
Para resolver el modelo se puede trabajar como ecuación diferencial,
en cuyo caso se recomienda aplicar el método de Runge-Kutta-Gil
para la resolución. En caso de optar por una ecuación integral el
método de Simpson de cinco puntos daría suficiente precisión dado
que f varía monotónicamente.
El procedimiento iterativo propuesto es semejante al anterior:
asumir un valor de velocidad, calcular el Número de Reynolds,
calcular el factor de fricción y calcular u, hasta la convergencia. Para
integrar se propone el método de Simpson de cinco puntos aplicable
a la ecuación (24):

𝑅 ℎ2 1+2𝑓(𝐿𝑒𝑞 /𝑅0
𝑡 = ( )2 ∫ℎ1 √ 𝑑ℎ (25)
𝑅0 𝘨(𝐿+ℎ)

Recordando la integral de Simpson de cinco puntos se presenta

en la ec. (26):

𝑍
𝐼 = [𝑓(ℎ0 ) + 4𝑓(ℎ1 ) + 2𝑓(ℎ2 ) + 4𝑓(ℎ3 ) + 𝑓(ℎ4 )] (26)
3

Aquí z representa el ancho de paso

Validación del Modelo Matemático

A modo de ejemplo para la validación del modelo matemático
de la descarga de un tanque provisto de tubería de drenaje y
accesorios a la salida, se contrastan datos experimentales con los
valores predichos por la ec. (22). Mejores resultados se obtienen con
los otros modelos correspondientes al régimen turbulento, vale
decir, las ecs. (25) y (26).

24
Altura Tiempo Tiempo Error
Experimental Teórico

cm segundos segundos %
450 95 87 9,20
400 1982 1813 9,32
350 2874 2548 12,79
300 4360 3822 14,08
250 5714 5086 12,35
200 7252 6631 9,37
150 8971 8225 9,07
100 10223 9572 6,80
PROMEDIO 10,37

Apreciaciones sobre el Ejemplo

Este ejemplo, aunque aún sencillo, muestra una gran gama de
posibilidades para su resolución. La comparación con los datos
experimentales demuestra que el modelo más simple para el régimen
turbulento presenta una desviación del 10% aproximadamente. La
misma se puede reducir con un ajuste de parámetros o empleando
los otros modelos formulados.
Este ejemplo tiene múltiples posibilidades de complementación
para tanques de geometrías al cilindro y para fluidos no newtonianos
o suspensiones de sólidos en líquidos.

25
 DISEÑO DE EXPERIMENTOS

En toda investigación es esencial planificar apropiadamente la

experimentación, para garantizar resultados confiables a un costo
mínimo. A continuación se presenta la técnica del Diseño Factorial de
Experimentos en tanto es un método con fundamento estadístico de
amplia difusión entre los investigadores en el campo de la ingeniería.
Es particularmente útil cuando no se conoce el comportamiento del
sistema bajo estudio y no se tiene un modelo teórico que lo pueda
predecir. En esta situación el diseño factorial permite ajustar un modelo
matemático empírico.
Es importante recordar que si se tiene un modelo fenomenológico,
la experimentación deberá estar orientada a verificar su validez, tal
como se explica en capítulos anteriores.
Se inicia planteando aspectos básicos de la planificación
experimental y luego se desarrollan los fundamentos sobre el diseño
factorial, los principios en los que se basa, los modelos matemáticos
que podría generar y se explican y se ilustran con ejemplos diseñados
de primer y segundo orden.
1. PLANIFICACIÓN DE LA EXPERIMENTACIÓN
Una vez que se ha efectuado la conceptualización de la
investigación es decir, después de haber establecido el problema de
investigación, el marco conceptual, los objetivos, la justificación y la
hipótesis-, se conoce cuáles son los variables importantes que
gobiernan el sistema bajo estudio y se presumen ciertas relaciones entre
ellas. A estas alturas de la investigación, se sabe con qué información
valiosa se cuenta y que información complementaria es necesario
recopilar, vía la experimentación, para la validación de las hipótesis.
Entonces, al planificar la experimentación se deben definir los
siguientes aspectos:
a. Variables independientes y dependientes de interés.
b. Hipótesis a validar (presumible relación entre variables).
c. Métodos experimentales a emplear.
d. Equipos e instrumentos necesarios.
e. Técnicas para determinar el tamaño de la muestra y para
seleccionar sus elementos.
26
 f. Formatos para el registro de la información experimental.
g. Técnicas para sistematizar la información experimental.
h. Numero de ensayos a realizar.
i. Características de cada uno de los ensayos.
j. Modo de determinar el error experimental
k. Técnicas para formular modelos matemáticos.
En cada corrida o ensayo experimental se deben conocer los valores
que asumirán cada una de las variables independientes. Es necesario
decidir también el número de valores que asumirá cada variable.
En la planificación de la experimentación se puede distinguir dos
grupos de métodos:
 Métodos de Búsqueda.
 Métodos Pre-establecidos.
En los Métodos de Búsqueda se opera por prueba y error. Es decir,
se diseña un experimento y en función de su resultado se establece el
siguiente ensayo, de modo que por tanteos o aproximaciones sucesivas
se buscan las mejores condiciones, definiendo en función de los
resultados anteriores los valores que deberán tomar las variables
independientes. Así, se puede llegar rápidamente a encontrar el óptimo
de funciones sencillas, con pocas variables independientes.
En los Métodos Pre-establecidos, como el caso del Diseño Factorial
de Experimentos, se estructura una matriz experimental, asignando a
cada variable ciertos valores definidos con anticipación. Los resultados
obtenidos en el curso de la experimentación no cambian la matriz de
diseño planteada inicialmente. Estos métodos son particularmente
apropiados para cuando se tiene un número elevado de variables
independientes.
Una aproximación clásica a la experimentación es cambiar el valor
de una variable independiente mientras todas las demás permanecen
constantes. Por ejemplo si se investiga la extracción de colorantes se
varia la temperatura mientras se mantienen constantes el tamaño de
partícula, la relación solvente/soluto y la velocidad de agitación. El
problema de este enfoque es que no se pueden determinar las
interacciones entre las variables. Se ha demostrado las ventajas de
cambiar simultáneamente los valores de las variables independientes,
pues se logra cubrir una porción más amplia de la superficie de
respuesta.

