Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Análisis de Sistemas Dinámicos Analisis No Lineal
Análisis de Sistemas Dinámicos Analisis No Lineal
alisis de sistemas
din
amicos lineales
An
alisis de sistemas
din
amicos lineales
Oscar G. Duarte V.
Profesor asociado del Departamento de
Ingeniera Electrica y Electr
onica
Contenido
Contenido
IX
Lista de figuras
XV
Lista de tablas
XXI
Prefacio
XXIII
1. Introducci
on al modelamiento de sistemas
1.1. Conceptos preliminares . . . . . . . . . . . . . . .
1.1.1. Sistemas . . . . . . . . . . . . . . . . . . .
1.1.2. Se
nales . . . . . . . . . . . . . . . . . . .
1.1.3. Modelos . . . . . . . . . . . . . . . . . . .
1.1.4. Construcci
on de los modelos matem
aticos
1.1.5. Clasificaci
on de los modelos matem
aticos
1.1.6. Modelos matem
aticos a utilizar . . . . . .
1.2. Sistemas fsicos . . . . . . . . . . . . . . . . . . .
1.3. Grafos de enlaces de potencia
Bond Graphs . . . . . . . . . . . . . . . . . . .
1.3.1. Elementos b
asicos . . . . . . . . . . . . .
1.3.2. Causalidad . . . . . . . . . . . . . . . . .
1.3.3. Obtenci
on de las ecuaciones . . . . . . . .
1.3.4. Procedimientos especficos . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
2
2
3
4
8
9
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
11
17
18
20
2. Preliminares matem
aticos
2.1. Ecuaciones diferenciales y de diferencia . . . . . . . . . . .
2.1.1. Ecuaciones diferenciales . . . . . . . . . . . . . . .
2.1.2. Ecuaciones de diferencias finitas . . . . . . . . . .
2.1.3. Ecuaciones diferenciales y de diferencias lineales .
2.1.4. Metodos de soluci
on de E.D. lineales . . . . . . . .
2.2. Transformadas de Laplace y Z . . . . . . . . . . . . . . .
2.2.1. Definiciones . . . . . . . . . . . . . . . . . . . . . .
2.2.2. Propiedades . . . . . . . . . . . . . . . . . . . . . .
2.2.3. Parejas de transformadas . . . . . . . . . . . . . .
2.2.4. Utilizaci
on de la tabla de parejas de transformadas
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
21
21
21
22
23
24
27
27
29
31
32
ix
OSCAR G. DUARTE
lineales
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
39
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
43
43
43
45
47
48
48
52
55
56
59
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
65
66
68
70
71
73
73
75
76
78
80
80
82
82
83
83
87
36
89
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
91
91
92
93
94
101
107
112
122
CONTENIDO
5.3.1.
5.3.2.
5.3.3.
5.3.4.
5.3.5.
Transformaci
on bilineal . . . .
Arreglo y criterio de Jury . . .
Lugar geometrico de las races
Diagramas y criterio de Bode .
Diagrama y criterio de Nyquist
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6. Representaci
on en variables de estado
6.1. Introducci
on . . . . . . . . . . . . . . . . .
6.2. Algunos resultados de a
lgebra lineal . . . .
6.2.1. Espacios vectoriales . . . . . . . . .
6.2.2. Valores y vectores propios . . . . . .
6.2.3. Forma can
onica de Jordan . . . . . .
6.2.4. Funciones de matrices cuadradas . .
6.3. Variables de estado . . . . . . . . . . . . . .
6.3.1. El concepto de estado . . . . . . . .
6.3.2. Representaci
on de estado a partir de
6.4. Sistemas continuos libres . . . . . . . . . . .
6.4.1. Retratos de fase . . . . . . . . . . .
6.4.2. Espacio de estado . . . . . . . . . .
6.4.3. Matriz de transici
on de estado . . .
6.5. Sistemas discretos libres . . . . . . . . . . .
6.5.1. Matriz de transici
on de estado . . .
6.6. Sistemas continuos excitados . . . . . . . .
6.6.1. Matriz de funciones de transferencia
6.6.2. Variables de estado en el tiempo . .
6.7. Sistemas discretos excitados . . . . . . . . .
6.7.1. Matriz de funciones de transferencia
6.7.2. Variables de estado en el tiempo . .
6.8. Introducci
on al control por
variable de estado . . . . . . . . . . . . . .
6.8.1. Controlabilidad . . . . . . . . . . . .
6.8.2. Observabilidad . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
E.D.
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
122
124
128
129
133
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
137
137
140
140
144
146
154
157
159
163
165
172
176
180
181
183
183
184
185
185
186
186
. . . . . . . . . . . . 187
. . . . . . . . . . . . 190
. . . . . . . . . . . . 191
7. Introducci
on a los sistemas no lineales
7.1. Perdida de superposicici
on y proporcionalidad .
7.2. M
ultiples puntos de equilibrio . . . . . . . . . .
7.3. Estabilidad local . . . . . . . . . . . . . . . . .
7.4. Orbitas
peri
odicas no sinusoidales . . . . . . . .
7.5. Ciclos lmite . . . . . . . . . . . . . . . . . . . .
7.6. Orbitas
homoclnicas . . . . . . . . . . . . . . .
7.7. Bifurcaciones . . . . . . . . . . . . . . . . . . .
7.8. Comportamientos ca
oticos . . . . . . . . . . . .
xi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
195
197
199
201
201
203
204
205
206
OSCAR G. DUARTE
209
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
209
209
210
211
212
213
213
214
215
215
216
216
218
218
219
219
220
221
221
221
221
222
222
223
223
223
223
223
224
224
226
226
226
227
228
CONTENIDO
D. Apuntes de
algebra lineal
D.1. Espacios vectoriales . . . . . . . . . . . . . . . . . .
D.1.1. Estructuras algebr
aicas b
asicas . . . . . . . .
D.1.2. Definici
on de espacio vectorial . . . . . . . .
D.1.3. Bases . . . . . . . . . . . . . . . . . . . . . .
D.1.4. Cambio de base . . . . . . . . . . . . . . . . .
D.2. Transformaciones lineales . . . . . . . . . . . . . . .
D.2.1. Transformaciones y cambios de base . . . . .
D.3. Normas de vectores y matrices . . . . . . . . . . . .
D.4. Sistemas de ecuaciones algebr
aicas . . . . . . . . . .
D.5. Valores y vectores propios . . . . . . . . . . . . . . .
D.5.1. Valores propios diferentes . . . . . . . . . . .
D.5.2. Valores propios repetidos . . . . . . . . . . .
D.5.3. Obtenci
on de vectores propios generalizados .
D.6. Forma can
onica de Jordan . . . . . . . . . . . . . . .
D.7. Forma can
onica real de Jordan . . . . . . . . . . . .
D.7.1. Bloques de Jordan de tama
no 1 . . . . . . . .
D.7.2. Bloques de Jordan de tama
no mayor que 1 .
D.8. Funciones de matrices cuadradas . . . . . . . . . . .
D.8.1. Polinomios de matrices . . . . . . . . . . . .
D.8.2. Funciones como series de potencias . . . . . .
D.8.3. Definici
on de funciones mediante polinomios .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
239
239
239
241
242
245
247
248
250
255
261
264
267
273
278
280
280
282
282
282
285
287
Bibliografa
295
Indice analtico
297
xiii
OSCAR G. DUARTE
xiv
Lista de figuras
1.1. Sistema y Se
nales . . . . . . . . . . . . . . . . . . . . . . . .
1.2. Sistemas y Modelos . . . . . . . . . . . . . . . . . . . . . . .
1.3. Construcci
on de Modelos . . . . . . . . . . . . . . . . . . .
1.4. Clasificaci
on de los Modelos Matem
aticos de Sistemas . . .
1.5. Sistema Din
amico Continuo . . . . . . . . . . . . . . . . . .
1.6. Sistema Din
amico Discreto . . . . . . . . . . . . . . . . . .
1.7. Elementos de un puerto para grafos de enlaces de potencia .
1.8. Elementos de dos puertos para grafos de enlaces de potencia
1.9. Elementos multipuerto para grafos de enlaces de potencia .
1.10. Grafos de enlace de potencia. Diagrama del ejemplo 1.1 . .
1.11. Grafos de enlace de potencia. Esquema del ejemplo 1.1 . . .
1.12. Grafo de enlaces de potencia del ejemplo 1.1 . . . . . . . . .
1.13. Enlaces con marcas de causalidad . . . . . . . . . . . . . . .
1.14. Grafo causal de enlaces de potencia del ejemplo 1.1 . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
3
4
5
8
8
13
13
14
15
15
16
17
19
Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . .
Transformada Z . . . . . . . . . . . . . . . . . . . . . . . . . . .
Funciones contnuas seg
un la ubicaci
on de sus polos en el plano s
Funciones discretas seg
un la ubicaci
on de sus polos en el plano s
28
29
34
34
43
45
47
47
49
50
51
52
53
54
56
56
2.1.
2.2.
2.3.
2.4.
xv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
57
OSCAR G. DUARTE
3.18. Area
bajo la curva f (t)d . . . . . . . . . . . . . . . . . . . . . .
3.19. Sistema Din
amico Contnuo estimulado con el impulso unitario .
3.20. Relaci
on entre la respuesta al impulso y la funci
on de transferencia. Caso contnuo . . . . . . . . . . . . . . . . . . . . . . . . . .
58
60
61
61
62
62
66
xvi
63
67
67
68
69
69
70
71
72
72
72
73
74
74
76
77
77
78
79
80
81
81
82
LISTA DE FIGURAS
4.24. Regi
on de Frecuencia m
axima de oscilaci
on para un sistema discreto de segundo orden . . . . . . . . . . . . . . . . . . . . . . . .
4.25. Curvas de Amortiguamiento fijo para un sistema discreto de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.26. Regi
on de Amortiguamiento mnimo para un sistema discreto de
segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.27. Regi
on de Dise
no para un sistema discreto de segundo orden . .
4.28. Respuesta al paso de un sistema continuo de segundo orden, con
cero real b = = 1 . . . . . . . . . . . . . . . . . . . . . . . . . .
4.29. Sistema continuo de orden 4 con polos dominantes . . . . . . . .
83
84
84
85
86
87
OSCAR G. DUARTE
5.30. Transformaci
on Bilineal . . . . . . . . . . . . . . . . . . . . . . .
5.31. Arreglo de Routh para el sistema transformado . . . . . . . . . .
5.32. Arreglo de Jury. Primeras dos lneas . . . . . . . . . . . . . . . .
5.33. Arreglo de Jury del ejemplo 5.15. Primeras dos lneas . . . . . .
5.34. Arreglo de Jury del ejemplo 5.15. Primeras cuatro lneas . . . . .
5.35. Arreglo de Jury del ejemplo 5.15. Arreglo completo . . . . . . . .
5.36. root-locus (en rojo) y root-locus complementario (en azul) para
el ejemplo 5.18 . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.37. Relaci
on entre el root-locus y los diagramas de Bode para el caso
discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.38. Diagramas de Bode para el ejemplo 5.19 . . . . . . . . . . . . . .
5.39. Trayectoria de Nyquist para el caso discreto general . . . . . . .
5.40. Trayectoria de Nyquist para el caso discreto con polos en la circunferencia unitaria . . . . . . . . . . . . . . . . . . . . . . . . .
