Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Morales Medina, GiovanniCarvajal Cipamocha, Gustavo Adolfo2024-03-0320172024-03-0320172017https://noesis.uis.edu.co/handle/20.500.14071/35814En el presente trabajo, utilizando estadística univariada y multivariada; se analizó una matriz de data histórica de operación tomada de una unidad HDT, con el fin de analizar el comportamiento de las observaciones y realizar el planteamiento de modelos matemáticos para la predicción de variables de salida en función de variables de operación y de entrada comúnmente consideradas por la comunidad científica en el análisis del proceso HDT. Se tuvieron en cuenta doce variables, como se presenta más adelante en este trabajo. Inicialmente, se llevó a cabo un análisis estadístico univariado, donde se calcularon parámetros estadísticos clave como el valor máximo, el mínimo, la media y la desviación estándar de cada variable respectivamente. En seguida, se realizó la matriz de correlación entre las variables consideradas, un análisis estadístico no jerárquico Clúster k-medias y análisis Cluster jerárquico (dendograma). A partir de estos tres análisis, se determinó que las variables consideradas, casi en su totalidad, presentaron una muy baja correlación y una alta variabilidad entre si. Finalmente, se establecieron cinco casos de predicción mediante regresión lineal multivariada; se obtuvieron buenos resultados ( ajustado > 0,9) en dos de los cinco casos de predicción planteados. Los buenos resultados obtenidos; se debieron a la alta correlación lineal evidenciada entre las variables flujo de hidrogeno a hidrotratar en la alimentación a la unidad HDT, relación hidrocarburo/hidrogeno alimentados a la zona de reacción, y el flujo de diésel hidrotratado a la salida de la unidad HDT. Estos dos casos de estudio, adicionalmente, se validaron mediante regresión PLS. Se encontró que la variación del grado de ajuste en la estimación pasando de tres a los nueve predictores considerados inicialmente apenas incrementaba de manera insignificante. Esto se justifica, en la alta correlación lineal entre las tres variables mencionadas anteriormente, en la baja influencia de las demás variables predictoras en la predicción y a la baja correlación existente entre casi la totalidad de variables consideradas.application/pdfspahttp://creativecommons.org/licenses/by/4.0/HidrotratamientoPrediccionesEstadistica Univariada Y MultivariadaRegresion Lineal MultipleRegresion PlsCorrelacion Lineal.Universidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coHidrotreatmentPredictionsUnivariated And Bivariated StadisticsMultiple Linear RegressionPls RegressionLinear Correlation.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)