MATEMÁTICAS APLICADAS EN

INGENIERÍA QUÍMICA

Heberto Tapias García

Luz Amparo Palacio Santos

Universidad de Antioquia

Medellín
Marzo de 2009
 MATEMÁTICAS APLICADAS EN
INGENIERÍA QUÍMICA

Por

Heberto Tapias García

Profesor del Departamento en Ingeniería Química

Luz Amparo Palacio Santos

Profesora del Departamento en Ingeniería Química

Universidad de Antioquia

Medellín
Marzo de 2009
 PRÓLOGO

En su ejercicio profesional, un ingeniero tiene que resolver los problemas con los
conocimientos existentes o sin ellos. Cuando se dispone de una aproximación
teórica para dar cuenta de los fenómenos que subyacen en los sistemas que
interviene el ingeniero, la matemática le ofrece un lenguaje simbólico para
construir un modelo o sistema sustituto con el cual se puede obtener información
sobre el comportamiento del sistema real. Pero también la matemática le provee
al ingeniero herramientas y métodos para resolver los modelos matemáticos
fenomenológicos y generar modelos matemáticos a partir de datos empíricos
obtenidos directamente de la experimentación de prototipos o de la operación de
sistemas reales.

La matemática en ingeniería es un instrumento con el cual el profesional busca

la solución a esos problemas cotidianos, es así como la matemática promueve
lenguaje para construir modelos de los sistemas reales, nos da la posibilidad de
organizar la realidad en un sistema abstracto, etc. Sin embargo, la matemática
además de instrumental es también formal, es decir, el conocimiento de la
matemática nos educa para hacer abstracción, nos ayuda a organizar, a ser
rigurosos.

Este libro presenta herramientas y estrategias matemáticas de gran aplicabilidad

a problemas de ingeniería química. Los cinco capítulos que lo conforman tienen
una sustentación teórica, algoritmos, fórmulas, ejemplos aplicados, en algunos
casos ejercicios puramente matemáticos, problemas propuestos y bibliografía.

Se necesita en algunos capítulos que el lector conozca suficientemente bien

toda la fenomenología de los procesos químicos y el diseño de equipos. Por
ejemplo, en el capítulo de modelación es preciso manejar los conceptos de
fenómenos de transferencia de masa, transferencia de calor y cantidad de
movimiento. Por otro lado, hay algunos requerimientos mínimos en el área de las
matemáticas para que quien aborde el libro pueda comprenderlo, por ejemplo, el
cálculo diferencial, cálculo integral y las ecuaciones diferenciales.

Los temas abordados en cada capítulo se planearon teniendo en cuenta las

necesidades matemáticas que un estudiante de ingeniería química de último
semestre debe integrar para tener un buen desempeño laboral. El primer
capítulo trata sobre la modelación de procesos, la estrategia a seguir para
conseguir representar la realidad por medio de algoritmos matemáticos y datos
de propiedades, condiciones iniciales, condiciones finales, etc. El segundo
capítulo tiene que ver con la conceptualización de las diferencias finitas y
ecuaciones en diferencias, las cuales son aplicadas principalmente en procesos
químicos que se realizan en etapas, o sea, no continuos. El tercer capítulo
comprende diferentes métodos numéricos para ser utilizados en casos donde los
métodos analíticos no son aplicables; abordándose aquí temas como la solución

i
de ecuaciones no lineales, de sistemas lineales y no lineales, interpolación y
aproximaciones, diferenciación, integración y solución de ecuaciones
diferenciales. La optimización no lineal con aplicaciones en ingeniería química es
tratada en el cuarto capítulo; se trabaja con funciones objetivo univariable y
multivariable, ambas con restricciones y sin ellas. En el capítulo final se aborda
el tratamiento estadístico de datos experimentales, de gran importancia en
ingeniería química, especialmente para conocer con determinada certeza la
validez de los datos obtenidos experimentalmente.

ii
 1

CAPÍTULO I

MODELACIÓN MATEMÁTICA DE SISTEMAS EN INGENIERÍA

QUÍMICA

TABLA DE CONTENIDO

1.1. Análisis en Ingeniería Química ........................................................................ 2

1.2. Modelación de procesos y sistemas ................................................................ 5
1.2.1. Representación esquemática .................................................................... 6
1.2.2. Variables fundamentales ........................................................................... 6
1.2.3. Variables características ........................................................................... 8
1.2.4. Volumen de control.................................................................................... 8
1.2.5. Ecuaciones básicas ................................................................................... 9
1.2.6. Relaciones específicas o constitutivas..................................................... 10
1.2.7. Variables dependientes y parámetros ...................................................... 11
1.3. Problemas propuestos.................................................................................. 19
1.4. Bibliografía .................................................................................................... 21
 2

CAPITULO I.
MODELACIÓN MATEMÁTICA DE SISTEMAS EN INGENIERÍA
QUÍMICA

1.1. Análisis en Ingeniería Química

En la solución de problemas y el desarrollo de sistemas de procesos químicos o

bioquímicos, el ingeniero químico se ve enfrentado a tener que realizar algún tipo
de análisis para la formulación de alternativas y selección de alguna propuesta de
solución. Para llevar a cabo estos análisis es necesario que el ingeniero formule
correctamente el problema u objeto de análisis y lo interprete con la ayuda de los
conocimientos disponibles: leyes, principios, teorías, paradigmas, etc. Es decir,
necesita identificar inequívocamente los fenómenos y procesos presentes en el
sistema objeto de análisis, y utilizar las herramientas disponibles para generar la
información requerida y aproximaciones a la solución de los problemas
enfrentados.

En el análisis moderno de los sistemas y procesos objetos de estudio de la

ingeniería química, generalmente se recurre a la modelación matemática
fenomenológica. Esta modelación es posible en aquellos sistemas y procesos en
los que se tienen conocimientos sobre los fenómenos que intervienen y para los
cuales se han elaborado teorías y generado relaciones matemáticas para
describirlos. El modelo matemático generado, constituido por un conjunto de
ecuaciones diferenciales, en diferencias finitas y algebraicas, en algunos casos
puede resultar difícil de manipular; y aunque pueda resolverse fácilmente, en
ocasiones es recomendable el uso de juicios ingenieriles y aproximaciones
razonables para reducirlo a uno menos complejo, que para los propósitos prácticos
suministre una solución de ingeniería confiable de acuerdo con los datos
disponibles. Pero aún, habiéndose reducido la complejidad del modelo, la solución
del problema matemático puede enfrentarse a la limitación de la existencia de
técnicas analíticas para la manipulación del modelo, lo que conduciría a recurrir a
transformaciones del sistema de ecuaciones para ajustarlo a las formas
estandarizadas, o utilizar las técnicas numéricas como métodos de aproximación a
la solución rigurosa.

El análisis significa examinar un sistema para identificar sus elementos

constitutivos, relaciones y estructura, con el propósito de conocer sus
características y funcionamiento. El interés del análisis de sistemas en ingeniería
química se enfoca en el entendimiento de cómo se comportan variables como
presión, temperatura, composición y flujos, que caracterizan su comportamiento,
en relación con los parámetros y variables de entrada del sistema que son
controlables. Esa comprensión que se obtiene del sistema ofrece la posibilidad de
usar modelos para simular su comportamiento, sin intervención en el sistema real,
cambiando parámetros y condiciones de variables, para decidir sobre las
 3

transformaciones que deben introducirse en los sistemas existentes para obtener

un comportamiento deseado, o para diseñar y generar uno completamente nuevo.

Es amplio el ámbito de problemas y variados los objetivos en donde resulta de

utilidad el análisis en ingeniería química. La investigación y desarrollo de procesos,
el diseño, mejoramiento y optimización de procesos, operaciones y equipos, son
áreas en donde con mayor frecuencia se realizan estudios analíticos; y en
cualquiera de ellas, los problemas objeto de análisis generalmente involucran
fenómenos de transferencia de cantidad de movimiento, transferencia de calor,
transferencia de masa y cinética química. Particularmente en el desarrollo y diseño
de procesos, la evaluación de las alternativas y la toma de decisiones se realizan
en forma sistemática, mediante un proceso lógico secuencial que involucra tres
grandes fases: la síntesis del proceso, el análisis del proceso y la optimización. En
la primera fase, la síntesis del proceso, se genera una propuesta de proceso, su
diagrama de flujo y la selección del tipo de operaciones unitarias que lo conforman.
El análisis del proceso se hace con base en esta configuración y en los cálculos de
balance de masa y energía, la selección del tipo de equipo, y el dimensionamiento
y el costeo de ellos. Finalmente se lleva a cabo la optimización para la decisión
óptima sobre los valores de condiciones de operación del proceso y las
especificaciones de los equipos.

El análisis de sistemas en ingeniería química es un proceso sistemático que entre

sus etapas involucra la descripción matemática del sistema, la manipulación del
modelo matemático, la comparación de los resultados suministrados por el modelo
con la situación real y el estudio cuidadoso de las limitaciones del modelo para
efectos de la toma de decisiones de acuerdo con el objetivo último del análisis.
Este proceso puede organizarse como una secuencia lógica de las siguientes
etapas generales:

1. Definición del problema

2. Teoría
3. Modelo matemático
4. Algoritmo
5. Soluciones
6. Análisis de la solución

La primera etapa, la definición del problema, es una de las más importantes porque
es la que define el objetivo del análisis. Normalmente este objetivo está asociado a
un requerimiento de información sobre el comportamiento del sistema para efectos
de su diseño, transformación, control o cualquiera otra situación relacionada con el
sistema.

Son muchos los objetivos posibles del análisis, los cuales pueden estar asociados
a problemas o necesidades como:

 ¿Qué proceso en particular debe usarse para producir un producto químico

específico?.
 4

 ¿Qué tipo de equipo y qué tamaño es necesario para una operación unitaria?.

 ¿Cuáles son las condiciones de operación que maximizan la producción de un

producto?

 ¿Cómo deben manipularse las variables de control de un proceso o equipo para

mantenerlo en las condiciones de operación deseadas?.

 ¿Cuál es la operación de separación viable económicamente para recuperar una

sustancia de una mezcla conocida?.

 ¿Cuáles son los factores que controlan la distribución de productos y

rendimiento en un reactor?.

En la solución de cualquiera de esos problemas señalados es conveniente

especificar cuál es la información que se requiere sobre el sistema y para que se
requiera esta información.

La segunda etapa es una definición o búsqueda de la teoría que explica el

fenómeno o conjunto de fenómenos presentes en el sistema bajo análisis.
Generalmente esta teoría existe, pero en caso contrario, la solución del problema
requiere inicialmente de una investigación, en la que deben formularse hipótesis o
postularse una teoría y constatar su validez mediante la comparación de resultados
experimentales con una solución obtenida con un modelo matemático construido
con base en esta teoría. En el desarrollo de esta etapa se requiere una habilidad
especial para identificar los fenómenos presentes en el sistema objeto de análisis y
la forma como interactúan, para comprender el comportamiento global del sistema
y poderlo expresar en términos matemáticos. Esta es la etapa crucial en el análisis
en ingeniería química.

Una vez conocida la teoría, el problema se convierte en un problema matemático

mediante la definición de variables y parámetros y la construcción de un modelo
matemático ensamblado con el conjunto de relaciones o ecuaciones entre
parámetros y variables asociadas a características del sistema objeto de análisis.

Las variables pueden clasificarse como variables de entrada al modelo y las

variables de salida. Las variables de entrada son aquellas que deben ser
normalmente especificadas antes de que pueda resolverse el modelo u operarse el
proceso o sistema real. Estas variables típicamente involucran ratas de flujo de
corrientes de entrada o salida del proceso, composiciones, temperaturas y
presiones de estas corrientes. Las variables de salida son las variables realmente
desconocidas - variables dependientes y parámetros - cuyos valores se obtienen
como soluciones del modelo matemático.

El algoritmo de solución o procedimiento de solución del problema matemático está

constituido por el conjunto de etapas secuenciales de operación sobre el modelo
 5

para obtener los valores de las variables desconocidas. La ejecución de las

operaciones especificas y detalladas en el algoritmo proveen una solución del
problema. Esta solución es posible obtenerla mediante técnicas analíticas, cuando
existen estos procedimientos y los modelos no son ni muy extensos ni muy
complejos, o a través de métodos numéricos para modelos extensos y complejos
o para los cuales no existen las técnicas analíticas de solución. Ambos
procedimientos se pueden desarrollar manualmente, pero hoy es posible generar la
solución del problema matemático con el uso del computador como herramienta y
con aplicaciones como MATLAB, POLYMATH o mediante la traducción del
algoritmo en un programa utilizando un lenguaje especifico de programación como
FORTRAN, PASCAL, BASIC, C++ u otro. En otros casos, la solución se obtiene
directamente, sin necesidad de la elaboración del modelo matemático, recurriendo
a simuladores comerciales como: UNIOPT, CHEMCAD, SUPERPRO DESIGNER,
entre otros.

1.2. Modelación de procesos y sistemas

El análisis teórico y la elaboración del modelo matemático constituyen el corazón

del análisis en ingeniería química. Los modelos matemáticos como representación
simbólica del sistema real permiten, a través de su manipulación, interactuar
virtualmente con los sistemas reales para comprender y predecir su
comportamiento. Ellos no sólo se utilizan para el diseño, operación y control de
procesos y equipos, sino que también se usan en el análisis de problemas y fallas,
en la optimización de sistemas y equipos, y en el entrenamiento de personal de
operación cuando se incorporan en simuladores.

Los modelos matemáticos permiten describir el comportamiento de los sistemas en

estado estacionario o en su dinámica, y sólo aquellos sistemas que puedan ser
analizados teóricamente y modelados matemáticamente son susceptibles de
solucionar con aproximaciones analíticas y racionales para obtener información de
una manera expedita y económica. Esta es la ventaja y el poder del análisis en
ingeniería química. Y aquellos sistemas que no puedan ser objeto de estas
aproximaciones deben estudiarse con modelos reales al nivel de laboratorio o
planta piloto, ya sea para construir alguna teoría sobre su comportamiento o para
obtener suficiente información experimental para simular su comportamiento con
herramientas como las redes neuronales que no requieren de una comprensión de
los fenómenos o procesos que subyacen en el comportamiento de los sistemas
reales.

Para el desarrollo del modelo matemático puede seguirse un procedimiento general

constituido por las etapas secuenciales que se muestran en el diagrama de flujo
de la figura 1.
 6

1.2.1. Representación esquemática

La representación esquemática del sistema en un modelo gráfico se usa para

mostrar los elementos constitutivos del sistema real, su estructura, las
interrelaciones de dichos elementos y las relaciones o conexiones del sistema con
su entorno. En esta representación las corrientes de entrada y salida de masa y
energía al sistema suelen representarse con flechas, acompañadas de los
símbolos que identificarán estas corrientes y las correspondientes variables de
caracterización de la corriente (flujo, presión, temperatura y composición). Cuando
el sistema objeto de análisis es un proceso químico o bioquímico, el sistema se
representa mediante diagramas de bloques, o diagramas de flujo de proceso con
símbolos convencionales para los equipos. En el caso de equipos u otro tipo de
sistema, la representación debe ser lo más ilustrativa posible de la configuración
real del sistema.

1.2.2. Variables fundamentales

Las variables fundamentales son los atributos más generales de la materia que
sufren cambios dentro del sistema, para los cuales existen principios de
conservación. Los sistemas objeto de estudio de la ingeniería química involucran
procesos en los que la materia sufre transformaciones físicas, químicas o
bioquímicas para la modificación de su naturaleza, composición o contenido
energético. Por lo tanto, los atributos que se usan como variables fundamentales
para estos sistemas son la masa, la energía y la cantidad de movimiento; ya que
los cambios de estas variables son los que informan sobre el comportamiento de
dichos sistemas. Y son estos atributos generales los que permiten caracterizar los
sistemas o informar sobre su estado y trayectorias evolutivas en su
comportamiento.

En un sistema en particular se utilizará una variable fundamental para su

descripción matemática, si ese atributo o característica sufre cambio o
transformación en los procesos que se presentan en el sistema, y si se está
interesado en conocer el comportamiento especifico de esta variable o de una de
sus variables características asociadas.
 7

Representación
esquemática del sistema

Selección de las
variables fundamentales

Selección de las variables

dependientes de caracterización

Selección de un volumen
de control apropiado

Verificación del volumen de control

Hay un valor único para las variables
de caracterización en el volumen de no
control?
si
Generación de las ecuaciones
básicas del modelo
no
Se usan todos los no Son suficientes si Modelo matemático
principios de
las ecuaciones? completo
conservación?
si

Utilizar una relación

específica

Figura 1. Etapas en la modelación de un sistema (tomado de Russell, T.W., Denn,

M.M., John Wiley & Sons, New York, 1972)
 8

1.2.3. Variables características

Normalmente los valores de las variables fundamentales no se pueden medir o

conocer directamente sino indirectamente a través de otras variables. Son estas
otras variables las que aparecerán en las ecuaciones y relaciones que
conformarán el modelo matemático. Las variables características son las que
realmente pueden medirse y agruparse para determinar el valor de las variables
fundamentales.

El valor de todas las variables características en cualquier momento y en cualquier

punto del sistema determina el estado del sistema, y por lo tanto, se les conoce
también como variables que determinan el estado del sistema y que son distintas
de las variables de estado definidas en termodinámica. La masa, la energía y la
cantidad de movimiento pueden cuantificarse o caracterizarse con variables como:
densidad, concentración, presión, temperatura, velocidad, entre otras. En la
selección de las variables de caracterización, que se van a utilizar para la
formulación del modelo, conviene especificar cuáles se usarán para cuantificar
cada una de las variables fundamentales seleccionadas en la descripción
matemática del sistema.

1.2.4. Volumen de control

El volumen de control es una región del sistema que se elige para hacer la
contabilidad de las variables fundamentales mediante los principios de
conservación y generar así las ecuaciones básicas del modelo.

El volumen de control apropiado para la generación de ecuaciones puede ser todo

el volumen del sistema, independientemente de las fases que lo integren y de los
cambios de las variables características con la posición. Estos volúmenes macros
se usan normalmente para establecer relaciones entre las entradas y salidas del
sistema en estado estacionario. El volumen de control apropiado puede ser
también una parte del sistema, o el volumen de una fase o una región finita o
infinitesimal de ella, cuando se requiere obtener más ecuaciones básicas del
modelo.

Para efectos de la selección del volumen de control apropiado en una fase, es

conveniente especificar cuál variable de caracterización -íntimamente asociada a
cada variable fundamental- se va a usar para verificar si el volumen de control
elegido es apropiado o no para efectos de la aplicación de los principios de
conservación. Esta especificación se hace teniendo en cuenta que a cada variable
fundamental está íntimamente ligada una variable o unas variables de
caracterización. A la masa están íntimamente asociadas medidas de concentración
como las fracciones molares o másicas, las concentraciones absolutas molares o
másicas; a la energía, la temperatura, la presión, la velocidad; y a la cantidad de
movimiento, la velocidad.
 9

Un volumen de control apropiado en una fase puede elegirse por ensayo y error,
cuando no se tiene experiencia en el proceso de modelación matemática. Se
considera apropiado un volumen de control elegido, comprobando que
efectivamente las variables características especificadas para esta verificación
tengan, en un instante dado, el mismo valor en cualquier punto dentro del volumen
de control. Cuando alguna de esas variables características no cumpla esta
condición en el volumen de control, debe elegirse otro, hasta que se cumpla la
condición de constancia en los valores de ellas.

En la búsqueda de un volumen de control apropiado es conveniente iniciar con un

volumen de control finito, el cual puede coincidir con el volumen total de la fase,
continuar luego con volúmenes semifinitos, luego infinitesimales, y por último con
un punto como opción final. Este procedimiento es aplicable en sistemas sólidos y
fluidos en reposo o con flujo en régimen laminar. Un caso especial lo constituyen
aquellos sistemas en los que se presenta flujo turbulento. En estos sistemas no se
pueden usar volúmenes infinitesimales, sino semifinitos como mínimo, en virtud de
que no es posible conocer valores puntuales de las variables características, por
las fluctuaciones que tienen ellas con el tiempo, aún en estado estacionario. En
estos casos la contabilidad de la masa, la energía y la cantidad de movimiento se
realiza con valores promedios de las variables características asignados al
volumen de control apropiado.

En la elección del volumen de control apropiado debe tenerse en cuenta también

que las superficies de control del volumen sean normales a las líneas de flujo de
las entidades (masa, energía o cantidad de movimiento) que fluyen hacia o desde
el volumen de control.

Son volúmenes de control apropiados, por ejemplo, el volumen de la masa

reaccionante en un reactor de tanque agitado perfectamente mezclado; un disco
de espesor diferencial y el mismo diámetro del reactor en un reactor tubular con
flujo turbulento; y un anillo coaxial con el reactor, de espesor y altura infinitesimal,
en un reactor tubular real con flujo laminar. En la figura 2 se muestran ejemplos de
volúmenes de control.

1.2.5. Ecuaciones básicas

Una vez se tenga un volumen de control apropiado se pueden escribir las

ecuaciones básicas del modelo. Ellas son relaciones que involucran las variables
características y parámetros con las variables independientes que denotan tiempo
y posición espacial en el sistema.

Las ecuaciones básicas resultan de la aplicación de los principios de conservación

de masa, conservación de energía y de conservación de cantidad de movimiento.
Esta contabilidad podrá hacerse para todas las variables fundamentales que se
usarán en la descripción del sistema y en todos los volúmenes de control que
puedan elegirse. En principio, pueden elegirse tantos volúmenes de control como
fases haya presentes en el sistema.
 10

F1, z1, T1 nA,y+dy

nA,x nA,x+dx

dy
y nA,y

x dx

F2, z2, T2

(d)
(a)

R
F + dF,
F, c, T c + dc,
T + dT

(b)
z dz
nA,r+dr
dr

nA,r
r R
nA,z nA,z+dz

(c)
z dz
Figura 2. Ejemplos de volúmenes de control: (a) Finito en un tanque agitado, (b)
semifinito en un reactor tubular con flujo turbulento, (c) infinitesimal en un reactor
tubular con flujo laminar y (d) en la masa de líquido retenido sobre un plato de
contacto gas-líquido
1.2.6. Relaciones específicas o constitutivas

Si las ecuaciones básicas no son suficientes para completar el modelo matemático,

porque existen más variables dependientes y parámetros desconocidos que
 11

ecuaciones, entonces se recurre a las relaciones específicas o constitutivas para

completar el modelo.

Las relaciones específicas o constitutivas son ecuaciones empíricas que

relacionan variables características, o ecuaciones derivadas de teorías o leyes
aplicables a los fenómenos que se presentan en el sistema. Pueden tener una
forma sugerida por una teoría, pero también tendrán parámetros experimentales.
Se pueden obtener empíricamente o totalmente sobre bases teóricas, por ejemplo,
aplicando las leyes de la conservación a escala molecular y utilizando la mecánica
cuántica y la estadística. O bien, obtenerse por una combinación lógica de
cualquiera de los métodos anteriores.

Estas relaciones son específicas para los sistemas. Entre estas relaciones se
tienen, por ejemplo, una ecuación de estado, relaciones termodinámicas, una
ecuación que relaciona una propiedad como la conductividad térmica o la
viscosidad con variables características como la concentración y la temperatura,
una ecuación de velocidades de reacción, o ecuaciones para la densidad de
transferencia de masa, de transferencia de energía en forma de calor, o de
transferencia de cantidad de movimiento.

Hay que tener precaución en la elaboración del modelo de que sólo aparezcan
sistemas de ecuaciones linealmente independientes.

1.2.7. Variables dependientes y parámetros

Para la contabilidad de variables en el modelo matemático deben diferenciarse las

variables independientes de las variables dependientes. En esta contabilidad, para
determinar si el modelo está completo, sólo se tienen en cuenta el número de
variables dependientes que sean desconocidas.

El tiempo y las variables que denotan posición en el espacio, constituyen las

variables independientes del modelo. Los flujos de masa, de energía y de cantidad
de movimiento, las medidas de concentración, las temperaturas, las presiones y
las velocidades, entre otras, son denominadas variables dependientes, en virtud de
que sus valores pueden depender de la posición y el tiempo y sólo se conocerán
cuando se resuelva el modelo. Dentro de estas variables dependientes algunas
suelen denominarse parámetros, porque hacen referencia a propiedades
fisicoquímicas, a características de las configuraciones geométricas de los
sistemas o a otros atributos.

Algunos parámetros están predeterminados por la naturaleza química del sistema y

por otras condiciones de los procesos como el régimen de flujo y la geometría. Son
parámetros: las constantes de velocidad de reacción, los coeficientes de
transferencia de masa y calor, los factores de fricción, la conductividad térmica, la
viscosidad, la difusividad, los calores de vaporización y otras propiedades
fisicoquímicas. Unos son geométricos como una longitud, un área o un volumen y
otros son parámetros empíricos que aparecen en relaciones específicas que
 12

describen el comportamiento de dispositivos, de componentes de los sistemas o

equipos como los coeficientes de una válvula, la altura equivalente de plato teórico,
la eficiencia de plato, la relación de reflujo mínimo o el número mínimo de etapas
de separación.

Ejemplo 1:

Formule un modelo matemático para un vaporizador de un líquido puro.

Representación esquemática y condiciones de operación

En la gráfica se ilustra un sistema vaporizador de forma cilíndrica. El calentamiento

se hace con vapor de H2O saturado a la presión Ps. El recipiente tiene un volumen
total Vo y diámetro D.

Se asumirá que el líquido y el vapor se mantienen en equilibrio y que el

calentamiento se hace esencialmente a través de la fase líquida.

Fv
Po
Cv2
Vapor Pv
de
s
agua mv
Control
presión
T
Ts h

FL mH2O
Cv1

Variables dependientes fundamentales

Las variables fundamentales para la descripción del comportamiento del sistema

son la masa y la energía en virtud de que se presentan fenómenos de
transferencia de masa y de calor.

Especificación de las variables características

 13

Para la masa las variables características son los flujos másicos, la densidad del
líquido y la densidad del vapor; y para la energía la presión, la temperatura y el
nivel del líquido.

Volúmenes de control

Los volúmenes de control apropiado son tres (tantos como fases hay presentes en
el sistema): el volumen de la fase líquida, el volumen de la fase de vapor del
líquido y el volumen del vapor en la chaqueta de calentamiento. En los tres
volúmenes de control se cumple la constancia de las variables características,
densidad y temperatura; solo la presión tiene variación en la fase líquida, pero se
considerará despreciable esta variación para efectos de la selección del volumen
de control.

Ecuaciones básicas del modelo

Aplicando los principios de conservación de masa y de energía en los tres

volúmenes de control se obtienen las siguientes ecuaciones básicas.

 Conservación de masa

d
FL  mv   mL  Fase líquida (1)
dt
mv  FV  m G 
d
Fase gaseosa (2)
dt

 Conservación de energía
d
q  FL H Lo  mv HV   HTL  Fase líquida (3)
dt

Ecuaciones específicas o constitutivas

Como existen nueve variables dependientes (FL, mV, mL, FV, mG, q, HLo, HV, HTL)
en las ecuaciones básicas y solo cuatro ecuaciones, el modelo debe completarse
con ecuaciones específicas para el sistema:

 D2
mL  h l (4)
4
m RT
PV VG  G (5)
M
 14

D 2
VG  Vo  h (6)
4
FL  CV1 PL  P (7)
FV  CV2 PV  Po (8)
P  PV   L gh (9)
H L  C PL (T  To ) (10)
HV  CPL (T  To )   (11)
HTL  mL H L (12)
q  UAT (Ts  T ) (13)
AT  Dh (14)
Bo
ln Ps  Ao  (15)
Ts  Co
H Lo  C pLo (T1  To ) (16)
C PL  a  bT (17)
B0 (18)
ln PV  A0 
T  C0
CPLo  a  bTo (19)
0.38
 T 
  k 1   (20)
 Tc 
0.38
 T 
 H 2 O  k H 2 O 1  s  (21)
 TcH O 
 2 
q  m H 2O  H 2O
(22)

Con estas ecuaciones aparecen otras 11 variables dependientes: PV, VG, T, P, CPL,
, AT, Ts, CPlo, mH2O, H2O.

Definición de variables y parámetros

AT : Área de transferencia de calor, m2

Ao, Bo, Co,
A, B, C : Parámetros de la ecuación de Antoine
1 -1
CPL, : Capacidades calóricas del líquido, Joule mol- K
CPLo : Capacidad calórica del líquido alimentado, Joule mol-1 K-1
CV1, CV2 : Coeficientes de las válvulas de entrada del líquido y de
salida del vapor del líquido, mol s-1 Pa -0.5
 15

FL : Flujo másico de entrada del líquido. mol s-1

FV : Flujo másico de salida de vapor, mol s-1
HLo : Entalpía del líquido de entrada a T 0, Joule mol-1
HL : Entalpía del líquido en el recipiente a T, Joule mol-1
HV : Entalpía del vapor del líquido a T, Joule mol-1
h : Altura del nivel del líquido, m
mv : Rata másica de vaporización, mol h-1
mG : Masa de vapor en la fase gaseosa, mol
mH2O : Rata de condensado en la chaqueta, m3 s-1
M : Peso molecular de la sustancia que se está vaporizando, g mol-1
Po : Presión en la descarga del vapor, Pa
PL : Presión del líquido de alimentación, Pa
P : Presión en el fondo del tanque, Pa
PV : Presión en la fase de vapor, Pa
R : Constante de los gases, Pa m3 mol-1 K-1
Ps : Presión en la chaqueta de calentamiento, Pa
q : Rata de transferencia de calor, Joule s-1
TL : Temperatura del líquido de alimentación, K
To : Temperatura de referencia, K
Ts : Temperatura en la chaqueta, K
Tc, TcH2O : Temperatura crítica del líquido y del agua, K
VG : Volumen de la fase gaseosa, m3
Vo : Volumen total del recipiente, m3
U : Coeficiente de transferencia de calor, Joule s-1 m-2 K-1
L
-3
: Densidad del líquido a T, g m

-1
: Calor de vaporización del líquido, Joule mol
H2O : Calor de vaporización del agua a T s, Joule mol-1
a, b : Parámetros de la ecuación para cálculo de la capacidad calórica
k, kH2O : Parámetros en la ecuación para el estimado de los calores de
-1
vaporización del líquido y del agua, Joule mol

Ejemplo 2:

Formule un modelo matemático de un destilador Batch, para una mezcla de tres

componentes que va a ser parcialmente separada.

Representación esquemática y condiciones de operación

 16

yi
Control
presión
TJ T
Q xi
h

El destilador se calienta por medio de una chaqueta y se mantiene a una

temperatura TJ controlando la presión. El flujo de calor de la chaqueta al destilador
será:
Q = 5000(TJ -T)

El destilador opera a presión atmosférica y se asumirá que los tres componentes

forman una mezcla ideal.

Variables dependientes fundamentales

Las variables fundamentales para la descripción del comportamiento del sistema

son la masa y la energía en virtud de que se presentan fenómenos de
transferencia de masa y calor.

Especificaciones de las variables características

Para la masa las variables características son la densidad, altura, diámetro y

fracciones molares; y para la energía la presión, la temperatura y el nivel del
líquido.

Volúmenes de Control

Hay tres volúmenes de control: el volumen del líquido en el destilador, el volumen

del gas en el destilador y el volumen del vapor en la chaqueta.

Ecuaciones básicas del modelo

 Conservación de masa:
 17

dmt
0 V Fase líquida (1)
dt
d
0  m A   Vy A (2)
dt
d
0  mB   Vy B (3)
dt

No se plantea la ecuación de conservación de masa en la fase de vapor pues

se asume que el vapor que se genera inmediatamente se retira o porque la
masa de vapor retenida es prácticamente despreciable.

 Conservación de energía:

d
Q  HTL   VHV Fase líquida (4)
dt

No se plantea una ecuación de conservación de energía en la fase gaseosa

porque se consideró que el vapor generado es inmediatamente retirado del
vaporizador o porque la masa que permanece retenida es despreciable.

Ecuaciones específicas o constitutivas

Como existen 9 variables dependientes (V, mA, mB, mt, yA, yB, HTL, HV, Q) en las
ecuaciones básicas y sólo cuatro ecuaciones, el modelo debe completarse con
ecuaciones específicas para el sistema:

D 2 h
mt 
4 M
(5)
m A  mt x A (6)
mB  mt x B (7)
1 wA w w
 0  0B  0C (8)
  A  B  C
M  x A M A  xB M B  xC M C (9)
x M
wA  A A (10)
M
xB M B
wB  (11)
M
xC M C
wC  (12)
M
 18

x A  x B  xC  1 (13)


HV   yi i  C pL i T  Tr   (14)

PA0 x A
yA  (15)
P
0
PB x B
yB  (16)
P
0
PC xC
yC  (17)
P
y A  y B  yC  1 (18)
AA
ln PA0  AA  (19)
T  CA
BB
ln PB0  AB  (20)
T  CB
BC
ln PC0  AC  (21)
T  CC
CPLA  aA  bAT (22)
CPLB  aB  bBT (23)
CPLC  aC  bCT (24)
0.38
 T 
 A  k A 1  

 TC A 
(25)
0.38
 T 
 B  k B 1   (26)
 TC 
 B 
0.38
 T 
 C  k C 1   (27)
 TC 
 C 

HTL  mL H L (28)
H L   xiCPiLT  Tr  (29)

Q  5000TJ  T  (30)

Con estas ecuaciones aparecen otras 21 variables dependientes: , M, wA,

wB, wC, P A, P B, P C, xA, xB, xC, yC, A, B, C, CPLA, CPLB, CPLC, T, HL.
0 0 0
 19

Definición de variables y parámetros

mt : Moles totales de líquido, mol

V : Flujo molar de vapor, mol s-1
xA, xB, xC : Fracción molar de A, B y C en el líquido
yA, yB, yC : Fracción molar de A, B y C en el gas
wA,wB, wC : Fracción peso de A, B y C en el líquido
HL : Entalpía del líquido, Joule mol-1
HV : Entalpía del gas, Joule mol-1
HTL : Entalpía total del líquido, Joule
-1
Q : Flujo de calor transferido, Joule s
D : Diámetro del recipiente, m2
h : Nivel del líquido, m
 : Densidad del líquido, gm-3
A, B, C : Densidad de los componentes A, B y C puros a la temperatura T
M : Peso molecular promedio del líquido, g mol-1
MA, MB, MC : Peso molecular de los componentes A, B y C, g/mol
P0A, P0B, P 0C
: Presión de vapor de A, B y C, Pa
AA, BA, CA : Constantes de Antoine para el componente A
AB, BB, CB : Constantes de Antoine para el componente B
AC, BC, CC : Constantes de Antoine para el componente C
Tr : Temperatura de Referencia, K
CPLA : Capacidad calórica del componente A líquido, Joule mol-1 K-1
CPLB : Capacidad calórica del componente B líquido, Joule mol-1 K-1
-1 -1
CPLC : Capacidad calórica del componente C líquido, Joule mol K
aA, bA : Parámetros de la ecuación para el cálculo de la capacidad calórica
del componente A
aB, bB : Parámetros de la ecuación para el cálculo de la capacidad calórica
del componente B
a C, b C : Parámetros de la ecuación para el cálculo de la capacidad calórica
del componente C
 A,  B ,  C :Calor de vaporización del líquido para los componentes A, B y C,
Joule mol-1
kA, kB, kC : Parámetros en la ecuación para el estimado de los calores de
vaporización de los componentes A, B y C , Joule mol-1
TCA, TCB, TCC : Temperatura crítica de los componentes A, B y C, K

1.3. Problemas propuestos

1. Formule un modelo matemático para un intercambiador de calor líquido-líquido

en contracorriente (figura 3).
 20

Tso

Fs

TTi FT TTo

TSi

Figura 3. Intercambiador de calor

2. Formule un modelo matemático para una cámara roceadora para desorber

amoníaco (figura 4).

Figura 4. Cámara roceadora

3. Desarrolle un modelo matemático para un separador líquido-vapor (figura 5).

Antes de entrar al tanque el líquido pasa por un intercambiador de calor. La
mezcla está compuesta por tres sustancias. Al sistema se le suministra una
carga térmica constante.
 21

Vo

P
F1 T
mG
q

VL
Lo

Figura 5. Separador líquido-vapor

1.4. Bibliografía

Bequette , B. W., “Process dynamics: modeling, analysis and simulation”, Prentice

Hall, New Jersey, 1998.

Franks, R., "Modeling and simulation in Chemical Engineering", John Wiley & Sons,
New York, 1972.

Husain, A.,“Chemical process simulation”, John Wiley & Sons, New York, 1986.

Rice, R., Duong, D., “ Applied mathematics and modeling for chemical engineers”,
Wiley, New York, 1995.

Russell, T.W., Denn, M.M., "Introduction to Chemical Engineering analysis", John

Wiley & Sons, New York, 1972.

Smith, C., Pike, R., Murril, P., "Formulación and optimización of mathematical
models", International texbook Company, Scranton,1970.

Tapias, H., Palacio, L. A., “Modelación y análisis de sistemas en Ingeniería

Química”, Ingeniería Química, Julio/Agosto, 2001.
 CAPÍTULO II

DIFERENCIAS FINITAS Y ECUACIONES DE DIFERENCIA

TABLA DE CONTENIDO

2.1. Diferencias finitas ...........................................................................................23

2.1.1. El operador diferencia ..............................................................................23
2.1.2. Reglas generales del cálculo de diferencias ............................................25
2.2. Diferencias en funciones especiales ...............................................................26
2.3. Funciones factorial y polinomio factorial ........................................................27
2.3.1. Función factorial ......................................................................................27
2.3.2. Polinomio factorial...................................................................................29
2.3.3. El operador traslación ..............................................................................30
2.3.4. Notación suscrita para una función ..........................................................32
2.4. Operaciones sumas .......................................................................................33
2.4.1. El operador suma.....................................................................................33
2.4.2. Reglas generales de sumatoria ................................................................33
2.4.3. Sumatoria de funciones especiales ..........................................................34
2.4.4. Teorema fundamental .............................................................................34
2.5. Ecuaciones de diferencias ..............................................................................35
2.5.1. Solución de la ecuación diferencia ..........................................................37
2.5.2. Ecuaciones de diferencias lineales .........................................................38
2.5.3. Ecuaciones de diferencias lineales homogéneas .....................................39
2.5.3.1. Soluciones linealmente independientes .............................................39
2.5.4. Ecuaciones de diferencias lineales homogéneas con coeficientes
constantes .........................................................................................................40
2.5.4.1. Caso 1: Todas las raíces son reales y diferentes .............................41
2.5.4.2. Caso 2: Algunas de las raíces son números complejos ....................41
2.5.4.3. Caso 3: Algunas de las raíces son iguales ........................................43
2.5.5. Ecuaciones de diferencias lineales no - homogéneas ..............................47
2.5.6. Métodos para encontrar soluciones particulares ......................................48
2.5.6.1 Método de los Coeficientes Indeterminados .......................................48
2.5.6.2 Método de los Operadores Inversos ...................................................51
2.5.7. Ecuaciones de diferencia no lineales .......................................................62
2.5.7.1 Soluciones gráficas ............................................................................62
2.5.7.2 Soluciones analíticas .........................................................................66
2.6. Ecuaciones diferenciales - diferencias ............................................................74
2.6.1.Transformación de Laplace .......................................................................74
2.6.2. Transformadas elementales .....................................................................75
2.6.3. Transformadas inversas ..........................................................................76
2.6.3.1. Método de la Integral de Convolución...............................................76
2.6.3.2. Método de los Residuos ...................................................................77
2.7. Problemas propuestos...................................................................................86
2.8 Bibliografía ......................................................................................................87
 23

CAPITULO II.
DIFERENCIAS FINITAS Y ECUACIONES DE DIFERENCIAS

Los procesos químicos que involucran separación, purificación y reacciones

químicas, generalmente utilizan unidades que desarrollan su operación en una
serie de etapas. Estos tipos de procesos se analizan mediante el cálculo etapa por
etapa, por métodos gráficos y en algunos casos mediante la solución de
ecuaciones de diferencias.

2.1. Diferencias finitas

2.1.1. El operador diferencia

El operador diferencia denota la diferencia que experimenta una función cuando

hay un cambio finito en la variable independiente.

Dada una función f  x  definida en el conjunto de los números reales, se define un

operador , llamado operador diferencia, por:

f x   f x  h  f x 

h: Número positivo llamado desplazamiento

Ejercicio 1:

Encontrar la diferencia finita de 2 x  3

2

  
 2 x 2  3x  2 x  h   3 x  h   2 x 2  3x
2

 2 x 2  4 xh  2h 2  3x  3h  2 x 2  3x
 4 xh  2h 2  3h

El operador 2 es el operador diferencia de orden dos, y está definido como:

2 f  x   f  x  2h   2 f  x  h   f  x 

A esta fórmula puede llegarse aplicando el operador diferencia a la primera

diferencia de la función f  x  :
 24

2 f  x   f  x    f  x  h   f  x 
 f  x  h   f  x   f  x  2h   f  x  h   f  x  h   f  x 
 f  x  2h   2 f  x  h   f  x 

En general, el operador diferencia de orden n, n, está definido por la fórmula:


n f x    n1 f x  
r n
n
   1   f  x  n  r h 
r 0 r

n
 f  x  nh  -   f  x  n  1h   ...   1 f  x 
n

1

n n! Coeficientes binomiales. Número de combinaciones

   de n objetos, tomados de r en r.
 r  r! n  r !

Esta receta puede obtenerse aplicando sucesivamente el operador diferencia n

veces a la función f  x  , o sea:

 n f  x      n 1 f  x        n 2 f  x   
     n  2 veces    f  x 

Ejercicio 2:

Encontrar la diferencia de orden 3 a la función x  1

4

r  3
3  x 4  1    1   f  x   3  r  h  , f  x   x 4  1
3

r 0 r
 3  3  3  3
   f  x  3h     f  x  2h     f  x  h     f  x 
 0 1  2  3
3! 3! 3! 3!
 f  x  3h   f  x  2h   f  x  h  f  x
3!0! 2!1! 1!2! 0!3!
 25

f  x  3h   3 f  x  2h   3 f  x  h   f  x 
 f  x   x4 1
  x  3h   1  3  x  2h   1  3  x  h   1   x 4  1
4 4 4
     
 24 xh  36h
3 4

2.1.2. Reglas generales del cálculo de diferencias

1.  f  x  g x  f  x  g x

2. f  x  f  x ; = cte

3.  f  x g x  f  xg x  g x  hf  x

= g xf  x  f  x  hg x
= f  xg x  g xf  x  f  xg x

 f  x  g xf  x  f  xg x
4.   
 g  x   g x g x  h

d Lim 
Como   D , se puede observar que si las relaciones anteriores
dx x  0 x
se dividen por x y se toma el límite cuando x  0 , se obtienen las reglas de
diferenciación homólogas.

Ejercicio 3:

Encuentre la regla de la derivada para un producto de funciones f  x  g  x  a

partir de la regla 3.

Lim   f  x  g  x   Lim f  x  g  x  Lim g  x  h  f  x 

 
x  0 x x  0 x x  0 x
Lim g  x  h  f  x 
= f  x  Dg  x  
h0 h
 26

 f  x  Dg  x   g  x  Df  x 
 D  f  x  g  x  

2.2. Diferencias en funciones especiales

1. C  0

   
2.  b x  b x bh  1

3. e   e e  1
rx rx rh

  
4. senrx   2sen rh cos r x  h
2 2

5. cosrx   2sen rh sen r x  h
2
  
2


6. ln x  ln 1  h
x

7. log b x  log b 1  h  x

Si se dividen estas relaciones por x  h y se toma límite cuando x  0 se
obtienen las correspondientes derivadas.

Ejercicio 4:

rx
Encuentre la regla para la derivada de la función e a partir de la regla 3 en la
sección 2.2. (diferencia de funciones especiales).

Lim  e rx

 
de rx

Lim rx e rh  1 L' Hôpital
e  

Lim rx rh
e .re
  
x  0 x dx h0 h h0
= re rx  D e rx 
Ejercicio 5:

 3
Halle la diferencia del monomio factorial 10x

 
 10 x 3  3.10.x 2 h  30hxx  h
 27

Debido a la cercana relación del operador diferencia con el operador derivada, se

podría pensar que es posible desarrollar un cálculo análogo al cálculo diferencial,
así mismo es posible obtener las fórmulas del cálculo diferencial a partir del cálculo
análogo si h o x se aproximan a cero. Ya que h se toma como una constante
dada, con un valor finito, contrario a una variable que se puede aproximar a cero,
hay que referirse a tal cálculo como cálculo de diferencias finitas.

2.3. Funciones factorial y polinomio factorial

2.3.1. Función factorial

La función factorial generalizada está definida como:

 f  x  f  x f  x  h  f  x  2h... f  x  m  1h

m

 f x m   1
f  x  h  f  x  2h ... f  x  mh

 f x 0   1
cuando h  0 :  f  x    f  x 
m  m

 f x m    f x m

Ejercicio 6:

   
 2  2
Expanda como productos de factores las funciones x  x y x x
2 2

x2 2 
x 2
  
 x  x x  h  x  h
2

x 2
x 
 2 
 
 1  x  h    x  h    x  2h    x  2h 
2 2

En el caso particular en que f(x) = x, entonces se obtiene el monomio factorial:

x  m  x x  h x  2h... x  m  1h x 0   1

m  1, 2, 3,...

Se origina el nombre factorial, ya que en el caso especial en que x = m y h = 1 se

tiene que:
mm   mm  1m  2...2.1  m!
 28

1 1
x m   
x  hx  2h...x  mh x  mhm 
Las funciones factoriales se convierten en monomios cuando el desplazamiento se
hace cero:

h  0 : x m   x m
x  m   x  m

Ejercicio 7:

 3
y x
3
Exprese como un producto de factores x

x3  xx  h x  2h 

1
x 3 
x  h x  2hx  3h 

La función factorial x m  tiene un polinomio equivalente dado por la fórmula:

m
m 
x   skm x k h m  k
k 1
donde:

skm : Son números Stirling de primera clase

Estos números pueden generarse mediante la siguiente fórmula recursiva:

s km1  s km1  mskm

donde

smm  1; skm  0 para k  0, k  m  1, m  0

Ejercicio 8:

 3
Encuentre el polinomio equivalente para x
 29

x 3  x 3  3x 2 h  2 xh2

Si se intenta buscar una fórmula en diferencias finitas para un monomio xm

x m  x  h   x m . Una
m
análoga a la derivada Dx m  mxm 1 se obtiene: 
x h
comparación rápida nos conduce a establecer la poca semejanza que hay entre las
dos, por esto se introduce la función factorial x m  para obtener una fórmula

análoga a la derivada:
x    mx
m 
m 1 , por lo tanto, una diferencia en funciones
x
especiales es:

 
 x m   mxm1h

2.3.2. Polinomio factorial

Si p es un entero positivo, un polinomio factorial de grado p se define como:

a0 x  p   a1 x  p1 ...a p

donde a0  0 y a1 , a2 , ..., a p son constantes.

El monomio xm también tiene un polinomio factorial equivalente dada por la

fórmula:
m
x m   S km x k h m  k
k 1
donde:

S km : Son números Stirling de segunda clase

Estos números pueden generarse mediante la siguiente fórmula recursiva:

S km1  S km1  kSkm

donde
 30

S mm  1; S km  0 para k  0, k  m  1, m  0

Ejercicio 9:

3
Encuentre el polinomio factorial equivalente para x

x 3  x 3  3x 2 h  x 1h 2

2.3.3. El operador traslación

El operador traslación desplaza el valor de una función f(x) al valor de la función

en la variable independiente incrementada en un desplazamiento h.