5.41. Diagrama de Nyquist para el ejemplo 5.20 . . . . . . . . . . . . .
6.1.
6.2.
6.3.
6.4.
6.5.
Sistema Continuo de m
ultiples entradas y m
ultiples salidas . . .
Sistema Discreto de m
ultiples entradas y m
ultiples salidas . . . .
Cambio de base de un Vector . . . . . . . . . . . . . . . . . . . .
Diagrama de Matthew vacio simple . . . . . . . . . . . . . . . . .
Diagrama de Bloques de un sistema contnuo en representaci
on
de espacio de Estado . . . . . . . . . . . . . . . . . . . . . . . . .
6.6. Diagrama de Bloques de un sistema discreto en representaci
on de
espacio de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.7. Circuito RLC serie . . . . . . . . . . . . . . . . . . . . . . . . . .
6.8. Motor DC controlado por campo . . . . . . . . . . . . . . . . . .
6.9. Construcci
on de una trayectoria en el Plano de Fase . . . . . . .
6.10. Retrato de Fase . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.11. Retratos de Fase Estables tpicos . . . . . . . . . . . . . . . . . .
6.12. Retratos de Fase Inestables tpicos . . . . . . . . . . . . . . . . .
6.13. Ejemplos Retratos de Fase . . . . . . . . . . . . . . . . . . . . . .
6.14. Retrato de Fase de un Ejemplo . . . . . . . . . . . . . . . . . . .
6.15. Retrato de Fase de un Ejemplo en la base de los vectores propios
6.16. Realimentaci
on por Variable de Estado . . . . . . . . . . . . . . .
6.17. Realimentaci
on por Variable de Estado de un sistema contnuo .
6.18. Realimentaci
on por Variable de Estado de un sistema discreto . .
6.19. Circuito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.20. Realimentaci
on por Variable de Estado con Observador . . . . .
7.1.
7.2.
7.3.
7.4.
7.5.
7.6.
No Linealidades Est
aticas m
as frecuentes . . . . . . . . . . . . .
Sistema No Lineal con dos entradas escal
on . . . . . . . . . . . .
Sistema No Lineal con una entrada escal
on y una sinusoide . . .
Diagrama del pendulo simple . . . . . . . . . . . . . . . . . . . .
Retrato de Fase del pendulo simple con a = b = 1 . . . . . . . . .
Retrato de Fase del pendulo simple alrededor de un punto de
equilibrio del tipo sif
on . . . . . . . . . . . . . . . . . . . . . . . .
xviii
123
124
125
126
126
126
130
131
132
133
134
136
138
138
143
151
158
159
160
161
173
173
174
175
177
180
181
188
188
189
191
192
196
198
198
200
200
202
LISTA DE FIGURAS
202
203
204
205
207
207
231
232
233
234
xix
247
249
252
254
255
255
257
258
258
259
270
272
273
274
274
OSCAR G. DUARTE
xx
Lista de tablas
1.2. Variables y par
ametros de sistemas fsicos . . . . . . . . . . . . .
1.4. Variables Fsicas empleadas en los grafos de enlaces de potencia .
10
12
2.1. Comparaci
on entre ecuaciones diferenciales y de diferencia . . . .
2.2. Metodos elementales de soluci
on de Ecuaciones diferenciales y de
diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Comparaci
on de las definiciones de las transformadas de Laplace
yZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4. Propiedades de las transformadas de Laplace y Z . . . . . . . .
2.5. Tabla de parejas de transformadas elementales . . . . . . . . . .
2.6. Tabla de parejas de transformadas elementales multiplicadas por
el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.7. Ubicaci
on de los polos en los planos complejos y funciones en el
tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
5.1.
5.2.
5.3.
5.5.
25
29
31
32
33
33
xxi
OSCAR G. DUARTE
xxii
Prefacio
Este texto de an
alisis de sistemas din
amicos se ha preparado como material de apoyo para el curso de igual nombre impartido en la Facultad de
Ingeniera de la Universidad Nacional de Colombia. Existe una versi
on electr
onica en la p
agina del proyecto Universidad Virtual de la misma universidad
(http://virtual.unal.edu.co) que est
a acompa
nada de aplicaciones de software, enlaces y documentaci
on u
tiles para la aprehensi
on de los conceptos aqui
presentados.
Se ha supuesto un lector con conocimentos mnimos de ecuaciones diferenciales y cuyo interes en el tema este cercano al control de sistemas din
amicos. En
general, es adecuado como gua para cursos de pregrado en ingeniera, aunque
el apendice D tiene un nivel m
as avanzado.
El cuerpo principal del texto se organiza asi: El captulo 1 delimita el tipo
de sistemas que se estudiar
an en el texto y presenta las ideas b
asicas sobre
c
omo obtener las ecuaciones matem
aticas que describen su comportamiento.
Esta tarea (la obtenci
on de las ecuaciones) es fundamental para el an
alisis y
control de sistemas, y amerita un estudio mucho m
as profundo que el destinado
en este captulo introductorio; en los restantes captulos se asume que ya se
cuenta con las ecuaciones de los sistemas a estudiar.
Los fundamentos matem
aticos para solucionar dichas ecuaciones se resumen
en el captulo 2; especial enfasis se hace en los metodos de las transformadas de
Laplace y Z. Los herramientas m
as usuales de an
alisis de sistemas se presentan
en el captulo 3 y el captulo 4 se dedica al estudio de los sistemas de primer
y segundo, que resultan ser fundamentales pues presentan los comportamientos
b
asicos que pueden aparecer en cualquier sistema din
amico.
La realimentaci
on, estrategia fundamental del control de sistemas din
amicos,
se explora en el captulo 5. Un enfoque diferente al an
alisis de sistemas, el espacio
de estado, se aborda en el captulo 6. Finalmente, el captulo 7 presenta algunos
comportamientos que pueden aparecen en los sistemas no lineales, y que no
pueden existir en los sistemas lineales.
Adicionalmente, se han incluido cuatro apendices: El apendice A contiene las
xxiii
OSCAR G. DUARTE
Oscar G. Duarte
xxiv
Captulo 1
Introduccion al modelamiento de
sistemas
1.1.
Conceptos preliminares
1.1.1.
Sistemas
No es f
acil encontrar una definici
on exacta de sistema, quiz
as porque el termino es utilizado en muy diversos contextos. En un sentido amplio, podemos
entender por sistema aquello que se va a estudiar. Tal definici
on es extremadamente vaga pero pone de manifiesto la necesidad de delimitar el objeto de
estudio, de imponerle unas fronteras precisas. Dividimos el universo en dos partes: El sistema y todo lo dem
as; esto u
ltimo lo denominamos el Entorno del
Sistema.
Podemos imaginar sistemas de tipos muy diferentes de acuerdo a que es lo
que se va a estudiar; si se desea conocer c
omo se nutre un determinado animal
estariamos definiendo un sistema biol
ogico, mientras que si lo que se quiere es
conocer la variaci
on de la poblaci
on en una determinada ciudad a traves de los
a
nos definiriamos un sistema sociol
ogico. Pueden plantearse tambien sistemas
abstractos, como por ejemplo el conjunto de los n
umero enteros o las estrategias
de comunicaci
on ling
usticas.
El prop
osito de este curso no es, por supuesto, abordar cualquier tipo de
sistema, sino que se limita al estudio de un tipo especfico de sistemas que suelen
denominarse en el contexto de la fsica, la matem
atica y la ingeniera Sistemas
1
OSCAR G. DUARTE
Din
amicos Lineales. Para precisar que tipo de sistemas son estos requerimos
primero de la presentaci
on de los conceptos dese
nales y modelos.
1.1.2.
Se
nales
Las se
nales son el medio a traves del cual el sistema interact
ua con su entorno.
En la figura 1.1 se visualiza esta interacci
on: El sistema, est
a representado por
un rect
angulo, lo que da a entender que tiene sus fronteras definidas en forma
precisa; este sistema recibe del entorno unas se
nales de entrada, representadas
por flechas, y entrega a su entorno unas se
nales de salida, tambien representadas
por flechas.
En las aplicaciones tpicas de ingeniera, las se
nales de entrada y salida son
variables (fsicas o abstractas) que camban en el tiempo, como por ejemplo,
fuerzas, velocidades, temperaturas, etc.
Sistema
Entradas
Salidas
1.1.3.
Modelos
Modelos mentales: son representaciones presentes en nuestro cerebro; tenemos, por ejemplo, una representaci
on mental de nuestro cuerpo que nos
permite controlarlo para caminar, saltar, etc.
Modelos ling
usticos: son representaciones con palabras; este p
arrafo, por
ejemplo intenta explicar con palabras que es el sistema denominado modelo
ling
ustico.
2
Modelos gr
aficos: en ocasiones empleamos tablas y/o gr
aficas como modelos;
los cat
alogos de productos de ingeniera suelen contener muchos ejemplos
de este tipo de modelo.
Modelos matem
aticos: estos modelos son ampliamente usados en a
reas como
la fsica, la ingeniera, la economa, etc.; generalmente se trata de ecuaciones que muestra las relaciones existentes entre las variables que afectan
un sistema;
Modelos de software: en ocasiones es posible desarrollar programas de computador que representen a sistemas complejos.
Modelo1
Modelo4
Sistema
Modelo2
Modelo3
1.1.4.
Construcci
on de los modelos matem
aticos
En general, la construcci
on de modelos se basa en la observaci
on del sistema.
Existen algunos caminos b
asicos para obtener un modelo (ver figura 1.3):
Modelamiento de sistemas: Esta estrategia consiste en descomponer (abstractamente) el sistema en subsistemas m
as simples, cuyos modelos sean
3
OSCAR G. DUARTE
modelo interno.
Identificaci
on de Sistemas: Esta estrategia consiste en acumular un n
umero
suficiente de observaciones sobre las se
nales de entrada y salida del sistema,
con el prop
osito de emplearlas para construir un modelo del mismo. No se
centra en lo que existe al interior del sistema, sino en su comportamiento
respecto al entorno. El modelo asi obtenido se conoce como modelo de caja
negra o
modelo entrada - salida.
Estrategia hbrida: Existe una tercera estrategia, que realmente es una combinaci
on de las anteriores: Al igual que en la estrategia de modelamiento,
se emplea el conocimiento que este a la mano acerca de la estructuta interna del sistema y las leyes que rigen su comportamiento, y se emplean
observaciones para determinar la informaci
on que haga falta. El modelo
asi obtenido se conoce como modelo de caja gris.
Modelamiento
de Sistemas
Modelos
de caja
blanca
Identificaci
on
de Sistemas
Modelos
de caja
gris
Modelos
de caja
negra
1.1.5.
Clasificaci
on de los modelos matem
aticos
En el a
mbito de este texto se emplear
an modelos de tipo matem
atico, es decir, nuestros modelos ser
an ecuaciones y el an
alisis de los sistemas asi modelados
estar
a ligado a la soluci
on de dichas ecuaciones. Las siguientes definiciones ayudar
an a puntualizar que tipo de modelos matem
aticos son los que se pretenden
estudiar, seg
un se observa en la figura 1.4.