27
 Los investigadores identifican las siguientes etapas en una
investigación:
1. Familiarización: el investigador toma contacto y asimila las
técnicas de experimentación así como los métodos de análisis y
muestreo hasta que gane confianza en su trabajo evitando la
ocurrencia de errores sistemáticos.
2. Selección de Variables: a partir de la revisión bibliográfica sobre
el problema bajo investigación y a la luz de los objetivos del
proyecto se asumen en conjunto de variables que podrían tener
un efecto significante sobre el fenómeno bajo estudio. El trabajo
experimental deben permitir discriminar de este conjunto las
variables que efectivamente serán significativas.
3. Optimización: esta etapa debe establecer los valores de cada una
de las variables significantes que arrojen un valor máximo o
mínimo, según el caso, de la variable respuesta del sistema.
4. Formulación de Modelos: se trata de obtener una función
matemática que relaciona las variables independientes con la
variable dependiente de modo que pueda aplicarse esta función al
diseño de procesos.
2. EL DISEÑO FACTORIAL DE EXPERIMENTOS

Si se concibe un sistema experimental como una caja negra sobre la

que actúan variables manipulables o factores que el investigador puede
fijar a voluntad, obteniéndose por resultado respuestas o variables de
salida que el investigador puede evaluar. Además están presentes en el
sistema perturbaciones o variables no controlables que dan lugar a
errores sistemáticos y aleatorios que tienden a enmascarar los efectos
de los factores sobre las respuestas.
El propósito de todo experimento es encontrar una relación útil
entre las variables manipulables y las respuestas observadas.

28
 Las variables respuesta deben ser definidas muy precisamente. Se
deben tener procedimientos para su evaluación y si fuese necesario para
su muestreo.
Las variables respuesta pueden ser cuantitativas o continuas (p. ej.
Temperatura), cualitativas (p. ej. Sabor) y binarias (p. ej. Aceptable o
defectuoso).
Los factores o variables manipulables pueden tomar diversos
valores, y a cada uno de estos se les llama nivel. Por ejemplo, si la
temperatura toma valores de 20 y 80 °C, se dice que tiene dos niveles;
en cambio, si los valores que se usaran en la experimentación son 20,
50 y 80 °C, el experimento puede ser de tres niveles.
Un experimento se tipifica por el número de factores (o variables
independientes) y el número de niveles (valores) que asume cada factor.
Las ventajas más significativas del diseño factorial son las
siguientes:
 Proporciona mayor cantidad de información por experimento,
 Permite organizar mejor el trabajo de colección y análisis de la
información,
 Estima la confiabilidad de los resultados experimentales,
 Define las interacciones entre las variables experimentales
permitiendo estudiar el comportamiento del sistema fuera del
rango estudiado,
 La información colectada en una etapa de la investigación, por
ejemplo la selección de variables, puede ser usada en otra, como
la de optimización, y
 Facilita la formulación de modelos matemáticos empíricos.
3. PRINCIPIOS DEL DISEÑO FACTORIAL DE
EXPERIMENTOS
El diseño factorial de experimentos constituye un caso especial de
regresión múltiple, en el que la obtención de la inversa de la matriz de
regresión es sumamente sencilla (pues se trata de una matriz diagonal),
siempre y cuando los experimentos cumplan la condición de
ortogonalidad.
El diseño factorial se basa en generar datos ortogonales. Si las
variables son ortogonales, sus vectores y el producto de los mismos
sumaran cero, y se intersectan en el espacio en ángulos rectos. Para que
29
un diseño sea ortogonal ningún par de vectores o vector producto ser
idéntico o exactamente opuesto a otro. Es decir, la matriz de los
mismos no ser singular.
El número de experimentos en un diseño factorial completo es 𝑚𝑘 ,
siendo m el número de niveles y k el número de factores. Por ejemplo,
para un diseño de dos factores y dos niveles se requieren 22 = 4
experimentos, para dos factores y 3 niveles se tendrían 8 experimentos,
etc.
Sea el siguiente diseño que involucra dos factores con dos niveles.
Tabla 1
Diseño de Dos Factores

