Contenido

4.1 Importancia de la identificación en la modelación de sistemas.................................... 1

Métodos no paramétricos................................................................................................ 1
Métodos paramétricos..................................................................................................... 2
Métodos de identificación .............................................................................................. 3
4.2 Identificando de sistemas lineales en los parámetros. .................................................. 7
4.3 Aplicaciones de la identificación de control y otras disciplinas. .................................. 9
Modelado de la planta..................................................................................................... 9
 Tópicos Avanzados de Modelación y automatización de Sistemas

JERARQUÍA DE ESPECIFICACIÓN DE SISTEMAS

4.1 Importancia de la identificación en la modelación de sistemas.

Se entiende por identificación de sistemas a la obtención de forma experimental de un modelo
que reproduzca con suficiente exactitud, para los fines deseados, las características dinámicas
del proceso objeto de estudio. Como se sabe, en muchas ocasiones, es muy útil poseer el
modelo de un sistema para su análisis, y en particular, para el control, porque la inmensa
mayoría de los métodos de diseño se basan en su conocimiento. A la determinación de dicho
modelo, a partir de tener algún conocimiento previo sobre el proceso y de experiencias
prácticas, se le conoce como identificación.

Métodos no paramétricos

Permiten obtener modelos no paramétricos del sistema bajo estudio. Algunos de estos
métodos son: análisis de la respuesta transitoria, análisis de la respuesta en frecuencia,
análisis de la correlación, análisis espectral, análisis de Fourier, etc.

La prueba de Kolmogorov es una prueba de bondad de ajuste, es decir, del grado en que la
distribución observada difiere de otra distribución. La prueba de Kolmogórov-Smirnov es un
tipo de prueba no paramétrica. Las pruebas no paramétricas (también llamadas de
distribución libre) son utilizadas en estadística inferencial, y tienen las siguientes
características:

 Plantean hipótesis sobre bondad de ajuste, independencia...

 El nivel de medida de las variables es bajo (ordinal).
 No tienen excesivas restricciones.
 Son aplicables a muestras pequeñas.
 Son robustas.

P á g i n a 1 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

La prueba de Kolmogórov-Smirnov es una propia perteneciente a la estadística,

concretamente a la estadística inferencial. La estadística inferencial pretende extraer
información sobre las poblaciones.

Se trata de una prueba de bondad de ajuste, es decir, sirve para verificar si las puntuaciones
que hemos obtenido de la muestra siguen o no una distribución normal. Es decir, permite
medir el grado de concordancia existente entre la distribución de un conjunto de datos y una
distribución teórica específica. Su objetivo es señalar si los datos provienen de una población
que tiene la distribución teórica especificada, es decir, lo que hace es contrastar si las
observaciones podrían razonablemente proceder de la distribución especificada.

La prueba de Kolmogórov-Smirnov aborda la siguiente pregunta: ¿Provienen las

observaciones de la muestra de alguna distribución hipotética? Ir Ejercicio1

Métodos paramétricos

Permiten obtener modelos paramétricos. Estos métodos requieren la elección de una posible
estructura del modelo, de un criterio de ajuste de parámetros, y por último de la estimación
de los parámetros que mejor ajustan el modelo a los datos experimentales.

En estadística y probabilidad se llama distribución normal, distribución de Gauss,

distribución gaussiana o distribución de Laplace-Gauss, a una de las distribuciones de
probabilidad de variable continua que con más frecuencia aparece en estadística y en la teoría
de probabilidades.

La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de

un determinado parámetro estadístico. Esta curva se conoce como campana de Gauss y es el
gráfico de una función gaussiana.

La importancia de esta distribución radica en que permite modelar numerosos fenómenos

naturales, sociales y psicológicos. Mientras que los mecanismos que subyacen a gran parte
de este tipo de fenómenos son desconocidos, por la enorme cantidad de variables
incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observación se obtiene como la suma de unas pocas causas
independientes.