Modelos causales y no causales: El estado de un sistema causal depende
s
olo de las condiciones presentes y pasadas, pero no de las futuras, es
decir hay una relaci
on de causalidad. Los sistemas fsicos son causales,
pero se pueden concebir modelos de ciertos sistemas que no lo sean. En el
texto se estudiar
an s
olo sistemas causales
4
Modelos
Matem
aticos
No Causales
Causales
Est
aticos
Din
amicos
Determinsticos
Estoc
asticos
Par
ametros
Par
ametros
Distribuidos Concentrados
No Lineales
Lineales
Variantes
en tiempo
Invariantes
en tiempo
Discretos
Continuos
OSCAR G. DUARTE
Modelos est
aticos y din
amicos: El estado de un sistema est
atico depende
s
olo de las condiciones presentes y no de las pasadas. En contraposici
on,
el estado de un sistema din
amico depende de lo que haya sucedido en el
pasado, generalmente debido a que en el sistema hay alg
un tipo de almacenamiento de energa. Los sistemas din
amicos tambien se conocen como
sistemas con memoria. Los modelos de sistemas din
amicos son ecuaciones diferenciales o de diferencia. En el texto se estudiar
an s
olo sistemas
din
amicos.
Modelos estoc
asticos y determinsticos: En ocasiones se sabe que existen
variables que afectan el sistema, pero no es posible predecir el valor que
estas puedan tomar; una de las alternativas para hacer frente a estos casos
consiste en considerar que esa variable es aleatoria y buscar tecnicas basadas en la teora de probabilidades para analizar el sistema. Un modelo que
incluya variables aleatorias es un modelo estoc
astico, mientras que mode
los exentos de aleatoridad se denominan modelos determinsticos. Estos
u
ltimos ser
an los que se estudien en este texto.
Modelos de par
ametros concentrados y distribuidos: La mayora de los
fen
omenos fsicos ocurren en una regi
on del espacio, pero en muchas ocasiones es posible representar ese fen
omeno como algo puntual; por ejemplo,
para estudiar la atracci
on entre el sol y la tierra es posible representar toda
la masa de cada uno de esos cuerpos concentrada en un u
nico punto (su
centro de gravedad).
Sin embargo, otros fen
omenos como la transmisi
on de ondas electromagneticas o las olas en el mar requieren una representaci
on que considere
que est
a sucediendo en cada punto del espacio, en este caso se necesita
un modelo de par
ametros distribuidos en el espacio, en contraposici
on de
los modelos de par
ametros concentrados. Los modelos de par
ametros distribuidos implican ecuaci
ones diferenciales con derivadas parciales y no
ser
an estudiados en este texto; por su parte los modelos de par
ametros
concentrados, requieren ecuaciones con derivadas o ecuaciones de diferencia ordinarias.
Modelos lineales y no lineales: La linealidad es una propiedad que pueden
tener o no las funciones; realmente se trata de dos propiedades agrupadas
bajo un mismo nombre. Dada una funci
on y = f (x) est
as propiedades son:
1. Proporcionalidad: Es igual calcular la funci
on en un argumento amplificado por un factor que calcularla sobre el argumento y luego
amplificar el resultado por ese mismo factor:
f (x) = f (x)
En terminos pr
acticos, esto significa que en los modelos lineales al
duplicar las entradas se duplican las salidas.
6
2. Superposici
on: Es igual calcular la funci
on en la suma de dos argumentos que calcularla por separado en cada uno de los argumentos y
sumar los resultados.
f (x1 + x2 ) = f (x1 ) + f (x2 )
En terminos pr
acticos, esto significa que en los modelos lineales de
varias entradas, las salidas pueden conocerse calculando por separado
el efecto de cada entrada y sumando los resultados.
En este texto se estudiar
an los modelos lineales, y tan s
olo en el captulo
7 se mencionar
an algunos comportamientos especiales que pueden ocurrir
en los sistemas no lineales.
Modelos variantes e invariantes en el tiempo: Un modelo se dice invariante en el tiempo cuando las propiedades del sistema modelado se consideran constantes en el tiempo. En caso contrario se dice variante en el
tiempo. N
otese que la variaci
on se refiere a las propiedades (par
ametros)
del sistema, no de las se
nales que le afectan (variables). En la mayor parte
de este curso se considerar
an sistemas invariantes en el tiempo.
Modelos continuos y discretos: Para describir el comportamiento de sistema din
amicos es posible definir la variable tiempo en dos formas distintas:
Tiempo continuo: Se considera que el tiempo t es una variable continua que puede tomar cualquier valor real, aunque generalmente se
restringe a los valores positivos (t R+ ). Las variables resultan ser
descritas por funciones que van de los reales positivos a los reales
(f : R+ R).
Tiempo discreto: Se considera que el tiempo k es una variable discreta,
es decir, que s
olo toma valores en ciertos puntos de la recta real.
Usualmente estos instantes est
an espaciados de forma regular en un
intervalo T . En este texto se considera adem
as T = 1, en unidades
de tiempo adecuadas, que pueden ser a
nos, das, microsegundos, etc.
De esta forma k es una variable entera, generalmente positiva (k
Z+ ). Las variables resultan ser descritas por funciones que van de los
enteros positivos a los reales (f : Z+ R), es decir, son sucesiones.
En este texto se considerar
an ambos tipos de modelos, pero en forma independiente, es decir, no se considerar
an sistemas hbridos que tengan una
parte descrita en forma continua y otra en forma discreta. Estos sistemas
son de amplio interes en las aplicaciones de control digital y en tratamiento digital de se
nales (particularmente el efecto del periodo T del tiempo
discreto resulta ser importante), pero no son tratados en este texto.
OSCAR G. DUARTE
1.1.6.
Modelos matem
aticos a utilizar
dn y
dy
+ + a1
+ a0 y(t) =
dtn
dt
bm
du
dm u
+ + b1
+ b0 u(t) n m (1.1)
m
dt
dt
u(t)
Sistema
y(t)
u(k)
Sistema
y(k)
La condici
on n m de las ecuaciones (1.1) y (1.2) asegura modelos causales.
En efecto, podemos suponer una ecuaci
on de diferencias que viole esta condici
on,
por ejemplo y(k) = u(k + 1) ; es obvio que para cualquier k la salida del sistema
depende de una condici
on futura de la entrada, (por ejemplo para k = 0 se tiene
y(0) = u(1)), lo que viola la condici
on de causalidad.
Otro tipo de ecuaciones diferenciales que se emplear
an relacionan vectores
de variables mediante matrices. Para el caso continuo se muestra un ejemplo en
(1.3) y para el caso discreto en (1.4)
a11
x 1
x 2 = a21
a31
x 3
a12
a22
a32
8
x1
a13
a23 x2
x3
a33
(1.3)
1.2. SISTEMAS F
ISICOS
a11
x1 (k + 1)
x2 (k + 1) = a21
a31
x3 (k + 1)
1.2.
a12
a22
a32
a13
x1 (k)
a23 x2 (k)
a33
x3 (k)
(1.4)
Sistemas fsicos
Electrico B
Mec
anico rotacional
Torque
Hidra
ulico
(Tanques)
Caudal
Esfuerzo
Corriente
E
Flujo
i
Tensi
on
e
Corriente
f
Velocidad
F
Resistencia
e
Conductancia
i
Resistencia
v
Amortiguamiento
viscoso
q
Nivel de lquido
h
Resistencia
Hidra
ulica
E = RF
Inductancia
i = Ge
Capacitancia
i = C de
dt
Inductancia
e = Ri
Inductancia
f = Bv
Masa
de
inercia
f = M dv
dt
Resorte
Velocidad
angular
Amortiguamiento
viscoso
rotacional
= B
Momento de
inercia
= J d
dt
Resorte torsional
=
KT dt
10
Tensi
on
Mec
anico
traslacional
Fuerza
E = L dF
dt
Capacitancia
E = C F dt
i=
1
L
edt
di
e = L dt
Capacitancia
e = C1 idt
f =K
vdt
q = RH h
Area
de tanque
q = A dh
dt
Termico
Diferencia de
temperatura
Flujo de calor
qc
Resistencia
termica
= RT qc
Capacitancia
termica
=
CT qc dt
OSCAR G. DUARTE
Electrico A
1.3.
La construcci
on de modelos matem
aticos a partir de las relaciones de la tabla
1.2 puede ser una tarea complicada para sistemas complejos en los que existan
combinaciones de sistemas de diferente tipo. Una de las estrategias que facilita
la construcci
on de tales modelos se denomina tecnica de los Bond Graphs.
Los Bond Graphs son grafos basados en las relaciones de potencia que existen en los sistemas fsicos, y por esa raz
on los llamaremos grafos de enlaces de
potencia, aunque esta no es una traducci
on literal, ni es ampliamente empleada.
La representaci
on de las relaciones de potencia se hace en funci
on de una
pareja de variables, Esfuerzo e(t) y Flujo f (t) que se seleccionan adecuadamente
seg
un el tipo de sistema a modelar, de tal manera que la potencia p(t) se calcule
como
p(t) = e(t)f (t)
(1.5)
1.3.1.
Elementos b
asicos
11
OSCAR G. DUARTE
Sistema
Electrico
Esfuerzo
Tensi
on electrica
e
v
Flujo
Corriente electrica
f
i
Mec
anico
traslacional
Mec
anico rotacional
Hidra
ulico
Fuerza
Velocidad
Torque
Velocidad angular
Presi
on
dQ/dt
Termico A
Temperatura
Termico B
Presi
on
Qumico A
Potencial qumico
Qumico B
Entalpa
Magnetico
Fuerza magnetomotriz
em
Variaci
on de flujo
volumetrico
Variaci
on de diferencia de entropa
Variaci
on de cambio de volumen
Variaci
on de flujo
molar
Variaci
on de flujo
m
asico
Flujo magnetico
ds/dt
dV /dt
dN/dt
dm/dt
figura 1.9 muestra los dos tipos de uniones existentes, sus smbolos y las
relaciones matem
aticas que los rigen.
Tipo de Elemento
Smbolo
Elemento
R
e
f
Elemento
C
e
f
Elemento
I
e
f
Relaciones
e = Rf
f=
e=C
f=
e
R
f dt
1 de
C dt
e = I df
dt
f=
1
I
edt
Fuente de
Esfuerzo
Se
e
f
e = Se
Fuente de
Flujo
Sf
e
f
f = Sf
Tipo de Elemento
Transformador
Rotador
Smbolo
e1
f1
TF : k
e1
f1
GY : k
Relaciones
e2
f2
e1 = ke2
e2
f2
e1 = kf2
f1 =
f1 =
13
f2
k
e2
k
OSCAR G. DUARTE
Tipo de Elemento
Smbolo
Relaciones
e2 f2
Uni
on
Tipo 0
e1
f1
e3
f3
e1 = e 2 = e 3 = e 4
e3
f3
e1 = e 2 + e 3 + e 4
f1 = f 2 + f 3 + f 4
f4 e4
e2 f2
Uni
on
Tipo 1
e1
f1
1
f4
f1 = f 2 = f 3 = f 4
e4
14
+
v(t)
Dominio Rotacional
L
k
Rb
us
D/2
Ce
Dominio Electrico
Dominio Traslacional
Re
mg
Figura 1.11: Grafos de enlace de potencia. Esquema del ejemplo 1.1
15
OSCAR G. DUARTE
S..e
us
e1
f1
I :L
I:J
e2 f2
e6 f6
e3
f3
GY
..
k
f4 e4
e5
f5
e7
f7
TF : D
2
f8 e8
f9 e9
R : Re
R : Rb
C : Cel
f10
e10
0
f11 e11
Se : mg
e13
f13
1
f12 e12
I:m
16
Salida de Flujo
e
f
f = g(e)
Salida de Esfuerzo
e
f
e = g(f )
1.3.2.