Experimento 𝑋1 𝑋2 𝑋1 𝑋2
1 -1 -1 +1
2 +1 -1 -1
3 -1 +1 -1
4 +1 +1 +1
Sumatoria 0 0 0

El diseño anterior es ortogonal en tanto la sumatoria de los vectores

y de su producto es cero. Puesto que satisface la condición de
ortogonalidad este es un diseño factorial de 2x2 (2 niveles y dos
factores). Un diseño factorial para tres factores y dos niveles generaría
la siguiente tabla:

Tabla 2
Diseño de Tres Factores
Experimento 𝑋1 𝑋2 𝑋3
1 -1 -1 -1
2 +1 -1 -1
3 -1 +1 -1
4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
7 -1 +1 +1
8 +1 +1 +1
Sumatoria 0 0 0

30
 Es evidente que este diseño también es ortogonal en tanto la suma
de los vectores y la suma de sus productos es nula.
Análogamente se pueden generar diseños ortogonales de dos
niveles para 4 o más factores.
Para ejecutar el diseño factorial es preciso que las variables
manipulables del proceso, tales como temperatura, presión, proporción
entre reactantes o cualquier otra, sean transformadas a variables
adimensionales. Por ejemplo si el factor temperatura se quiere trabajar
con los niveles de 100 y 200 °C, se calcula el promedio (200+100)/2=
150 y, luego la desviación (200-100)/2=50. Luego, los valores de los
factores serán ahora 𝑋11 = (200 − 150)/50 = +1 y 𝑋12 = (100-
150)/50= -1.
Generalizando, resulta:

𝑍𝑗𝑜 = (𝑧𝑗𝑚𝑎𝑥 + 𝑧𝑗𝑚𝑖𝑛 )/2

𝐷𝑍𝑗 = (𝑧𝑗𝑚𝑎𝑥 + 𝑧𝑗𝑚𝑖𝑛) /2
𝑋𝑗 = (𝑍𝑗 − 𝑍𝑗𝑜 )/𝐷𝑍𝑗

El punto con coordenadas (𝑍10 , 𝑍20 , … . , 𝑍𝑘𝑜 ) es el punto central del

diseño, que en términos de las variables adimensionales X tendrá las
coordenadas (0, 0,….0).
Es conveniente evaluar la variabilidad de los resultados repitiendo
pruebas del punto central; además el punto central permite determinar
el efecto de curvatura. Otra ventaja de trabajar con el punto central es
que este no altera la ortogonalidad del diseño seleccionado.
En el proceso de la investigación durante la etapa de selección de
variables es conveniente trabajar con diseños de dos niveles. Una vez
descartadas las variables no significativas se puede proceder a buscar
modelos de segundo orden (que evalúan la curvatura de cada variable)
requiriendo más niveles.
El número de experimentos necesarios depende de la precisión
obtenida en la respuesta. La relación existente entre el cambio mínimo

31
en la variable respuesta y la desviación estándar de los datos
experimentales constituye la variable de precisión que determina el
número de experimentos a efectuar, tal como se muestra en la figura
adjunta.

Una recomendación importante para la experimentación es

aleatorizar los ensayos de modo que el investigador minimice la
interpretación subjetiva de los resultados.

4. MODELOS METEMÁTICOS DEL DISEÑO FACTORIAL DE

EXPERIMENTOS
En el diseño factorial se usan modelos matemáticos sencillos:
lineales y cuadráticos, los que pueden o no ser interactivos.
Para una sola variable se tienen los siguientes modelos:

32
Para dos variables los modelos son:

33
 5. ANÁLISIS DEL DISEÑO FACTORIAL
Por ejemplo, sea un diseño factorial de dos niveles y tres factores
que se realiza en ocho pruebas. Si se agrega una variable ficticia 𝑋0 en
la que todos sus elementos son “+1”, resulta:

Tabla 3
Análisis del Diseño Factorial
N X0 X1 X2 X3 X4
1 +1 -1 -1 -1 Y1
2 +1 +1 -1 -1 Y2
3 +1 -1 +1 -1 Y3
4 +1 +1 +1 -1 Y4
5 +1 -1 -1 +1 Y5
6 +1 +1 -1 +1 Y6
7 +1 -1 +1 +1 Y7
8 +1 +1 +1 +1 Y8

Esta matriz presenta las siguientes propiedades:

Donde k es el número de factores y N número de pruebas.

