Trabajo de Investigación Mate4

UNIVERSIDAD NACIONAL DEL CALLAO
FACULTAD DE INGENIERÍA PESQUERA Y ALIMENTOS

ESCUELA PROFESIONAL DE INGENIERÍA PESQUERA
Línea: Producción de Recursos Marinos
Asignatura: MATEMATICA IV
Profesora: Katia Vigo Ingar
Integrantes: Código
 Calle Chunga Kenn Franchesco 1614215071
 Camacho Mejia Yessenia Fatima 1614225235
 Marin Najarro Renzo Andre 1614215161
 Oruna Calderon Brenda Sayumi 1614215188
 Pizarro Garcilazo Allison Melissa 1614215053

Facultad de Ingeniería Pesquera y de Alimentos
Escuela Profesional de Ingeniería Pesquera
ÍNDICE
1 | 109
I. INVESTIGACIONES EN EL AREA DE PESQUERA
Tesis Autor(es) Año Institución

Obtención de gelatina de piel de Renzo Aarón 2016 Universidad Nacional Agraria
perico (Coryphaena hippurus) y Romero La Molina. Facultad de
caracterización de sus Santivañez Pesquería. Departamento
propiedades fisicoquímicas. Académico de Acuicultura e
Industrias Pesqueras. Perú
Secado de arenca (Triportheus  Tirado, D.F., 2016 Biotecnología en el Sector
magdalenae): influencia del  Acevedo, D. Agropecuario y
salado en pila seca y húmeda.  Montero, P.M Agroindustria. Colombia
Evaluación de la conductividad  Flores,M. 2018 Universidad Nacional de San

térmica y el tiempo de Agustín de Arequipa,
congelamiento, en bloques Arequipa, Perú
congelados de trucha arco iris
(oncorhynchus mykiss), en
función al tipo de producto y al
sistema de congelamiento.
Estudio de optimización de una Vélez Cervantes, 2016 Universidad Nacional del Sur
cadena de suministros pesquera Paul Departamento de Ingeniería
usando un enfoque de ingeniería Química. Argentina
de sistemas de procesos.
Comparación del crecimiento Macarena de los 2013 Pontificia Universidad
del Ostión del Norte Ángeles Soto Católica de Valparaíso
(Argopecten purpuratus) en dos Fernández Facultad de Recursos
sistemas alternativos de cultivo; Naturales
pearl-net y linternas. Escuela de Ciencias del Mar.
Chile
Ajustes de modelos dinámicos  Fernando Brito 2012 Laboratorio de Probabilidad y

aplicados a recursos pesqueros.  María Saravia Estadística, Facultad de
Ingeniería, Universidad de la
República. Uruguay
Modelos matemáticos no Fredy Armando 2013 Universidad Nacional de
lineales como herramienta para Aguilar Aguilar Colombia facultad de
evaluar el crecimiento de tilapia medicina veterinaria y de
roja (Oreochromis spp.) y tilapia zootecnia departamento de
nilótica (oreochromis niloticus ciencias para la producción
var. chitralada)” alimentadas con animal Bogotá D.C. Colombia
dietas peletizadas o extruidas.
2 | 109
Articulos Autor(es) Año Institución

Estudio sobre movimientos  Ju Fan 2018 Shanghai Jiao Tang
débilmente no lineales de  Ji Zhao University, Shanghai,
naves que avanzan en olas e  Ren-chuan Zhu China
influencias de olas estables  Xi Chen
 Wen-jun Zhou
Optimización de la  Lourdes Esquivel- 2018 Facultad de Ingeniería -

temperatura de secado y Paredes Escuela de Ingeniería
presión de vacío en la  Ashley Campos- Agroindustrial de la
decoloración y composición Grijalva Universidad Nacional del
del aceite crudo de pescado  Williams Esteward Santa - Chimbote Ancash
Castillo-Martínez Perú
Modelado de la  Olya Skulovich, 2016 Institute for Environmental

resuspensión debido a la  Catrina Cofalla, Research, RWTH Aachen
 Caroline Ganal, University, Worringerweg
actividad de los peces:
 Holger Schüttrumpf, 1, 52074 Aachen,
Modelado matemático y  Avi Ostfeld. Germany
canal anular
experimentos
3 | 109
II.- INTRODUCCIÓN:
La mayoría de los trabajos que se han desarrollado en esta investigación en peces marinos y
acuícolas, implica llevar las necesidades del cliente a instalaciones de producción que convierten
la “materia prima” en componentes de valor agregado. Para ello esta línea de investigación se
enfoca en las áreas como la biología, física, química e informática que estudiar los diferentes
procesos de conversión de la materia prima, en este caso el pescado y los derivados que se puedan
obtener de este. Los residuos están constituidos principalmente por huesos, piel, cabezas y
vísceras, los cuales son fuente importante de proteínas con alto valor nutricional y comercial, que
generalmente se vierten a los efluentes de agua o fertilizantes. Especialmente en especies que
poseen carne magra, que en su mayoría no contienen una gran cantidad de grasas, que son
aprovechables en la industria.
Se estudian las operaciones por las cuales se crean productos a partir de sustancias por medio de
procedimientos fisicoquímicos o biológicos ya que se busca optimizar los procesos bajo ciertas
restricciones que aseguren la sostenibilidad del recurso cuando estos lleguen a la planta de
producción. Por lo tanto se aplica la matemática para transformar la materia y la energía.
Visualizándose de diseñar, construir, controlar, operar y administrar los diferentes procesos que se
lleven a cabo en la industria pesquera.
El objetivo de esta investigación para una mejor tasa de producción de los recursos
hidrobiológicos es obtener una mejor calidad, eficacia tecnológica, una mayor tasa de ganancia a
bajo costo y en poco tiempo, ya que es favorable para la industria y para el consumidor.
4 | 109
1. TESIS
1.1) Obtención de gelatina de piel de perico (Coryphaena hippurus) y caracterización de sus
propiedades fisicoquímicas
1.1.1) MARCO TEORICO
La presente investigación tiene la finalidad de obtener gelatina como una alternativa de
aprovechamiento del colágeno presente en pieles de perico, aplicando la metodología de superficie
de respuesta sobre las condiciones de extracción para optimizar el proceso en función a la fuerza
de gel y al rendimiento de extracción de proteína, así como caracterizar las propiedades
fisicoquímicas del producto obtenido.
1.1.2) OBJETIVO DE LA INVESTIGACIÓN
El objetivo de la presente investigación fue obtener gelatina de piel de perico (Coryphaena
hippurus) y caracterizar sus propiedades fisicoquímicas
1.1.3) HIPÓTESIS
La industria obtiene gelatina principalmente de la piel y huesos de mamíferos terrestres,
particularmente de porcino y bovino (Haug et al., 2004; Gómez-Guillén et al., 2011), comúnmente
llamadas gelatinas tradicionales. Sin embargo, la producción de gelatina a partir de productos de
la pesca se ha incrementado en los últimos años debido al reemplazo de las gelatinas tradicionales
por las de origen marino. Si bien, las razones inicialmente fueron socioculturales (productos halal
y kosher) (Karim y Bhat, 2009), hoy en día se ha incrementado el interés en el aprovechamiento
de subproductos y residuos generados por la industria pesquera y de acuicultura (pieles, huesos
y/o escamas de carpa, pota, atún, tilapia, entre otras) como fuente de obtención de gelatina
(Gómez-Guillén et al., 2002; Kasankala et al., 2007; Karim y Bhat, 2009; Niu et al., 2013).
5 | 109
1.1.4) OBJETO MATEMÁTICO U OBJETOS MATEMÁTICOS UTILIZADOS EN LA
INVESTIGACIÓN.
- Álgebra Lineal (modelo de primer y segundo orden)
- Curvas de nivel
- Funciones
- Método mínimos cuadrados
- Polinomios
- Sumatorias
- Superficies: *Escalamiento ascendente y descendente
*Análisis canónico
*Análisis de cordillera
1.1.5) VARIABLES INVOLUCRADAS Y MÉTODOS EN LA INVESTIGACIÓN

Se evaluaron tres variables independientes sobre las condiciones de extracción de gelatina para
optimizar el proceso en función a la fuerza de gel y al rendimiento de extracción de proteína.
Durante la optimización se empleó la metodología de superficie de respuesta (MSR) para estudiar
el efecto de las variables independientes temperatura de extracción (X1) (40 – 70 °C), tiempo de
extracción (X2) (60 – 400 minutos) y concentración de ácido cítrico (X3) (0,10 – 0,90 %),
mediante modelos cuadráticos aplicados a cada respuesta: fuerza de gel (Y1) y rendimiento de
extracción de proteína (Y2). Se utilizó un diseño central compuesto (DCC) para ajustar cada
respuesta a un modelo de segundo orden. Mediante el modelamiento se obtuvieron las ecuaciones
que relacionaron cada respuesta con las variables independientes: 𝑦̂1 = 391,49 − 32,21𝑥1 − 11,08𝑥2
− 14,17𝑥3 + 9,30𝑥1𝑥2 − 17,65𝑥12 e 𝑦̂2= 19,81 + 1,69𝑥1 + 0,49𝑥2 − 0,17𝑥3 − 0,07𝑥1𝑥2 − 0,12𝑥2𝑥3 −
0,44𝑥12 − 0,32𝑥32
6 | 109
1.1.6) APORTE A LA INVESTIGACIÓN
COMPOSICON DE AMINOACIDOS EN GELATINA OBTENIDA DE DIFERENTE ORIGEN
La composición en aminoácidos en gelatina de piel de perico y en gelatinas de bovino, la
representamos bajo una función, obtenida por el ajuste polinómico, con la finalidad de obtener los
aminoácidos que se encuentra en mayor proporción en cada una de estas especies. Debido que la
presencia de aminoácidos en la piel de perico está estrechamente relacionada con la temperatura.
Está expresado en g de aminoácido por 100 g de muestra.
Contenido (g/ 100 g gelatina)

Aminoácid
Perico(presente estudio) Bovino(Ninan et al., 2010)
o
1.Acido aspártico 4.32 2.5
2.Acido glutámico 8.57 7.23
3.Serina 3.36 2.95
4.Glicina 20.86 29.20
5.Histidina 0.65 0.08
6.Treonina 5.31 2.11
7.Alanina 1.88 11.4
8.Arginina 19.10 5.10
9.Prolina 10.74 11.89
10.Hidroxiprolina 7.90 11.02
11.Tirosina 0.59 0.11
12.Valina 1.95 1.80
13.Metionina 1.81 1.01
14.Isoleucina 4.41 1.11
15.Leucina 2.63 1.9
7 | 109
16.Fenilalanina 2.65 1.6
17.Lisina 2.94 4.01
18.Hidroxiprolina 18.64 22.91
+Prolina
Resultados obtenidos en la gráfica Software GeoGebra.
F(x)=0.0009x12+0.02x11-0.47x10+6.54x9-67.77x8+525.62x7-3038.45x6+12922.62x5-
394668.10x4+83143.06x3-112888.57x2+87132.54x-2826.70
G(t)=0.0005x14+0.0167x13-0.38x12+6.53x11-85.75x10+869.12x9-6827.32x8+41446.71x7-
192675.89x6+674700.33x5-1733524.51x4+3135942.75x3-373277.70x2+2581346.67x-768422.26
8 | 109
1.1.7) CONCLUSIONES
1. Los niveles establecidos como óptimos para la obtención de gelatina con el mayor valor de
fuerza de gel y rendimiento de extracción de proteína fueron: temperatura 56,8 °C, tiempo 331
minutos y concentración de ácido cítrico 0,26 % (p/v).
2. Las propiedades físicas de la gelatina obtenida bajo los niveles óptimos de las variables
fueron: viscosidad de 11,0 cP, temperatura de fusión de 25,6 °C, temperatura de gelificación de
17,6 °C y actividad de agua de 0,26.
3. La gelatina obtenida presentó una composición proximal de 94,8 % de proteína total, 0,2 %
de grasa cruda y 1,0 % de ceniza en base seca; así como un pH de 4,90, cumpliendo con los
requisitos mínimos de una gelatina de grado alimentario.
9 | 109
1.2) SECADO DE ARENCA (Triportheus magdalenae): INFLUENCIA DEL

SALADO EN PILA SECA Y HÚMEDA.
Se han realizado diversos estudios acerca de las variables que afectan la transferencia de masa
durante el salado de distintas especies pesqueras. Un factor determinante de este proceso es el
método de salado, que es poco estudiado.
El objetivo de la investigación fue determinar la influencia del salado en pila seca (PS) y húmeda
(PH) durante el secado de la arenca a partir de la determinación de coeficientes de transferencia
de masa (Kc ) y difusividad (Da ).
1.2.3) HIPÓTESIS
Se puede determinar que las mejores condiciones de transferencia se realizaron para el salado con
PS. Según el tipo de salado no hay efecto significativo sobre la transferencia de agua y NaCl, pero
si en el tiempo que permanece la muestra en la solución.
INVESTIGACIÓN.
- Funciones y Derivadas parciales de primer y segundo orden
- Ecuación diferencial
- Sumatorias
-Polinomios
10 | 109
COEFICIENTES DE TRANSFERENCIA DE MASA Y DIFUSIVIDAD

Ecuación de difusión en estado transitorio de Yildiz (2007):
Ecuación diferencial, con derivadas parciales de primer y segundo orden. Expresa la concentración en
función al tiempo y posición.
Restricciones:
2
2
C: Concentración de humedad
Ci: Concentración de humedad inicial
𝐶∞ : Concentración de humedad externa
t: Tiempo
L: Es la mitad del espesor de la placa
Da: Difusividad
Kc: coeficiente de transferencia de masa
x : Localización, posición
Variables independientes:
 Tiempo
 Posición (x,y)
Variable dependiente:
11 | 109
 Concentración de humedad
Concentración de la humedad localizada en cualquier punto dentro de la lámina en función del
tiempo. Se presume de una función por composición. Serie infinita de la concentración de la
humedad en la lámina:
Donde:
𝛿𝑛 : Primera raíz de la ecuación.
Forma reducida , desarrollada por Crank (1975). :

Puede ser usada para obtener la solución para láminas en forma de paralelepípedo (finito en dos
dimensiones), haciendo uso de la regla de superposición, según la cual, la solución para la
transferencia de masa de una lámina finita en 2 dimensiones se encuentra multiplicando la solución
para 2 láminas infinitas.
C(x,y,t) es la concentración de humedad en función en cualquier punto y en cualquier tiempo.
Remplazando en la ecuación anterior para placas infinitas de espesor finito en x e y, se
obtiene:
Concentración de humedad en función del punto x y del tiempo.
12 | 109
Concentración de humedad en función del punto y y del tiempo.
El producto de las dos ecuaciones anteriores da como resultado la siguiente ecuación:
Esta expresión resulta de la multiplicación de la solución de 2 láminas infinitas, en la cual la

concentración de humedad está en función de la posición(x,y) y tiempo.
Donde:
E: Artificio , expresa de manera simplificada la ecuación en una constante en función de la
primera raíz (𝛿𝑛 ) de la concentración de humedad.
Linealizando la ecuación anterior nos queda la siguiente expresión:
Sección lineal de la relación adimensional humedad. Función logarítmica.
13 | 109
𝐶(𝑥,𝑦,𝑡)−𝐶∞
Graficando 𝑙𝑛⁡( ) vs t, desde el intercepto de la gráfica fue calculada la primera raíz de
𝐶𝑖 −𝐶∞
la ecuación característica (𝛿n). Después se determinó el coeficiente de difusión, Da (m2/s) desde la