Causalidad
En las figuras 1.7 y 1.8 se observa que las relaciones entre esfuerzo y flujo
pueden escribirse de dos formas diferentes para algunos de los elementos:
Salida de Esfuerzo: se calcula e en funci
on de f , por ejemplo e = g(f ).
Salida de Flujo: se calcula f en funci
on de e, por ejemplo f = g(e).
La figura 1.13 muestra c
omo se modifica el smbolo del enlace cuando se
toma cada una de las dos alternativas, agregando unas marcas de causalidad en
alguno de los extremos del enlace.
El an
alisis de causalidad permite determinar cu
al de los dos tipos de relaciones debe emplearse en cada enlace. Para ello, es necesario definir las siguientes
relaciones de causalidad:
Causalidad fija: En ocasiones s
olo es posible un tipo de causalidad, como
por ejemplo en las fuentes de Esfuerzo y Flujo; en estas situaciones la
causalidad est
a predeterminada.
Causalidad condicionada: En los elementos de m
as de un puerto la causalidad est
a condicionada por las siguientes reglas:
En un rotador cada uno de sus puertos debe tener una causalidad
diferente
En un transformador ambos puertos deben tener la misma causalidad
En las uniones tipo 0 s
olo hay una marca de causalidad en el lado de
la uni
on.
En las uniones tipo 1 s
olo hay una marca de causalidad que no este
del lado de la uni
on.
Causalidad preferida: En los elementos cuya relaci
on esfuerzo-flujo puede
ser una integral o una derivada, en este texto se prefiere la relaci
on de
derivaci
on2 , por lo tanto se tiene que
2 La
integraci
on es preferible para la utilizaci
on de metodos numericos.
17
OSCAR G. DUARTE
1.3.3.
Obtenci
on de las ecuaciones
f3 =
e1 = e 2 + e 3 + e 4
1
K e5
S..e
us
e1
f1
I :L
I :J
e2 f2
e6 f6
e3
f3
GY
..
k
f4 e4
e5
f5
e7
f7
TF : D
2
f8 e8
f9 e9
R : Re
R : Rb
C : Cel
f10
e10
0
f11 e11
Se : mg
e13
f13
1
f12 e12
I:m
19
OSCAR G. DUARTE
Segunda uni
on: f5 = f6 = f7 = f8
Transformador: e7 = D
2 e9
e5 = e 6 + e 7 + e 8
2
f7 = D
f9
f9 = f10 + f11
1.3.4.
Procedimientos especficos
20
Captulo 2
Preliminares matematicos
2.1.
2.1.1.
Una ecuaci
on diferencial es una ecuaci
on en la que intervienen derivadas (y/o
integrales). La variable que mide el tiempo (t) vara contnuamente (t R). Un
ejemplo sencillo es el siguiente
dx
= 2x(t)
(2.1)
dt
La soluci
on de una ecuaci
on diferencial es una funci
on f (t) t R que satizfaga la ecuaci
on. Cualquiera de las siguientes funciones es soluci
on de la ecuaci
on
(2.1):
f1 (t) = e2t ya que
df1
dt
df2
dt
df3
dt
OSCAR G. DUARTE
2.1.2.
Una ecuaci
on de diferencias es una ecuaci
on en la que intervienen diferencias
finitas. La variable que mide el tiempo (k) vara discretamente . En general, existen tres posibilidades para considerar la forma en que se produce esta variaci
on
discreta:
k = 1, 2, 3,
k = T, 2T, 3T, T Rk = k1 , k2 , k3 , ki R
En la primera opci
on el tiempo es una variable entera (k Z), mientras
que en la segunda es una variable real que s
olo toma ciertos valores espaciados
uniformemente. En este texto se adoptar
a la primera opci
on. No obstante, debe
aclararse que la segunda opci
on es muy empleada en aplicaciones de control
digital y tratamiento de se
nales, en las que la elecci
on adecuada del valor de T
resulta de extrema importancia1 .
El siguiente es un ejemplo sencillo de una ecuaci
on de diferencias
x(k + 1) = 2x(k)
(2.2)
N
otese la similitud con el ejemplo de la ecuaci
on 2.1, en el que la derivada de
primer orden ha sido remplazada por la diferencia finita de primer orden. Como
el tiempo no es contnuo, no tiene sentido hablar de derivadas e integrales de
las funciones, pues las variables no son continuas en ning
un punto.
La soluci
on de una ecuaci
on de diferencias es una funci
on f (k) k Z que
satizfaga la ecuaci
on. Cualquiera de las siguientes funciones es soluci
on de la
ecuaci
on (2.2):
f1 (k) = 2k = 1, 2, 4, ya que f1 (k + 1) = 2k+1 = 2f1 (k)
f2 (k) = 2(2k ) = 2, 4, 8, ya que f2 (k + 1) = 2(2k+1 ) = 2f2 (k)
f3 (k) = 3(2k ) = 3, 6, 12, ya que f2 (k + 1) = 3(2k+1 ) = 2f3 (k)
Para poder establecer una u
nica soluci
on de la ecuaci
on, es preciso conocer
unas condiciones auxiliares. El n
umero de estas condiciones necesarias es igual al
grado de la ecuaci
on (n). Usualmente, en las aplicaciones de an
alisis de sistemas
din
amicos, estas condiciones se determinan para el instante de tiempo k = 0,
por lo que se denominan condiciones iniciales, y corresponden al valor de la
funci
on desconocida y de sus diferencias en k = 0:
f (k), f (k + 1), f (k + 2), f (k + 3), , f (k + n)
con k = 0
es decir
f (0), f (1), f (2), f (3), , f (n)
Por ejemplo, al establecer f (0) = 1 como condici
on adicional para la ecuaci
on
(2.2), la u
nica soluci
on v
alida es f1 (k) = 2k
1 En general el problema surge al considerar que un mismo sistema puede describirse por
ecuaciones diferenciales y de diferencia en forma simult
anea. En este texto se considerar
an
s
olo sistemas continuos o discretos, pero nunca una mezcla de ambos.
22
Ecuaciones diferenciales
Intervienen derivadas
El tiempo (t) vara contnuamente
(t R)
La soluci
on es una funci
on f (t) t
R que satizfaga la ecuaci
on.
Ecuaciones de diferencia
Intervienen diferencias finitas.
El tiempo (k) vara discretamente
(k Z).
La soluci
on es una funci
on f (k) k
Z (una sucesi
on) que satizfaga la
ecuaci
on.
Para poder establecer una u
nica soluci
on de la ecuaci
on se emplean
tantas condiciones iniciales como orden tenga la ecuaci
on.
Las condiciones iniciales son
y(0), y(1), y(2),
y(0),
2.1.3.
Linealidad
La linealidad es una propiedad de algunas funciones. Para poseer esta propiedad es necesario satisfacer dos condiciones. Sea la funci
on f (x) : U V ,
para x1 , x2 U y a un escalar, las dos condiciones son:
1. superposici
on: f (x1 + x2 ) = f (x1 ) + f (x2 )
2. proporcionalidad: f (ax1 ) = af (x1 )
Las derivadas, las integrales y las diferencias finitas son operaciones lineales. La
funci
on f (x) = ax + b no es una funci
on lineal, a menos que b sea cero 2 .
E.D. lineales
Las ecuaciones diferenciales lineales son de la forma
an (t)
dy
dy n
+ a0 (t)y(t) =
+ + a1 (t)
n
dt
dt
dum
du
bm (t) m + + b1 (t)
+ b0 (t)u(t) (2.3)
dt
dt
23
OSCAR G. DUARTE
(2.4)
dy n
dy
dum
du
+
+
a
+
a
y(t)
=
b
+ + b1
+ b0 u(t)
1
0
m
n
m
dt
dt
dt
dt
(2.5)
2.1.4.
M
etodos de soluci
on de E.D. lineales
La soluci
on de una E.D. lineal tiene dos componentes:
ycompleta (t) = yhomogenea (t) + yparticular (t)
y(t) = yh (t) + yp (t)
(2.7)
o
en el caso discreto
ycompleta (k) = yhomogenea (k) + yparticular (k)
y(k) = yh (k) + yp (k)
(2.8)
y + 3y + 2y = f(t)
donde f (t) = t2 + 5t + 3 y las C.I. son y(0) = 2 y(0)
=3
1. Obtener la soluci
on homogenea El polinomio caracterstico es:
P () = 2 + 3 + 2
P () = ( + 2)( + 1)
24
(2.9)
Ecuaciones diferenciales
Ecuaciones de diferencia
1. Obtener la soluci
on homogenea con el siguiente procedimiento:
1. Obtener la soluci
on homogenea con el siguiente procedimiento:
Se escribe el polinomio
caracterstico de la ecuaci
on.
Se escribe el polinomio
caracterstico de la ecuaci
on.
Se construye la soluci
on
yh (t) = c1 e1 t + +
c n e n t
Se construye la soluci
on
yh (k) = c1 k1 + + cn kn
2. Obtener una soluci
on particular yp (t). Generalmente se procede probando una soluci
on
similar a la funci
on de entrada, u(k)
3. Construir la respuesta completa y(k) = yh (k) + yp (k), remplazar las condiciones iniciales, y obtener los coeficientes
c1 , , c n
3. Construir la respuesta completa y(t) = yh (t) + yp (t), remplazar las condiciones iniciales, y obtener los coeficientes
c1 , , c n
25
OSCAR G. DUARTE
La soluci
on homogenea es
yh (t) = c1 et + c2 e2t
(2.10)
(2.11)
= c1 e0 2c2 e0 + 1 = c1 2c2 + 1 = 3
Con estas dos ecuaciones se obtienen los valores de c 1 y c2
c1 = 4 c2 = 3
Por lo tanto, la soluci
on completa de la ecuaci
on diferencial es:
y(t) = 4et 3e2t + t + 1
(2.12)
(2.13)
1
(f (k) + 3y(k + 1) y(k))
2
2.2.
2.2.1.
f (k)
0
1
4
..
.
y(k)
y(0) = 2
y(1) = 1
y(2) = 1/2
..
.
y(k + 1)
y(1) = 1
y(2) = 1/2
y(3) = 3/4
..
.
y(k + 2)
y(2) = 1/2
y(3) = 3/4
y(3) = 23/8
..
.
Transformadas de Laplace y Z
Definiciones
Transformada de Laplace
Dada una funci
on f (t) de los reales en los reales,
f (t) : R R
Existe una funci
on L denominada transformada de Laplace que toma como
argumento f (k) y produce una funci
on F (s) de los complejos en los complejos.
F (s) : C C
27
OSCAR G. DUARTE
f (t)
RR
L
L
F (s)
CC
La funci
on L1 denominada transformada inversa de Laplace toma como
argumento F (s) y produce f (t), tal como se visualiza en la figura 2.1
La transformada de Laplace se define3 como
.
F (s) = L {f (t)} =
f (t)est dt
(2.14)
f (t)est dt
(2.15)
f (k)z k
(2.16)
k=0
3 La integral que define la transformada de Laplace puede no converger para algunos valores
de la variable compleja s,lo que establece una regi
on de convergencia para la transformada de
una determinada funci
on. Este hecho es irrelevante para nuestras aplicaciones de soluciones
de E.D. lineales.
