Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
BALANCES DE MATERIA ILQ105 AJUSTE DE DATOS CP/DN AL TERMINO DE LA UNIDAD EL ESTUDIANTE SERÁ CAPAZ DE - Identificar datos físicos de tablas - Interpolar y extrapolar desde datos tabulados - Ajustar modelos de regresión utilizando herramientas informáticas sencillas OBJETIVO INTERPOLACIÓN LINEAL DE DOS PUNTOS (principios elementales), Los datos físicos disponibles, generalmente se encuentran tabulados luego de campañas de experimentos. En general podemos identificar variables independientes (x), de aquellas dependientes (y) INTERPOLACIÓN LINEAL DE DOS PUNTOS (principios elementales), Los datos físicos disponibles, generalmente se encuentran tabulados luego de campañas de experimentos. En general podemos identificar variables independientes (x), de aquellas dependientes (y) T °C Pv (torr) 20 17.5 21 18.7 22 19.8 23 21.1 24 22.4 25 23.8 26 25.2 27 26.7 28 28.4 29 30.0 30 31.8 ¿Cuál es la variable dependiente y Cuál es la independiente? INTERPOLACIÓN LINEAL DE DOS PUNTOS (principios elementales), En general, la naturaleza tiene formas (tendencias) que dan cuenta de fenómenos físicos. Estos pueden ser modelados usando ecuaciones para obtener valores intermedios 𝒚 = 𝒇(𝒙, 𝜷) Sin embargo, no siempre se conoce la forma de 𝒇(𝒙, 𝜷) INTERPOLACIÓN LINEAL DE DOS PUNTOS (principios elementales), Podemos usar una aproximación útil basada en Taylor. 𝒚 = 𝒇 𝒙, 𝜷 ≈ 𝒓 𝒙, 𝒂, 𝒃 = 𝒂 + 𝒃𝒙 Entre dos puntos cercanos, se puede asumir una recta 𝒚𝟏 ≈ 𝒂 + 𝒃𝒙𝟏 𝒚𝟐 ≈ 𝒂 + 𝒃𝒙𝟐 INTERPOLACIÓN LINEAL DE DOS PUNTOS (principios elementales), Podemos usar una aproximación útil basada en Taylor. 𝒚 = 𝒇 𝒙,∙ ≈ 𝒂 + 𝒓𝒙 Entre dos puntos cercanos, se puede asumir una recta 𝒓 = 𝒚𝟐𝒙𝟏 𝒚𝟐 ≈ 𝒂 + 𝒓𝒙𝟐 INTERPOLACIÓN LINEAL DE DOS PUNTOS (principios elementales), La interpolación lineal consiste en trazar una recta entre dos puntos conocidos (A y E) de una función f(x), para hallar un punto intermedio (D) mediante la ecuación de la recta, r(x). 𝑦 ≈ 𝑟 𝑥 = 𝑥 − 𝑥1 𝑥2− 𝑥1 ∙ 𝑦2 − 𝑦1 + 𝑦1 EXTRAPOLACIÓN LINEAL La extrapolación consiste en crear una linea tangente al final de datos conocidos y extendiendola más allá. Suponiendo un valor x* y dos puntos (xk-1,yk-1) y (xk,yk). Ejemplo: para estimar el valor de x=7 perteneciente al cuadrado azul, se deben proyectar los puntos rojos mediante una extrapolación. 𝑓 𝑥∗ = 𝑥∗ − 𝑥𝑘−1 𝑥𝑘 − 𝑥𝑘−1 ∙ 𝑦𝑘 − 𝑦𝑘−1 + 𝑦𝑘−1 EN RESUMEN Variable indepediente es aquella propiedad que supone ser la causa de un fenómeno estudiado. Variable dependiente presenta cambios como consecuencia de la variable independiente. De no contarse con una expresión análitica para una variable dependiente “ 𝑓(𝑥, 𝛽) ” en función de una dependiente “x”, se puede estimar el valor de “y(x)” entre dos puntos de “x” 𝑦 = 𝑎𝑥 + 𝑏; 𝑎 = 𝑦2−𝑦1 𝑥2−𝑥1 ; 𝑏 = 𝑦1 − 𝑎𝑥1 ó 𝑏 = 𝑦2 − 𝑎𝑥2 REGRESIÓN LINEAL Cuando se conoce (o sospecha) del modelo 𝑦 = 𝑓(𝑥, 𝛽), es posible utilizar una herramienta estadística que permite conocer el modelo Lo anterior es equivalente a estimar los parámetros del modelo Mediante este procedimiento, se puede estimar el valor de “𝑦 = 𝑓(𝑥, 𝛽)” para cualquier valor de “x” dentro de un rango de trabajo Se requieren al menos el mismo número de puntos que de parámetros REGRESIÓN LINEAL Concepto de ruido: Las magnitudes físicas que se miden son traducciones del resultado de un proceso de medición. Por ejemplo: ¿Se mide directamente la temperatura ambiental con un termómetro? REGRESIÓN LINEAL Idea: Las medidas experimentales son el resultado de dos contribuciones Magnitud real Ruido de medición 𝐹 𝑇 𝑇𝑀 °𝐶 𝐹 𝑘𝑔 𝑠 ¿Por qué a veces aumenta y otras disminuye? REGRESIÓN LINEAL Idea: Las medidas experimentales son el resultado de dos contribuciones Magnitud real Ruido de medición 𝐹 𝑇 𝑇𝑀 °𝐶 𝐹 𝑘𝑔 𝑠 𝑦 𝑥 = 𝑎 + 𝑏𝑥 𝑇 𝐹 = 𝑎 + 𝑏𝐹 REGRESIÓN LINEAL Idea: Las medidas experimentales son el resultado de dos contribuciones Magnitud real Ruido de medición 𝐹 𝑇 𝑇𝑀 °𝐶 𝐹 𝑘𝑔 𝑠 𝑇𝑀 = 𝑇 + 𝒆 Error de medición REGRESIÓN LINEAL Idea: Las medidas experimentales son el resultado de dos contribuciones Magnitud real Ruido de medición 𝑇𝑀 °𝐶 𝐹 𝑘𝑔 𝑠 𝑇𝑀 = 𝑇 + 𝒆 Error de medición 𝑇𝑀 = 𝑇 + 𝒆 ¿Cuál es el ajuste correcto? 𝑇 = 𝑎 + 𝑏𝐹 𝑇 = 𝑎 + 𝑏𝐹 REGRESIÓN LINEAL Idea: Las medidas experimentales son el resultado de dos contribuciones Magnitud real Ruido de medición 𝑇𝑀 °𝐶 𝐹 𝑘𝑔 𝑠 𝑇𝑀 = 𝑇 + 𝒆 Error de medición 𝑇𝑀 = 𝑇 + 𝒆 Aquel que hace que los errores sean mínimos 𝑇 = 𝑎 + 𝑏𝐹 𝑇 = 𝑎 + 𝑏𝐹 ¿Cuál es el ajuste correcto? REGRESIÓN LINEAL Idea: Las medidas experimentales son el resultado de dos contribuciones Magnitud real Ruido de medición 𝑇𝑀 °𝐶 𝐹 𝑘𝑔 𝑠 𝑇𝑀 = 𝑇 + 𝒆 Error de medición 𝑇𝑀 = 𝑇 + 𝒆 𝑇 = 𝑎 + 𝑏𝐹 𝑇 = 𝑎 + 𝑏𝐹 Idea: Escoger aquellos parámetros que hacen que las líneas sean lo más pequeñas posibles REGRESIÓN LINEAL Idea: Las medidas experimentales son el resultado de dos contribuciones Magnitud real Ruido de medición 𝑇𝑀 °𝐶 𝐹 𝑘𝑔 𝑠 𝑇 = 𝑎 + 𝑏𝐹 𝑇 = 𝑎 + 𝑏𝐹 Matemáticamente: 𝒎𝒊𝒏𝜷∑𝑹𝒂𝒚𝒂𝒔 𝟐 𝒎𝒊𝒏𝜷∑ 𝒚𝑴𝒊 − 𝒇 𝒙𝒊, 𝜷 𝟐 REGRESIÓN LINEAL Ejemplo: Consideremos que se está analizando el funcionamiento de cierto reactor químico, sabiendo que es una reacción de primer orden se desea saber la relación entre la velocidad inicial de reacción y la concentración del reactante principal: Se postula el modelo: 𝑦𝑃 = 𝛽𝑥 X YM 1 8 2 30 3 33 4 42 5 59 6 60 7 61 SSR 0 10 20 30 40 50 60 70 0 2 4 6 8 V e lo ci d a d i n ic ia l Conc Velocidad inicial vs Concentración Y_m0 REGRESIÓN LINEAL Ejemplo: Consideremos que se está analizando el funcionamiento de cierto reactor químico, sabiendo que es una reacción de primer orden se desea saber la relación entre la