𝐷𝑎 𝑡
pendiente de la sección lineal de esta grafica que se iguala a −2𝛿𝑛 2 . Una vez hallado 𝛿n se
𝐿2
determina Bim y posteriormente kc.
10
0
Número de biot está en función de la primera raíz.
11
0
El coeficiente de transferencia de masa en función del número biot.
Donde:
Bim : número de Biot de transferencia de masa
kc: coeficiente efectivo de transferencia de masa
14 | 109
CONTENIDO DE HUMEDAD
Fig.1.2.1: Contenido de humedad vs tiempo.
En esta grafica la humedad en PS y PH está en función del tiempo. Esta tiene la forma f(x)=a-x.
La tasa de pérdida de humedad de este proceso está directamente relacionada con el tiempo de
exposición de la muestra en el medio deshidratante.
La pérdida de humedad fue mayor en las primeras horas de proceso para ambos tratamientos, y a
partir de la sexta hora empezó un proceso de estabilización, donde la muestra disminuyó su
velocidad de pérdida de agua. Fue muy estrecho el contenido de humedad final de las muestras
sometidas a un tipo de tratamiento y otro. El método de PH superó por poco al de PS en contenido
acuoso, tal vez por el porcentaje inicial que presentaban las muestras, ya que el recorrido y
velocidad de secado es aparentemente igual. En general, el aumento de tiempo favorece la pérdida
de agua.
15 | 109
COEFICIENTES DE TRANSFERENCIA DE MASA Y DIFUSIVIDAD DE LA HUMEDAD
Fig. 1.2. 2: Sección lineal de la relación adimensional humedad vs el tiempo.
Ajuste lineal de los procesos PS y PH en la sección lineal de la relación adimensional humedad
en función del tiempo. Su pendiente es negativa ya que esta pierde masa.
Las pendientes de la sección lineal de estas curvas se obtuvieron mediante análisis de regresión
lineal y fueron usadas posteriormente para determinar el coeficiente de transferencia de masa (Kc)
y difusividad de la humedad (Da ), tal como se observa en el siguiente cuadro.
Coeficiente de Coeficiente de
Salado difusividad transferencia de
(Da*10-7m2 /s) masa (Kc*10-6 m/s)
PS 2,52±0,10 2,78±0,06
PH 2,47±0,09 2,71±0,07
Cuadro 1.2.1: Coeficientes de transferencia de masa y difusividad de la humedad.
16 | 109
Fig. 1.2. 3: Variación del contenido de NaCl en secado por PS y PH.
Es una función logarítmica de la forma g(x)=ln(x).Donde la variable independiente es el tiempo,
mientras que la variable dependiente es la concentración de sal, evaluados en los dos procesos PS
y PH.
Los valores del número de Biot necesarios para el cálculo del coeficiente de transferencia de masa
se tomaron de los tramos de mayor pendiente de las curvas de la ilustración 3. Esta muestra que la
velocidad de pérdida de humedad de láminas de arenca no varía según el tipo de salado utilizado.
En el Cuadro 1 se muestran los valores calculados de Kc y Da . Se observa una estrecha diferencia
entre un método de salado y otro, lo cual corrobora la alta similitud entre las cinéticas de
transferencia de agua para ambos tipos de tratamientos.
17 | 109
COEFICIENTES DE TRANSFERENCIA DE MASA Y DIFUSIVIDAD DE NaCL
Fig.1.2.4: Sección lineal de la relación adimensional concentración de NaCl vs tiempo.
Ajuste lineal de los procesos PS y PH en la sección lineal de la relación adimensional
concentración de NaCl en función del tiempo.Su pendiente es positiva ya que está absorbiendo
NaCl.
Para el caso de NaCl, estos coeficientes se presentan en el Cuadro 2. La ilustración 4 muestra que
la velocidad de ganancia de NaCl de láminas de arenca para ambos tratamientos de salado son
bastante cercanos, al igual que para la pérdida de humedad.
Coeficiente Coeficiente
Salado de difusividad de transferencia
(Da*10-6m2 /s) de masa (Kc*10-5
m/s)
PS 2,69±0,09 2,96±0,08
PH 2,54±0,07 2,80±0,08
Cuadro 1.2.2: Coeficientes de transferencia de masa y difusividad de NaCl
En el Cuadro 2 se muestran los valores calculados de Kc y Da. Con este resultado se corrobora la
no existencia de efecto significativo en la ganancia de NaCl según el tipo de salazón (p>0,05),
aunque si exista aún la significancia (p < 0,05) dependiendo del tiempo del proceso.
18 | 109
POLINOMIO DE TAYLOR:
Consiste en que dada una función f(x) se propone la expresión de un polinomio que sustituya a la
propia función f(x).Taylor propuso aproximar una función mediante un polinomio y que la
aproximación fuera en un punto fijado de la función.
Para la aplicación del método, se utilizara la siguiente ecuación que expresa de manera
simplificada en una constante en función de la primera raíz (δ_n) de la concentración de humedad.
Donde: 0 < δ_n< 3
Con fines didácticos se utilizó el software GEOGEBRA:
Donde:
δ_n= x
Se debe proceder a digitar la función en la entrada, y crear los deslizadores.
La evaluación del polinomio se dará en el punto 1 y de grado 3, con respecto al polinomio.
El polinomio resultante, que se aproxima a la función en el punto 1 es:
19 | 109
La gráfica:
Fig.1.2.5.: El polinomio resultante, que se aproxima a la función en el punto 1
1.2.7) CONCLUSIONES
Para el proceso llevado a cabo en la especie Triportheus magdalenae, ya sea en PS o en PH, la
variable más importante es tiempo, ya que esta determina el comportamiento de las demás
variables en el proceso.
Aunque con respecto al tipo de salado no hubo una diferencia significativa, la que se puede
utilizar de manera eficiente con volúmenes de producción altos, para que los costos de
producción sean menores, es el de PS, porque en este proceso se alcanza las propiedades
organolépticas deseadas en un periodo relativamente menor a comparación del otro proceso.
20 | 109
1.3) Evaluación de la conductividad térmica y el tiempo de congelamiento, en bloques
congelados de trucha arco iris (oncorhynchus mykiss), en función al tipo de producto y al
sistema de congelamiento”(Tesis de pregrado).
En la industria lo que se desea es que el producto pierda valor comercial, por efecto de la
descomposición organoléptica. Los productos que lleguen al mercado en buenas condiciones de
conservación alcanzarán generalmente precios más altos, tanto en el comercio mayorista como
minorista, y generarán, en consecuencia, un mayor rendimiento económico de la actividad
pesquera (FAO, 1995).Para lo cual en esta tesis se exponen dos métodos para la conservación de
filete y entero de trucha, además se evalúa el método es más eficaz para la congelación de la trucha
en las diferentes presentaciones.
El trabajo de investigación se realizó con la finalidad de evaluar la conductividad térmica y el
tiempo de congelamiento, en bloques congelados de trucha arco iris (Oncorhynchus mykiss), en
función a dos tipos de producto (filete y entero), y a dos sistemas de congelamiento (por contacto
de placas y en túnel de aire frío); efectuándose experimentos a los cuales se realizó el seguimiento
de sus propiedades térmicas por separado.
1.3.3) HIPÓTESIS
El sistema de congelamiento en túnel de aire frío es el más eficaz y rentable para la industria en
términos de conservación de un producto cárnico.
21 | 109
INVESTIGACIÓN.
-Funciones lineales, logarítmicas, racional, reciproca
-Sumatorias
-Polinomios

CONTINGENTE DE HIELO
Ecuación propuesta por Chen, siguiente:
Ta –Ti= a1+a2xa
Al despejar la fracción de agua de la trucha, esta queda en función de la temperatura
Donde:
𝑇𝑎: Temperatura crioscópica del agua cuyo valor es 0°C
: Temperatura del inicio de congelación a calcular de la trucha en °C
a1 : Coeficiente propuesto por Chang (Punto de intersección), cuyo valor es 5,76
a2 : Coeficiente propuesto por Chang (pendiente), cuyo valor es -5,98
x : Fracción de agua de la trucha.
Ecuación propuesta por Chen “Ec 2” siguiente:
𝑋𝑆 𝑅𝑇0 2 (𝑇𝑖𝑐 −𝑇)

𝑥ℎ = ( )[ ]
𝑀 𝐿 (𝑇−𝑇0 )(𝑇𝑖𝑐− 𝑇0 )
La fracción de hielo formado en función a la temperatura.
22 | 109
Donde:
𝑥ℎ: Fracción en peso de hielo, es adimensional, (en kg de hielo/kg de producto)
: 8,32 kJ/kg mol K
: 335 kJ/kg
𝑇0 : Temperatura de fusión o solidificación del agua 273,1 K
: Temperatura del inicio de la congelación de la trucha en K
: Temperatura a la cual deseamos saber la fracción de hielo formado, en K
: Fracción del contenido de extracto seco, (fracción en peso)
: Peso molecular equivalente de 𝑥𝑠 en g
El valor de 𝑀 es un valor proporcionado por Chang, se puede aplicar la ecuación siguiente
con bastante aproximación ,ya que este no es un pez magro.
404.9
𝑀=
𝑋𝑎
El peso molecular equivalente de xs en función de la fracción de agua de la trucha.
Ademas:
𝑥ℎ
𝑦=
𝑥𝑎
Donde:
𝑦: Expresa la fracción de agua convertida en hielo, en función al contenido de agua que tiene
la trucha.
23 | 109
Variables
Variable independiente
 Temperaturas de enfriamiento, en °C
Variables dependientes:
 Fracción de agua de la trucha, expresada como 𝑥𝑎
 Fracción de hielo o contingente de hielo, “𝑦”, en kg de hielo/kg agua
El contingente de hielo es la cantidad de agua que se cristaliza a una determinada temperatura,
conforme desciende el enfriamiento desde el punto crioscópico hasta la temperatura congelada.
Se expresa en kg de hielo sobre kg del total de agua que tiene el alimento (Navarro, 2016)
Contingente de hielo “y” para el congelamiento de filete de trucha en túnel de aire frio
Fig. 1.3. 5: Fracción de hielo formado en filetes de trucha en túnel de aire frio
Se trata de una función logarítmica de la forma : G(X)= - ln (-1/x) ,donde fracción de hielo
formado en filetes de trucha en el túnel de aire frio está en función de la temperatura.
24 | 109
El filete de trucha ingreso al túnel de aire frio con una temperatura de 5.90 °C, la etapa de pre
enfriamiento hasta el -1°C, se observa que sólo es de enfriamiento sin cambio de fase por lo tanto
corresponde al producto aún no congelado.
La zona de máxima cristalización (ZMC), que para todo pescado se establece entre -1°C y -5°C,
según la gráfica, el 65% del agua libre del filete cambia de fase, se nota que la pendiente de
temperaturas es muy pronunciada en esta zona y por tanto la fracción de hielo formado es muy
alta, el 65% del agua libre de filetes se transforma en hielo. Y a los -25°C el 85% del agua libre
tisular está cristalizado. La cantidad de agua solidificada por enfriamiento en el pescado se
establece alrededor del 90 % cuyo valor varía de acuerdo con la proporción de sus componentes
especialmente del agua (Valiente, 2001). Luego a temperaturas inferiores a los -25°C la curva se
hace asintótica y marca el final de la congelación cuyo valor aproximado es el 86% de agua libre
que se cristaliza al máximo, valor que también está relacionado al contenido de agua y grasa de la
trucha y es específica para la especie.
25 | 109
Contingente de hielo “y” para el congelamiento de Trucha entera en túnel de aire frio
Fig. 1.3.6: Fracción de hielo de la trucha entera congelada en túnel de aire

frio
Se trata de una función logarítmica de la forma : G(X)= - ln (-1/x) ,donde el contingente de
hielo formado en la trucha entera en túnel de aire frio está en función de la temperatura.
El inicio de formación del hielo está por debajo de -1°C, en la zona de máxima cristalización
ZMC (-1°C hasta -5°C), la pendiente de la curva es caso vertical y corresponde a la mayor
cantidad de agua libre que se transforma en hielo, la cantidad de hielo formado a -5°C
aproximadamente es 65%. Siguiendo la curva a partir del -5°C hasta el -10°C, la pendiente es
aproximadamente de 45°y se puede afirmar que a -10°C el 77% de agua libre ya está congelada y
por debajo del -10°C, la curva se hace prácticamente horizontal, zona en la cual la cantidad de
hielo formado es mínima por cada grado de descenso de temperatura
26 | 109
Contingente de hielo “y” para congelamiento de filetes de trucha en congelador de placas
Fig.1.3. 7: Fracción de hielo de filete de trucha en congelador de placas
Se trata de una función logarítmica de la forma : G(X)= - ln (-1/x) ,donde el contingente de

hielo formado en filetes de trucha en congelador de placas en función de la temperatura.
Se logrará obtener el mismo porcentaje de formación de hielo que fue encontrado en la congelación
de filete en el túnel de aire frío, sin embargo; el filete congelado en placas requiere más tiempo,
hasta que llegue al 86% ó 87% de formación de hielo.
27 | 109
Contingente de hielo “y” para el congelamiento de trucha entera en contacto de placas
Fig. 1.3.8: Fracción de hielo de trucha entera en congelador de placas
Se trata de una función logarítmica de la forma: G(X)= - ln (-1/x) ,donde el contingente de

hielo formado en la trucha entera sometida en congelamiento en placas está en función de la
temperatura .
Se observa que a -5°C, el 67% del agua libre está congelado, un valor ligeramente superior al
congelamiento de filetes. En el mismo tiempo de 310 minutos, la trucha entera en congelador de
placas llega al 83% de formación de hielo a una temperatura de -20.1°C se entiende que si se quiere
llegar al 87% de cristalización se empleará más tiempo, que el empleado para los demás
experimentos.
28 | 109
Contingente de hielo para los cuatro experimentos de trucha congelada
Fig. 1.3. 9: Fracción de hielo en los cuatro experimentos de trucha congelada
Se tiene una curva de refrigeración, expresada en una función logarítmica de la forma

f(x)=ln(x) con un crecimiento máximo de 0.9, representando en una asíntota horizontal.
Se presenta en forma conjunta el comportamiento de la formación de hielo en los cuatro
experimentos realizados en diferentes presentaciones de trucha, entera y filetes de la misma, en la
modalidad de congelación IQF, para ambos sistemas de congelamiento: circulación de aire frío y
congelamiento por contacto de placas. El sistema IQF se aplicó por igual a los cuatro experimentos
con la finalidad de uniformizar la investigación del contingente de hielo y también uniformizar a
una sola capa de producto tanto en filetes como enteros, manteniendo un sólo tiempo de
congelamiento para los cuatro experimentos de 0 a 310 minutos.
29 | 109
CONDUCTIVIDAD TÉRMICA
Se realiza un proceso de evaluación de la conductividad térmica de la trucha durante la
congelación, tanto en congelador de placas como en túnel de aire frío aplicando las ecuaciones
empíricas aplicadas comúnmente para el cálculo de la conductividad térmica, desarrollado por
Choi y Ocos (1987), mencionado por Navarro (2016), adaptado para la trucha .
Expresión matemática para determinar la conductividad térmica aplicada a la trucha:
𝜆= ∑λ𝑎 x𝑎 +λ𝑝 x𝑝+λ𝑔 x𝑔 +λ𝑐 x𝑐 +λℎ xℎ