Dada una función f(x), el operador traslación E se define como:

Ef  x  f  x  h

Ejercicio 10:


Encuentre el valor de E 4 x  x
2

 
E 4 x  x 2  4 x  h    x  h 
2

 4 x  4h  x 2  2 xh  h 2

En general, el operador E traslada el valor de una función f  x  al valor de la

n

función en la variable independiente incrementada en n desplazamientos h.

E n f  x  f  x  nh
Se puede demostrar que:

E  1 

Se usa el número 1 en lugar de la letra I, para denotar el operador identidad u

operador unidad.

Esta relación es extraordinariamente importante porque con frecuencia permite

simplificar expresiones en función de un operador al escribirlas en función del otro,
utilizando para ello manipulaciones algebraicas ordinarias.
 31

También se puede demostrar que:

Ef x  = ehD f x 

a partir de la serie de Taylor

f a  x  a 
2
Serie de Taylor: f  x   f a   f a  x  a    ...
2!
f  x h 2
Si a  x  h  f  x  h   f  x   f  x h    ...
2!
d 2 f x 
Si se reemplaza f x    Df x , f ' ' x    D 2 f x , 
df ( x)
2
dx dx
2
h
f  x  h   f  x   hDf  x   D 2 f  x 
2!
como : Ef  x   f  x  h 
 h2 D 2 h3 D3 
entonces, Ef  x   1  hD    ... f  x 
 2! 3! 
x 2 x3
Desarrollo de la función exponencia l : e x  1  x   ...
2! 3!
Ef(x) = e hD f  x 

Puede demostrarse la fórmula para el operador n aplicado a la función f(x), que

aparece en la página 30, a partir de la relación entre el operador  y el operador
E.

 n  n  n
n   E  1  E n    E n1    E n2    E n3 ... 1
n n

 1  2  3
 n n n n
n f ( x )   E n    E n1    E n2    E n3  ...   1  f  x 
 1  2  3 
n
 E n f  x     E n1 f  x   ...   1 f  x 
n

1
n
n f  x   f  x  nh     f  x  n  1h   ...   1 f  x 
n

1
r n
n
  -1   f  x  n  r h 
r 0 r
 32

Ejercicio 11:

Realice el ejercicio 2 usando el operador traslación.

 
3 x 4  1  E  1 x 4  1
3
 

 E 3  3E 2  3E  1 x 4  1  
 4
  4
  4
  
  x  3h   1  3  x  2h   1  3  x  h   1  x 4  1
 24 xh3  36h 4

2.3.4. Notación suscrita para una función

Si f  x es una función discreta se puede hacer la transformación x  a  kh , con

a y h como constantes, donde la variable es k, entonces la notación
y  f  x equivale a:

yk  f a  kh

k: número de desplazamientos desde el punto base ( x  a ), a partir del cual se

empieza a medir el desplazamiento.

En la figura 1 se representa esquemáticamente la transformación a la notación

suscrita.

xo x1 x2 x3 xn
x a a+h a+2h a+3h a+nh

k 0 1 2 3 n

f(xo) f(x1) f(x2) f(x3) f(xn)

f(x)
f(a) f(a+h) f(a+2h) f(a+3h) f(a+nh)

yk y0 y1 y2 y3 yn

Figura 1. Representación esquemática de la notación suscrita.

 33

De esta notación se sigue entonces que:

yk  yk 1  yk

yk  yk 1

En general:

r  n n  n
n
n y k    1   y n k r    y n k    y n k 1  ...
r 0 r  0 1

que se obtiene a partir de la fórmula de la página 30 reemplazando f  x  n  r h 

en notación suscrita, yk  n  r , teniendo en cuenta que x  a  kh .

E n yk  yk n

2.4. Operaciones sumas

2.4.1. El operador suma

Llamamos Σ el operador suma y Σf(x) la suma indefinida de f  x  . El operador Σ

es el operador inverso de  que se representa como 1 , de forma análoga a
-1
como lo es el operador D (operador integral) del operador D (derivada). Por
definición 1 es un operador tal que:

1 hf  x    f  x h  c x 
1 f  x    f  x   c1  x 

donde c(x) y c1(x) son constantes periódicas, tal que c(x+h) = c(x).

2.4.2. Reglas generales de sumatoria

1.   f x   g x    f x    g x 
2. f x     f x 
3.  f x g x   f x g x    g x  hf x 
 34

Estas fórmulas se podrían escribir usando 1 en vez de Σ. Las dos primeras
indican que Σ o 1 es un operador lineal.

2.4.3. Sumatoria de funciones especiales

x en notación suscrita 
1
  k
1.    1  ,
h

x m1 k m1
2. x m 

m 1h m  1;
1
en notación suscrita  k m 

m 1

 px  q 
 m 1
 px  q   m 1 ph
m 
3. ; m  1

bx
4. b  b h 1
x

e rx
5. e rx  e rh 1
cos r x  h 2

6.  senrx  
2sen rh  2

senr x  h
2

 cos rx 
 2
7.
2sen rh

Estas fórmulas también se pueden escribir con 1 en lugar de Σ. Es clara la

analogía de las anteriores fórmulas con las integrales correspondientes si se
multiplican las sumas por h = x.

La relación entre el cálculo de sumas y el cálculo integral se expresa con el

siguiente teorema:

Lim f x h  C x    f x dx  C
h 0

2.4.4. Teorema fundamental

 35

La suma definida de f(x) desde x = a hasta x = a+nh con desplazamientos de

valor h está denotada por:

a  nh a  n1h
 f x   f a   f a  h   ...  f a  nh   1 f x  a
a

en notación suscrita se expresa:

n
n 1
y
k 0
k   1 yk
0

Esta relación es denominada el teorema fundamental del cálculo de suma, de

manera análoga a la existencia del teorema fundamental del cálculo integral. Este
teorema establece que la suma es equivalente a la función obtenida de la
operación -1f(x) evaluada en el límite superior de la sumatoria más un
desplazamiento, menos el valor de esa misma función evaluada en el límite inferior
de la sumatoria.

Ejercicio 12:

8
Resuelva la siguiente suma:  2 x 4  , h  2
2

2 x 5  2 x 5 
10 10

 
10  2 5   10  8  6  4  2  2  0  2  4  6
1 5  1
8
4 
 2x   
2 5h 2
10 2
5 5
3840
  768
5

Prueba:

 2 x 4  22 4  4 4  6 4  8 4 
8
         
2

 22  0  2  4  4  2  0  2  6  4  2  0  8  6  4  2

 768

2.5. Ecuaciones de diferencias

Por analogía con una ecuación diferencial, una ecuación diferencia es una relación
de la forma
 36

 y 2 y n y 
F  x, y , , 2 ,..., n   0
 x x x 
o también:
G x, f  x, f  x  h,..., f  x  nh  0

en notación suscrita:
H k , yk , yk 1 ,..., yk n   0

donde:

y  f  x ó yk  f a  kh es una función conocida u objeto.

La ecuación diferencia escrita en notación suscrita puede escribirse también en

términos del operador E.

 
H k , yk , yk ,  2 yk ,...,  n yk  0

Si la ecuación diferencia es una ecuación que sólo posee términos lineales de la

variable dependiente y sus diferencias, se dice que es lineal. Es decir, si la relación
sólo involucra términos lineales de los elementos  y , y ,  y ,...,  y 
k k
2
k
n
k ó

 yk , yk 1 , yk 2 ,..., yk n  .
Si aparecen productos de la forma y k y k 1 o sus  
diferencias son de grados dos, se dice que la ecuación es de segundo grado.

El grado de una ecuación en diferencias finitas es el máximo grado de la variable

dependiente, o de cualquiera de sus términos en la ecuación.

El orden de la ecuación diferencia es la sustracción entre el argumento más grande

y el más pequeño para la función. Por ejemplo en la ecuación diferencia
H  yk , yk 1 , yk  2 ,..., yk  n  el orden es k  n  k  n y en
H1  yk 1 , yk 2 ,..., yk n  es k  n  k  1  n  1.

Ejercicio 13:

Transforme la ecuación yk 3  5yk 2  6yk 1  3yk  0 en términos del operador E.

Esta ecuación se puede escribir como:

 3

 5 2  6  3 yk  0 ó   yk  0
 37

donde:

   3  5 2  6  3

2.5.1. Solución de la ecuación diferencia

La solución de una ecuación diferencia es cualquier función que satisface la

ecuación.

Una solución general en una ecuación diferencia de orden n es una solución que
tiene n constantes arbitrarias. Una solución particular es una solución obtenida a
partir de la solución general mediante la asignación de constantes periódicas
particulares.

2 y y
Por ejemplo, la ecuación 3  2 y  4 x2
x 2
x
ó
 
f  x  2h  3h  2 f  x  h  2h 2  3h  1 f  x  4h 2 x  2

 
yk 2  3h  2 yk 1  2h 2  3h  1 yk  4h 2 x 2 

tiene como solución general:

y  f  x  C1  x1  2h  C2  x1  h  2 x 2  6  2h x  7

x x
h h

y una solución particular se obtiene cuando:

 2x 
C1  x   2  4hsen 
 h 
  2x 
C2  x   5  h 2 1  cos 
  h 

Para determinar las n constantes arbitrarias de una ecuación diferencia de orden n

se deben conocer n condiciones de fronteras independientes para la función
desconocida.
 38

2.5.2. Ecuaciones de diferencias lineales

Una clase importante de ecuaciones de diferencias son las ecuaciones de

diferencias lineales. Una ecuación diferencia lineal de orden n es una ecuación
diferencia que tiene la forma:

a0 k  n yk  a1 k  n1 yk  ...  an k  yk  Rk 

donde a0 k   0

Esta ecuación también puede escribirse como

a k 
0
n

 a1 k  n1  ...  an k  yk  Rk 

 yk  R k 
donde el operador lineal   está dado por:

  a0 k  n  a1 k  n1  ...  an k 

Un caso particular importante surge cuando los coeficientes

a0 k , a1 k , ..., an k  son constantes; es decir independientes de k. En dicho
caso, la ecuación es una ecuación diferencia lineal de orden n con coeficientes
constantes.

Ejercicio 14:

Determine qué tipo de ecuación diferencia es cada una de las siguientes:

 E 3

 5E 2  6 E  3 y k  0

Esta es una ecuación diferencia lineal con coeficientes constantes

 2k  1 2

 3k  4 yk  4k 2  3k

Esta es una ecuación diferencia lineal con coeficientes variables.

 yk yk 1  yk21
 39

Esta es una ecuación diferencia no - lineal.

2.5.3. Ecuaciones de diferencias lineales homogéneas

Son ecuaciones de diferencias lineales donde

Rk   0
   y k  0

Aquellas ecuaciones donde R k   0 se clasifican como no - homogéneas

 yk  R k 

2.5.3.1. Soluciones linealmente independientes

Un conjunto de n funciones f1 k , f 2 k , ..., f n k  son linealmente independientes

si y solo si el determinante:

f 1 0 f 2 0 .... f n 0

f 1 1 f 2 1 .... f n 1
0
.... .... .... ....
f 1 n  1 f 2 n  1 .... f n n  1

Este determinante es conocido como el CASORATI y es análogo al

WRONSKIANO para ecuaciones diferenciales.

Si f1 k , f 2 k , ..., f n k  son soluciones linealmente independientes de la ecuación

diferencia homogénea de orden n, la solución general será:

yk  C1 f 1  k   C2 f 2  k ...Cn f n  k 
Ejercicio 15:

Determine si las funciones 2k y 4k son linealmente independientes.

f1 k   2 k , f 2 k   4 k

f1 0 f 2 0 1 1
  42  2  0
f 1 1 f 2 1 2 4
 40

Las funciones son linealmente independientes

2.5.4. Ecuaciones de diferencias lineales homogéneas con coeficientes

constantes

Si se asume que y k  r es solución de la ecuación diferencia lineal homogénea

k

con coeficientes constantes:

a 
0
n

 a1 n1 ...an yk  0

al sustituirla en esta ecuación se obtiene:

a0 r n k  a1r n k 1 ...an r k  0
que factorizando rk se obtiene:

a r0
n

 a1r n1 ...an r k  0

Esta última ecuación se satisface si r es una raíz del polinomio:

a0 r n  a1r n1 ...an  0

que se llama la ecuación auxiliar y puede representarse como:

r   0

Esta ecuación tiene n raíces que pueden ser o no diferentes. De esta forma la
ecuación homogénea se puede escribir:

a0   r1   r2 ...  rn  yk  0

La solución de la ecuación homogénea depende entonces de las raíces

r1 , r2 , ..., rn , es decir de su naturaleza.
 41

2.5.4.1. Caso 1: Todas las raíces son reales y diferentes

k k k
En este caso r1 , r2 ,..., rn son todas soluciones, múltiplos constantes de estas
soluciones serán también soluciones y combinaciones lineales de estas soluciones
también lo serán (pues   es un operador lineal).

Entonces, la solución general de la ecuación homogénea lineal de coeficientes

constantes será:

yk  c1r1k  c2 r2k ...cn rnk

Ejercicio 16:

Halle las soluciones linealmente independientes de la ecuación diferencia:

yk  2  6 yk 1  8 yk  0 y escriba la solución general.

La ecuación diferencia puede expresarse en términos del operador E como:

E 2

 6E  8 yk  0

y la ecuación auxiliar se obtiene a partir de la función   E   E 2  6E  8 ,

reemplazando E por r, entonces se obtiene:

r 2  6r  8  0

que factoriza como:  r  2  r  4   0

cuyas raíces son: r  2, r  4

Las dos soluciones linealmente independientes son: 2k y 4k

y por lo tanto la solución general será:

yk  C1 2k  C2 4k

2.5.4.2. Caso 2: Algunas de las raíces son números complejos

Si a0 , a1 , ..., an son reales y existen raíces complejas de la ecuación auxiliar, ellas

deben ser números complejos conjugados. En este caso si    i  y    i 
k k
 42

son soluciones, entonces K1    i   K2    i 

k k
es una contribución a la
solución general por el par de raíces complejas.

Escogiendo valores apropiados de K1 y K2 la contribución en forma real está dada

por:

yk   k C1 cos k  C2 senk 

donde:

  2  2

θ  arctan  
 

Ejercicio 17:

Resolver R  2  2R 1  5R  0

E 2

 2E  5 R  0

La ecuación auxiliar es:

r 2  2r  5  0
2  4  20 2  4i
r   1  2i
2 2
   2   2  12  22  5

  arctan   arctan   1.107rad  63.43
2
  1

 R   R C1 cos R  C2 senR 

La solución general es:


R  5 C1 cos1.107 R   C 2 sen1.107 R 
R

 C1 cos1.107 R   C 2 sen1.107 R 

R
R  5 2
 43

2.5.4.3. Caso 3: Algunas de las raíces son iguales

Si se tienen tres raíces iguales r1 = r2 = r3, la contribución de estas tres raíces a la

solución general es:

C  C k  C k r
1 2 3
2
1
k

Si se repiten m raíces reales, entonces la contribución a la solución general será:

C  C k ...C k r
1 2 m
m1
1
k

donde m  n

Si un par de raíces complejas se repite m veces, entonces la contribución a la

solución general será:

 k C1  C2 k  ...  Cm k m1 cos k  C1  C2 k  ...  Cm k m1 senk 

Ejercicio 18:

Resolver R  2  4R 1  4R  0


E 2

 4 E  4 R  0
 E  2 E  2 R  0

Ecuación auxiliar:

r  2r  2  0
r1  2; r2  2
 R  C1r1R  C 2 Rr2R
R  C1 2 R  C 2 R 2 R
R  C1  C 2 R 2 R

Ejemplo 1:

Gs lbmoles/h de gas seco que contiene YNp+1 lbmoles de soluto/lbmol de gas seco
son alimentadas a la base de una columna de absorción de platos, donde el soluto
 44

va a ser despojado del gas por absorción con Ls lbmoles/h de un aceite que se
alimenta en el tope de la columna. Si el soluto en el aceite que entra es Xo
lbmol/lbmol de aceite, y el soluto en el gas es Y1 lbmol/lbmol de gas; demostrar que
el comportamiento del absorbedor puede ser expresado en términos del factor de
absorción y el número de etapas ideales está dada por la ecuación de Kremser -
Brown:

 YNp1  Y0
log 
 Y1  Y0
 
1 1  1 
A A

Np 
log A
donde:
A  Ls
kGs : Factor de absorción
k : constante o relación de equilibrio; Y  kX
X , Y : Razones molares del soluto en fase liquida y gaseosa

Ls, Xo Gs, Yi

Xm-1 Ym
m
Xm Ym+1

Np

Ls, XNp Gs, YNp+1

Balance de soluto en el plato m:

Ls X m1  GsYm1  Ls X m  GsYm

Ls  X m  X m1   Gs Ym1  Ym  (1)

 45

como Ym  kX m  X m  Ym
k

Ym1  kX m1  X m1  Ym1

k
Sustituyendo X en términos de Y, se obtiene:

Ls
Ym  Ym1   Gs Ym1  Ym 
k

Ym1 Ym
 Ym  Ym1  
A A
Ym1  1 AYm  AYm1  0

La ecuación anterior es una ecuación diferencia lineal homogénea con coeficientes

constantes, equivalente a:

E 2Ym 1  1  AEYm 1  AYm 1  0

factorizando Ym 1 :

E 2

 1 AE  A Ym1  0

Esta ecuación es equivalente a:

E 2

 1 AE  A Ym  0

E  AE 1Ym  0
cuya solución general:

Ym  C1  C2 Am ; para A  1
Para evaluar C1 y C2 se aplican las condiciones límites.

Y0  C1  C2
 46

YNp 1  C1  C2 ANp 1
YNp 1  Y0  C2  ANp 1  1
(2)
Análogamente:

Ym  C1  C2 Am ; A  1

Condiciones límites:

Y0  C1  C 2
Y1  C1  C 2 A
Resolviendo simultáneamente se obtiene:

Y1  AY0 Y0  Y1
C1  C2 
1 A 1 A

 Y1  AY0   Y0  Y1  m
 Ym    A
 1 A   1 A 
De esta ecuación se tiene:

Y1  AY0  Y0  Y1  Np1
YNp1   A
1 A  1 A 

YNp1 1 A  Y1  AY0  Y0  Y1 A Np1

YNp1  Y1  Y0  Y1 AA Np  YNp1  Y0 A

1 YNp1  Y1  Y0  Y1 A Np  YNp1  Y0

A

1
A
YNp1  Y0   Y1  Y0  Y0  Y1 A Np  YNp1  Y0


 Y0  Y1 A Np  YNp1  Y0  1 1
A
 1 AY Y 
1 0
 47

 YNp1  Y0  1
A Np  
 Y1  Y0 

 1 A  1 A , sacando logaritmo

 YNp 1  Y0
log 
Y1  Y0
 
1 1  1 
A A

 Np   
log A

Para el caso en que A =1

Ym  C1  C2 m
Condiciones límites:

Y0  C1
Y1  C1  C2
de donde:

C1  Y0 C2  Y1  Y0

 Ym  Y0  Y1 Y0 m

Para m  Np 1

YNp1  Y0  Y1  Y0 Np 1

YNp1  Y0
Np 1 
Y1  Y0
 Np 
YNp 1  Y0   Y1  Y0 
Y1  Y0
YNp 1  Y1
 Np 
Y1  Y0

2.5.5. Ecuaciones de diferencias lineales no - homogéneas

Si Yc  k  es la solución complementaria (solución de la ecuación homogénea) y

Yp  k  es alguna solución de la ecuación completa, la solución general para la
ecuación diferencia lineal no - homogénea será:
 48

yk  Yc  k   Yp  k 

2.5.6. Métodos para encontrar soluciones particulares

2.5.6.1 Método de los Coeficientes Indeterminados

Este método es útil cuando la función R(k) consiste de términos de cierta forma
especial. Correspondiente a cada término presente en R(k) se considera una
solución prueba que contiene un número de coeficientes desconocidos que son
determinados por sustitución en la ecuación diferencia.

Las soluciones prueba para cada caso se muestran en la siguiente tabla.

Tabla 1. Soluciones prueba para el método de los Coeficientes Indeterminados

Términos en R(k) Solución prueba

 K
A K
sen k ó cosk A cosk  B sen k
Polinomio P(k) de grado m A0 k m  A1k m1 ... Am
 K P( k )  k  A0 k m  A1k m1 ... Am 
 k sen k ó  k cosk  k  A cos k  B sen k 

Si algún término de la solución particular aparece en la solución complementaria

debe eliminarse la dependencia lineal multiplicando este término por una potencia
positiva de k hasta eliminar la dependencia.

Ejercicio 19:

Resolver yk 1  2 yk  8 yk 1  4k 2  e k

Esta ecuación se puede plantear como:

E 2 yk 1  2 Eyk 1  8 yk 1  4k 2  e k
ó
E 2 yk  2 Eyk  8 yk  4k  1  e k 1
2

Solución a la ecuación homogénea:

E 2 yk 1  2 Eyk 1  8 yk 1  0
 49

 
 E 2  2 E  8 y k 1  0
E  4E  2yk 1  0 , que es equivalente a E  4E  2 yk  0
Las raíces de la ecuación auxiliar son:

r1 = 4; r2 = -2  yk  C1 4k  C2  2k ó yk 1  C1 4k 1  C2  2k 1

Solución particular:

yk  A0 k 2  A1k  A2  be k

Sustituyendo en la ecuación:

yk 1  A0 k  1  A1 k  1  A2  be k 1
2

se obtiene:


A0 k  1  A1 k  1  A2  bek 1  2 A0 k 2  A1k  A2  bek
2

 
 8 A0 k  1  A1 k  1  A2  bek 1  4k 2  ek
2

Igualando los coeficientes de k2, k, k0 y ek de ambos miembros de la ecuación se

obtiene:

 9 A2  9 A1  7 A0  0
 9 A1 18 A0  0
 9 A0  4
 8
b e  2    1
 e

de donde:

A0   4 A1   8
9 9
e
A2   44 b 2
81 e  2e  8

La solución particular es:

4 8 44 ek
yk 1   k  1  k  1  
2

9 9 81 e 2  2e  8
 50

La solución general:

k
4
y k 1  C1 4 k 1  C2  2
k 1
k  12  8 k  1  44  2 e

9 9 81 e  2e  8
k 1
4 8 44 e
y k  C1 4 k  C2  2  k2  k   2
k

9 9 81 e  2e  8

Si se sustituye directamente yk, debe transformarse la ecuación diferencia en:

yk  A0k 2  A1k  A2  bek

E 
 2E  8 yk  4k 1  e k 1
2 2

E 2
 2E  8yk  4k 2  8k  4  e k  e
yk 2  2 yk 1  8 yk  4k 2  8k  4  e k 1

En este caso se obtiene:

A0 k  2  A1 k  2  A2  bek  2
2


 2 A0 k  1  A1 k  1  A2  be k 1
2

 
 8 A0 k 2  A1k  A2  be k  4k 2  8k  4  e k  e

Que igualando los coeficientes de k2, k, k0 y ek de ambos miembros se obtiene:

 9 A0  4  A0   4
9
 9 A1  8  A1   8
9
2 A0  9 A2  4  A2   44
81
 
b e 2  2e  8  e  b  2
e
e  2e  8

Por lo tanto la solución particular es:

4 8 44 e k 1
yk   k 2  k   2
9 9 81 e  2e  8
La solución general:
 51

4 2 8 44 e k 1
y k  C1 4  C2  2  k  k 
k k

9 9 81 e 2  2e  8

2.5.6.2 Método de los Operadores Inversos

Si se asume que U es la solución particular de la ecuación no - homogénea,

entonces:

( E )U  R(k )

definiendo 1 ( E ) el inverso de ( E ) , entonces

U  1  R(k )
 ( E )

Este método es útil en caso de que R(k) tome las formas especiales indicadas en
la siguiente lista:

k
;    0 ; si =0 use la regla 4
1
1.  
k
E   

1 1
2. sen k ó cos  k
 E   E 

eik  e ik
Escriba: cos  k 
2
ik
e  e ik
sen k 
2

y use la regla 1

3. 1
 E 
Pk  
1
1   

Pk   b0  b1  ...  bm m  ... Pk 
Donde la expansión solamente se hace hasta  si 
m m+1
P(k)=0

La función (1 ) se transforma a una función de la forma 1+Z ó 1-Z, y

luego se expande teniendo en cuenta que:

(1+Z) -1= 1 - Z + Z2 - Z3 + Z4…

 52

(1-Z) -1= 1 + Z + Z2 + Z3 + Z4…

1 1
4.  k P( k )   k P(k ) , y use regla 3.
( E ) ( E )

Ejercicio 20:

1
Si (1  )    4  4 expanda como una función de 
2
 1   

 2 
(1 )    4  4  4   1
2

4 

 
 4 1 
2

4
 
1 1
 1   
(1 ) 4
2

4
  
1

1
 2

 1         ...
4
2

4
2

4 
 
Ejercicio 21:

Resolver yk 1  2 yk  8yk 1  4k 2  e k

Solución particular:

E 2

 2 E  8 yk 1  4k 2  e k

y k 1   2
1  2 k

4k  e 
 E  2 E  8 
    k
 2
1
 E  2 E  8   4k 2    2
1
 E  2 E  8 
e
 53

   
1

 E 2  2 E  8  4 k2
 
1
 4k
2
  (Regla 3)
 1     21     8 
2



1  2  1  2
4k   2  
4k  
1  2    2  2  8     9 
2

1
1  2 
  1 
9 9
4k , expandiendo:
2

1  2 4 
  1    ... 4k 2   4k 1
9
 
9 81 
1  
  1   4k 2   4k 1 
2

9 9

se deja sólo hasta 2, por que 4k(2) = 0 y 2k(2) =0)


1
9
  1

4 k  2   4 k 1  2 4 k  2   4 k 1
81


4 4
  k 2   k 1 
9 9 81

8k 1  4 
4 4 8
  k  2   k 1 
9 9 81

4  2
  k  k 1 
9
 8
81
4 8
  k2 
9 81

 1  k ek
 E 2  2 E  8 e  e2  2e  8 (Regla 1)

Por lo tanto la solución particular es:

4 2 8 ek
yk 1   k   2
9 81 e  2e  8

ek 1 ek 1
   k  2k  1   2
4 8 4 2 8
yk    k  1   2
2

9 81 e  2e  8 9 81 e  2e  8
 54

4 2 8 44 e k 1
yk   k  k   2
9 9 81 e  2e  8
La solución general es:

e k 1
y k  C1 4  C2  2  k  k   2
k k 4 2 8 44
9 9 81 e  2e  8

Ejercicio 22:

 
Resolver E 2  4 E  4 yk  3  2k  5  4k por el método de los Operadores Inversos

Solución complementaria:

E  22 yk  0
y k  C1  C2 k 2 k

Solución particular:

yk 
1
E  4E  4
2

3  2k  5  4k 
Si se usa la regla 1 2  0 , entonces se usa la regla 4 para 2 y la regla 1 para
k

4k

1 1
yk  2 k  3  5 2  4k
4 E  8E  4
2
4  4 4  4
k
2 1 5
yk    3   4k
4 1     21     1
2
4
2k 1 5
yk   2  3   4 k
4  4
k
  2  3   4 k
2 5
4 4
 
k
2 5
  1  3k 1   4 k
4 4
2 
3 k 5
  2k    4k
4 2 4
 55

3 5
  2k  k k  1   4k
8 4

3 5
yk  k k  12k   4k
8 4
Solución general:
3 5
yk  C1  C2 k 2 k  k k  12 k   4 k
8 4
3 5
yk  C1 2 k  C3 k 2 k  k 2 2 k   4 k
8 4
Ejercicio 23:

Hallar una solución particular de: E 1 yk  cos k por el método de los
coeficientes indeterminados.

yk  A cos k  Bsenk  y yk 1  A cosk  1  Bsen k  1

Remplazando:

A cosk  1  Bsen k  1  A cos k  Bsenk   cos k

Acos k cos  senksen   Bsenk cos  sen cos k   A cos k  Bsenk 

 cos k

A cos  Bsen  Acos k   Asen  B cos  Bsenk  cos k

A cos   Bsen   A  1 (1)

 Asen  B cos  B  0 (2)

Despejando A de la ecuación (2) se obtiene:

Bcos  1
A
sen

Reemplazando A en la ecuación (1) se obtiene:

Bcos   1cos   1
 Bsen   1
sen
Bcos   1  Bsen 2  sen
2
 56

B cos 2   2B cos   B  Bsen 2  sen

 
B sen 2  cos 2   2 cos  1  sen

B2cos 1  sen

sen
B
2cos  1

 A
sen

cos  1
2cos  1 sen
1
A
2

La solución particular es:

sen
yk  1 cos k  senk
2 2cos   1

Ejercicio 24:

Resolver: R  2  6R 1  8R  3R  2  5  3

2 R


Ecuación Homogénea:

R2  6R1  8R  0

E 2

 6 E  8 R  0
E  2E  4R  0
Ecuación auxiliar:

r  2r  4  0
 r1  2; r2  4

Solución homogénea:

R  C1  2R  C2  4R

Utilizando el método de los coeficientes indeterminados se halla la solución
particular prueba:
 57


R  A1R2  A2 R  A3  A4 3R

Sustituyendo la solución particular prueba en la ecuación diferencia se obtiene:

R  2  6R 1  8R  A1 R  2  A2 R  2  A3  A4 3R  2 
2

  
6 A1 R  1  A2 R  1  A3  A4 3R 1  8 A1R 2  A2 R  A3  A4 3R
2

 3 A1R 2  3 A2  8 A1 R  3 A3  4 A2  2 A1  A4 3R

 3 A1 R 2  3 A2  8 A1 R  3 A3  4 A2  2 A1  A4 3 R  3R 2  2  5  3 R

3 A1  3
3 A2  8 A1  0
3 A3  4 A2  2 A1  2
A4  5

 A1  1, A2  8 , A3  44 , A5  5
3 9

Su solución particular es:

 8 44
R  R 2  R   5  3R
3 9
La solución general:

8 44
 R  C1 2R  C2 4R  R 2  R   5  3R
3 9

Ejemplo 2:

En un proceso químico se alimentan 10.000 lb/h de un líquido puro A al primero de

una batería de 2 reactores de tanque agitado de igual tamaño que operan en serie.
Si ambos recipientes se mantienen a la misma temperatura constante, tal que toma
lugar la reacción
A 
k1
 B 
k2
C

estime el tamaño de los recipientes que darán el máximo beneficio del producto B.
Las constantes de velocidad específica son k1  0.1 min 1 y k2  0.05 min 1 a la
temperatura de operación y la densidad del fluido es constante e igual a 60
ft 3 lb .
 58

En la figura 1 se muestra el esquema de la batería de reactores.

CA1n : Concentración de A en el reactor n

CB1n : Concentración de B en el reactor n
CC1n : Concentración de C en el reactor n

q CA,0 q CA,1 q CA,n-1 q CA,N

V1 V2 Vn VN

1 2 n N

Figura 1. Esquema de batería de reactores

Balance de masa de A en el reactor n :

qC A ,n1  k1C A ,nV  qC A ,n

C A ,n1  C A ,n  k1θC A ,n (1)

V
donde  V  Volumen del reactor q  Flujo volumétrico
q
Balance de masa de B en el reactor n :

qCB ,n1  k 2CB ,nV  qCB ,n  k1C A ,nV

CB,n1  CB,n  k 2θCB,n  k1θC A,n (2)

Si k1   y k2  

de (1):

C A,n 1  E 1   C A,n 1  0
 59

1   E  1C A,n 1  0 Ecuación diferencia homogénea

 C A,n  K1 1n (3)

donde K1  Constante
1
1 
1   
Reemplazando CA , n en (2)

C B ,n1  C B ,n  C B ,n  K1 1n

CB ,n 1  1   CB ,n  K11
n

(1   )  1CB,n1  K1 1n Ecuación diferencia no homogénea

Solución complementaria:

C B,n  K 2  2n

donde:

K2 = constante

1
2 
1 

Se halla la solución particular utilizando el método de los operadores inversos:

 1  K1 1n
CB ,n 1   K  n

 1 1 1     1
caso 1
 1   E  1 1
n 1 n 1
K1 1 K 
CB ,n 1   1 1
1   1  
1
 K1  n
CB ,n    1
   

Solución general para CB,n :

 60

 K 1  n
C B ,n  K 2  2n     1 (4)
    

Aplicando condiciones límites:

CA  CA ,0
para n=0
CB  CB ,0  0

De la ecuación (3):

K1  CA,0

De la ecuación (4):

 C 
K2   A ,0   0
   
CA ,0
K2 
 

Reemplazando las constantes en (4):

CA,0 n
CB , n 


1  n2 
Para una batería de dos reactores:

C A,0 2
C B ,2 
 
1   22 

k1C A ,0  1   1  
2 2

C B ,2      
k 2  k1  1  k1   1  k 2  
 
 61

dC B ,2  k C  k2 k1 
 2 1 A ,0    3
d  k 2  k1   1  k 2  1  k1  
3

dC B ,2
0
d

k1 k2
 
1  k1  1  k2 3
3

21  k 2   1  k1 
3 3

 3  20 2  1333.33  0

La raíz real de la ecuación anterior es 7.024 min. Esta raíz debe chequearse con
la segunda derivada para saber si corresponde a un máximo.

d 2CB ,2 6k1C A ,0  k12 k22 

   
d 2 k2  k1  1  k1 4 1  k2 4 

Reemplazando:

  7.024 min
k 2  0.05 min 1
k1  0.1 min 1

d 2 C B,2

 12C A,0 11.9  10  4  7.5  10  4 
d 2

d 2 C B,2
 0.00528C A,0
d 2

El valor de   7.024 min corresponde a un máximo.

CB,2max  0.4053CA,0
104 3
V q  ft min 1 7.024 min  19.51 ft 3
3600
 62

2.5.7. Ecuaciones de diferencia no lineales

Estos tipos de ecuaciones generalmente se originan en la solución de problemas

de ingeniería y ellos son difíciles y algunas veces imposibles de resolver. Sin
embargo, las ecuaciones no lineales de primer orden se pueden resolver
gráficamente, y algunas de segundo orden se pueden resolver por sustituciones.

2.5.7.1 Soluciones gráficas

Si se considera la ecuación no lineal:

yn1  yn2  Ayn  B  0

Donde A y B son constantes, ésta debe reordenarse de la forma:

yn1  yn2  Ayn  B

Seleccionando un conjunto de valores para yn, se puede calcular un conjunto

correspondiente de valores para yn+1, de tal manera que se puede graficar yn+1 vs
yn (ver figura 2).

La curva AB representa la ecuación y n1  y n2  Ayn  B . Para hallar la solución

se construye la recta PQ. Se comienza en la condición de frontera yo y subiendo
hasta la curva AB se obtiene el valor de y1. Luego se localiza el punto C en la recta
PQ. Desde C se dibuja una línea vertical hasta intersectar la curva AB en D. Las
coordenadas de D son (y1, y2). Continuando este procedimiento por pasos hasta N
pasos, se puede obtener el valor de yN+1; y también el valor de y correspondiente a
cada valor de n.

Este método funcionará para todas las ecuaciones de primer orden que se puedan
separar en una forma simple tal como la de arriba.

El método de Ponchon y Savarit y el método de McCabe-Thiele para determinar

composiciones de los diferentes platos de alimentación en una torre de destilación
de una mezcla binaria son ejemplos típicos de solución de ecuaciones de
diferencias en forma gráfica en Ingeniería Química.
 63

yn+1
A yn+1= yn2-Ayn-B
y3

7 P

6
yn+1= yn
5
4 D
y2
3
y1 2
1 C

yn
1 2 3 4 5 6 7
yo y1 y2
B

Figura 2. Solución gráfica de una ecuación diferencia

Ejemplo 3:

Se desea esterificar 454 kg/h de alcohol etílico por reacción con 386 kg/h de ácido
3
acético en una batería de reactores CSTR continuos, cada uno de 0.85 m de
capacidad y mantenidos a 100°C. Si la relación de equilibrio es tal que se esterifica
el 75.2% del ácido, estime el número de reactores necesarios para una conversión
del 60%.
-4
A 100°C la constante de velocidad de reacción para la esterificación es 4.76x10
l/gmol.min, y para la hidrólisis del éster es 1.63x10-4 l/gmol.min. La densidad de la
mezcla reaccionante puede suponerse constante e igual a 865 kg/m3.

CH3COOH + C2H5OH CH3COOC2H5 + H2O

En la figura 3 se muestra el esquema de la batería de reactores CSTR.

Balance de masa para A en el reactor m:

C A,m 1q  C A,m q  rV (1)

 64

q q q q
A, B

1 2 m N q

Figura 3. Esquema de batería de reactores CSTR

Si la reacción es de segundo orden, la velocidad de reacción es:

r  k1C ACB  k 2CC CD (2)

A: CH3COOH B: C2H5OH C: CH3COOC2H5 D: H2O

Reemplazando (2) en (1):

C A,m1q  C A,m q  k1C AC B  k 2CC C D V

C A,m1  C A,m  k1C ACB  k 2CC CD  (3)

V  Tiempo de retención en el reactor


q

Si la concentración del reaccionante B supera inicialmente la de A en la cantidad c,

esta diferencia se conservará a través del sistema, de tal manera que en cualquier
reactor m, la concentración del reaccionante B es (CA,m + c). Por la estequiometría
de la reacción, la concentración de cada producto es CA,0 – CA,m.

Entonces:

CA: CA,m CB: CA,m + c CC: CA,0 –CA,m CD: CA,0 –CA,m

Reemplazando estos datos en la ecuación (3):


C A,m 1  C A,m  k1C A,m C A,m  c   k2 C A,0  C A,m  
2
 (4)

La ecuación (4) es una ecuación diferencia no lineal, que se resolverá

gráficamente para determinar el número de reactores necesarios (N).
 65

q
454  386 kg / h  0.97 m 3 / h
865 kg / m 3
kg 1 kgmol 1h
C A ,0  386   3
 6.63 kgmol / m 3
h 60 kg 0.97 m

Similarmente:

kg 1 kgmol 1h
C B ,0  454   3
 10.17 kgmol / m 3
h 46 kg 0.97 m
c  C B ,0  C A ,0  10.17  6.63  3.54 kgmol / m 3
V 0.85 m 3
   0.88 h  52.6 min
q 0.97 m 3 / h

Sustituyendo los anteriores valores en la ecuación (4):

 
C A,m1  C A,m  4.76 10 4 C A,m C A,m 3.54  1.63 10 4 6.63  C A,m  52.6
2

C A,m1  0.016C A2 ,m  1.202C A,m  0.377 (5)

Se eligen valores arbitrarios de CA,m y se sustituyen en la ecuación (5) para

generar la siguiente tabla:

Tabla 2. Concentraciones de ácido acético en cada etapa

CA,m CA,m-1
2 2.09
3 3.37
4 4.69
5 6.03
6 7.41

Se grafica CA,m-1 vs CA,m y se trazan las etapas partiendo de una composición del
alimento de 6.63 kgmol/m3, hasta que se cumpla con la conversión requerida del
60% (CA,m-1 = 0.4x6.63 = 2.65 kgmol/m3).

Según la figura 3:

Número de reactores requeridos, N = 7

Concentración final de ácido acético, CA,m = 2.51 (62% conversión)
 66

Ácido acético en el alimento

6.63
3
CA,m-1, kgmol/m 6

2
4
3
4
5
2.51 6
7
2

0
0 2 4 6 8
3
CA,m, kgmol/m

Figura 3. Análisis gráfico de reactores

2.5.7.2 Soluciones analíticas

Sólo un número limitado de ecuaciones de diferencias no lineales se pueden

resolver analíticamente y es posible porque se transforman en ecuaciones lineales.
A continuación se presentan tres ejercicios que ilustran este caso.

Ejercicio 25:

Resolver: y k y k 1 y k 2  y k  y k 1  y k 2 ; pista yk  tan uk

tan uk tan uk 1 tan uk 2  tan uk  tan uk 1  tan uk 2
 uk 1  uk 2  uk  

Solución complementaria:

E 2
 E  1  k  0
1  1  4
r
2
 67

1 3i 1 3i
r1    , r2   
2 2 2 2
1 3 3  2
   1,   tan -1  
4 4 1 3 3

k 2k 2k 
uk  1  C1 cos  C2 sen 
 3 3 

Solución particular (método de operadores inversos):

1 1
uk    
E2  E  1 1   2  1     1
1
 1  1  1 2  
uk   2   1         
   3  3  3  3  3

Solución general:
 2k 2k 
y k  tan  C1 cos  C2 sen
3 3 3 

Ejercicio 26:

Resolver :
yk 1  2 yk  1 ,
2
pista: yk  cos uk

cos u k+1  2 cos 2 u k  1

cos u k+1  cos 2u k
u k 1  2 u k
E  2u k 0
u k  C1 2 k

y k  cos C2 2 k 
Ejercicio 27:

Resolver:
 68

1
yk 1  1  yk ,
2
pista: yk  uk 2

y k21  y k2  1
u k 1  u k  1
E  1uk 1

Solución complementaria:

uk  C1  1
k

Solución particular (método de operadores inversos):

1
uk  1  1 1
E 1  11
 
 1  1 
1
 1  1 1
 1   1  1   1 
2 2   2 2  2
1  
 2

Solución general:
1
uk   C1  1
k

2
1
yk   C1  1
k

Ejercicio 28:

Resolver:
yn  2 yn  yn 1
2
; pista: sacar logaritmo

log yn  2  log yn  2 log yn 1

xn  log yn
 xn  2  x n  2 xn 1
x n  2  2 x n 1  x n  0
E 2

 2 E  1 xn  0
E  12 xn  0
 69

xn  Co  C1n
Co C1 n 
 y n  10

Ecuación de Riccati: Es una ecuación diferencia de segundo grado que

frecuentemente aparece en problemas de Ingeniería Química. La ecuación toma la
forma:
yn1 yn  Ayn1  By n  C  0

donde A, B y C son constantes. Esta ecuación se puede convertir en una ecuación

diferencia lineal haciendo la siguiente transformación.

yn  u n  

Sustituyendo en la ecuación original yn1 yn  Ayn1  By n  C  0

un1   un    Aun1    Bun    C  0


un1un   A   un1  B   un   2   A  B   C  0 
Escogiendo de tal forma que:

 2   A  B  C  0

Luego dividiendo por un+1un, se obtiene

 A    1  B    1
1  0
un u n1
Si se define:

1
xn 
un

  A   xn  B   xn1 1  0

 A  1
 xn1    xn  0 Ecuación diferencia lineal no homogénea
 B   B  
 70

Resolviendo esta última ecuación:

 A 
n

x n  C0  k
 B   
donde :

1
k 
A  B  2
n
1  A  1
  C0  
yn    B    A  B  2

Ejemplo 4:

Una solución de benceno y tolueno de 60% en mol de benceno se alimenta

continuamente a una columna de destilación (figura 4). Si hay 9 platos entre el
ebullidor y el plato de alimentación, y el producto de cabeza contiene 98%,
mientras que el producto de cola 2% en mol de benceno; estime la eficiencia global
en la zona de despojamiento de la torre. El alimento entra a la torre en el punto de
burbuja, la volatilidad relativa del benceno al tolueno puede considerarse constante
e igual a 2.3, y la relación de reflujo 3.0.

Balance de benceno en la zona de despojamiento hasta el plato n:

Lxn1  Gyn  Wxw (1)

Como la volatilidad relativa es constante, la relación de equilibrio esta dada por:

yn* xn

1  yn*
1  xn
 71

D, xD
F, xF

yn xn+1
n
n yn-1 xn

W, xw

Figura 4. Balance de masa en destilador

xn
yn* 
1    1xn (2)

Remplazando (2) en (1):

 xn 
Lxn1  G    Wxw  0
 1    1 x n

Lxn11    1 xn   Gxn  Wxw 1    1 xn   0

Lxn1  L  1 xn xn1  Gxn  Wxw  W  1 xn xw  0

xn 1xn 
1
xn 1 
G  Wxw   1 x  Wxw  0
  1 L  1
n
L  1

Llamando:
 72

1
A
  1
B
G  Wxw   1
L  1
Wx w
C
L  1

 xn1 xn  Axn1  Bxn  C  0

La ecuación anterior es la ecuación de Riccati, cuya solución es:

n
1  A  1
  C0    
xn    B   A  B  2

Si se supone 100 lbmol de alimento:

100  D  W
60  0.98D  0.02100  D 
 D  60.4, W  39.6
G  R  1D  241.6
L  F  RD  281.6

1 1
A   0.769
  1 1.3
B  1.523
C  0.0022

Escogiendo  de tal forma que:

 2   A  B  C  0

 2
 0.754  0.0022  0
 1  0.757
 2  0.003

Remplazando los valores de A, B y 1 se obtiene

 73

1
 C0 0.502  131
n
.
xn  0.003

Asumiendo que el ebullidor se comporta como una etapa ideal, se puede evaluar
C0, asignando al ebullidor n=0, o sea x0 = 0.02

 C0  42.2

 42.20.502n  1.31
1

xn  0.003

Para determinar el número de platos ideales en la zona de despojamiento se

ubicará primero el plato de la alimentación. Inicialmente se estima nf asumiendo
que xnf = 0.60.

1
 42.20.502 f  1.31
n

0.6  0.003
log 0.3484 42.2
 nf 
log 0.502

nf = 6.96

Con este estimado se calcula x7 y x6 para decidir en cual de los platos ideales se
hace la alimentación.

1
x6   0.003  0.500
42.20.502 6  1.31
1
x7   0.003  0.603
42.20.5027  1.31

Como x7  xf, puede decidirse la alimentación en el plato 6, con esta condición,

nf
E0   100
nrd
6
    100  66.7%
9
 74

2.6. Ecuaciones diferenciales - diferencias

Los procesos químicos que se llevan a cabo por medio de etapas, son analizados
con la ayuda de las ecuaciones de diferencias cuando se operan en estado
estacionario. Sin embargo, cuando este tipo de procesos está sujeto a un cambio
en las condiciones de operación, las composiciones de las corrientes que pasan a
través de las etapas cambian con el tiempo. Esto implica la adición de términos
diferenciales y la ecuación resultante se llama ecuación diferencial - diferencia.

En muchas ocasiones las ecuaciones resultantes no pueden ser resueltas

analíticamente y se hace necesario un análisis etapa a etapa con ayuda del
computador.

Las soluciones analíticas de ecuaciones diferenciales son definidas por la

conversión de este tipo de ecuaciones diferenciales por medio de la transformación
de Laplace.

2.6.1.Transformación de Laplace

El método operacional "La transformación de Laplace" es una técnica mediante la

cual una ecuación diferencial ordinaria se convierte en una ecuación algebraica
equivalente, para encontrar la solución particular de la ecuación diferencial.

Sistema Lineal
e(t) Dominio y(t) E(s)
Dominio
Y(s)
t Transformación s
directa

Ecuación Diferencial Ecuación algebraica

Solución general

Solución particular Solución particular

Transformación
y(t) Y(s)
inversa

Q(D)y(t) = e(t)

Figura 5. Transformación de Laplace

Como se ilustra en la figura 5 la transformación de Laplace ofrece una alternativa

para encontrar la solución particular a una ecuación diferencial. Este procedimiento
 75

tiene la ventaja que al convertir la ecuación diferencial en una ecuación algebraica

el proceso de solución resulta ser más simple que el requerido en el dominio del
tiempo. La transformación de la ecuación diferencial en una ecuación algebraica
en el dominio de s utiliza unas reglas conocidas en el dominio del tiempo y luego se
obtiene la solución particular (y(t)), mediante la transformación inversa de esta
solución en el dominio del parámetro s (Y(s)). En este proceso las condiciones
límites se introducen en la ecuación algebraica, antes de encontrar la solución
particular, a diferencia del método directo, en donde las condiciones límites se
aplican después de obtener una solución general.