P á g i n a 2 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

De hecho, la estadística descriptiva sólo permite describir un fenómeno, sin explicación

alguna. Para la explicación causal es preciso el diseño experimental, de ahí que al uso de la
estadística en psicología y sociología sea conocido como método correlacional.

La distribución normal también es importante por su relación con la estimación por mínimos
cuadrados, uno de los métodos de estimación más simples y antiguos.

Algunos ejemplos de variables asociadas a fenómenos naturales que siguen el modelo de la

normal son:

 Caracteres morfológicos de individuos como la estatura

 Caracteres fisiológicos como el efecto de un fármaco.
 Caracteres sociológicos como el consumo de cierto producto por un mismo grupo de
individuos.
 Caracteres psicológicos como el cociente intelectual.
 Nivel de ruido en telecomunicaciones.
 Errores cometidos al medir ciertas magnitudes.

La distribución normal también aparece en muchas áreas de la propia estadística. Por

ejemplo, la distribución muestral de las medias muestrales es aproximadamente normal,
cuando la distribución de la población de la cual se extrae la muestra no es normal. Además,
la distribución normal maximiza la entropía entre todas las distribuciones con media y
varianza conocidas, lo cual la convierte en la elección natural de la distribución subyacente
a una lista de datos resumidos en términos de media muestral y varianza. La distribución
normal es la más extendida en estadística y muchos tests estadísticos están basados en una
"normalidad" más o menos justificada de la variable aleatoria bajo estudio. Ir Ejercicio 2

Métodos de identificación

Teóricamente, para llegar a obtener un modelo podrían adoptarse dos enfoques diferentes:

Por la vía analítica: determinar las ecuaciones y parámetros que intervienen siguiendo
exclusivamente las leyes generales de la Física.

P á g i n a 3 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Por la vía experimental: en la cual se considera el sistema como una “caja negra”, con
determinadas entradas y salidas, como se ilustra en la Figura 1.1.

En esta situación se realizaría un conjunto de experimentos que proporcionarían pares de

medidas de las entradas y salidas durante la evolución del sistema hacia el estado
estacionario, a partir de los cuales se trataría de determinar el modelo del sistema.

Con respecto al primer enfoque hay que tener en cuenta que normalmente es
extremadamente difícil considerar todas las leyes físicas que intervienen y que, aún
suponiendo que esto fuera posible, el modelo resultante pudiera ser muy complejo, y por
consiguiente, difícilmente manejable por las técnicas de diseño de sistemas de control. Por
otra parte, en la práctica, las tolerancias de los elementos, desgastes, fuentes de ruido no
consideradas, etc., hacen que el comportamiento real nunca sea el comportamiento previsto.
Por lo que respecta al segundo enfoque, es evidente que la resolución del problema de
identificación sin adoptar hipótesis sobre las características del sistema puede ser muy
difícil.

En la práctica se combinan ambos enfoques, actuando en dos etapas:

 Etapa de análisis, en la cual se tienen en cuenta las leyes físicas y las condiciones
particulares de trabajo para establecer hipótesis sobre la estructura y propiedades
del modelo que se pretende identificar.
 Etapa experimental, en la cual se adoptan las hipótesis establecidas anteriormente
y se tienen en cuenta las mediciones para determinar el modelo.

En el análisis hay que tener en cuenta que aunque el sistema sea no lineal, puede ser
conveniente adoptar un modelo lineal con objeto de estudiar su comportamiento ante
variaciones relativamente pequeñas sobre un punto de trabajo. Así mismo, pueden usarse
P á g i n a 4 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

hipótesis simplificadoras para describir el comportamiento del sistema mediante un modelo

de orden reducido, más fácil de identificar y, posteriormente, de utilizar. Por otra parte, en
sistemas lineales con múltiples entradas, es posible aplicar el principio de superposición,
considerando cada salida como suma de salidas elementales correspondientes a una sola
entrada. La situación se ilustra en la figura 1.2.