4 De forma semejante al caso de la transformada de Laplace, la sumatoria que define la
transformada Z puede no converger para algunos valores de la variable compleja z, estableciendose asi una regi
on de convergencia para cada funci
on. Este hecho es irrelevante para
nuestras aplicaciones de soluciones de E.D. lineales.
28
f (k)
ZR
Z
Z
F (z)
CC
Transformada Z
Transformada de Laplace
f (t)
RR
L
L
f (k)
F (s)
CC
ZR
Z
Z
F (z)
CC
F (s) = 0 f (t)est dt
Transformada bilateral Z:
.
Fb (s) = Lb {f (t)}
Fb (s) = f (t)est dt
.
Fb (z) = Zb {f (k)}
Fb (z) = k= f (k)z k
f (k)z k
(2.17)
k=
2.2.2.
Propiedades
OSCAR G. DUARTE
Transformada Z
Sean f (k), f1 (k), f2 (k) tres funciones cuyas Transformadas Z son, respectivamente F (z), F1 (z), F2 (z) y a
un escalar (real o complejo). Se cumplen las siguientes propiedades:
Linealidad:
Diferenciaci
on5 :
L
5 El
df (t)
dt
superndice
Diferencia positiva:
Z {f (k + 1)} = zF (z) zf (0)
= sF (s) f (0+ )
(i)
30
di f
dti
Z {f (k + n)} = z n F (z)
n1 ni
i=0
z f (i)
dn f (t)
= sn F (s)
dtn
n1 ni1 (i) +
f (0 )
i=0 s
Desplazamiento en la frecuencia:
Escalamiento en la frecuencia:
Z ak f (t) = F (z/a)
at
L e f (t) = F (s a)
Multiplicaci
on por t:
L {tn f (t)} = (1)n
Multiplicaci
on por k:
dn F (s)
dsn
Z {k n f (k)} =
z
lm f (t) = lm sF (s)
f (0) = lm F (z)
t0+
lm f (t) = lm sF (s)
s0
Convoluci
on:
z1
Convoluci
on:
d
Z k (n1) f (k)
dz
f1 (t )f2 ( )d
f1 (k) f2 (k) =
k=0
f1 (k)f2 (h k)
2.2.3.
Parejas de transformadas
La tabla 2.5 muestra las parejas de transformadas para las funciones elementales m
as importantes en el an
alisis de sistemas din
amicos. El contenido de la
tabla se demuestra en el Apendice A. De estas parejas destacamos los siguientes
hechos:
1. En cada uno de los casos de las tablas 2.5 y 2.6, las transformadas (de
31
OSCAR G. DUARTE
Transformada de Laplace
f (t)
F (s)
f (k)
(t)
1
s
(k)
eat
1
sa
s2 + 2
s
s2 + 2
(s)2 + 2
(s)
(s)2 + 2
ak
sin t
cos t
e
sin t
et cos t
Transformada Z
sin ak
cos ak
bk sin ak
bk cos ak
F (z)
z
z1
z
za
z sin a
z 2 2z cos a+1
z 2 z cos a
z 2 2z cos a+1
zb sin a
z 2 2bz cos a+b2
2
z zb cos a
z 2 2bz cos a+b2
2.2.4.
Utilizaci
on de la tabla de parejas de transformadas
Para emplear las tablas 2.5 y 2.6 para obtener la transformada inversa de
una funci
on, primero hay que expresar esta u
ltima como alguno de los casos que
aparecen en dichas tablas. Suele ser u
til recordar que las transformaciones de
Laplace y Z son funciones lineales.
Ejemplo 2.3 Para obtener la transformada inversa de Laplace de F (s) =
primero reescribimos la F (s) como:
F (s) =
1
4
=4
s3
s3
32
4
s3 ,
Transformada de Laplace
Transformada Z
f (t)
F (s)
f (k)
t(t)
1
s2
k(k)
z
(z1)2
tn (t)
n!
s(n+1)
1
(sa)2
n!
(sa)(n+1)
2s
(s2 + 2 )2
k n (k)
iterar
s2 2
(s2 + 2 )2
2(s)
((s)2 + 2 )2
(s)2 2
((ssigma)2 + 2 )2
k cos ak
te
at
tn eat
t sin t
t cos t
te
sin t
tet cos t
ka
F (z)
az
(za)2
k n ak
iterar
k sin ak
z 3 sin az sin a
[z 2 2z cos a+1]2
[z 3 +z] cos a2z 2
[z 2 2z cos a+1]2
z 3 b sin azb3 sin a
[z 2 2bz cos a+b2 ]2
[bz 3 +b3 z] cos a2b2 z 2
[z 2 2bz cos a+b2 ]2
kbk sin ak
kbk cos ak
Caso Discreto
Ubicaci
on
de Funci
on
los polos
Origen
Semieje real positivo
escal
on
exponenciales
crecientes
(1, 0)
Intervalo (1, )
del eje real
exponenciales decrecientes
Intervalo
(, 1)
del
eje real
Intervalo
(0, 1)
del eje real
Intervalo (1, 0)
del eje real
Eje imaginario
sinusoidales
Complejos
en
el
semiplano
derecho
funciones
sinusoidales
amplificadas
por
una exponencial
creciente
sinusoidales amplificadas
por
una exponencial
decreciente
Complejos
en
el
semiplano
izquierdo
circunferencia
unitaria
Complejos fuera
del crculo unitario
Complejos dentro
del crculo unitario
escal
on
series geometricas
crecientes no alternantes
series geometricas
crecientes
alternantes
series geometricas decrecientes
no alternantes
series geometricas decrecientes
alternantes
sinusoidales.
sinusoidales amplificadas por una
serie geometrica
creciente
sinusoidales amplificadas por una
serie geometrica
decreciente
33
OSCAR G. DUARTE
34
1
La expresi
on s3
es de la forma
e . Aplicando linealidad tenemos:
at
1
sa ,
f (t) = L1 {F (s)} = L1 4
1
s3
1
s3
= 4L1
= 4e3t
F (s) =
s+
s+
3
1
2 + 2
1 2
+ 43
2
s+2
s+2
=
2
s2 + s + 1
s + 21 +
s+
s+
1 2
2
1
2
+(
3 2
2 )
3
4
s+
3
2
1 2
+
2
3 2
2 )
{F (s)} = e
12 t
1t
3
3
t) + 3e 2 sin(
t)
cos(
2
2
A2 + B 2 y = tan1
1
f (t) = e 2 t cos
f (t) = e 2 t
B
A.
3
3
t + 3 sin
t
2
2
1 + 3 cos
f (t) = 2e 2 t cos
35
3
3
t tan1
2
1
3
t 60
2
OSCAR G. DUARTE
2.2.5.
m s m + + 1 s + 0
n s n + + 1 s + 0
3
2s2 + s + 2
= 2s 1 +
s+1
s+1
N (s)
N (s)
=
D(s)
(s p1 )r1 (s p2 )r2 (s pk )rk
A11
A1r1
A21
Akrk
N (s)
=
+ +
+
++
D(s)
(s p1 )
(s p1 )r1
(s p2 )
(s pk )rk
(2.18)
Ejemplo 2.6
F (s) =
3s + 1
A11
A21
=
+
(s + 2)(s + 4)
s+2 s+4
3s + 1
(s + 2)(s + 4)
A11 =
(s + 2)
A21 =
3s + 1
(s + 4)
(s + 2)(s + 4)
F (s) =
=
s=2
3s + 1
(s + 4)
=
s=4
3s + 1
(s + 2)
s=2
7
2
s=4
13
2
7/2
13/2
3s + 1
=
+
(s + 2)(s + 4)
s+2
s+4
1
dri j
{(s pi )ri F (s)}
(ri j)! dsri j
(2.19)
s=pi
Esta expresi
on tambien es v
alida para ri = 1, si se considera que 0! = 1,
y que la derivada de orden cero es la misma funci
on.
Ejemplo 2.7
F (s) =
A13 =
A12 =
A11 =
4s2 1
A11
A12
A13
=
+
+
3
2
(s + 2)
(s + 2) (s + 2)
(s + 2)3
1 d0
(0)! ds0
(s + 2)3
1 d1
(1)! ds1
(s + 2)3
1 d2
(2)! ds2
(s + 2)3
F (s) =
4s2 1
(s + 2)3
s=2
= 4s2 1
4s2 1
(s + 2)3
s=2
= 8s|s=2 = 8(2) = 16
4s2 1
(s + 2)3
=
s=2
s=2
= 15
1
8|
=4
2 s=2
4s2 1
4
16
16
=
+
+
3
2
(s + 2)
(s + 2) (s + 2)
(s + 2)3
OSCAR G. DUARTE
Ejemplo 2.8
F (s) =
A11 =
A21 =
(s)
10
A11
A21
A31
=
+
+
s(s2 + 4s + 13)
s 0 s (2 + j3) s (2 j3)
s(s2
10
+ 4s + 13)
=
s=0
(s2
10
(s (2 + j3)) 2
s(s + 14s + 13)
10
+ 4s + 13)
=
s=0
10
13
s=2+j3
10
s(s (2 j3)) s=2+j3
10
10
=
=
= 0.38 + j0.26
(2 + j3)(2 + j3 (2 j3))
(2 + j3)(j6)
10
= (s (2 j3)) 2
s(s + 14s + 13) s=2j3
A21 =
A21
A31
A31 =
A31
10
s(s (2 + j3))
s=2j3
10
10
=
=
= 0.38 j0.26
(2 j3)(2 j3 (2 j3))
(2 j3)(j6)
F (s) =
s(s2
s(s2
10
10/13 0.77s + 3.08
=
2
+ 4s + 13)
s
s + 4s + 13
Otra estrategia
Existe otra posibilidad para obtener los coeficientes Aij . Consiste en efectuar
la suma de las fracciones parciales e igualar coeficientes.
Tambien pueden combinarse las dos estrategias. Adem
as, puede emplearse el hecho seg
un el cual la suma de las fracciones debidas a polos complejos
conjugados ser
an de la forma
As + B
s2 + Cs + D
Ejemplo 2.9
F (s) =
A11
A21
3s + 1
=
+
(s + 2)(s + 4)
s+2 s+4
38
2.3. SOLUCION
DE E.D. LINEALES MEDIANTE
TRANSFORMADAS
7/2
13/2
3s + 1
=
+
(s + 2)(s + 4)
s+2
s+4
Ejemplo 2.10
F (s) =
s(s2
10
A11
As + B
=
+ 2
+ 4s + 13)
s
s + 4s + 13
(s)
s(s2
10
+ 4s + 13)
=
s=0
(s2
10
+ 4s + 13)
=
s=0
10
13
Reescribimos la expansi
on e igualamos coeficientes:
10
13
As + B
s2 + 4s + 13
10 2
10
10
s + 4 13
s + 3 13
+ As2 + Bs
F (s) = 13
2
s(s + 4s + 13)
F (s) =
10
13 + A =
10
4 13
+B =
0
0
A = 10/13 B = 40/13
40
10
10
10/13
13 s 13
=
+
s(s2 + 4s + 13)
s
s2 + 4s + 13
10/13 0.77s + 3.08
10
=
2
F (s) =
s(s2 + 4s + 13)
s
s + 4s + 13
F (s) =
2.3.