La transformación de Laplace está definida para una función continua de una

variable independiente t, f(t), para todos los valores de t mayores que cero como:

L f t    e  st f t dt  f s 
0

donde s es un parámetro lo suficientemente grande que hace convergente la

integral en el límite superior.

2.6.2. Transformadas elementales

1. La  a / s
  s 1 a
2.L e  at 

3.Lt  
n n!
n 1 ;para n entero
s
n  1
 n 1 ; para n  entero1.
s
4.LRf t   R f s 
 
5.L f , t   s f s   f 0

1
Función Gama:
n   t n 1e  t dt
0

Propiedades:
i.n  n  1n  1
ii .n   n  1! ;para n entero.
iii .n    ;para n entero negativo o n =0.
iv .n  1  n n  1
 76

t 
6.L   f t dt   f s  s
0 
 
7.L t n e  at 
n!
s  a n 1 , para n entero.


8.LSent  
s2   2
9.LCost  
s
s2   2

10.LSenht  
s2   2
11.LCosht  
s
s2   2
12.L f t   s 2 f s   sf 0  f 0
   
13.L f n t   s n f s   s n 1 f 0  s n  2 f 0  ...  f n 1 0

2.6.3. Transformadas inversas

Existen varios métodos para transformar una función del dominio del parámetro s
al dominio del tiempo. El método más simple consiste en descomponer la función
f  s en términos cuya inversa sea conocida. En algunos casos no es posible
utilizar esta técnica, por lo tanto debe recurrirse a otros métodos como el método
de la integral de convolución y el método de los residuos.

2.6.3.1. Método de la Integral de Convolución

Este método consiste en descomponer la función f  s como el producto de dos
funciones para las cuales se conoce la transformada inversa:

f s   g s hs 

La transformada inversa de f s  se obtiene entonces como:

t
f t   L1 f s    g t   h d
0
 77

t
  g ht  d
0

Ejercicio 29:

Hallar la transformada inversa de:

1
f  s 
s s  a 
2

1 1
g s   , h s    g t   1, ht   te at
s s  a 2
t
f t    e a d
0

Integrando por partes:

f t    udv  uv   vdu

u  du  d
a e a
dv  e d v
a
t
t
a e ae a e a 1 a
t
teat 1 at 1
 e d    d   2e   e  2
0 a 0 a a a 0
a a2 a


1
1 
 e at

teat

a2 a

2.6.3.2. Método de los Residuos

Este es el método más poderoso para encontrar la transformada inversa de

Laplace. El se encuentra ampliamente explicado en textos clásicos de ecuaciones
diferenciales, y en virtud de que el propósito de este texto no es profundizar en
detalles matemáticos, solo se presentarán las ecuaciones de utilidad para su
aplicación.
 78

Cuando f  s es analítica2, excepto para singularidades que son únicamente

polos3, la transformada inversa está dada por:

f t     n t 
1

donde  n t  es el residuo de f  s en el polo pn. Los residuos se pueden

determinar para un polo simple como:

j  pn  p n t
 n t   e
 pn 
donde:

j s 
f s  
 s 
ds 
 pn  
ds s  pn

Si pn es un polo múltiple de orden m, entonces:

pm
t p 1
 n t   e p t  Ap
n

p 1  p  1!
donde:

nm  p  pn 
1
Ap  p  1, 2, ..., m
m  p !
 d m p 
 m p
n  pn    m  p n s  n s   s  pn m f s 
 ds  pn

2
Una función f(z)es analítica, en el campo complejo, cuando solo existe un valor de la función
para cada valor de z y existe la primera derivada en todo el dominio de la función.
3
Los polos son los puntos en los cuales el denominador de la función se hace cero y por lo tanto
la función es indeterminada o sea que se hace infinita. Un polo es un punto singular removible
cuando, si existe un factor que multiplicado por la función la haga analítica.
 z   z  z0  f  z
m

z0  polo, en caso contrario es “esencial”.

 79

Ejercicio 30:

Encontrar la transformada inversa de:

1
f  s 
s s  a 
2

Polos: s  0, s  a
j s   1
s   ss  a   s   s  a   2ss  a 
2 2

Residuo 1 t  , es el residuo en el polo s  0 .

j 0  1
0  a 2
1
1 t   2
a

Residuo 2  t  , es el residuo en el polo múltiple de orden dos, sa

2 t   eat  A1  A2 t 
1
A1   2 a 
1
A2   2 a 

 2 s   s  a  f s  
2 1
s
1
 2 a  
a
1
 2  s  
s2
1
 2 a    2
a

1
 A1  
a2
 80

1
A2 
a

 2 t   e at  
1 t
 
 a a
2

1
 
 f t   1 t    2 t   2 1  e 
a
at teat
a

Ejemplo 5:

Un sistema consiste de N tanques agitados cada uno de volumen v ft3 arreglados

en una cascada (figura 6). Si cada tanque inicialmente contiene agua pura y una
corriente salina de concentración x0 lbft-3 es alimentada al primer tanque a una rata
R ft3h-1, calcular la concentración de salida del último tanque como función del
tiempo si la eficiencia de la agitación es del 100%.

R R R R
Xo

1 2 n N R
XN

Figura 6. Cascada de tanques agitados

Análisis en el tanque n:

Balance de masa para la sal:

d
Rx n 1  Rx n  vxn 
dt
dx
Rx n 1  Rx n  v n (1)
dt
Según la regla 5 del acápite 2.6.2:
 81

 df t 
L  s f s   f 0
 dt 
Aplicando la transformada de Laplace (regla 5) a la ecuación (1):

R x n1 s   R x n s   vs x n s   xn 0

En el tiempo t=0 no hay sal, entonces xn(0) = 0

R x n1 s   R x n s   vsx n s 

x n vs  R   R x n 1  0 Ecuación diferencia lineal homogénea

vs  RE  Rx n 1  0

n
R  R 
r  x n s   A  (2)
vs  R  R  vs 
El valor de A se obtiene a partir de las condiciones límites.

0
 R 
x o s   A  A
 R  vs 
Aplicando la regla 1 del acápite 2.6.2:

x o s   Lxo  
xo
(composición del alimento constante)
s
xo
A
s
Reemplazando A en la ecuación (2):

n n
xo 
R 
n n  
xo  R    R 1 1 
x n s      
v  xo  
s  R  vs  s R  s  v  sR  s
 v   v 

Para n=N:
 82

N
 N 
 R 1 1 
x N s   xo  
 v  sR  s
 v 
Definiendo:

N
R a
R
B  xo   y
v v
N
1 1 
 x N s   B   (3)
sa  s

Utilizando las transformadas elementales (reglas 6 y 7):


L 0 f t dt 
t
 1
s
f s 

 t N 1e at  1
L  
  N  1!  s  a 
N

y aplicándolas a la ecuación (3):

 1 1   1 
x N t   L1  B    B 0t L1 
 N 
dt
 s  s  a    
N
  s a 

t N 1e  at
x N t   B 
t
dt
N  1!
0

Se resuelve la integral por partes:

u  t N 1  du  N  1t N 2 dt
 at e  at
dv  e  v  
a
B  t N 1 at N  1 t N 2 at 
x N t    e   t e dt 
N  1!  a a 0 

Continuando sucesivamente la integración por partes:

 83

 t N 1e at t N 2 e at e at 1 

x N t   B   2  ...  N  N 
 a N  1! a  N  2! a a 

Reemplazando B y a en la ecuación anterior:

 N 1  R t v R t R t R t 
x N  x0 R  N
 t e 
t N 2 e v
  ... 
te v

e

v 1 
v   N  1! R
 v  N  2! v
R  
2
 R
v
N 1
   
R
v
N
R
N 

v 
 N 1 R t N 1
e v 
R t
R t  Rt   R t v  Rt  e v  Rt 
x N  x0 1  e v   e ...      
  v   v   N  2!  v   N  1! 
 
R t 

x N  xo  x o e v 1    
 Rt 
Rt
v
2
 
 ... 
 
Rt
v
N 1


  v  2! N  1! 
 

N 1 Rt v  i


R t
x N  x0  x0 e v

i 0 i!

Otro método para encontrar xn(t) es el método del residuo:

n
x0  R  xo R n
x n s     
s  R  vs  sR  vs
n

Polos: s=0
s = -R/v  Polo multiple de orden n

j s 
x n s  
l s 

j s   x0 R n
l s   sR  vs
n

n nsv 
l s   R  vs 1
 R  vs 

Residuo 1(t) para s = 0

 84

j 0  xo R n
l 0  R n 1  0  R n
x Rn
1 t   o n  xo
R

Residuo 2(t) para s = -R / v de orden n


Rt
 t2 t n1 
 2 t   e     
n 1!
v
A1 A2 t A3 ... An
 2!

A1 
1
n 1!
 n21  R
v
 

 2 s   s  R 
n x0 R n
v sR  vsn
x0 R n

s v
 
2 s    2 R
x0
s v
n
 
2 s   2 3 R
x0
s v
n
 
 32 s    4  x0 R 
3!
s 
n

v 
 
 1n1 n 1! 
 2 s   
n 1
 
x 0 R
n


 

n v
 s

 n21  R
v
 n 1!x 0

A1  
n 1!x0   x0
n 1!
A2 
1
n  2!
 n22  R
v
 
 1n2 n  2! 
 s   
n2
2 n 1 

x 0 R
v
n


 
 s 
 
 n22  R   x0 n  2! R
v v
 
 85

 A2 
 x0 n  2 ! R  v
n  2!
A2   x0 R  v
A3 
1
n  3!
 n23  R
v
 
 n23 s   1
n 3 n  3! x0 R 
n

s n2 v


 n23  R  1 n 3 n  3! x0 R  v n

v
 R v  n2

 1
n 3 n  3! x0 R n
1n2 R v 
n2 v

 v
 n  3!x0 R
2

1
n  3!x R v 
2
 A 
n  3!
3 0

 v
  x0 R
2

A   x R 
n 1
n 0
v

Rt
 Rt x0  Rt 
2
x0  Rt  
n 1

 2 t   e  x0  x0     ...   
n 1! v  
v

 v 2!  v 


Rt
 Rt 1  Rt  2 1  Rt  
n 1

  x0 e 1     ...   
n 1! v  
v

 v 2! v 

 xn t   x0  x0 e

Rt
n 1 Rt v  k

v

k 0 k!

 x N t   x0  x0 e

Rt
N 1 Rt v  k

Si n = N v

k 0 k!

Utilizando el método de la integral de convolución:

 86

x0 R n
x n s    g s hs 
sR  vs
n

1
x0 R n h s  
vn
g s  
s sR
n
 
 
v
1 n
g t   x0 R ht   v t n1e v
 Rt
n
n 1!
n 1 v   R
n
x n t    x0 R
t
 n 1e v d
0 n  1!
v
 v 
R
 n 1e
x n t   x0 R
n t
d
0 n  1!

2.7. Problemas propuestos

1. Muestre que la solución general de la ecuación diferencia:

y
2
y
 3  2 y  4 x 2  está dado por:
x 2
x
y  C1 x 1  2h h  C2 x 1  h h  2 x 2  6  2hx  7 , donde C1(x) y C2(x)
x x

tienen periodos igual a h.

2. Resolver
a. yn 1  yn  n
b. yn3  2 yn2  yn1  2 yn  0
c. yn3  5 yn2  8 yn1  4 yn  0
d. yn2  2 yn1  2 yn 1
e. yn2  4 yn1  4 yn  n  cos n
f. xn  xn1  xn2 ; x1  0, x0  1
g. 8xn  6 xn 1  xn  2  2 n

3. Demostrar que para una extracción líquido - líquido con flujo cruzado donde los
solventes son insolubles y la relación de equilibrio es lineal de la forma y’ =
mx’, donde x´ y y´ son razones másicas en las fases extractoras y refinadas, se
cumple:
 87

y   1  y S
Np

   x F  S  
x Np  
 m  1   m

 x  yS 
log  m
F

 x  yS 
 Np m 
Np 
log 1   

mB
donde:

A

B: Flujo másico de solvente extractor/etapa

A: Flujo másico de solvente original

2.8 Bibliografía

Jenson, V.G., Jeffreys, G.V. “ Mathematical methods in Chemical engineering”,

Academic Press, New York, 1963.

Mickley, H.S., Sherwood, T.S., Reed, C.E., "Applied Mathematics in Chemical

Engineering". McGraw, New Delhi, 1975.

Spiegel, M.R., "Theory and problems of calculus of finite differences and difference
equations", McGraw-Hill, New York, 1970.
 90

CAPÍTULO III

MÉTODOS NUMÉRICOS

TABLA DE CONTENIDO

3.1. Solución de ecuaciones no – lineales ............................................................ 91

3.1.1. Ceros reales ........................................................................................... 92
3.1.1.1. Método de la bisección ..................................................................... 93
3.1.1.2. Método de la falsa posición (regula - falsi) ........................................ 96
3.1.1.3. Método de la falsa posición modificado ............................................ 98
3.1.1.4. Método de la secante ......................................................................100
3.1.1.5. Método de Newton ..........................................................................102
3.1.1.6. Método de las sustituciones sucesivas ............................................103
3.1.1.7. Método de Wegstein .......................................................................105
3.1.2. Ceros complejos ....................................................................................106
3.2. Solución de ecuaciones lineales simultáneas ...............................................109
3.2.1. Método de Jacobi...................................................................................110
3.2.2. Método de Gauss - Siedel......................................................................113
3.3. Ecuaciones simultáneas no lineales .............................................................115
3.4. Interpolación y aproximaciones ....................................................................120
3.4.1. Aproximaciones polinomiales .................................................................122
3.4.1.1. Método de Gregory- Newton ...........................................................123
3.4.1.2. Método de Lagrange .......................................................................125
3.4.1.3. Aproximación con puntos base igualmente espaciados ...................127
3.4.2. Aproximación de funciones por el método de los mínimos cuadrados ....129
3.5. Diferenciación numérica ...............................................................................133
3.6. Integración numérica ....................................................................................138
3.6.1. Fórmulas de integración cerradas ..........................................................138
3.6.1.1. Regla trapezoidal.............................................................................138
3.6.1.2. Regla de Simpson ...........................................................................139
3.6.2. Fórmulas de integración abierta .............................................................141
3.7. Solución de ecuaciones diferenciales ordinarias ...........................................144
3.7.1. Método de desarrollo de Taylor ..............................................................145
3.7.2. Método de Euler ....................................................................................147
3.7.3. Métodos de Runge-Kutta .......................................................................148
3.9. Sistemas de ecuaciones diferenciales ordinarias ..........................................150
3.10. Ejercicios propuestos .................................................................................155
3.11. Bibliografía .................................................................................................158
 91

CAPÍTULO III.
MÉTODOS NUMÉRICOS

Los métodos numéricos son métodos en análisis matemático que permiten la

solución de un problema en una forma aproximada, por medio de operaciones
aritméticas y lógicas, en un número finito de etapas.

El conjunto de pasos secuenciales que deben realizarse para alcanzar la solución

de un problema determinado se llama algoritmo.

Los algoritmos diseñados para la solución de problemas mediante métodos

numéricos contemplan la posibilidad de un número infinito de operaciones, de las
cuales en la práctica sólo pueden realizarse un número finito. Este hecho hace que
la solución no sea exacta y la aproximación dependa del número de etapas de
cálculo realizadas.

En una solución por métodos numéricos pueden haber involucrados dos tipos de
errores en la respuesta

 Error de truncamiento
 Error de redondeo

El error de truncamiento es el error introducido en la aproximación de la solución

de un problema matemático por un método numérico en el cual sólo pueden
desarrollarse un número finito de etapas de cálculo.

El error de redondeo es el error causado por el redondeo resultado de operaciones

aritméticas individuales; porque en las máquinas donde se llevan a cabo las
operaciones sólo es posible retener un número finito de dígitos. Este error depende
de la máquina donde se llevan a cabo dichas operaciones.

Se define estabilidad numérica como la inmunidad que posee un algoritmo a la

acumulación de errores de redondeo.

3.1. Solución de ecuaciones no – lineales

La mayoría de las ecuaciones se originan con términos al lado derecho e izquierdo

del signo igual, pero es tradicional sustraer uno de los dos lados de tal forma que
conduzca a f(x) = 0. Cuando solo hay una variable independiente, el problema es
unidimensional, para lo cual se denomina la solución de esta ecuación como raíces
o ceros de la función.
 92

3.1.1. Ceros reales

Los métodos utilizados para hallar los ceros reales de las ecuaciones f(x) = 0 son
métodos que generalmente empiezan con uno o más valores iniciales aproximados
o supuestos para las raíces, a partir de los cuales se genera una secuencia x0, x1,
xk, que se espera converja a la raíz. Aunque existen métodos numéricos
restringidos a polinomios que pueden producir aproximaciones simultáneas a todas
las raíces como el método de Graeffe y el algoritmo QD, los métodos que aquí se
presentan son generales.

La mayoría de los métodos iterativos se pueden escribir en la forma:

xk 1  g  xk 

para una adecuada función g(x) y una aproximación inicial x0. En ciertos métodos
es suficiente conocer un intervalo [a,b] en el cual se encuentra la raíz o las raíces.
En otros es conveniente estimar o suponer un x0, el cual está suficientemente
cercano a la raíz.

Se advierte que para hacer la selección de los intervalos iniciales de búsqueda se

debe tener en cuenta las siguientes consideraciones:

a. Intervalos donde la función tenga el mismo signo en los extremos no

necesariamente indican que no existe raíz, sino que también se puede
contener una raíz en donde la función es tangente al eje x o múltiples raíces
(ver figura 1a y 1b).
b. En ocasiones el cambio de signo en el valor de la función en los extremos
del intervalo no significa la existencia de una raíz, ya que ese cambio puede
ser ocasionado por la presencia de singularidades (ver figura 1c).

En todos los métodos se realizan las iteraciones hasta que se obtenga la

convergencia deseada, la cual puede ser calculada de las dos siguientes maneras:

x  xk
i. f  xk    y k 1 
xk 1

ii. f  xk    y xk 1  xk  
 93

f(x) f(x)

ao bo ao bo

(a) (b)

f(x)

ao
bo

(c)

Figura 1. Ejemplos gráficos de selección de intervalos

3.1.1.1. Método de la bisección

Este es el método más simple y consiste en estrechar el intervalo donde se

encuentra la raíz, lo cual se determina con la diferencia de signos en la función
para los valores extremos del intervalo. Luego se evalúa la función en el punto
medio del intervalo y se examina su signo; se usa el punto medio para reemplazar
alguno de los dos puntos límites, tal que se conserve la diferencia de signos del
valor de la función en los extremos del subintervalo.

Dada una función f(x) continua en el intervalo [a0,b0] tal que f(a0)f(b0)  0, la
aproximación de la raíz en cada etapa se hace con la fórmula:

ak  bk
xk 
2
 94

Siendo ak y bk los límites del intervalo en cada iteración k, donde está contenida la
raíz.

La elección del nuevo intervalo se hace de acuerdo con los siguientes criterios:

Sí f ak  f  xk   0  ak 1  ak y bk 1  xk

Sí f xk  f bk   0  ak 1  xk y bk 1  bk

Figura 2. Representación gráfica del método de la bisección

Ejemplo 1:

Calcule el volumen molar para el amoníaco gaseoso a una presión de 56 atm y una
temperatura de 450 K usando la ecuación de estado de Redlich-Kwong:

RT a
P 
V  b V V  b  T
Donde:
 95

 R 2T 5 2 
a  0.42747 c 
 Pc 
 
 RT 
b  0.08664 c 
 Pc 

P: Presión en atm
V: Volumen molar en l/gmol
T: Temperatura en K
R: Constante de los gases, R = 0.08206 atm.l/(gmol.K)
Tc: Temperatura crítica, Tc = 405.5 K para amoníaco
Pc: Presión crítica, Pc = 111.3 atm para amoníaco

Reemplazando R, Tc y Pc se hallan los valores de las constantes a = 85.635 y b =

0.0259. Estas constantes se sustituyen en la ecuación de estado:

0.08206  450 85.635

56  
V  0.0259 V V  0.0259 450

Reorganizando la ecuación queda:

36.927 4.0369
f V   0    56
V  0.0259 V V  0.0259

Esta es una ecuación no-lineal, cuya raíz V desea conocerse. Para esto se
utilizará el método de la bisección.

Para definir el intervalo de búsqueda se calculó el volumen molar usando la

ecuación de los gases ideales a 450 K y 56 atm, el volumen molar ideal es 0.6594
l/gmol. Alrededor de este valor se encuentra el volumen real, por lo que se
ensayará la búsqueda en el rango entre 0.5 y 1.

ak  bk
Vk 
2

ao = 0.5 f(0.5) = 6.5363

bo = 1.0 f(1.0) = -22.0261 f(ao)f(bo) < 0

Los datos de las iteraciones se tabulan en la tabla 1.

 96

El volumen molar para el amoníaco a 56 atm y a 450 K es aproximadamente

0.5698 l/gmol

Tabla 1. Iteraciones del ejemplo 1 con el método de la bisección

k Vk f(Vk) ak bk
0 0.75 -11.94 0.5 1.0
1 0.625 -4.2858 0.5 0.75
2 0.5625 0.6196 0.5 0.625
3 0.5938 -1.9467 0.5625 0.625
4 0.5782 -0.697 0.5625 0.5938
5 0.5704 -0.0505 0.5625 0.5782
6 0.5665 0.2783 0.5625 0.5704
7 0.5685 0.1092 0.5665 0.5704
8 0.5695 0.025 0.5685 0.5704
9 0.57 -0.017 0.5695 0.5704
10 0.5698 -0.0002 0.5695 0.57

Vk 1  Vk
Tomando como criterio de convergencia f Vk   1103 y  110 3
Vk 1
se toma como aproximación del volumen molar el valor 0.5698 l/gmol, pues en la
Vk 1  Vk
iteración 11 se tiene que f Vk   2 10  3.51 10 4
4
y
Vk 1

3.1.1.2. Método de la falsa posición (regula - falsi)

Este método elige la secante entre los puntos (ao, f(ao)) y (bo, f(bo)), o en general la
secante entre los puntos que definen el intervalo actual para determinar la
aproximación de la raíz; ésta se toma como el punto donde la línea cruza el eje. Se
usa esta aproximación para reemplazar uno de los dos extremos del último
intervalo, de tal manera que se conserve el cambio de signo en el valor de la
función en los extremos del nuevo intervalo de aproximación. En la figura 3 se
representa el proceso iterativo.

Dada una función continua f(x) en el intervalo [a0,b0] tal que f a0  f b0   0 ; la
aproximación de la raíz en cada etapa se hace con la fórmula:

f bk ak  f ak bk

xk 
f bk   f ak 
 97

xk  bk  f bk 
bk  ak 
 f ak   f bk 
Siendo ak y bk los límites del intervalo en cada iteración k, donde está contenida la
raíz.

f(x)

ao xo x1 x2
bo

Figura 3. Representación gráfica del método de la falsa posición

La elección del nuevo intervalo se hace de acuerdo con los siguientes criterios:

Sí f ak  f  xk   0  ak 1  ak y bk 1  xk

Sí f  xk  f bk   0  ak 1  xk y bk 1  bk

Ejemplo 2:

Hacer el ejemplo 1, usando el método de la falsa posición.

36.927 4.0369
f V   0    56
V  0.0259 V V  0.0259
 98

f bk ak  f ak bk

Vk 
f bk   f ak 

En la tabla 2 se muestran las iteraciones realizadas.

Tabla 2. Iteraciones del ejemplo 2 con el método de la falsa posición

k ak bk Vk f(ak) f(bk) f(Vk)

0 0.5 1.0000 - 6.5363 -22.0261 -
1 0.5 0.6144 0.6144 6.5363 -3.5155 -3.5155
2 0.5 0.5744 0.5744 6.5363 -0.3842 -0.3842
3 0.5 0.5703 0.5703 6.5363 -0.0399 -0.0399
4 0.5 0.5698 0.5698 6.5363 -0.0041 -0.0041
5 0.5698 -0.0004

Tomando los mismos criterios de convergencia usados en el ejemplo 1, se toma

como aproximación del volumen molar el valor 0.5698 l/gmol, pues en la sexta
Vk 1  Vk
búsqueda f Vk   4 104 y  0 , valores que son menores que
Vk 1
1x10-3

3.1.1.3. Método de la falsa posición modificado

El método consiste en disminuir la pendiente de la secante entre el punto fijo y la

nueva posición, esto se logra reduciendo el valor de la función del punto fijo a la
mitad del valor real, y con estos dos valores se traza la nueva secante. Este
procedimiento se puede apreciar gráficamente en la figura 4.

Dada una función f(x) continua en el intervalo [a0,b0] tal que f a 0  f b0   0 ;
la aproximación de la raíz en cada etapa se calcula con la fórmula:

Gak  Fbk
xk 
GF

Siendo ak y bk los límites del intervalo en cada iteración k, donde está contenida la
raíz y G y F son valores que inicialmente se calculan como: G = f(b0) y F= f(a0).

La elección del nuevo intervalo se hace de acuerdo con los siguientes criterios:
 99

ak 1  ak
bk 1  xk
Sí f ak  f  xk   0 
G  f  xk 
FF
2

Figura 4. Representación gráfica del método de la falsa posición modificado

ak 1  xk
bk 1  bk
Sí f bk  f  xk   0 
F  f  xk 
GG
2
Ejemplo 3:

Hacer el ejemplo 1, usando el método de la falsa posición modificado.

36.927 4.0369
f V   0    56
V  0.0259 V V  0.0259
 100

Gak  Fbk
Vk 
GF
En la tabla 3 se muestran las iteraciones realizadas.
Tabla 3. Iteraciones del ejemplo 3 con el método de la falsa posición modificado

k ak bk Vk F G f(Vk)
0 0.5000 1.0000 6.5363 -22.0261
1 0.5000 0.6144 0.6144 3.2682 -3.5155 -3.5155
2 0.5551 0.6144 0.5551 1.2597 -1.7578 1.2597
3 0.5551 0.5799 0.5799 0.6299 -0.8343 -0.8343
4 0.5658 0.5799 0.5658 0.3400 -0.4172 0.3400
5 0.5658 0.5721 0.5721 0.17 -0.1934 -0.1934
6 0.5687 0.5721 0.5687 0.0893 -0.0967 0.0893
7 0.5687 0.5704 0.5704 0.04465 -0.0468 -0.0468
8 0.5695 0.5704 0.5695 0.0228 -0.0234 0.0228
9 0.5695 0.5699 0.5699 0.0114 -0.0116 -0.0116
10 0.5697 0.5699 0.5697 0.0057 -0.0058 0.0057
11 0.5697 0.5698 0.5698 0.0029 -0.0029 -0.0029

El volumen molar es aproximadamente: 0.5698 l/gmol. En este ejemplo se tomó el

valor 5x10-3 como criterio de convergencia.

3.1.1.4. Método de la secante

Este método es muy similar al de la falsa posición, la diferencia radica en que no

se requiere que haya cambio de signo en la función para los extremos del intervalo
[a0,b0] y se retiene el más reciente de los valores estimados (ver figura 5).

La aproximación de la raíz en cada etapa se calcula con la fórmula:

xk 1 f  xk   xk f  xk 1 
xk 1 
f  xk   f  xk 1 
x k  x k 1 
x k 1  x k  f x k 
f  x k   f  x k 1 
x1  a0 y x0  b0
 101

f(x)

x2
x1 ao bo
x-1 xo

Figura 5. Representación gráfica del método de la secante

Este método tiene como desventajas:

i. No converge si en el intervalo elegido existe un punto de inflexión.

ii. No converge si en el intervalo existe un máximo o un mínimo.

Ejemplo 4:

Hacer el ejemplo 1, usando el método de la secante.

36.927 4.0369 Vk 1 f Vk   Vk f Vk 1 
f V   0    56 Vk 1 
V  0.0259 V V  0.0259 f Vk   f Vk 1 

En la tabla 4 se muestran las iteraciones realizadas.

Tabla 4. Iteraciones del ejemplo 4 con el método de la secante

k Vk f(Vk)
-1 0.5000 6.5363
0 1.0000 -22.0261
1 0.6144 -3.5155
2 0.5412 2.5086
3 0.5717 -0.1583
4 0.5699 -0.0067
5 0.5698 0.0000
 102

Con el mismo criterio de convergencia del ejemplo anterior se tiene como

aproximación del volumen molar 0.5698 l/gmol.

3.1.1.5. Método de Newton

Este método toma la raíz de la recta tangente en un punto cercano a la raíz

buscada, como aproximación de la raíz de la función. Se distingue de los métodos
vistos hasta ahora porque requiere de la evaluación de derivada además del valor
de la función en cada etapa de aproximación (ver figura 6).

Dada una función f(x) continuamente diferenciable y un punto de la función

(x0, f(x0)), la aproximación de la raíz en cada etapa se calcula con la fórmula:

En este método solo se requiere un valor inicial xo para comenzar las iteraciones.
f  xk 
xk 1  xk 
f  xk 

f(x)

x2
x1 xo

Figura 6. Representación gráfica del método de Newton

Ejemplo 5:

Hacer el ejemplo 1, usando el método de Newton.

 103

36.927 4.0369
f V   0    56
V  0.0259 V V  0.0259

36.927 4.03692V  0.0259

f ' V    
V  0.0259 2
V V  0.02592
f Vk 
Vk 1  Vk 
f Vk 

En la tabla 5 se muestran las iteraciones realizadas:

Tabla 5. Iteraciones del ejemplo 5 con el método de Newton

k Vk f(Vk) f’(Vk)
0 0.5000 6.5363 -117.7371
1 0.5555 1.2254 -98.3495
2 0.5680 0.1535 -94.6535
3 0.5696 0.0168 -94.1877
4 0.5698 0.0019 -94.1366

El volumen molar es aproximadamente: 0.5698 l/gmol, si se toma el mismo valor

de 5x10-3 para el criterio de convergencia.

3.1.1.6. Método de las sustituciones sucesivas

Dada una f(x) = 0, el método requiere previamente despejar la variable

independiente de una manera sencilla en función de ella misma, para obtener una
ecuación de la forma x = F(x). El proceso parte de un valor inicial xo para calcular
F(xo), y en forma sucesiva genera aproximaciones con la fórmula :

xk 1  F xk 

El proceso de aproximación sucesiva se ilustra gráficamente en la figura 7.

Este método presenta problema cuando F x k   1 en el intervalo de interés.

Ejemplo 6:

Hacer el ejemplo 1, usando el método de sustituciones sucesivas.

 104

36.927 4.0369
f V   0    56
V  0.0259 V V  0.0259

Despejando V del primer término de la ecuación:

Figura 7. Representación gráfica del método de sustituciones sucesivas

36.927
F V    0.0259  V
56  4.0636 / V V  0.0259  

Vk 1  F Vk 

En la tabla 6 se muestran las iteraciones realizadas.

Tabla 6. Iteraciones del ejemplo 6 con el método de las sustituciones sucesivas

k Vk F(Vk)
0 0.5 0.5434
1 0.5434 0.5607
2 0.5607 0.5668
3 0.5668 0.5688
4 0.5688 0.5695
5 0.5695 0.5697
6 0.5697 0.5698
7 0.5698 0.5698
 105

Como en los ejemplos anteriores también el volumen molar es aproximadamente:

V V
0.5698 l/gmol, si se toma 1.0x10-3 como valor para la convergencia en k 1 k
Vk
3.1.1.7. Método de Wegstein

Este método, como el método de la falsa posición y el de la secante, utiliza una

recta secante a una curva para obtener aproximaciones de la raíz (ver figura 8).
Pero, requiere de la transformación de la función original f(x) = 0 en una forma
similar a como se hace en el método de las aproximaciones sucesivas para
obtener F x  .

La aproximación de la raíz en cada etapa, se obtiene como el valor de x en donde

la secante de F(x) en dos puntos intercepta a la línea recta y = x (ver figura 8). La
fórmula algorítmica es:

xk 1F  xk   xk F  xk 1 
xk 1 
xk 1  xk  F  xk   F  xk 1 

Para comenzar el método se necesitan dos aproximaciones iniciales. Una de ellas

puede ser un punto arbitrario x0, y el otro se puede generar utilizando la técnica de
aproximaciones sucesivas

Figura 8. Representación gráfica del método de Wegstein

 106

Ejemplo 7:

Hacer el ejemplo 1, usando el método de Wegstein.

36.927 4.0369
f V   0    56
V  0.0259 V V  0.0259

36.927
F V    0.0259
56  4.0636 / V V  0.0259
Vk 1 F Vk   Vk F Vk 1 
Vk 1 
Vk 1  Vk  F Vk   F Vk 1 

En la tabla 7 se muestran las iteraciones realizadas.

Tabla 7. Iteraciones del ejemplo 7 con el método de Wegstein

k Vk F(Vk)
0 0.5 0.5434
1 0.5434 0.5607
2 0.5722 0.5706
3 0.5698 0.5698

El volumen molar es aproximadamente: 0.5689 l/gmol

3.1.2. Ceros complejos

Método de Newton

Dada una función f(x), si sus raíces son complejos de la forma z  x  iy , la

función se puede expresar como:

f z   ux , y   iv x , y 

donde:

u  x , y   0
 para las raíces
v x , y   0 

Para encontrar las raíces se aplica la fórmula iterativa del método de Newton:
 107

f  zk 
zk 1  zk 
f  zk 

Esta fórmula es equivalente a:

 vu  uu x 
xk 1  xk   2y 
 u  u2 
 x y  xk , yk

  vux  uu y 
yk 1  yk   
 u2  u2 
 x y  xk , yk

donde:

u u
ux  ;u y 
x y

Las fórmulas iterativas equivalentes, para la parte real y la parte imaginaria,

pueden demostrarse aplicando el teorema de Cauchy Riemann, que establece que:

u x  v y  vx  u y

para una función analítica, es decir que sólo existe un valor de f(z) para un z dado:

df z   du  idv

 u x dx  u y dy  ivx dx  v y dy 

Como dz  dx  idy

df  z 
 f  z  
dz

u x dx  u y dy  i vx dx  v y dy 

dx  idy
v y dx  u y dy  i  u y dx  v y dy 
f  z 
dx  idy
 108

u y  dy  idx   v y  dx  idy 
f  z 
dx  idy

v y  dx  idy   iu y  dx  idy 

dx  idy

f   z   vy  iu y

 u  iv 
z
Como k 1  z   
 v y  iu y
k
 xk , yk

 u  iv   vy  iu y 
xk 1  iyk 1  xk  iyk 
v y2  u y2

uv y  vu y uu y  vv y
 xk  iyk  i
v y2  u y2 v y2  u y2

 vu y  uu x 
 x k 1  x k   2 
 u  u2 
 x y  xk , yk

 vux  uu y 
yk 1  yk   2 
 u  u2
 x y  xk , yk

Ejercicio 1:

Hallar las raíces complejas del polinomio: x2 + 2x + 5

Cambiando la variable x por z:

z2 + 2z + 5 = 0

 x  iy   2x  iy   5  ux , y   iv x , y 
2
 109

x 2  y 2  2 x  5  2 xyi  2 yi  ux , y   ivx , y 

 ux, y   x 2  y 2  2 x  5

vx , y   2 xy  2 y
ux  2x  2 vx  2 y
u y  2 y vy  2x  2

Utilizando las fórmulas del método de Newton y partiendo del valor inicial:

x0  0
z 0i 
y0  1.0

se encuentran los valores presentados en la tabla 8.

Tabla 8. Iteraciones del ejercicio 1.

k x y u v ux uy
0 0.0 1.0 4 2 2 -2
1 -1.5 1.5 2.0 -1.5 -1.0 -3.0
2 -0.85 1.95 0.22 0.585 0.3 -3.9
3 -1.0034 1.9946 0.0158 -0.01356 -6.8 x 10-3 -3.9892
4 -0.99999 2.0000 - - - -

Soluciones numéricas:

z1  0.99999  2.0i z2  0.99999  2.0i

Soluciones analíticas:

z1  1.0  2.0i z2  1.0  2.0i

3.2. Solución de ecuaciones lineales simultáneas

Un conjunto de ecuaciones lineales se puede expresar de la siguiente manera:

 110

a11 x1  a12 x2  ...  a1n xn  b1

a21 x1  a22 x2  ...  a2 n xn  b2
   
an1 x1  an 2 x2  ...  ann xn  bn

Estas ecuaciones pueden representarse de una forma matricial, así:

 
AX  B
donde:

 a11 a12  a1n   x1   b1 

 a a22  a2 n   x   b 
A   21  X   2 B   2
      
     
 an1 an 2  ann   xn  bn 

3.2.1. Método de Jacobi

Este método es iterativo y genera la aproximación a través de un proceso repetitivo

de cálculos.

El sistema:

a11 x1  a12 x2  ...  a1n xn  b1

a21 x1  a22 x2  ...  a 2 n xn  b2
  ...   
an1 x1  an 2 x2  ...  ann xn  bn

Se puede transformar en:

x1  b1  a12 x2  ...  a1n xn  a11

x2  b2  a21 x1  a23 x3 ...  a2 n xn  a22

xn  bn  an1 x1  an 2 x2 ...  an ,n 1 xn 1  a nn

De forma abreviada:
 111

 
 n 
xi   bi   aij x j  aii , i  1,2,..., n
 j 1

 j i 

A partir de valores iniciales de las variables se calcula el nuevo conjunto de

aproximaciones recurriendo al sistema de ecuaciones transformadas.

El algoritmo puede expresarse como:

 
 n 
xi ,k 1   bi   aij x j ,k  aii , i  1, 2, ..., n
 j 1

 j i 

Para que este método converja, se requiere que el valor absoluto de cada valor en
la diagonal sea mayor que la suma de los valores absolutos de los restantes
elementos en la misma fila:

n
aii   aij
j 1
j i

El criterio de convergencia puede expresarse como:

xi ,k 1  xi ,k   , i  1, 2, ..., n

Ejemplo 8:

Realice los balances de materia en estado estable para el tren de separación que
se muestra en la figura 9 y calcule los flujos molares para D1, D2, B1 y B2 si se
alimentan 100 kgmol/min. Utilice para ello el método de Jacobi.

Realizando el balance de masa resulta el siguiente sistema de ecuaciones:

 112

0.5D1  0.3B1  0.1D2  0.05B2  20

0.2 D1  0.6 B1  0.1D2  0.15B2  25
0.1D1  0.05B1  0.65D2  0.1B2  35
0.2 D1  0.05B1  0.15D2  0.7 B2  20

D1 50% xileno
20% estireno
10% tolueno
20% benceno

30% xileno
60% estireno
20% xileno B1 5% tolueno
25% estireno 5% benceno
35% tolueno
20% benceno D2 10% xileno
10% estireno
65% tolueno
15% benceno

5% xileno
15% estireno
B2 10% tolueno
70% benceno

Figura 8. Tren de separación para xileno, estireno, tolueno y benceno

 113

20  0.3B1  0.1D2  0.05B2

D1 
0.5
25  0.2 D1  0.1D2  0.15B2
B1 
0.6
35  0.1D1  0.05B1  0.1B2
D2 
0.65
20  0.2 D1  0.05B1  0.15D2
B2 
0.7

Se inician las iteraciones partiendo de valores iniciales D1 = B1 = D2 = B2 = 25.

Los resultados se muestran en la tabla 9:

Tabla 9. Iteraciones para el ejemplo 8 con el método de Jacobi

k D1 B1 D2 B2
0 25.00 25.00 25.00 25.00
1 17.50 22.92 44.23 14.29
2 15.98 24.89 47.19 12.46
3 14.38 25.36 47.56 12.12
4 14.06 25.92 47.82 12.46
5 13.64 25.90 47.77 12.46
6 13.66 26.04 47.84 12.59
7 13.55 25.99 47.80 12.56
8 13.59 26.04 47.83 12.60
9 13.55 26.02 47.81 12.58
10 13.57 26.04 47.83 12.60
11 13.55 26.02 47.82 12.59
12 13.56 26.03 47.82 12.59
13 13.56 26.03 47.82 12.59

D1 = 13.56 kgmol/h, B1 = 26.03 kgmol/h, D2 = 47.82 kgmol/h, B2 = 12.59 kgmol/h

3.2.2. Método de Gauss - Siedel

Es también un método iterativo, que a diferencia del método de Jacobi, en el que

las nuevas aproximaciones se calculan todas a partir de un mismo conjunto de
valores precedentes, en este caso, los valores que se van obteniendo para cada
variable son inmediatamente involucrados en el cálculo de la variable siguiente.

El algoritmo puede expresarse como:

 114

 
 n 
xi   bi   aij x j  aii ,i  1,2,...,n
 j 1 
 j i 
La aproximación en cada etapa se puede expresar algorítmicamente como:

 i 1 n 
xi ,k 1   bi   aij x j ,k 1   aij x j ,k  aii
 j 1 j i 1 
Este método y el de Jacobi exigen una configuración especial del sistema de
ecuaciones, de tal forma que aii  0 .
Al igual que en el método de Jacobi, para que este método converja, se requiere
que el valor absoluto de cada valor en la diagonal sea mayor que la suma de los
valores absolutos de los restantes elementos en la misma fila:

n
aii   aij
j 1
j i

Ejemplo 9:

Realice el ejemplo 8 utilizando el método de Gauss-Siedel.

Se utilizan las misma ecuaciones y los mismos valores de partida, la diferencia

radica en que el valor aproximado para cada variable se calcula con los ya
computados. En la tabla 10 se presentan las iteraciones.

Tabla 10. Iteraciones para el ejemplo 9 con el método de Gauss - Siedel

k D1 B1 D2 B2
0 25.00 25.00 25.00 25.00
1 17.50 25.42 45.35 12.04
2 14.48 26.27 47.75 12.33
3 13.45 26.14 47.87 12.60
4 13.48 26.04 47.83 12.61
5 13.55 26.03 47.82 12.59
6 13.56 26.03 47.82 12.59
7 13.56 26.03 47.82 12.59
8 13.56 26.03 47.82 12.59

D1 = 13.56 kgmol/h, B1 = 26.03 kgmol/h, D2 = 47.82 kgmol/h, B2 = 12.59 kgmol/h

 115

3.3. Ecuaciones simultáneas no lineales

Método de Newton-Raphson

Es el método de Newton aplicado a un sistema de ecuaciones.

Si se tiene un sistema:

f1  X   0

f2 X   0


fN X   0

donde X es un vector columna definido por las variables x1 , x2 ,..., x N :

 x1 
 
  x2 
X  x1 , x2 ,..., x N 
t
 
 
xN 

Se hace una expansión de Taylor de cada una de las funciones en las cercanías
de un vector X k , y tomando únicamente los términos con primeras derivadas.

En general, la función de Taylor se escribe de la siguiente manera:

f " a h 2 f ' " a h3

f  x   f a  h   f a   f ' a h   
2! 3!

Aplicando a la función f  X k 1 

N f  X 
 
f1  X k 1   f1  X k    1 k
x j
j 1  x j


N f  X 
 
f 2  X k 1   f 2  X k    2 k
x j
j 1  x j


 116


N f  X 
 
f N  X k 1   f N  X k    N k
x j
j 1  x j


Se toma como aproximación en cada etapa que f i  X k 1   0 , entonces:

 
f1  X k  f  X  
x1    1 k x N   f1  X k 
x 1  xN
 
f 2  X k  f  X  
x1    2 k x N   f 2  X k 
 x1  xN
  
f N  X k  f  X  
x1    N k x N   f N  X k 
 x1  xN

Llamando  X k   la jacobiana del sistema:

 f1  X k   f1  X k   f1  X k  
 
  x1  x2  xN 
 Xk    
 
 fN  X k   fN  X k   fN  X k  
 
  x1  x2  xN 

k es el vector de los incrementos:


 k  x1 , x2 ,..., x N t

y   es el vector con los valores de las funciones en la etapa k.

f Xk

      t
f  X k    f1  X k , f 2  X k ,..., f N  X k 

El sistema de ecuaciones que contiene a  X k   es un sistema de ecuaciones


lineales, donde las variables están definidas por el vector  k , la matriz de
 117

coeficientes es la matriz jacobiana  X k   y los términos independientes los

 
define el vector  f X k .

  X k   k   f  X k 

Con estas definiciones y con un vector de solución aproximado:


X 0  x0 , x1 ,..., x N 
t

el proceso iterativo de aproximaciones sucesivas a la solución del sistema está

dado por la ecuación recursiva:
  
X k 1  X k   k

El procedimiento iterativo es el siguiente:


1. Escribir las ecuaciones en la forma apropiada, f i  X   0 .
 
2. Hallar la matriz jacobiana  X  .
 
3. Inicializar X 
 X 0 , para cada etapa de aproximación.
  
3.1. Evaluar las componentes del vector f  X k  y la matriz  X k  .

3.2. Calcular  k resolviendo el sistema de ecuaciones lineales definidas por:
 X k    k   f  X k  ó  k    X k    f  X k 
    1

3.3. Calcular la nueva

 aproximación como:
 
X k 1  X k   k
3.4. Volver a 3.1. hasta que se haya alcanzado el grado de convergencia
deseado.
La convergencia se puede definir como:

 ik 1 , i  1,2,..., N

que puede combinarse con:


fi ( X k )  2 , i  1,2,..., N

Ejemplo 10:

Las siguientes reacciones toman lugar en un reactor batch de volumen constante y

en fase gaseosa:
 118

A+B C+D
B+C X+Y
A+XZ

Halle las concentraciones de cada uno de los componentes si las constantes de

equilibrio para cada reacción son K1 = 1.06, K2 = 2.63 y K3 = 5. Tome como
valores de partida CA0 = CB0 = 1.5 y CD0 = CX0 = CZ0 = 0.

Las constantes de equilibrio para cada reacción son:

CC CD C X CY CZ
K1  K2  K3 
C AC B C B CC C AC X

Por la estequiometría de las reacciones resultan las siguientes cuatro ecuaciones:

C A  C A 0  C D  CZ
CB  CB 0  CD  CY
CY  CD  CC
CZ  CY  C X

En la solución del problema se utiliza el método de Newton-Raphson y se usa

como criterios de convergencia  ik 3 10 3 , i  1,2,...,7 y

f i  X k  110 4 , i  1,2,...,7

El sistema de ecuaciones que se genera es:

f1 X   1.06 x1 x2  x3 x4  0

x1 : C A
f 2 X   2.63 x2 x3  x5 x6  0

x2 : C B
f 3 X   5 x1 x5  x7  0

x3 : CC
f 4 X   x1  x4  x7  1.5  0

x4 : C D
f 5 X   x2  x4  x6  1.5  0
 x5 : C X
f 6 X   x3  x4  x6  0
 x6 : CY
f 7  X   x 6  x5  x 7  0
 x7 : C Z

         t
f  X k    f1  X k  f2 X k  f3 X k  f4 X k  f5 X k  f6 X k  f 7  X k 
 119

1.06 x2 1.06 x1  x4  x3 0 0 0
 0 2.63x3 2.63x2 0  x6  x5 0 

 5 x5 0 0 0 5 x1 0 1
 
 Xk    1 0 0 1 0 0 1
 0 1 0 1 0 1 0
 
 0 0 1 1 0 1 0
 0 1 1 
 0 0 0 1


X 0  1.5 1.5 0 0 0 0 0
t


f  X 0   2.385 0 0 0 0 0 0
t

   
 k   1  X k  f  X k 
   
 k   1  X 0  f  X 0 

 0   0.727 0.773 0 0.386 0.046 0.386 0.341

t

  
X1  X 0   0
 
Se sigue este proceso en forma iterativa encontrándose que X 5  X 4 . El resumen
de los resultados se muestra en la tabla 11.