Formulando el sistema de ecuaciones en forma matricial para
determinar los coeficientes de la ecuación de regresión se obtiene:
𝑏 = (𝑋 𝑇 𝑋)−1 𝑋 𝑇 𝑦 (1)

34
Representando b al vector de los coeficientes de la ecuación de
regresión, de modo que su transpuesta es 𝑏 𝑇 = [𝑏𝑜 𝑏1 … 𝑏𝑘], 𝑋 𝑇 es la
transpuesta de la matriz de regresión original. Cuando el diseño es
ortogonal, como en este caso, la matriz (𝑋 𝑇 𝑋)−1 es diagonal con
elementos 1/N, donde N es el número total de pruebas.
Los coeficientes de regresión se calculan a partir de la ecuación:
𝑏𝑗 = ∑ 𝑋𝑗𝑖 𝑌𝑖 / ∑ 𝑋𝑗𝑖2 (2)
Indicando que los coeficientes resultan de la sumatoria del producto de
los elementos del vector 𝑋𝑗 con los del vector Y, dividido entre la
sumatoria cuadrática de los puntos experimentales de cada variable.
Para determinar la significancia de cada uno de los coeficientes de la
ecuación de regresión se emplea la prueba t de Student. Se deben
calcular los valores de 𝑡𝑗 .
|𝑏𝑗 |
𝑡𝑗 = (3)
𝑆𝑏𝑗

La desviación estándar
𝑆𝑏𝑗 = 𝑆𝑒 /√𝑁 (4)

Siendo 𝑆𝑒 2 la varianza estimada que regularmente se calcula a partir de

la repetición de los puntos centrales.
𝑆𝑒2 = ∑(𝑦𝑖𝑜 − 𝑦̅0 )/𝐶 − 1) (5)
𝑦0 es el promedio aritmético de los puntos centrales. Los grados de
libertad de esta varianza son (C-1), siendo C el número de repeticiones
que se evalúa el punto central.
Luego se verifica que
𝑡𝑗 > 𝑡𝑝 (6)
En cuyo caso el coeficiente 𝑏𝑗 correspondiente tiene significancia
estática. 𝑡𝑝 es el estadístico de Student obtenido de tablas para (C-1)
grados de libertad y una probabilidad dada (usualmente del 95%), para
una prueba de dos colas.
El próximo paso es calcular la bondad de ajuste de la ecuación de
regresión, es decir, verificar que efectivamente la ecuación obtenida
representa los datos que le dieron origen. Para este propósito se usa la

35
prueba F de Fisher. Hay que calcular la varianza residual 𝑠𝑟 2 que mide
la desviación de los valores calculados de los experimentales.
𝑠𝑟 2 = ∑(𝑦𝑖 − ⌃𝑦𝑖)2 /(𝑁 − 𝑘) (7)
Donde k es el número de coeficientes significativos en la ecuación de
regresión y⌃y representa los valores calculados de yi
luego: 𝐹 = 𝑠𝑟 2 /𝑠𝑒 2 (8)

Se verifica la condición:
F < Fp (9)
La que indicaría que efectivamente existe bondad ajuste de la ecuación
de regresión generada. 𝐹𝑝 es estadístico de Fisher, que se encuentra en
tablas, con un nivel de probabilidad p (usualmente 95%), con 𝑓1 =
(𝑁 − 𝑘)𝑦𝑓2 = (𝐶 − 1) grados de libertad.
Si no hay bondad de ajuste con el modelo lineal es muy probable que
exista curvatura significativa. Para evaluar el efecto global de curvatura
(EC) se calcula la diferencia entre el promedio de los puntos centrales
𝑦0 y el promedio de los puntos factoriales 𝑦𝑖 . La significancia
estadística de este efecto se determina con la prueba t de Student. El
intervalo de confidencia se calcula así:

𝐸𝐶 + 𝑡𝑠𝑒 √1/𝑁 + 1/𝐶 (10)

Si en este intervalo está comprendido el cero, significa que el efecto de
curvatura no es significativo.

6. DISEÑO FACTORIAL PARA MODELOS CUADRÁTICOS

Cuando se desea determinar el efecto de curvatura de cada una de las

variables es necesario tener por lo menos tres niveles. Por ello se
configura un diseño factorial compuesto que incluye los llamados
puntos estrella, los que tienen una longitud común a.
El número mínimo de pruebas para L factores (variables
independientes) se estima a partir de:
𝑁 = 2𝐿 + 2𝐿 + 𝐶 para 𝐿 < 5
36
 𝑁 = 2𝐿−1 + 2𝐿 + 𝐶 para 𝐿 ⇒ 5 (11)
Representando el primer término de la derecha el diseño factorial
básico o kernel, 2L es el número de puntos estrella y C el número de
puntos centrales.
Para reducir la matriz de regresión (𝑋 𝑋 𝑇 )−1 a una totalmente
ortogonal, la distancia a del punto estrella se selecciona de modo que
todos los términos no diagonales de esta matriz sean cero. El valor de a
depende del número de factores.
Tabla 4
Distancia Estrella en el Diseño Experimental
NUMERO DE FACTORES 2 3 4 5
DISTANCIA ESTRELLA 1.00 1.215 1.414 1.547

Un diseño con términos cuadráticos genera una matriz no ortogonal,

puesto que:
∑ 𝑋𝑜𝑖 𝑋𝑗𝑖 2 >< 0

Para demostrarlo, se presenta el caso simple de un diseño de 2 factores

con C=1.
Tabla 5
Puntos Estrella en el Diseño Factorial
N 𝑋0 𝑋1 𝑋2 𝑋1 𝑋2 𝑋12 𝑋22
1 + + + + + +
2 + + - - + +
3 + - + - + +
4 + - - + + +
+𝑎 2
5 + 0 0 𝑎 0
−𝑎 2
6 + 0 0 𝑎 0
7 + 0 +a 0 0 𝑎2
8 + 0 −𝑎 0 0 𝑎2
9 + 0 0 0 0 0
Suma 9 0 0 0 0 4 + 2𝑎 4 + 2𝑎2
2

Los cuatro primeros puntos representan al diseño básico; los siguientes

cuatro corresponden a los puntos estrella y el último punto es el punto
central.