Un factor a tener en cuenta en el análisis es la determinación del tiempo de las

experiencias, ya que pueden existir parámetros que varíen en función de perturbaciones
lentas no medibles, o bien pueden aparecer no linealidades que no están presentes en un
transitorio alrededor de un punto de trabajo.

Otro aspecto importante, dentro del marco del control de los procesos industriales, es que no
es lo mismo identificar un modelo de un sistema que trabajará a lazo abierto o a lazo
cerrado. Está claro que en el primero se requiere mayor precisión. El modelo de un sistema,
como representación de sus aspectos fundamentales en la forma más conveniente para la
finalidad a que está destinado, puede quedar expresado en forma de un conjunto de
ecuaciones, tablas, gráficos o incluso de reglas que describen su operación. Respecto al
orden del modelo existen dos alternativas: imponer el orden o dejarlo libre a determinar.
Identificación experimental según las mediciones a procesar:

1.- Utilizando la respuesta ante señales de ensayo sobre el sistema.

2.- Procesando mediciones históricas de funcionamiento de la planta.

3.- Identificación en línea. Su aplicación es posible sin perturbar significativamente las

condiciones de trabajo del sistema.

P á g i n a 5 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

4.- Identificación en tiempo real.

Se puede establecer una clasificación según las características del modelo que se pretende
obtener:

1.- De modelo paramétrico. Se pretenden obtener los valores de los coeficientes de las
funciones o matrices de transferencia, o los elementos de las matrices de representación
en el espacio de estado.

2.- De modelo no paramétrico. Sería el caso de las gráficas de módulo y fase en las
respuestas frecuenciales, en los cuales se usarían los diagramas de Bode, Nyquist, Nichols
y las respuestas a impulso o escalón.

En todo caso nótese que, a partir de un modelo paramétrico es muy fácil y rápido obtener
respuestas en frecuencia y que un modelo no paramétrico puede parametrizarse
empleando coeficientes tales como márgenes de fase y de ganancia, ancho de banda, etc.

Otra clasificación muy conocida es la de métodos frecuenciales y temporales, dependiendo

del dominio (frecuencial o temporal) que se utilice.

Métodos frecuenciales

Se sabe que, si el sistema es lineal, la respuesta a una sinusoide es una sinusoide de la misma
frecuencia y, en general, de diferente amplitud y fase a estado estacionario. Excitando el
sistema con sinusoides de diferentes frecuencias, especialmente en el rango de trabajo del
sistema, podemos obtener las características de amplitud y fase y conocemos las
contribuciones de los términos s, (1 + τs), (s2 + as + b), en que pueden descomponerse el
numerador y el denominador.

Otra clasificación posible, según el procesamiento de las mediciones, es la de métodos

gráficos y analíticos.

En los métodos gráficos se obtienen los parámetros del sistema de manera gráfica, mientras
que en los analíticos se obtienen producto de cálculos numéricos.

P á g i n a 6 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Es bueno destacar que con el desarrollo de la computación, muchos de estos métodos

gráficos han pasado a ser analíticos, pero gráficos en su esencia. Precisemos algunos
conceptos:

¿Qué es la identificación experimental de sistemas? La identificación de sistemas consiste en

la determinación de un modelo que represente lo más fielmente posible al sistema
dinámico, a partir del conocimiento previo sobre éste y de los datos medidos.

¿Cómo se hace esto? Esencialmente ajustando los parámetros obtenidos hasta que la salida
del modelo coincida, lo mejor posible, con la salida medida.

¿Cómo saber si un modelo es bueno? Una buena prueba es comparar la salida del modelo
con datos medidos que no se usaron en la estimación de los parámetros.

¿Tenemos que asumir un modelo particular? Para modelos paramétricos tenemos que
asumir una estructura. Si asumimos que el sistema es lineal, podemos estimar
directamente la respuesta a impulso o a escalón usando análisis de correlación o su
respuesta frecuencial usando análisis espectral. Se usan mucho para comparar con otros
modelos.