En virtud de que se cumplieron los dos criterios de convergencia se acepta como

solución del sistema:

X 5  0.4207 0.2429 0.1536 0.7053 0.1778 0.5518 0.3740 , o sea:

CA = 0.474, CB = 0.251, CC = 0.254, CD = 0.498, CX = 0.223, CY = 0.751, CZ =

0.528
 120

Tabla 11. Iteraciones para el ejemplo 10 con el método de Newton-Raphson

k x1 x2 x3 x4 x5 x6 x7
1 0,773 0,727 0,000 0,386 0,045 0,386 0,341
2 0,455 0,315 0,034 0,576 0,140 0,609 0,469
3 0,454 0,230 0,194 0,538 0,224 0,732 0,508
4 0,476 0,255 0,253 0,496 0,221 0,749 0,528
5 0,474 0,251 0,254 0,498 0,223 0,751 0,528
k 1 2 3 4 5 6 7
1 -0,32 -0,41 0,03 0,19 0,09 0,22 0,13
2 0,00 -0,08 0,16 -0,04 0,08 0,12 0,04
3 0,02 0,02 0,06 -0,04 0,00 0,02 0,02
4 0,00 0,00 0,00 0,00 0,00 0,00 0,00
k f1 f2 f3 f4 f5 f6 f7
1 0,596 -0,018 -0,165 0,000 0,000 0,000 0,000
2 0,133 -0,058 -0,150 0,000 0,000 0,000 0,000
3 0,006 -0,046 0,000 0,000 0,000 0,000 0,000
4 0,003 0,004 0,000 0,000 0,000 0,000 0,000
5 0,000 0,000 0,000 0,000 0,000 0,000 0,000

3.4. Interpolación y aproximaciones

Los usos más frecuentes de aproximación de funciones son:

i. Reemplazar funciones complicadas por algunas más simples para realizar

operaciones más fácilmente, tales como: diferenciación o integración, o porque
se necesita hacer aproximaciones de funciones que no pueden ser evaluadas
estrictamente con operaciones aritméticas, tales como: senx  , ln( x) ,

erf x  
2
 0 e t dt , x    e  z  Z x 1 dZ , cuando se utilizan en programas
x 2 

 0

de computadores.

ii. Para interpolación en tablas, o sea, para evaluar una función en algún punto no
tabulado, cuando se conocen valores de la función en un conjunto de puntos
tabulados.

Las aproximaciones más comunes de funciones son aquellas que tienen

combinaciones lineales de funciones simples de algún tipo.
 121

n
f  x   g  x    ai gi  x 
i 0

f  x   a0 g0  x   a1 g1  x   ...  an g n  x 

Los tipos de funciones g i  x  más utilizados son:

a. Monomiales:

g k x   x k

Las combinaciones lineales de funciones monomiales producen las funciones

polinomiales:
f  x   g  x   a0  a1 x  a2 x 2  ...  an x n
n
f  x   g  x    ai xi
i 0

b. Trigonométricas:

g k x   ak  coskx  bk  senkx

Las combinaciones lineales de funciones trigonométricas generan las series de

Fourier.
f  x   g  x   a0  a1 cos x  ...  an cos nx
 b1senx  ...  bn sen nx

n n
f  x   a0   ak cos  kx    bk sen  kx 
k 1 k 1

c. Exponenciales:

g k x   e bk x

Las combinaciones lineales de funciones exponenciales generan:

 122

f  x   g  x   ao eb0 x  a1eb1x  ...  an ebn x

n
f  x    ak ebk x
k 0

También pueden hacerse aproximaciones racionales con las funciones

polinomiales.

a0  a1 x  ...  an x n Pn  x 
f  x  g  x  
b0  b1 x  ...  bm x m Pm  x 

De todas las aproximaciones anteriores las más utilizadas son las aproximaciones
polinomiales.

3.4.1. Aproximaciones polinomiales

Todos los métodos para hallar la función polinomial a una función, parten del
criterio de que para evaluar los coeficientes de Pn  x  se requiere que:

Pn  xi   f  xi  , i = 0, 1, 2,..., n

Utilizando este criterio se pueden evaluar los coeficientes de la función polinomial,

partiendo de un conjunto de puntos de la función
 x , f  x  ,  x , f  x  , ... ,  x , f  x 
0 0 1 1 n n y estableciendo un sistema de
n+1 ecuaciones lineales simultáneas para calcular los respectivos coeficientes
a0 , a1 , ... , an .
a0  a1 x0  a2 x02  ... + an x0n  f  x0 
a0  a1 x1  a2 x12  ... + an x1n  f  x1 

a0  a1 xn  a2 xn2  ... + an xnn  f  xn 

Existen métodos especiales desarrollados para evaluar los coeficientes

dependiendo de sí los puntos base son igualmente espaciados o no. Entre estos
se encuentran el método de Gregory-Newton, método de Lagrange y el método
con puntos base igualmente espaciados.
 123

3.4.1.1. Método de Gregory- Newton

En este método no se requiere que los puntos base estén igualmente espaciados y
utiliza la diferencia finita dividida como una aproximación de las derivadas de la
función.

La diferencia finita dividida de primer orden relativa a los argumentos x , x0 se

denota de la siguiente manera:
f  x   f  x0 
f  x, x0   x  x0
x  x0

Diferencia finita dividida Orden

f x0   f  x0 
0
f x1   f x0 
f x1 , x0   1
x1  x0
f x2 , x1   f x1 , x0 
f x2 , x1 , x0   2
x2  x0
 
f xn , , xn1 ,  x1   f xn1 ,  , x0 
f xn , xn1 ,  , x0  
n
x n  x0

Se puede demostrar que:

n
f  xi 
f  xn , xn 1 , ... ,x0   
 x  x 
n
i 0
i j
j i

f  x0 
f  xn , xn 1 , ... ,x0   
 x0  x1  x0  x2  ...  x0  xn 
f  x1 
 ...+
 x1  x0  x1  x2  ...  x1  xn 
f  xn 
 xn  x0  xn  x1  ...  xn  xn1 
 124

La fórmula fundamental de Newton establece la forma general del polinomio de

interpolación de una función.

f  x   Pn  x   Rn  x 
en la que:

Pn x   a0  a1 x  x0   a2 x  x0 x  x1   ... +an x  x0 x  x1  ... x  xn1 

n
R n  x   f  x, xn , xn1 , ... ,x0    x  xi 
i 0
n
Rn  x   f  xn1 , xn , xn 1 , ..., x0    x  xi 
i 0

Si se reemplaza x  x0 en Pn x  , se obtiene:

f  x0   a0  f  x0 

reemplazando x  x1 en f  x  , se obtiene:

f  x1   f  x0 
a1   f  x1 , x0 
x1  x0

En general:

an  f  xn , xn1 ,..., x0 

Ejemplo 11:

Estime el calor específico del aluminio a 90 K si se conocen los datos que se

muestran en la tabla 12:

Tabla 12. Calor específico del aluminio a diferentes temperaturas

T, K 10 20 60 80 100
Cp, kJ/kgK 0.0014 0.0089 0.214 0.357 0.481
 125

Para resolver el problema se usa el método de Gregory-Newton y se hallan las

diferencias finitas divididas de primer a cuarto orden (d1, d2, d3 y d4), tal como se
muestra en la tabla 13.

Tabla 13. Diferencias finitas divididas del ejemplo 11.

T, K Cp, kJ/kgK d1 d2 d3 d4
10 0.0014 7.5x10-4 8.76x10-5 -7.7x10-7 5.66x10-10
20 0.0089 5.13x10-3 3.37x10-5 -7.2x10-7
60 0.214 7.15x10-3 -2.38x10-5
80 0.357 6.2x10-3
100 0.481

T0 = 10
a0  C p T0   0.0014
a1  C p T1 ,To   7.5 10 4
a2  C p T2 ,T1 ,To   8.76 10 5
a3  C p T3 ,T2 ,T1 ,To   7.7 10 7
a4  C p T4 ,T3 ,T2 ,T1 ,To   5.66 10 10

C p T   a0  a1 T  T0   a2 T  T0 T  T1   a3 T  T0 T  T1 T  T2 

 a4 T  T0 T  T1 T  T2 T  T3 

Para T = 90 K:

C p 90  0.0014  7.5 10 4 90  10  8.76 10 5 90  1090  20
 7.7 10 7 90  1090  2090  60
 5.66 10 10 90  1090  2090  6090  80
 0.424

3.4.1.2. Método de Lagrange

Este método no requiere que los puntos base estén igualmente espaciados. La
forma de Lagrange para el polinomio de interpolación está dada por:
 126

n
Pn  x    Li  x  f  xi 
i 0

donde:
n x  x j 
Li  x    , i  0 ,1 ,..., n
j 0 xi  x j 
j i

Li  x  
x  x0 ...x  xi 1 x  xi 1 ...x  xn 
xi  x0 ...xi  xi 1 xi  xi 1 ...xi  xn 

Ejercicio 2:

Encontrar la aproximación polinomial utilizando el método de Lagrange para la

función que se presenta en la tabla 14.

Tabla 14. Función del ejercicio 2

i x f(x)
0 2 1
1 3 2
2 -1 3
3 4 4

L0  x  
x  3x  1x  4  1 x  3x  1x  4
 13 2 6

L1  x  
x  2x  1x  4   1 x  2x  1x  4
14 1 4

L2  x  
x  2x  3x  4   1 x  2x  3x  4
 3 4 5 60

L3  x  
x  2x  3x  1  1 x  2x  3x  1
215 10
 127

1 1 1
f  x   x  3 x  1 x  4    x  2  x  1 x  4    x  2  x  3 x  4 
6 2 20
2
  x  2  x  3 x  1
5

3.4.1.3. Aproximación con puntos base igualmente espaciados

Escribiendo la fórmula fundamental de Newton en términos de las diferencias

finitas divididas o cocientes incrementados:

f  x   f  x0    x  x0  f  x1 , x0    x  x0  x  x1  f  x2 , x1 , x0   ... 
 x  x0  x  x1  ...  x  xn1  f  xn ,..., x0    x  x0  x  x1  ...  x  xn  f  x, xn , xn1,..., x0 
Como:

x1  x0  h
x 2  x 0  2h
x3  x0  3h

x n  x0  nh

f  x1   f  x0  f  x0  h   f  x0  f  x0 
f  x1 , x0    
x1  x0 h h

 2 f  x0 
f  x2 , x1 , x0  
2h 2
En general:

 n f  x0 
f  xn , xn1 ,..., x0  
n !h n

Así, el polinomio de interpolación o extrapolación se puede escribir como:

 128

f  x0   2 f  x0 
Pn  x   f  x0    x  x0    x  x0  x  x1   ...
h 2h 2
 n f  x0 
  x  x0  x  x1  ...  x  xn 1 
n !h n
Si se define x  x0    h
x  x0    h
x  x1  x   x0  h    x  x0   h    h  h  h   1
x  x2  h   2 

x  xn  h   n 

El polinomio de interpolación se transforma en:

   1
Pn    f  x0   f  x0    2 f  x0   ...
2!
   1  2  ...   n  1 n
  f  x0 
n!

Ejemplo 12:

Utilizando los datos de la tabla 15 estime la presión de vapor de amoníaco a

167F.

Tabla 15. Presión de vapor del amoníaco a diferentes temperaturas

Temperatura (F) 70 80 90 100 110 120 130 140

Presión (lb/in²) 128.8 153.0 180.6 211.9 247.0 286.4 330.3 379.1

De la tabla anterior se calculan los siguientes datos (tabla 16) de diferencia:

 129

Tabla 16. Diferencias finitas del ejemplo 12

T P P ²P ³P
70 128.8 24.2 3.4 0.3
80 153.0 27.6 3.7 0.1
90 180.6 31.3 3.8 0.5
100 211.9 35.1 4.3 0.2
110 247.0 39.4 4.5 0.4
120 286.4 43.9 4.9
130 330.3 48.8
140 379.1

Como los puntos por debajo de 110F tienen hasta la tercera diferencia y se desea
aproximar a un polinomio de grado 3, se tomará esta temperatura como
temperatura base para estimar la presión de vapor.

La ecuación de interpolación será:

   1    1  2
PT   PT0   PT0   2 PT0   3 PT0 
2! 3!

donde:

T  T0  h  167 F
T0  110 F
h  10 F
  5.7

5.7  4.7 5.7  4.7  3.7

P167   247  5.7  39.4   4.5   0.4  538.46 lb 2
2 1 2  3 in

3.4.2. Aproximación de funciones por el método de los mínimos cuadrados

El método se apoya en la minimización de la suma del cuadrado del error dado por
la función a la que se está aproximando la función original.

Q    yi  Ŷi 
N
2

i 1
 130

donde:

y i : son los valores de la función original.

Ŷi : son los valores obtenidos con la función propuesta como aproximación.

Los parámetros o coeficientes que aparecen en la fórmula Ŷi se ajustan o

determinan minimizando la función error Q. Esta minimización es posible realizarla
analíticamente para algunas formas sencillas de la función Ŷi

Cuando la función Ŷ es de forma polinomial:

Ŷ  a0  a1 x  a2 x 2  ...  an x n
Los parámetros a k se obtienen a partir de la relación:

Q
 0 , k  0 ,1 , ... , n
ak


Q N  yi  a0  a1 xi  ...  an xi

n
 2

ak 1 ak

Para el caso en que n=3, las ecuaciones que se producen son:

 a0  a1  xi  a2  xi  a3  xi   yi
2 3

a0  xi  a1  xi  a2  xi  a3  xi   yi xi
2 3 4

a0  xi  a1  xi  a2  xi  a3  xi   yi xi
2 3 4 5 2

a0  xi  a1  xi  a2  xi  a3  xi   yi xi
3 4 5 6 3

Este sistema de ecuaciones lineales simultáneas en ai se resuelve por cualquier

método. Una expresión de este sistema en forma matricial es:

AS   P
 
AS  P
 131

En términos generales para un polinomio de grado n:

N  xi .......... ........  xin 

 n 1

  xi  ix 2
.......... ........  i 
x
A 
  
 
 xin  ix n 1
.......... .....  i 
x 2n

 yi  ao 
 yx   
  i i   a1 
P S
    
 n  
 yi xi   an 

En el caso en que Ŷ tenga una forma como:

a
Ŷ 
b x
Las ecuaciones que resultan para evaluar los parámetros a y b son no lineales

Q  a  1 
 2  y i      0
a  b  xi  b  x i 
Q  a  a 
 2  y i     0
 
b b  xi  b  x i 
2
 

De donde:
 a  1 
  yi  b  x    0
 i  b  xi 
 a  1 
  y i  b  x    0
  b  xi  
2
i 

Estas dos ecuaciones pueden resolverse utilizando el método de Newton-

Raphson.

Ejemplo 13:
 132

Use los datos de la tabla 17 para hallar la función de aproximación para la

capacidad calórica media del n-propano. Use como temperatura de referencia 25C
(298.15 K). La capacidad calórica media está definida como:

T
 C p dT
Tref
Cp 
T  Tref

Tabla 17. Capacidad calórica del n-propano a diferentes temperaturas

Capacidad calórica, *Capacidad calórica

No. Temperatura, K
kJ/kgK media, kJ/kgK
1 50 34.06 54.86
2 100 41.30 60.43
3 150 48.79 65.78
4 200 56.07 70.92
5 273.15 68.74 77.95
6 300 73.93 83.08
7 400 94.01 89.64
8 500 112.59 97.88
9 600 128.59 105.50
10 700 142.67 112.56
11 800 154.77 119.12
12 900 163.35 125.25
13 1000 174.60 131.00
14 1100 182.67 136.43
15 1200 189.74 141.61
16 1300 195.85 146.61
17 1400 201.21 151.47
18 1500 205.89 156.28
* Estos datos fueron calculados con el método de mínimos cuadrados que se describe abajo.

Si se usa el método de los mínimos cuadrados y una función de aproximación de

tercer grado, se debe resolver el siguiente sistema de ecuaciones:
 133

 a0  a1  xi  a2  xi  a3  xi   yi
2 3

a0  xi  a1  xi  a2  xi  a3  xi   yi xi
2 3 4

a0  xi  a1  xi  a2  xi  a3  xi   yi xi
2 3 4 5 2

a0  xi  a1  xi  a2  xi  a3  xi   yi xi
3 4 5 6 3

Reemplazando los valores de las sumatorias obtenidas a partir de los datos de la

tabla 17:

18a0  12473a1  12499611a2  1.44  10 4 a3  2269

12473a0  12499611a1  1.44  1010 a2  1.78  1013 a3  2055432
12499611a0  1.44  1010 a1  1.78  1013 a2  2.3  1016 a3  2263844180
a0 1.44  1010  1.78  1013 a1  2.3  1016 a2  3.05  1019 a3  2.72  1012

Resolviendo este sistema de ecuaciones resulta:

a0  13.762 a1  0.2647 a2  0.00015 a3  4.16 108

La ecuación para Cp será entonces:

C p  13.7652  0.2647T  0.00015T 2  4.16 108 T 3

 14626.11  13.7652T  0.1324T 2  0.00005T 3  1.04 10 8 T 4

C p T  
T  298.15
Con esta ecuación se hallan los valores de la capacidad calórica media que se
presentan en la última columna de la tabla 17.

3.5. Diferenciación numérica

La diferenciación numérica o aproximación de la derivada por un método numérico

se puede llevar a cabo mediante los siguientes métodos:
 134

1. Derivando el polinomio de aproximación:

Si f x   Pn x   f ' x   Pn ' x 
2. Aproximando la tangente a la secante, para hallar la primera derivada.
2.1. Si la derivada se evalúa en uno de los puntos extremos del intervalo (ver
figura 9):

f  x n 1   f  x n 
f  x n  
x n 1  x n
2.2. Si la derivada se evalúa en el punto medio del intervalo (ver figura 10):

f  xn1   f  xn 
f C  
xn1  xn
donde:

xn 1  xn
C
2

f(xn)

f(xn+1)

xn xn+1

Figura 9. Derivada evaluada en uno de los puntos extremos

 135

f(xn)

f(xn+1)

xn C xn+1

Figura 10. Derivada evaluada en el punto medio del intervalo

3. Aproximación con diferencias finitas.

El teorema de Taylor establece que:

1 2 hn n
f a  h   f a   hf a   h f a + D f a 
2 n!

=1  hD 
hD   hD  ... f a 
2 3


 2 3! 
como:

Ef x0   f x0  h

 f a  h   Ef a   1  hD 
hD  hD  
2

2
... f a 
 2 3! 

 E  1    1  hD 
hD  hD  
2

3
... 
 2 3 ! 

1+  e hD
hD= ln 1   

Expresando el logaritmo natural como una serie y despejando D; se obtiene una

ecuación que relaciona la primera derivada con diferencias finitas:
 136

1 1 1 1 
D=   2  3  4  ...
h 2 3 4 

Si se eleva al cuadrado ambos términos, se obtiene una relación de la segunda

derivada con diferencias finitas.

1  2 11 4 5 5 
D2     3
     ...
h2 12 6 

Ejemplo 14:

Halle la densidad del vapor de amoníaco a 110 y 167º F con los datos del ejemplo
12. El calor latente del amoníaco es 544 BTU/lb

Para encontrar la densidad del vapor se usará la ecuación de Clausius Clapeyron:

dP 

dT T VG  VL 

Asumiendo que el volumen VL es despreciable con respecto a VG, se tiene:

1 T dP
  
VG   dT

Como:
1 1 1 1 
D    2  3  4  ...
h 2 3 4 

Entonces:

T  1 1 
  PT   2 PT   3 PT ...
h   2 3 

Para hallar la densidad a 110ºF se deben obtener los valores P( T ), 2 P( T ), etc
(tabla 16).

627R  1 1  lbf
  39.4   4.5   0.4  in 2
BTU 2 3
10 R  544
lb
 137

627  37.28 lb

10  544  5.402 ft 3

lb
  0.795
ft 3

Para hallar la densidad a 167ºF se deben obtener los valores P( T ), 2 P( T ), etc,
y extrapolar estos valores de la misma manera como se extrapoló P(T).
   1
PT   PTo   2 PTo   3 PTo   70.4
2!
 PT    PTo    PTo   6.78
2 2 3

3 PT   3 PTo   0.4

627R  1 1  lbf
 70.4   6.78   0.4 2
BTU  2 3  in
10R  544
lb

627  67.14 lb

10  544  5.402 ft 3

lb
  1.43
ft 3

Si se estima esta densidad con la ecuación de los gases ideales, se observa una
diferencia del orden del 5% del valor obtenido con datos experimentales respecto
al valor del modelo ideal.

P

RT
lbf
538.46
in 2 lb in 2
  17  144 2
lbf  ft lbmol ft
1545  627 R
lbmol  R

lb
  1.36
ft 3
 138

3.6. Integración numérica

b
La evaluación de una integral definida  f  x dx , por métodos matemáticos es
a
generalmente difícil o imposible cuando f  x  no se ajusta a los casos tratables, o
su manipulación se hace muy engorrosa para convertirla a una forma integrable
analíticamente.

Se presentan entonces dos alternativas para evaluar la integral:

1. Hallar una función g  x  , que sea formalmente integrable, como una

aproximación de f  x  .
2. Hallar la integral numéricamente por algún método a partir de valores
generados por la función original f  x  .
Los métodos de integración numérica normalmente usados pueden clasificarse en
dos tipos:

 Fórmulas de Newton-Cotes que usan valores de la función en puntos base

igualmente espaciados.

 Fórmulas de cuadratura Gaussiana que emplean puntos base desigualmente

espaciados determinados por ciertas propiedades de polinomios ortogonales.

En este libro solo se presentan las fórmulas de integración con puntos base
igualmente espaciados, las cuales se dividen en cerradas y abiertas.

Las fórmulas de integración cerradas usan información acerca de f  x  sobre los

límites de integración y las fórmulas abiertas no requieren de información acerca
de f  x  en los límites de integración.

En ambos casos la integral es evaluada por la aproximación

a f x dx  a pn x dx
b b

3.6.1. Fórmulas de integración cerradas

3.6.1.1. Regla trapezoidal

xn
xn  x0  f  xn   f  x0  n1 
 f x dx     f  xi 
x0 n  2 i 1 
 139

Esta fórmula aproxima la función f  x  a un polinomio de primer grado en

x n  x0
intervalos de espaciamiento: h
n
El área bajo la curva en cada subintervalo es aproximada por el trapezoide
formado al sustituir la curva por su secante trazada entre los puntos extremos de la
curva. Luego, la integral es aproximada por la suma de todas las áreas
trapezoidales

3.6.1.2. Regla de Simpson

Las fórmulas de Newton-Cotes compuestas, basadas en polinomios de

interpolación cuadráticos y cúbicos se denominan reglas de Simpson. Para el
subintervalo (x0, x2) la integral aproximada con esta regla está dada por:

x f x dx  x h ax  bx  c dx

x 2 x h
1 2
0 1

a b
 6 x12 h  2h3    4 x1h  2ch
3 2

ah 2
3
 
6 x1  2h 2  6 x1   6
bh
3
hc
3

 a6 x12  2h 2   b6 x1   6c
h
3


 ax12  2 x1h  h 2   ax12  2 x1h  h 2   bx1  h   bx1  h   c  c  4ax12  4bx1  4c
h
3

   
 ax1  h   bx1  h   c  ax1  h   bx1  h   c  4 ax12  bx1  c
h
3
2 2

  f x1  h   4 f x1   f x1  h 
h
3
  f x 0   4 f x1   f x 2 
h
3

En general, para todo el intervalo de integración la receta de Simpson establece

que:
 140

n2
 
x  x 0 
n 1
x0 f x dx  f  x0   f  xn   2  f  xi   2  f  x2i 1 
xn 2
n
3n  i 1 i 0 
 

Esta ecuación se aplica cuando n es par, o sea número de puntos base impar

Forma generalizada:

Se puede hacer la aproximación de la función f  x  a un polinomio de grado n en

subintervalos.

   1
f x   f x 0  h   f x 0   f x 0   2 f x 0   ... 
2!
   1...  n  1 f x 0 
n

n!

donde:
x  x0 ba
 
h h

 a f  x dx  a Pn  x dx  h 0 Pn  x0  h d

b b 

 
2
 3  2  2  4  3  2  3 
 h  f ( x0 )  f ( x0 )      f ( x0 )      f ( x0 )  ............
 6 4   24 6 6 
 2   

Ejemplo 15:

En la tabla 18 se muestra la capacidad calórica del grafito a presión constante para

temperaturas que van desde 300 K a 1100 K.

Tabla 18. Capacidad calórica del grafico a diferentes temperaturas.

T, K 300 400 500 600 700 800 900 1000 1100

Cp, cal/g.K 2.066 2.851 3.496 4.03 4.43 4.75 4.98 5.14 5.27

Determine el calor de absorción (q) cuando se calienta un gramo de grafito desde

300 a 1100 K.
 141

1100
q  m  C p T dT
300

Para hallar la integral de esta ecuación se utiliza:

a). Regla Trapezoidal:

Tn
Tn  T0  C p Tn   C p T0  n1 
 C p T dT     C p Ti 
T0 n  2 i 1 

1100  300  5.27  2.066 

   29.677  3334.5
8  2 

cal
q  1g  3334.5  3334.5cal
g

b). Regla de Simpson:

 n2 
Tn  T0  n 1

T0 C p T dT  3n C p T0   C p Tn   2 C p Ti   2  C p T2i1 
Tn 2

i 1 i 0
 

1100  300
 2.066  5.27  59.354  33.542  3341.1
3 8

cal
q  1g  3341.1  3341.1cal
g

3.6.2. Fórmulas de integración abierta

Si el número de puntos base en el subintervalo de integración es n  1 se hace una

aproximación a un polinomio de grado n  2 ó menor.

a f x dx  a Pn2 x dx  h0 Pn2 x0  hd

b b 

donde:
 142

x  x0 b  a , o número de subintervalos de amplitud h

 y 
h h
Pn2 x0  αh   Pn2 x1  α  1h   f x1   α  1f x1  
α  1α  2 2 f x 
1
2!
+...+
α-1α- 2...α-n+2 n-2 f x 
n-2! 1

  2    3 3 2  2 
f x dx  h  f x1      f x1  
     f x1 ...

b
a   2   6

4  
   

 2 x02 f x dx  2hf x1 

x
Si

El área o integral se aproxima al área de un rectángulo de

altura f(x1) y amplitud 2h.

 
x f x dx  h 3 f x1   2 f x 2   2 f x1 
x3 3 3
0
Si  3

3h
 f x1   f x 2 
2
El área o integral se aproxima al área de un rectángulo con
altura igual a la media de f(x1) y f(x2) y amplitud 3h

Si  4 x0 f x dx 
x4 4h
2 f x1   f x2   2 f x3 
3

x0 f xdx  24 11 f x1   f x2   f x3   11 f x4 

x5 5h
Si  5

Si  6 x0 f x dx 
x6 3h
11 f x1   14 f x2   26 f x3   14 f x4   11 f x5 
10

Ejemplo 16:

En la tabla 19 se muestra el análisis acumulativo por tamizado para una arena.

Tabla 19. Análisis acumulativo por tamizado de una arena.

 143

Dp, cm 0.4 0.1 0.1

0.33 0.24 0.08 0.06 0.04 0.03 0.02 Colector
7 6 2
 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

Determine la superficie específica de las partículas, sabiendo que:

6 1.0 d
Aw  
 p 0 Dp

Donde: Dp: Diámetro de la partícula

: Fracción acumulada
: Factor de forma: 1,2
p: Densidad de las partículas: 2.7 g/cm3

Para calcular la superficie específica, utilizando métodos numéricos primero se

debe calcular la función f  = 1/Dp (tabla 20).

En este problema no hay dato para el límite superior de la integral, o sea, para
=1.0, por lo tanto el método más adecuado sería el de integración abierta.

Se dividirán los datos en tres subintervalos:

1 0.4 0.7 1
 f  d   f     f     f  
0 0 0.4 0.7

α4 α3 α3

Tabla 20. Cálculo de f() para el ejemplo 16

i Dp  f() = 1/Dp
0 0.47 0 2.128
1 0.33 0.1 3.03
2 0.24 0.2 4.167
3 0.16 0.3 6.25
4 0.12 0.4 8.333
5 0.08 0.5 12.5
6 0.06 0.6 16.667
7 0.04 0.7 25
8 0.03 0.8 33.3
9 0.02 0.9 50
10 Colector 1.0 -
 144

4h 3h 3h
 f   d  3 2 f    f    2 f    2  f    f    2  f    f  
1

0 1 2 3 5 6 8 9

4  0.1 3  0.1
 2  3.03  4.167  2  6.25  12.5  16.67
3 2
3  0.1
 33.3  50.0
2
 18.799

6 1.2
Aw  18.799  50.13
2.7

3.7. Solución de ecuaciones diferenciales ordinarias

Una ecuación de la forma:

 dy d 2 y dny 
F  x, y, , 2 ,..., n   0
 dx dx dx 

se define como una ecuación diferencial.

Debido a que una ecuación diferencial ordinaria de orden n se puede expresar

como un sistema de ecuaciones diferenciales de primer orden, definiendo n  1
variables, los métodos numéricos se desarrollan para ecuaciones de primer orden.

Los errores involucrados en una solución numérica de ecuación diferencial se

clasifican en: error de truncamiento y error de redondeo. El error de truncamiento
incluye un error local y un error de propagación.

En la selección de un algoritmo de solución de una ecuación diferencial debe

tenerse en cuenta la estabilidad. Se dice que una solución es inestable cuando los
errores introducidos en alguna etapa de cálculo se propagan sin límite a través de
los cálculos subsecuentes.

Inestabilidad inherente: Está asociada con la ecuación que se está resolviendo y

las condiciones iniciales, pero no depende del método utilizado.

Inestabilidad parcial: Depende de la ecuación, las condiciones iniciales y el

método.

Los algoritmos comunes para resolver una ecuación diferencial ordinaria, con
condiciones iniciales específicas, están basadas en las siguientes aproximaciones:
 145

1. Directa o indirectamente se usa la expansión de Taylor de la función objetivo

yx  .
2. Usan fórmulas de integración abiertas o cerradas.

La variedad de procedimientos pueden ser clasificados en forma general en dos

grupos, los métodos llamados de una etapa y los métodos de múltiples etapas.

Los métodos de una etapa permiten el cálculo de y i 1 dada la ecuación diferencial

e información en xi solamente, esto es un valor de y i .
Los métodos de múltiples etapas requieren además valores y j y/o la derivada en
otros valores x j fuera del intervalo de integración en consideración xi , xi 1 .
Una desventaja del método multi-etapa es que requiere información adicional a la
que se dispone normalmente, para comenzar el procedimiento. Generalmente solo
se conocen condiciones iniciales, pero pueden usarse métodos de una etapa para
obtener la información adicional. Otra dificultad del método multi-etapa es que es
muy difícil cambiar el tamaño de etapa cuando se está en el desarrollo de los
cálculos.

3.7.1. Método de desarrollo de Taylor

Un método de aproximación de la solución de primer orden, consiste en expresar la

solución y  x  a partir de un punto inicial x 0 por medio del desarrollo de Taylor.

Dada la ecuación diferencial:

 dy 
F  x, y ,   0
 dx 
o

 f  x,y 
dy
dx

La función y(x) puede expresarse alrededor de un punto base (x0, y(x0)) usando la
fórmula de Taylor como:
h2
y  x   y  x0  h   y  x0   hf  x0 , y  x0    f   x0 , y  x0   
2!
h3
f   x0 , y  x0    ...
3!
 146

donde :
df  x , y  d 2 y ; y así sucesivamente para las derivadas superiores
f  x , y    2
dx dx
A partir de la aproximación de Taylor se puede entonces definir el algoritmo para
encontrar el valor de la función en xi 1 desde xi , usando como fórmula recursiva:

h2 h n n 1
y xi 1   y xi  h   y xi   hf  xi , y xi   f  xi , y xi   ...  f  xi , y xi 
2! n!
n 1
El error de truncamiento, en este caso, es de orden h y está acotado por el
valor:

h n1
et  M
n  1!
donde:

M  f ( n )  , y   en xi , xi1 

max

Ejercicio 3:

Resuelva la siguiente ecuación diferencial:

y'  x  y , x0  0 y0  0 x f  0.5
Solución analítica: y  e x  x  1

dy
 f x , y  f x , y   x  y
dx
h2
yxi 1   yxi   hf xi , yxi   f ' xi , yxi 
2!
d 2 y df x, y 
f ' x, y   2 
dy
 1  1 x  y
dx dx dx

Si h  0.1  y xi 1   yxi   0.1 f xi , y xi   0.005 f ' xi , y xi 

Aplicando estas ecuaciones se construye la tabla 21.

Tabla 21. Iteraciones del ejercicio 5.

 147

k x y f(x,y) f'(x,y) yexacto

0 0 0.0000 0.0000 1.0000 0
1 0.1 0.0050 0.1050 1.1050 0.0052
2 0.2 0.0210 0.2210 1.2210 0.0214
3 0.3 0.0492 0.3492 1.3492 0.0499
4 0.4 0.0909 0.4909 1.4909 0.0918
5 0.5 0.1474 - - 0.1487

Al comparar el valor de la solución exacta con el valor aproximado hallado con el

método, no se observa un diferencia significativa.

3.7.2. Método de Euler

Cuando en el método de desarrollo de Taylor solo se conservan los dos primeros

términos, el método se denomina de Euler. En este caso la solución sigue la línea
tangente a y  x  en x i , y la fórmula recursiva se reduce a:

yxi1   yxi  h  yxi   hf xi , yxi 

2
El error de truncamiento cometido por el método es de orden h , (error local).

h2
et  f  , y 
2!

donde: xi    xi 1

Ejercicio 4:

Resuelva el ejercicio 5 por el método de Euler

dy
 f x , y  f x , y   x  y
dx

yxi1   yxi   hf xi , yxi 

Si h  0.1  y xi 1   y xi   0.1 f  xi , y xi 

Aplicando estas ecuaciones se construye la tabla 22

 148

Tabla 22. Iteraciones del ejercicio 6

k x y f(x,y) y exacto
0 0 0.0000 0.0000 0
1 0.1 0.0000 0.1000 0.0052
2 0.2 0.0100 0.2100 0.0214
3 0.3 0.0310 0.3310 0.0499
4 0.4 0.0641 0.4641 0.0918
5 0.5 0.1105 - 0.1487

En este caso al comparar la solución exacta con la aproximación puede observarse

una diferencia significativa entre los valores.
3.7.3. Métodos de Runge-Kutta

Como la solución de una ecuación diferencial por medio de la aproximación de

Taylor no es práctica porque deben retenerse en el algoritmo las derivadas de
orden mayor, es posible desarrollar un procedimiento de una etapa que utilice
evaluaciones de la primera derivada y que arroja resultados equivalentes en
precisión a las fórmulas de orden mayor de Taylor. Estos algoritmos son llamados
métodos de Runge-Kutta.

Las aproximaciones de segundo, tercer, y cuarto orden, es decir aproximaciones

con precisiones equivalentes a expansiones de Taylor que retienen términos en
h 2 , h 3 y h 4 respectivamente, requieren de estimaciones de f x , y  en dos, tres y
cuatro valores en el intervalo xi , xi 1 .

Todos los métodos de Runge-Kutta tienen algoritmos de la forma:

yi 1  yi  h xi , yi , h

donde  es llamada la función incremental, que es simplemente una aproximación

para f  x , y  en el intervalo xi , xi 1 . La evaluación de esta función tiene mucha
manipulación de ecuaciones algebraicas en el desarrollo de las fórmulas de orden
alto.

En el algoritmo para la fórmula de Runge-Kutta de orden 3, la función incremental

tiene la forma

  ak1  bk 2  ck3
 149

donde k1 , k 2 , k3 son aproximaciones de la primera derivada en varios puntos en

el intervalo de integración xi , xi 1 . En este caso:
k1  f  xi , yi 
k 2  f  xi  ph , yi  phk1 
k3  f  xi  rh , yi  shk 2  r  s hk1 

Para determinar las constantes a , b , c , p , r y s se debe expandir

k1 , k 2 y k 3 en series de Taylor.

En general:

   
f x  l , y  m   f x, y    l  m  f x, y 
 x y 
n 1
1    
 ...  l  m  f  x, y   
n  1!  x y 
Para hallar los valores de las constantes se pueden tomar arbitrariamente dos
valores para dos de ellas y se obtienen las demás, planteando las ecuaciones
algebraicas al igualar los respectivos coeficientes de las potencias de h entre la
fórmula de Runge-Kutta y la expansión de Taylor del mismo orden.

Se han desarrollado varias fórmulas de acuerdo a los parámetros escogidos,

siendo las más comunes, la universal y la regla de los tres octavos. La fórmula
más utilizada es la universal, en la que los coeficientes toman los siguientes
valores:

a = 1
6 b = 2
3 c = 1
6

p = 1
2 r = 1 s = 2

Con estos valores el algoritmo de orden 3 de Runge-Kutta toma la forma:

h
yi 1  yi  k1  4k2  k3 
6
k1 = f  xi ,yi 
 1 1 
k 2 = f  xi  h,yi  hk1 
 2 2 
k3 = f  xi  h,yi  2hk 2  hk1 
 150

Ejercicio 7:

Resuelva el ejercicio 5 por el método de Runge-Kutta de 3er orden

dy
 f x , y  f x , y   x  y
dx

h
y xi 1   y xi   k1  4k 2  k3 
6

Si h  0.1  y  xi 1   y  xi  
0.1
k1  4k 2  k3 
6

k1  f xi , yi   xi  yi

 1 1  1 1
k2  f  xi  h , yi  hk1   xi  h  yi  hk1  xi  yi  0.051  k1 
 2 2  2 2

k3  f xi  h, yi  2hk2  hk1   xi  h  yi  2hk2  hk1  xi  yi  0.11  2k2  k1 

Aplicando estas ecuaciones se construye la tabla 23

Tabla 23. Iteraciones del ejercicio 7

k x y k1 k2 k3 y exacto
0 0 0.0000 0.0000 0.0500 0.1100 0
1 0.1 0.0052 0.1052 0.1604 0.2267 0.0052
2 0.2 0.0214 0.2214 0.2825 0.3557 0.0214
3 0.3 0.0498 0.3498 0.4173 0.4983 0.0499
4 0.4 0.0918 0.4918 0.5664 0.6559 0.0918
5 0.5 0.1487 0.6487 0.7311 0.8300 0.1487

Se observa con este método que se obtiene una mejor aproximación de la solución
numérica en relación con los métodos anteriores.

3.9. Sistemas de ecuaciones diferenciales ordinarias

Para resolver ecuaciones diferenciales ordinarias por métodos numéricos, se

reduce el sistema a un sistema de n ecuaciones diferenciales simultáneas de
primer orden, redefiniendo las variables que sean necesarias para eliminar las
 151

derivadas de orden mayor. Luego al sistema de n ecuaciones diferenciales

ordinarias de primer orden se aplica en paralelo el algoritmo seleccionado.

Ejercicio 6:

Resuelva la siguiente ecuación diferencial:

d2y dy
 a1  a2 y  p  x 
dx 2 dx

Realizando una transformación:

dy
w
dx
dw
 a1w  a2 y  p x 
dx
dy
1  w  f  x , y , w
dx
dw
2  p x   a1w  a2 y  g  x , y , w
dx

El algoritmo para una aproximación en xi 1 usando el Método de Runge-Kutta en

este ejercicio sería:

1. Evaluar k1

k1 y = f  xi , yi , wi   wi
k1w = g  xi , yi , wi   p xi   a1 wi  a 2 yi

2. Evaluar k2

 h h h 
k2 y =f  xi  , yi  k1 y , wi  k1w 
 2 2 2 
h
=wi   p  xi   a1wi  a2 yi 
2
 152

 h h h 
k2 w =g  xi  , yi  k1 y , wi  k1w 
 2 2 2 
 h  h   h 
=p  xi    a1  wi  k1w   a2  yi  k1 y 
 2  2   2 
 h  
=p  xi    a1  wi   p  xi   a1wi  a2 yi  
h
 2  2 
 hh 
aa2 2yyi i wi   p  xi   a1wi  a2 yi   
h
 22 2 
3. Evaluar k3
k3 y = f xi  h , yi  2hk 2 y  hk1 y , wi  2hk 2 w  hk1w 
= wi  2hk 2 w  hk1w
k3w = g xi  h , yi  2hk 2 y  hk1 y , wi  2hk 2 w  hk1w 
= p xi  h   a1 wi  2hk 2 w  hk1w 
 a2  yi  2hk 2 y  hk1 y 

4. Evaluar yi 1 , wi 1
 yi  k1 y  4k 2 y  k3 y 
h
yi 1
6
h
wi 1 =wi+ k1w  4k 2 w  k3w 
6

Ejemplo 17:

Un proceso biológico involucra el crecimiento de biomasa a partir de sustrato. El

balance de materia en el proceso batch produce:

dB kBS dS 0.75kBS
 
dt K  S dt KS

Donde B y S son las concentraciones respectivas de biomasa y sustrato. La

-6
cinética de las reacciones es tal que k = 0.3 y K = 10 en unidades consistentes.

Cuáles son las concentraciones de B y S en un tiempo tf = 16, si a t0 = 0 S = 5.0 y

B = 0.05.
 153

Se va a utilizar el método de Runge-Kutta de 3er orden para resolver este sistema

de ecuaciones diferenciales.

kBi Si
kB =f  ti , Bi , Si  
K  Si
0.75kBi Si
kS =g  ti , Bi , Si   
K  Si

1. Evaluar k1

kBi Si
k1B =f  ti , Bi , Si  
K  Si
0.75kBi Si
k1S =g  ti , Bi , Si   
K  Si

2. Evaluar k2
 h h h 
k2 B =f  ti  , Bi  k1B , Si  k1S 
 2 2 2 
 h  h 
k  Bi  k1B   Si  k1S 
=  
2 2 
 h 
K   S i  k 1S 
 2 
 h h h 
k2 S =g  ti  , Bi  k1B , Si  k1S 
 2 2 2 
 h  h 
0.75k  Bi  k1B   Si  k1S 
=-  2  2 
 h 
K   S i  k 1S 
 2 
3. Evaluar k3
 154

k3 B =f  ti  h, Bi  2hk2 B  hk1B , Si  2hk2 S  hk1S 

k  Bi  2hk2 B  hk1B  Si  2hk2 S  hk1S 
=
K   Si  2hk2 S  hk1S 
k3 S =g  ti  h, Bi  2hk2 B  hk1B , Si  2hk2 S  hk1S 
0.75k  Bi  2hk2 B  hk1B  Si  2hk2 S  hk1S 
=-
K   Si  2hk2 S  hk1S 

En la tabla 24 se muestran algunos de los cálculos iterativos para h = 1.

Tabla 24. Algunas iteraciones del ejemplo 17

t 0 1 2 3 12 13 14 15 16
B 0.050 0.067 0.091 0.123 1.824 2.462 3.322 4.483 6.050
S 5.000 4.987 4.969 4.945 3.669 3.191 2.546 1.675 0.500
k1B 0.015 0.020 0.027 0.037 0.547 0.738 0.997 1.345 1.815
k1S -0.011 -0.015 -0.020 -0.028 -0.410 -0.554 -0.747 -1.009 -1.361
k2B 0.017 0.023 0.031 0.042 0.629 0.849 1.146 1.547 2.087
k2S -0.013 -0.017 -0.024 -0.032 -0.472 -0.637 -0.860 -1.160 -1.565
k3B 0.021 0.028 0.038 0.051 0.761 1.026 1.385 1.869 2.523
k3S -0.016 -0.021 -0.028 -0.038 -0.570 -0.770 -1.039 -1.402 -1.892

En la figura 11 se ilustra la variación de la concentración de B y S con el tiempo a

partir de los datos obtenidos con las iteraciones en el método de Ruge-Kutta:

8
B
S
6
Concentración

0
0 4 8 12 16
Tiempo
 155

Figura 11. Variación de la concentración de B y S con el tiempo

3.10. Ejercicios propuestos

1. Determine los parámetros de Underwood apropiados para realizar los cálculos

en una torre de destilación multicomponente que tiene la siguiente distribución
(tabla 25) y con una alimentación tal que q = 0.67.

Tabla 25. Distribución del alimento de la torre de destilación del ejercicio

propuesto 1.

Componente j ZjF
CH4 53.2 0.03
C2H6 14.94 0.07
lk n-C3H8 6.30 0.15
n-C4H10 2.405 0.33
hk n-C5H12 1.0 0.30
n-C6H14 0.456 0.12

La ecuación de Underwood es:

 J z jF
  1 q
 j 

2. Use el método de Newton para hallar un cero complejo de la siguiente función:

f(z) = z4 – 2z3 + 1.25z2 – 0.25z – 0.75. Tome como punto de partida z = 1+i

3. Una reacción química toma lugar en una serie de cuatro reactores CSTR. Allí se
convierte el reactivo A en el producto B (relación estequiométrica 1 a 1), la
reacción es elemental y la constante de velocidad es k = 0.1 h-1. Si el caudal
alimentado es q = 100 ft3/h y la concentración de A a la entrada del primer
reactor es CA,0 = 3 lb/ft3, calcule la concentración a la salida de cada reactor,
teniendo en cuenta que el volumen en cada uno de ellos es V1 = 20 ft3, V2 = 30
ft3, V3 = 50 ft3 y V4 = 40 ft3, y que un 10% de la corriente de salida del reactor 4
se recircula al reactor 3 y otro 10% al reactor 2. Tenga en cuenta que el sistema
está en estado estable, las reacciones son en fase líquida y se despreciarán los
cambios en volumen o densidad del líquido.

Para la solución utilice los métodos de Gauss-Siedel y Jacobi

 156

4. Un reactor químico de flujo continuo operando como un sistema en estado

estable se puede describir por el siguiente conjunto de ecuaciones:

FxA  FA  r
FxB  FB  r
F  FA  FB  r
r  60 x A xB 
0.6

Resuelva el conjunto de ecuaciones asumiendo FA = 10 y FB = 20. Utilice el

método de Newton-Raphson.

5. La concentración de saturación del oxígeno disuelto en agua en función de la

temperatura para una concentración de cloruro de 20 mg/l se muestra en la
tabla 26.

Tabla 26. Concentración de saturación de oxígeno disuelto a diferentes

temperaturas

Temperatura, ºC Concentración de saturación

5 10.5
10 9.2
15 8.2
20 7.4
25 6.7
30 6.1

Determine:
a) Nivel de oxígeno disuelto a 28ºC, utilizando el método de aproximación de
puntos base igualmente espaciados
b) La función de aproximación con el método de mínimos cuadrados

6. En la tabla 27 se presentan los datos de composición del líquido versus la

presión total para el sistema benceno (1) y ácido acético (2) a 50ºC.