37
Para lograr ortogonalidad en la matriz de diseño se realiza un cambio
de variable.
𝑈𝑗 = 𝑋𝑗2 − 𝑋̅𝑗2 (12)

Siendo 𝑋𝑗2 el promedio aritmético de los cuadrados de 𝑋𝑗 . Es fácil

demostrar que con esta transformación se logra ortogonalidad en la
matriz de regresión, puesto que
∑ 𝑋𝑜𝑖 𝑈𝑗𝑖 = ∑ 𝑋𝑖𝑗2 − 𝑁𝑋̅ 𝑗 2
Una vez realizada la transformación de variables y configurado el
diseño factorial en términos de las nuevas variables se calculan las
varianzas correspondientes a cada uno de los términos de la ecuación de
regresión.
2 𝑠𝑒2
𝑠𝑏𝑗 = 2 (13)
∑ 𝑋𝑗𝑖

La significancia de los coeficientes de la ecuación de regresión se

verifica con la prueba t de Student:
|𝑏𝑗|
𝑡𝑗 = (14)
𝑠𝑏𝑗

Una vez obtenida la ecuación de regresión en términos de las variables

𝑈𝑗 es preciso reemplazar en esta las variables originales, ec. (12), para
expresarla solo en términos de Xj.
Finalmente se determina la prueba de bondad de ajuste. Como se hizo
para el diseño lineal se calcula la varianza residual, con la ec. (7), el
valor de F con la ec. (8) y se verifica la condición (9) F < Fp.

7. EJEMPLO DE FACTORIAL LINEAL

Se desea determinar el efecto de la temperatura, presión y tiempo de

residencia sobre el rendimiento de la reacción (Y). Para ello se
determinan los siguientes niveles para cada variable; temperatura (T):
100 y 200 ⁰C; presión (P): 20 y 60 atm; tiempo de residencia (R): 10
y 30 min. Se corren los siguientes experimentos organizados en forma
factorial:

38
 Tabla 6
Ejemplo de Diseño Factorial Lineal

N T P R Y
1 100 20 10 2
2 200 20 10 6
3 100 60 10 4
4 200 60 10 8
5 100 20 30 10
6 200 20 30 18
7 100 60 30 8
8 200 60 30 12
9 150 40 20 8
10 150 40 20 9
11 150 40 20 8.8

RESOLUCION
1. Transformación de Variables
A continuación se ejemplifica el procedimiento de transformación para
T.
Cálculo de promedio T= (100 + 200)/2 =150
Cálculo de diferencia D= (200 - 100)/2 =50
Cambio de variable X1 = (T - 150)/50
Luego: T= 100 →X1 = -1;
T= 200→X1 = +1;
T= 150→X1 = 0

2. Cálculo de la Varianza

39
Las únicas observaciones repetidas son las corridas 9, 10 y11, que
corresponden al punto central. Con esta se calculara la varianza
estimada:
Calculo de promedio: Y = (8+9+8.8)/3 = 8.6
Calculo de desviaciones cuadráticas:
SDC = (8 − 8.6)2 + (9 − 8.6)2 + (8.8 − 8.6)2
Cálculo de varianza: 𝑆𝑒 2 =SDC/ (3-1) = 0.28
Cálculo de desviación estándar: 𝑆𝑒 = 0.55

3. Formulación de Tabla Factorial para Análisis de Datos

Tabla 7
Tabla para el Análisis de Datos del Diseño
N 𝑋0 𝑋1 X 𝑋3 𝑋1 𝑋2 𝑋1 𝑋3 𝑋2 𝑋3 𝑋1 𝑋2 𝑋3 Y
1 +1 -1 -1 -1 +1 +1 +1 -1 2
2 +1 +1 -1 -1 -1 -1 +1 +1 6
3 +1 -1 +1 -1 -1 +1 -1 +1 4
4 +1 +1 +1 -1 +1 -1 -1 -1 8
5 +1 -1 -1 +1 +1 -1 -1 +1 10
6 +1 +1 -1 +1 -1 +1 -1 -1 18
7 +1 -1 +1 +1 -1 -1 +1 -1 8
8 +1 +1 +1 +1 +1 +1 +1 +1 12
∑𝑋𝑖2 8 8 8 8 8 8 8 8 [1]
∑𝑋𝑗𝑖 𝑌𝑖 68 20 -4 28 -4 4 -1 -4 [2]
bj 8.5 2.5 -.5 3.5 -.5 .5 -1.5 -5 [3]
Sbj .194 .194 .194 .194 .194 .194 .194 .194 [4]
tj 44 13 3 18 3 3 8 3 [5]
SIGNIFI SI SI NO SI NO NO SI NO [6]