La conductividad térmica en la trucha, está en función de la suma de las conductividades de sus
componentes, multiplicada por la fracción del mismo.
Donde:
}
𝜆𝑎 = 0,57109 + (0.0017625) ∗ T − (0.0000067036) ∗ T2
𝜆h = 2.2196 − (0.0062489) ∗ T − (0.00010154) ∗ T2 Las conductividades son funciones
2
𝜆𝑝 = 0,17881 + (0.0011958) ∗ T − (0.0000027178) ∗ T cuadráticas, con variable independiente
2
𝜆𝑔 = 0.18071 − (0.0027604) ∗ T − (0.00000017749) ∗ T a la temperatura.
2
𝜆𝑐 =0.18331+(0.0012497)*T-(0.0000029069)*T
Donde:
𝜆𝑎, 𝑦 𝜆𝑔 ∶ Son las conductividades del agua, de la proteína y la grasa
Las conductividades de las sales minerales 𝜆𝑐 y del hielo 𝜆ℎ se determinarán de la misma
forma que para el agua, proteína y grasa.
Variables:
 Independientes:
Temperatura, en K, desde temperatura inicial de la muestra, hasta la temperatura final de
congelamiento -18°C
 Dependientes:
Fracción de constituyentes químicos de la muestra, adimensional
Conductividad térmica, expresada como W/mK
30 | 109
En 310 minutos, fueron sometidos los cuatro experimentos, si comparamos por sistema de equipo
se aprecia que el producto congelado en túnel, ya sea filete o entera llega a un valor de 1.53 W/m°C,
para ambas presentaciones.
A diferencia del congelador de placas el valor encontrado a un mismo tiempo 310 minutos, la
conductividad térmica fue de 1.51 W/m°C, para ambas presentaciones tanto filete como entera,
resaltando la diferencia en el tiempo y temperatura.
Fig. 1.3. 10: Conductividad térmica de trucha por tipo de presentación y por sistema de congelamiento
La conductividad térmica en los cuatro experimentos realizados se expresan en una función

logarítmica de la forma h(x)=ln(x),en donde su valor máximo es en 1.53 Wm/°C ,bajo la forma
de asíntota horizontal(y=1.53),y siendo el tiempo la variable independiente.
Se demuestra la dependencia de la conductividad térmica al tiempo de congelamiento, el túnel al
ser un sistema muy rápido en congelar al producto, muestra una conductividad del hielo mucho
más temprano.
31 | 109
TIEMPO DE CONGELAMIENTO
Las variables del producto serán: dos bloques de filetes y trucha entera de espesor constante y las
variables del sistema serán por contacto de placas y por túnel de aire frío.
Variables:
 Independientes
Temperatura
 Dependientes
Tipo de producto y Tipo de sistema de congelación
El sistema IQF se aplicó por igual a los cuatro experimentos con la finalidad de uniformizar la
investigación del tiempo de congelamiento y también uniformizar, envasando, formando una sola
capa de producto en los bloques, tanto en filetes como enteros, manteniendo un solo tiempo de
congelamiento para los cuatro experimentos de 0 a 310 minutos.
Fig. 1.3. 11: Curva de congelación para los 4 experimentos
En la gráfica la temperatura en los distintos procesos de congelación de la trucha en filete o

entera, el comportamiento de la función es de manera exponencial decreciente (g(x)=e -x). La
variable independiente es el tiempo.
32 | 109
Se observa, que el filete de túnel es el primero en congelarse con un transcurso de tiempo de 80
minutos con una temperatura de -27.2 ºC, así mismo continúa la trucha entera con un tiempo de
170 min -26.7 ºC, como se sabe por los experimentos hechos anteriormente que en el
congelamiento, tiene mucho que ver el espesor, potencia del equipo, ya que a comparación de los
congeladores, estos demoran mucho más tiempo en filetes tardó 310 minutos para llegar a -26.7
ºC y en la trucha entera tardó 310 minutos para alcanzar una temperatura de -20.1 ºC.
INTERPOLACION DE LAGRANGE
Para determinar el comportamiento de la función en la cual solo tenemos algunos datos
proporcionados por el autor, y de la cual se utilizara cuatro puntos para el análisis en software
GEOGEBRA .
x F(x)
0 0.49
10 0.49
20 0.49
30 1.03
Ya en el software, en la hoja de cálculo se deben digitar los puntos de la tabla y crear la lista de
puntos.
En la misma hoja de cálculo se debe crear una lista de unos, que serán útiles para la creación de la
matriz,en la columna siguiente los puntos de x ,en la tercera columna x2 y en la cuarta columna
x3.
33 | 109
Seleccionar los datos y crear la matriz(matriz 1).Luego se procede a crear la inversa de esta
matriz(matriz 2) .Se debe seleccionar los valores de la ordenada ,para crear la matriz 3.
Para determinar los coeficientes de la función se debe multiplicar M2 X M3 ,lo que resulta la
matriz 4.
Estos coeficientes se deben reemplazar en la polinomio de Lagrange , se obtiene :
f(x) = 0.49 + 0.018x - 0.0027x² + 0.0001x³
Grafica en los puntos evaluados:
34 | 109
1.3.7) CONCLUSIONES
Para los procesos evaluados en el trabajo de investigación, la variable temperatura es la más
importante, debido a que va a determinar la calidad del producto. Por otro lado la temperatura está
en función del tiempo para determinar la eficacia del sistema en el tipo de producto (filete /entero).
La conductividad térmica de la trucha, en el sistema de túnel de aire frio y en la presentación de
filetes, a diferencia de los otros experimentos que llegaron a un valor un poco más bajo, se afirma
que lograrán llegar a dicho valor, pero será necesario, que permanezcan más tiempo en el equipo,
ocasionando un mayor consumo de energía, lo que no es favorable industrialmente.
35 | 109
1.4) Estudio de optimización de una cadena de suministros pesquera usando un enfoque de
ingeniería de sistemas de procesos.
El enfoque de esta tesis, aborda la investigación de la planificación de la cadena de suministros
pesquera de Esmeraldas (CSP-E), para el movimiento rápido de artículos de consumo como son
los mariscos, implementando modelos matemáticos de programación lineal (LP), cuya aplicación
ayudara a la asignación del paso de los mariscos entre los nodos que conforman la cadena de
suministro pesquera (CSP) en forma óptima, de tal forma que evitará el desgaste innecesario de
los mariscos lo que ocasiona pérdidas en las ventas; también se considerara como restricción la
calidad de los mariscos, esto en relación al tiempo de vida útil.
Esta tesis modela matemáticamente la CSP-E por medio de 2 modelos.
• El modelo Nº 1 tiene el objetivo:
Maximizar los beneficios económicos, cumpliendo con las restricciones de la demanda de los
diferentes mercados con un horizonte de tiempo propuesto en meses, por lo cual se lo considera
un planeamiento táctico;
• El modelo Nº 2 tiene el objetivo:
Maximizar beneficios económicos, cumpliendo con las restricciones operativas, tales como, el
manejo de la calidad del stock de mariscos, el manejo de las capacidades de procesamiento,
almacenamiento y distribución de mariscos de cada nodo de la CSP-E, así como la restricciones
de las demanda de los diferentes mercados con un horizonte de tiempo propuesto en días, por lo
que cual se lo considera un planeamiento operativo.
36 | 109
1.4.3) HIPÓTESIS
Las cadenas de suministros agroalimentarias (CSA) en especial la de industria pesquera,
presentan desafíos particulares, tales como, el manejo adecuado de los mariscos debido a la
naturaleza altamente perecedera, el manejo del inventario de la producción, la planificación de la
producción y distribución de productos a los diferentes mercados, la discretización de la
incertidumbre en la disponibilidad de materias primas, la planificación de la producción de
mariscos en base a la calidad y trazabilidad, entre otros aspectos, que hacen que sea un caso
importante de estudio.
INVESTIGACIÓN.
-Funciones lineales
-Sumatorias
-Polinomios
Las variables que aparecen en el esquema y que se usan en el MOD-2 se denotan como sigue:
• Fi (i=1,…40): corrientes de proceso (entrada y salida de nodos)
• FkDj (k=AS, MI, ML, MN; j=p,c): salida de pescado de desperdicio de p (pelágicos) y c
(camarones) de los nodos k.
• FkAj (k=AS, MI, ML, MN; j=p,c): salida pescado para autoconsumo de p (pelágicos) y c
(camarones) de los nodos k.
• FkR (k=AS, MI, ML, MN): salida de pescado Rancio de los nodos k.
37 | 109
Consideremos cualquier matriz cuadrada simétrica de dimensión nxn . Las diagonales de una
matriz se numeran atendiendo a su distancia con respecto a la diagonal principal. Así la diagonal
principal tiene la etiqueta 0 mientras que las esquinas de la matriz que no están en la diagonal
constituyen diagonales con etiqueta n-1. Se llama ancho de banda A a la mayor etiqueta de alguna
diagonal que contenga algún coeficiente no nulo. Por ejemplo, la matriz:
Tiene ancho de banda igual a 3. Encontrar una reordenación que, aplicada tanto a las filas como a
las columnas, produzcan una nueva matriz con menor ancho de banda.
Modelo matemático
Consideremos la variable decisional xij que asume el valor 1 si la fila i (y la columna i) es
colocada en la j-ésima posición y 0 en otro caso. Entonces, un modelo matemático es:
min z
Sujeto:
Éste es un ejemplo de un modelo matemático que no pertenece a la Programación Lineal Entera.
Para presentar un modelo matemático de Programación Lineal Entera basta notar que la posición
final de un elemento i cuando se conocen las asignaciones xij viene definida por ∑𝑗 𝑗𝑥𝑖𝑗 ⁡ En
consecuencia, otro modelo es:
38 | 109
min z
Sujeto:
Usando este modelo es posible permutar las filas y columnas de algunas matrices dando lugar
a otras matrices análogas con menor banda. La figura 1 muestra tres matrices de la colección
MatrixMarket en su formato original y en el formato de banda mínima obtenido mediante el
modelo matemático anterior.
39 | 109
Fig.1.4.1.: Matrices en formatos original (izquierda) y con banda mínima (derecha)
1.4.7) CONCLUSIONES
1. El modelo MOD-1 permitió disponer de una herramienta básica para contabilizar los
volúmenes de producción y balance económico anual de la CSP-E. Se trata de un modelo lineal
que tiene del orden de 7.000 variables, corriendo en tiempos de CPU menores al segundo.
2. En relación al MOD-2, se presentaron y discutieron resultados para un horizonte de tiempo
de 45 días, tiempo suficiente para permitir realizar el seguimiento de un conjunto razonable de
lotes de productos (ingresos de un día).
3. Por último, la idea central de esta investigación es promover la sincronización de los
diferentes eslabones que conforman la CSP-E, cuya realidad actual es que no está sincronizada,
esto hace que se pierda el beneficio de la sinergia del trabajo en equipo, por lo cual implementar
un SSTD ayudara a realizar los cálculos que soportan el análisis de las posibilidades de decisión a
lo largo de la CSP-E.
40 | 109
1.5) Comparación del crecimiento del Ostión del Norte (Argopecten purpuratus) en dos
sistemas alternativos de cultivo; pearl-net y linternas.
El ostión del norte, Argopecten purpuratus, es una especie muy comercializada en el mercado
internacional ya que tiene un alto contenido nutricional y es de gran aceptación, los métodos de
cultivo que utilizaremos son similares a los desarrollados por Japón para la acuicultura del
Pecten yessoensis.
El cultivo del Ostión del norte se llevara a cabo en base a instalaciones de sistemas suspendido
en la columna de agua, de manera que puedan filtrar su alimento.
La tecnología de cultivo considera 3 fases: captación de semillas o producción de estas, cultivo
intermedio en la cual se produce el traspaso de juveniles, previamente seleccionados de acuerdo
a su longitud a sistemas de cultivo llamados reinales de Pearl-net o linternas de maxi-cuna y
41 | 109
cultivo de engorda, etapa de cultivo final, la cual se inicia con el traspaso de los ostiones desde
Pearl-net o linterna maxi-cuna a linternas de mayor tamaño (Soto, 2012, pág. 1)
El proyecto tiene como objetivo determinar cuál de los sistemas, Pearl-net o linternas, tiene una
mayor tasa de crecimiento, cuantificarlo y llevarlo a parámetros productivos, para poder tomar
una decisión de cual sistema de cultivo utilizar.
1.5.3) HIPÓTESIS
Para tecnología de cultivo se dice que tiene tres fases, de las cuales las más importantes son la
fase de cultivo intermedio, en la cual consiste en el traspaso de semillas seleccionadas de
acuerdo a su longitud a sistemas de cultivos los cuales pueden ser Pearl-net o linterna maxi-cuna,
y la fase de cultivo engorda en la cual se traspasa los ostiones desde cultivo intermedio a
linternas.
INVESTIGACIÓN.
-Funciones lineales, exponenciales
-Derivadas parciales de primer orden
-Polinomios

 Proyección de crecimiento:
𝟏
𝑷(𝒕) =
𝟏 + 𝒆−𝒕
Esta función representa el crecimiento logístico de los ostiones en un determinado tiempo. Los
ostiones llegaran a su talla máxima, en la cual van a influir otros factores que detienen su
crecimiento y este permanecerá constante.
Dónde:
42 | 109
P: población.
e: constante de Euler.
t: tiempo.
Si P representa el tamaño de la poblacion y t representa el tiempo, entonces el modelo queda
formalizado por la ecuacion diferencial:
𝒅𝑷 𝑷
= 𝒓𝑷(𝟏 − )
𝒅𝒕 𝑲
Dónde:
r: tasa de crecimiento.
K: capacidad de persistencia.
La solución general a esta ecuación es una función logística. Con una población inicial Po:
𝑲𝑷𝒐𝒆𝒓𝒕
𝑷(𝒕) =
𝑲 + 𝑷𝒐(𝒆𝒓𝒕 − 𝟏)
Llegando a una ecuación en función de:
𝑲𝑷𝒆𝒓(𝒕𝟐−𝒕𝟏)
𝒇(𝑲, 𝑷, 𝒓, 𝑿) =
𝑲 + 𝑷(𝒆𝒓(𝒕𝟐−𝒕𝟏) − 𝟏)
Dónde:
K: talla máxima alcanzada por los ostiones en cultivo (mm).
P: talla inicial (mm).
r: tasa de crecimiento intrínseco.
T: tiempo (días).
43 | 109
Esta función nos representa el crecimiento de los ostiones en función a la talla máxima K, a la
talla inicial P, la tasa de crecimiento intrínseco r y el tiempo T. Esta función nos permitirá
conocer cuál de los dos sistemas (Pearl-net y linternas) nos brinda una mayor tasa de crecimiento
en los ostiones.
La población de cierta especie que vive en un hábitat protegido sigue la siguiente función:
𝑡+1
𝑃(𝑡) = 𝐴 + 2 , 𝑡≥0
𝑡 2 + 24
Donde P (t) es el número de individuos de la población (medido en miles) y t es el tiempo (medido
en años).
Se pide:
a) Calcula el valor de A sabiendo que inicialmente hay 3000 individuos.
b) ¿En qué momento la población alcanza su valor máximo? ¿Cuál es el valor de dicho máximo?
c) ¿A qué tiende la población en el futuro? ¿En algún momento la población desciende por
debajo de la población inicial?
d) Esboza la gráfica de la función.
SOLUCIÓN:
44 | 109
a) Utilizamos que P(0) = 3 (3000 individuos) para calcular A:

2 2 70
𝑃(0) = 𝐴 + 24 = 3⁡⁡⇐⇒ 𝐴 = 3 − 24⁡⁡⁡⇐⇒ 𝐴 = 24⁡≈ 2.92
b) El máximo (absoluto) de P (t) en el intervalo (0, +∞), que es abierto, sólo se puede producir
en un máximo relativo. Veamos si P (t) tiene alguno:
𝑡 2 + 24 − (𝑡 + 1)2𝑡 𝑡 2 + 2𝑡 − 24
𝑃(𝑡) = 2 = −2 = 0⁡ ⇐⇒ ⁡ 𝑡 2 + 2𝑡 − 24 = 0⁡
(𝑡 2 + 24)2 (𝑡 2 + 24)2
t = −6
t=4
Vemos que el único punto crítico en el intervalo (0, ∞) es t = 4. Veamos si se trata de un máximo
relativo estudiando el signo de la derivada a la izquierda y a la derecha del punto t = 4:
𝑡 2 +2𝑡−24
El signo de 𝑃′(𝑡) = −2 ⁡es el opuesto al signo 𝑡 2 + 2𝑡 − 24 = (𝑡 + 6)(𝑡 − 4)
(𝑡 2 +24)2
Fig.1.5.1.: una parábola convexa
45 | 109
Por consiguiente,
𝑡 2 + 2𝑡 − 24 < 0 en (0,4) P ′ (t) > 0 en (0,4) P es creciente en (0,4)
𝑡 2 + 2𝑡 − 24 > 0 en (4, +∞) P′(t) < 0 en (4, +∞) P es decreciente en (4, +∞)
Lo que demuestra que P tiene un máximo relativo en t = 4. Este máximo relativo es también
máximo absoluto debido a que P es creciente en (0, 4) y decreciente en (4, +∞).
Luego, efectivamente, P tiene un máximo absoluto en el punto t = 4.
38
El valor de P en dicho punto es P(4) = 12 = 3.124
c) Para saber a qué tiende la población en el futuro calculamos
𝑡+1 𝑡+1
lim (𝐴 + 2 ) = 𝐴 + 2 lim ( ) = 𝐴 = 2.92
𝑡→∞ 𝑡 2 + 24 𝑡→∞ 𝑡 2 + 24
Es decir, La población tiende asintóticamente 2.92 (2920 individuos)
La población inicial es de 3000 individuos, es decir, P (0) = 3. Hemos visto que, cuando t → ∞, P
tiende asintóticamente a 2.92. Lo cual significa que, para t suficientemente grande, P toma valores
tan próximos a 2.92 como se quiera. Obviamente, hay puntos en los que P toma valores menores
que 3.
Fig. 1.5.2.: La población desciende del valor inicial.
46 | 109
1.5.7) CONCLUSIONES
Se concluye que se da un mejor crecimiento cuando se cultiva en el sistema Pearl-net, pero en
términos productivos el sistema linternas es mejor, toda vez que el mayor crecimiento en Pearl-
net no compensa los costos de manejo relacionados a los desdobles.
El crecimiento de los ostiones dependerá de varios factores como la temperatura y la disponibilidad
del alimento y del sistema que se esté utilizando, también podríamos decir que depende de la
densidad de ejemplares por sistema ya que su incremento será el más adecuado y habrá menos tasa
de mortalidad en los ostiones.
1.6) AJUSTES DE MODELOS DINÁMICOS APLICADOS A RECURSOS PESQUEROS
En este proyecto se desea implementar un modelo matemático para la evaluación del stock de
recursos pesqueros que pertenecen a “modelos de producción excedente” para evaluar dicho
modelo se hacía una seria de capturas y una serie de índices de abundancia que era lo tradicional.
Para este modelo utilizaremos el modelo de crecimiento logístico de una población sujeta a
explotación, con estos modelos lo que se busca es el esfuerzo que produce el máximo
rendimiento, que se le denomina como rendimiento máximo sostenible (RMS).
El objetivo tiene como ver el RMS es de suma importancia ya que nos ayuda a saber en qué
condiciones se encuentra nuestro recurso que se desea capturar, genera políticas de manejo para
47 | 109
su explotación y esta sea sustentable en el tiempo y no se agote, también resulta útil para estableces
cuotas de captura.
1.6.3) HIPÓTESIS
El procesamiento de la información comienza con las series de tiempo de las variables Captura
por Unidad de Esfuerzo (CPUE) medida en toneladas/h y la serie de Captura medida en miles de
toneladas. A través de procedimientos clásicos implementados mediante el lenguaje R, se obtienen
las estimaciones de los parámetros de interés del Modelo de Schaefer que son la tasa intrínseca de
crecimiento r y la capacidad de carga que en teoría sería el límite de biomasa del stock en ausencia
de mortalidad pesquera K.
Por otro lado se realiza un análisis Bayesiano para encontrar las distribuciones a posteriori de los
parámetros r, K, RMS, obteniéndose también medidas de tendencia central para estos. El análisis
Bayesiano se realiza utilizando el lenguaje de programación de OpenBUGS.
INVESTIGACIÓN.
-Funciones lineales, logarítmicas
-Derivadas parciales de primer orden
-Polinomios
Modelo de Schaefer
48 | 109
Este modelo describe el estado y la productividad de una población en términos de biomasa en
un tiempo t.
Se asume que la captura es proporcional al tamaño de la población y al esfuerzo pesquero, con
lo cual tenemos:
𝑪𝒕 = 𝒒 ∗ 𝒇𝒕 ∗ 𝑩 𝒕
Donde q es el coeficiente de capturabilidad y ft es el esfuerzo de pesca al tiempo t.
La principal corrección que hizo Schaefer al modelo fue relacionar directamente la producción
excedente con el esfuerzo pesquero y la captura, junto con la suposición de que el cociente entre
ambos (I o CPUE, captura por unidad de esfuerzo) es proporcional al tamaño de la población, así:
𝑰t = 𝑪/ 𝒇 = 𝒒𝑩t
A partir de estos parámetros biológicos r y K se obtienen una serie de indicadores, denominados
puntos biológicos de referencia, estos son:
El rendimiento máximo sostenible RMS, bajo el supuesto de equilibrio que (Bt =Bt+1):
RMS = rK/4
Tasa de rendimiento máximo sostenible RMS:
hRMS = r /2
Biomasa máxima sostenible o Biomasa óptima:
49 | 109
Bóptima =k/2
Biomasa virgen:
Bvirgen = k
Descripción para la calibración del modelo por máxima verosimilitud
El siguiente procedimiento está basado en los seudocódigos planteados en Capítulo 10 del
libro “The Ecological Detective: Confronting Models with Data” (Hilborn & Mengel, 1997).
1. Se cargan los datos referidos a las series de tiempo de CPUE y Captura.
2. Ingresar los valores iniciales para del modelo: r, K, B0. Hay que tener la precaución de tomar
valores iniciales de los parámetros de forma tal que el modelo pueda funcionar numéricamente.
3. Se ejecuta la optimización de la suma en el tiempo t de la función de verosimilitud Lt como se
indican en la Figura 4, por lo que se busca encontrar los valores de los parámetros r y K que
minimizan la suma de la función Lt.
50 | 109
4. Una vez encontrado los valores de r y K que minimizan la función objetivo Lt, se calcula la
serie de Biomasas predicha por modelo y la observada y el valor del RMS, q y el desvío estimado.
5. Se construyen los perfiles de verosimilitud para los parámetros r, K y RMS.
Fig. 1.6.1: perfiles de verosimilitud para los parámetros r, K y RMS
1.6.7) CONCLUSIONES
Se presenta en primera instancia el ajuste del modelo utilizando los datos referidos a la especie
Merluccius capensis, merluza de Namibia.
Para encontrar los valores puntuales de r y K que minimizan la función Lt, se tomaron valores
iniciales de r entre 0.1 y 1 y valores iniciales de K entre 1000 y 10000, el resultado de aplicar el
algoritmo de optimización es similar para todas las combinaciones posibles de estos dos
parámetros. La Tabla 1 contiene el resumen descriptivo del resultado del mecanismo de
optimización para el modelo de Schaefer, se observa en dicha tabla que a si bien hay una gran
variabilidad considerada para los valores iniciales de r y K los valores óptimos se encuentran
acotados, es decir que existe convergencia hacía una misma solución.
51 | 109
Tabla 1-. Estadística descriptiva del mecanismo de optimización de los parámetros
Se obtuvo un valor de r igual a 0.394 y 2709000 ton para K. En base a estos valores se obtuvo un
valor estimado para q = 0.00045, abs= 0,125, RMS = 267000 ton y se estimaron los valores de
CPUE y de biomasa que se presentan en las Figuras 5 y 6 respectivamente.
Figura 5-. Evolución de la CPUE observada y predicha por el modelo.
52 | 109
Figura 6-. Evolución de la Biomasa observada y la predicha por el modelo
Perfiles de verosimilitud
El perfil de la función de verosimilitud, permite identificar un rango de valores, para cada
parámetro del modelo r y K y para el punto de referencia biológico RMS, donde se optimiza la
función de verosimilitud independientemente del valor que toman los parámetros restantes.
Para ello se considera un rango de valores para cada parámetro y se optimiza la función logaritmo
de la verosimilitud del mismo respecto al restante. Por ejemplo para un rango de valores de r se
evalúa que valor de K minimiza el logaritmo de la verosimilitud del parámetro r. En la Figura 7 se
muestra el perfil de verosimilitud para cada uno de los parámetros anteriormente mencionados.
Para un nivel de significación del 5%, el intervalo de confianza para r se encuentra entre 0.31 y
0.48, K entre 2390000 y 3210000 toneladas y el RMS entre 247000 y 283000 toneladas.
53 | 109
Figura 1.6.1-. a) Perfiles de verosimilitud para r, K y RMS, b) Distribución Chi-Cuadrado

asociada para r, K, y RMS.
54 | 109
Es posible generar a través del lenguaje en programación R, un procedimiento que permita
encontrar los óptimos de los paramentos por máxima verosimilitud, de la tasa intrínseca de
crecimiento y la capacidad de carga con la ventaja de que permite tener estimaciones puntuales
con intervalos de confianza mediante la construcción de perfiles de verosimilitud.
A través del procedimiento desarrollado se logró ajustar modelos estocásticos sobre procesos de
dinámica poblacional y por consiguiente esto permite evaluar las implicancias de manejo
alternativas sobre recursos pesqueros por medio de los valores en los puntos de referencia
biológica.
Una de las limitaciones que se ha encontrado, es que el procedimiento de ajuste se complejiza
cuando se tiene óptimos locales. En ese caso es conveniente tener en cuenta el conocimiento
biológico sobre determinada especie de manera de poder descartar algunos de esos óptimos locales
que no sean biológicamente aceptables (modelo restringido)
55 | 109
1.7) Modelos matemáticos no lineales como herramienta para evaluar el crecimiento de
tilapia roja (Oreochromis spp.) y tilapia nilótica (oreochromis niloticus var. chitralada)”
alimentadas con dietas peletizadas o extruidas
Los métodos de rutina para predecir el comportamiento y contribuir al manejo productivo de
diferentes explotaciones de animales terrestres y acuáticos han cambiado de una manera
estructural. De los sistemas estáticos de formulación de los requerimientos alimenticios se ha
pasado a sistemas dinámicos de simulación que caracterizan la respuesta animal en un amplio
rango de condiciones ambientales, que expresan diferentes realidades productivas. Uno de los
fenómenos más estudiados en los modelos de simulación es el crecimiento, que se caracteriza en
los peces por ser un fenómeno complejo, indeterminado y de gran plasticidad biológica. Una de
las herramientas disponibles para su estudio es el modelaje matemático con diversos niveles de
complejidad, siendo la aproximación empírica, la de mayor facilidad y en donde diversas funciones
matemáticas han sido desarrolladas para ajustar los registros de variables como la longitud y peso
corporal, en la búsqueda de una mayor exactitud y precisión, atributos que pueden ser valorados
por medio de técnicas estadísticas como el cuadrado medio del error de predicción (MSPE).