Tabla 27. Presión de vapor para el sistema benceno – ácido acético en función
de la composición a 50ºC

x1 0.0 0.0069 0.1565 0.3396 0.4666 0.6004 0.7021

P, mmHg 57.52 58.20 126.00 175.30 189.50 224.30 236.00

Halle la presión total de la mezcla para una composición de benceno de 0.5.

Utilice el método de Gregory-Newton y el método de Lagrange.
 157

7. Determine la pendiente de la curva de presión de vapor de agua a 35, 45 y 55

ºF. En la tabla 28 se tabulan los valores de la presión de vapor de agua contra la
temperatura. Realice la aproximación con diferencias finitas.

Tabla 28. Presión de vapor del agua a diferentes temperaturas

T, ºF 35 40 45 50 55 60 65
Pv, psi 0.09995 0.12170 0.14752 0.17811 0.2141 0.2563 0.3056

8. Use los datos de la tabla 29 para hallar la capacidad calórica media del n-
propano a 1500, 1300 y 1100 K. Esta se define por la ecuación que se presenta
a continuación. Para la solución utilice la regla trapezoidal y la de Simpson y
como temperatura de referencia asuma 300 K:

T
 C p dT
Tref
Cp 
T  Tref

Tabla 29. Capacidad calórica del n-propano a diferentes temperaturas

Temperatura, K Capacidad calórica, kJ/kgK

300 73.93
400 94.01
500 112.59
600 128.59
700 142.67
800 154.77
900 163.35
1000 174.60
1100 182.67
1200 189.74
1300 195.85
1400 201.21
1500 205.89

9. Un material radiactivo se descompone de acuerdo a la siguiente reacción en

serie:
 158

A 
k1
 B 
k2
C

Donde k1 y k2 son las constantes de velocidad de reacción y B y C son los

productos intermedio y final, respectivamente.

Los valores de las constantes son: k 1 = 3 s-1 y k2 = 1 s-1. Las condiciones

iniciales de las concentraciones son: CA(0) = 1 mol/m3, CB(0) = 0 y CC(0) = 0.

Determine las concentraciones de CA, CB y CC como una función del tiempo por
el método:
a) Taylor
b) Euler
c) Runge-Kutta

3.11. Bibliografía

Alkis Constantinides and Mostoufi Navid, “Numerical Methods for Chemical

Engineers with MATLAB Applicatons”, Prentice Hall, New Jersey, 1999

Carnahan, B., Luther, H.A., Wilkes, J.O., "Applied numerical methods", Wiley, New
York, 1970.

Cutlip, M.B., Shacham, M., “Problem solving in Chemical Engineering with

numerical methods”, Prentice Hall, Upper Saddle River, USA, 2000.

Gerald, C.F., Whealtley P.O., “Análisis numérico con aplicaciones”, 2nd Edición,
Pearson Educación, México, 2000

Mickley, H.S., Sherwood, T.S., Reed, C.E., "Applied Mathematics in Chemical

Engineering". McGraw, New Delhi, 1975.

Press, W.H., Flannery, B.P., Teukolsky, S.A.., Vetterling. W.T.,"Numerical recipes-

the art of scientific computing", Cambridge University Press, Cambridge, 1986.

Smith, C., Pike, R., Murril, P., "Formulación and optimización of mathematical
models", International texbook Company, Scranton,1970.

Zurmühl, Rudolf, “Numerical Analysis for Engineers and Physicists”, Springer

International, student Edition, New York, 1976.

Luthe, L., Olivene, A., Schutz, F., “Métodos Numéricos”, Editorial Limusa, México,
1984.
 160

CAPÍTULO IV

OPTIMIZACIÓN

TABLA DE CONTENIDO

4.1. Organización del problema de optimización ..................................................162

4.2. Métodos de optimización de funciones univariables .....................................166
4.2.1. Método analítico de funciones no restringidas ........................................166
4.2.2. Método analítico de funciones restringidas ............................................167
4.2.3. Métodos numéricos de funciones no restringidas ...................................168
4.2.3.1. Método de la etapa fija ....................................................................169
4.2.3.2. Método directo con aceleración .......................................................175
4.2.3.3. Método de Fibonacci .......................................................................179
4.2.3.4. Método de la sección de oro ............................................................182
4.2.4. Método numérico de funciones restringidas ..........................................184
4.3. Métodos de optimización de funciones multivariables ...................................191
4.3.1. Método analítico de funciones no restringidas ........................................191
4.3.2. Métodos analíticos de funciones restringidas .........................................196
4.3.2.1. Restricciones de igualdad................................................................197
4.3.2.1.1. Método de substitución directa ..................................................197
4.3.2.1.2. Método de la variación restringida .............................................206
4.3.2.2. Restricciones de igualdad y desigualdad .........................................213
4.3.2.2.1. Método de los multiplicadores de Lagrange ..............................213
4.3.2.2.2. Método de los multiplicadores de Lagrange y variables de holgura
................................................................................................223
4.3.3. Métodos numéricos de funciones no restringidas ...................................225
4.3.3.1. Método del poliedro flexible .............................................................225
4.3.3.2. Método del gradiente .......................................................................231
4.3.3.3. Método de las tangentes paralelas ..................................................234
4.3.3.4. Método de Newton ..........................................................................239
4.3.3.5. Método de Davidon-Fletcher-Powell ................................................239
4.3.3.6. Método de Fletcher-Reeves ............................................................241
4.3.4. Métodos numéricos de optimización de funciones restringidas ..............242
4.4. Ejercicios propuestos ...................................................................................243
4.5. Bibliografía ...................................................................................................246
 161

CAPITULO IV.
OPTIMIZACIÓN

En el diseño y mejoramiento de plantas químicas y unidades de procesos se tienen

múltiples posibilidades y algunas veces hasta infinitas. A esta multiplicidad se
enfrenta el ingeniero químico desde de las primeras etapas del diseño cuando
debe seleccionar el proceso o tipo de unidad de transformación que va a diseñar.
Esta selección, así como la especificación plena de condiciones de operación y
dimensionamiento de los equipos, se hace normalmente optimizando en términos
de algún criterio efectivo.

La optimización en las industrias de procesos químicos requiere, además de la

selección del proceso, la selección del equipo y las condiciones de operación
apropiadas para la producción de un material determinado, de tal modo que el
beneficio sea máximo. Este beneficio puede interpretarse como la producción
máxima de una sustancia o como la inversión mínima para un nivel de producción
específica.

En el caso en que el criterio sea la máxima producción del material o sustancia,

puede omitirse el balance económico y el óptimo obtenido se denomina
operacional. La necesidad del óptimo operacional puede surgir en el momento en
que ya se dispone del equipo. Por ejemplo, en la operación de un reactor catalítico,
puede existir una temperatura óptima de operación para cada tamaño de reactor,
que puede ser basada en el máximo porcentaje de conversión o en la máxima
cantidad de producto por unidad de tiempo. Sin embargo, las variables de costo
necesitan ser consideradas en la práctica y el desarrollo de un óptimo operacional
es generalmente una etapa en la determinación de un óptimo económico sometido
a consideraciones de costo o ganancias. Aunque puede suceder que el óptimo
económico no resulte ser el diseño final recomendado, ya que consideraciones de
costos incrementales pueden mostrar que el retorno sobre la inversión adicional
puede llegar a ser inaceptable antes de que se alcance el punto óptimo. En estos
casos los valores óptimos pueden usarse como una base en el análisis de costos
incrementales para hacer la selección y especificación del diseño final.

La optimización en el campo de la industria química puede dividirse en dos

campos: optimización estática y optimización dinámica. El objetivo de la
optimización estática es el establecimiento de las condiciones estacionarias de
operación del proceso más apropiadas. Estas condiciones pueden estar ligadas a
parámetros de los equipos o condiciones de operación como tamaño de equipos,
nivel de producción, temperaturas, presión, caudales, etc.; mientras que el
establecimiento del mejor procedimiento para corregir fluctuaciones de las
condiciones de operación del proceso de sus valores nominales establecidos en la
optimización estática es el objetivo central de la optimización dinámica. Esta
optimización es una extensión del análisis del control automático del proceso y
 162

requiere por lo tanto de un conocimiento de las características dinámicas del

proceso.

La optimización puede ser tratada de muchos modos que van desde

procedimientos analíticos sencillos o sofisticados y métodos numéricos, hasta
herramientas que se vienen desarrollando en el ámbito de la inteligencia artificial
como los algoritmos genéticos.

Las técnicas convencionales de optimización se pueden clasificar en métodos

analíticos, métodos numéricos, métodos gráficos; para los cuales se requiere del
conocimiento de la función a optimizar, y los métodos experimentales en los que se
desconoce la forma de esta función.

En los métodos analíticos, que hacen uso del cálculo diferencial y el cálculo
variacional como herramientas, el problema de optimización debe describirse en
términos matemáticos de tal forma que la función y las variables se puedan
manipular mediante reglas conocidas.

Los métodos numéricos, que se usan cuando el problema no se puede resolver

analíticamente o cuando el cálculo requerido en el modelo analítico es prohibitivo,
generan aproximaciones sucesivas del óptimo mediante procedimientos iterativos
usando información sobre la función objetivo y otros criterios en ciertas
condiciones.

Los métodos gráficos, que tienen aplicación limitada para una o dos variables, se
valen de la representación gráfica de la función objetivo para obtener por
inspección los valores extremos de la función objetivo. Y en los métodos
experimentales el óptimo se busca realizando experimentos directamente sobre el
sistema o proceso.

4.1. Organización del problema de optimización

Un procedimiento general para optimizar involucra la mayoría de las siguientes

etapas:

i. Definición de un objetivo apropiado.

El objetivo resume el problema real y debe ser expresado en términos de

maximizar o minimizar una función a la que se le da el nombre de función objetivo.

ii. Restricciones impuestas al problema por agentes externos.

En la práctica casi todos los procesos reales tienen restricciones impuestas por
agentes externos que no pueden ser controladas por el optimizador.
 163

Ejemplos:

 La producción tiene un límite que lo determina el mercado o la dirección de la

empresa.
 La calidad está controlada por especificaciones legales o por especificaciones
de la compañía o el consumidor.
 La materia prima está limitada a ciertas calidades.
 Las pérdidas de calor y la temperatura de enfriamiento de agua están
parcialmente gobernadas por las fluctuaciones diarias del clima.

iii. Selección del sistema o sistemas para estudio.

Pueden existir varios sistemas que satisfagan una misma necesidad y la

especificación o selección de uno de ellos se convierte en una restricción para el
proceso de optimización. Un recipiente para almacenar un líquido, por ejemplo,
puede tener formas diversas: esférica, cilíndrica, cónica, irregular, etc. La
producción de una sustancia química puede hacerse mediante procesos
diferentes.

iv. Examen de la estructura del sistema y de las entradas y salidas.

Es conveniente representar esquemáticamente el sistema bajo estudio para

identificar los componentes y sus relaciones, así como las entradas y salidas; ya
que esta representación facilita el análisis del sistema y muy especialmente la
identificación y visualización de las relaciones que proveen información para la
formulación de la función objetivo.

Para efecto de la formulación de las ecuaciones del modelo matemático que

expresa el problema de optimización, es necesario asociar variables de
caracterización – variables que informan sobre atributos como flujo, composición,
temperatura, presión - a cada una de las corrientes de entrada, de salida, y de las
que conectan elementos internos del sistema.

Debe contemplarse también en esta etapa del proceso de optimización el

conocimiento del comportamiento del sistema bajo estudio, pues sólo ese
conocimiento posibilitará la construcción de un modelo matemático y por lo tanto la
formulación del problema de optimización.

v. Construcción de un modelo para el sistema.

La construcción del modelo matemático del sistema, representado por el conjunto

de ecuaciones que relacionan las variables del sistema, permite no sólo definir la
función objetivo en términos de las variables del sistema, sino también algunas
restricciones para los valores de estas variables.
 164

vi. Estudio y definición de las restricciones internas del sistema.

Además de las restricciones externas pueden surgir otras restricciones impuestas

al conjunto de variables del sistema. Estas restricciones, impuestas por criterios de
diseño o por el comportamiento del sistema, limitan a ciertos dominios los valores
de las variables y se expresan como igualdades o desigualdades matemáticas que
deben cumplirse. Como parte de este conjunto de restricciones se encuentran las
ecuaciones básicas del modelo matemático del sistema, que son establecidas por
los principios de conservación de masa, de momento, energía, o por las
expresiones de rata de flujo de estas entidades u otras relaciones entre las
variables del sistema.

g J  g J  x1 , x2 ,...xn   0
g k  g k  x1 , x2 ,...xn   0

vii. Reducción del problema a sus partes esenciales.

El problema de optimización constituido por una función objetivo y el conjunto de

restricciones, puede simplificarse en algunos casos, para facilitar su manipulación
en el proceso de solución. Esta simplificación puede lograrse de varias formas.

 Eliminación de aquellas variables que no afecten significativamente la función

objetivo.
 Realizar la optimización por etapas, dividiendo el problema de optimización en
varios problemas con menores variables.
 Transformación de la función y las restricciones en relaciones matemáticas más
sencillas. Un caso especial lo constituye la linealización, o sea aproximación de
todas las funciones en ecuaciones lineales.

viii. Verificación de que el sistema propuesto representa el sistema bajo estudio.

ix. Formulación de la función objetivo en términos de las variables del sistema.

x. Optimización
Se encuentra la solución óptima mediante alguna técnica de optimización.

xi. Análisis de la solución óptima.

Como resultado del desarrollo de este procedimiento, el problema de optimización

quedará definido como:

1. Maximizar o minimizar la función objetivo: f X 

 165

2. Sujeto a:

 
2.1 Restricciones de igualdad: hi X  0 , i=1,2,...,m

 
2.2 Restricciones de desigualdad: g i X  0 , i=m+1,...,p

 
gi X  0
Ejemplo 1:

1. Definición del objetivo.

Maximizar el volumen de una caja sin tapa, que se desea construir con una
lamina de área total A.

2. Restricciones externas.

El área lateral de la caja no debe exceder el área de la lámina disponible.

3. Elección del sistema.

Caja rectangular.

4.Examen de la estructura del sistema (ver figura 1).

Figura 1. Representación de una caja abierta

5. Construcción del modelo.

V  x1 x2 x3
A  2 x1 x3  2 x1 x2  x2 x3

6. Restricciones internas.

g1  x1 , x2 , x3   x1  0
g 2  x1 , x2 ,.x3   x2  0
g 3  x1 , x2 , x3   x3  0
7. Reducción del problema a sus partes esenciales.

No es posible en este caso eliminar variables.

 166

8. Verificar que el sistema propuesto representa el sistema estudiado.

Las relaciones que describen el sistema son las apropiadas.

9. Formular la función objetivo

f x1 , x2 , x3   x1 x2 x3

El problema de optimización se formulará como:

Maximizar f x1 , x2 , x3   x1 x2 x3

h1  x1 , x2 , x3   2 x1 x3  2 x1 x2  x2 x3  AL  0
Sujeto a: g1  x1 , x2 , x3   x1  0
g 2  x1 , x2 , x3   x2  0
g 3  x1 , x2 , x3   x3  0

4.2. Métodos de optimización de funciones univariables

4.2.1. Método analítico de funciones no restringidas

Para la existencia de un punto extremo en una función univariable se requiere que

se cumplan dos tipos de condiciones: condiciones necesarias y condiciones
suficientes.

Si la función es continua y derivable en el intervalo a<x<b

Condiciones necesarias:

i. Exista la primera derivada.

dy df ( x)
y  
dx dx

ii. La primera derivada sea nula.

df  x 
y  x0 0
dx
Condiciones suficientes:

i. Si y´´( x0 )<0 la función tiene un máximo local en x0 .

 167

ii. Si y´´( x0 )>0 la función tiene un mínimo local en x0 .

iii. Si y´´( x0 )=0 deben analizarse las derivadas de orden superior para determinar la
naturaleza del punto extremo.

Este análisis se puede realizar haciendo una expansión en una serie de Taylor
cerca al valor x0 de la función:

y x   y x0    x  x0  y x0  
 x  x0 
2
y x0   ... 
 x  x0 
n
y n   x0   Rn
2! n!
( n 1)
Si y( x0 )  y( x0 )  y( n) ( x0 )  0 , pero y ( x0 )  0 :
 La función tiene un máximo local en x0 si n es impar y y(n+1)( x0 )<0.
 La función tiene un mínimo local en x0 si n es impar y y(n+1)( x0 )>0.
 La función tiene un punto de inflexión en x0 si n es par.

4.2.2. Método analítico de funciones restringidas

La técnica de optimización para este tipo de problema es análoga al caso de

funciones no restringidas, sólo que deben chequearse las restricciones para la
solución que se obtenga. Específicamente, si la restricción es una restricción de
igualdad, el óptimo se obtiene comparando los valores de la función objetivo en las
raíces de la función restricción.

Si existen restricciones de desigualdad, se obtienen los valores extremos de la

función (máximos ó mínimos) y se comparan con el valor de la función objetivo
evaluado en la frontera establecida por el dominio factible de la variable
independiente. El dominio factible es el conjunto de factores de la variable
independiente que satisface las restricciones.

Ejercicio 1:

x5 5 x 4 35 x3
Maximizar y    25 x 2  24 x  4
5 2 3

Sujeto a: x 2  (4  1)2  0
- 4.1 x  4.1 Dominio factible

La primera y la segunda derivada de la función objetivo son respectivamente:

 168

y  (x  1)(x  2)(x  3)(x  4)

y  (x  1)(x  2)(2x  7)  (x  3)(x  4)(2x  3)

Chequeando los puntos estacionarios de la función se obtiene (ver tabla 1):

Tabla 1. Puntos estacionarios del ejercicio 1.

x y y y  Tipo
1 4.37 0 -6 Max
2 3.73 0 2 Min
3 4.10 0 -2 Max
4 3.47 0 6 Min
-4.1 -2264.8
4.1 3.50

El máximo global cae en x =1.0

4.2.3. Métodos numéricos de funciones no restringidas

Los métodos numéricos se aplican cuando no se cumplen las condiciones para

utilizar los métodos analíticos o es muy engorrosa la aplicación del método para
determinar los valores extremos de la función objetivo. Estos métodos
esencialmente requieren la determinación del valor de la función objetivo y algunas
veces su gradiente en localizaciones sucesivas. En síntesis, la búsqueda de un
óptimo mediante métodos numéricos envuelve el cálculo sucesivo de valores de la
función objetivo y su comparación con un valor actual.

Las dos características esenciales de estos métodos es la escogencia de la

dirección y magnitud del desplazamiento en la búsqueda desde un punto actual.

La investigación del óptimo puede llevarse a cabo por métodos preplaneados y

secuenciales. En la primera técnica se eligen los puntos de investigación sin
ninguna interacción entre ellos; mientras que en los métodos secuenciales la
localización del próximo punto de investigación depende del resultado previo.

El procedimiento general de los métodos secuenciales es el siguiente:

i. Seleccionar un punto base.

ii. Evaluar la función objetivo en el punto base
iii. Escoger de acuerdo al método una segunda localización factible.
iv. Evaluar la función objetivo en la segunda localización.
v. Comparar el valor de la función en el punto base y la segunda localización.
 169

vi. Se prosigue la búsqueda en otra dirección si la función en el punto base es peor

que en la segunda localización, de acuerdo con el objetivo de optimización, o se
toma como punto base la segunda localización en el caso contrario.

De acuerdo con las características del método secuencial, este se puede

clasificarse en: métodos de investigación directa y métodos del gradiente.

Los métodos de investigación directa requieren únicamente la evaluación de la

función objetivo en una localización particular. La selección de la dirección y
magnitud del movimiento puede ser independiente o no de los resultados pasados.
Si se utiliza esta información para decidir sobre la dirección y magnitud del
movimiento, los métodos se pueden clasificar en: métodos uniformes y métodos
acelerados, dependiendo si el desplazamiento tiene una magnitud uniforme o es
variable.

Los métodos del gradiente requieren valores tanto de la función objetivo como del
gradiente en una localización. Estos métodos se dividen en dos subgrupos:

 Métodos que siguen la dirección del gradiente tan cerca como sea posible, con
desplazamiento acelerado o uniforme.
 Métodos que usan la dirección del gradiente como guía para la investigación,
pero no necesariamente en la dirección del gradiente, también con
desplazamiento acelerado o uniforme.

Los métodos más comúnmente usados son el método de la etapa fija, método
directo con aceleración, método de Fibonacci y método de la sección de oro.

4.2.3.1. Método de la etapa fija

Este es un método de investigación directa uniforme. A partir de un punto base, en

el intervalo factible, y mediante desplazamientos de tamaño fijo, se evalúa la
función en el punto base y en la nueva localización. De la comparación de estos
dos valores, se continúa en un nuevo desplazamiento o se obtiene un subintervalo
de incertidumbre. Si en el desplazamiento k-ésimo hubo cambio en la tendencia
de la función objetivo decreciente-creciente, o creciente-decreciente, según se esté
minimizando o maximizando, el intervalo de incertidumbre se establece como:

 xk 2 , xk 
Si se cumple la precisión requerida definida como:

f  xk   f  xk 1   

el valor del óptimo se ubica en xk 1

 170

x*  xk 1

Si la precisión requerida no se cumple, se continúa la búsqueda en el intervalo de

incertidumbre  xk 2 , xk  , redefiniendo el tamaño del desplazamiento. El tamaño del
desplazamiento en cada intervalo de incertidumbre se define como:

x N  x0
S 
N

donde N es el número de subintervalos en que se divide el intervalo de

incertidumbre y x0 y xN sus limites:  x0 , xN  . En la figura 2 se muestran los
puntos en una búsqueda de un máximo.

Nota:

En caso que en el primer desplazamiento no se observe el comportamiento de la

función esperado, creciente o decreciente según se esté maximizando o
minimizando, se cambia de dirección para la búsqueda. El nuevo punto se ubica
con la siguiente ecuación:

x1  x0  S

f(x)

S
... S
...

xo xk-2 xk-1 xk xN
Figura 2. Puntos de búsqueda de un máximo por medio del método de la etapa fija
Ejercicio 2:

Hallar el mínimo de
 171

f  x    x  100 
2

Tomar como intervalo de incertidumbre 80  x  120 y   4

En la tabla 2 se presentan las búsquedas hechas con el método de la etapa fija.

Tabla 2. Búsqueda del óptimo con el método de la etapa fija

Etapa xi f ( xi 1) f ( xi ) f ( xi ) f ( xi 1) S

1 84 400 256 144 4
2 88 256 144 112 4
3 92 144 64 80 4
4 96 64 16 48 4
5 100 16 0 16 4
6 104 0 16 16 4

Ya que no se cumple que la precisión requerida ( f  xk   f  xk 1    ), se cambia

de intervalo y redefine el desplazamiento, pues hubo cambio en la tendencia de la
función

Nuevo intervalo: [96,104

104  96
S  2 . En la tabla 3 se muestran las nuevas etapas de búsqueda del
4
óptimo.

Tabla 3. Nueva búsqueda del óptimo por el método de la etapa fija

Etapa xi f ( xi 1) f ( xi ) f ( xi ) f ( xi 1) S

1 98 16 4 12 2
2 100 4 0 4 2
3 102 0 4 4 2

Tomando  x =100.

Ejemplo 2:

Se desea saber cuál es el espesor de aislamiento óptimo-económico para un

tanque de almacenamiento. El costo se puede dividir en dos categorías: a) costo
instalado (CI) y b) costo de operación (CO). El costo de aislamiento instalado
 172

($/año) es C1C2Ax. También se debe instalar un serpentín de calentamiento para

mantener el aceite en el tanque con la viscosidad apropiada, y su costo de
instalación es:

Q
donde: At o  t a 
C3C4 Q
U t s  to  x 1
 
1 
 
 k ha ho 

Los costos de operación del tanque ($/año) son C5C6Q. Halle el costo mínimo y el
aislamiento requerido para el caso en que: A = 8000, t0 = 120, ta = 40, ts = 250, k
= 0.024, C1 = 4, C2 = 0.2, C3 = 0.8, C4 = 0.262, C5 = 1.5*10-6, C6 = 4000, h0 = 15
+ 60x + 10x2, ha = 4.0 - 10x, U = 17.

CI : Costo instalado, $/año

CO : Costo de operación, $/año
CT : Costos totales, $/año
C1 : Costo del material aislante, $/(ft2 superficie)(ft espesor)
C2 : Costo de amortización, 1/año
C3 : Costo de calentamiento superficial, $/ft2
C4 : Costo de amortización, 1/año
C5 : Costo de vapor, $/BTU
C6 : Horas de operación por año, h/año
A : Área de aislamiento, ft2
ha : Coeficiente de transferencia de calor, de la pared del tanque al aire,
BTU/h(ft2)(ºF)
ho : Coeficiente de transferencia de calor, del aceite a la pared del tanque,
BTU/h(ft2)(ºF)
k : Conductividad térmica de aislamiento, BTU/h(ft)(ºF)
Q : Pérdida calor, BTU/h
U : Coeficiente de transferencia de calor entre el serpentín y el producto,
2
BTU/h(ft )(ºF)
ta : Temperatura ambiente, ºF
to : Temperatura del producto, ºF
ts : Temperatura del serpentin, ºF
x : Espesor de aislamiento, ft

A continuación se hallará la función objetivo:

Q
CT  CI  CO CI  C1C2 Ax  C3C4
U  t s  t0 
 173

At o  t a 
Q h0  15  60 x  10 x 2 h  4  10 x
x 1 1  a
   
 k ha ho 
$ 1 $ 1 QBTU / h
CI  4 2  0.2  8000 ft 2  xft  0.8 2  0.262 
año 17 BTU 250  120 º F
ft ft año ft
 
hft 2 º F
$
 6400 x  9.48 105 Q
año
8000 ft 120  40  º F
2

Q
xft 1 1
 
0.024
BTU
hft º F
BTU
 4  10 x  2
hft º F
15  60 x  10 x 2  2
BTU
hft º F
640000 BTU
Q
41.67 x   4  10 x   15  60 x  10 x 2 
1 1
h
C 0  C5 C 6 Q
$ h BTU
CO  1.5 106  4000 Q
BTU año h
$
CO  6 103 Q
año

CT  6400 x  9.48 105 Q  6 103 Q

 6400 x   9.48 105  6 103  Q

Después de sustituir Q, se obtienen los costos totales anuales en función del

espesor del aislamiento.

3900.672
Función objetivo: CT  6400 x  1 1
41.67 x  
4  10 x 15  60 x  10 x 2

La solución se hallará por el método de la etapa fija:

Tomando como intervalo de incertidumbre 0  x  0.2 y   2

0.2  0
Si N  10  S   0.02
10
 174

En la tabla 4 se presentan las iteraciones para la búsqueda del espesor óptimo

económico del aislante.

Tabla 4. Iteraciones para la búsqueda del óptimo del ejemplo 2.

Etapa xi CT ( xi 1) CT ( xi )  S
1 0.000 -7588.23 12317.9 19906.1 0.020
2 0.020 12317.9 3495.67 8822.2 0.020
3 0.040 3495.67 2204.39 1291.3 0.020
4 0.060 2204.39 1753.63 450.76 0.020
5 0.080 1753.63 1567.25 186.38 0.020
6 0.100 1567.25 1497.72 69.531 0.020
7 0.120 1497.72 1490.04 7.6796 0.020
8 0.140 1490.04 1519.03 28.9919 0.020

Se cambia de intervalo y redefine el desplazamiento, pues hubo cambio en la

tendencia de la función objetivo.

Nuevo intervalo: [0.100, 0.140]

0.140  0.100
S
5

En la tabla 5 se muestran las nuevas iteraciones.

Tabla 5. Nuevas iteraciones para la búsqueda del óptimo del ejemplo 2.

Etapa xi CT ( xi 1) CT ( xi ) f ( xi ) f ( xi 1)  S

1 0.092 1546.45 1516.02 30.429 0.008

2 0.100 1516.02 1497.72 18.301 0.008
3 0.108 1497.72 1489.03 8.6936 0.008
4 0.116 1489.03 1488.07 0.9549 0.008
5 0.124 1488.07 1493.44 5.36987 0.008

Tomando   2 , se obtiene el espesor óptimo: x  0.116 ft , lo cual hace que los

costos totales sean mínimos e iguales a 1488.07 $/año
 175

4.2.3.2. Método directo con aceleración

Como su nombre lo indica este es un método directo, en donde el desplazamiento

es acelerado. En este método la función se evalúa en la secuencia:

x0 , x0  S , x1  2S , x2  4S ,...xk  xk 1  2k 1 S

donde xk es el primer valor en que falla la tendencia de la función. Es decir, si se

está buscando un máximo:

y0 < y1 < y2 ...<yk-1

yk-1  yk

El intervalo de incertidumbre se establece como: [xk-2 , xk 

La amplitud de este intervalo es =3(2k-2 S) (ver figura 3).

Si para el primer paso y  x0   y  x1  , el máximo o el mínimo se ubica en el

intervalo  x0 , x1  .
Si y  x0   y  x1  ó y  x0   y  x1  , en el caso de maximización o minimización, la
búsqueda debe realizarse en la dirección contraria con: x1  x0  S .

f(x)

d  2k 1 S

d
 2k  2 S
2

xk-2 xk-1 xk

Figura 3. Búsqueda de un máximo por el método directo con aceleración

El máximo se puede localizar de varias maneras:

 Aproximando los tres últimos puntos a un polinomio de segundo grado, por

ejemplo, con el método de Gregory-Newton:
 176

y  0  1  x  xk 2   11  x  xk 2  x  xk 1 

donde:

 0  yk  2  y( xk  2 )

yk 1  yk  2
1   f  xk  1 , xk  2 
xk  1  xk  2

yk  2 yk 1
11  f  xk , xk 1 , xk  2   
 xk 2  xk 1  xk 2  xk   xk 1  xk 2  xk 1  xk 
yk

 xk  xk 2  xk  xk 1 
El óptimo se localiza en:
1 
x  ( xk  2  xk  1 )  1
2 2 11

 Realizando una búsqueda adicional en xk 1 .

d
xk  1  x k  1  donde: d  xk  xk 1
2

El óptimo se localiza con las siguientes fórmulas:

o Si y(xk+1) < y(xk-1), para un máximo y si y(xk+1) > y(xk-1), para un mínimo

d yk 1  yk  2 
x   xk  1   
4  yk 1  2 yk 1  yk  2 

o Si y(xk+1) > y(xk-1), para un máximo y si y(xk+1) < y(xk-1), para un mínimo

d yk  yk 1 
x   xk  1   
4  yk  2 yk 1  yk 1 
 177

Ejercicio 3:

Hallar el mínimo de f ( x)  ( x  100)2 .

Sugerencia: partir de x0 = 66 y usar un desplazamiento original S = 3. En la tabla 6

se muestran los resultados de las iteraciones.

Tabla 6. Iteraciones en la búsqueda del mínimo del ejercicio 3.

Etapa xk f ( xk 1) f ( xk ) f ( xi ) f ( xi 1)  d

1 69 1156 961 195 3
2 75 961 625 336 6
3 87 625 169 456 12
4 111 169 121 48 24
5 159 121 3481

El intervalo de incertidumbre es [87,159. Repitiendo el proceso (tabla 7)

Tabla 7. Nuevas iteraciones en la búsqueda del mínimo del ejercicio 3.

Etapa xk f ( xk 1) f ( xk ) f ( xi ) f ( xi 1) d

1 90 169 100 69 3
2 96 100 16 84 6
3 108 16 64 48 12

El mínimo puede calcularse con la aproximación de segundo grado:

 0  f ( xk  2 )  100
16  100
 1  f  x k  1 , xk  2    14
96  90
f ( xk  2 ) f ( xk 1 )
11  f  xk , xk 1 , xk  2   
( xk  2  xk 1 )( xk  2  xk ) ( xk 1  x k  2 )( xk 1  xk )
f ( xk )

( xk  xk  2 )( xk  xk 1 )
100 16 64
    1 0
(90  96)(90  108) (96  90)(96  108) (108  96)(108  90)
 178

1 
x*   xk 2  xk 1   1
2 2 11
1 14
x*   90  96  
2 2
x  100
*

El mínimo también puede estimarse, realizando el experimento o búsqueda en

xk 1 .
d
xk 1  xk 1 
2
12
xk 1  96 
2
xk 1  102
y ( xk 1 )  4

Como y( xk 1 )  y( xk 1 ) , (4<16) , entonces

d yk  yk 1 
x   xk  1   
4  yk  2 yk 1  yk 1 
12  64  16 
x*  102 
4  64  2  4  16 
 48 
x*  102  3  
 72 
x  102  2
*

x*  100

Ejemplo 3:

Resuelva el ejemplo 2 por el método directo con aceleración.

Se parte de x0  0.095 y desplazamiento original de 0.005. En la tabla 8 se

muestran las iteraciones.

Tabla 8. Iteraciones en la búsqueda del mínimo del ejemplo 3.

Etapa xi CT ( xi 1) CT ( xi ) f ( xi ) f ( xi 1) S

1 0.100 1507.89 1497.72 10.1691 0.005

2 0.110 1497.72 1488.12 9.59601 0.010
3 0.130 1488.12 1500.95 12.8303 0.020
4 0.170 1500.95 1604.1 103.151 0.040
 179

El intervalo de incertidumbre es [0.110, 0.170]. Repitiendo el proceso(tabla 9):

Tabla 9. Nuevas iteraciones en la búsqueda del mínimo del ejemplo 3.

Etapa xi CT ( xi 1) CT ( xi ) f ( xi ) f ( xi 1) S

1 0.115 1488.12 1487.82 0.30446 0.005

2 0.125 1487.82 1494.5 6.68064 0.010
3 0.145 1494.5 1530.32 35.816 0.020

El mínimo puede calcularse con la aproximación de segundo grado:

0  1487.819, 1  668.064, 11  4957426.6

x*  0.120 CT  1490

Realizando una búsqueda adicional:

d  0.02
xk 1  0.135 CT  xk 1   1509.2

Como 1509.2 > 1494.5, entonces se aplica la fórmula:

d yk 1  yk  2 
x   xk  1   
4  yk 1  2 yk 1  yk  2 
x*  0.11167 CT  1487.7

Finalmente, se escoge este último como el valor mínimo.

4.2.3.3. Método de Fibonacci

Es un método de aproximación secuencial que usa como mínimas dos

investigaciones por ciclo para eliminar una región de posteriores búsquedas. Es
análogo a los métodos anteriores con un tamaño de etapa variable, en donde el
intervalo de incertidumbre se disminuye en cada etapa e igualmente el
desplazamiento para la localización del óptimo y están relacionados con los
números de la serie de Fibonacci. El método exige predeterminar el número de
investigaciones del óptimo que se van a realizar. En cada subintervalo de
incertidumbre los puntos se localizan a una misma distancia de los extremos (ver
figura 4).
 180

Lj
lj lj

A C D E B
lj+1 lj+1
Región que
se descarta Lj+1

Figura 4. Representación de las etapas a seguir con el método de Fibonacci

En la figura 4 puede observarse que AC  DB y CD  EB . La variable

independiente se ubica en AB , y por ejemplo, en una búsqueda j cualquiera, en C
y D se encuentran los valores a investigar en la función, y de esta manera se
decide cuál se rechaza y cuál se conserva para la siguiente búsqueda. En el
gráfico se descarta la región AC . En el ejemplo 4 se ilustra esta situación.

Para satisfacer el requerimiento de equidistancia de los extremos de los puntos de

investigación del óptimo, se debe cumplir la relación:

FN  ( j 1)
lj  Lj
FN  ( j 1)

donde N es el número de investigaciones predeterminadas.

La serie de Fibonacci es la solución de la siguiente ecuación diferencia.

Fj  Fj 1  Fj  2 , Fo  F1  1, cuya solución es:

1  1  5  
j 1 j 1
 1 5 
Fj       , j0
5  2   2  
 

En el primer intervalo de incertidumbre, las investigaciones se localizan a una

distacia l1 de los extremos:

FN  2
l1  L1
FN

En los intervalos siguientes sólo se requiere de una investigación por cada etapa,
porque se conserva un punto de la etapa anterior, como puede confirmarse en la
 181

figura 4 con el punto D. Después de realizar m experimentos de los N

predeterminados, la longitud del intervalo de incertidumbre está dada por:

FN  ( m1)
Lm  L1
FN

La región fraccional de incertidumbre o efectividad, definida como la fracción con

respecto al intervalo de incertidumbre a la que se reduce el intervalo después de
realizar las N investigaciones, está dada por:
LN 1
E   
L1 FN
La última investigación se lleva a cabo en el centro del intervalo LN 1:

Fo L
l N 1  LN 1  N 1
F2 2

Ejemplo 4:

Resuelva el ejemplo 2 por el método de Fibonacci.

Si se define una efectividad de 0.01, se puede determinar FN y por lo tanto N:

1 1
FN    100
 0.01

1  1  5  
j 1 j 1
 1 5 
Fj       , j  0,
5  2   2  
 

para j = 10, F10 = 89 y para j = 11, F11 = 144. Se decide trabajar con N=10

En la tabla 10 se presentan los resultados de las iteraciones.

El espesor óptimo es de 0.112 ft para un costo total mínimo de 1487.64 $/año.

Como puede observarse en la tabla 10 se realizaron 10 búsquedas, dos en el
intervalo inicial y una en cada etapa siguiente; aunque debe aclararse que
realmente son nueve búsquedas, pues la última coincide con la que se conserva
de la etapa anterior.

Tabla 10. Iteraciones en la búsqueda del mínimo del ejemplo 4.

Etapa Lk lk x CT Intervalo
0 0.000 0.200
 182

1 0.200 0.076 0.076 0.124 1589.72 1493.04 0.076 0.200

2 0.124 0.047 0.124 0.153 1493.04 1550.50 0.076 0.153
3 0.076 0.029 0.106 0.124 1490.73 1493.04 0.076 0.124
4 0.047 0.018 0.094 0.106 1509.43 1490.73 0.094 0.124
5 0.029 0.011 0.106 0.112 1490.73 1487.64 0.106 0.124
6 0.018 0.007 0.112 0.117 1487.64 1488.36 0.106 0.117
7 0.011 0.004 0.110 0.112 1488.09 1487.64 0.110 0.117
8 0.007 0.002 0.112 0.115 1487.64 1487.75 0.110 0.115
9 0.004 0.002 0.112 0.112 1487.64 1487.64 0.112 0.112

4.2.3.4. Método de la sección de oro

Este método es una modificación del método de Fibonacci. Se ha observado que

para grandes valores de j:
Fj  2
 0.382 , por lo tanto,
Fj

lJ  0.382L j , cuando N>5.

Este método exige que las últimas cinco investigaciones se hagan mediante el
método de Fibonacci. El método se utiliza cuando no se conoce el número de
investigaciones que se van a realizar, o no se sabe el límite de seguridad deseado.
Por el contrario el método de Fibonacci permite el cálculo del número de
investigaciones a partir de la relación de la seguridad deseada.

La región fraccional de incertidumbre después de realizar N experimentos está

dada por:

  (0.618) N 1

Ejercicio 4:

Localizar el mínimo de la función representada por:

y  (x  30)2

Tomar como intervalo de incertidumbre inicial 0  x  100 . En la tabla 11 se

presentan los resultados.

Tabla 11. Iteraciones en la búsqueda del mínimo del ejercicio 4.

 183

Etapa Lk lk x y( x ) Intervalo
0 0  x  100
1 100 38.2 38.2, 61.8 67.2, 1011 0  x  618
.
2 61.8 23.61 23.61, 38.2 40.8, 67.2 0  x  38.2
3 38.2 14.59 14.59, 23.61 237.5, 40.8 14.59  x  38.2
4 23.61 9.0 23.61, 29.2 40.8, 0.6 23.61  x  38.2
5 14.59 5.57 29.2, 32.63 0.6, 6.9 23.61  x  32.6
6 9.02 3.45 27.06, 29.2 8.6, 0.6 27.06  x  32.6
7 5.57 2.13 29.2, 30.5 0.6, 0.3 .  x  32.6
2919
8 3.44 1.3 30.5, 31.33 0.3, 1.8 .  x  3133
2919 .

Hasta este punto la región fraccional de incertidumbre es    0.618  0.034

7

Se continúa con el método de Fibonacci a partir de la novena etapa (ver tabla 12).
F3 3
l1  * L1  * 214
.  08025
. .
F5 8

Tabla 12. Últimas etapas en la búsqueda del mínimo del ejercicio 4.

Etapa Lk lk x y( x ) Intervalo
0 .  x  3133
2919 .
1 2.14 0.8025 29.98, 30.52 4x10-4, 0.27 .  x  3052
2919 .
2 1.33 0.532 29.72, 29.98 0.078, 4x10-4 29.72  x  3052
.
3 0.8 0.2666 29.98, 30.25 4x10-4, 0.0625 29.72  x  30.25
4 0.53 0.265 29.98, 29.98 4x10-4, 2x10-4 29.98  x  30.25

El óptimo se localiza en x*  29.985 con y( x* )  2 104 . El número total de etapas

fue 12, lo que sería equivalente a trabajar con el método de Fibonacci para N = 13.

Ejemplo 5:

Resuelva el ejemplo 2 por el método de la sección de oro.

Se va a tomar como intervalo de incertidumbre inicial 0  x  0.2 . En la tabla 13 se

presentan las iteraciones.

Tabla 13. Iteraciones en la búsqueda del mínimo del ejemplo 5.

Etapa Lk lk x CT Intervalo
 184

0 0.000 0.200
1 0.200 0.076 0.076 0.124 1589.75 1493.04 0.076 0.200
2 0.124 0.047 0.124 0.153 1493.05 1550.44 0.076 0.153
3 0.076 0.029 0.106 0.124 1490.76 1493.05 0.076 0.124
4 0.047 0.018 0.094 0.106 1509.30 1490.77 0.094 0.124
5 0.029 0.011 0.106 0.112 1490.77 1487.64 0.106 0.124

Se hacen las últimas búsquedas con el método de Fibonacci (tabla 14):

Tabla 14. Últimas iteraciones en la búsqueda del mínimo del ejemplo 5.

Etapa Lk lk x CT Intervalo
0 0.106 0.124
1 0.018 0.007 0.112 0.117 1487.65 1488.36 0.106 0.117
2 0.011 0.005 0.110 0.112 1488.10 1487.65 0.110 0.117
3 0.007 0.002 0.112 0.115 1487.65 1487.74 0.110 0.115
4 0.005 0.002 0.112 0.112 1487.65 1487.65 0.110 0.112

La región fracciónal de incertidumbre en este caso se ha reducido a   2.3% , el

cual puede considerarse un valor aceptable.

El espesor óptimo es de 0.112 ft para un costo total mínimo de 1487.65$/año.

4.2.4. Método numérico de funciones restringidas

Muchas funciones solamente toman valores en valores discretos de la variable

independiente. Caso de estas funciones se obtienen con procesos reales donde, la
variable independiente es el diámetro de la tubería, el espesor de los materiales de
aislamiento, el número de unidades en una batería de unidades de proceso:
reactores, evaporadores, etc.

En los problemas con estas restricciones no son directamente aplicables los

métodos precedentes. Estos problemas pueden ser resueltos utilizando
modificaciones de los métodos anteriores. Por ejemplo, el método de Fibonacci
puede aplicarse con algunas adaptaciones.

 Caso 1:

Si la función discreta está definida en K puntos y se cumple que:

K  1  FN
 185

Donde FN: Número de la serie de Fibonacci

Para esta aplicación no es necesario que los valores de la variable independiente

estén igualmente espaciados, pero si se requiere que estén ordenados de alguna
forma. Una vez estén ordenados, creciente o decrecientemente, es necesario
rotular los valores con números desde 1 hasta K, de tal manera que cada uno
quede identificado por un entero k, donde:

1 k  K

Con esta asociación de la posición definida, para cada valor de la variable

independiente la búsqueda del óptimo siempre corresponderá a un número entero,
que no es el valor de la variable sino que indica la posición de la variable en el
orden preestablecido.

Se define entonces que el intervalo inicial para la búsqueda está dado por:

L1  K  1

y los dos primeros experimentos se realizan en k  l1 y k  K  1  l1 , donde:

F F
l1  N 2 L1  N 2 ( K  1)  FN 2
FN ( K  1)

En general:

FN  ( j 1)
lj  L1  FN  ( j 1)
FN

 Caso 2:

Si K+1 no es un número de la serie de Fibonacci, se agregan puntos ficticios en los

extremos hasta obtener un número de la serie de Fibonacci, o sea que:

FN  F  K  1

Donde F es el número de puntos ficticios agregados en los extremos. Se

recomienda que estos puntos se distribuyan en los dos extremos; y si debe
realizarse una búsqueda en un punto ficticio se pasa la búsqueda al punto real más
cercano.

El intervalo de incertidumbre inicial, para los dos casos se define como [0,FN] y en
la etapa j, [kI,kS] siendo kI el límite inferior y kS el superior. Estos valores dependen
de que región se descarta y cual se conserva, de acuerdo con el objetivo de
optimización.
 186

Las posiciones en el ordenamiento donde debe evaluarse la función objetivo en la

etapa j serán:

k1 = kI + lj y k2 = kS-lj

Si el mejor valor de la función objetivo, mínimo o máximo, se ubica en el valor k 1,

se descartan los valores mayores que k2 y se conservan para el nuevo intervalo de
incertidumbre todos los valores de k menores que k 2. En el caso en que el mejor
valor de la función se ubique en el valor k 2, se descartan los valores menores que
k1.

Ejemplo 6:

Se desea bombear 1000 lb/h de glicerina a 15°C desde un tanque de

almacenamiento que está al nivel del piso, hasta otro situado a una altura de 35 ft.
La longitud total de la tubería es de 75 ft e incluye cuatro codos de 90°. Determine
el diámetro más apropiado de la tubería para la planta considerando solamente los
costos de tubería instalada y los costos de bombeo.

El costo de tubería de 1 in de diámetro es X $/ft de longitud, y para determinar el

costo de cualquier tubería se puede utilizar la relación:

CD2 D2
 CD: Costo de la tubería de diámetro D
CD1 D1

Los tamaños estándares de la tubería pulgadas pueden ser tomados como 1, 1¼,
1½, 2, 2 ½, 3, 4, 5, 6 y 8, los costos de electricidad Y $/kwh.

Una representación del sistema se muestra en la figura 5.

 187

H2

35 ft

H1

1ft
Figura 5. Representación del sistema de bombeo del ejemplo 6.

CTotal  CB  CT CB: Costos de bombeo CT: Costos de tubería

CB  Q HtY H: Cabeza del sistema   g t: Tiempo

H  hD  hS hD: Cabeza total de descarga

hS: Cabeza total de succión

hD  hSD  hPD  h fD hSD: Cabeza estática de descarga

hPD: Cabeza superficial de descarga
hfD: Cabeza fricción de descarga
hS  hSS  hPS  h fS hSS: Cabeza estática de succión
hPS: Cabeza superficial de succión
hfS: Cabeza fricción de succión
hSD  35  H 2
hPD  0

A la cabeza de fricción de descarga contribuyen los 74 ft de tubería (1), los cuatro

codos de 90º (2) y el agrandamiento súbito al final de la línea de descarga, pero
este último es despreciable.

h fD  h fD1  h fD 2
L V 2 64 L V 2
h fD1  4 f 
D 2 g Re D 2 g
 188

g lb lb
  1.264  79.01   800 cp  2.42  1936
cm3 ft 3 fth
m ft
g  9.8 2  4.1731108
s h
lb 1 lb ft 3
Q  1000   12.673
h 79.01 ft 3 h

Q 4Q 4 12.673 16.136 DV  0.6577

V    Re  
A  D2  D2 D2  D

16.136 
2
64 D 74 2.2464 103
h fD1  
0.6577 D D 4  2  4.1731108  D4

Aunque la solución de este problema se buscará en régimen laminar, se usarán

valores de longitudes equivalentes de tubería para régimen turbulento como una
aproximación. En la tabla 15 se presentan las longitudes equivalentes (Le) de
tubería recta para codos estándares de 90º para flujo turbulento.