Soluci
on de E.D. lineales mediante
transformadas
La soluci
on de Ecuaciones Diferenciales (o de diferencia) mediante transformadas emplea el siguiente procedimiento:
39
OSCAR G. DUARTE
z
z1
z
z1
z
z1
z 3 + 6z
z
z2 z =
z1
z1
z 3 + 6z
z 3 + 6z
=
2
(z 1)(z + 3z + 2)
(z 1)(z + 1)(z + 2)
40
2.3. SOLUCION
DE E.D. LINEALES MEDIANTE
TRANSFORMADAS
A11 =
A21 =
A31 =
z 2 + 6
(z 1)(z + 2)
z 2 + 6
(z 1)(z + 1)
5
6
5
2
z=1
z=1
=
z=2
2
3
Por lo tanto
5
5
2
Y (z)
z 2 + 6
=
= 6 + 2 + 3
z
(z 1)(z + 1)(z + 2)
z1 z+1 z+2
Y (z) =
5
6z
z1
5
2 z
z+1
2
3z
z+2
5
2
5
(k) +
(1)k + (2)k
6
2
3
41
OSCAR G. DUARTE
42
Captulo 3
Introduccion al analisis de sistemas
dinamicos lineales
3.1.
3.1.1.
Sistemas continuos
u(t)
Sistema
y(t)
Sup
ongase un sistema din
amico lineal continuo como el de la figura 3.1,
cuya relaci
on entre la entrada u(t) y la salida y(t) est
a descrita por la siguiente
ecuaci
on diferencial generica:
an
dy
dm u
du
dn y
+ + a1
+ a0 y(t) = bm m + + b1
+ b0 u(t)
n
dt
dt
dt
dt
43
(3.1)
OSCAR G. DUARTE
o en forma resumida:
m
bi u(i) (t)
ai y (i) (t) =
i=0
i=0
ai y (i) (t)
i=0
n
i=0
i=0
bi u(i) (t)
=L
ai L y (i) (t) =
i=0
bi L u(i) (t)
i1
ai
i=0
si Y (s)
k=0
i1
bi
i=0
n
i=0
ai si Y (s)
i1
si U (s)
k=0
m
i=0
bi si U (s)
i1
k=0
i1
De esta ecuaci
on podemos despejar Y (s) como:
n
ai si Y (s) =
i=0
bi si U (s)+
i=0
n
i1
Y (s) =
k=0
m
i
i=0 bi s U (s)
+
n
i
i=0 ai s
i1 ik1 (k) +
n
y (0 )
k=0 s
i=0
n
i
i=0 ai s
o de otra forma:
44
m
i=0
k=0
i1 ik1 (k) +
u (0 )
k=0 s
n
i
i=0 ai s
Y (s) =
m
i
i=0 bi s
U (s)+
n
i
i=0 ai s
i1 ik1 (k) +
n
y (0 )
k=0 s
i=0
n
i=0
i1 ik1 (k) +
u (0 )
k=0 s
m
i=0
ai si
(3.2)
La ecuaci
on (3.2) muestra que la respuesta de un sistema din
amico continuo
puede descomponerse en dos partes1 :
Respuesta de estado cero: Es la primera parte de la ecuaci
on (3.2). Depende de la entrada U (s) y no de las condiciones iniciales; de hecho, es la
respuesta que tiene el sistema si las condiciones iniciales son cero, es decir,
si su estado inicial es cero (de all su nombre).
Respuesta de entrada cero: Es la segunda parte de la ecuaci
on (3.2). Depende de las condiciones iniciales y no de la entrada U (s); de hecho, es la
respuesta que tiene el sistema si la entrada es cero (de all su nombre).
3.1.2.
Sistemas discretos
u(k)
Sistema
y(k)
Sup
ongase un sistema din
amico lineal discreto como el de la figura 3.2, cuya
relaci
on entre la entrada u(k) y la salida y(k) est
a descrita por la siguiente
ecuaci
on de diferencias generica:
an y(k + n) + + a1 y(k + 1) + a0 y(k) =
o en forma resumida:
n
ai y(k + i) =
i=0
bi u(k + i)
i=0
ai y(k + i)
i=0
=Z
bi u(k + i)
i=0
1 Otra clasificaci
on corresponde a respuesta forzada (con la forma de la entrada) y respuesta
natural (con la forma debida al polinomio caracterstico)
45
OSCAR G. DUARTE
ai Z {y(k + i)} =
i=0
n
i=0
ai z i Y (z)
n
i
i=0
ai z Y (z)
i1
i=0
j=0
ij
j=0
bi Z {u(k + i)}
z ij y(j) =
i1
i=0
i=0
bi z i U (z)
y(j) =
i1
j=0
z ij u(j)
i1
i=0
bi z U (z)
z ij u( j)
i=0
k=0
De esta ecuaci
on podemos despejar Y (z) como:
n
bi z i U (z) +
ai z i Y (z) =
i=0
Y (z) =
i=0
i=0
i1
j=0
m
i
i=0 bi z U (z)
+
n
i
i=0 ai z
n
i1 ik1 (k) +
y (0 )
i=0
k=0 s
n
i
i=0 ai z
z ik y(j)
m
i=0
i1
j=0
z ik u(j)
m
i=0
i1 ik1 (k) +
u (0 )
k=0 s
n
i
i=0 ai z
m
i=0
i1
j=0
o de otra forma:
Y (z) =
m
i
i=0 bi z
n
i
i=0 ai z
U (s)+
n
i=0
i1
j=0
j ik y(j)
n
i=0
ai z i
z ik u(j)
(3.4)
3.2.
Funciones de transferencia
Se define la funci
on de transferencia de un sistema continuo o discreto como
la relaci
on en el dominio de la frecuencia compleja entre salida y entrada con
condiciones iniciales nulas
F (s) =
Y (s)
U (s)
F (z) =
C.I.=0
Y (z)
U (z)
C.I.=0
m
i
i=0 bi s
m
i
i=0 ai s
F (z) =
m
i
i=0 bi z
m
i
i=0 ai z
Las expresiones
Y (s) = F (s)U (s)
s
olo son v
alidas si las condiciones iniciales son nulas. En este caso, es posible
representar gr
aficamente la relaci
on entrada-salida del sistema mediante dos
tipos de diagramas:
Diagramas de bloque: La figura 3.3 muestra un sistema como un bloque definido por la funci
on de transferencia F (s) o F (z), que recibe una se
nal
de entrada U (s) o U (z) y entrega una se
nal de salida Y (s) o Y (z). Estos
diagramas se explican en la secci
on 3.3.
Diagramas de flujo de se
nal: La figura 3.4 muestra un sistema como dos
se
nales U (s) y Y (s) (o U (z) y Y (z)) relacionadas entre s por la funci
on
de transferecia F (s) o F (z). Estos diagramas se explican en la secci
on 3.4
U (s) F (s)
Y (s)
U (z) F (z)
Y (z)
F (s)
U (s) s
F
(z)
sY (s)
U (z) s
sY (z)
47
OSCAR G. DUARTE
3.3.
Diagramas de bloques
Un sistema complejo puede representarse por distintos subsistemas interrelacionados. Estas relaciones pueden visualizarse mediante un Diagrama de Bloques.
La figura 3.5 muestra algunas de las equivalencias que rigen el a
lgebra de
3.4.
Diagramas de flujo de se
nal
de [9]
48
3.4. DIAGRAMAS DE FLUJO DE SENAL
Suma de se
nales
X2 (s)
+
X1 (s) X2 (s)
Conexi
on en cascada
X1 (s)
F1 (s)
F2 (s)
F1 (s)F2 (s)
Conexi
on Paralelo
F1 (s)
F2 (s)
F1 (s) + F2 (s)
Retroalimentaci
on
+ G(s)
H(s)
G(s)
1G(s)H(s)
F1 (s)
X2 (s)
F2 (s)
X1 (s)
+
Y
(s)
+
X2 (s)
F1 (s)
F2 (s)
+
+
F2 (s)
Y (s)
F1 (s)
Y1
(s)
F2 (s)
Y2
(s)
Y1
(s)
X(s) F (s)
1
F2 (s)
F1 (s)
49
Y2
(s)
OSCAR G. DUARTE
b2
b1
+
1/s
+
+
1/s
a1
a0
3.4. DIAGRAMAS DE FLUJO DE SENAL
b2
sb1
b2
+
1/s
1/s
++
a1
sb1
1/s
a0
a0
b2
sb1
b2
sb1
1
s+a1
1/s
a0
b2
sb1
+
b2
+
+
+
1
s(s+a1 )
sb1 + 1
1
s(s+a1 )
b2 s(s + a1 )
b2 s(s + a1 )
+
sb1 + 1
a0
a0
a0
1
s(s+a1 )
a1
1/s
+
1
s(s+a1 )
sb1 + 1
1
s(s+a1 )
a0
a0
b2 s(s + a1 ) + sb1 + 1
1
s(s+a1 )+a0
1
s(s+a1 )+a0
51
OSCAR G. DUARTE
Nodos y Ramas
F (s)
X(s)
Y (s) = F (s)X(s)
Y (s)
Suma de Se
nales
X3 (s)
F2 (s)
F3 (s)
X2 (s)
X1 (s)
Y (s)
F1 (s)
3.4.1.
Regla de Mason
El c
alculo de la funci
on de transferencia F (s) de un diagrama de flujo de
se
nal esta dado por:
F (s) =
Y (s)
=
X(s)
p
k=1
T k k
Donde:
p= N
umero de caminos directos de X(s) a Y (s)
Tk = Ganancia del camino directo n
umero k
52
3.4. DIAGRAMAS DE FLUJO DE SENAL
G11 (s)
G1 (s)
G2 (s)
G3 (s)
G4 (s)
G9 (s)
G10 (s)
G5 (s)
G6 (s)
G8 (s)
G7 (s)
G12 (s)
G13 (s)
(a) Ejemplo
53
OSCAR G. DUARTE
G1 (s)
G2 (s)
G3 (s)
G4 (s)
G5 (s)
X(s)
Y (s)
H1 (s)
H2 (s)
H5 (s)
G6 (s)
H4 (s)
H3 (s)
= 1
- (Suma de ganancias de lazos cerrados)
+ (Suma de ganancias de lazos no adyacentes tomados de a 2)
- (Suma de ganancias de lazos no adyacentes tomados de a 3)
+ (Suma de ganancias de lazos no adyacentes tomados de a 4)
(L + L + L + L3)
1
2
3
=
+(L1 L2 + L1 L3 + L2 L3 )
(L1 L2 L3 )
(G H + G H + G H + G G G G H G H )
2 1
4 2
6 3
2 3 4 5 4 6 5
=
+(G2 H1 G4 H2 + G2 H1 G6 H3 + G4 H2 G6 H3 )
(G2 H1 G4 H2 G6 H3 )
F (s) =
3.5.
G1 G2 G3 G4 G5 (1 (G6 H3 ))
1(G2 H1 +G4 H2 +G6 H3 +G2 G3 G4 G5 H4 G6 H5 )
+(G2 H1 G4 H2 +G2 H1 G6 H3 +G4 H2 G6 H3 )
(G2 H1 G4 H2 G6 H3 )
Respuesta al impulso
La funci
on de transferencia presentada en la secci
on 3.2 permite caracterizar
un sistema din
amico lineal invariante en el tiempo, en situaci
on de reposo, mediante una expresi
on en el dominio de la frecuencia compleja s o z. La respuesta
al impulso logra esa misma caracterizaci
on, pero en el dominio del tiempo t o
k, mediante el estudio del comportamiento del sistema cuando se estimula con
una se
nal especial: el impulso unitario3 .