velocidad inicial de reacción y la concentración del reactante principal: Se postula el modelo: 𝑦𝑃 = 𝛽𝑥 0 500 1000 1500 2000 2500 3000 5 7 9 11 13 15 S S R Beta Suma de Residuos cuadrados Valor de 𝛽 que minimiza la función SSR REGRESIÓN LINEAL Solución Mediante el software Excel, se puede graficar y aplicar una línea de tendencia si los datos son más de dos. La herramienta entregará una expresión con mejor ajuste. También se puede usar la herramienta Solver para obtener este ajuste REGRESIÓN LINEAL Ejemplo: Consideremos que se está analizando el funcionamiento de cierto reactor químico, sabiendo que es una reacción de primer orden se desea saber la relación entre la velocidad inicial de reacción y la concentración del reactante principal: Se postula el modelo: 𝑦𝑃 = 𝛽𝑥 REGRESIÓN LINEAL Ejemplo: Consideremos que se está analizando el funcionamiento de cierto reactor químico, sabiendo que es una reacción de primer orden se desea saber la relación entre la velocidad inicial de reacción y la concentración del reactante principal: Se postula el modelo: 𝑦𝑃 = 𝛽𝑥 REGRESIÓN LINEAL ¿Qué es el 𝑟 2? Corresponde a un indicador de qué tan bueno es el ajuste Tiene relación con el porcentaje de “energía” de los datos, que puede ser explicado por el modelo Su ecuación es: 𝑟2 = 1 − 𝑠𝑒𝑟𝑟𝑜𝑟 2 𝑠𝑦𝑚 2 Varianza! 𝑠𝑊 2 = 1 𝑛 − 1 𝑤𝑖 − 𝑤 𝑛 𝑖=1 , 𝑤 = 1 𝑛 𝑤𝑖 𝑛 𝑖=1 REGRESIÓN NO-LINEAL Se puede ajustar a datos no lineales usando solver También se pueden estimar los parámetros usando la técnica de la linealización y luego graficar en Excel Linealización Llevar el modelo a algo que pueda ser graficado por excel LINEALIZACIÓN Cuando se tiene una expresión no lineal se puede ordenar de manera tal de tener una expresión similar a: 𝑦 = 𝑎𝑥𝑛 + 𝑏; Donde “𝑎” es la pendiente y “𝑏” el coeficiente de posición. Para solucionarlo, 𝑥’ = 𝑥𝑛 y se aplica gráfica 𝑦 vs 𝑥’ Se puede aplicar para expresiones con logaritmos y exponenciales. LINEALIZACIÓN Cuando se tiene una expresión no lineal se puede ordenar de manera tal de tener una expresión similar a: 𝑦 = 𝑎𝑥𝑛 + 𝑏; Donde “𝑎” es la pendiente y “𝑏” el coeficiente de posición. Para solucionarlo, 𝑥’ = 𝑥𝑛 y se aplica gráfica 𝑦 vs 𝑥’ Se puede aplicar para expresiones con logaritmos y exponenciales. LINEALIZACIÓN Cuando se tiene una expresión no lineal se puede ordenar de manera tal de tener una expresión similar a: 𝑦 = 𝑎𝑥𝑛 + 𝑏; Donde “𝑎” es la pendiente y “𝑏” el coeficiente de posición. Para solucionarlo, 𝑥’ = 𝑥𝑛 y se aplica gráfica 𝑦 vs 𝑥’ Se puede aplicar para expresiones con logaritmos y exponenciales. LINEALIZACIÓN Se sabe que 𝐿𝑛 𝑃𝑉 = 𝐴 + 𝐵 𝐶 + 𝑇 Obtener los parámetros A, B y C usando 1) Solver directamente 2) Linealizar T °C Pv (torr) 20 17.5 21 18.7 22 19.8 23 21.1 24 22.4 25 23.8 26 25.2 27 26.7 28 28.4 29 30.0 30 31.8
Compartir