Tabla 15. Longitudes equivalentes para codos de 90º1.

Diámetro nominal
1 1¼ 1½ 2 2½ 3 4 5 6 8
(in)
Longitud
1.6 2.1 2.4 3.1 3.6 4.4 5.9 7.3 8.9 12
equivalente (ft)2
Diámetro interno (ft) 0.087 0.115 0.134 0.172 0.206 0.256 0.336 0.421 0.505 0.673

Realizando una regresión del diámetro interno (ft) frente a la longitud equivalente
(ft) y haciéndola pasar por el origen, se obtiene el mejor ajuste para una línea recta
cuya ecuación es Le  17.658D

 64 D Le  D  16.136 
2
 0.00214
h fD 2    4 
 0.6577 D D  2  4.173110   D3
4 8

2.2464 103 0.00214

h fD  
D4 D3
2.2464 103 0.00214
hD  35  H 2  
D4 D3

1
Syska R. And Birk J., “Pump engineering manual”, The Duriron Company, 1976
2
Radio corto
 189

hSS  H1
hPS  0

A la cabeza de fricción de succión contribuyen 1 ft de tubería y pérdidas por la

entrada a la tubería, pero esta última se va a despreciar.

16.136 
2
64 D 1 3.0357 105
h fS  
0.6577 D D 4  2  4.1731108  D4

3.0357 105
hS  H1 
D4

2.2464 103 0.00214 3.0357 105

H  35  H 2    H1 
D4 D3 D4

Suponiendo que H1 = H2

2.216 103 0.00214

H  35  
D4 D3

ft 3  0.3048 
3 3
h 5 m
Q  12.673    9.97 10
h ft 3 3600s s
m 100  cm 
3 3
g kg N
  g   9.8 2 1.264 3     12387.2 3
s  cm 1000 g m3 
 m
t  8000h
Y  151$ / kW

CB  Q HtY
m3 N  2.216 103 0.00214  0.3048m
 9.97 105 12387.2 3   35  4
 3  ft 
s m  D D  1 ft
h $ 1kW Ws
 8000 151  
año kWh 1000W Nm
1.008 0.973
 15917  
D4 D3

El costo de tubería de 1 in de diámetro nominal en acero inoxidable 304 sch 40 es

18900 $/m.
 190

 DL
CT  CD1  
 D1  T

L: Longitud total de tubería, ft

T: Vida útil del sistema, año

Para la longitud de tubería del sistema y 10 años de vida útil:

$ 0.3048m  Dft  12in 1

CT  18900  75 ft    
m 1 ft  1in  1 ft 10año
 518465D

Sumando los costos de tubería y costos de bombeo se obtiene la función objetivo:

1.008 0.973
CTotal  15917    518465D
D4 D3

D[=] ft, diámetro nominal

CT[=] $

El diámetro óptimo se encuentra entre uno de los siguientes valores de diámetro

nominal en pulgadas: 1, 1¼, 1½, 2, 2 ½, 3, 4, 5, 6 y 8.

En estos casos el método más apropiado para realizar la optimización es el

numérico de funciones restringidas, tal como el de Fibonacci modificado, en donde
la variable toma valores discretos.

Siguiendo el método tenemos que:

K = 10, K+1 = 11

Como K+1 no coincide con un número de Fibonacci, entonces corresponde al caso

2, y debe buscarse un F tal que:

FN  F  K  1

De allí se encuentra F = 2 y F6 = 13

En la tabla 16 se muestra la distribución de la variable independiente D, frente a la

nueva variable independiente k. Como puede observarse, los valores ficticios de k
se distribuyen en los extremos del intervalo de D. Uno se adicionó a la izquierda,
por ello el primer valor del diámetro no está asociado al valor de k = 1, y el otro se
adicionó al otro extremo. Queda el intervalo inicial [0, FN] = [0, 13]
 191

Tabla 16 Variables independientes para el ejemplo 6

k 0 1 2 3 4 5 6 7 8 9 10 11 12 13
D(in) 1 1¼ 1½ 2 2½ 3 4 5 6 8

En la tabla 17 se muestran los resultados de las iteraciones,

Tabla 17. Iteraciones en la búsqueda del mínimo del ejemplo 6.

Etapa Lj lj k CTotales Intervalo

0 0 13
1 13 5 5 8 1.038x105 1.888x105 0 8
2 8 3 3 5 0.79356x105 1.038x105 0 5
3 5 2 2 3 0.8171x105 0.79356x105 2 5
4 3 1 3 4 0.79356x105 0.8535x105 2 4
5 2 1 3 3 0.79356x105 0.79356x105

El diámetro óptimo para el sistema de bombeo es 1¼ in. El número de Reynolds

para este diámetro es 6.34 el cual es menor de 2100, confirmando la suposición de
régimen laminar en el sistema.

4.3. Métodos de optimización de funciones multivariables

4.3.1. Método analítico de funciones no restringidas

Análogamente a las funciones univariables, para la existencia de un punto extremo

es necesario que se cumplan dos tipos de condiciones:

si f ( x1 , x2 , ... , xn )  f ( X ) es la función objetivo, las condiciones necesarias y
suficientes son:

 Condiciones necesarias:
 
i. f ( X ) diferenciable en X *
 
 
ii. f X *  0


 Condiciones suficientes:
 
f ( X ) sea dos veces diferenciable en X *

i. Para un máximo, que:

 192

Di  0 ; i=1,3,5,... (impar)
Di  0 ; i=2,4,6,... (par)

ii. Para un mínimo, que:

Di  0 ; i=1,2,3,4,...

Donde: Di es el determinante menor de la matriz hessiana definido como:

 f x1x1 f x1x2  f x1xi 

f f x2 x2  f x2 xi 
Di   2 1
x x

     
 
 f xi x1 f xi x2  f xi xi 

donde:

f 
 2 f X* ; segunda derivada evaluada en X *
x x
j i x x
j i

Si no se cumple ninguno de los dos grupos de condiciones suficientes, el valor

estacionario puede no ser una condición óptima. En el caso en que todos los Di
sean ceros deben chequearse las derivadas de orden superior a dos. En los otros
casos el punto estacionario es un punto silla.

Las condiciones necesarias y suficientes para un punto óptimo de una función

pueden analizarse en la expansión de Taylor para la función.

La expansión de Taylor para una función puede expresarse como:

  2 y 3 y k y
y ( X )  y ( X  )  y   ...  Rk  1
2! 3! k!
ó
  2 f 3 f k f
f ( X )  f ( X  )  f   ...  Rk  1
2! 3! k!

donde:
 f X  f X  f X*
f   x1  x 
   x2  x2 
  ...   xn  xn 

1
 x1  x2  xn
 2 f X  2 f X  2 f X*
 f   x1  x
2  2
   x2  x2 
 2
 ...   xn  xn 
 2

1
 x12  x2 2  xn 2
 193

 2 f X*  2 f X*
2  x1  x *
 x x *
  2  x1  x *
 x x*
  ...
1 2 2
 x1 x2 1 3 3
 x1 x3
 2 f X*  2 f X*
2  x1  x  x  xn   ...  2  xn1  xn 1   xn  xn x
* * * *
1 n
 x1xn n 1  xn

En general:

k!  k f ( X )
k f   p1 ! p2 !... pn !
( x1  x1 ) ... ( xn  xn )
* p1 * pn

x1 p1 x2 p2 ... xn pn

donde la sumatoria se hace sobre todos los enteros positivos mayores o iguales a
cero, tal que:
n

p
i 1
i k

Por ejemplo para n=2 y 2 f  k=2, los enteros resultantes son:

p1 = 0 y p2 = 2, p1 =1 y p2 = 1, p1 = 2 y p2 = 0

p  f (X )
2 *
2! p
2 f   ( x1  x1* ) 1 ( x2  x2* ) 2 
p1 ! p2 ! p1 p2
 x1  x2

 2 f (X *) 2 f (X *)
*  f (X ) * 2 
2 *
( x1  x1* )2  2( x  x *
)( x  x )  ( x  x )
 x12 1 1 2 2
 x1 x2 2 2
x22

Para que la función f ( X ) tenga un óptimo en un punto estacionario se requiere:

i. Para un máximo: 2 f  0
ii. Para un mínimo : 2 f  0

Si no se cumplen las condiciones anteriores deben analizarse los signos de los 

de orden superior junto con la función en términos de la serie de Taylor, o sea :

 * 2 f 3 f k f
f ( X )  f ( X )  f   ...
2! 3! k!

Ejercicio 5:

Encuentre el punto estacionario de la función


f ( X )  x1  x2  x3  2 x1x3  x2 x3  4 x1
2 2 2
 194

y diga si es un máximo o un mínimo.

 f X 
 2 x1  2 x3  4
 x1
 f X 
 2 x2  x3
 x2
 f X 
 2 x1  x2  2 x3
 x3

Haciendo f ( X * )  0 , se obtiene:

2 x1  2 x3  4  0
2 x2  x3  0
2 x1  x2  2 x3  0

Resolviendo el sistema de ecuaciones lineales se tiene:

x1  10
x2  4
x3   8

Evaluando los determinantes menores de la matriz hessiana:

D  f
1 x1x1
fx x fx x
D2  1 1 1 2
fx x fx x
2 1 2 2
fx x fx x fx x
11 1 2 1 3
D  fx x fx x fx x
3 2 1 2 2 2 3
fx x fx x fx x
31 3 2 3 3

f 2 f 0 f  2
x x x x x x
11 1 2 1 3
f 0 f  2 f  1
x x x x x x
2 1 2 2 2 3
f  2 f  1 f 2
x x x x x x
31 3 2 3 3
 195

D 2
1

2 0 -2
2 0
D   4 D  0 -2 -1  2
2 0 -2 3
-2 -1 2

El punto estacionario no es ni máximo ni mínimo, es un punto silla.

Ejemplo 7:

Un fabricante puede producir un cierto ítem A por 20 pesos/lb y un ítem B por 10

pesos/lb. El equipo de mercadeo de la empresa cree que la compañía puede
vender 2’000.000/x2y lb/dia de A y 2’000.000/xy2 lb/día de B, donde x es el precio
de venta de A, en pesos/lb y y es el precio de venta de B, en pesos/lb. Cuáles son
los valores de x y y para obtener el máximo beneficio?

El beneficio obtenido se puede expresar a través de la siguiente función objetivo:

 
f X 
2'000.000
2
x y
x  20  2'000.2000  y  10
xy

 x 
Siendo X   
y 

Utilizando el método analítico de funciones no restringidas, se puede optimizar

 
f X para hallar los valores de x y y que hacen máxima la función.

Se debe cumplir la condición necesaria:

  
f ( X * )  0 , es decir:

 f 
  *  x  0
f ( X )   f    
  0 
 y 

 
f X 2 10  40 y
 2 2 
6

 2 y  10   0 (1)
x x y  x 
 196

 
f X 2 10
 2 2
6
 20 x


 2 x  20   0 (2)
y x y  y 

Resolviendo el sistema de ecuaciones formado por (1) y(2), se obtiene:

x *  30 y y *  15
 

Con estos valores, se puede confirmar la otra condición necesaria, de que f X*

es diferenciable en X x .

Para la existencia de un máximo debe cumplirse que

Di  0 ; i=1,3,5,... (impar)
Di  0 ; i=2,4,6,... (par).

f x 1x 1 f x1x 2 ..... f x1xi 

 2 f ( X *)
f x 2 x1 f x 2 x 2 ..... f x 2 xi
Di  f 
: : : x x
j i x x
j i
f xix1 f xix 2 ..... f xixi

2 f 2 10 120 y 4 y 20 
6
 2 2  x 2  x  x   f xx  6.584
x 2
x y
2 f 2 106  60 x 4 x 40 
      f  26.337
y 2 x 2 y 2  y 2 y y yy
2 f 2 106  40 20 
 2 2  x  2  y   f  6.584
xy x y   xy
 f
2
2 10  40
6
20 
 2 2   2    f  6.584
yx x y  x y yx

D1  6.584  0

6.584 6.584
D2   130.05  0
6.584 26.337

Se confirma que los valores de x = 30 y y = 15, generan el máximo beneficio.

4.3.2. Métodos analíticos de funciones restringidas

 197

4.3.2.1. Restricciones de igualdad

4.3.2.1.1. Método de substitución directa

Si existen m restricciones de igualdad lineales, el método consiste en eliminar m de

las n variables y resolver el problema por el método de funciones no-restringidas
con (n - m) variables.

Ejercicio 6:

Encontrar el mínimo de la función:  
f X  4 x12  5x22 sujeto a 2x1  3x2  6 .

De la restricción se obtiene que:

6  3x2
x1 
2

al sustituir x1 en la función objetivo se obtiene:

f1  x2   14 x22  36 x2  36
 f1  x2 
 28 x2  36
 x2
36
x2   1.286
28
D1  f1x2 x2  28
x1  1.071

El mínimo es:

 
f X *  4 1.071  5 1.286 
2 2

f  X   12.857
*

El método de substitución directa es recomendable cuando las variables pueden

despejarse fácilmente para substituirlas. Este método debe usarse
preferencialmente cuando las restricciones son lineales.

Ejercicio 7:

Maximizar y  x1  3x2  5x32

Sujeto a x1  x22  3x3  10
 198

Eliminando

x1  10  x22  3x3
 
f  x2 , x3   y1  10  x22  3x3  3x2  5x32
 10  x22  3x2  5x32  3x3

Condiciones necesarias:

y1 3
 2 x2  3  0  x2 
x2 2
y1 3
 10x3  3  0  x3 
x3 10
2
 3  3
 x1  10     3   8.65
 2  10

Condiciones suficientes:
f x2 x2 f x2 x3
D1  f x 2 x 2 D2 
f x3 x2 f x3 x3
 2 y1
f x2 x2   2  D1
x22
 2 y1
f x2 x3  0
x2 x3
 2 y1
f x3 x2  0
x3x2
 2 y1
f x3 x3   10
x32

2 0
D2   20
0 10

 8.65 
X   3 / 2 
*
es un máximo
3 /10 
 199

y  8.65  3(3 / 2)  5(3 /10) 2

y*  12.7

Ejemplo 8:

Se dispone de la materia prima A en una solución saturada de 0.2 gmol/l, a partir

de la cual se puede producir D mediante la reacción:

AD

cuya velocidad de reacción puede aproximarse a:

-rA = k1CA

donde:

k1 = 0.004 min-1
CA [=] gmol/l

Determine el grado de conversión necesaria y el tamaño del reactor de tanque

agitado para un proceso constituido por un reactor y una unidad de destilación para
la recuperación del reactivo, para producir 50 gmol/min de D, si el costo del reactor
es 3000+1500V pesos y el de la columna 20000+5000Q pesos, donde:

V: Volumen del reactor, l

Q: Flujo volumétrico en el sistema, l/min

Los costos de operación anual del reactor y de la columna de destilación pueden

asumirse proporcionales al flujo e iguales a $10000/(l/min)(año).

El valor del producto D es 60 $/gmol y el de A en solución 20 $/gmol. Para el

análisis del sistema considere que se opera 350 días al año y se tiene un horizonte
económico de vida útil igual a 10 años. También asuma que la recuperación del
reactivo en la unidad de destilación es completa, que no se recircula en el sistema
y que tiene el mismo precio de la solución materia prima.

En la figura 6 se muestra el esquema del problema planteado.

Modelo matemático del sistema:

CD = 50 gmolmin-1

CA0 = 0.2 gmolmin-1

CD = 0
 200

Figura 6. Esquema del problema 8

1. Volumen de control: Reactor

- Reactor CSTR
- Sistema isotérmico
- Flujo volumétrico constante

Principio de conservación de masa:

QCA0  k1CAV  QCA (i)

k1CAV  QCD (ii)

2. Volumen de control: Unidad de destilación

gmol
QCD  50 (iii)
min
Modelo matemático del problema de optimización:

Tiempo de análisis: 1 año de operación

Objetivo a optimizar: costos totales anuales

Costos totales anuales = costos operación anual + costo anual materia prima +
costo anual del reactor (inversión) + costo anual de la
torre (inversión)

En la función del costo se asume que no se carga al sistema costos financieros del
capital invertido en el reactor y en la unidad de destilación.
 201

Costo de operación anual = 10000Q

Se tiene sólo en cuenta la materia prima que reacciona, porque la otra se recupera
en el proceso.

gmol ( A) 60 min 24h 350d $

Costo materia prima (A) = 50     20  5.04 108
min h d año gmol ( A)

1
Costo de capital por el reactor (anual) =  3000  1500V    300  150V
10

Costo de capital por unidad de destilación (anual) =

1
 20000  5000Q  
 2000  500Q
10
El consumo de materia prima por minuto se obtiene a partir del modelo matemático
del sistema.

Consumo de materia prima por minuto = QCA0  QCA  k1CAV

Función objetivo:

CTA  10000Q  5.04 108   300  150V    2000  500Q 

Restricciones:

QCA0  k1CAV  QCA (1)

k1CAV  QCD (2)
QCD  50 (3)

Utilizando el método de la sustitución directa:

50
(3) en (1): k1C AV  50  V 
k1C A
50
(2) en (3): QC A0  QC A  50  Q 
C A0  C A

Sustituyendo V y Q en términos de CA en la función objetivo:

 50  50 50
CTA  10000    5.04 10  300  150
8
 2000  500
 C A0  C A  k1C A C A0  C A
 202

5.25 105 7500

CTA  5.04002 10  8

C A0  C A 0.004C A

5.25 105 1.875 106

CTA  5.04002 10  8

C A0  C A CA

dCTA 5.25 105 1.875 106

 
dC A  0.2  C A 2 C A2

dCTA
 0  5.25 105 CA2  1.875 106  0.2  CA 
2

dCA

C A 2  3.57  0.2  C A 
2

C A  1.889  0.2  C A 
2.889C A  0.3778
C A  0.1308

50
V  95638.87l
0.004  0.1307

50 l
Q  721.5
0.2  0.1307 min

d 2CTA 2  5.25 10  1  2  1.875 10 

5 6

 
 0.2  CA 
3
dC A2 C A3

d 2CTA 1.05 106 3.75 106

  0
dC A2  0.2  C A 3 C A3

Porcentaje de conversión:

C A0  C A
x A  100  34.6%
C A0

Ejemplo 9:
 203

Se convierte un reactante A en un producto B, en una batería de N reactores

continuos de tanque agitado, cuyo volumen total es V ft3. Si el caudal de
alimentación es q ft3/min y la concentración de A a la entrada es CA,0 , demuéstrese
que la producción máxima de B se obtiene cuando todos los tanques son del
mismo tamaño. Puede considerarse que la reacción es de primer orden y que la
batería opera isotérmicamente, además puede tomarse densidad constante para
cualquier reactor.

Objetivo:

Maximizar la producción de B o minimizar la concentración de A a la salida del

sistema

Sistema para estudio:

En la figura 7 se muestra el esquema de una batería de reactores.

q CA,0 q CA,1 q CA,n-1 q CA,N

V1 V2 Vn VN

1 2 n N

Figura 7. Esquema de una batería de reactores

Formulación del modelo matemático del sistema:

De un balance de A en el reactor n, se obtiene:

qCA,n 1  kCA,nVn  qCA,n

definiendo:
 204

Vn
n  q

 1  k n  CA , n  CA , n 1  0

 1 
CA , n    CA , n 1  0
 1  k n 
1
Si: An 
1  k n

 CA,n  An CA,n 1  0 1

La ecuación (1) es una ecuación diferencia con coeficientes variables cuya
solución es:

n
C A,n  C A,0  At
t 1

C A,n  C A,0 A1 A2 .... An

 1  1   1 
C A,n  C A,0    ....    2
 1  k1  1  k 2   1  k n 

Para una batería de N reactores cuyo volumen total es constante, se tiene que:

N N
V
  t   i
q t 1 i 1

donde V: es el volumen total de los reactores.

N
V   i
i 1
N
=  n
n=1

De la ecuación (2) se obtiene que la concentración de salida de A, de la cascada,

está dada por
 205

 1  1   1 
C A, N  C A,0    ....  
 1  k1  1  k 2   1  k N 
N
1
C A, N  C A,0 
t 1 1  k t

V
como:  1   2  ....   N
q

V N 1
N    t
q t 1

N 1
C A,0 1
Función objetivo: C A, N 
 V N 1

 1  k 
1  k    i  
i 1 i

  q i 1  

Solución:
C A, N
Todas las derivadas ( ) deben ser iguales a cero.
 i
 
 
 C A, N N 1
1  k  -kCA,0 N 1
1
 C A,0   2
+ 
i 1 1  k i  
 1  k  V      1  k1  1  k  V   i   i 1 
1 N 1  N 1
 1  k i 
 q  i 
  i 1      q i 1  
 C A, N
0
1

N 1
kC A,0 1
 2  1  k 
  V N 1   i 1
1  k    i  
i

  q i 1  
N 1
kC A,0 1

  V N 1  
 1  k 
1  k    i   1  k1 
i 1 i

  q i 1  
 206

1 1
 
V 
N 1
1  k1
1  k    i 
 q i 1 
 V N 1 
1  k    i   1  k1
 q i 1 
1  k N  1  k1
  N  1

De la derivada con respecto a  n se obtiene:

VN Vn
 N  n    VN  Vn
q q

O sea que el volumen del reactor N es igual al volumen de cualquier reactor de la

batería; lo que implica que todos los reactores tienen el mismo tamaño.

4.3.2.1.2. Método de la variación restringida

En el método de la substitución directa el procedimiento está constituido por una

primera etapa de substitución y una posterior de diferenciación, y el óptimo no se
empieza a buscar hasta tanto no se hayan eliminado las m variables de la función
objetivo. En el método de la variación restringida el orden del procedimiento se
invierte.

Condiciones necesarias:

La condición necesaria para la existencia de un óptimo en este método, asumiendo

continuas la función objetivo, las restricciones y sus primeras derivadas, junto con
la existencia de las segundas derivadas, es:

 f ( X ), g1 , g2 , .... gm 
Jk   0
 xk , x1 , x2 .... xm 

para k=m+1,m+2,...,n

donde:
 207

f f f f
......
x k x1 x2 xm
 g1 g1 g1 g1
 f ( X ), g1 , g2 , .... gm  ......
Jk    x k x1 x2 xm
 xk , x1 , x2 .... xm 
: : : :
 gm gm gm gm
......
x k x1 x2 xm

g: restricciones de igualdad
n: númerode variables
m: número de restricciones de igualdad

La condición necesaria constituida por (n-m) ecuaciones y las m ecuaciones de

igualdad conforman un sistema de n ecuaciones con n incógnitas.

Condiciones suficientes:

La condición suficiente está dada por el signo de 2 f en la expansión de Taylor de

la función después de eliminar m variables.

  n  f  n n  2f 
f ( X )  f ( X *)     h 1 
 j 2!  

 h h .....
 j k
j  m 1 x j g j  m 1 k  m 1 x j xk g

En esta expresión h j  ( x j  x*j ) . La notación g se interpreta como que los xi con

i=1,2,...,m toman los valores que satisfacen las restricciones.

La condición se define como:

i. Para un mínimo

n n  2f 
2 f      h h 0
i  m 1 j  m 1  xi x j  i j
g

ii. Para un máximo

n n  2f 
2 f      h h 0
i  m 1 j  m 1  xi x j  i j
g

donde:
 208

 2f  m   f    2x  m m  2   x   x 
1.       s      f   s  r
  xi x j   x   x x  s 1 r 1  x  x    x    x 
  g s 1 s  x  i j g  r s x  i g  j g

m  2f   x  m  2  x   2f 

    s    f   s   
s 1  xs x j    xi  s 1  xs xi   x    xi x j 
x g  x  j g  x

 g1, g2 ,....., gm 
J  
 x   x , x ,..... x , x , x ,...., x 
 p  1 2 p 1 i p 1 m
2.  x     g1, g2 ,....., gm 
 i 
 g J  
 x1, x2 ,....., xm 

En el jacobiano del numerador se reemplaza la variable xp por xi

 g , g ,....g , g ,....,g 
J 1 2 l 1 l 1 m
  2x   1 2
  m x , x ,....x , x
p 1 p 1 ,...., xm 
  (1) p l dl i, j 
p
3.  x  x 
 i j  l 1  g , g ,....., g 
 g J 1 2 m
 x , x ,....., x 
 1 2 m 

En el jacobiano del numerador se eliminan la función gl y la variable xp.

m m   2g    x    xp 
    l 
i, j
4. d  s  
x  x 

p 1 s 1 p xs 
 
l x  i g  j g
x
 
m   x p    2 g    x    2g     2g 
     l   p   l    l 

p 1   x j    x p xi    x   x  x    x  x 
g x  i g  p j x  i j x
 

para: m  1  i  n, m  1  j  n

Como condición suficiente puede aplicarse también:

i. Para un máximo, que

Dit  0 ; i=1,3,5,.... (impar)

 209

Dit  0 ; i=2,4,6,.... (par)

ii. Para un mínimo, que

Dit  0

donde:

f 0x f 0x ...... f 0x
m  1 xm  1 m  1 xm  2 m  1 xm  i
D  f 0x f 0x ...... f 0x
it m  2 xm  1 m  2 xm  2 m  2 xm  i
: : :
0
f x 0
f x ...... 0
f x
m  i xm  1 m  i xm  2 m  i xm  i

 2 f 
f 0x x   
i j  x x 
 i jg

Ejercicio 8:

Minimizar y  x12  4 x22  4 x1

Sujeto a: 2 x2  x1  12

A) Solución por el método de substitución directa:

x1  12
Eliminando x2 
2
2
 x  12 
y1  x  4  1
2
1   4 x1
 2 
y1  2 x12  20 x1  144

Condición necesaria:

dy1
 4 x1  20  0  x1*  5
dx1
 x2*  7 / 2
 210

Condición suficiente:

 d 2 y1 
 2 0
 dx1  x *1
d 2 y1
2  4 0
dx1
  5 
X*    y*  94
7 / 2

B) Solución por el método de la variación restringida:

y  f ( x1 , x2 )  x 21  4 x 2 2  4 x1

g ( x1 , x2 )  2 x2  x1  12  0

Condiciones necesarias:

i. Tanto la función objetivo como la restricción son continuas y sus primeras y

segundas derivadas existen.

 f ( X ), g1 
ii. J2    0 n = 2, m = 1 y k =2
 x2 , x1 
f f
x x1 8 x2 2 x1  4
J2  2
g1 g1  2 1
x2 x1

8x2  4 x1  8  0 (1)
2 x2  x1  12  0 (2)

x1  5
x2  7 / 2

Condiciones suficientes:
 211

 2y
D1  f 0   i =2 y j = 2
x2 x2  2 
 x2  g

 2      2x   2   
2  2    2 
 y   y   1     y    x1  2   y    x1     y 
  x2   x   2   2   x    x  x   x   2
 2  g  1  x2   x2  g   x1  x  2  g  1 2   2  g   x2  x
2 1

y  2y  y  2y

   2 x1  4  2 2    8 x2  2 8

 1  x2
x   x1  x2 
 2  x1
x  x2  x1

 2y    x1  J ( g1 / x2 )
  0    2
 x1 x2    x2  g J ( g1 / x1 )

  2 x1  
 2  0 , pues g ( X ) es lineal.
 x2  g 1

D1  (2 x1  4)(0)  2(2) 2  2(0)(2)  8

D1  16

  5 
Como D1  0 entonces X *    es un mínimo
7 / 2
Ejercicio 9:

Encontrar un óptimo para f ( X )  4 x12  5x22

sujeto a: g1 ( X )  2 x1  3x2  6  0

Como n=2 y m=1, la condición necesaria establece que:

f f
 f , g1  x x1 10 x 2 8 x1
J2   0 J2  2   20 x 2  24 x1  0
 x 2 , x1  g1 g1 3 2
x 2 x1

Esta ecuación resuelta simultáneamente con g1 ( X ) se obtiene:

x2  36 / 28  1286
.
x1  5x2 / 6  1071
.
 212

Con n=2 y m=1, se analiza el signo de 2 f .

2 f 
2 f   2  ( x 2  x 2* ) 2

 x 2 g

 2      2x   2    x 2  2   x   2 
 f   f   1  f   1  2   f   1     f 
  x2   x   2   2   x    x  x   x   2 
 2  g  1  x2   x2  g   x1 x  2 g  1 2   2  g   x2 x
2 1

 f  2 f 
   8 x1  2  8
 x1  x 2  x1  x2
 f  2 f 
   10 x2  2   10
 x2  x1  x2  x1

 2 f 
  0
 x1 x2 

  x1  J ( g / x2 )  g /  x2 3
    
  x2  g J ( g / x1 )  g /  x1 2

  2 x1  J (0 / 0)
 2   (1)11 d12, 2
 x2  g J ( g / x1 )

En este caso como sólo hay una restricción:

 g , g , .... gk 1 , gk 1 , .... , gm 
J  1 2   J (0 / 0)  1
 x1 , x2 , .... x p 1 , x p 1 , .... , xm 

En el numerador no queda ninguna función al sacar a g1 (única restricción de

igualdad) y en el denominador tampoco queda ninguna variable al sacar la única
posible, pues m =1.

2
  2 g    x1    x1    2 g   2g
d2 ,2
  2     2     2
 x1  x2  x2  g  x2  g  x1 x2  x  x2  x1
1

Como la restricción es lineal,

 213

  2g   2g    2g
 2    2 0
 x1  x2  x1 x2  x  x2  x1

 d12 ,2  0

Por lo tanto:
  2 x1 
 2  0
 x2  g

Substituyendo los valores encontrados en:

2 f 
 2   8x1 ( 0)  8( 3 / 2)  2( 0)( 3 / 2)  10  28
2

 x2  g

Con este valor 2 f  0 , siendo el punto entonces un mínimo.

Nota:

Se recomienda aplicar el método de la variación restringida cuando el número de

restricciones no es mayor que 3.

4.3.2.2. Restricciones de igualdad y desigualdad

Una restricción de desigualdad es activa cuando la desigualdad es de la forma

0  .

4.3.2.2.1. Método de los multiplicadores de Lagrange

Las condiciones necesarias establecidas por el método de Lagrange para la

existencia de un mínimo de una función restringida dependen de si las
restricciones son de primer orden o de segundo orden.

Definido el problema: 
Minimizar f (X)

Sujeto a: hi ( X )  0 , i=1,2,...,m

gi ( X )  0 , i=m+1,...,p

Restricciones de primer orden:

 214

Las restricciones son de primer orden cuando son una vez diferenciables y todos
los gradientes de las restricciones activas
 de desigualdad y de las restricciones de
igualdad evaluadas en el óptimo ( X * ) son linealmente independientes.

1. Condiciones necesarias:

Si se cumple la condición de restricción de primer orden las condiciones necesarias

para la existencia de un mínimo son:
  
i. Las funciones f ( X ) , hi ( X ) y gi ( X ) sean una vez diferenciables.

ii. Existen multiplicadores de Lagrange, tales que:


1. hi ( X * )  0 , i=1,2,...,m
*
2. gi ( X )  0 , i=m+1,...,p

3. U i* gi ( X * )  0 , i=m+1,...,p
4. U i*  0 , i=m+1,...,p
 * * *
5. L( X ,U ,W )  0

donde:
    m  p 
L( X , U , W )  f ( X )   WJ hj ( X ) 
J 1
U
J  m 1
J gj( X)

       m p  
L( X ,U ,W )  f ( X )  WJ hj ( X )  U g ( X )
J j
J 1 J  m 1

Los valores de X * ,U * y W * se obtienen resolviendo el sistema


hi ( X * )  0 , i=1,2,....,m

U i* gi ( X * )  0 , i=m+1,....,p
   
L( X * ,U * ,W * )  0 , n: ecuaciones

2. Condiciones suficientes:
  
i. Las funciones f ( X ) , hi ( X ) y gi ( X ) sean dos veces diferenciables.
ii. Para todo vector V  0 , el cual:
  
V t  g J ( X * )  0 Para todas las restricciones de desigualdad activas.

V t g J ( X * )  0 Para todas las restricciones de desigualdad no activas

 215

  
V t  hJ ( X * )  0 J=1,...,m

Se cumple que:

V t 2 L( X * ,U * ,W * )V  0
   
donde 2 L( X * ,U * ,W * ) es la matriz hessiana.

Restricciones de segundo orden:

Las restricciones son de segundo orden cuando son dos veces diferenciables y los
gradientes de las restricciones de desigualdad
* activas y los gradientes de las
restricciones de igualdad, evaluadas en X son linealmente independientes.

1. Condiciones necesarias:

Las condiciones necesarias para que haya un mínimo cuando las restricciones son
de segundo orden son:
  
i. Las funciones f ( X ) , hi ( X ) y gi ( X ) sean dos veces diferenciables.

ii. Existen multiplicadores de Lagrange, tales que:


1. hi ( X * )  0 , i=1,2,...,m
*
2. gi ( X )  0 , i=m+1,...,p
*
3. U i gi ( X )  0 , i=m+1,...,p
*

4. U i*  0 , i=m+1,...,p
 * * *
5. L( X ,U ,W )  0

iii. Para todo vector V diferente de cero, el cual:
 
V t  g J ( X * )  0 Para todas las restricciones de desigualdad activas.
t  *
y, V  hJ ( X )  0 J=1,...,m

Se cumple que:

V t 2 L( X * ,U * ,W * )V  0
   
donde 2 L( X * ,U * ,W * ) es la matriz hessiana.

2. Condiciones suficientes:
 216

También se aplican las mismas condiciones que se usan cuando las restricciones
son calificadas como restricciones de primer orden.
Una condición suficiente alternativa para que en X * haya un mínimo (válido para
restricciones de primer y segundo orden) es que f ( X ) , g J ( X ) y hJ ( X ) sean dos
veces diferenciables y el determinante de la matriz Jacobiana de las funciones
   
hJ ( X ) , U J g J ( X ) y las definidas por L( X ,U ,W )  0 sea diferente de cero

evaluado en X * .

La matriz Jacobiana está definida como:

 L L 
 h1,h2 ,...,U m 1g m 1,...,U p g p ,  x1 ,...,  x 
J  n 
 x , x ,..., x ,U ,U ,...,U ,W ,W ,...,W 
 1 2 n m 1 m  2 p 1 2 m
 

 h1  h1  h1 h h h
... ... 1 ... 1 ... 1
 x1  x2  U m 1  U p  W1  Wm

 U m 1g m 1  U m 1g m 1
 ...
 x1  Wm

 2L  2L  2L  2L
... ...
 xn x1  xn x2  xn U m 1  xn Wm

Ejercicio 10:

Minimice  
f X  x12  x2
Sujeto a:
 
g1 X    x12  x22   9  0

g  X   x  x
2 1 2 1  0

 
Al analizar las funciones g1 X    
y g2 X se observa que son dos veces
diferenciables. Como solo hay una restricción activa y ninguna restricción de
igualdad, entonces se cumplen las condiciones para calificar las restricciones como
de segundo orden.
 217


 
La función f X es también dos veces diferenciable, entonces:

 
1. U1* g1 X  U1*   x1*2  x2*2  9   0

2. U g  X   U   x
*
2 2
*
2
*
1  x2*  1  0

Como:

 
L X ,U ,W  x12  x2  U1   x12  x22  9   U 2   x1  x2  1
 f    g1    g2 
 x   x   x 

L X , U , W  
1

 f 

  U1  1   U 2  1 
  g1    g2 
 x   x   x 
 2  2  2
f f
 2 x1 1
 x1  x2
 g1  g1
 2 x1  2 x2
 x1  x2
 g2  g2
 1  1
 x1  x2

 
L X *,U *,W *  0 
 2 x1*   2 x1*   1
   U1  *
 U 2*    0
*

1   2 x2   1

3. 2 x1*  2U1* x1*  U 2*  0

4. 1  2U1* x2*  U 2*  0

Hay varias soluciones para este sistema de ecuaciones, sin embargo la única que
satisface U i*  0 es:
  1 
t

X *  0,3 U *   ,0
t

6 

Esta solución puede obtenerse mediante el siguiente procedimiento:

Si U 2*  0 , de (3) se obtiene 2 x1* 1  U1*   0 . Lo cual implicaría que U1*  1 ó

x1*  0 . El valor U1*  1 viola la condición U i*  0 , entonces x1*  0 . De (1),
x  x 
* 2
1
* 2
2  9 , con x1*  0 , se obtiene x2*  3 . El valor de x2*  3 no satisface
 218

 
g2 ( X ) , por lo tanto X *  0,3 . Los valores de U * son entonces U 2 *  0 y
t

U1*  1/ 6 que se obtiene de (4).

Este sistema de ecuaciones no lineales también se resolvió por métodos

numéricos, usando el programa Polymath, arrojando los siguientes resultados: (i)
x1 = 0, x2 = -3, U1 = 0.167, U2 = 0, (ii) x1 = 0, x2 = 3, U1 = -0.1667, U2 = 0, (iii) x1 =
0.5, x2 = 0.5, U1 =0, U2 = -1 y (iv) x1 =-1.56, x2 = 2.56, U1 = -0.5 y U2 = 1.56

La otra condición necesaria se chequea con un V t  v1 , v2  , tal que:
  
V t  g J ( X * )  0

0
Como solo g1 ( X ) es activa en X *    , entonces
 3

 2 x 1  0
v1 , v2   2 x 0  v1 , v2   6  0
 2  

 v1 
0v1  6v2  0  v2  0 V   
0
     
V t  2 L( X * , U * , W * )V  0

  2L  2L 
  x2  x1  x2 
 L( X , U , W )   2 1
2
  L  2L 
 
  x2 x1  x22 
2L
 2 (1  U1 )
x12
2L
0
x1 x 2
2L
0
x 2 x1
2L
 2U1
x22
 2 1  U1*  0 

  L X ,U ,W
2   
  
 0 2U1* 
 219

1
Reemplazando U * 
6

14 0

 L X ,U ,W
2   
 
 0
6 
2 
 6

14 0  v  2
 v1 , 0  6  1  14 v1  0
0 2   0  6
 6

14 2
El valor v1 es mayor a cero independientemente del valor que tome v1 , por lo
6
tanto se cumplen las condiciones necesarias para que las restricciones sean
v2
calificadas como de segundo orden. También se cumple que 14 1  0 la condición
6
suficiente para un mínimo.

Puede verificarse la condición suficiente alterna. Para

  evaluar
 esta condición se
obtiene primero la matriz Jacobiana con respecto a X ,U y W de las funciones:

U1 g1 U1 g1
. .
 L L  x1 U 2
 U g , U g , , 
x1 x2
1 1 2 2
. . . .
J  .
 x1 , x2 ,U1 ,U 2  . . . .
 
  2 L
. . .
x2 U 2

U1 g1 ( X )  U1 (  x12  x22  9)

U 2 g2 ( X )  U 2 ( x1  x2  1)
L L
 2 x1  2U1 x1  U 2  1  2U1 x2  U 2
x1 x2
U1 g1 U1 g1
 2U1 x1  2U1 x2
x1 x2
U1 g1 U1 g1
 ( x12  x22 )  9 0
U1 U 2
U 2 g2 U 2 g2
 U 2  U 2
x1 x2
 220

U 2 g2 U 2 g2
0   x1  x2  1
U 1 U 2
2L 2L
 2(1  U1 ) 0
x12 x1 x2
2L 2L
 2 x1 1
x1 U1 x1 U 2
2L 2L
0  2U1
x2x1 x22
2L 2L
 2 x2 1
x2 U1 x2U 2
 2L  2L
 2 x1 1
 x1  U1  x1  U 2
 
X *  0,3 y U *  1 / 6,0 se obtiene:
t t
La matriz Jacobiana evaluada en

 0 1 0 0
 0 0 0 4 

14 / 6 0 0 1
 
 0 1/ 3 6 1

Resolviendo el determinante por la primera fila

0 0 4
14 / 6 0
(1) 1 14 / 6
3
0 1  4(1) 4  4(14 / 6)(6)  56
0 6
0 6 1


X *  0,3 es un mínimo
t
Como el valor es diferente de cero, entonces el punto
 
f X *  3

Ejemplo 10:

El hidrocarburo que se alimenta a un proceso petroquímico se calienta y se mezcla

con el reciclo del material que no reaccionó, antes de pasarlo por un reactor
catalítico. El producto del proceso y el material que no reaccionó se separan por
destilación, y el reciclo se comprime antes de mezclarlo con el alimento del
proceso.
 221

Determine la temperatura T y la razón de reciclo R (Flujo de reciclo/flujo del

alimento fresco) óptimas, que minimizan los costos diarios de operación, para un
flujo de alimentación al proceso de 5000 bbl/día, si la razón entre la temperatura y
la razón de reciclo debe ser igual a 5000ºF. El costo de operación del horno que
calienta el alimento fresco es $0.5 por barril y por cada 50ºF de calentamiento por
encima de la temperatura del alimento. El costo de operación del reactor es
5(R+R2)-1 $/bbl de alimento al reactor diario. El producto se separa por destilación
a un costo de 0.5 $/bbl de alimento a la unidad de destilación, y el costo de
recirculación es 0.15 $/bbl de recirculado. La temperatura del alimento es 70 ºF.

F: Rata de alimentación = 5000 bbl/día

COT  COH  COR  COD  COC

COH  0.5F
T  70   50T  3500
50
5F 2.5 104
COR  5  R  R  F 1  R  
2 1

R R
COD  0.5F 1  R   2500 1  R 
COC  0.15RF  750R
2.5 104
COT  50T  3500   2500 1  R   750 R
R

Función objetivo:

2.5 104
COT  50T   3250 R  1000 (1)
R
Restricción:

T  5000R (2)
Utilizando el método de la variación restringida:

Condiciones necesarias:

La función y la restricción son dos veces diferenciables, por lo tanto las

condiciones necesarias para restricciones de segundo orden son:

Las condiciones necesarias cuando las restricciones son de segundo orden son:

i. Las función COT  f (T , R) y la restricción de igualdad h(T , R)  T  5000R  0 son

dos veces diferenciables.

ii. Existen multiplicadores de Lagrange, tales que:

 222

1. h T , R   T *  5000R*  0 (1)
2. L T , R, W   0
2.5 104
como L T , R,W   50T   3250 R  1000  W T  5000 R 
R
 L  50  W
 T   

y L T , R, W      2.5 10 4 0

  
L   3250  5000W 
 R 2 
 R 

y 50  W *  0 (2)
2.5 104
 3250  5000W *  0 (3)
R*2

Resolviendo simultáneamente estas tres ecuaciones se tiene:

R*  0.314 T *  1570º F W *  50


iii. Para todo vector V diferente de cero, el cual: V t h T * , R*   0 , se cumple que:

V t 2 L(T * , R* ,W * )V  0

 h 
 T *   1 
como h T * , R*     
 h   5000 
 R* 

 1 
V t h T * , R*   v1 v2   0
 5000

v1  5000v2  0

Lo que implica que existen muchos vectores [v1 v2] diferentes de cero que
satisfacen esta condición.

2.5 104
Para la función L T , R,W   50T   3250 R  1000  W T  5000 R  se tiene
R
que:
 223

2 L  2 L 5 104 2 L 2 L
0  0 0
T 2 R 2 R3 T R RT

y
  2L  2L 
 T2  T  R 
 2 L(T , R,W )   2
  L  2L 
  R T  R 2 

0 0 
2 L(T * , R* ,W * )   6
0 1.615 10 

Condición suficiente:
h h h
T R W
 L L
 h, ,  2L 2L 2L
J   T R  
 T , R,W  T
2 T R T W
 
2L 2L 2L
RT R 2 RW

1 5000 0  5104 
0 0 1  1    5000  0  0  0  1.615 106  0
  0.314 3 
5104  
0 5000
 0.314 3

como este valor de la jacobiana es diferente de cero, entonces, en R*  0.314 y

T *  1570º F hay un mínimo. Los costos mínimos diarios son: 158 138 $

4.3.2.2.2. Método de los multiplicadores de Lagrange y variables de holgura

En este método las restricciones de desigualdad son transformadas en

restricciones de igualdad, introduciendo una variable de ajuste apropiada por cada
restricción. Con esta transformación el problema de optimización se convierte en:

Minimizar o maximizar f (X)
 224


Sujeto a: hi ( X )  0 i=1,...,m

gi ( X )  vi2  0 i=m+1,...,p

donde vi son las variables de holgura.

La función de Lagrange queda definida entonces como:

   m  p 
p( X , W )  f ( X )   wi hi ( X ) 
i 1
 w (g ( X )  v
i  m 1
i i i
2
)

donde wi  0, i  1, p para minimizar

wi  0, i  1, p para maximizar
Las condiciones necesarias para minimizar se establecen como:
 pX 
0 i  1,..., n
 xi
 pX 
0 i  1,..., p
 wi
 pX 
 2wi vi  0 i  m  1,..., p
 vi
wi  0 i  1,..., p

Notas:

 El método de multiplicadores de Lagrange puede fallar en problemas no

convexos en minimización o no cóncavos en maximización3.
 Cuando solo existen restricciones de desigualdad, en el método de
multiplicadores de Lagrange puede utilizarse como condición suficiente la
establecida para funciones no-restringidas, si el punto extremo es un punto
4
interior .
 En el caso en que solo existan restricciones de desigualdad y se haya utilizado
el método de Lagrange con variables de holgura, puede utilizarse como
condición suficiente la definida en el método de la variación restringida.

Ejercicio 11:

Halle el mínimo de la función: y  4  x1  5  5  x2  4  , restringido a que x1  x2  1

2 2

3
 
Un conjunto es convexo si para todo X 1 y X 2 en el conjunto, el segmento que los une está en
el conjunto
4
Un punto interior en la región factible, es un punto que cae dentro de ella y no en su frontera.
Estos puntos se dan cuando las restricciones son satisfechas sin el signo igual.
 225

 
g X  x1  x2  1  0

g  X   i
2
0

Función de Lagrange:

     w h  X    w  g  X   
m m
P X ,W  f X  i i i i i
2

i 1 i 1

       
P X ,W  f X  w g X   2

P  X ,W   4  x  5  5  x  4   w  x  x 1  2 
2 2
1 2 1 2

P
 8  x1  5  w  0  w  8  x1  5 (1)
x1
P
 10  x2  4   w  0 (2)
x2
P
   x1  x2  1   2   0 (3)
w
P
 2 w  0 (4)


Si w = 0 de (1), (2) y (3): x1  5 x2  4   5  4 1  8

Si  = 0 de (3): x1  x2  1  x1  1  x2 (5)
Reemplazando (5) en (1): w  8 1  x2  5  8  4  x2  (6)
De (2): w  10  x2  4  (7)
4 5
Igualando (6) y (7): x2  x1  1  x2 
9 9

El mínimo de la función es y = 0, para x1 = 5 y x2 = 4.