Ecuación de Regresión
𝒀 = 𝟖. 𝟓 + 𝟐. 𝟓𝑿𝟏 + 𝟑. 𝟓𝑿𝟑 − 𝟏. 𝟓𝑿𝟐 𝑿𝟑
Los coeficientes bj se calculan dividiendo la fila [2] entre la fila [1]. La
varianza 𝑆𝑏𝑗 2 se calcula dividiendo la varianza estimada a partir de los

40
puntos centrales 𝑆𝑒 2 entre los valores correspondientes de la fila [1]
conforme lo indica la ec. (13).
Los estadísticos tj se calculan a partir de la ec. (10.14), es decir,
dividiendo la fila [3] entre la fila [4].
Para determinar la significancia se encuentra la t de Student de tablas
para (C-1)=2 grados de libertad, resultando tp = 4.303.
Los valores tj que sean menores a tp no tienen significación y no
participan en la ecuación de regresión.

4. Cálculo del Efecto de Curvatura

Promedio de los experimentos factoriales: 68/8 = 8.5

Promedio de los puntos centrales: 8.6
Efecto de curvatura: 8.6 – 8.5 = 0.1
Intervalo de confidencia: t Se (1/𝑁 + 1/𝐶)1/2
4.303(0.55)(1/8 + 1/3)1/2 = 1.60
En el intervalo de confidencia está comprendido el cero (0,1 + 1,60;
0,1-1,60) = (1,70; -1,50) por lo que el efecto de curvatura no es
significativo.

5. Bondad de Ajuste

Calculo de desviaciones cuadráticas entre el valor experimental y el

valor calculado con la ecuación de regresión:
𝑆𝐷𝐶 = (2 − 1)2 + (6 − 6)2 + ((4−4)2 + ⋯ (12 − 13)2 = 6
Calculo de varianza residual
𝑆𝑟 2 = 𝑆𝐷𝐶/(𝑁 − 𝐿) = 6/(8 − 4) = 1.5
Calculo de estadístico de Fisher
𝐹 = 𝑆𝑟 2 /𝑆𝑒 2 = 1.5/0.28 = 5.36

41
Determinación de F de tablas para probabilidad de 95% con f1 =
4 y f2 = 2 grados de libertad: Fp(4,2)= 19.3
Existe bondad de ajuste en tanto F < Fp.

6. Conclusión

La ecuación de regresión generada representa a los datos

experimentales que le dieron origen y describe el sistema en reacción
bajo estudio. Esta ecuación en términos de las variables originales es:
𝐘 = −𝟏𝟐 + 𝟎. 𝟎𝟎𝟓 𝐓 + 𝟎. 𝟔𝟓 𝐑 + 𝟎. 𝟏𝟓 𝐏 − 𝟎. 𝟎𝟎𝟕𝟓 𝐏𝐑

8. EJEMPLO DE FACTORIAL CUADRÁTICO

Se quiere encontrar un modelo matemático que describa la

descomposición de boratos usando una mezcla de ácido sulfúrico y
ácido fosfórico. Los factores que controlan el grado de descomposición
Y se seleccionan así: temperatura de reacción en °C (T), tiempo de
reacción en minutos (R), norma de ácido fosfórico en % (N); y,
concentración de ácido fosfórico en % de 𝑃2 𝑂5 (C). El nivel principal y
los incrementos correspondientes son:

T R N C
Promedio 55 37.5 80 32.8
Desviación: 25 22.5 20 18.8

En la tabla adjunta se muestran los resultados de las corridas

experimentales.

42
 Tabla 8
Datos Experimentales para el Diseño Factorial Cuadrático
N⁰ X1 X2 X3 X4 Y
1 1 1 1 1 86.9
2 -1 -1 1 1 40.0
3 1 -1 -1 1 66.0
4 -1 1 -1 1 34.4
5 1 -1 1 -1 76.6
6 -1 1 1 -1 55.7
7 1 1 -1 -1 91.0
8 -1 -1 -1 -1 47.6
9 1 -1 1 1 74.1
10 -1 1 1 1 52.0
11 1 1 -1 1 74.5
12 -1 -1 -1 1 29.6
13 1 1 1 -1 94.8
14 -1 -1 1 -1 49.6
15 1 -1 -1 -1 68.6
16 -1 1 -1 -1 51.8
17 0 0 0 0 61.8
18 1.414 0 0 0 95.4
19 -1.414 0 0 0 41.7
20 0 1.414 0 0 79.0
21 0 -1.414 0 0 42.4
22 0 0 1.414 0 77.6
23 0 0 -1.414 0 58.0
24 0 0 0 1.414 45.6
25 0 0 0 -1.414 52.3

RESOLUCIÓN
1. Transformación de Variables
Como se demostró en el ejemplo anterior las variables independientes
son transformadas a variables adimensionales X, con los promedios y
desviaciones dadas. Por ejemplo, para la temperatura:
X1 = (T − 55)/25