3 Pese a que en todo el texto se presentan los temas primero para el caso continuo y luego
para el discreto, en esta secci
on se ha hecho una excepci
on, debido a que el caso discreto es
notablemente m
as f
acil de presentar que el continuo.
55
OSCAR G. DUARTE
3.5.1.
Caso discreto
La funci
on impulso unitario discreto
Dado un sistema como el de la figura 3.2 la respuesta al impulso es la respuesta del sistema cuando la entrada es el impulso unitario (k), con condiciones
iniciales nulas. La respuesta al impulso suele denotarse por h(k), y su transformada Z por H(z)
La funci
on (k) (ver figura 3.11) se define como:
(k) =
1 k=0
0 k=0
(k)z k = (0)z 0 = 1
k=
Sup
ongase un sistema discreto con condiciones iniciales nulas, con funci
on
de transferencia F (z), que se excita con el impulso unitario (figura 3.12). La
respuesta del sistema, en el dominio de la frecuencia z ser
a el producto de la
entrada por la funci
on de transferencia:
H(z) = U (z)F (z) = 1F (z) = F (z)
Z{(k)} = 1
F (z)
H(z)
Z
Respuesta al Impulso
Funci
on de Transferencia
Z 1
i=
x(i)(k i)
OSCAR G. DUARTE
(k)
h(k)
1
F (z)
1 2 3 4 5
1 2 3 4 5
(k 1)
h(k 1)
1
F (z)
1 2 3 4 5
1 2 3 4 5
c(k i)
F (z)
ch(k i)
58
y(k) =
i=
Esta u
ltima sumatoria corresponde a la convoluci
on discreta de las se
nales
x(k) y h(k), representada por el operador
El resultado anterior no debe sorprender, ya que al aplicar transformada Z
a cada lado de la igualdad se tiene:
Z{y(k)} = Z{x(k) h(k)} = Z{x(k)}Z{h(k)} = X(z)H(z)
3.5.2.
Caso continuo
La funci
on impulso unitario continuo
Para obtener con sistemas continuos un resultado similar el mostrado para
sistemas discretos en la secci
on 3.5.1 es necesario contar con una funci
on continua cuyas propiedades sean an
alogas a las de la funci
on impulso discreto; es
decir, se necesita una funci
on cuya transformada de Laplace sea 1. Dicha funci
on
es la funci
on impulso o delta de Dirac, generalmente representado por (t).
Para presentar la funci
on (t), primero consideramos la funci
on d (t), cuya
gr
afica se muestra en la figura 3.16:
d (t) =
1/ t [0, ]
0
t
/ [0, ]
>0
N
otese que el a
rea bajo la gr
afica de la funci
on d (t) es 1, independientemente del valor de , es decir,
d (t)dt = 1
>0
Se define la funci
on delta de Dirac como la funci
on que resulta al disminuir
progresivamente, hasta llevarlo al lmite en que tiende a cero:
(t) = lm d (t)
0
Esta funci
on, cuya gr
afica se muestra en la figura 3.17 conserva la propiedad
seg
un la cual el a
rea bajo la gr
afica es 1
(t)dt = 1
Adem
as, si calculamos el a
rea bajo la gr
afica desde hasta un valor t el
resultado es la funci
on escal
on unitario (t)
t
(t)dt = (t) =
0
59
0 t (, 0)
1 t (0, )
OSCAR G. DUARTE
x(k)1
=
3 2 1
1 2 3
..
+
w1
1
3 2 1
1 2 3
+
w0
1
3 2 1
1 2 3
+
w1
1
3 2 1
1 2 3
+.
.
Figura 3.15: Descomposici
on de una se
nal discreta
60
d (t)
1/
t
(t)
f (t)d (t )dt =
f (t)
1
dt
1
= f ( )
0
f (t)d (t )dt = f ( )
f (t) lm d (t )dt =
0
f (t)(t )dt = f ( )
(3.5)
est (t)dt = 1
x(t)dt
0
X(s)
L {x(t)}
=
s
s
61
OSCAR G. DUARTE
f (t)
1/
f (t)d (t)
t
t
+
0
por lo tanto
L {(t)} = 1
Respuesta al impulso
Dado un sistema como el de la figura 3.1 la respuesta al impulso es la respuesta del sistema cuando la entrada es el impulso unitario (t), con condiciones
iniciales nulas. La respuesta al impulso suele denotarse por h(t), y su transformada de Laplace por H(s)
Si el sistema continuo tiene una funci
on de transferencia F (s), (figura 3.19),
la respuesta del sistema, en el dominio de la frecuencia s ser
a el producto de la
entrada por la funci
on de transferencia:
H(s) = U (s)F (s) = 1F (s) = F (s)
Este hecho pone de manifiesto la relaci
on que existe entre la respuesta al impulso y la funci
on de transferencia (ver figura 3.20):La funci
on de transferencia
es la transformada de Laplace de la respuesta al impulso
L{(t)} = 1
F (s)
H(s)
L
Respuesta al Impulso
Funci
on de Transferencia
L1
Convoluci
on
La ecuaci
on 3.5 muestra que una se
nal cualquiera x(t) puede representarse
como la convoluci
on contnua entre x(t) y (t) identificada con el operador
(se han intercambiado las variables t y , lo que no altera el resultado):
x(t) =
63
OSCAR G. DUARTE
64
Captulo 4
Sistemas de primer y segundo
orden
65
OSCAR G. DUARTE
y(t)
2
y(t)
a=2
a=3
y(t)
2
y(t)
a = 1
a=1
4.1.
Sup
ongase un sistema continuo de primer orden, cuya funci
on de transferencia sea
1
(4.1)
F (s) =
s+a
Al estimular el sistema con un paso unitario (t), con condiciones iniciales
nulas, la respuesta y(t) puede calcularse como sigue:
Y (s) = F (s)U (s) =
y(t) = L1 {Y (s)} =
1 1
1/a 1/a
=
+
(s + a) s
s
s+a
1
1
1
(t) eat (t) = (1 eat )(t)
a
a
a
y(t) =
1
(1 eat )(t)
a
(4.2)
La expresi
on (4.2) muestra que la respuesta del sistema depender
a del valor
de a. Este hecho se constata en la figura 4.1, que muestra las gr
aficas de y(t)
para distintos valores de a.
Al cambiar el valor de a tambien cambia el valor del u
nico polo de la funci
on
de transferencia (4.1), que es a. Para cualquier valor real positivo de a el polo
es un real negativo a, y viceversa. Cuando el polo es positivo, la respuesta
del sistema tiende a infinito, y se dice que el sistema es inestable. La figura 4.2
muestra cuales son las regiones de estabilidad e inestabilidad con referencia a la
recta real, es decir, en que lugares debe estar ubicado el polo de la funci
on de
transferencia para que el sistema sea, respectivamente, estable o inestable.
66
Regi
on de Estabilidad
Regi
on de Inestabilidad
y(t)
y=t
1/a
67 %
1/a
tas =
ln 0.05
a
tas 3/a
OSCAR G. DUARTE
tas 3/a
a
4.2.
Sup
ongase un sistema discreto de primer orden, cuya funci
on de transferencia
sea
F (z) =
1
z+a
(4.3)
1
z
z/(1 + a) z/(1 + a)
=
(z + a) (z 1)
(z 1)
z+a
1
1
1
(k)
(a)k (k) =
(1 (a)k )(k)
1+a
1+a
(1 + a)
y(k) =
1
(1 (a)k )(k)
(1 + a)
(4.4)
La expresi
on (4.4) muestra que la respuesta del sistema depender
a del valor de
a. Este hecho se constata en la figura 4.1, que muestra las gr
aficas de y(k) para
distintos valores de a.
Al cambiar el valor de a tambien cambia el valor de el u
nico polo de la funci
on
de transferencia (4.3), que es a. Para cualquier valor real positivo de a el polo
es un real negativo a, y viceversa. Cuando el polo es negativo, la respuesta del
sistema es de signo alternante (P.ej. (1/2)k = 0, 1/2, 1/4, 1/8, ); por el
contrario, si el polo es positivo la respuesta siempre ser
a del mismo signo.
Por otra parte, si el valor absoluto de a es mayor que 1, el valor absoluto
de la respuesta tiende a infinito, y se dice que el sistema es inestable. La figura
4.6 muestra cuales son las regiones de estabilidad e inestabilidad con referencia
a la recta real, es decir, en que lugares debe estar ubicado el polo de la funci
on
de transferencia para que el sistema sea, respectivamente, estable o inestable;
tambien se muestra en la misma figura cuando la respuesta es alternante o no.
Para medir que tan r
apido decae una respuesta natural en los sistemas estables podemos definir el tiempo de asentamiento o tiempo de estabilizaci
on, como
el tiempo a partir del cual la respuesta natural (su valor absoluto) no supera
68
y(k)
y(k)
a = 0.5
a = 1.5
y(k)
2
1
y(k)
a = 1.5
a = 0.5
Inestabilidad
Inestabilidad
Estabilidad
Alternante
1
No Alternante
0
Figura 4.6: Regiones de estabilidad e inestabilidad para un sistema discreto de
primer orden
69
OSCAR G. DUARTE
kas 3/ ln |a|
a
1
0
un porcentaje de su valor m
aximo, por ejemplo el 5 %. Para el caso del sistema
discreto de primer orden, este tiempo ser
a el menor entero kas tal que:
(| a|)kas 0.05
En consecuencia, kas satisface
kas
ln 0.05
ln(|a|)
kas 3/ ln(|a|)
4.3.
Sup
ongase un sistema continuo de segundo orden, cuya funci
on de transferencia sea
n
F (s) = 2
(4.5)
s + 2n s + n2
Los polos de la funci
on de transferencia ser
an:
p1,2 =
2n
4 2 n2 4n2
= n
2
2 1
En caso de que || < 1, el radical es negativo, y los polos resultan ser complejos conjugados:
p1,2 = n jn 1 2
(n )2 + n2 (1 2 ) = n
70
Im(s)
jn
1 2
Re(s)
jn
1 2
Adem
as, el coseno del a
ngulo formado con el semieje real negativo, es
justamente :
n
cos =
=
n
Al estimular el sistema (4.5) con un paso unitario (t), con condiciones
iniciales nulas, la respuesta y(t) puede calcularse como sigue:
Y (s) = F (s)U (s) =
y(t) = L1 {Y (s)} =
1
1 2
n
1
s2 + 2s + n2 s
en t sin n
1 2t +
(t) (4.6)
donde,
= cos1
Las figuras 4.9 a 4.11 muestran la gr
afica de (4.6) en varias condiciones: en
la figura 4.9 se ha fijado n = 1, y se ha variado . En la figura 4.10 se ha fijado
= 0.5 y se ha variado n . La figura 4.11 muestra la forma generica de (4.6)
con (0, 1).
4.3.1.
Regi
on de estabilidad
OSCAR G. DUARTE
y(t)
: = 0.1
: = 0.5
: = 0.9
2
1
y(t)
: n = 1
: n = 0.5
: n = 2
2
1
y(t)
ymax
yf inal
tc
72
Im(s)
Estabilidad
Inestabilidad
Re(s)
deben ubicarse los polos para que el sistema sea estable, resulta ser el semiplano
izquierdo. Esto se muestra en la figura 4.12
4.3.2.