¿Es una gran limitación trabajar sólo con modelos lineales? No, actualmente no.
Generalmente se estiman los parámetros de las partes lineales y haciendo uso de la pericia
física se le añaden al modelo las no linealidades. Finalmente debemos entender que el
modelo obtenido es un reflejo alejado de la realidad, pero que, sorprendentemente, es
suficiente para tomar las decisiones necesarias.

4.2 Identificando de sistemas lineales en los parámetros.

El modelo lineal general de un sistema puede ser descrito simbólicamente según:

P á g i n a 7 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

que dice que la salida medida y es debida a la entrada medida u y al ruido e. Donde G denota
las propiedades dinámicas del sistema, es decir, cómo la salida se forma desde la entrada.
Para sistemas lineales se llama función de transferencia entre la entrada y la salida. H refiere
las propiedades del ruido y se le llama también modelo del ruido, y describe cómo está
formada la perturbación en la salida.

Una forma útil de representar G y H es en funciones racionales de q-1. El modelo

paramétrico ARX (Auto-Regressive eXogen) corresponde a:

donde B y A son polinomios en el operador de retraso q -1 :

Los términos na y nb dan cuenta de los órdenes de los polinomios A(q) y B(q)
respectivamente y nk es el número de retrasos de la entrada a la salida. Usualmente se escribe
el modelo de la siguiente forma:

De manera explícita el modelo ARX se expresa según:

Esto da lugar a un sistema de ecuaciones donde las incógnitas a y b serán los coeficientes de
la función de transferencia discreta y que se obtienen según: Mínimos Cuadrados: Minimiza
la suma de los cuadrados de la parte derecha menos la parte izquierda con respecto a los
P á g i n a 8 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

coeficientes a y b. Para esto se usa la función arx del Matlab. Variable Instrumental: Se
determinan a y b de manera tal que el error entre las partes derecha e izquierda no
correlaciona con alguna combinación lineal de la entrada.

4.3 Aplicaciones de la identificación de control y otras disciplinas.

Modelado de la planta

Ensayos y recogida de datos.

La planta de secado es un sistema multivariable y con gran influencia de perturbaciones

externas. Establecer un modelo que responda a estas características es muy complejo. Pero
si se elige una zona del espacio de trabajo alrededor de un punto nominal de funcionamiento,
y se aplican escalones en las variables de entrada estando en este punto, se obtiene un
conjunto de muestras que pueden permitir la identificación de un modelo que responda de
forma aceptable en esta zona. De esta forma se establece la planta como el siguiente sistema:

Se ha simplificado la planta en un sistema multivariable de dos entradas y dos salidas. La

humedad de entrada se ha tomado constante y hay perturbaciones externas que no vienen
reflejadas, pero como contrapartida se consigue un modelo más simple que permite la
implementación de controladores de forma más sencilla y rápida, pudiendo obtenerse
resultados y sus posteriores análisis más fácilmente. La influencia de cambios en la entrada
Flujo de Combustible se ve reflejada instantáneamente, y el sistema evolucionará sin
retardos. Sin embargo, los cambios en el caudal de producto tienen un efecto muy lento, que
introduce grandes retardos en el sistema. Ello contribuye a la complejidad de obtener un
modelo.

Según el esquema anterior hay dos variables de entrada: caudal de producto y flujo de
combustible. Si se aplican escalones en las dos entradas, se estará definiendo una zona de
trabajo. Pero no todas las combinaciones de escalones son válidas; hay valores de entrada
que podrían llevar al sistema a puntos de trabajo poco interesantes. Por ejemplo, si el flujo
de combustible es bajo y el caudal de producto alto, la arena se pegará en exceso al trómel,
llegándose a un estado estacionario en el que el peso en el trómel es muy alto, pudiéndose
agotar el producto disponible en la tolva.

