Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Tarea No. 6 2.7 Determine la mejor relación funcional para ajustar los siguientes conjuntos de datos: (b) (c) 2.20 Un reactor convierte un compuesto orgánico en el producto de P calentando el material en presencia de un aditivo A. El aditivo puede inyectarse en el reactor y el vapor puede inyectarse en un serpentín de calentamiento dentro del reactor para proporcionar calor. Se puede obtener alguna conversión calentando sin la adición de A, y viceversa. Para predecir el rendimiento de P, Yp (lb mol del producto por lb mol de alimentación), en función de la fracción molar de A, XA y la adición de vapor S (en lb mol / lb mil de alimentación), los siguientes datos fueron adquiridos Yp XA S 0.2 0.3 0 0.3 0.0 30 0.5 0.0 60 (a) Ajustar un modelo lineal 𝑌𝑃 = 𝑐0 + 𝑐1𝑋𝐴 + 𝑐2 𝑆 Que proporcione un ajuste de mínimos cuadrados a los datos. (b) Si requerimos que el modelo siempre deba ajustarse al punto YP = 0 para XA = S = 0, calcule c0, c1 y c2 para obtener un ajuste por mínimos cuadrados. X Y 2 94.8 5 87.9 8 81.3 11 74.9 14 68.7 17 64.0 X Y 2 0.0245 4 0.0370 8 0.0570 16 0.0855 32 0.1295 64 0.2000 128 0.3035 Soluciones Problema 2.7 b) 𝑦 = 98.32 − 2.076𝑥 c) 𝑦 = 0.028 − 0.00170𝑥 Problema 2.20 a) 𝑌𝑝 = 1 + 0.333 𝑋𝐴 + 0.006 𝑆 b) 𝑌𝑝 = 0.66 𝑋𝐴 + 0.0086 𝑆 Operaciones Problema 2.7 b) Con los datos proporcionados por el problema, se arman las matrices y y x: 𝑦 = [ 94.8 87.9 81.3 74.9 68.7 64 ] 𝑥 = [ 1 1 1 1 1 1 2 5 8 11 14 17] Se calcula la transpuesta de x 𝑥𝑇 = [ 1 1 1 1 1 1 2 5 8 11 14 17 ] Ahora se calcula la multiplicación de xT* x 𝑥𝑇𝑥 = [ 1 1 1 1 1 1 2 5 8 11 14 17 ] ∗ [ 1 1 1 1 1 1 2 5 8 11 14 17] 𝑥𝑇𝑥 = [ 6 57 57 699 ] Ahora calculamos la inversa de la nueva matriz (𝑥𝑇𝑥)−1 Recordando que se realiza de la siguiente manera: (𝑥𝑇𝑥)−1 = 𝐴𝑑𝑗 (𝑥𝑇𝑥) 𝐷𝑒𝑡(𝑥𝑇𝑥) Al ser una matriz de 2x2, para la adjunta se puede realizar, cambiando de posición los números de la diagonal principal, y cambiando los signos de los números de la otra diagonal, de la siguiente manera: 𝐴𝑑𝑗(𝑥𝑇𝑥) = [ 6 57 57 699 ] → [ 699 −57 −57 6 ] Para la determinante 𝐷𝑒𝑡(𝑥𝑇𝑥) = [ 6 57 57 699 ] = (6 ∗ 699) − (57 ∗ 57) = 4194 − 3249 = 945 Entonces (𝑥𝑇𝑥)−1 = 1 945 ∗ [ 699 −57 −57 6 ] = [ 233 315 −19 315 −19 315 2 315 ] Ahora se obtiene a (𝑥𝑇𝑦) (𝑥𝑇𝑦) = [ 1 1 1 1 1 1 2 5 8 11 14 17 ] ∗ [ 94.8 87.9 81.3 74.9 68.7 64 ] = [ 471.6 4153.2 ] ¿Por qué se realizan estas operaciones?, porque el modelo se ajustará a la forma 𝑦 = 𝛽1 + 𝛽2𝑥 para determinar la mejor relación de los datos Y para obtener a β se tiene que 𝛽 = (𝑥𝑇𝑥)−1 ∗ (𝑥𝑇𝑦) Por lo tanto, ya tenemos ambos datos y realizamos la ecuación (𝑥𝑇𝑥)−1 ∗ (𝑥𝑇𝑦) = [ 233 315 −19 315 −19 315 2 315 ] ∗ [ 471.6 4153.2 ] = [ 98.32 −2.076 ] Por lo tanto, el mejor modelo que describe a este conjunto de datos es: 𝑦 = 98.32 − 2.076𝑥 c) Para este inciso se utilizará el mismo método que el inciso anterior, primero