Realizar una revisión del estado del arte sobre el uso de modelos matemáticos para estudiar el
fenómeno de crecimiento en los peces, de manera particular en especies de tilapia para tener un
manejo productivo en la industria.
1.7.3) HIPÓTESIS
Se podrá realizar una industria productiva, controlando el crecimiento de especies hidrobiológicas
usando métodos matemáticos para llegar a una producción optima.
56 | 109

INVESTIGACIÓN
- Funciones
- Método mínimos cuadrados
- Polinomios
- Sumatorias
- Derivadas
1.7.5) VARIABLES INVOLUCRADAS EN LA INVESTIGACIÓN

FUNCIONES MATEMÁTICAS UTILIZADAS PARA ESTUDIAR EL CRECIMIENTO ANIMAL
MODELO LOGÍSTICO
Uno de los primeros modelos matemáticos no lineales utilizados para describir el crecimiento fue
el logístico (Verhulst, 1838); una de sus formas de Expresión se describe como:
Pt = P∞/(1+b.exp-c.t)
Donde:
Pt= es el peso a una determinada edad
P∞= es el peso adulto
exp= es la base de los logaritmos naturales
b= es un parámetro de ajuste del modelo
C= la tasa de maduración
T= es la edad en días
Este modelo puede ser usado para crecimientos de tipo sigmoideo, en los cuales el punto de
inflexión es cercano al 50% del peso adulto.
MODELO DE GOMPERTZ
Esta ecuación fue propuesta por Winsor (1932) fundamentado en el modelo propuesto por
Benjamín Gompertz en 1925 para describir la mortalidad en humanos y es de la forma:
Pt = P∞.(exp-exp(b-c.t))
57 | 109
Donde:
Pt= es el peso en la edad t
P∞ =es el peso adulto (peso asintótico)
b y c =son parámetros de ajuste del modelo y se relacionan con la fuerza ascendente y descendente
respectivamente que ajustan la forma de la curva sigmoidea.
MODELO DE BERTALANFFY
Fundamentados en las premisas propuestas por Bertalanffy(1957) en relación a que el crecimiento
corresponde a una diferencia entre la tasa de anabolismo y la tasa de catabolismo se han postulado
funciones para describir el crecimiento de diferentes magnitudes, en este contexto para describir el
crecimiento de los peces en términos de longitud ha sido propuesta y ampliamente usada la ecuación:
Lt = L∞(1-exp-c(t-t0))
Donde:
Lt= es la longitud total del pez en el tiempo t
L∞= es la longitud asintótica
exp= es la base de los logaritmos naturales, c es la tasa de maduración o coeficiente de crecimiento y t0
es la hipotética (negativa) edad en la cual la longitud es cero.
En peces es ampliamente reconocida la relación alométrica entre el peso y la longitud la cual se establece
como: P=a.Ltb donde P es el peso, a es el factor de condición k, Lt es la longitud y b es un coeficiente
alométrico que es cercano a 3 y que incorporado a la ecuación para describir el crecimiento en longitud
permite describir el fenómeno en
Términos de peso corporal así:
Pt = P∞ (1-exp-c (t-to))3
En la cual:
Pt es el peso corporal en el tiempo t
P∞ =es el peso asintótico
Exp=es la base de los logaritmos naturales
C= es la tasa de maduración
t0 es el tiempo cuando P = 0, el cual es hipotético y predicho por el modelo
Frecuentemente ya sea por la estacionalidad en la disponibilidad del alimento, o por condiciones
inherentes a la especie, los peces y otros animales pueden exhibir un crecimiento discontinuo es decir
periodos de incremento en la masa corporal, seguidos por periodos donde dicha magnitud de estabiliza.
58 | 109
En estos casos, el modelo fundamentado en las premisas sugeridas por Bertalanffy puede ser modificado
y ser utilizado para describir dicho fenómeno (Pitcher 1973).
MODELO DE RICHARDS
Una ecuación más generalizada, desarrollada para el crecimiento en plantas pero con frecuente utilización
en animales es descrita por Richards en 1959 y se caracteriza por su flexibilidad para adaptarse a la forma
de la curva. Dicha ecuación se describe como:
Pt = P∞/(1+expb(-c.t))(1/d)
En la cual:
Pt= es el peso en el tiempo t
P∞= es el peso asintótico
b, c y d= son parámetros que ajustan la curva.
Modelo de Janoscheck
Otro modelo que ofrece gran flexibilidad para adaptarse a la forma de la curva de crecimiento es el
propuesto por el alemán Janoscheck en 1957 citado por Salomón et al. (1999). La ecuación de este es:
Pt = P∞-(P∞-P0)*exp(-c*tp))
59 | 109
Donde:
Pt=corresponde el peso corporal en el tiempo t
P∞=al peso asintótico,
P0=al peso cuando t=0
c y p son parámetros de ajuste del modelo
exp= es la base de los logaritmos naturales.
Modelo Michaelis-Menten
López et al. (2000) fundamentados en la cinética enzimática documentada por Michaelis y Menten,
proponen la siguiente ecuación en un esfuerzo por obtener una ecuación más generalizada para el análisis
del crecimiento de los animales.
Pt=(P0kc+P∞tc)/(Kc+tc)
Donde:
Pt=corresponde el peso corporal en el tiempo t
P∞=al peso corporal asintótico
P0=peso corporal cuando t=0
K=la edad a la cual se logra la mitad del máximo crecimiento
C= un parámetro de ajuste del modelo que determina la forma de curva así: cuando c ≤ 1 la curva describe
una hipérbola y no tiene un punto de inflexión, cuando c > 1 la curva toma una forma sigmoidea.
Modelo de West
West et al. (2001) desarrollaron un enfoque alométrico para producir un modelo general teórico de
crecimiento que se fundamenta en la provisión de fuentes energéticas y materiales para la biosíntesis y
el crecimiento del organismo como un todo. Este modelo tiene una alta generalidad y su capacidad es
amplia para considerar las mayores características del crecimiento ontogénico en organismos
multicelulares, incluyendo los que realizan un crecimiento determinado o indeterminado, la ecuación es
de la forma:
60 | 109
Pt = (a/b)4.(1-exp((-b.t)/4))4
Dónde:
a= un parámetro de que refleja la tasa de asimilación de biomasa por cada unidad 37 de peso elevado a
la potencia ¼ por unidad de tiempo
b=corresponde a un reflejo de la tasa de recambio energético de los tejidos corporales por unidad de
tiempo, en este modelo la expresión (a/b)4 corresponde al peso asintótico y el exponente alométrico
4=corresponde al inverso de ¼ que corresponde al coeficiente alométrico con el cual escalan algunos
procesos fisiológicos en el animal.
Parametrización de modelos no lineales
Las ecuaciones anteriormente descritas son una valiosa herramienta para describir y caracterizar el
crecimiento animal ya que permiten en el caso de una trayectoria sigmoidea (como la que presenta el
crecimiento del peso corporal de los peces) determinar las coordenadas de algunos puntos de interés
dentro de la curva, tal es el caso del punto de inflexión definido como el punto donde termina la fase de
aceleración e inicia la fase de desaceleración del crecimiento y que corresponde al instante donde se logra
el mayor incremento de peso por unidad de tiempo es decir la máxima tasa de crecimiento absoluta.
Otro punto de interés dentro de la curva es la finalización de la fase lag o fase de “estructuración” el cual
es definido como el intercepto con el eje X (Y= 0) de la tangente que pasa por el punto de inflexión (Perni
et al., 2005) y que biológicamente se asocia con la culminación de la fase de adaptación al ambiente (fase
lag) y el animal está “estructurado” es decir adaptado y presto a expresar la mayores tasas de crecimiento.
La definición de estas características o parámetros dentro de las curvas de crecimiento es denominado
parametrización, gráficamente estos parámetros son presentados en la figura
Curva de crecimiento tipo sigmoideo y parámetros de importancia:
61 | 109
Otros parámetros de interés que pueden ser derivados de la curva de crecimiento son las tasas de
crecimiento las cuales pueden ser absolutas o relativas; la tasa absoluta corresponde a la primera
derivada de la ecuación y correspondería al incremento de la magnitud analizada por unidad de
tiempo en un determinado tiempo (edad del pez), en el caso del peso corporal expresado en gramos
y teniendo como unidad de medida del tiempo los días, la expresión de la tasa absoluta de
crecimiento sería gramos/día. En el caso de las tasas relativas, la tasa absoluta se puede relacionar
con el peso del individuo (tasa relativa de crecimiento) y con el peso asintótico (tasa relativa de
maduración). La tasa relativa de crecimiento corresponde a la tasa absoluta para cada unidad de
tiempo en relación con el peso del animal en dicho tiempo y expresaría el incremento de peso
como proporción del peso corporal del animal. La tasa relativa de maduración corresponde a la
tasa absoluta para cada unidad de tiempo en relación con el peso asintótico estimado por el modelo
y expresaría el incremento de peso como proporción del peso asintótico (de Freitas 2005).
MODELOS BIOENERGÉTICOS Y DE DINÁMICA DE MACROMOLÉCULAS:
EM = EMm+(1/kP)*PD +(1/kL)*LD
Donde:
EM=es la energía metabolizarle ingerida
EMm= el requerimiento energético metabolizable para el mantenimiento
kP=la eficiencia parcial de uso de la energía para la deposición de proteína
62 | 109
kL=la eficiencia parcial de uso de la energía para la deposición de lípidos
PD=la energía retenida como proteína (kJ/día)
LD=la energía retenido como lípidos (kj/día).
Usando este tipo de aproximación Emmans (1994) concluyó que el costo energético de la
deposición de proteína es de 2.54 kJ por kJ de proteína depositada (kP =39.5%) y de 1.4 a 1.1 kJ
por kJ de lípido depositado (kL=90%), y que estos costos son similares en una gran diversidad de
especies animales, sin embargo, Bureau et al. (2006) encontraron para la trucha valores diferentes
de eficiencia de deposición (kP = 63% y kL=72%) y una eficiencia general de uso de la energía
metabolizable para el crecimiento (retención de energía) del 63%.
EVALUACIÓN DE MODELOS MATEMÁTICOS
Suma de cuadrados del error (SCE)
Hace referencia a la sumatoria de las desviaciones entre los valores predichos (Yp) y los
observados (Yo) elevadas al Cuadrado. Si todas las observaciones caen sobre la línea de regresión
ajustada entonces SCE = 0 (Martínez y Martínez, 1997)
SCE =∑(Yo-Yp)2
Coeficiente de determinación (r2)
Se puede interpretar como la reducción proporcional del total explicado por el uso de la variable
independiente X (Martínez y Martínez, 1997). Si todas las observaciones “caen” en la línea de regresión
ajustada, se obtiene el máximo valor de r2 que es uno. El mínimo valor que puede tener este coeficiente
es cero. Se calcula como la suma de cuadrados de la regresión [sumatoria de las desviaciones entre los
valores predichos (Yp) y la media de los valores observados (ӯo) elevadas al cuadrado] sobre la suma de
cuadrados total [sumatoria de las desviaciones entre los valores observados (Yo) y la media de los mismos
(ӯo) elevadas al cuadrado] (Martínez y Martínez, 1997).
63 | 109
Cuadrado medio del error de predicción (MSPE)

Este estadístico es probablemente el más fiable para medir la exactitud de las predicciones de un modelo.
El cálculo del MSPE a partir de sus componentes ha sido utilizado por muchos investigadores para evaluar
modelos (Naranjo et al., 2005; Casas, 2007) y se presenta a continuación:
Donde o es la media de los valores observados, ӯp la media de los valores predichos, la expresión
(ӯo - ӯp)2 es el sesgo medio y representa una consistente sobre o subestimación de los valores
observados por las predicciones del modelo matemático.
Sp2(1-β1) es el sesgo lineal en el cual Sp2 es la varianza de los valores predichos y β1 es la
pendiente de la regresión lineal de los valores reales (Yo) en función de los predichos (Yp). Este
parámetro cuantifica la desviación de la pendiente de la regresión de uno (línea de ajuste perfecto)
y representa la proporción de MSPE debida a una simulación inadecuada de las diferencias entre
las observaciones experimentales.
So2(1-r2) es el sesgo aleatorio, donde So2 es la varianza de los valores reales y r2 es el coeficiente
de determinación de la regresión de los valores reales (Yo) en función de los predichos (Yp). Este
sesgo representa la proporción del MSPE no relacionada con los errores de predicción del modelo.
La predicción en este contexto es satisfactoria si el MSPE es pequeño y si pequeñas proporciones
son explicadas por el sesgo medio y el sesgo lineal. La raíz cuadrada del MSPE corresponde al
error de predicción el cual suele expresarse como porcentaje respecto al promedio del valor
observado.
64 | 109
Como se observa la evaluación de un modelo matemático incluye diferentes métodos que tratan
de alcanzar los objetivos del modelador e incluyen diferentes cuestionamientos acerca de los
objetivos del modelaje. En este caso se analizan los modelos a un nivel predictivo de los productos
(nivel macro), bajo las premisas de un nivel inferior (nivel micro), tomando como blanco el animal
(nivel meso). La validación es una demostración de que el modelo matemático tiene un dominio
específico de aplicación con aceptables precisiones en el rango de dicho dominio. De otra parte,
se reconoce que el paradigma estadístico domina el escenario de los modelos empíricos, mientras
que los modelos mecánisticos se focalizan en los mecanismos científicos del sistema y el ajuste de
los datos es una meta de largo plazo, que depende del estado de perfección en el proceso de
cuantificación de los parámetros.
Los métodos matemáticos dados son muy precisos y todos tienen una curva muy similar, pero
aún hay otras formas de controlar productivamente el crecimiento de un pez para que la industria
sea productiva
LONGITUD-PESO:
Se deriva del modelo de BERTALANFFY
W= aLb
W= peso del pez
L=longitud
a,b=constantes
65 | 109
MÉTODO DE VARIABLES ELEGANTES:
está basada en hipótesis que reflejan básicamente que la densidad y la forma de un organismo se
mantienen esencialmente iguales dentro de su ciclo de vida, aunado a que el aumento de peso por
unidad de tiempo se debe al ritmo de anabolismo-catabolismo, y que el ritmo de anabolismo es
proporcional a la superficie del organismo
66 | 109
1.7.7) CONCLUSIONES:
La necesidad de aplicar modelos matemáticos en peces esta direccionada por la naturaleza
cuantitativa de la información biológica, por los requerimientos de integración de diferentes
componentes de un sistema complejo como es el animal y por la necesidad de entender el proceso
productivo como un todo, elementos que han adquirido rápido avance con el desarrollo de las
tecnologías de la computación.
El modelaje matemático constituye una herramienta para el estudio de la complejidad del
fenómeno del crecimiento animal incluyendo el de los peces, el nivel de acercamiento puede ir
desde modelos empíricos que corresponden a funciones no lineales que relacionan una dimensión
corporal con la edad del animal, hasta modelos bioenergéticos y de deposición de nutrientes,
siendo estos últimos los que presentan un carácter más mecanístico, lo que implica una
construcción más detallada a partir del entendimiento del metabolismo del animal.
Diferentes motivaciones rodean la aplicación de modelos matemáticos de crecimiento en peces,
que en el caso de tilapia permiten resumir el proceso productivo con agregados en materia de
interpolación, extrapolación y predicción del comportamiento productivo y los requerimientos
energéticos que lo soportan. De otra parte, este tipo de acercamientos señalan prioridades prácticas
de investigación y desarrollo y ayudan al manejo productivo mediante una toma de decisiones más
sistémicas e integrales
2. ARTÍCULOS
67 | 109
2.1 ) Estudio sobre movimientos débilmente no lineales de naves que avanzan en olas e
influencias de olas estables
2.1.1 ) MARCO TEORICO
El análisis de Seakeeping es significativo en el diseño del barco. Resultados de predicción de los
movimientos del barco y la presión hidrodinámica son vitales para el diseño de la forma del casco,
optimización y para la verificación estructural de la fuerza. Método de flujo potencial para la
velocidad cero, el cálculo de la navegación en alta mar se ha desarrollado mucho desde Hess y
Smith (1967) idearon un método de panel. Hasta ahora, una variedad de software comercial, como
Wamit, HydroD, Aqwa y etc. ha sido desarrollado para resolver interacciones onda-cuerpo sin
velocidad de avance.Cuando se trata de la situación de la caja de velocidad de avance, numérica
el cálculo será más complicado. Grandes esfuerzos han sido pagados por investiga en el desarrollo
de métodos numéricos correspondientes. Entre aquellos, la teoría de la tira se propuso en una etapa
temprana (Ogilvie y Tuck, 1969).
La teoría tiene mérito de alta eficiencia, mientras que su aplicabilidad es limitada por la suposición
de baja velocidad y alta frecuencia, así como el casco delgado restricción. Por lo tanto, el método
tridimensional más avanzado tiene sido desarrollado gradualmente con el desarrollo de hardware
de computación.
2.1.2 ) OBJETIVO DE LA INVESTIGACIÓN
El objetivo es una mejor precisión de los movimientos de los buques con cascos complejos y
completos mediante el presente método, que toma SW como un flujo constante para una mejor
producción. Los resultados numéricos de los movimientos del barco se ven afectados tanto por
las diferentes condiciones de superficie libre debido a diferentes modelos de flujo estacionario
como por m j-términos, mientras que la masa y amortiguación coeficientes agregados están
influenciados principalmente por m j -términos.
68 | 109
2.1.3 ) HIPÓTESIS
En este artículo, el método de origen Rankine en el dominio del tiempo tridimensional se aplica
para calcular la navegación en barco con velocidad de avance. La onda de barco se evalúa y se
toma como flujo constante en el cálculo hidrodinámico. Por consiguiente, la condición de
superficie libre de los problemas de radiación y difracción en el dominio del tiempo se obtiene
tomando en consideración el potencial de onda del barco, y el término mj en la condición del
límite corporal también se calcula con el potencial de onda del buque. Se realizan más estudios
comparativos aplicando los dos modelos convencionales de flujo constante de flujo uniforme
(US) y flujo de doble cuerpo (DB) en simulaciones de dominio de tiempo, ya que ese flujo de
entrada constante tiene in fl uencias significativas en el movimiento inestable de la nave.
2.1.4 ) OBJETO MATEMÁTICO U OBJETOS MATEMÁTICOS UTILIZADOS EN LA