P á g i n a 9 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

A continuación se muestra la figura de la zona de trabajo elegida:

Es decir, se partirá del punto nominal (N,N) y se aplicarán combinaciones de escalones para
llegar a los distintos vértices del hexágono sombreado de la figura. Los valores a los que
corresponden los niveles bajo, nominal y alto se detallan a continuación.

Las unidades en las que se expresa el Caudal de Producto son Kg / min. Pero no existe ningún
dispositivo que permita medir este caudal. Para ello se siguió una serie de pasos. Una vez
que la planta se ha estabilizado en un punto de trabajo, en primer lugar se desconecta el
tornillo de salida de la tolva nº 2, de forma que se deja de suministrar arena a la planta. Y se
cierra la compuerta superior de esta misma tolva, conociéndose así el valor exacto de arena
que contiene. La arena que se encuentre en circulación se depositará en la tolva nº 1, al estar
la nº 2 cerrada. En un determinado momento se activará el tornillo de salida de la tolva nº 2
al 50% de su funcionamiento, y transcurrido un minuto se volverá a anotar el valor
correspondiente al peso de la tolva nº 2. La diferencia entre los dos pesos es el número de
kilogramos que circulan por minuto. Esta operación se repetirá activando el tornillo de salida
al 0% y al 100%. En un principio los valores que se obtuvieron fueron:

Como puede observarse, las variaciones en el caudal de producto son muy pequeñas, y su
efecto sobre la planta lo serán también. Para que la diferencia de caudal de producto entre los
tres puntos de funcionamiento sea mayor, se deben modificar los parámetros de
funcionamiento del variador correspondiente a la tolva nº2.

P á g i n a 10 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Estos parámetros son el límite inferior y el límite superior de funcionamiento, expresados en

Hz. Para los datos anteriores estos límites se encontraban en 90 y 110 Hz respectivamente.
Tras varias pruebas se definieron los nuevos límites en 50 y 110 Hz. Con éstos los resultados
fueron:

Como se puede apreciar, la diferencia es ahora mayor y aunque el efecto del caudal de
producto es muy lento en las salidas, se observó como bajaba la humedad de salida. Es de
destacar que la compuerta superior de la tolva nº 2 falla si se modifica su estado varias veces.
Esto es debido a que el fusible que dispone el accionamiento es de 1 A., cuando su valor
debería ser de 2 A. Simplemente con reemplazar el fusible por otro volverá a funcionar
correctamente.

Al igual que ocurre con el Caudal de Producto, no existe ningún indicador que nos muestre
el consumo de combustible. Lo que se muestra, y que es modificable, es el tiempo en
segundos que se abre la válvula de combustible. Se fijan unos segundos de apertura que
establecerán un caudal de combustible constante. Se conoce que con tiempos superiores a 2
seg. se pueden producir daños en las instalaciones (la aguja del termostato del quemador
entra en la zona roja), se toman como límites:

P á g i n a 11 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Como el flujo de combustible es una de las variables de entrada y se manejarán estos datos
en el modelado, es mejor pasar esta relación en tiempos al consumo de gas en m3 /hora. Este
consumo no es proporcionado por ningún panel en la planta, así que hay que anotar
directamente los valores del contador de gas que se encuentra junto a la planta de secado, tras
las placas solares:

Para 0, 1 y 2 seg. se activa este valor en el SCADA y se anotan el consumo de gas durante
una hora. Es importante comprobar que no se encuentren en marcha ninguna de las otras
plantas que consumen también combustible, como la planta solar.

Los valores que se obtuvieron de consumo fueron:

Como se puede observar, el consumo de combustible no varía linealmente respecto al tiempo

de apertura de la válvula. Para el posterior modelado se prefiere que la diferencia entre niveles
bajo-nominal y nominal-alto sea la misma, por lo que se modifica el punto nominal para que
esto ocurra. Se realizan distintas pruebas bajando el tiempo de apertura de válvula desde 1
seg. El valor que centra el consumo aproximadamente es de 0.7 seg., por lo que los valores
definitivos con su consumo son:

P á g i n a 12 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Una vez elegidos los posibles valores que pueden tomar las variables de entrada, se pueden
comenzar a realizar los diferentes ensayos. Éstos consistirán en primero estabilizar la planta
sobre el punto nominal de trabajo elegido, luego aplicar un determinado escalón en cada
entrada, y cuando la planta se haya estabilizado, volver al punto nominal.