43
2. Número y Configuración de Experimentos
De experimentos previos se sabe las condiciones del proceso caen en el
rango de los factores seleccionados. Se usa un diseño ortogonal de
segundo orden para derivar la ecuación de regresión.
El número de observaciones necesarias en la matriz de diseño para
cuatro factores es 25, de acuerdo a:
N = 2K + 2K + C
Correspondiendo el primer sumando de la derecha al experimento
factorial básico o kernel; el segundo al número de puntos estrella y el
tercero al número de puntos centrales. Para reducir la matriz de diseño a
una totalmente ortogonal el punto estrella se debe ubicar a una distancia
de 1.414 o raíz de dos, conforme lo indica la tabla 10.5.
3. Cálculo de la Varianza
El error medio cuadrático se encuentra de 4 observaciones repetidas del
punto central: 61,8; 59,3; 58,7 y 69,0 por ciento.
Luego, la media aritmética será: 60,95 y la varianza, calculada por la
ec. 10.5, es de 5,95.
El número de grados de libertad para el error medio cuadrático es:
f=4-1=3.

44
 Tabla 9
Cálculo de Parámetros para Modelo matemático
N° X0 X1 X2 X3 X4 U1 U2 U3 U4
1 1 1 1 1 1 0.20 0.20 0.20 0.20
2 1 -1 -1 1 1 0.20 0.20 0.20 0.20
3 1 1 -1 -1 1 0.20 0.20 0.20 0.20
4 1 -1 1 -1 1 0.20 0.20 0.20 0.20
5 1 1 -1 1 -1 0.20 0.20 0.20 0.20
6 1 -1 1 1 -1 0.20 0.20 0.20 0.20
7 1 1 1 -1 -1 0.20 0.20 0.20 0.20
8 1 -1 -1 -1 -1 0.20 0.20 0.20 0.20
9 1 1 -1 1 1 0.20 0.20 0.20 0.20
10 1 -1 1 1 1 0.20 0.20 0.20 0.20
11 1 1 1 -1 1 0.20 0.20 0.20 0.20
12 1 -1 -1 -1 1 0.20 0.20 0.20 0.20
13 1 1 1 1 -1 0.20 0.20 0.20 0.20
14 1 -1 -1 1 -1 0.20 0.20 0.20 0.20
15 1 1 -1 -1 -1 0.20 0.20 0.20 0.20
16 1 -1 1 -1 -1 0.20 0.20 0.20 0.20
17 1 0 0 0 0 -0.80 -0.80 -0.80 -0.80
18 1 1.414 0 0 0 1.20 -0.80 -0.80 -0.80
19 1 -1.414 0 0 0 1.20 -0.80 -0.80 -0.80

45
 N° X0 X1 X2 X3 X4 U1 U2 U3 U4
20 1 0 1.414 0 0 -0.80 1.20 -0.80 -0.80
21 1 0 -1.414 0 0 -0.80 1.20 -0.80 -0.80
22 1 0 0 1.414 0 -0.80 -0.80 1.20 -0.80
23 1 0 0 -1.414 0 -0.80 -0.80 1.20 -0.80
24 1 0 0 0 1.414 -0.80 -0.80 -0.80 1.20
25 1 0 0 0 -1.414 -0.80 -0.80 -0.80 1.20

∑ (Xi) 25 0 0 0 0 8.882E-16 8.882E-16 8.882E-16 8.882E-16

∑ (Xi)2 25.00 20.00 20.00 20.00 20.00 8.00 8.00 8.00 8.00

∑ (Xji2.Yi) 1547.00 347.73 140.75 93.91 -87.67 29.79 -1.60 26.79 -48.58
bj 61.88 17.39 7.04 4.70 -4.38 3.73 -0.20 3.35 -6.08
Sbj 0.49 0.55 0.55 0.55 0.55 0.86 0.86 0.86 0.86
tj 126.84 31.88 12.90 8.61 8.04 4.32 -0.23 3.88 -7.04
SIGNIFIC SI SI SI SI SI SI NO SI SI

N° X1X2 X1X3 X1X4 X2X3 X2X4 X3X4 Y YCALC (Y-YCALC)2

23 0 0 0 0 0 0 58.0 61.17 10.06
24 0 0 0 0 0 0 45.6 42.71 8.35
25 0 0 0 0 0 0 52.3 55.10 7.82

∑ (X) 0 0 0 0 0 0 1547 1547.10 401.55

∑ (X)2 16.00 16.00 16.00 16.00 16.00 16.00 [1]
´-
∑ (Xji . Y) 34.80 1.60 19.20 9.20 ´12.18 30.80 [2]
´-
bj 2.18 O.10 1.20 0.58 ´-0.80 1.93 [3]
Sbj 0.61 0.61 0.61 0.61 0.61 0.61 [4]
´-
tj 3.57 0.16 1.97 0.94 ´-1.31 3.16 [5]
SIGNIFIC SI NO NO NO NO NO [6]