4.3.3. Métodos numéricos de funciones no restringidas

4.3.3.1. Método del poliedro flexible

El método consiste en comparar en cada etapa de aproximación los valores de la

función objetivo en los vértices de un poliedro flexible, y eliminar del poliedro aquel
vértice donde la función es mayor si se está minimizando, o donde es menor si se
está maximizando, y remplazarlo por un vértice nuevo localizado en una nueva
posición, la cual se define con el resultado de una de tres operaciones que se
realizan sobre el poliedro: expansión, contracción o reducción.
 226

Un poliedro puede ser definido mediante un conjunto de vectores, en el cual cada

vector representa la posición de un vértice; así, las coordenadas de los vértices de
un poliedro convexo regular pueden definirse por una matriz D, en la cual las
columnas representan los vértices V1 , V2 , V3 ,..., Vn y las filas representan las
coordenadas de los vértices ( x1 , x2 ,....., xn ) .

Antes de iniciar el algoritmo se define un poliedro con n filas, numero de variables

de decisión en el problema de optimización y n+1 filas, número de vértices del
poliedro. Si el primer vértice de este poliedro inicial se ubica en el origen, la matriz
que define el poliedro convexo regular es:

0 d1 d2  d2 
0 d2 d1  d 2 
 
D  0 d2 d2  d2 
 
    
0 d2 d 2  d1 

donde:

d1   n  1  n  1
t
n 2
d2 
t
 n  1  1
n 2

D: matriz de n filas y (n+1) columnas

t: distancia entre dos vértices contiguos
n: número de coordenadas

Si el primer vértice se ubica en otro punto diferente al origen, las coordenadas de

cada uno de los vértices estará incrementada en la correspondiente coordenada
de este primer vértice.

Algoritmo

Para minimización, los cálculos requeridos en la etapa k son (en la figura 8 se

muestra un esquema del procedimiento):

1. Ubicación en el poliedro del valor mínimo y valor máximo de la función.

En cada etapa de aproximación se debe conocer en que vértice del poliedro se

localizan el mínimo y el máximo de la función objetivo. Si en la etapa k:
 227

k
 
X i  xi1 , xi2 ,..., xin son las coordenadas del vértice i, con i=1,2,....,n+1; el
k k k

valor mínimo y el valor máximo de la función objetivo, que se identificarán con los
 k  k
vectores X b y X a respectivamente, se obtienen como:

 
 k
f X a  max f  X , f X ,..., f X 
1
k
2
k
n1
k

 
 k
f X b  min f  X , f X ,..., f X 
1
k
2
k
n1
k

2. Cálculo de las coordenadas del centroide.


El centroide X n 2 se obtiene como el centroide de todos los vértices del
poliedro, excluyendo el vértice donde se localiza el valor máximo de la función, y
se calcula como:

1  n1 k k 
xn2 , j    xi , j   xa , j  ; j: designa cada coordenada, j=1,2,...n.
n  i 1  

 k
3. Reflexión de X a a través del centroide.

 k  k  k  k
X n3  X n 2   X n 2  X a  
donde  es el coeficiente de reflexión, mayor que cero, pero se recomienda
 =1.


Se calcula f X n 3k  y dependiendo del valor que tome la función para X n 3k ,
comparado con el de los demás puntos del poliedro, debe hacerse una de las tres
operaciones: expansión, contracción o reducción

4. Expansión.

Si 
 k
  
 k  k  k  k  k
f X n 3  f X b , se obtiene X n  4  X n  2   X n  3  X n  2  
donde   1 (  es el coeficientes de expansión) y se recomienda
2.8    3.0 .


Se calcula f X n  4 k  y se compara con 
f X bk 
 228

4.1.     f X , se reemplaza

Si f X n 4
k


k
el vértice done se encuentra el
b
k k
máximo de la función, X a , por X n  4 y se pasa a la etapa k+1.

4.2.     f X , se reemplaza

Si f X n 4
k


k
el vértice donde se encuentra el
b
k k
máximo de la función, X a , por X n 3 y se pasa a la etapa k+1.

5. Contracción.


Si f X b
k
  f X   X  n 3
k
a
k
se hace una contracción obteniendo:

 k  k  k 
X n 5  X n  2   ( X a  X n  2 )

donde  es el coeficiente de contracción, 0<  <1, para el cual se recomienda

0.4    0.6 .

Se calcula f X n 5  k
 y se compara con f  X  a
k

k k
  
5.1. Si f X n5  f X a , se reemplaza el vértice donde se encuentra el

 k  k
máximo de la función, X a , por X n5 y se pasa a la etapa k+1.

5.2. Si    
f X n5k  f X a k , se hace reducción con la siguiente fórmula:

X ik 1  X bk  0.5 X ik  X bk ,   i  1, , n  1 y se pasa a la etapa

k  1.

6. Reducción.

Si 
 k  k
  
f X n 3  f X a , se reducen todos los vectores del poliedro,
redefiniendo los vértices como :


X ik 1  X bk  0.5 X ik  X bk ,  i  1, , n  1 y se pasa a la etapa k  1 .
 229

Antes de proseguir a la etapa k  1 , se analiza la convergencia con:

1
 1 n 1  2 2

 n  1

i 1
  
f X i
k
 f 
X 
n2    
k

Figura 8. Esquema del procedimiento del proliedro flexible

 230

x2 Disminuye f(X)

Contornos de f(X)

x1
Figura 9. Representación gráfica del método del poliedro flexible en dos
dimensiones
Ejercicio 12:

Halle el mínimo de la función y   x1  2    x2  3 , por el método del poliedro

2 2

flexible.

Tabla 18. Iteraciones para la búsqueda del mínimo del ejercicio 12

k i x1 x2
 
f Xk
Convergencia
1 1 2.000 1.000 4.000
2 2.483 1.129 3.732
3 2.129 1.483 2.318
4 2.306 1.306
5 2.612 1.612 2.301 0.833
6 3.225 2.225 2.101 Expansión
2 1 3.225 2.225 2.101
2 2.483 1.129 3.732
3 2.129 1.483 2.318
4 2.677 1.854
5 2.871 2.578 0.937 1.190
6 3.259 4.027 2.641 Expansión
3 1 3.225 2.225 2.101
 231

2 2.871 2.578 0.937

3 2.129 1.483 2.318
4 3.048 2.402 0.690
5 3.967 3.320 3.970 Reducción
4 1 3.048 2.402 1.456
2 2.871 2.578 0.937
3 2.500 2.031 1.190
4 2.960 2.490
5 2.694 2.755 0.542 2.321
6 2.164 3.285 0.108 Expansión
19 1 1.992 2.998 6,2E-05
2 2.001 3.004 1,37E-05
3 1.995 2.995 4,79E-05
4 1.998 2.999 4.23039E-05
5 2.004 3.001 1,48E-05 Reducción

Se partirá del valor inicial x1 = 2 y x2 =1. En este caso n = 2 y se tomará t = 0.5, 

=1,  = 0.5 y =3. d1 y d2 se calculan con las fórmulas:

d1 
n 2
t
 
n  1  n  1  0.4830

d2 
t
n 2
 
n  1  1  0.1294
Los datos de las primeras cuatro iteraciones y de la última teniendo en cuenta una
convergencia de 4x10-5 se muestran en la tabla 18.

El mínimo está en x1 = 1.998 y x2 = 2.999.

4.3.3.2. Método del gradiente

k
Este método utiliza
 el gradiente en la etapa k para la transición desde el punto X
a otro punto X k 1 , mediante la siguiente expresión:
   
X k 1  X k  X k  X k  k Ŝ k
donde:

S k : vector unitario en la dirección del gradiente en X k . 
 k : escalar que define la magnitud del desplazamiento desde X k en la dirección
del gradiente o en la dirección contraria. Si se toma el signo (+) el
 232

desplazamiento se hace hacia donde crece la función y si se toma (-) hacia

donde decrece.

 puede escogerse como una cantidad variable o como una constante. También
puede ajustarse en cada etapa de tal manera que la función se minimice o
maximice, dependiendo del propósito, en cada etapa.

 
f X k
Sˆ  k

f X  k
f X      xf
k

1
f
x2
f 

xn  X  k 
2 2
 f   f 
f X  k 
     ...  
 x1 

 xn 
El valor de  variable se obtiene en cada etapa a partir de una expansión en Taylor
de la función objetivo.

           
      1   t   
f X k 1  f X k   t f X k X k 1  X k  X k 1  X k H X k X k 1  X k
2

H: Matriz Hessiana
 
Si X k 1  X k  k S k
 f  X k   k Sˆ k 
0
 k
   
T
 t f X k Sˆ k  Sˆ k H  k Sˆ k  0

 f  X  Sˆ
t k k

 k

 
T
Sˆ k HSˆ k

En algunos textos se sugiere utilizar un  constante. Con este, si se pretende

buscar un mínimo, los siguientes son los cálculos en la etapa k .
  
1.    
Si f X k  S k  f X k , entonces se toma X k como el óptimo, con  :
exactitud de la medida para el óptimo.

 
1. Se calcula f X k  Sˆ k , se compara con f X k    y se elige una de las dos
siguientes opciones:
 

2.1. Si f X k  S k  f X k :   
 233

 
 
Se evalúa f X k  2S k y se compara con f X k  S k ; si continua menor se  

mantiene la misma dirección hasta obtener un punto X k  2m S k tal que:

 
 
 
f X k  2m 1 Ŝ k  f X k  2m S k  f X k  2m 1 Ŝ k

  
y se continúa en la etapa k+1, partiendo de X k  2m S k .
 
2.2. 
Si f X k  S k  f X k :   
 
Se evalúa f  X k 

S k 
2 

 y se compara con f X k , si continúa mayor, se  
sigue disminuyendo el desplazamiento hasta que:

    
f  X k  m S k   f X k
 2 
  y se continúa en la etapa k+1 en el punto
 
X k  m S k .
2

Ejercicio 13:

Halle el mínimo de la función y  x12  25x2 2 , por el método del gradiente.

Se partirá del valor inicial x1 = 2 y x2 =2. Se tomará  = 1 y  = 0.05

f X      xf
k

1
f
x2
f 

xn  X  k 

 
 f X  k    2 x1 50 x2  y1' 
y
x1
 2 x1 y2' 
y
x2
 50 x2

f X   k 
 2 x1    50 x2 
2 2
M

Sˆ k 
 
f X k
y1' y2'
s1  s2 
f X  k
M M

En la tabla 19 se muestran los resultados de las iteraciones.

Tabla 19. Iteraciones para la búsqueda del mínimo del ejercicio 13

Desplaz. k x1 x2 y1 ’ y2 ’ M s1 s2 y
0 2 2 4 100 100.08 0.040 0.999 104
 234

 1.998 1.950 99.058

 1.960 1.001 28.882
2 1.920 0.002 3.687
103.06
4
1.840 -1.997 7
1 1.923 0.001 3.846 0.0739 3.847 1.000 0.019 3.698
 1.873 0.001 3.509
 0.923 -0.018 0.860
2 -0.076 -0.037 0.040
4 -2.076 -0.075 4.452
2 -0.076 -0.038 -0.153 -1.9234 1.930 -0.079 -0.997 0.043
 -0.073 0.011 0.008
 0.003 0.958 22.963
/2 -0.037 0.460 5.290
/4 -0.057 0.211 1.114
/8 -0.067 0.086 0.190
/16 -0.072 0.024 0.019
3 -0.072 0.024 -0.143 1.1925 1.201 -0.119 0.993 0.019
 -0.066 -0.026 0.021

El mínimo se localiza en x1 = -0.066 y x2 = -0.026.

4.3.3.3. Método de las tangentes paralelas

Este método conocido como el método PARTAN, utiliza dos tangentes paralelas a
contornos de la función y en la línea que une los puntos de tangencia investiga el
óptimo de la función. Existen algunas modificaciones de este método, entre ellos
uno denominado PARTAN CONTINUADO.

Las etapas para la búsqueda de un mínimo por el método PARTAN son:

 (0)
1. Dada una primera
 (0) aproximación X , determinar la dirección del negativo del
gradiente en X .
T
 f f 

 

 f X 0    
f

xn  X 0 
 x1 x2

 
2. Localizar X (1) en el mínimo de f X a lo largo del negativo del gradiente desde

X (0) .
X    X    n S 
1 0 0
n = 1, 2, ...
 235

0 
 
 f X 0 
   0 
 
 
Ŝ
f X

Se obtienen aproximaciones de X (1) iniciando con n = 1, hasta un n+1 en

donde el valor de la función objetivo cambie la tendencia de decreciente a
creciente.

 es un escalar que determina el tamaño del desplazamiento para la búsqueda

del mínimo en la dirección del negativo del gradiente.

3. Determinar la dirección del negativo del gradiente desde X (1) .

T
 f f f 
f X  1
 
 x1

x2
 
xn  X 1

4. Localizar X (2) en el mínimo de f X   a lo largo del negativo del gradiente

desde X (1) .
X    X    n S   n = 1, 2, ...
2 1 1

ˆ 1
S 
 
f X  
1

f  X    1

Se obtienen aproximaciones de X (2) iniciando con n=1, hasta un n+1 en donde

el valor de la función objetivo cambie la tendencia de decreciente a creciente.
 
5. Conectar X ( 0 ) y X (2) con una línea recta y localizar el mínimo de f ( X ) a lo
largo de esta línea y denotarlo con X (3) .

X    X    nUˆ  
3 0 0

X   X 
2 0
ˆ  0
U   2
X  X 
0

Se usa el signo + ó - dependiendo de la dirección hacia donde decrezca la

función objetivo. Esta dirección se identifica realizando un cálculo inicial para el
valor de n = 1.
 236

6. Establezca X(3) como un nuevo punto de arranque y repita el procedimiento

desde la etapa 1, hasta obtener una convergencia deseada, la cual se define
como X k 1  X k   , siendo e un escalar mayor que cero.

Ejemplo 11:

Resuelva el ejemplo 7, por el método de las tangentes paralelas.

Función objetivo:

 1 10 5 
 
f X  4 106   2  2 
 xy x y xy 
T

   f f 

 f X (k)    
 x y   (k)
X

 
f X  1 20 5 
 4 10 6   2  3  2 2   y x
x  x y x y x y 
 
f X  1 10 10 
 4  10 6   2  2 2  3   y y
y  xy x y xy 


f ( X )  
 
 f X
2
 f X

  2

M
 x   y 
   

 

 f X  yx  yy
Sˆ    s1  , s2 
 
f X M M

Siguiendo el procedimiento descrito para el PARTAN, tomando un  = 0,1,  =

0.05 y tomando como valores iniciales x = 29 y y = 14, se calcularon los datos
que aparecen en la tabla 20.

Tabla 20. Iteraciones para la búsqueda del mínimo del ejemplo 11.

-yx o -yy o
Etapa X(k) n x y x(2)-x(0) y(2)-y(0) M s1 o u1 s2 o u2 f
0 X(0) 29 14 15,89 41,600 44,53 0,357 0,934 -
 237

9 4 2936,3
-
1 29,036 14,093 2940,5
-
2 29,071 14,187 2944,3
-
3 29,107 14,280 2947,7
-
4 29,143 14,374 2950,7
-
5 29,178 14,467 2953,3
-
6 29,214 14,560 2955,6
-
7 29,250 14,654 2957,5
-
8 29,286 14,747 2959,0
-
9 29,321 14,841 2960,3
-
10 29,357 14,934 2961,2
-
11 29,393 15,028 2961,8
-
12 29,428 15,121 2962,1
-
X(1) 13 29,464 15,214 2962,2
-
14 29,500 15,308 2961,9
-
29,464 15,214 2,250 -1,952 2,979 0,755 -0,655 2962,2
-
1 29,540 15,149 2962,4
-
2 29,615 15,083 2962,6
-
3 29,691 15,018 2962,7
-
X(2) 4 29,766 14,952 2962,7
-
5 29,842 14,887 2962,6
-
X(3) 1 29,627 14,779 0,766 0,952 1,222 0,627 0,779 2961,3
-
-1 28,373 13,221 2872,3
-
2 30,254 15,558 2958,1
-
1 X(0) 29,627 14,779 4,125 8,754 9,678 0,426 0,905 2961,3
-
1 29,670 14,870 2962,1
-
2 29,712 14,960 2962,6
 238

-
3 29,755 15,050 2962,8
-
(1)
X 4 29,797 15,141 2962,8
-
5 29,840 15,231 2962,4
-
29,797 15,141 0,425 -2,306 2,345 0,181 -0,983 2962,8
-
X(2) 1 29,816 15,043 2962,9
-
2 29,834 14,944 2962,8
-
X(3) 1 30,209 15,592 0,189 0,264 0,324 0,582 0,813 2957,8
-
-1 29,045 13,966 2935,5
-
2 30,791 16,405 2933,5
15,81 -
2 X(0) 30,209 15,592 -4,856 -15,047 1 -0,307 -0,952 2957,8
-
1 30,178 15,497 2959,3
-
2 30,148 15,402 2960,5
-
3 30,117 15,307 2961,5
-
4 30,086 15,212 2962,2
-
5 30,055 15,116 2962,7
-
X(1) 6 30,025 15,021 2963,0
-
7 29,994 14,926 2962,9
-
30,025 15,021 -0,301 -0,718 0,778 -0,387 -0,922 2963,0
-
X(2) 1 29,986 14,929 2962,9
-
X(3) 1 30,025 15,021 -0,184 -0,571 0,600 -0,307 -0,952 2963,0
-
-1 30,516 15,973 2948,3
-
2 29,595 13,118 2894,7

Los valores de precios de venta de A y B para obtener el máximo beneficio, son

respectivamente:

x  30,025  30 $/día
y  15,021  15 $/día
 239

Otros métodos de optimización numérica de funciones multivariables son:

4.3.3.4. Método de Newton

    
La ecuación algorítmica para este método es: X k 1  X k  H 1 ( X k ) f ( X k ) . para
    
encontrar un mínimo, y para un máximo: X k 1  X k  H 1 ( X k ) f ( X k ) ,
 
donde H 1 ( X k ) es la matriz inversa de la hessiana evaluada en el punto X k .

4.3.3.5. Método de Davidon-Fletcher-Powell

Este método está basado en la lógica de las direcciones conjugadas. En los

métodos que utilizan esta lógica, las aproximaciones sucesivas no se obtienen
siguiendo las direcciones del gradiente en cada punto, sino las llamadas
direcciones conjugadas.

  n 1 
X   X 0    i Si
i0


donde en cada etapa Si es un vector unitario  s1 , s2 ,...., sn  que hace parte del
T

conjunto llamado de direcciones conjugadas de la matriz H, los cuales cumplen la

condición:
T 
Si HS j  0 i  j , j=0,1,....n-1. con Si y Sj  0.

Un procedimiento
 general que utilice las direcciones
  conjugadas arranca

generando X 1 y a partir de este sigue generando X 2 , X 3 , hasta obtener X  en n
iteraciones.

El valor de X 1 lo obtendría
  
X1  X 0   0 S0

donde  0 se obtiene optimizando

 
g( 0 )  f ( X 0   0 S0 )

o sea:


 
0   b  H X    
X0
T

S0
 
 
0
S 0T H X 0 S 0

El vector S 0 inicial puede ser cualquier vector unitario.
 240

 
Una vez obtenido X1 , X 2 se obtiene como:
  
X 2  X1   1S1

El vector S1 se obtiene de la propiedad de conjugado:
 
S1 HS0  0

y de que S1 sea un vector unitario
 
S1T HS1  0

El valor del desplazamiento  1 se calcula con la ecuación


 
  T S1
1   b  HX 1  T 
S1 HS1

Siguiendo esa secuencia, cualquier aproximación se puede obtener

  
X k 1  X k   k S k
 
S k HS k 1  0
 
S kT S k  0

 
  T Sk
 k   b  HX k  T 
S k HS k

El algoritmo para el método de Davidon-Fletcher-Powell consiste en obtener una

aproximación con la ecuación:
  
X k 1  X k   k

donde  k  k Sk  X k

donde la dirección S k se obtiene como:
 
 

Sk   Dk f X k

Dk: aproximación de H 1 X k  
 k se calcula con la minimización de:

 

g  k   f X k   k Sk
 241

si se está buscando un mínimo, o maximizando, si se está buscando un máximo.

La matriz Dk se actualiza en cada etapa con la ecuación:
Dk 1  Dk  Ak  Bk

donde:

 k kT
Ak 
 kT  k
 
 k  f X k 1  f X k  
Bk 

 Dk  k Tk Dk T 
Tk Dk  k

Para la primera iteración puede tomarse D0 como la matriz identidad; realmente lo

que se requiere es que esta matriz sea simétrica y positiva definida.

Este método es mucho más efectivo, tiene una mayor convergencia, que los
métodos que utilizan únicamente la dirección del gradiente. Para medir esta
efectividad existe la función de Rosembrok

     1  x 
2
f X  100 x2  x12
2
1

que tiene contornos marcadamente excéntricos y que hace que los métodos
basados puramente en el gradiente presenten una convergencia lenta.

4.3.3.6. Método de Fletcher-Reeves

Este método también está basado en las direcciones conjugadas, pero no tiene la
misma eficiencia del método anterior, pero si lo es más que los métodos de
ascenso-descenso acelerado y de Newton.

El método obtiene una aproximación a partir de la ecuación algorítmica

  
X k 1  X k  Sk

donde  k se obtiene de la optimización de:

 
g( k )  f ( X k   k sk ) .

El vector sk se obtiene para una nueva etapa con:
 242

   
sk 1  f ( X k 1 )   k sk .
   
T f ( X k 1 ). f ( X k 1 )
k   T   
 f ( X k ). f ( X k )

  
El algoritmo arranca escogiendo como dirección inicial: s0  f ( X 0 ) .

4.3.4. Métodos numéricos de optimización de funciones restringidas

La mayoría de los métodos de optimización de problemas no lineales restringidos

se apoyan en uno de los siguientes conceptos básicos.

i. Extensión de la metodología de programación lineal por medio de

aproximaciones sucesivas a un problema lineal.
ii. Transformación de la función objetivo mediante el uso de funciones de
penalización.
iii. Uso de tolerancias factibles para acomodar las aproximaciones a la región
factible.

En los problemas de optimización sin restricciones no era necesario iniciar la

búsqueda del óptimo a partir de un punto factible, mientras que en la mayoría de
los métodos numéricos para problemas con restricciones se requiere la búsqueda
inicial de un punto factible para comenzar con el problema de optimización.

La búsqueda de un óptimo restringido puede hacerse, en principio, mediante las

técnicas para problemas no-restringidos, con una rutina adicional que chequee y
asegure en cada aproximación que se está en la región factible.

El movimiento desde un punto a una nueva localización puede conducir a una

región no factible, requiriéndose de un retorno a la región factible, el cuál puede
hacerse con información únicamente de la función objetivo y de las restricciones
en métodos directos, o con evaluación del valor del gradiente local cuando se
utilizan métodos del gradiente.

Los métodos que utilizan aproximación del problema a un problema lineal en cada
etapa, utilizan la expansión en Taylor para la aproximación.

El problema : optimizar f (X )

Sujeto a: hi ( X )  0 , i=1,2,...m

gi ( X )  0 , i=m+1,.....,p

Se transforma a:
    
Optimizar f ( X k )   t f ( X k )( X  X k )
 243

    
Sujeto a: hi ( X k )   t hi ( X k )( X  X k )  0 , i=1,...,n.
    
g i ( X k )   t g i ( X k )( X  X k )  0 , i=m+1,...,p.

Entre estos métodos se tienen:

MAP: Método de aproximación programación.

POP:Programa para el proceso de optimización.
NLP: Método de programación no lineal.

La solución del problema lineal se resuelve mediante el método simplex revisado

o un algoritmo modificado de este método.

El método simplex es un proceso iterativo en el cuál el procedimiento de búsqueda

comienza en un punto que satisface las restricciones, y en cada ciclo se obtiene
un punto que mejora el valor de la función objetivo. En este método, los puntos
que se prueban son puntos localizados en los vértices de la región factible.

Los métodos que usan tolerancias factibles, mejoran el valor de la función objetivo
usando puntos factibles y puntos llamados casi-factibles. La tolerancia para
clasificar estos puntos casi-factibles se hace más restrictiva a través de la solución
del problema hasta un límite determinado.

En estos métodos, el problema de optimización se transforma a:


Optimizar: f ( X )

Sujeto a:  ( k )  T ( X )  0 .

donde  ( k ) es el valor de la tolerancia flexible para el criterio de factibilidad en la

etapa k.
1 2
 m 2  p
 
definiendo la función T ( X )    hi ( X )   ui gi ( X )
2

 i 1 i  m 1 

donde ui es el operador Heaviside tal que ui = 0 para gi ( X )  0 , ui =1 para

gi ( X )  0 .

Los métodos del gradientes son métodos que utilizan información sobre el
gradiente de la función objetivo en cada etapa para obtener la próxima
aproximación del óptimo.

4.4. Ejercicios propuestos

1. Se desea instalar un evaporador de múltiple efecto para manejar un alimento de

100.000 lb/h de una solución salina del 5% en peso. Si se va a concentrar la
 244

solución hasta el 20%, determine el número de efectos que deberían usarse

para conseguir los costos anuales más bajos.
El costo de inversión del evaporador debe ser tomado como US$50.000 para
cada efecto instalado, junto con un valor adicional de US$15.000 para el equipo
auxiliar que debe ser dispuesto, independientemente del número de efectos
usados. La vida de la unidad se estima en 12 años y al final de este tiempo el
valor de salvamento se considera que es US$7.500 por efecto. El evaporador
operará 320 días al año. Los costos fijos anuales (excluyendo depreciación)
deben ser tomados como el 12%, y los costos de mantenimiento anual como el
5%, ambos basados en la inversión original de capital. Los costos de vapor son
US$5/1.000 lb de vapor usado, y 0.8N lb de agua se evapora en la unidad por
cada libra de vapor, N es el número de efectos instalados. Los otros costos,
excepto los de depreciación, deben ser considerados independientes del
número de efectos usados.
2. Halle la temperatura máxima de salida del tercer intercambiador mostrado en el
esquema (figura 9), sujeto a la restricción de que el área total tendrá un valor
fijo, donde: N = 3, t1 = 150ºF, t2 = 200ºF, t3 = 250ºF, To = 100ºF, U = 0.1 ft-2, At =
100 ft2
Ti 1  ti AiU
Ti 
1  AiU

A1 A2 An
To T1 T2 Tn-1 Tn
1 2 ... n

t1 t2 Tn
Figura 9. Esquema intercambiadores en serie

2. Resuelva el ejemplo 9 con el método de sustitución directa

3. Considere un proceso de extracción de 2 etapas con flujo cruzado. En cada
etapa se pone en contacto 10 l/min de fluido de proceso con un solvente
inmiscible con el fin de extraer el soluto presente que se alimenta en cada etapa.
Para esto, se alimenta wi ml/min de solvente fresco (i representa cada etapa).
La concentración de soluto en la solución original que se alimenta al sistema es
x0 = 0.4. zi es la concentración de soluto deseado en la corriente de salida del
solvente en cada etapa. Las composiciones de las corrientes de salida de cada
etapa están relacionadas por la ecuación de equilibrio zi = 2xi. Si la cantidad
unitaria de soluto extraído vale 500 $/l y el costo de la cantidad unitaria de
solvente es 100 $/l, determine: i) una expresión para las ganancias con este
sistema, si éstas están dadas por la resta del valor del soluto extraído menos el
 245

costo del solvente suministrado, asumiendo costos de operación nulos, ii) los
puntos estacionarios resultantes de optimizar las ganancias y clasifíquelos como
máximo, mínimo y punto silla.
Las concentraciones xi y zi están expresadas como ml de soluto/ml de solvente
extractor o solvente portador.
Utilice para la solución un método analítico de optimización de funciones
multivariables con restricciones.
 246

4.5. Bibliografía

Avrial M., “Nonlinear Programming: Analysis and Methods, Prentice-Hall, New

Jersey, 1976

Bazaraa M., “Nonlinear programming”, John Wiley & Sons, New York, 1979

Beveridge, S., “Optimization, theory and practice”, McGraw-Hill, New York, 1970

Himmelblau, D., “Applied nonlinear programming”, McGraw-Hill, New York, 1972.

Mickley, H.S., Sherwood, T.S., Reed, C.E., "Applied Mathematics in Chemical

Engineering". McGraw, New Delhi, 1975.

Smith, C., Pike, R., Murril, P., "Formulation and optimización of mathematical
models", International texbook Company, Scranton,1970.
 247

TABLA DE CONTENIDO

5.1. Distribución de errores .................................................................................250

5.2. Propagación de errores ................................................................................252
5.3. Varianza de una medida indirecta.................................................................258
5.4. Estimación de intervalos y confiabilidad de estimaciones .............................260
5.5. Estimado de intervalos de desviaciones estándar ........................................266
5.6. Pruebas de hipótesis ....................................................................................270
5.6.1. Etapas en las pruebas de hipótesis ....................................................270
5.6.2. Comparación de varianzas.....................................................................271
5.6.2.1. Comparación de la varianza de una muestra y una varianza hipotética
.......................................................................................................271
5.6.2.2. Comparación entre las varianzas de dos muestras..........................274
5.6.3 Comparación de medias .....................................................................278
5.6.3.1 Comparación entre la media de un conjunto y una media hipotética .279
5.6.3.2 Comparación entre la media de un conjunto x1 y la media de otro
conjunto x 2 ....................................................................................284
5.6.3.3 Comparación entre las medias de dos conjuntos cuando se sospecha
que hay factores extraños que pueden influir en las determinaciones
individuales ....................................................................................289
5.6.3.4 Comparación entre varios valores de medias ...................................290
5.7. Ejercicios propuestos ...................................................................................296
5.9. Bibliografía ...................................................................................................297
 248

CAPITULO V.
INTERPRETACIÓN DE RESULTADOS EXPERIMENTALES

Son muchas las actividades en ingeniería química en las que se requiere obtener,
analizar e interpretar datos para la toma de decisiones. En la investigación y
desarrollo de procesos, así como en el diseño, operación y mejoramiento continuo
de unidades de transformación o plantas de procesos completas, por ejemplo, el
ingeniero químico está enfrentado al tratamiento y análisis de datos, resultados de
experimentos, cálculos u operaciones de producción cotidiana.

En la investigación y desarrollo, y en el diseño de algunas unidades como

reactores, filtros, centrífugas, lixiviadores, sistemas de suspensión y emulsificación,
entre otros, el ingeniero químico debe realizar experimentos, tantos como sea
necesario para validar hipótesis, encontrar relaciones entre variables de los
sistemas en estudio, o determinar las mejores condiciones de operación para
diseñarlos y optimizarlos. En la operación, el tratamiento y análisis de datos es una
actividad cotidiana que debe realizarse por cambios o variaciones en materias
primas y variables de operación, o por modificaciones en las especificaciones de
los productos para adaptarlos a los cambios del mercado o requerimientos de los
consumidores. En todas estas actividades el ingeniero está interesado en obtener
siempre resultados confiables. Confiabilidad que está sustentada en el grado en
que los valores de dichos resultados efectivamente representen el valor verdadero
de los parámetros o características de los sistemas.

Así, el significado de las conclusiones basadas en datos numéricos y la seguridad

en las decisiones apoyadas en dichas conclusiones, están necesariamente
determinados por la confiabilidad de los datos y métodos de procesamiento
utilizados. Por ello es necesario evaluar la confiabilidad tanto de los datos como de
los resultados obtenidos con base en medidas experimentales o medidas directas,
mas aún, cuando de dichas conclusiones se desprenden decisiones costosas.

La confiabilidad en datos no sólo es requerida en las investigaciones para la

seguridad en las conclusiones y en la determinación experimental de propiedades
físicas y fisicoquímicas, sino que condiciona también la realización de
investigaciones y medidas experimentales con un mínimo de tiempo y costo.
Tiempo y costo que están vinculados al número de experimentos que deben
realizarse y a la precisión de los instrumentos de medida y rigurosidad de los
métodos de cálculo o procesamientos utilizados.

Todos los datos, medidos o calculados, están sujetos a errores. En la práctica no

es posible obtener el valor verdadero de un parámetro o característica de un
sistema. Siempre habrá la presencia de una desviación, ya por las limitaciones
inherentes a los sentidos humanos, debido a las aproximaciones de los métodos
que se usen o sofisticación de procedimientos de medida o instrumentos, o por la
descalibración de estos instrumentos.
 249

Si el error en un dato es descubierto y tenido en cuenta en su magnitud y signo en

la forma de una corrección en su efecto, el error se denomina determinado, y los
que no pueden ser tenidos en cuenta se denominan indeterminados. Estas
categorías de errores también pueden clasificarse de manera más específica en
errores accidentales, errores constantes y errores de método.

Los errores accidentales son una clase importante de errores indeterminados. Ellos
ocurren por limitaciones físicas de las personas que realizan la medida (error
humano) y/o por variaciones fortuitas en la sensibilidad del instrumento de medida
(error por sensibilidad). Los errores de métodos, también indeterminados, son
debidos a aproximaciones y suposiciones hechas en el desarrollo teórico del
modelo usado para calcular un resultado u obtener un dato, como por ejemplo el
truncamiento en una serie y los errores de redondeo. Mientras que los errores
constantes, que pueden determinarse haciendo medidas con diferentes
instrumentos, son debidos a la descalibración del instrumento de medida.

La presencia de errores accidentales y constantes determina la precisión y

exactitud en una medida. La precisión o reproducibilidad está asociada a la
ausencia de errores accidentales en la medida, mientras que la exactitud hace
referencia a medidas libres de errores accidentales y constantes.

Se concluye entonces de las afirmaciones precedentes, que si se desea conocer

un valor de una propiedad mediante un análisis de laboratorio, resulta evidente que
no se obtiene el valor “verdadero”. Sin embargo, puesto que ningún valor obtenido
experimentalmente es absoluto, si se puede determinar mediante métodos
estadísticos la confiabilidad de la determinación experimental. Esto exige realizar
una medida tantas veces como deseemos tener confianza en relación con el valor
absoluto o verdadero.

En el caso específico de la comprobación de una hipótesis o la determinación de la

confiabilidad de algún valor factual, se debe utilizar un experimento planeado
estadísticamente. Básicamente esos experimentos preparados le permiten al
analista determinar con un grado de confianza preestablecido, el grado de
variación de las determinaciones experimentales que se debe a la casualidad y el
causado por influencias conocidas o no.

En el análisis de datos y planeación de experimentos es necesario responder

algunas preguntas:

¿Qué tipo de errores son probables en una medida o cálculo?

¿Cómo se extiende en los resultados un error en los datos?
¿Cuánta seguridad deben poseer las cantidades individuales que entran en un
cálculo para una confiabilidad especificada en el resultado?
¿Qué seguridad es económicamente factible obtener en una investigación?
¿Qué método de investigación es más confiable?
 250

Estas preguntas y otras relacionadas con la comprobación de hipótesis, la

determinación de una estimación confiable de algún valor factual y la
representación funcional de una característica, se responden con ayuda del
análisis estadístico.

El análisis estadístico está constituido por un conjunto de técnicas para reducir y

organizar datos y para determinar su significado esencial. Los métodos
estadísticos se basan en el concepto simple de la variabilidad. Mediante este
concepto se determina una base para la planeación de experimentos y el análisis
de datos; en este sentido, los métodos estadísticos, se ocupan de obtener la
información máxima a partir de un conjunto dado de datos (análisis) y, a la inversa,
de minimizar la cantidad de datos (planeación experimental) necesarios para
deducir informaciones específicas.

5.1. Distribución de errores

Toda medida individual de una propiedad o característica de un sistema, por la

presencia de errores, no es más que un estimado de su valor verdadero. Por
ejemplo, si se tiene un tanque de producto de un proceso y se desea conocer la
densidad del producto en el tanque, y se toma una muestra y se le determina su
densidad, se dice que esta medida es un estimado de la densidad del producto.
Por los errores que pueden estar presentes en la medida, no es posible decir que
ese dato es el valor real o verdadero de la densidad.

Esa medida específica de la densidad puede expresarse en función del valor

verdadero y una variación debida a los errores, como:

= + ε
donde:

 = valor verdadero.
ε = error experimental.

Si se toman varias muestras y a cada muestra se le determina la densidad, la

medida para cada muestra puede expresarse como:

i= + i
En este caso la media de estas determinaciones puede tomarse como un estimado
más confiable de la densidad. Resulta evidente, en forma intuitiva, que en la
medida en que se tome un mayor número de muestras, la media de las
determinaciones tiende a un valor fijo. Este valor representa el valor verdadero de
la densidad, si no existen errores de método y/o errores no-aleatorios inherentes
en las medidas.
 251

Las medidas repetidas de una cantidad x son comúnmente reportadas en términos

de la media o valor promedio, y la desviación estándar o variación o la dispersión
de los datos.

Así, la media o promedio está dada por:

1 n
x  xi
n i 1

donde:

xi : son los valores individuales.

n : número de datos o valores.

La desviación estándar muestral es la raíz cuadrada del promedio de la diferencia

al cuadrado entre los valores individuales y el valor promedio.

1 n
 xi  x 
2
s
n  1 i 1

Si en un conjunto infinito de datos las variaciones de los valores individuales son

aleatorias, Gauss demostró que la distribución de los datos alrededor de la media
está dada por la función:

 1  ( x  u )  2 
exp    
 2    
f ( x)  , -∞< x < +∞
 2

donde:

u = media hipotética
 = desviación estándar
f ( x ) = frecuencia o probabilidad de ocurrencia de un valor de magnitud x.

Esta función de distribución puede simplificarse definiendo la transformación:

xu
z


por lo tanto:
 252

 1 
exp  z 2 
f ( z)   2  , -∞< z < +∞
2

La cual es conocida como la distribución normal estándar

5.2. Propagación de errores

Cuando una cantidad deseada M está relacionada a varias cantidades

directamente medidas M1 , M 2 ,..., M n por la ecuación:

M  f M1 , M 2 ,..., M n 

M puede determinarse indirectamente o medirse indirectamente.

En general, el valor verdadero de M no puede ser conocido si no se conocen los

valores verdaderos de M1 , M 2 ,..., M n , pero el valor mas probable de M
denotado por Q puede obtenerse a partir de los valores más probables de
M1 , M 2 ,..., M n , denotados por q1 , q2 ,..., qn . Evidentemente los errores en las
medidas se propagaran hasta la cantidad calculada.

El valor más probable de M, así como un estimado de M a partir de los estimados

de qi pueden calcularse con la misma función, como:

Q  f  q1 , q2 ,..., qn 

Q  f q1 , q 2 ,..., q n 
Si se conocen los errores en q1 , q2 ,......., qn se puede estimar la característica del
error en Q . Haciendo una expansión en Taylor alrededor del punto que define los
valores más probables de los qi y reteniendo únicamente los términos lineales se
obtiene:

 
Q  Q  t f q  q  q 

donde:

q   q1 , q2 ,..., qn  y q   q1 , q2 ,..., qn 

Como Q  Q  Q , error en la medida indirecta

 253

Q  Q  Q  t f q  q  q   
Q  Q  Q  t  q    q  q 
f f
Q  q1  q2  ...
 q1 q  q2 q

n
f
Q   qi
i 1  qi q

El signo en qi es el que haga máximo a Q .

Así, el error calculado en Q depende entonces de:

 Naturaleza de la función f
 Magnitud de las cantidades medidas
 Magnitud de los errores en las cantidades medidas

Si la función f es una suma:

Q  q1  q2 ....... qn  q i
n
Q   q
i 1
i

Si la función es una productoria

n
Q   qi
i 1

Q n
q
 i
Q i 1 q i

En este caso si denominamos error relativo al error fraccional, en este caso se

tiene que el error relativo en Q es igual a la suma de los errores relativos en q.
Si la función tiene la forma:

Q  q1 q2 ...qn
a b k

  a 1
Q  q2 ...qn aq1 q1  ... q1 ...qn1 kqn qn
b k
 a j
 k 1

Q aq1 bq 2 kq n

   ... 
Q q1 q2 qn
 254

En este caso se establece que el error relativo de Q está dado por la suma de
errores relativos afectados por la respectiva potencia en q i en la función.

Ejemplo 1:

Durante el curso de un análisis de funcionamiento de planta se hizo necesario

determinar la velocidad promedio de agua a través de cierta tubería. El método
más conveniente de medida fue un método indirecto consistente en la medida del
peso del agua que salía de la tubería durante un tiempo t, medida del diámetro de
la tubería y cálculo de la velocidad promedio con la relación:

W 4W
v 
 tA D 2 t
Las medidas directas con los errores estimados son:

W  100  5 lb
t  70  10
. s
D  1  0.03 in
  62.34  0.001lb/ft3

Si despreciamos el error relativo en el peso específico, se tiene que el error en

v está dado por:

v v v
v  W  t  D
W t D

De la relación de v se obtiene:

v 4

W  D 2 t
v 4W

t  D 2 t 2
v 8W

D  D 3t

4 4W 8W
v  W  t  D
 D t
2
Dt
2 2
 D3t

Reemplazando los valores de las variables, sin el error, se obtiene:

100
v  0.042W  0.060t  D
12
 255

Para obtener el máximo error se toman los signos de W , t y D tales que v sea
máximo.

100
v  0.042  5   0.060  1.0    0.03
12
v  0.522 ft / s
4 100 144
v ft / s
70  3.14  62.3
 4.21 ft / s

El máximo error relativo es:

0.522
 100  12.4%
4.21

Para hallar los errores relativos en las cantidades medidas para que el error de la
cantidad indirectamente medida esté dentro de cierto margen de seguridad se
utiliza el principio de efectos iguales; asumiendo que el error total puede estimarse
como n veces la contribución de cualquiera de las medidas directas.
O sea:

f f f
Q  n q1  n q2  ...  ...n q
 q1  q2  qn n

i. Si Q  q1  q2  ...  qn
Q q q qn
n 1 n 2  n
Q q1 q2 qn

ii. Si Q  q1 q2 ...qn
a b k

Q q q q
 na 1  nb 2  ...  nk n
Q q1 q2 qn

Ejemplo 2:

Cuáles deben ser los errores relativos en W,D y t para el ejemplo anterior, si se
desea que v posea un error de 2.0%.
 256

v W W 0.02
3    0.7%
v W W 3
v t t 0.02
3    0.7%
v t t 3
v D D 0.02
 3 2     0.33%
v D D 23

Ejemplo 3:

La calibración de un orificio medidor normalmente se realiza midiendo la rata de

flujo de agua con la caída de presión medida en un manómetro de mercurio. El
método más simple para obtener la rata de flujo másico consiste en recoger y
pesar el agua que fluye a través del medidor en un período definido de tiempo.

Para un orificio particular de 0.25 in. de diámetro, se determinó una rata de flujo W
igual a 19 lb/min con un error estimado de +/- 0.1 lb/min, y la correspondiente caída
de presión fue 9.1 inHg con un error estimado de +/- 0.1 in Hg. Calcular el máximo
error posible en el cálculo del coeficiente del orificio Cv, para el flujo medido.

Determine cuál debe ser el error máximo en las medidas de W y caída de presión
si se desea que el error máximo en Cv sea el +/-2%.

1 W
Cv 
K hm

donde

K  A0  w 60 2 1.05 g
1
 lb seg 1 ft 2 ft 2
 (0.25) in  62.3 3  60
2 2
  2  1.05  32.2
4 ft min 144in 2 seg
1
lb ft 2
K  10.5
min
W = rata másica en lb/min.
hm = caída de presión en in Hg.

 Cv  Cv
Cv  W  h
W  hm m
 Cv 1

 W K hm
 257

 Cv W 32
 hm
 hm 2K
1 W 32
Cv  W  hm hm
K hm 2K

Reemplazando los valores de K, W y hm, se obtiene:

Cv  0.0316W  0.0329hm

Para obtener el máximo error se toman los signos de W y hm que hagan,
efectivamente, máximo el valor.

Cv  0.0316(0.1)  0.0329(0.1)  6.45 103

El valor del coeficiente será por lo tanto Cv  0.6  6.45 * 10 3 .

Para hallar los errores relativos de W y hm, para que Cv tenga un error máximo del
+/-2% se aplica el principio de efectos iguales:

Q Q Q
Q  n q1  n q2  ...  n q
 q1  q2  qn n

En este caso:

 Cv  Cv
Cv  2 W  2 h
W  hm m
 Cv Cv Cv W CvW CvW
W   K hm  K hm  
2 Cv 2 2 W   2Cv
W 2W 
 K hm 
W 1 Cv 1
  (0.02)  0.01  1%
W 2 Cv 2

 Cv  Cv  Cv  Cv hm  Cv hm
hm     
2
 Cv   32   Wh 1    Cv
 hm 2  m
Wh   m  W 
 2 K   K hm   K hm 
 
hm  Cv
  2%
hm Cv
 258

El error relativo con que debe determinarse el flujo W es ±1% y ±2% para la caída
de presión.

5.3. Varianza de una medida indirecta

La varianza de una medida indirecta está dada por:

2
Q  2
n
 (Q)   
2
  (qi )
i 1   qi  q

y el estimado de dicha varianza se puede obtener de una relación similar:

2
n
Q  2
s 2 (Q)     s (qi )
i 1   qi  q

Esta relación se puede demostrar a partir de una expansión en Taylor de la

función de Q.

Una expansión en Taylor truncada en el segundo término da:

Q  Q  t f (q )  q  q 

Q  f (q1 , q2 ,...qn )

qi : Media estimada del valor verdadero.

 
Q  Q  t f q  q  q 

 f   f 
Q    q1    q2  ...
  q1 q   q2 q

Elevando al cuadrado y despreciando los dobles productos.

2 2 2
 f   f   f 
Q  2
 q1  
2
 q2  ...  
2
 qn
2

  q1 q   q2 q   qn q

dividiendo por n -1
 259

2 2 2
Q 2   f  q12   f  q22   f  qn2
      ...   
n  1   q1 q n  1   q2 q n  1   qn q n  1

donde n es el número de medidas individuales y usando la definición de varianza,

para cada medida directa de qi, se obtiene:

2
n
Q 2
s (Q)   
2
 s (qi )
i 1   qi  q

Ejemplo 4:

Hallar la varianza de la velocidad promedio del agua, con los datos del ejemplo 1,
teniendo en cuenta que el estimado de la varianza para cada una de las variables
es:

s 2 W   4.884
s 2  t   0.195
s 2  D   1.69 104
s 2    1.95 107

W 4W
v 
 tA D 2 t

Las medidas directas con los errores estimados son:

W  100  5 lb
t  70  10
. s
D  1  0.03 in
  62.34  0.001lb/ft3

Si despreciamos el error relativo en el peso específico, la varianza de v está dada

por:

2
3
 v  2
s v    
2
 s  qi 
i 1  qi  q
i
 260

 v  2  v  2  v  2
2 2 2

s v   
2
 s W     s t     s  D
 W   t  D

De la relación de v se obtiene:

v 4

W  D 2 t
v 4W

t  D 2 t 2
v 8W

D  D 3t

2 2 2
 4  2  4W  2  8W  2
s v   
2
 s W     s  t     s  D
  D t   D t     D t 
2 2 2 3

Reemplazando los valores de las variables, sus varianzas y para obtener el

máximo error se toman los signos de las derivadas parciales positivos para que
s 2  v  sea máximo.

2
 100  2
s 2  v    0.042  s 2 W    0.060  s 2  t     s  D
2 2

 12 

s 2  v   1.76 103  4.884  3.6 103  0.195  69.44 1.69 104

 2.1102

5.4. Estimación de intervalos y confiabilidad de estimaciones

Los valores de  y  para una medida de alguna propiedad o característica

provee una descripción de la precisión del método de medida. Sin embargo, en la
práctica no es posible obtener estos parámetros, sino estimaciones de ellos a partir
de un conjunto finito de datos o medidas.