La planta tarda al menos dos horas en estabilizarse entorno a un nuevo punto de trabajo y los
ensayos deberán realizarse en una franja horaria en la que en la medida de lo posible, las
perturbaciones externas como la temperatura o la radiación solar sean constantes.

Por esto, el procedimiento que se lleva a cabo para la realización de ensayos es el siguiente:
1. Se arranca la planta a las 10 de la mañana, para que sobre las 12 esté estabilizada sobre el
punto nominal.

2. Cambios en las entradas del sistema provocan una transición hasta otro punto de trabajo,
proceso que durará al menos dos horas.

3. Una vez estabilizada la planta se vuelve al punto nominal.

Siguiendo estos pasos, la duración aproximada de los ensayos será de 10a.m. a 5p.m. Entre
los problemas de funcionamiento que presenta el autómata, la franja horaria recomendable
para realizar los ensayos y cambios inesperados en variables que se consideraron constantes
como la humedad de entrada, hay que realizar varios ensayos hasta obtener uno cuyos valores
de salida sean aptos para la identificación. Los mejores ensayos de todos los realizados y que
son usados para la identificación.

P á g i n a 13 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Una vez realizados los ensayos, es necesario obtener un fichero con los datos de las variables
de entrada y de salida. Estos datos son los que permitirán realizar la identificación de la
planta.

Los Datos de la Planta aparecen por defecto, son los campos Datos muestras y Variables los
que hay que rellenar.

En Datos muestras se selecciona la fecha y hora de la primera muestra que se quiere obtener.
Se selecciona el número de muestras y el tiempo de muestreo en segundos.

En el campo Variables se agregan o eliminan de la lista las variables que se quieran obtener.
En este caso son la humedad de entrada, la humedad de salida, el peso de la tolva nº2 y la
temperatura de cola. En el capítulo de SCADA se incluye una tabla en la que se puede
conocer el nombre y significado de cada variable, por si se quiere conocer el estado de alguna
otra.

Finalmente, Se indica en Hoja destino el nombre de la hoja Excel donde se colocarán los
datos.

En este apartado se expone cómo obtener un modelo de la planta de secado a partir de los
ficheros de datos obtenidos en el apartado anterior. La planta de secado se definió como un
sistema multivariable con dos entradas y dos salidas. Utilizando un modelo de funciones de
transferencia (modelo linealizado en torno a las condiciones nominales de operación) se
puede escribir:

La Tª de cola y la Humedad de salida vienen reflejadas en los ficheros Excel obtenidos y

Cprod y Fcomb son los escalones de caudal de producto y flujo de combustible
respectivamente, y que son elegidos por el usuario. Es la matriz G el objeto de la
identificación. El objetivo es obtener un modelo lo más sencillo posible para facilitar la
implementación de controladores, pero que a su vez responda al comportamiento de la planta
en una determinada zona de trabajo. Para facilitar este proceso, se simplifica la planta como
una matriz 2x2, en la que cada elemento corresponde a una función de transferencia que
empareja una sola entrada con una sola salida. La identificación de cada función de
transferencia se realizará con Matlab, que posee una aplicación creada especialmente para
ello: ident. Para identificar cada elemento de la matriz G se emplearán los datos de los
ensayos en los que se haya modificado exclusivamente la entrada correspondiente a ese
elemento. Por ejemplo, para obtener el elemento G11, que relaciona Tª de cola con Caudal
de producto, se utilizarán los datos en los que se haya aplicado un escalón sólo a la entrada
de caudal de producto, y que el flujo de combustible haya permanecido constante. De esta
forma se conocerá el efecto de dicha entrada en dicha salida.