INVESTIGACIÓN.
- Álgebra Lineal (modelo de primer y segundo orden)
- Ecuaciones diferenciales
- Funciones logarítmicas
- Polinomios
- Sumatorias
- Superficies: Escalamiento ascendente y descendente
- Matriz jacobina
2.1.5 ) VARIABLES INVOLUCRADAS Y MÉTODOS EN LA INVESTIGACIÓN

Ecuación propuesta por Wigley-1
La investigación relaciona la onda de barco que se evalúa y se toma como flujo constante en el
cálculo hidrodinámico. Por consiguiente, la condición de superficie libre de los problemas de
radiación y difracción en el dominio del tiempo se obtiene tomando en consideración el potencial
de onda del barco, y el término mj en la condición del límite corporal también se calcula con el
potencial de onda del buque.
69 | 109
Ecuación propuesta por Wigley-1
ɸ(x,y,z,t)= Φ(x,y,z)+ φI (x,y,z,t)+ ϕD(x,y,z,t)
Donde:
ɸ = El potencial de velocidad total
Φ: Potencial de flujo constante
x, y, z:constantes y variables
T= tiempo
φI; ζI: potencial de onda incidente y elevación de ola
ϕD; ζD: Potencial de perturbación y elevación de las Olas de flujo inestable
70 | 109
Fig. 2.1.1: Resultados numéricos y experimentales (Journ'ee, 1992) de los coeficientes de masa y amortiguación
añadidos debido al movimiento de tono de Wigley-1, Fn = 0.3.
Como se muestra en la siguiente sección, la fuerza hidrodinámica asociada con el flujo local se
puede expresar por la proporción de desplazamiento, velocidad y aceleración del barco sin resolver
por diferencia numérica. En consecuencia, se mejorarían la estabilidad y la precisión.
71 | 109
Donde:
φL: Potencial de velocidad total y elevación de onda
nj; mj: vector normal y m-terminos en modo j-ésimo
Sb; Sb: Superficie corporal húmeda instantánea y media
Sf: Superficie libre
La condición límite anterior del cuerpo se deriva de la expansión de la perturbación (Liu y Miao,
1986) en la condición límite exacta del cuerpo y se satisface en la posición media del cuerpo.
Como resultado, aparece un término adicional, el llamado mj-term. El término implica
interacciones del flujo constante en el flujo inestable en las condiciones de contorno del cuerpo y
se define por,
Donde:
U: velocidad de la vela
nj; mj: vector normal y m-terminos en modo j-ésimo
Haciendo una descomposición modal del tiempo, el potencial de flujo local llega a
Ψ 1 y Ψ 2 siguen las condiciones de contorno
72 | 109
Donde:
ψ1;j; ψ2;j: Potenciales canónicos
ξ: Vector de movimiento de la nave
Los coeficientes de in fluencia en BIE se calculan siguiendo ecuaciones
Tenga en cuenta que los ángulos sólidos en las ecuaciones anteriores no son constantes sobre los
paneles cuando se utiliza HOBEM, y se evalúan directamente en cada nodo.
Donde:
J( ξ; η): matriz de Jacobi
δi;j: Función Kronerker delta
Fig.2.1.2: Arco de onda y doble flujo de cuerpo potencial en z = 0
73 | 109
generado por Wigley
Fig. 2.1.3.: Sistema coordinado.
Fig.2.1.4.: Onda de barco constante.
Variables
El potencial de velocidad total expresado en Φ
Variables dependientes
La onda del barco y el potencial de flujo doble expresado en las variables (x,y,z)
La velocidad de la vela expresada en U
Vector normal y m-terminos en modo j-ésimo expresado en nj; mj
Resolviendo por mj-terminos
La dificultad para evaluar el término de mj radica en resolver derivativos de segundo orden de
potencial de flujo estacionario. Algunos investigadores utilizaron métodos alternativos, como el
74 | 109
uso del teorema de Stokes, en el que se puede evitar el cálculo numérico de derivados de segundo
orden (Zhao y Faltinsen, 1989. Nakos, 1990. Song et al., 2011). Sin embargo, el teorema se basa
en suposiciones rígidas de superficie libre y se requiere que la forma del casco sea de lado de la
pared en la línea de flotación, por lo que no es adecuado para barcos con grandes fluctos y es
inconformidad con la onda de barco constante utilizada en este documento. En consecuencia, se
utiliza un método directo para resolver el término mj basado en un panel de alto orden. Al utilizar
la función de forma bi-cuadrática, las derivadas especiales de primer y segundo orden del potencial
de velocidad pueden calcularse directamente. De acuerdo con la regla de la cadena, las derivadas
de primer orden son, donde los subíndices ξ y η representan derivadas tangenciales en el plano
paramétrico. Se pueden calcular con,
Resultados numéricos y experimentales del movimiento de inclinación RAO de 50500tanker, V
= 12.8kn
Donde los subíndices ξ y η representan derivadas tangenciales en plano paramétrico. Se pueden
calcular con
75 | 109
Sustituyendo Θ en la ecuación con φx, φy y φz, se calculan los derivados tangenciales de la
velocidad del flujo a lo largo de ξ y η. Nuevamente, usar la regla de la cadena y considerar la
ecuación de Laplace llega a la siguiente expresión (Shao, 2010),
Resultados numéricos y experimentales del movimiento de elevación RAO de 50500tanker, V = 12.8kn
Resultados numéricos y experimentales del movimiento de inclinación RAO de 50500tanker, V = 12.8kn.
76 | 109
2.1.6 ) APORTE A LA INVESTIGACIÓN
Matriz Jacobiana
Para determinar el comportamiento de la función en la cual solo tenemos algunos datos
proporcionados por el autor, y de la cual se utilizara los siguientes valores para el análisis en
software GEOGEBRA.
j n1 n2 n3 n4 n5 n6
nj 1 2 3 4 5 6
j m1 m2 m3 m4 m5 m6
mj -1.5 -1 -0.5 0 0.5 1
Ya en el software, en la hoja de cálculo se deben digitar los puntos de la tabla y crear la lista
de puntos
Estos coeficientes se deben reemplazar en los polinomios
77 | 109
Nota: Sabiendo que la velocidad de la vela es 12.8kn
• M4= (m3y-m2z) + (ɸyn1-ɸzn2)
0=-0.5y+z+9.6
• M5= (m1z-m3x) + (ɸzn1-(ɸx-U) n3
0.5=-1.5z+0.5x+14.6
• M6= (m2x-m1y) + ((ɸx-U) n2-ɸyn1)
1=-x+1.5y-2.1
Gráfica en los puntos evaluados:
Fig. 2.1.6: Grafica de la tecnología de la embarcación
78 | 109
2.1.7 ) CONCLUSIONES
En el presente trabajo, se propone un método de fuente de Rankine de dominio del tiempo
débilmente no lineal con discretización de elementos de límite de orden superior para calcular los
movimientos del avance del barco con velocidad de avance constante en ondas. En este estudio, la
onda de nave constante se evalúa y se tiene en cuenta en simulaciones de dominio de tiempo, se
pueden extraer las siguientes conclusiones.
(1) Los movimientos calculados, los coeficientes hidrodinámicos y las fuerzas de excitación de
olas de diferentes cascos en un amplio rango de frecuencias concuerdan bastante bien con los datos
experimentales relacionados. Indica que el presente método tiene buena precisión y amplia
aplicabilidad.
(2) Los diferentes modelos de flujo constante tienen influencias significativas sobre la masa
agregada, los coeficientes de amortiguación y los movimientos en caso de velocidad de avance,
mientras que los efectos sobre las fuerzas de excitación de las olas son insignificantes. Los
coeficientes hidrodinámicos y los movimientos inestables calculados al considerar la onda de
barco y el flujo de doble cuerpo son comparables para barcos con tipos simples de cascos, y ambos
son obviamente más precisos que los resultados de la linealización de flujo uniforme.
(3) Tanto las diferentes condiciones de superficie libre debidas a los modelos de flujo estacionario
como a los términos mj tienen efectos aparentes sobre los resultados numéricos de los movimientos
del barco, mientras que los coeficientes de masa y amortiguación añadidos se ven afectados
principalmente por los términos mj.
79 | 109
2.2 ) Optimización de la temperatura de secado y presión de vacío en la decoloración y
composición del aceite crudo de pescado
2.2.1 ) MARCO TEORICO

El aceite de pescado representa aproximadamente el 2% del consumo mundial de grasas y aceites,
es subproducto del procesamiento de la harina de pescado, de composición variada ya que depende
de otras características como variedad y tamaño, especies más pequeñas como anchoas, sardinas,
arenque y anguilas presentan un contenido de grasa relativamente alto y representando la materia
prima para la industria del aceite de pescado. El aceite de pescado ha desempeñado un papel
importante en la dieta humana, y actualmente, la demanda de aceite de pescado sigue creciendo
debido a sus propiedades medicinales.
2.2.2 ) OBJETIVO DE LA INVESTIGACIÓN

El presente estudio tuvo como objetivo determinar los parámetros óptimos de decoloración de
aceite crudo para obtener un aceite semirrefinado de pescado de calidad aceptable; se utilizó la
metodología de superficie de respuesta, considerando un diseño central compuesto con 2 factores
presión de vacío (0.13- 0.7 bar) y temperatura de secado (96-124°C); teniendo como variables
dependientes el porcentaje de ácidos grasos libres (%AGL) y color del aceite, parámetros decisivos
en la aceptación de lotes del producto en la industria.
2.2.3 ) HIPÓTESIS
Se caracterizó fisicoquímicamente la materia prima y producto terminado óptimo, el cual fue
obtenido bajo las condiciones de operación: temperatura de secado de 110°C y 0.13 bar de vacío.
El producto terminado indicó un porcentaje de ácidos grasos libres de 0.27 ± 0.01% y color CieLab
con coordenadas L: 48,69 ± 0.88, a: -4,28 ± 0,26 y b: 35,03 ± 0,85, el cual es equivalente a color
6 -7 en escala Gardner, cumpliendo así con las especificaciones industriales.
80 | 109
2.2.4 ) OBJETO MATEMÁTICO U OBJETOS MATEMÁTICOS UTILIZADOS EN LA

INVESTIGACIÓN.
- Álgebra Lineal (modelo de primer orden)
- Funciones
- Superficies: Escalamiento ascendente y descendente
2.2.5 ) VARIABLES INVOLUCRADAS Y MÉTODOS EN LA INVESTIGACIÓN

ACIDO GRASO LIBRE:
El modelo de % AGL del producto terminado:
Cuando la presión absoluta es de 0.13 bar (-0.88 bar de vacío), es decir mayor vacío, el %AGL es
menor 0.27 %AGL, mientras para la temperatura se obtiene el menor %AGL a 110 °C y valores
mayores a temperaturas inferiores y superiores a esta. El modelo matemático para el %AGL:
%AGL = 20,489 - 0,357 T - 2,802 P + 0,002T2 + 0,023 TP + 1,14 P2
Sea f (T, P) = %AGL, se trata de una función de varias variables.
Donde:
%AGC= porcentaje de ácidos libres (V.D.)
T= temperatura de secado (V.I.)
P= presión de vacío (V.I.)
81 | 109
La gráfica de la función f de dos variables es el conjunto de todos puntos (T, P, f(T, P)) en espacio
tridimensional, donde restringimos los valores de (T, P) a estar en el dominio de f. Se trata de un
paraboloide.
Ilustración 12:Superficie de %AGL

(a)
Ilustración 13: Presión de vacío vs temperatura de secado, en AGL.
Las curvas de nivel se obtienen intersecando la gráfica de f(T, P) (cuya ecuación es %AGL = f(T, P)) con
planos horizontales (de ecuación %AGL = c, c ∈ R), es decir, intersecando.
82 | 109
En la ilustración 1 y 2 , evidencia que a medida la presión absoluta disminuye así también sucede con el
%AGL, como consecuencia del aumento de la presión de vacío y el efecto de la temperatura es menor.
SUPERFICIE RESPUESTA PARA COLOR
Se puede observar que la significancia sobre la luminosidad de la presión de vacío y la temperatura de
secado. La luminosidad asciende a menores valores de presión absoluta y temperaturas superiores a
100 °C pero menores de 120°C.
CL= COLOR - LUMINOSIDAD
Ilustración 14: superficie de color - luminosidad
La gráfica es el conjunto de todos puntos (T, P, CL) tal que CL= f (T, P).Presenta un máximo
relativo en (110,0.18).
83 | 109
CC=COLOR - CROMATICIDAD
Ilustración 15: superficie de color - cromaticidad
La gráfica es el conjunto de todos puntos (T, P, CC) tal que CC= f (T, P).Presenta un mínimo
relativo en (110,0.51) y cuyo valor de color cromaticidad es 26 – 31.
La aplicación de una temperatura más alta que beneficia la eliminación de color y las tasas de
filtración, sin embargo, dependen del tipo y calidad del aceite, a su vez puede empeorar el color
del aceite y su estabilidad a la oxidación, lo cual se puede notar a temperaturas de 124.14 °C se
obtiene un color más oscuro que a temperaturas inferiores.
84 | 109
Ilustración 16: Presión al vacío vs temperatura de secado, en color - luminosidad.
Si f(T, P, CC) es una función de tres variables entonces la ecuación f(T, P, CL) = k determina sus
superficies de nivel. Donde k es una constante. Estas curvas se dibujan en el plano OTP.
Mediante el aumento de la concentración de oxígeno, la formación de radicales peroxilo secundarias se
vuelve importante, lo que resulta en la pérdida de comportamiento antioxidante, la cual es una de las
razones por la que a bajas presiones de vacío (0.70 y 0.61 bar abs.) resulta un producto más oxidado
mostrando un color oscuro,la temperatura afecta la capacidad de adsorción de los adsorbentes. (Silva,
Pinto, Carrola y Paiva-Martins ,2010).Por lo tanto, pueden proporcionar isotermas de la relación entre la
cantidad de un soluto adsorbido, la mayor absorción de los carotenos es a altas temperaturas entre 105
– 115 °C.
85 | 109
El modelo matemático para el color - luminosidad:

L= -500,428 + 9,915 T - 28,833P - 0,045 T2 + 0,319 TP - 39,843 P2
La luminosidad del producto terminado está en función de la temperatura de secado y presión al

vacío. Se trata de una función de dos variables (T, P, f (T, P), donde L=f (T, P).
Donde:
L= Luminosidad del producto terminado (V.D.)
Ilustración 17: Presión de vacío vs temperatura de secado,en color - cromatico.
Representa a la superficie de nivel en el plano TP, del paraboloide. La grafica es el conjunto de
todos puntos (T, P, CC) tal que CC= f (T, P).
86 | 109
Los efectos de la temperatura de secado y la presión de vacío en la cromaticidad es notable, a
medida se acercan a sus niveles extremos la cromaticidad tiende a ser más alta, lo cual se traduce
en un color más vívido (más saturado). En los niveles de los puntos centrales (110°C y 0.41 bar)
la cromaticidad es más baja, la luminosidad es mayor obteniéndose un color amarillo más oscuro.
Las especificaciones industriales señalan un color Gardner de 6-7 para el producto terminado, el
cual solo se obtiene, a temperatura de secado y presión de vacío de 100°C y 0.13 bar. Las
coordenadas fueron de 48.69 para la luminosidad y 48,09 para cromaticidad, lo que se traduce en
un color de tono amarillo claro.
El modelo matemático para el color - cromaticidad:
C = 2 1283,79 - 23,172 T + 155,015 P + 0,110 T - 2 3,0 TP + 192,124 P2

La ecuación de cromaticidad está en función de la temperatura de secado y presión de vacío. Está
determina el color característico del aceite. Función de varias variables.
Donde:
C= cromaticidad (V.D.)
87 | 109
2.2.6 APORTE A LA INVESTIGACIÓN
Un ingeniero químico está interesado en determinar las condiciones de operación que maximizan el rendimiento de
un proceso. Hay dos variables de control que influyen Tiempo de reacción y temperatura de reacción, el punto de
operación actual es 35 minutos y 155ºF que da un rendimiento del 40% aproximadamente.
Se hace un diseño experimental variando el tiempo (30 a 40 minutos) y la temperatura (150 a 160ºF).
Por simplicidad se codifican las variables en el intervalo (-1, 1). Si las variables codificadas son X1 y X2 y las
variables naturales son 1 y 2 se tiene:
1  35
x1 
5
  155
x2  2
5
El arreglo y los datos experimentales son:
Variables Variables
del Proceso codificadas Rendimiento
Corrida Tiempo (min.) Temp.(ºF) X1 X2 Y
1 30 150 -1 -1 39.3
2 30 160 -1 1 40.0
3 40 150 1 -1 40.9
4 40 160 1 1 41.5
5 35 155 0 0 40.3
6 35 155 0 0 40.5
7 35 155 0 0 40.7
8 35 155 0 0 40.2
9 35 155 0 0 40.6
Los cinco puntos centrales se usan como réplicas para verificar la adecuación del modelo de primer orden (con Pure
error).
Por medio de Minitab se crea el diseño factorial:
>Stat >DOE >Factorial >Create factorial design
2 Level designs Options: 5 puntos centrals
Introducir los valores de respuesta Y correspondientes.
Los resultados que arroja Minitab son los siguientes:
88 | 109
Term Effect Coef SE Coef T P

Constant 40.4250 0.1037 389.89 0.000
A 1.5500 0.7750 0.1037 7.47 0.002 Son signif. A y B
B 0.6500 0.3250 0.1037 3.13 0.035
A*B -0.0500 -0.0250 0.1037 -0.24 0.821
Ct Pt 0.0350 0.1391 0.25 0.814
La ecuación de regresión es: Y 40.44 + 0.775 X1 + 0.325 X2
Analysis of Variance for Y (coded units)
Source DF Seq SS Adj SS Adj MS F P

Main Effects 2 2.82500 2.82500 1.41250 32.85 0.003
2-Way Interactions 1 0.00250 0.00250 0.00250 0.06 0.821
Curvature 1 0.00272 0.00272 0.00272 0.06 0.814
Residual Error 4 0.17200 0.17200 0.04300 Curvatura no significativa
Pure Error 4 0.17200 0.17200 0.04300
Total 8 3.00222
Para la trayectoria de ascenso más rápido, se siguen los pasos siguientes:

x j
a) Se elige el tamaño de paso de una de las variables del proceso . La variable que tiene el coeficiente en
valor absoluto más alto. En este caso se elige X1.
ˆi
xi  ....i  1, 2,.., k ;   para..i  j
ˆ j / x j
b) El tamaño del paso para loas otras variables es:
En este caso
ˆ2 0.325
x2    0.42
ˆ1 / x1 (0.775) /1.0
Para convertir los tamaños de los pasos codificados (Delta X1=1.0 y Delta X2=0.42) a las unidades naturales de
tiempo y temperatura se tiene:
1
x1 
5
 2
x2 
5
1  x1 (5) 1* 5  5mi.
 2  x2 (5) 0.42 * 5  2º F
89 | 109
Tomando el punto correspondiente a (0,0) se realizan experimentos individuales adicionales, incrementando las
variables en los pasos indicados arriba resultando en:
90 | 109
Variables Codif. Variables naturales Respuesta

Pasos X1 X2 1 2 y
Origen 0 0 35 155
 1 0.42 5 2
Orig.+ 1 0.42 40 157 41.0
Orig.+2 2 0.84 45 159 42.9
Orig.+3 3 1.26 50 161 47.1
Orig.+4 4 1.68 55 163 49.7
Orig.+5 5 2.10 60 165 53.8
Orig.+6 6 2.52 65 169 59.9
Orig.+7 7 2.94 70 171 65.0
Orig.+8 8 3.36 75 173 70.4
Orig.+9 9 3.78 80 175 77.6
Orig.+10 10 4.20 85 177 80.3
Orig.+11 11 4.62 90 179 76.2
Orig.+12 12 5.04 95 181 75.1
Se observa que el punto décimo representa el valor máximo de la trayectoria de experimentación por lo que ahora se
tomará como nuevo punto central (0,0)el punto (85, 175) y la región de experimentación para 1 es (80,90) y para
2 es (170,180), con las variables codificadas X1 y X2 como sigue:
1  85
x1 
5
  175
x2  2
5
Fig. 3.4 Gráfica de rendimiento contra pasos en la trayectoria de ascenso más pronunciado
Haciendo nuevos experimentos alrededor del nuevo punto (0,0) se tiene:
91 | 109
Variables Variables
Corrida Tiempo (min.) Temp.(ºF) X1 X2 Y1
1 80 170 -1 -1 76.5
2 80 180 -1 1 77.0
3 90 170 1 -1 78.0
4 90 180 1 1 79.5
5 85 175 0 0 79.9
6 85 175 0 0 80.3
7 85 175 0 0 80.0
8 85 175 0 0 79.7
9 85 175 0 0 79.8
Los resultados de Minitab son los siguientes:

Estimated Effects and Coefficients for Y1 (coded units)
Term Effect Coef SE Coef T P

Constant 77.7500 0.1151 675.45 0.000
A 1.0000 0.5000 0.1151 4.34 0.012 A y B signif.
B 2.0000 1.0000 0.1151 8.69 0.001
A*B 0.5000 0.2500 0.1151 2.17 0.096
Ct Pt 2.1900 0.1544 14.18 0.000
Analysis of Variance for Y1 (coded units)

Main Effects 2 5.0000 5.0000 2.5000 47.17 0.002
2-Way Interactions 1 0.2500 0.2500 0.2500 4.72 0.096
Curvature 1 10.6580 10.6580 10.6580 201.09 0.000
Residual Error 4 0.2120 0.2120 0.0530
Pure Error 4 0.2120 0.2120 0.0530 Curvatura signif
Total 8 16.1200
Como la curvatura es significativa ahora aplicamos el modelo central compuesto que se muestra abajo para obtener
un modelo de segundo orden.
92 | 109
Fig. 3.5 Diseño Central Compuesto en las variables codificadas del ejemplo
La ecuación de segundo grado que nos dará tiene la forma siguiente:
^ ^ k ^ k ^ k 1 k ^
y   0    i X i   ii X   i
2
  ij X i X j  
i 1 i 1 i 1 j 2
Los experimentos a realizar por medio del diseño central compuesto tomando el nuevo punto (0,0) en (85, 175) y
agregando puntos axiales en +- 1.414 queda como:
Variables Variables
93 | 109
Corrida Tiempo (min.) Temp.(ºF) X1 X2 Y2

1 80 170 -1 -1 76.5
2 80 180 -1 1 77.0
3 90 170 1 -1 78.0
4 90 180 1 1 79.5
5 85 175 0 0 79.9
6 85 175 0 0 80.3
7 85 175 0 0 80.0
8 85 175 0 0 79.7
9 85 175 0 0 79.8
10 92.07 175 1.414 0 78.4
11 77.93 175 -1.414 0 75.6
12 85 182.07 0 1.414 78.5
13 85 167.93 0 -1.414 77.0
Se forma este diseño central compuesto por medio de:

>Stat >DOE >Surface response > Create surface response Design >Central composite design
Designs Center points 5, para 13 corridas; Alfa custom 0.05
Options: Quitar Randomize
Introducir datos de respuestas de rendimiento
StdOrder RunOrder Blocks A B C
1 1 1 -1.00000 -1.00000 76.5
2 2 1 1.00000 -1.00000 78.0
3 3 1 -1.00000 1.00000 77.0
4 4 1 1.00000 1.00000 79.5
5 5 1 -1.41421 0.00000 79.9
6 6 1 1.41421 0.00000 78.4
7 7 1 0.00000 -1.41421 77.0
8 8 1 0.00000 1.41421 78.5
9 9 1 0.00000 0.00000 79.9
10 10 1 0.00000 0.00000 80.3
11 11 1 0.00000 0.00000 80.0
12 12 1 0.00000 0.00000 79.7
13 13 1 0.00000 0.00000 79.8
Analizar el diseño con:
94 | 109
Central Composite Design

Factors: 2 Blocks: none Center points: 5
Runs: 13 Alpha: 1.414
Response Surface Regression: Y versus A, B

The analysis was done using coded units.
Estimated Regression Coefficients for Y
Term Coef SE Coef T P

Constant 79.940 0.11896 671.997 0.000
A 0.995 0.09405 10.580 0.000 Si P<0.05 son signif.
B 0.515 0.09405 5.478 0.001
A*A -1.376 0.10085 -13.646 0.000
B*B -1.001 0.10085 -9.928 0.000
A*B 0.250 0.13300 1.880 0.102
S = 0.2660 R-Sq = 98.3% R-Sq(adj) = 97.0%
Analysis of Variance for Y

Regression 5 28.2478 28.2478 5.64956 79.85 0.000
Linear 2 10.0430 10.0430 5.02148 70.97 0.000
Square 2 17.9548 17.9548 8.97741 126.88 0.000
Interaction 1 0.2500 0.2500 0.25000 3.53 0.102
Residual Error 7 0.4953 0.4953 0.07076
Lack-of-Fit 3 0.2833 0.2833 0.09443 1.78 0.290
Pure Error 4 0.2120 0.2120 0.05300 El modelo cuadrático de regresión es significativo
Total 12 28.7431
Termino Coeficiente
Constante 79.9400
95 | 109
A 0.994975
B 0.515165
A*A -1.37625
B*B -1.00125
A*B 0.250000
Por tanto la Ecuación de regresión queda como:
Y = 79.94 + 0.995ª + 0.515B –1.376 A*A – 1.001 B*B + 0.25AB
Para las gráficas de contornos y de superficie de respuesta se obtienen de Minitab con
Surface Plot of Y
80.5
79.5
78.5
77.5
76.5
Y
75.5
74.5 1.5
1.0
73.5 0.5
0.0
-1.5 -1.0
-0.5 B
-0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5
Fig.2.2.1: Parcelas de superficie
96 | 109
Contour Plot of Y
75
76
1
77
78
79
80
0
B
-1
-1 0 1
A
Fig.2.2.2.: parcelas de contorno
97 | 109
La localización exacta del punto estacionario se obtiene de la ecuación matricial siguiente:
 x1 
x 
x   2
... 
 
 xk 
 ˆ1 
 
 ˆ  0.995
b   2  
0.515
...  
 ˆ 
 k
 ˆ11 , ˆ12 / 2,..., ˆ1k / 2 
 
 ˆ12 / 2, ˆ22 ,....ˆ2 k / 2   1.376, 0.1250 
B   0.1250, 1.001 
   
 matriz.simetrica, ˆ 
 kk 
1 1  0.7345, 0.0917  0.995 0.389 

xs   B 1b    
2 2  0.0917, 1.006  0.515 0.306 
1
yˆ s  ˆ0  xs b
2
Las matrices se invierten marcando el área donde quedará el resultado y con la función matemática MINV (rango de
la matriz original).
Las matrices se multiplican marcando el área donde quedará el resultado y usando la función MMULT.
En términos de las variables naturales el punto estacionario es:
1  85
x1  0.389 
5
  175
x2  0.306  2
5
1  86.95 min utos
 2  176.5º F
yˆ s  80.21
También se puede usar el análisis canónico para caracterizar la superficie de respuesta, por medio de la
identificación de los eigen valores lamda en la siguiente ecuación de determinantes:
1.376   , 0.1250
0
0.1250, 1.001  
 2  2.3788  1.3639  0
1  0.9641, 2  1.4147
yˆ  80.21  0.9641w1  1.4147 w2
98 | 109
Como los coeficientes lambda son negativos se concluye que se trata de un punto estacionario
máximo, si ambos son negativos se trata de un mínimo y si tienen signos diferentes se trata de
cordilleras.
2.2.7 CONCLUSION
1. El modelo MOD-1 permitió disponer de una herramienta básica para contabilizar los
volúmenes de producción y balance económico anual de la CSP-E. Se trata de un modelo lineal
que tiene del orden de 7.000 variables, corriendo en tiempos de CPU menores al segundo.
2. En relación al MOD-2, se presentaron y discutieron resultados para un horizonte de tiempo
de 45 días, tiempo suficiente para permitir realizar el seguimiento de un conjunto razonable de
lotes de productos (ingresos de un día).
3. Por último, la idea central de esta investigación es promover la sincronización de los
diferentes eslabones que conforman la CSP-E, cuya realidad actual es que no está sincronizada,
esto hace que se pierda el beneficio de la sinergia del trabajo en equipo, por lo cual implementar
un SSTD ayudara a realizar los cálculos que soportan el análisis de las posibilidades de decisión a
lo largo de la CSP-E.
99 | 109
2.3 ) Modelización de la resuspensión debida a la actividad pesquera: modelado matemático y
experimentos de canal anular
2.3. 1 )MARCO TEORICO