Si se supone que la diferencia entre una media muestral x y  se debe solo a la

casualidad y que las medidas individuales de x tienen una distribución normal, se
puede determinar una medida de la confiabilidad de x al estimar  . Esta medida
se denomina intervalo de confianza. Se puede demostrar que si una distribución de
observaciones o medidas individuales es normal, con una media  y desviación
estándar  , las medias muestrales, cada una de ellas basadas en n
observaciones o medidas escogidas aleatoriamente de la población, tendrán
 261

también una distribución normal en torno a  , pero con una desviación estándar

igual a . Así, si se conociera  se podría definir un intervalo de confianza en el
n
cual se encuentre el valor  , con una probabilidad especificada, a partir de una
muestra. El intervalo estaría definido por:


  x  z
2 n

donde:

n: número de observaciones o medidas para la muestra.

z/2: valor definido por el nivel de probabilidad, y obtenido de la distribución normal.


z
2

2
 P ( z  z ) 
2
 f z dz
z
2

Ejemplo 5 :

Obtener un intervalo de confianza del 95% para el rendimiento diario de un reactor

de ácido sulfúrico, a partir de los rendimientos:
91.37%,91.45%,93.13%,92.87%,91.65%,91.96%,92.28%,92.57%,92.93% y
92.79%; si se supiera que  =0.75.

n
xi 1
x  (9137
.  9145
. ...92.79)  92.30
i 1 n 10

De una tabla de valores de probabilidad para la distribución normal con

1-p(z)=5%/2=2.5%, se obtiene z=1.96, para p(z)=97.5.
El intervalo para el rendimiento diario sería:

196
. * 0.75 196
. * 0.75
92.30   R  92.30 
10 10
.  R  92.76.
9183
R  92.30  0.464.

Si se tiene un conjunto de medias con los respectivos estimados de la desviación

estándar de la población, se puede conformar una muestra de medias de
x1 , x2 , x3 ,..., xn y a partir de esta muestra obtener un mejor estimado de la media
i

de la población. Este estimado está definido como:

ni
1
xm 
ni
x
j 1
j
 262

donde:

ni representa el número de muestras o medias

El estimado muestral de la desviación estándar del conjunto de medias está dado

por:

1 ni
sm  
ni  1 j 1
( x j  xm ) 2

Este estimado muestral de la desviación estándar del conjunto de medias se puede

estimar desde una simple muestra.

s 1
sm  ; s   xi  x 
2

n n 1

s = estimado de la desviación estándar de la población

sm = estimado de la desviación estándar de la población medias muestrales

Se ha observado que la distribución de frecuencia de medias muestrales xi en

torno a la media de la población  es esencialmente normal, aunque la
distribución de frecuencia de la población no lo sea. Este hecho es importante
porque permite calcular intervalos de confianza para la media de una población
aún cuando no se cumpla la condición de distribución normal para ella.

Para una muestra con n  30 se puede aproximar  m a sm , es decir

 m  sm

Como la media de una muestra es un buen estimado de la media de la población,

se puede usar junto con sm para la estimación de intervalos. En este caso el
intervalo estará definido como:

  x m  z s m a partir de un conjunto de medias

2
s
  x  z a partir de una media
2 n


z   P( z  z )
2 2 2
 263

Ejemplo 6:

Un resultado analítico arroja una media de 30.8 y una desviación estándar

estimada del conjunto de medias igual a 0.489. Calcular el límite del 95% de
confianza para el valor verdadero.

Se parte del supuesto de que  m es conocido e igual a 0.489 por lo que, en el

cálculo del intervalo se usará el estadístico z. De una tabla de probabilidad para la
5
distribución normal con 1  P z   2.5% , se obtiene z = 1.96 para P z  97.5% .
2
El intervalo de confianza del 95% será:

  x  z sm
2

 30.8  1.96  0.489

 30.8  0.96

29.8    31.8

s2
En el caso en que el número de datos de la muestra sea pequeño n  30, no
n
es un estimado adecuado de  2m . En este caso se utiliza la distribución t de
Student para el estimado del intervalo en lugar de la distribución normal. La
distribución t de Student está definida por.

   1
    1 
 
1  2   t2   2 
f t   1   , -∞< t < +∞
       
 
 2

donde:

x 
t
sm
 : grados de libertad (número de valores usados para calcular las medias menos
el número de medias calculadas).

Por lo tanto un intervalo para el valor verdadero puede definirse a partir de la

distribución t de Student con una probabilidad específica o una confianza deseada.
Con esa probabilidad, y de la definición de la variable t , se tiene
 264

x
 t 
sm 2

donde:

  x  t sm
2

t    P(t  t )   f (t )dt
2 2 2 t / 2

Ejemplo 7:

Los resultados de un análisis gravimétrico son: 55.3, 56.9, 55.8, 57.3 y 57.7. Calcular
el rango en que pueda encontrarse el valor verdadero con una confianza del 95%.
Como el número de datos es menor que 30 (n 30), para el calculo del intervalo de
confianza se usará el estadístico t y el estimado sm .

Cálculo de la media:
1 5
x   xi
n i 1
1
  55.3  56.9  55.8  57.3  57.7 
5
 56.6

Cálculo de la sm :
5
1
sm2    xi  x 
2

n  n  1 i 1
 0.20
   x  t sm
2

 56.6  0.45t

Con el 95% de probabilidad y los grados de libertad igual a 4 se obtiene de la tabla

2-1, de Mickley and Sherwood, “Applied Mathematics in Chemical Engineering”,
1975, el valor de t / 2  2.776  2.8 .

  56.6  126
.
55.34    57.86
 265

Si se tienen varios grupos de datos que muestren medias equivalentes

estadísticamente, es decir no existe una diferencia entre ellas estadísticamente
significativa, se puede obtener a partir de las medias muestrales un mejor estimado
del valor verdadero:

ni

w x i i
x mv  i 1
ni

w
i 1
i

donde :

nk i nk i 1
wi   
i 2
si
2
s 2
m ,i

nk = número de datos en un grupo

Un intervalo para el valor verdadero puede definirse a partir de la distribución t de

Student con el valor xmv y un estimado muestral de la desviación estándar del
conjunto de medias muestrales.

El estimado del intervalo de confianza se hace con el mejor valor de la media de

las medias, cuando la varianza del conjunto de datos de cada muestra tienen los
valores diferentes  i   j , donde i, j son dos conjuntos de datos diferentes.
2 2

El estimado de la varianza de la población de mejores valores de media, sm2 , mv , se

puede obtener a partir de los estimados de la desviación estándar de la población
de medias maestrales que se hace en cada conjunto de datos.

1 1
 2 m ,mv    sm ,mv
2
nk i 1
 
 i2
2
i 1 sm ,i

El intervalo de confianza esta dado como:

  xmv  t sm,mv
2

con  = número total de datos menos el número de grupos

ni
   nk i  ni
i 1
 266

donde:

ni = número de grupos o muestras

(nk)i = número de datos en el grupo o muestra i

Ejemplo 8:

Un análisis realizado por dos procedimientos diferentes arroja los resultados que
se muestran en la tabla 1.

Tabla 1. Procedimientos del ejemplo 7

x1 x2 x3 x4 x5 x sm
2

Procedimiento 1 55.3 56.9 55.8 57.3 57.7 56.6 0.2

Procedimiento 2 52.6 54.3 58.0 52.7 60 55.5 2.2

Obtenga el rango del valor verdadero con una confianza del 95%.

56.6  55.5
xmv  0.2 2.2  56.5
1 1
0.2 2.2
1
sm2 ,mv   0.183
1 1
0.2 2.2

Para obtener el intervalo con el mejor valor de la media se asumirá que las
varianzas de los dos procedimientos son diferentes, es decir  12   22 .

 
Con   10  2  8 y p(t  t  t )  0.95 se obtiene de la tabla 2-1 de Mickley
2 2
and Sherwood, “Applied Mathematics in Chemical Engineering”, 1975, el valor de
t / 2  2.306 , así el intervalo está dado por:

  xmv  t sm, mv
2

   56.5  2.306 0.18

  56.5  0.984

5.5. Estimado de intervalos de desviaciones estándar

 267

Si se asume que la población de la cual se hace el muestreo tiene una distribución

aproximada a la distribución normal, se puede demostrar que el estadístico

(n  1) s2
2 
2

llamado chi-cuadrado, tiene una distribución continua conocida como la distribución

de chi-cuadrado, con media igual a (n-1), los grados de libertad. Esta distribución
está dada por la función:


1  
f 2  
2
1
( 2 ) 2 e , 0  2  
 
2
2 
 
 2

  2

donde

 : grados de libertad

  k    t k 1et , k >0
0

Para esta distribución:

Con una probabilidad de (1   ) , se puede acertar que:

(n  1) s 2
12   2
2  2
2

A partir de esta ecuación, mediante transformaciones algebraicas se obtiene el

intervalo para  , para muestras pequeñas, (n 30) :

(n  1) s2 (n  1) s2
  .
 2  12
2 2

donde : 2 es el valor de la variable  2 tal que P(  2  2 )   como se muestra

2 2 2
en la figura 1; y 12 es el valor de la variable  2 tal que P(  2  12 )   como
2 2 2
se ilustra en la figura 2.
 268

Figura 1. Distribución chi-cuadrado

Figura 2. Regiones de la distribución chi-cuadrado

Para muestras grandes. (n ≥ 30), la distribución de s se puede aproximar a una


distribución normal que tiene media igual a  y desviación estándar igual a .
2n
Con esta distribución se puede establecer el intervalo para  con un nivel de
significancia  .
 269

s s
 
z z
1 2 1 2
2n 2n

donde:


z   P( z  z )
2 2 2

Ejemplo 9:

Se hicieron cinco determinaciones del flujo de agua fria en un intercambiador de

calor. Los valores obtenidos en GPM (galones por minuto) fueron: 5.84, 5.76, 6.03,
5.90, 5.87. Determine el intervalo de confianza para la imprecisión en la medida del
flujo.
Como el número de datos es menor que 30, n  30, el intervalo de confianza se
construye con el estadístico  2 ; y esta dado por:

(n  1) s2 (n  1) s2
  .
 2  12
2 2

Cálculo de la media:

1
x 
5
 xi
1
  5.84  5.76  6.03  5.9  5.87 
5
 5.88

Cálculo del estimado de la varianza:

1 5
s   xi  x  
2
2

4 i 1
1
 (5.84  5.88)2  (5.76  5.88)2  (6.03  5.88)2  (5.9  5.88)2  (5.87  5.88)2 
4

= 0.013
0.00975

Los valores de 2 / 2 y 12 / 2 se leen de una tabla para las distribución Chi-cuadrado
con   5% ; para obtener el intervalo de confianza con una probabilidad del 95%.
Los valores leídos con   4 son:
 270

0.025
2
 11.1 ;  0.975
2
 0.4844

4  0.00975 4  0.00975
  .
11.1 0.4844

0.059    0.284

5.6. Pruebas de hipótesis

Con mucha frecuencia en las investigaciones es necesario comparar un promedio

de un conjunto de datos con un valor hipotético o con el valor promedio de otro
conjunto (o los promedios de otros conjuntos) de datos, para determinar si las
diferencias observadas entre ellos pueden deberse a la casualidad. Igualmente es
necesario, en algunos casos, tener información sobre la homogeneidad de datos o
de un conjunto de determinaciones experimentales; es decir, conocer la
variabilidad o la varianza de un conjunto o varios conjuntos de medidas. En esas
circunstancias, el criterio para determinar si una diferencia es o no real, es
determinar la magnitud de la diferencia que puede deberse a la casualidad. Si la
diferencia observada es mayor que la que pudiera esperarse razonablemente en
forma aleatoria, se dice que dicha diferencia es estadísticamente significativa. Para
responder si efectivamente existe alguna diferencia entre la media y un valor
hipotético, o entre un conjunto de medias, así como si existe alguna diferencia
entre la varianza y un valor hipotético se realizan pruebas de hipótesis.

En las pruebas de hipótesis, se pueden cometer dos tipos de errores:

Error tipo I: Descartar una hipótesis cuando es verdadera.

Error tipo II: Aceptar una hipótesis cuando es falsa.

Esta situación puede esquematizarse en la tabla 2, si se simboliza con H la

hipótesis.

Tabla 2. Pruebas de hipótesis

H es verdadera H es falsa
Aceptar H Decisión correcta Error tipo II
Rechazar H Error tipo I Decisión correcta

5.6.1. Etapas en las pruebas de hipótesis

1. Formular una hipótesis de tal forma que pueda calcularse la probabilidad de un

error tipo I. A esta hipótesis se le llama hipótesis nula.
 271

2. Formular una hipótesis alterna de tal forma que el desecho de la hipótesis nula
sea equivalente a la aceptación de la hipótesis alternativa.
3. Especificar la probabilidad con la cuál queremos correr el riesgo de un error tipo
I. Esta probabilidad es generalmente llamada el nivel de significancia con el cuál
se realizará la prueba y es denotada por  .
4. Construir el criterio de la prueba usando la teoría estadística apropiada.
5. Finalmente, especificar si la alternativa de desechar la hipótesis nula es aceptar
o reservarse el juicio sobre la hipótesis alterna.

5.6.2. Comparación de varianzas

Hay tres tipos básicos de comparaciones de varianza:

 Entre la varianza de un conjunto y una varianza hipotética.

 Entre la varianza de dos conjuntos de datos.
 Entre las varianzas de varios conjuntos de datos.

5.6.2.1. Comparación de la varianza de una muestra y una varianza

hipotética

La hipótesis nula que se denominará H0, y la hipótesis alterna que se designará H1,
se formularán de acuerdo con la pregunta que se requiere responder. Con cada
hipótesis nula hay asociada una hipótesis alterna. Si 2 es el valor verdadero de la
varianza del conjunto de datos y  02 un valor hipotético de la varianza, los pares
posibles que pueden construirse son:

 Ho : 2 ≥  02 y H1 : 2   02
 Ho : 2 ≤  02 y H1 : 2 >  02
 Ho : 2 =  02 y H1 : 2 ≠  02

El estadístico  2 se usa en los criterios para aceptar o rechazar la hipótesis nula.

El valor calculado u observado de este estadístico está dado por la ecuación:

n  1s 2
2 
 20

donde s2 es un estimado del valor verdadero de 2, y los grados de libertad son
iguales a n  1 .

Los criterios para decidir en la prueba aparecen en la tabla 3

 272

Tabla 3. Criterios para aceptar o rechazar la hipótesis nula en la comparación de

una varianza 2 con un valor hipotético  02
Hipótesis Hipótesis Desechar la Aceptar la hipótesis nula
nula alterna hipótesis nula o reservarse el juicio
 2   02  2   02   1
2 2
 2  12
 2   02  2 > 02  2 >2  2  2
 2   02  2   02  2  12 / 2 ó  2 >2 / 2 12 / 2   2  2 / 2

Donde:

2    P(  2  2 )
12  1    P(  2  12 )
2 / 2   / 2  P(  2  2 / 2 )
12 / 2  1   / 2  P(  2  12 / 2 )
Estos mismos criterios están representados en las figuras 3, 4 y 5. En las figuras
está representado el criterio para rechazar la hipótesis nula, cuando el valor de  2
calculado u observado cae en las zonas rayadas en las figuras. La figura 3 para el
caso de hipótesis nula  2   02 , la figura 4 para la hipótesis nula  2   02 y la figura
5 para la hipótesis  2   02 .
2

2
f( )
Y Axis Title


0



2
0   
2

Figura 3. Hipótesis alterna    0

-2
-2 0 2 4 6 8 10 12
X Axis Title
 273

2 Figura 4. Hipótesis alterna    0

2
f( )
Y Axis Title


0



2
0  
2
 
2


Figura 5. Hipótesis alterna    0

-2
-2 0 2 4 6 8 10 12

Ejemplo 10: X Axis Title

El espesor de una parte usada en un semiconductor tiene una dimensión crítica tal
que su variación está dada por una desviación estándar no mayor que 0.60
milésimas de pulgada. Si de un proceso de manufactura de estas partes se
tomaron 18 muestras cuya desviación estándar es s= 0.82 milésimas de pulgada,
puede considerarse que el proceso está ajustado para satisfacer la calidad de las
partes?.

Para responder la pregunta se plantean como hipótesis:

 274

H0:  2   02  (0.60)2
H1:  2 > 02  (0.60)2

El valor observado para  2 es:

 n  1 s 2 17  0.82 
2

 
2

0  0.60 
2 2

 2  31.75

Con un nivel de significancia igual al 5% (   5% ), para 17 grados de libertad se

obtiene de una tabla para la distribución chi-cuadrado:

 2  27.587.

Como el valor observado es mayor que el valor leído  2  2 se descarta la

hipótesis nula, lo que implica que el proceso no satisface el requerimiento de
dimensión crítica y por lo tanto debe ajustarse.

5.6.2.2. Comparación entre las varianzas de dos muestras

De igual manera a la comparación de una varianza con un valor hipotético, en la

comparación de dos varianzas de dos conjuntos de datos, las hipótesis se
formularán de acuerdo con lo que se requiere saber. Si  12 es el valor verdadero
de un conjunto de datos y  22 el valor verdadero correspondiente al otro conjunto,
los pares posibles de hipótesis que pueden formularse son:

 Ho : 12 ≥  22 y H1 : 12   22
 Ho : 12 ≤  22 y H1 : 12 >  22
 Ho : 1 =  22 H1 : 1 ≠  22
2 2
y

El estadístico F se usa en los criterios para aceptar o rechazar la hipótesis nula. El

valor calculado u observado de este estadístico esta dado por:

s12
F
s22

donde s12 y s22 son estimados de las varianzas 1 y  22 , respectivamente.

2

Los criterios para decidir en la prueba aparecen en la tabla 4.

 275

Tabla 4. Criterios para aceptar o rechazar la hipótesis nula en la comparación de

dos varianzas 12 y  22 , de datos normalmente distribuidos
Hipótesis nula Hipótesis Desechar la hipótesis Aceptar la hipótesis nula
alterna nula o reservarse el juicio
 12   22 12   22 F  F1 F  F1

 12   22 12   22 F  F F  F

 12   22  12   22 F  F1 ó F  F F1 / 2  F  F / 2
2 2

Donde:

F1  1    P( F  F1 )
F    P( F  F )
F1 / 2  1   / 2  P( F  F1 / 2 )
F / 2   / 2  P( F  F / 2 )

F , F1 , F / 2 y F1 /2 se obtienen de valores tabulados de la distribución F; los

cuales deben leerse teniendo en cuenta los grados de libertad del parámetro del
numerador ( s12 ) y los grados de libertad del parámetro del denominador ( s22 ). Por
economía en la escritura se han escrito estos valores sin los respectivos grados de
libertad, pero estrictamente su representación es:

F  F ( 1 ,  2 )

donde:

 1 : Grados de libertad asociados al numerador

 2 : Grados de libertad asociados al denominador

Las tablas que registran valores de la distribución F, normalmente tabulan una de

las colas para valores que dejan a la derecha probabilidades del 5%, 2.5% y 1%;
es decir valores de F y F / 2 . Para encontrar los valores de F1 y F1 /2 se utiliza la
propiedad:
 276

1
F1 ( 1 ,  2 ) 
F ( 2 ,  1 )
1
F1 / 2 ( 1 ,  2 ) 
F / 2 ( 2 ,  1 )

Por ejemplo, de una tabla se lee F0.05 (7,9) = 3.29 y el valor de F0.95 (9,7) se obtiene
como:

1
F0.95 (9, 7) 
F0.05 (7,9)
1
F0.95 (9, 7) 
3.29
F0.95 (9, 7)  0.304

Ejemplo 11:

El rendimiento diario de un reactor determinado durante 10 días fue 92.30 con una
desviación estándar de 0.65. Si cierto tiempo después se realizaron otras 10
pruebas para el reactor, con algunas modificaciones ligeras en él, en las cuales se
obtuvo un rendimiento promedio de 92.59 con una desviación estándar de 0.37.
Existe diferencia entre las desviaciones estándar de los dos conjuntos de medidas
del rendimiento.

Para responder la pregunta se formularán como hipótesis:

H0:  1   2
H1:  1   2

La prueba se realizará con un nivel de significancia igual al 5%, es decir,   5% .

El estadístico que se usará es el estadístico F, calculado como:

s12 (0.65) 2
F  2   3.086.
s2 (0.37) 2

F
El valor de  / 2 se lee en una tabla con grados de libertad en el numerador, n1-1,
igual a 9 y grados de libertad en el denominador, n2-1, también igual a 9.

F = 4.03
2

El valor F1 / 2 se tiene haciendo uso de la propiedad de este estadístico:

 277

1
F1 / 2 ( 1 ,  2 ) 
F / 2 ( 2 ,  1 )
1
F0.975 (9,9) 
F0.025 (9,9)
1
F0.975 (9,9)   0.248
4.03
o sea, F1 / 2 =0.248

Como el valor de F calculado está en el intervalo de 0.248  F  4.03 , se

acepta la hipótesis nula; es decir, se concluye que no hay diferencia en las
desviaciones estándar o varianzas de los rendimientos del reactor

Ejemplo 12:

Un análisis realizado por dos procedimientos diferentes arroja los siguientes

resultados:

x1 x2 x3 x4 x5 x
Procedimiento 1 55.3 56.9 55.8 57.3 57.7 56.6
Procedimiento 2 52.6 54.3 58.0 52.7 60 55.5

Determine si los dos procedimientos tienen la misma precisión.

Para responder la pregunta se hará una prueba de hipótesis de varianza con las
siguientes hipótesis:

H0:  12   22
H1:  12   22

La prueba se hará con un nivel de significancia del 5%. Con este valor de α se
obtiene de una tabla para la distribución F el valor de F0.025 (4, 4) y con este valor se
calcula F0.975 (4, 4) usando la propiedad que tiene esta distribución. Así, el valor de
F0.025 es:

F / 2  F0.025 (4, 4)  9.6

 F1 / 2  F0.975 (4, 4) 

1
 0.104
9.6

El valor calculado de F es:

 278

s22
F 2
s1

Con:

1

 xi,1  x1 
2
s12 
4
1
 (55.3  56.6) 2  ...  (57.7  56.6) 2 
4
 1.02
y

1

 xi,2  x2 
2
s22 
4
1
 (52.6  55.5)2  ...  (60  55.5)2 
4
 11.02

 F
11.02
 10.8
1.02

Como el valor de F calculado cae fuera del intervalo 0.104  F  9.6 se descarta la
hipótesis nula; es decir, se concluye que hay diferencia en las desviaciones
estándares de los dos procedimientos.

Con este resultado de este ejemplo se confirma la suposición que se hizo sobre
las varianzas de los dos procedimientos analíticos en el ejemplo 8; en
consecuencia si era posible obtener el intervalo de confianza con el mejor valor de
la media.

Si el cálculo de F se hubiese hecho como:

s12 1.02
F 2   0.092
s2 11.02

también se hubiera llegado a la misma conclusión, ya que este valor calculado esta
igualmente por fuera del intervalo.

5.6.3 Comparación de medias

También en la comparación de medias hay tres tipos básicos de comparaciones:

 279

 Entre la media de un conjunto y una media hipotética.

 Entre las medias de dos conjuntos de datos.
 Entre las medias de varios conjuntos de datos.

5.6.3.1 Comparación entre la media de un conjunto y una media hipotética

La hipótesis nula, que denominaremos Ho, y la hipótesis alterna que se designará

H1, se formulan de acuerdo con la pregunta que desee responderse. A cada
hipótesis nula le corresponde una hipótesis alterna. Si  es el valor verdadero de la
media del conjunto de datos y o un valor hipotético de la media, las posibilidades
que pueden construirse son:
 Ho :  ≥ o y H1 :    o
 Ho :  ≤ o y H1 :  >  o
 Ho :  = o y H1 :  ≠ o
El estadístico que se usa en los criterios para aceptar la hipótesis nula o rechazarla
depende de si el valor de  para la población de donde se tomó el conjunto de
datos es conocido o no es conocido, y del número de datos de la muestra o
conjunto de datos.

Cuando el valor de  es conocido se usa el estadístico Z de la distribución normal y

los criterios para decidir en la prueba se registran en la tabla 5.

Tabla 5. Criterios para aceptar o rechazar la hipótesis nula con  conocido

Hipótesis Hipótesis Desechar la hipótesis Aceptar la hipótesis nula

nula alterna nula o reservarse el juicio
  0   0 z   z z   z
  0   0 z  z z  z
  0   0 z   z ó z  z  z  z  z
2 2 2 2

donde:

z    P( z  z )   f ( z )dz
z

z    P( z  z )   f ( z )dz
2 2 2 z / 2

x  0
z
/ n

n : número de datos en la muestra o conjunto de datos

 280

Cuando el valor de  de la población es desconocido se usa el estadístico z de la

distribución normal para una muestra de tamaño grande, n > 30, y el estadístico de
la distribución t student para una muestra pequeña, n ≤ 30. Los criterios para
decidir en la prueba, en el caso de muestras grandes son los mismos que se
registran en la tabla 5; mientras que para muestras pequeñas estos criterios
aparecen en la tabla 6.

Tabla 6 Criterios para aceptar o rechazar la hipótesis nula con  desconocido y

n ≤ 30

Hipótesis Hipótesis Desechar la hipótesis Aceptar la hipótesis nula

nula alterna nula o reservarse el juicio
  0   0 t  t  t  t 
  0   0 t  t t  t
  0   0 t  t  ó t  t  t   t  t 
2 2 2 2

donde:

t    P(t  t )   f (t )dt
t

t    P(t  t )   f (t )dt
2 2 2 t / 2

x  0
t
sm
con:

  n  1 para leer t  o t 
2

n : numero de datos de la muestra o conjunto de datos

Los criterios registrados en las tablas 5 y 6 pueden mostrarse sobre una línea
recta, en la que se representa el dominio del estadístico y los valores leídos del
estadístico de acuerdo con las hipótesis formuladas. Simbolizados como θ (t o z)
el estadístico usado en los criterios, en las siguientes gráficas se representan las
 281

regiones donde se acepta la hipótesis nula o se rechaza, dependiendo donde se

localice el valor calculado del estadístico

Hipótesis nula Región de aceptación y rechazo de la hipótesis

Ho

Reservarse el juicio

 ≥ o Rechazar Ho Aceptar
Ho

Θ = - Θα Θ=0

Reservarse el juicio
Rechazar Ho
Aceptar Ho
 ≤ o
Θ=0 Θ = Θα

Rechazar Ho
Rechazar Ho Aceptar
 = o Ho

Θ = - Θα/2 Θ=0 Θ = Θα/2

Reservarse el juicio

Ejemplo 13:

El contenido de azufre de varias muestras de un crudo se reportan como: %s =

2.1, 1.9, 2.4, 2.3, 2.5, 2.4, 2.6, 2.5, 2.7, 2.3, 2.3, 2.4.
 282

Se desea saber si las muestras representan un crudo con un contenido de azufre

menor que el 2.5%.

Hipótesis nula H 0 :    0  2.5%

Hipótesis alterna H1:    0 .

Para responder la pregunta sobre el contenido de azufre del crudo, es conveniente

que una de las dos hipótesis, la nula o la alterna, represente lo que se quiere
saber; es decir, si el verdadero () es menor que el valor hipotético (o). En
términos matemáticos será  o .

Las hipótesis para realizar la prueba se formularán, entonces como:

Hipótesis nula H0:   0 = 2.5%

Hipótesis alterna H1:    0 = 2.5%

Como el valor del  es desconocido y el número de datos que se tiene es menor

que 30 se usará el estadístico t para decidir en la prueba.

Cálculo de la media:

1 12 1
x 
12 i 1
xi   2.1  ...  2.4   2.37
12

Calculo del estimado de la varianza:

1 12
s2  
11 i 1
( xi  x) 2

1
s 2  (2.1  2.37)2  (1.9  2.37)2  ......  (2.4  2.37)2 
11
s  0.0326
2

Entonces:

s 2 0.0326
s  
2
m
n 12
sm  2.716 x103
2

sm  0.052

Valor de t calculado:
 283

x  0 2.37  2.5
t 
sm 0.052
t  2.5

El valor leído de t se obtiene, para   5% , con   11 de la tabla 2-1, de Mickley

and Sherwood, “Applied Mathematics in Chemical Engineering”, con P = 0.9.
También puede obtenerse el mismo valor de una tabla de la distribución t de
Student con una probabilidad

P ( t  t )= 0.05.
t = 1.796

Como t  t , o sea -2.5  1.796, se acepta la hipótesis nula. En consecuencia el

crudo tiene un contenido menor del 2.5% en azufre.

Si se hubieran planteado como hipótesis:

H0:   0 = 2.5%
H1:    0 = 2.5%

se habría llegado a la misma conclusión, ya que t  t , es decir -2.5 -1.796.

Si la prueba se hace con   2.5% , también se habría llegado a la misma

conclusión.

El análisis también puede realizarse sobre una línea recta donde se ubiquen los
valores del estadístico t.

Para las hipótesis

H0:   0 = 2.5%
H1:    0 = 2.5%

Aceptar Ho Rechazar Ho

t =-2.5 0 tα=1.796
 284

Se observa en este gráfico que el valor de t cae en la zona donde se acepta la

hipótesis nula.

Los intervalos de confianza también pueden usarse para realizar la prueba. En

este caso si se obtiene el intervalo de confianza del 95% asociado a las hipótesis
H0:   0 = 2.5%
H1:    0 = 2.5%
Con   2.5% , la decisión se toma observando si el valor de o cae dentro o fuera
del intervalo. Este intervalo está dado por:

  x  t sm
  2.37  2.201  0.052
  2.37  0.114
2.256    2.484

Como o =2.5 es mayor que el limite superior del intervalo, se concluye que  es
menor que o. Es decir se acepta la hipótesis nula: El crudo tiene un contenido de
azufre menor que el 2.5%

5.6.3.2 Comparación entre la media de un conjunto x1 y la media de otro

conjunto x 2

De manera similar a la comparación de una media con un valor hipotético, en este

caso también la hipótesis nula y alterna se formularán de acuerdo con la pregunta
que desee responderse. Si  es el valor verdadero del conjunto cuya media es x1 y
el  2 el valor correspondiente al otro conjunto de media x 2 , los pares posibles de
hipótesis que pueden plantearse son:

 Ho : 1 ≥ 2 y H1 :  1  2
 Ho : 1 ≤ 2 y H1 :  1 > 2
 Ho : 1 = 2 y H1 :  1 ≠ 2

El estadístico que se usa en los criterios para decidir sobre las hipótesis depende
de si los valores de las , 1 y 2, son conocidos o desconocidos e iguales o
diferentes, y del número de datos de las muestras o conjuntos de datos.

5.6.3.2.1 Comparación con 1 y 2 conocidos e iguales 1 = 2 = 

Cuando  es conocido e igual para los dos conjuntos de datos 1 = 2 =  , se

utiliza el estadístico z si el número de datos es mayor que 30 (n> 30), para cada
 285

conjunto, y el estadístico t si es menor o igual que 30 (n ≤ 30). En el primer caso el

valor de z se calcula con la ecuación:

x1  x2
z
 1/ n1  1/ n2

En el segundo caso cuando (n ≤ 30) el valor de t se calcula con la ecuación:

x1  x2
t
 1  1
n1 n2

con:

.  n1  n2  2 grados de libertad

donde:

n1 : numero de datos del conjunto 1

n2 : numero de datos del conjunto 2

Los criterios para decidir sobre las hipótesis se encuentran registrados en las
tablas 7 y 8.

5.6.3.2.2 Comparación con 1 y 2 conocidos y diferentes 1 ≠ 2.

Para valores de  conocidos y diferentes, 1 ≠ 2, también se usa el estadístico z

cuando el número de datos es mayor que 30 (n> 30) y el estadístico t cuando el
número de datos es menor e igual a 30 (n ≤ 30).

En el caso de n > 30 el valor de z se calcula como:

x1  x2
z
 12 / n1   22 / n2

El valor de t, para  diferentes y n ≤ 30, se obtiene como:

x1  x2
t
 / n1   22 / n2
2
1

con:
 286

  n1  n2  2 grados de libertad

donde:

n1 : numero de datos del conjunto 1

n2 : numero de datos del conjunto 2

Los criterios para decidir sobre las hipótesis son los que se encuentran registrados
en las tablas 7 y 8.

5.6.3.2.3 Comparación con 1 y 2 desconocidos e iguales 1 = 2.

El estadístico que se usa, como en las situaciones anteriores, igualmente depende

del número de datos.

En el caso de n> 30 se usa el estadístico z y el valor se calcula con la siguiente

ecuación:

x1  x2
z
2
s s22
1 
n1 n2

donde s12 y s22 son los estimados de 12 y 22, respectivamente.

Para n ≤ 30 se utiliza el estadístico t y su valor se obtiene como:

x1  x2
t
s 1  1
n1 n2

donde:

(n1  1) s12  (n2  1) s22

s2 
n1  n2  2

con:

  n1  n2  2 grados de libertad

Los criterios para decidir son los mismos registrados en las tablas 7 y 8.

5.6.3.2.4. Comparación con 1 y 2 desconocidos y diferentes.

 287

Para estas combinaciones se utiliza el estadístico t, independientemente del

número de datos en los conjuntos. El valor de t se calcula como:

x1  x2
t
s12 s22

n1 n2

con:

s / n1  s22 / n2 
2 2


1

s / n1  /  n1  1   s22 / n2  /  n 2  1
2 2 2
1

También en las tablas 7 y 8 se registran los criterios para decidir sobre las
hipótesis

Tabla 7. Criterios para aceptar o rechazar la hipótesis nula en la comparación de

dos medias x1 y x 2 ; para n> 30

Hipótesis Hipótesis Desechar la hipótesis Aceptar la hipótesis nula

nula alterna nula o reservarse el juicio
1  2 1  2 z   z z   z
1  2 1  2 z  z z  z
1  2 1  2 z   z ó z  z  z  z  z
2 2 2 2

Tabla 8. Criterios para aceptar o rechazar la hipótesis nula en la comparación de

dos medias, x1 y x2 para n ≤ 30

Hipótesis Hipótesis Desechar la hipótesis Aceptar la hipótesis nula

nula alterna nula o reservarse el juicio
1  2 1  2 t  t  t  t 
1  2 1  2 t  t t  t
1  2 1  2 t  t  ó t  t  t   t  t 
2 2 2 2

Ejemplo 14:
 288

El rendimiento diario de un reactor determinado durante 10 días (una prueba por

dia) fue 92.30 con una desviación estándar de 0.65. Si cierto tiempo después se
realizaron otras 10 pruebas para el reactor, con algunas modificaciones ligeras en
él, en las cuales se obtuvo un rendimiento promedio de 92.59 con una desviación
estándar de 0.37, afectó el rendimiento promedio las modificaciones realizadas?.

Para responder la pregunta, las hipótesis apropiadas son:

Hipótesis nula H0 :  1   2 .
Hipótesis alterna H1:  1   2 .

ya que interesa saber si los rendimientos son iguales o no.

Para realizar la prueba previamente se debe tener información sobre las

varianzas; si ellas son conocidas, desconocidas, iguales o diferentes. Como se
tienen estimados de las desviaciones estándar de los rendimientos, s1=0.65 y
s2=0.37, y como en el ejemplo 11 se encontró que no había diferencias en las
desviaciones estándar para los dos conjuntos de medidas  1   2 , la prueba que
se hará es para desviaciones desconocidas e iguales.

Dado que el número de datos n1 y n2, es menor que 30, se usará el estadístico t
para la prueba y su valor está dado por:

x1  x2
t
s 1  1
n1 n2

el valor de s2 es:

(n1  1) s12  (n2  1) s22

s2 
n1  n2  2

como n1 = n2

1 1
s 2  ( s12  s22 )  (0.65) 2  (0.37) 2   0.28
2 2
s  0.53
92.3  92.59
t  1.22
0.53 2
10

Si se toma α=5%, con   n1  n2  2  18 , el valor de t  =2.10

2
 289

Al comparar t  =2.10 con el valor de t calculado se observa que t  t , lo que

2 2

implica que se acepta la hipótesis nula H0 y por lo tanto se concluye que no

hay evidencia estadística par afirmar que el rendimiento del reactor haya
cambiado con las modificaciones realizadas.

5.6.3.3 Comparación entre las medias de dos conjuntos cuando se sospecha

que hay factores extraños que pueden influir en las determinaciones
individuales

Los valores de xdi se generan así:

Conjunto 1 x 1,1 x 2,1 x 3,1 x 4,1 ……… x n-1,1 x n,1

Conjunto 2 x 1,2 x 2,2 x 3,2 x 4,2 ……… x n-1,1 x n,1

Diferencias x d1 x d2 x d3 x d4 ……….. x dn

x di = x i,1 – x i,2

La prueba se realiza con las siguientes hipótesis:

Ho: xd  o  0
H1 : xd  o  0

Con un número de datos menor que 30 en cada conjunto se utiliza el estadístico t,

y se calcula como:

xd  0
t
smd

donde:

 (x di  xd ) 2
2
smd  i 1

n(n  1)

n : número de datos en cada conjunto. n = n1 = n2.

xd : la medida de las diferencias de valores

 290

1 n
xd   xdi
n i 1

Con el nivel de significancia especifico, α, se obtiene de una tabla el valor

t ( P(t  t )   / 2)
2 2

La hipótesis nula se acepta si t calculado está contenido en el intervalo

t  t  t , y se descarta si esta fuera de este intervalo
2 2

5.6.3.4 Comparación entre varios valores de medias

En esta comparación se utilizarán las siguientes hipótesis

Ho: 1  2  3......  n i

H1 : 1  2  3......  ni

donde ni es el número de medias que se requieren comparar.

La prueba se realizará con el estadístico F y la condición de que las varianzas
sean todas iguales para los n conjuntos de datos. Es decir, 1   2   3  ...   ni ,
El valor de F se calcula como:

s 2p
F
se2

donde s 2p es un estimado de la varianza de la población de datos y se2 es también

un estimado de la varianza 2. La diferencia es que se2 es un mejor estimado en el
que no aparecen los errores de método, mas sí en el valor de s 2p , si dichos errores
existen. Si no existieran variaciones no-aleatorios los estimados se2 y s 2p serían
iguales. La presencia de factores no aleatorios que causan las diferencias entre las
medias muestrales, hacen que s 2p sea mucho mayor que se2 .Así, la razón entre s 2p
y se2 , el valor de F calculado, es una medida de si pueden o no acontecer
diferencias entre las medias muestrales.

El mejor estimado se2 , se calcula como:

 291

ni nk

 ( x ik  xi ) 2
s e2  i 1 k 1
ni

 (n
i 1
k ) i  ni

donde:

ni : número de conjuntos, número de medias.

(nk ) i : número de medidas en el conjunto i.

Los grados de libertad asociados con se2 son:

ni
   (n
i 1
k ) i  ni

se2 , también puede obtenerse a partir de las varianzas de error dentro de cada
muestra.

ni

 ( n k ) i  1si2
se2  i 1
ni

 (n
i 1
k ) i  ni

El estimado de la varianza de la población de medias está dada por:

ni

 (x  x i p )2
2
smp  i 1

ni  1

donde:

ni

 (n k ) i xi
xp  i 1
ni
.
 (n
i 1
k )i

El estimado de la varianza de la población, s 2p , se puede obtener a partir de la

2
varianza de la población de medias smp :

s 2p  n0 smp
2
 292

donde:

n0  nk , si todos los conjuntos tienen el mismo tamaño.

 ni

 ( n ) 
2

1  ni k i 

n0   (nk ) i 
i 1
.
ni  1  i  1 ni

  (n
i 1
k )i


con s 2p hay asociados ni  1 grados de libertad.

2
En cada muestra la magnitud de errores aleatorios está dada por si , pero no es
posible a partir de una sola muestra estimar el error debido al método o errores de
método.

Los valores de F que son significativamente mayores que 1.0, indican que la
diferencia entre las medias se debe a factores no aleatorios. Para decidir sobre la
prueba con un valor de ( ) determinado, se obtiene el valor de F de una tabla. Si
2

el valor observado o calculado de F es mayor que F leído se descarta la

2
hipótesis nula, en caso contrario se acepta.

.Ejemplo 15:

Resuelva el ejemplo 14 utilizando la comparación entre varios valores de medias.

La prueba puede plantearse como: Existe una diferencia significativa entre los dos
rendimientos promedio?.

Hipótesis nula H0 : 1   2
Hipótesis alterna H1: 1   2

Se tiene:
x1  92.30 x2  92.59
s1  0.65 s2  0.37

El valor estimado de la varianza combinada está dada por:

1
se2   0.65   0.37    0.28
2 2

2 
 293

El estimado de la varianza de la población de medias es:

1 ni
 i p  
2
s2
 x  x
ni  1 i 1
mp

x1  x2 92.3  92.59
xp    92.44
2 2
 smp   92.3  92.44    92.59  92.44  
2 2 2
 
2
smp  0.0421
s 2p  10smp
2
 0.421
s 2p 0.421
F 2
  1.5
s e 0.28

De una tabla para distribución F se obtiene F  5.98 para

2
  5% ,  p  1,  e  18 .

Como el valor observado de F es menor que F (1.5  5.98), se acepta la

2
hipótesis nula; es decir no hay diferencias significativas entre las medias o no hay
evidencia estadística para decir que son diferentes.

Ejemplo 16:

La empresa Petrochemical Products Co recibió los resultados finales de la

determinación del coeficiente global de transferencia de calor de un intercambiador
nuevo fabricado por Heat Exchanger Manufacter, bajo ciertas condiciones de
2
operación. Los valores reportados por el fabricante, en Btu/hft °F, fueron: 58, 61,
69, 72, 74, 66, 62, 71, 65, 67. Mediciones posteriores hechas en el intercambiador
funcionando bajo condiciones de proceso, arrojaron los siguientes resultados, en
Btu/hft2°F: 60, 63, 58, 68, 73, 71, 62, 74, 66, 65.

Se puede asegurar que el intercambiador está operando con la misma

característica de diseño?

Para responder la pregunta se debe hacer una prueba de hipótesis sobre el valor
verdadero del coeficiente de transferencia de calor UD, para las dos conjuntos de
datos reportados. Con este propósito se llamará 1 el valor verdadero del
coeficiente reportado por el fabricante (UD de diseño) y 2, el valor verdadero de
las determinaciones del coeficiente UD en condiciones de operación en planta.
 294

Como el número de datos es menor que 30, n 30, se usará el estadístico t en la

prueba. Para decidir sobre la fórmula con la que se calculará el valor de t, es
necesario realizar previamente una prueba de hipótesis sobre las varianzas de los
dos conjuntos de datos, ya que las fórmulas para el cálculo de este estadístico
dependen de si las varianzas son iguales o diferentes.

Cálculo de los estimados de las medias:

1 10
x1   xi,1
10 i 1
1
x1   58  61  65  ...  67 
10
x1  66.5

1 10
x2   xi,2
10 i 1
1
x2   60  63  ...  65 
10
x2  66.0

Cálculo de los estimados de las varianzas:

1 10
  xi ,1  x1 
2
s12 
9 i 1
1
s12  (58  66.5) 2  ...  (67  66.5) 2 
9
s1  26.5
2

1 10
  xi ,2  x2 
2
s22 
9 i 1
1
s22  (60  66) 2  ...  (65  66) 2 
9
s2  29.78
2

Para la prueba de las varianzas se formularán las siguientes hipótesis:

Hipótesis nula H0:  12   22

Hipótesis alterna H1:  12   22
 295

La prueba se hará con un nivel de significancia del 5%,   5% . Para este nivel
de significancia se obtiene de una tabla para la distribución F el valor de F , y con
2

este valor se calculará F1 .

2

F  F0.025 (9,9)  4.03

2

 F1  F0.975 (9,9) 

1
 0.248
2 4.03

El valor de F calculado es:

s12 26.5
F 2
  0.89
s2 29.78

Como el valor de F calculado esta en el intervalo 0.248 ≤ F ≤ 4.03, se acepta la

hipótesis nula; es decir, las dos varianzas son iguales con una probabilidad del
95%.

Para la prueba de las medias de los valores del coeficiente de transferencia de

calor global, se formularán las siguientes hipótesis

Hipótesis nula H0 : 1   2
Hipótesis alterna H1: 1   2

La prueba también se hará con un nivel de significancia del 5%,   5% .

Como las  2 son iguales,  12   22 , el valor de t se calcula con la ecuación:

x1  x2
t
s 1  1
n1 n2

con:

(n1  1) s12  (n2  1) s22

s2 
n1  n2  2

Calculo de s2:

(10  1)26.5  (10  1)29.78

s2 
10  10  2
s  28.14
2
 296

66.5  66.0
t
 (28.14)1/ 2  1  1
10 10
t  0.21

El valor de t  se lee en una tabla para la distribución t de student con

2

  n1  n2  2  18 , grados de libertad. Este valor es:

t  t0.025  2.101
2

Como el valor de t calculado está en el intervalo -2.1 ≤ t ≤ 2.1, se acepta la

hipótesis nula; es decir, el intercambiador de calor está operando con la misma
característica de diseño.

5.7. Ejercicios propuestos

1. En la producción de viscosa, se purificaron cuatro tortas producto por el método

convencional y otras cuatro por un método en prueba. Los resultados de la
purificación se midieron en términos de un parámetro que mide el encogimiento
de la torta viscosa (Tabla 5).

Tabla 9. Producción de viscosa por el proceso convencional y el de prueba

Torta Proceso Convencional Proceso Prueba

1 1.817 1.577
2 1.716 1.703
3 1.785 1.553
4 1.735 1.540
Promedio 1.763 1.593

¿Existe alguna diferencia entre el resultado obtenido con el procedimiento nuevo

y el resultado del método convencional?

2. ¿Cuáles son los intervalos de confianza del 99% para la media del siguiente
grupo: 1.254, 2.532, 1.489, 3.371, 1.986?

3. Obtener un intervalo de confianza del 95% para el rendimiento diario de un

reactor de ácido sulfúrico, a partir de los rendimientos: 91.37%, 91.45%,
93.13%, 92.87%, 91.65%, 91.96%, 92.28%, 92.57%, 92.93% y 92.79%; si se
supiera que  =0.75.

4. Se han obtenido los siguientes conjuntos de datos:

 297

Prueba A: 134, 146, 104, 119, 124, 161, 107, 83, 113, 129, 97, 123
Prueba B: 70, 118, 101, 85, 107, 132, 94

¿Existe alguna diferencia?

5.9. Bibliografía

Lazik, Zivorad R., “Design of Experiments in Chemical Engineering”, Wiley-VCH,

Germany, 2004

Mickley, H.S., Sherwood, T.S., Reed, C.E., "Applied Mathematics in Chemical

Engineering". McGraw, New Delhi, 1975.

Smith, C., Pike, R., Murril, P., "Formulation and optimization of mathematical
models", International texbook Company, Scranton,1970.

Andersen, L.B. "Statistical methods extend your data". Chem. Eng., october, 1962.

Idem., "Probability theory provides simple statistical models", Chem. Eng.

November 1962.

Idem., "How to use statistical inference", Chem. Eng., December,1962.

Idem., "Statistical estimation gives measures of probable error", Chem. Eng.,

January 1963.

Idem., "Tests and estimates of statistical mean"., Chem, Eng., february 1963.

Idem., "Tests and estimates on the statistical variance", Chem. Eng., March 1963.

Idem., "Regression analysis correlates relationships between variables". Chem.

Eng., May 1963.

Idem., "Multiple regression techniques correlate experimental data", Chem. Eng.,

june 1963.
298