46
N° X1X2 X1X3 X1X4 X2X3 X2X4 X3X4 Y YCALC (Y-YCALC)2
1 1 1 1 1 1 1 86.9 89.02 4.49
2 1 -1 -1 -1 -1 1 40.0 40.16 0.03
3 -1 -1 1 1 -1 -1 66.0 61.18 23.23
4 -1 1 -1 -1 1 -1 34.4 40.48 36.97
5 -1 1 -1 -1 1 -1 76.6 79.34 7.51
6 -1 -1 1 1 -1 1 55.7 58.64 8.64
7 1 -1 -1 -1 -1 1 91.0 88.38 6.86
8 1 1 1 1 1 1 47.6 39.52 65.29
9 -1 1 1 -1 -1 1 74.1 70.58 12.39
10 -1 -1 -1 1 1 -1 52.0 49.88 4.49
11 1 -1 1 -1 1 -1 74.5 79.62 26.21
12 1 1 -1 1 -1 -1 29.6 30.76 1.35
13 1 1 -1 1 -1 -1 94.8 97.78 8.88
14 1 1 1 -1 1 -1 49.6 48.92 0.46
15 -1 -1 -1 1 1 1 68.6 69.94 1.80
16 -1 -1 1 -1 -1 1 51.8 49.24 6.55
17 0 0 0 0 0 0 61.8 61.06 0.55
18 0 0 0 0 0 0 95.4 93.11 5.26
19 0 0 0 0 0 0 41.7 43.93 4.97
20 0 0 0 0 0 0 79.0 71.01 63.77
21 0 0 0 0 0 0 42.4 51.11 75.78
22 0 0 0 0 0 0 77.6 74.46 9.84

4. Formulación de tabla para Análisis

En la tabla de cálculos se presentan los cálculos necesarios para
determinar el modelo de regresión y realizar su análisis. Se calculan las
variables adimensionales Uj , conforme la ec. (12). En este caso la
sumatoria cuadrática de Xj es 20 y al dividirse entre el número de
experimentos (25), resulta un promedio de 0,8.
Una vez configurada la tabla para el análisis factorial, se calculan las
sumatorias para verificar que sean cero, de modo que el diseño sea
ortogonal. Luego, el procedimiento es análogo al seguido en el modelo
lineal. Dividiendo la fila [2] entre la fila [1] se calculan los
coeficientes bj de la ecuación de regresión, conforme a la ec. (2).La fila
[4], correspondiente a Sbj , se calcula de acuerdo a la ec. (13) dividiendo
el error medio cuadrático entre la fila [1] y extrayendo al resultado la

47
raíz cuadrada. Los coeficientes de Student t j , de la fila [5] se calculan a
partir de la ec. (14), dividiendo la fila [3] entre la fila [4].
Luego, se determina el valor tabulado del estadístico de Student para un
nivel de confianza del 95%, con f=3 grados de libertad, obteniéndose,
3,18. Este valor se compara con los de la fila [5]. Aquellos coeficientes
de la ecuación de regresión que tengan un valor menor de 3,18 no son
estadísticamente significativos, conforme lo indica la fila [6].
El modelo de regresión resultante es:

𝑌= 61,06 + 17,39𝑋1 + 7,04𝑋2 + 4,70𝑋3 − 4,38𝑋4

+ 3,73𝑋1 2 + 3,38𝑋3 2 − 6,08𝑋4 2 + 2,18𝑋1

5. Significancia del Modelo Generado

Con el modelo generado se calculan los valores de Y, correspondientes
a los puntos del diseño factorial, tal como se muestra en la columna
YCALC de la tabla de cálculos. Luego se calcula la sumatoria de las
diferencias cuadráticas entre los valores experimentales y los
calculados. Al dividir esta sumatoria entre (N-L) grados de libertad, se
obtiene la varianza residual, conforme a la ec. (7). Par a nuestro caso
esta varianza es de 25.10.
Para la determinación de la bondad de ajuste se calcula el estadístico F
dividiendo la varianza residual entre la varianza estimada o error medio
cuadrático conforme a al ec. (8). Para este ejemplo F=4,22. Finalmente,
se compara este valor con el de tablas: para una significancia del 95%
con f1=15 y f2=3 grados de libertad se obtiene Fp=8,6. Lo cual indica
que el modelo generado representa satisfactoriamente los datos que le
dieron origen con una probabilidad del 95%.
6. Conclusión
A partir de 29 pruebas experimentales se ha podido determinar un
modelo matemático de segundo orden e interactivo para el sistema en
estudio, el que comprenda nueve coeficientes, involucrando a cuatro
variables independientes. El modelo encontrado es:

48
𝒀 = 𝟔𝟏, 𝟎𝟔 + 𝟏𝟕, 𝟑𝟗𝑿𝟏 + 𝟕, 𝟎𝟒𝑿𝟐 + 𝟒, 𝟕𝟎𝑿𝟑 − 𝟒, 𝟑𝟖𝑿𝟒 + 𝟑, 𝟕𝟑𝑿𝟏 𝟐
+ 𝟑, 𝟑𝟖𝑿𝟑 𝟐 − 𝟔, 𝟎𝟖𝑿𝟒 𝟐 + 𝟐, 𝟏𝟖𝑿𝟏 𝑿𝟐

Así también, se ha verificado que el modelo estadísticamente

significativo.

49