Un modelo numérico espacialmente promediado fue desarrollado para describir la erosión de
sedimentos cohesivos. Junto con las relaciones empíricas conocidas, el modelo consta de una
nueva formulación para la resuspensión debido a actividad de los peces. Los experimentos sobre
la erosión de los sedimentos naturales en el canal anular en la Universidad de Aachen se utilizan
para la calibración del modelo. El análisis de sedimentos en un ambiente acuático artificial o
natural es fundamental pues de ello dependen múltiples factores, que puedan afectar o alterar,
principalmente para una producción acuícola como ambientes experimentales.
2.3. 2 )OBJETIVO DE LA INVESTIGACIÓN
Evaluar con los algoritmos genéticos y lograr el mejor acuerdo entre los resultados del modelo y
los datos experimentales. El modelo que se presenta muestra una flexibilidad suficiente para tener
en cuenta diversas propiedades de los sedimentos, incluyendo diferentes fuentes de sedimento,
contaminantes naturales y artificiales, presencia o ausencia de organismos acuáticos.
2.3. 3 )HIPÓTESIS
La acumulación, traslado y composición de sedimento varía según la presencia de organismos

acuáticos.
2.3. 4 )OBJETO MATEMÁTICO UTILIZADOS EN LA INVESTIGACIÓN

 Funciones: Logística , exponencial y lineal
 Derivadas
 Polinomios
100 | 109
2.3. 5 VARIABLES INVOLUCRADAS EN LA INVESTIGACIÓN
MODELO DE TRANSPORTE DE SEDIMENTOS HIDRÁULICO

Un simple enfoque presupuestario basado en el trabajo de Chapra (1997) y ajustado a las
condiciones de canal anular (sin afluencia, sin salida) resulta en la ecuación. 1-2:
Donde:
V1 y V2= son el agua y los volúmenes de sedimento, [m3]
m1 y m2= concentración de sólidos suspendidos en agua y sedimentos, [kg.m-3]
WS, WR y WB = velocidad de sedimentación, la velocidad de resuspensión, y el entierro
Velocidad, [m.s-1].
AS= área de la interfaz sedimento-agua [m2]
t: tiempo
Ilustración 1: cantidad de sedimento vs

caudal
Eje y: Concentración de los sedimentos [kg.m-3]

Eje x: volumen de agua que fluye por determinado tiempo [m3/s]
101 | 109
La variación de la concentración de sedimentos está en función de la pendiente de las funciones

formadas por la ecuación.
Los tipos de ecuaciones pueden variar según las condiciones del ambiente, pero se sigue el mismo
principio en todos los casos.
A presencia de organismos acuáticos la pendiente debería ser mayor a un ambiente en igual
condiciones sin ellos.
RESUSPENSIÓN INDUCIDA POR PECES

La resuspensión inducida por los peces afecta el potencial de resuspensión, de tal manera que si
los organismos están presentes, el potencial de resuspensión aumenta, mientras que en ausencia
de los organismos, el modelo revierte a un modelo hidráulico. Se exploraron tres formulaciones
modelo:
tot Potencial de resuspensión total

= Potencial de la resuspensión [kg.m2.h-1]
Ob= Densidad poblacional o la abundancia [kg.m3]
Cb1 y Cb2= Coeficientes empíricos
Las tres formulaciones fueron escogidas para representar tres tipos de comportamiento
funcional:
102 | 109
Crecimiento limitado (función logística)
Crecimiento exponencial (función

exponencial)
Crecimiento lineal (función

lineal)
Para asegurar que el crecimiento, todos los coeficientes fueron definidos como positivos.
2.3. 6 APORTE A LA INVESTIGACIÓN

La investigación al parecer tiene sus argumentos claros y una información precisa, aunque
faltaría especificar que especie de pez fue utilizado al usar el ensayo con especies
hidrobiológicas, ya que los resultados dados no variarían mucho si es un pez de metabolismo
bajo. Cosa que supondría que el cambio es mínimo en la cantidad de sedimentos, también
103 | 109
hubiera sido bueno ver una comparación de peces o recursos hidrobiológicos más usados en
producción acuícola
Por ejemplo:
En dos medio artificiales (igual condiciones) en ayunas para la preparación de las especies para
su sacrificio, control de calidad y distribución, podríamos determinar la diferencia entre los
sedimentos de las especies Litopenaeus vannamei y Oreochromis sp , donde por estudios
existentes se sabe que el Oreochromis sp posee un mayor metabolismo y una mayor biomasa
como también la capacidad de expulsar más residuos orgánicos por su alimentación . Podríamos
ver si la diferencia entre sedimentos es grande y en que puede afectar , como también ver de que
esta compuestos los diferentes tipos de estos y como ello alteraría los parámetros fisicoquímicos
del agua
Usando la ecuación de transporte de sedimentos hidráulicos:
Se podría ver la diferencia en masa o cantidad de dichos sedimentos y hacer estudios posteriores.
Cantidad de sedimento vs caudal
104 | 109
Por ejemplo, este sería un bosquejo en el cual la función G representa al ambiente donde se
encuentra la especie Oreochromis sp y la función F al Litopenaeus vannamei , en la cual se vería
una diferencia considerable y analizar cuál sería la diferencia en la cantidad de sedimentos entre
una especie de alto y bajo metabolismo ; y se podría usar sumatorias para lograr ver cuantas
especies del Litopenaeus vannamei pueden lograr acumular la misma cantidad de sedimento que
el Oreochromis sp.
2.3. 7 ) CONCLUCIONES:
 Hubo una diferencia en cantidad de sedimentos entre un habitad sin especies

hidrobiológicas y otra con presencia de ellos.
 La presencia de peces en el habitad genera una resuspensión en la columna de agua.
 Los métodos matemáticos resultaron ser exactos en los experimentos.
 La cantidad de sedimentos puede ser capaz de arruinar la producción o alterar paramentos
del agua
105 | 109
II. APORTE GENERAL DE LA INVESTIGACIÓN
En la actualidad debemos considerar la manera de producir de manera más segura y sostenible por un
menor tiempo posible, teniendo en consideración las necesidades de las generaciones futuras ,creando
tecnologías que ayuden a la conservación de un producto que ya obtenido un tratamiento. En el desarrollo
de los procesos llevados a cabo.
Para ello la ecuación de la producción será la siguiente:
𝟏 𝐶(𝑥,𝑦,𝑡)−𝐶∞
P(C,K,T,t)= 𝟏+𝒆−𝒕 +- ln (-1/x)+⁡𝑙𝑛⁡( )+(mjx-mjy) + ((ɸx-U) n2-ɸynj)-mj
𝐶𝑖 −𝐶∞
La suma de todas estas variables me dan rango de valor para obtener de esta investigación una
mejor tasa de producción de los recursos hidrobiológicos. Cada ecuación está representada por sus
respectivas gráficas.
VARIABLES
P: tasa de producción
Variable dependiente
C: crecimiento de los recursos en determinado tiempo
K: calidad de recursos bajo sus variables de humedad, temperatura y los otros factores
termodinámicos y fisicoquímicos.
T: tecnología de la embarcación para una mejor producción
t: tiempo
106 | 109
III. CONCLUSION GENERAL
Los métodos matemáticos demostraron ser muy útiles en muchos casos relacionados con la
ingeniera pesquera, dando así muchas soluciones. La matemática universitaria resulto ser
fundamental para hacer trabajos de investigación, los cuales hacen más preciso dichos trabajos.
Toda relación que se encuentre puede ser planteada en una ecuación la cual con métodos
matemáticos puede dar un gran número datos que puede ser muy útil en las investigaciones
El ingeniero pesquero bien instruido en ciencias matemáticas tendrá la capacidad pensar y
comprender el mundo biológico relacionado con la abstracción.
El reconocimiento de variables y constantes son fundamentales para realizar métodos matemáticos
a base de ecuaciones diferenciales y métodos numéricos.
Toda relación matemática puede representarse gráficamente .Los métodos matemáticos son de
gran ayuda para verificar o solucionar errores de la práctica. En la producción de industrias
pesqueras se trabaja a un gran porcentaje los métodos matemático, ya que con ello se puede
optimizar y controlar la producción.
Para un mejor rendimiento en la tasa de producción se tomaron en cuenta estas variables
primordiales realizadas con estos modelos matemáticos.
107 | 109
IV. BIBLIOGRAFÍA
 Flores, M.(2018). “Evaluación de la conductividad térmica y el tiempo de congelamiento,
en bloques congelados de trucha arco iris (oncorhynchus mykiss), en función al tipo de
producto y al sistema de congelamiento” (Tesis de pregrado). Universidad Nacional de
San Agustín de Arequipa, Arequipa, Perú.
 TIRADO, D.F., ACEVEDO, D. y MONTERO, P.M. (2016). SECADO DE ARENCA
(Triportheus magdalenae): INFLUENCIA DEL SALADO EN PILA SECA Y
HÚMEDA. Biotecnología en el Sector Agropecuario y Agroindustria, 14(2), 57-64.
doi:10.18684/BSAA.Colombia, (14): 57-64
 Ju Fan, Ji Zhao, Ren-chuan Zhu, Xi Chen, Wen-jun Zhou (2018).Estudio sobre

movimientos débilmente no lineales de naves que avanzan en olas e influencias de olas
estables. Ocean Engineering. China (150), 243-257.
 Olya Skulovich, Catrina Cofalla, Caroline Ganal, Holger Schüttrumpf,Avi Ostfeld.(2016)
Modelado de la resuspensión debido a la actividad de los peces: Modelado matemático y
canal anular experimentos, Revista de Investigaciones Altoandinas,Germany. 20(1): 61 –
72
 Eduardo P. Pérez, Carlos Azócar , Andrea Araya , Orlando Astudillo & Marcel
Ramos,(2013) Comparación del crecimiento del Ostión del Norte (Argopecten
purpuratus) en dos sistemas alternativos de cultivo; pearl-net y linternas.Pontificia
universidad Católica de Valparaíso ,Facultad de Recursos Naturales Escuela de Ciencias
del Mar,Chile. 240(4): 1026-1038.
 Renzo Aarón Romero Santivañez, (2016), Obtención de gelatina de piel de perico
(Coryphaena hippurus) y caracterización de sus propiedades fisicoquímicas. Universidad
Nacional Agraria La Molina. Facultad de Pesquería. Departamento Académico de
Acuicultura e Industrias Pesqueras. Perú, 132.
108 | 109
 Vélez Cervantes, Paul, (2016). Estudio de optimización de una cadena de suministros
pesquera usando un enfoque de ingeniería de sistemas de procesos. Universidad Nacional
del Sur Departamento de Ingeniería Química. Argentina. 276.
 Fernando Brito, María, (2012). Saravia Ajustes de modelos dinámicos aplicados a
recursos pesqueros. Laboratorio de Probabilidad y Estadística, Facultad de Ingeniería,
Universidad de la República. Uruguay. (13) 724-789.
 Fredy Armando Aguilar Aguilar,(2013),Modelos matemáticos no lineales como
herramienta para evaluar el crecimiento de tilapia roja (Oreochromis spp.) y tilapia
nilótica (oreochromis niloticus var. chitralada)” alimentadas con dietas peletizadas o
extruidas, Colombia, 135.
 Lourdes Esquivel-Paredes,Ashley Campos-Grijalva,Williams Esteward Castillo-

Martínez,(2016). Optimización de la temperatura de secado y presión de vacío en la
decoloración y composición del aceite crudo de pescado, Facultad de Ingeniería - Escuela
de Ingeniería Agroindustrial de la Universidad Nacional del Santa - Chimbote Ancash
Perú. 20(1): 61 – 72
109 | 109

Trabajo de Investigación Mate4

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Trabajo de Investigación Mate4

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL DEL CALLAO

FACULTAD DE INGENIERÍA PESQUERA Y ALIMENTOS

Línea: Producción de Recursos Marinos

Profesora: Katia Vigo Ingar

 Calle Chunga Kenn Franchesco 1614215071

 Camacho Mejia Yessenia Fatima 1614225235

 Marin Najarro Renzo Andre 1614215161

 Oruna Calderon Brenda Sayumi 1614215188

 Pizarro Garcilazo Allison Melissa 1614215053

I. INVESTIGACIONES EN EL AREA DE PESQUERA

Tesis Autor(es) Año Institución

Evaluación de la conductividad  Flores,M. 2018 Universidad Nacional de San

Ajustes de modelos dinámicos  Fernando Brito 2012 Laboratorio de Probabilidad y

Articulos Autor(es) Año Institución

Optimización de la  Lourdes Esquivel- 2018 Facultad de Ingeniería -

Modelado de la  Olya Skulovich, 2016 Institute for Environmental

generalmente se vierten a los efluentes de agua o fertilizantes. Especialmente en especies que

1.1) Obtención de gelatina de piel de perico (Coryphaena hippurus) y caracterización de sus

1.1.1) MARCO TEORICO

La presente investigación tiene la finalidad de obtener gelatina como una alternativa de

aprovechamiento del colágeno presente en pieles de perico, aplicando la metodología de superficie

de gel y al rendimiento de extracción de proteína, así como caracterizar las propiedades

fisicoquímicas del producto obtenido.

1.1.2) OBJETIVO DE LA INVESTIGACIÓN

El objetivo de la presente investigación fue obtener gelatina de piel de perico (Coryphaena

hippurus) y caracterizar sus propiedades fisicoquímicas

La industria obtiene gelatina principalmente de la piel y huesos de mamíferos terrestres,

llamadas gelatinas tradicionales. Sin embargo, la producción de gelatina a partir de productos de

y kosher) (Karim y Bhat, 2009), hoy en día se ha incrementado el interés en el aprovechamiento

de subproductos y residuos generados por la industria pesquera y de acuicultura (pieles, huesos

1.1.4) OBJETO MATEMÁTICO U OBJETOS MATEMÁTICOS UTILIZADOS EN LA

- Álgebra Lineal (modelo de primer y segundo orden)

- Método mínimos cuadrados

- Superficies: *Escalamiento ascendente y descendente

1.1.5) VARIABLES INVOLUCRADAS Y MÉTODOS EN LA INVESTIGACIÓN

optimizar el proceso en función a la fuerza de gel y al rendimiento de extracción de proteína.

Durante la optimización se empleó la metodología de superficie de respuesta (MSR) para estudiar

respuesta a un modelo de segundo orden. Mediante el modelamiento se obtuvieron las ecuaciones

1.1.6) APORTE A LA INVESTIGACIÓN

COMPOSICON DE AMINOACIDOS EN GELATINA OBTENIDA DE DIFERENTE ORIGEN

La composición en aminoácidos en gelatina de piel de perico y en gelatinas de bovino, la

presencia de aminoácidos en la piel de perico está estrechamente relacionada con la temperatura.

Está expresado en g de aminoácido por 100 g de muestra.

Contenido (g/ 100 g gelatina)

2.Acido glutámico 8.57 7.23

3.Serina 3.36 2.95

4.Glicina 20.86 29.20

5.Histidina 0.65 0.08

6.Treonina 5.31 2.11

7.Alanina 1.88 11.4

8.Arginina 19.10 5.10

9.Prolina 10.74 11.89

10.Hidroxiprolina 7.90 11.02

11.Tirosina 0.59 0.11

12.Valina 1.95 1.80

13.Metionina 1.81 1.01

14.Isoleucina 4.41 1.11

15.Leucina 2.63 1.9

16.Fenilalanina 2.65 1.6

17.Lisina 2.94 4.01

18.Hidroxiprolina 18.64 22.91

Resultados obtenidos en la gráfica Software GeoGebra.

minutos y concentración de ácido cítrico 0,26 % (p/v).

17,6 °C y actividad de agua de 0,26.