P á g i n a 14 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Trabajar en Matlab. Ir Ejercicio 5

P á g i n a 15 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

BIBLIOGRAFIA

http://sedici.unlp.edu.ar/bitstream/handle/10915/23698/Documento_completo.pdf?se
quence=1&isAllowed=y

http://cursos.aiu.edu/Simulacion%20de%20Eventos/PDF/Tema%201.pdf

http://www.iol.etsii.upm.es/arch/intro_simulacion.pdf

P á g i n a 16 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Ejercicio 1

El siguiente conjunto de datos, representa los tiempos de ensamble/unidad requeridos

para armar manualmente un alternador para auto, tomados con un cronómetro.

No. Tiempo (min)

1 3,58094318
2 2,93870728
3 2,43486393
4 3,49227858
5 3,92192989
6 3,20355656
7 3,89534276
8 2,03674607
9 3,34149579
10 3,62870399
11 2,10201039
12 3,04412834
13 3,50193831
14 2,54403952
15 2,12960713
16 3,33766237
17 3,68111136
18 2,04941193
19 2,70661189
20 2,10236116
21 2,21558136
22 3,88746871
23 3,40718893
24 2,99636433
25 2,0301848

a) Determine la distribución de probabilidad que más se parece o se ajusta al conjunto

de datos presentado mediante una prueba de hipótesis realizada con statfit

b)Elabore un histograma y la curva de la distribución de probabilidad obtenida en el

inciso anterior.

c) Cuáles son los estadísticos o parámetros del conjunto según la distribución de

probabilidad que le corresponde

d) Con que sintaxis ingresaría la distribución de probabilidad seleccionada al software

Promodel?

P á g i n a 17 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

a) Ingresamos a Promodel - StatFit

Pegamos los valores

P á g i n a 18 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Continuos porque tienen decimales,

P á g i n a 19 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Seleccionamos unbounded(No tiene límites) para que realice las pruebas con todas las
distribuciones de probabilidad

Rpta. Los tiempos de ensamble del alternador se asemejan en un 100% a una

distribución uniforme

b)

P á g i n a 20 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

c) Calculamos el valor máximo=MAX(B1:B41), el valor mínimo =MIN(B1:B40),

media=PROMEDIO(C1;C2) y el rango medio =(C1-C2)/2

El promedio del tiempo de ensamble de los alternadores es u=2.66 y el rango medio

h=0.53.

Se lee 2.65+-0.53.

d)

P á g i n a 21 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Ejercicio 2

Una clínica realiza un análisis de colesterol en hombres mayores de 50 años, y luego de varios
muestras tiene los siguientes resultados.

No. Colesterol
1 207
2 200
3 206
4 209
5 204
6 208
7 201
8 195
9 208
10 208
11 203
12 195
13 204
14 197
15 209
16 212
17 202
18 202
19 212
20 196
21 201

a) Determine la distribución de probabilidad que más se parece o se ajusta al conjunto

de datos presentado mediante una prueba de hipótesis realizada con statfit

Rpta. Las muestras para determinar el nivel de colesterol se asemejan en un 100% a

una distribución normal

P á g i n a 22 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

b)Elabore un histograma y la curva de la distribución de probabilidad obtenida en el

inciso anterior.

c) Cuáles son los estadísticos o parámetros del conjunto según la distribución de

probabilidad que le corresponde

Desviación estándar =DESVEST.M(B2:B40), Promedio= Promedio(B2:B40)

d) Con que sintaxis ingresaría la distribución de probabilidad seleccionada al software

Promodel?

Wait N(205, 6.03)

Ejercicio 3

Los sueldos mensuales en una empresa se resumen en la siguiente tabla

a) Determine la distribución de probabilidad que más se parece o se ajusta al conjunto

de datos presentado mediante una prueba de hipótesis realizada con statfit

b) Elabore un histograma y la curva de la distribución de probabilidad obtenida en el

inciso anterior.

c) Cuáles son los estadísticos o parámetros del conjunto según la distribución de

probabilidad que le corresponde

d) Con que sintaxis ingresaría la distribución de probabilidad seleccionada al software

Promodel?