las matrices y y x 𝑦 = [ 0.0245 0.0370 0.0570 0.0855 0.1295 0.2000 0.3035] 𝑥 = [ 1 1 1 1 1 1 1 2 4 8 16 32 64 128] Ahora la transpuesta de x 𝑥𝑇 = [ 1 1 1 1 1 1 1 2 4 8 16 32 64 128 ] Ahora se calcula 𝑥𝑇𝑥 𝑥𝑇𝑥 = 𝑥𝑇 = [ 1 1 1 1 1 1 1 2 4 8 16 32 64 128 ] ∗ [ 1 1 1 1 1 1 1 2 4 8 16 32 64 128] 𝑥𝑇𝑥 = [ 7 254 254 21844 ] Ahora se obtiene la determinarte y la adjunta de dicha matriz 𝐴𝑑𝑗(𝑥𝑇𝑥) = [ 7 254 254 21844 ] → [ 21844 −254 −254 7 ] 𝐷𝑒𝑡(𝑥𝑇𝑥) = [ 7 254 254 21844 ] = (7 ∗ 21844) − (254 ∗ 254) = 152908 − 64516 𝐷𝑒𝑡(𝑥𝑇𝑥) = 88392 Entonces (𝑥𝑇𝑥)−1 = 1 88392 ∗ [ 21844 −254 −254 7 ] = [ 43 174 −1 348 −1 348 7 88392 ] Ahora se calcula (𝑥𝑇𝑦) (𝑥𝑇𝑦) = [ 1 1 1 1 1 1 1 2 4 8 16 32 64 128 ] ∗ [ 0.0245 0.0370 0.0570 0.0855 0.1295 0.2000 0.3035] = [ 0.837 61.917 ] Finalmente se calcula a 𝛽 = (𝑥𝑇𝑥)−1 ∗ (𝑥𝑇𝑦) (𝑥𝑇𝑥)−1 ∗ (𝑥𝑇𝑦) = [ 43 174 −1 348 −1 348 7 88392 ] ∗ [ 0.837 61.917 ] = [ 0.028 −0.00170 ] Por lo tanto, el modelo que mejor define al conjunto de datos es 𝑦 = 0.028 − 0.00170𝑥 Problema 2.20 a) Primero construimos la matriz ‘y’ y la matriz ‘x’ de resultados: 𝑦 = [ 0.2 0.3 0.5 ] 𝑥 = [ 1 0 ⋅ 3 0 1 0 30 1 0 60 ] Calculamos la matriz transpuesta de x: 𝑥𝑇 = [ 1 1 1 0.3 0 0 0 30 60 ] Y se multiplica por la propia matriz x: 𝑥𝑇𝑥 = [ 1 1 1 0.3 0 0 0 30 60 ] ∗ [ 1 0 ⋅ 3 0 1 0 30 1 0 60 ] 𝑥𝑇𝑥 = [ 3 0.3 40 0.3 0.1 0 90 0 4500 ] Luego calculamos la determinarte y la adjunta de dicha matriz 𝑑𝑒𝑡(𝑥𝑇𝑥) = 3 | 0.1 0 0 4500 | − 0.3 | 0.3 0 90 4500 | + 40 | 0.3 0.1 90 0 | = 81 𝐴𝑑𝑗(𝑥𝑇𝑥) = [ 405 −1350 −8.1 1350 5400 27 −8.1 27 0.18 ] Con esto podemos calcular la matriz inversa: (𝑥𝑇𝑥)−1 = 1 81 ∗ [ 405 −1350 −8.1 1350 5400 27 −8.1 27 0.18 ] (𝑥𝑇𝑥)−1 = [ 5 −16.6 −0.1 −16.6 66.6 0.33 −0.1 0.33 0.0022 ] Ahora calculamos (𝑥𝑇𝑦) (𝑥𝑇𝑦) = [ 1 1 1 0.3 0 0 0 30 60 ] ∗ [ 0.2 0.3 0.5 ] = [ 1 0.6 39 ] Finalmente se calcula a 𝛽 = (𝑥𝑇𝑥)−1 ∗ (𝑥𝑇𝑦) (𝑥𝑇𝑥)−1 ∗ (𝑥𝑇𝑦) = [ 5 −16.6 −0.1 −16.6 66.6 0.33 −0.1 0.33 0.0022 ] ∗ [ 1 0.6 39 ] = [ 1 0.333 0.006 ] Por lo tanto, el modelo que mejor define al conjunto de datos es 𝑌𝑝 = 1 + 0.333 𝑋𝐴 + 0.006 𝑆 b) Si 𝑌𝑝 = 0 y 𝑋𝐴 = 𝑆 = 0 entonces 𝐶0 = 0 Entonces construimos la matriz ‘y’ y la matriz ‘x’ de resultados: 𝑦 = [ 0.2 0.3 0.5 ] 𝑥 = [ 0.3 0 0 60 0 30 ] Calculamos la matriz transpuesta de x: 𝑥𝑇 = [ 0.3 0 0 0 30 60 ] Y se multiplica por la propia matriz x: 𝑥𝑇𝑥 = [ 0.3 0 0 0 30 60 ] ∗ [ 0.3 0 0 60 0 30 ] 𝑥𝑇𝑥 = [ 0.09 6 0 4500 ] Luego calculamos la determinarte y la adjunta de dicha matriz 𝑑𝑒𝑡(𝑥𝑇𝑥) = (0.09)(4500) − 0 = 405 𝐴𝑑𝑗(𝑥𝑇𝑥) = [ 4500 0 0 0.09 ] Entonces la matriz inversa es: (𝑥𝑇𝑥)−1 = 1 405 ∗ [ 4500 0 0 0.09 ] (𝑥𝑇𝑥)−1 = [ 11.11 0 0 0.0002 ] Ahora se calcula (𝑥𝑇𝑦) (𝑥𝑇𝑦) = [ 0.09 6 0 4500 ] ∗ [ 0.2 0.3 0.5 ] = [ 0.06 39 ] Finalmente se calcula a 𝛽 = (𝑥𝑇𝑥)−1 ∗ (𝑥𝑇𝑦) (𝑥𝑇𝑥)−1 ∗ (𝑥𝑇𝑦) = [ 11.11 0 0 0.0002 ] ∗ [ 0.06 39 ] = [ 0.66 0.0086 ] Por lo tanto, el modelo que mejor define al conjunto de datos es 𝑌𝑝 = 0.66 𝑋𝐴 + 0.0086 𝑆
Compartir