Ejercicio 4

El peso de las sandías en kilogramos varía permanentemente como se muestra en la tabla.

a) Determine la distribución de probabilidad que más se parece o se ajusta al conjunto

de datos presentado mediante una prueba de hipótesis realizada con statfit

P á g i n a 23 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

b) Elabore un histograma y la curva de la distribución de probabilidad obtenida en el

inciso anterior.

c) Cuáles son los estadísticos o parámetros del conjunto según la distribución de

probabilidad que le corresponde

d) Con que sintaxis ingresaría la distribución de probabilidad seleccionada al software

Promodel?

Ejercicio 5

Los datos que se obtuvieron de los distintos experimentos se encuentran en un fichero Excel.
Matlab dispone de la posibilidad de importar estos datos. Seleccionando Archivo Æ Importar
datos, aparecerá una ventana donde se elige el archivo. Una vez abierto se puede configurar
la forma en la que los datos aparecerán en Matlab. La opción a elegir es crear un vector por
cada columna usando el nombre de columna.

Una vez que se poseen las variables de salida en el espacio de trabajo, se crea un vector por
cada entrada. Como el usuario es el que modifica las entradas manualmente en los ensayos,
conoce los valores en el tiempo y sólo hay que crear los vectores. Una vez hecho esto se tiene
todos los datos necesarios para la identificación. Si se escribe ident en la ventana de
comandos de Matlab aparece la siguiente ventana:

P á g i n a 24 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Con esta ventana se podrá realizar todo el proceso de identificación. En File se pueden
guardar y abrir sesiones de datos y en Options configurar algunas preferencias, pero todas las
opciones de identificación se encuentran en los desplegables de las ventanas. En el
desplegable Data aparecen las opciones Import y Example. Con la segunda se aprecia un
ejemplo, con la primera aparece la venta Import Data:

P á g i n a 25 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Como se aprecia en la imagen, en el campo Input se introducirá el nombre de la variable de

entrada, y en Output el de la salida. Se puede seleccionar el instante de comienzo y el tiempo
de muestreo. En este caso es de 60 segundos, que es el tiempo de muestreo que se fijó cuando
se tomaron los datos

Marcando la casilla Time plot aparecen las variables del conjunto de datos seleccionado en
Data representadas frente al tiempo. Los datos importados se arrastran con el ratón hasta la
casilla Working Data. Todas las acciones que aparecen en los desplegables Preprocess y
Estimate se realizarán sobre el conjunto de datos situados en esta casilla.

P á g i n a 26 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Una vez realizado el preprocesado sobre el conjunto de datos, se encuentra listo para estimar
un modelo. Pinchando en el desplegable Estimate aparecen varias opciones; Quick Start
realiza una estimación automática, pero se decide obtener un modelo paramétrico donde se
pueden elegir los parámetros del modelo a obtener. La ventana que aparece es la siguiente:

ARX. Es el que se usa en esta planta por simplicidad. Genera una ecuación diferencial lineal.
na es el número de polos, nb+1 el número de ceros y nk el tiempo de retardo (dead time).

P á g i n a 27 | 30
 Tópicos Avanzados de Modelación y automatización de Sistemas

Siguiendo todos los pasos descritos con el módulo ident, los resultados obtenidos para la
planta fueron: o Relación entre la Tª de cola y el caudal de producto. Corresponde con el
término G11 de la matriz del modelo. Se obtuvo del ensayo en el que la planta se encontraba
en el punto nominal de caudal de producto y alto de combustible, y se le aplicaba un escalón
de producto positivo. La estructura del modelo es ARX y sus coeficientes na=1, nb=1, nk=1.
P á g i n a 28 | 30
Tópicos Avanzados de Modelación y automatización de Sistemas

P á g i n a 29 | 30