Regi
on de tiempo m
aximo de asentamiento
que en t .
Si tomamos el tiempo de asentamiento como el tiempo a partir del cual la
respuesta natural (su valor absoluto) no supera el 5 % de su valor m
aximo, en
el caso del sistema continuo de segundo orden este tiempo tas satisface:
en tas = 0.05
tn s =
ln 0.05
n
tas 3/n
Debido a que n es la parte real de los polos de (4.5) , tal como se muestra
en la figura 4.8, la regi
on de tiempo de asentamiento m
aximo es la que se muestra
en la figura 4.13
4.3.3.
Regi
on de frecuencia m
axima de oscilaci
on
La frecuencia de oscilaci
on de la respuesta es la frecuencia de la sinusoidal
de (4.5), es decir es n 1 2 , que corresponde a la parte imaginaria de los
polos de (4.5) (ver figura 4.8). Por esta raz
on, la regi
on de frecuencia m
axima
de oscilaci
on es la que se muestra en la figura 4.14
73
OSCAR G. DUARTE
Im(s)
tas
3
a
tas >
3
a
Re(s)
Im(s)
w > w
jw
w w
w>w
Re(s)
jw
74
4.3.4.
Regi
on de sobrepico m
aximo
sp =
1 2 en t cos n
1 2 t + = n
n sin n
1 2t +
1 2 cos n
1 2
= tan n
=0
1 2t +
1 2t +
1 2
tan =
1 2
=
n
1 2
La funci
on tan1 (x) es peri
odica, de periodo , por lo tanto
1 2 t + = tan1
t=
n = 0, 1, 2,
1 2
1 2
= + n
Existen infinitos instantes en los que la derivada de y(t) es nula, que corresponden a los m
aximos y mnimos locales que se observan en la figura 4.11. Para
n = 0 resulta t = 0, por lo tanto la respuesta y(t) es pr
acticamente horizontal
en su inicio. El sobrepico m
aximo sucede en tc , que corresponde a n = 1:
tc =
1 2
1
1
12
sin n
75
1 2
1 2
OSCAR G. DUARTE
sp( %)
100
80
60
40
20
0
0
0.2
0.4
0.6
0.8
1.0
ymax = 1
1
1 2
12
sin( + )
ymax = 1 +
1 2
ymax = 1 + e
12
12
sin()
= 1 + e cot
12
4.3.5.
Regi
on de dise
no
Las regiones que se muestran en las figuras 4.12, 4.13, 4.14 y 4.17 pueden
resumirse en una u
nica regi
on de dise
no, como la que se muestra en la figura
4.18. Refiriendonos a esta figura, la regi
on de dise
no puede interpretarse asi:
Dado un sistema de segundo orden como el de la ecuaci
on (4.5) con condiciones iniciales nulas, cuyos polos est
an ubicados dentro de la regi
on de dise
no,
puede asegurarse que:
76
sp( %)
100
80
60
40
20
0
0
18
36
54
72
90
Im(s)
sp ecot
sp > ecot
Re(s)
77
OSCAR G. DUARTE
Im(s)
jw
Re(s)
jw
el sistema es estable
el tiempo de asentamiento es menor o igual que 3/a
la frecuencia m
axima de oscilaci
on de la respuesta natural es w
al estimularlo con un escal
on unitario el sobrepico m
aximo es menor que
e cot 100 %
4.4.
Sup
ongase ahora un sistema discreto de segundo orden, cuya funci
on de
transferencia sea
1 2b cos a + b2
F (z) = 2
(4.7)
z 2bz cos a + b2
Los polos de la funci
on de transferencia ser
an:
cos2 a 1
Im(z)
jb sin a
b
Re(z)
b cos a
b sin a
1 2b cos a + b2
z 2 2bz cos a + b2
z
z1
Y (z)
A
Bz + C
=
+ 2
z
z 1 z 2bz cos a + b2
sumando e igualando coeficientes se obtiene
A=1
Y (z) =
Y (z) =
B = 1
C = 1 + 2b cos a
z
z 2 + (1 2bz cos a)
2
z1
z 2bz cos a + b2
z 2 bz cos a
z(1 2z cos a)
z
2
2
2
z 1 z 2bz cos a + b
z 2bz cos a + b2
y(k) = Z 1 {Y (z)} =
1 bk cos ak
(1 b cos a) k
b sin ak (k)
b sin a
Finalmente, las dos sinusoidales se pueden agrupar en una sola, para obtener:
y(k) = Z 1 {Y (z)} = 1 Cbk sin (ak + ) (k)
donde
C=
1 + b2 2b cos a
1
=
b sin a
sin
79
= tan1
b sin a
1 b cos a
(4.8)
OSCAR G. DUARTE
y(k)
2
4.4.1.
Regi
on de estabilidad
4.4.2.
Regi
on de tiempo m
aximo de asentamiento
y(k)
10
5
5
10
Im(z)
j
Inestabilidad
Estabilidad
1
Re(z)
1
81
OSCAR G. DUARTE
Im(z)
1
jb
tas <
Re(z)
3
ln b
1 b
jb
caso del sistema discreto de segundo orden, este tiempo kas satisface:
3
ln b
Debido a que b es la magnitud de los polos de (4.7) , tal como se muestra en
la figura 4.19, la regi
on de tiempo de asentamiento m
aximo es la que se muestra
en la figura 4.23.
bkas 0.05
4.4.3.
ln bkas ln 0.05
kas ln b ln 0.05
kas
Regi
on de Frecuencia m
axima de oscilaci
on
La frecuencia de oscilaci
on de la respuesta es la frecuencia de la sinusoidal
de (4.7), es decir es a, que corresponde al a
ngulo de los polos de (4.7) respecto
a la horizontal (ver figura 4.19). Por esta raz
on, la regi
on de frecuencia m
axima
de oscilaci
on es la que se muestra en la figura 4.24.
4.4.4.
Regi
on de sobrepico m
aximo
ln b
=
a
1 2
82
1 2 = a
= cot
Im(z)
a
a
f rec a
Re(z)
b = ea cot = e
12
(4.9)
La ecuaci
on 4.9 permite definir, para el caso discreto, curvas an
alogas a las
que generan la regi
on de sobrepico m
aximo de los sistemas continuos (figura
4.17). La figura 4.25 muestra las curvas generadas por la ecuaci
on (4.9) para
distintos valores de .
Por su parte, la figura 4.26) muestra la regi
on definida por (4.9) al fijar un
valor de (o de ), es decir, al establecer un factor de amortiguamiento. Esta
regi
on no es la regi
on de sobrepico m
aximo, sino la regi
on de amortiguamiento
mnimo. El sobrepico m
aximo es m
as difcil de obtener debido a que el tiempo
es discreto.
4.4.5.
Regi
on de dise
no
4.5.
OSCAR G. DUARTE
Im(z)
: = 0.1
: = 0.5
: = 0.9
Re(z)
1
Im(z)
j
Re(z)
1
84
Im(z)
j
Re(z)
1
Sup
ongase un sistema continuo de segundo orden, con un cero real:
F (s) =
(b2 + 2 )
(s + a)
a
(s + b)2 + 2
La respuesta al escal
on del sistema definido por (4.10) es :
= tan1 wb + tan1 ab
(4.10)
(4.11)
denominaci
on est
a relacionada con la respuesta de frecuencia del sistema
85
OSCAR G. DUARTE
y(t)
: a == 0.5
:a=1
: a = 1
Figura 4.28: Respuesta al paso de un sistema continuo de segundo orden, con cero
real b = = 1
(s + a)
(s + b)(s + c)
(4.12)
La respuesta al escal
on ser
a:
Y (s) =
(a b)
(a c) ct
a
(t)
+
ebt +
e
bc (c b)(b)
(c b)(c)
=
t=0
ab
ac
cb
=
=
=1
cb
cb
cb
86
: 0.25e10t
y(t)
y(t)
: 0.25e15t
: 0.5et cos 2t
t
1
y(t)
: y(t)
: yaprox (t)
t
1
4.6.
Polos dominantes
0.25
0.25
0.5(s + 1)
1
2
s (s + 10) (s + 15)
(s + 2s + 5)
(4.13)
OSCAR G. DUARTE
debido a los polos p3,4 = 1 j2. Lo anterior se debe a que los aportes de p1 y
p2 decaen mucho m
as r
apidamente que el aporte de p3,4 , ya que e10t y e15t
decaen m
as r
apidamente que et .
Se dice entonces que los polos p3,4 dominan el comportamiento del sistema,
o simplemente que son los polos dominantes. La figura 4.29(c) compara la respuesta exacta y(t) calculada seg
un (4.13) y una respuesta aproximada y aprox (t)
que se obtendra eliminando de y(t) los aportes de los polos p1 y p2 , es decir:
y(t) = 1 0.5et cos 2t (t)
Se observa c
omo el aporte de los polos p1 y p2 s
olo es significativo al comienzo
de la respuesta, cuando la componente de la respuesta natural asociada a ellos
a
un no ha decaido, pero este aporte se desvanece r
apidamente, y la respuesta
aproximada resulta ser pr
acticamente la misma respuesta exacta.
En conclusi
on, se dice que un sistema continuo estable tiene (1 o 2) polos
dominantes si la parte real de dichos polos es suficientemente mayor (est
a m
as
hacia la derecha, en el semiplano izquierdo) que la de los dem
as polos del sistema,
como para que el aporte de estos u
ltimos se desvanezca mucho antes de que haya
desaparecido el aporte debido a los polos dominantes.
En estos casos, las regiones de dise
no, que fueron desarrolladas para sistemas
de segundo orden, pueden ser una herramienta muy u
til para analizar el sistema,
aunque este sea de un orden superior.
Algo an
alogo sucede con los sistemas discretos, s
olo que aqui el tiempo de
decaimiento no depende de la parte real de los polos, sino de su distancia al
origen.
En conclusi
on, se dice que un sistema discreto estable tiene (1 o 2) polos
dominantes si la magnitud de dichos polos es suficientemente mayor (est
a m
as
lejos del origen, dentro del crculo unitario) que la de los dem
as polos del sistema,
como para que el aporte de estos u
ltimos se desvanezca mucho antes de que haya
desaparecido el aporte debido a los polos dominantes.
88
Captulo 5
Sistemas realimentados simples
Y (s)
KG(s)
=
U (s)
1 + KG(s)H(s)
(5.1)
F (z) =
Y (z)
KG(z)
=
U (z)
1 + KG(z)H(z)
(5.2)
y en el discreto:
U (s)
E(s)
K
+
G(s)
Y (s)
H(s)
89
OSCAR G. DUARTE
U (z) E(z)
K
+
G(z)
Y(z)
H(z)
E(s)
1
=
U (s)
1 + KG(s)H(s)
(5.3)
FE (z) =
1
E(z)
=
U (z)
1 + KG(z)H(z)
(5.4)
y en el discreto:
Adem
as, a los productos G(s)H(s) y G(z)H(z) se les denomina ganancia de
lazo abierto.
Si escribimos G y H como dos fracci
on de polinomios NG /DG y NH /DH
respectivamente, las expresiones (5.1), (5.2), (5.3) y (5.4) se convierten en:
Funci
on de transferencia del sistema realimentado, caso continuo:
F (s) =
NG (s)
KD
Y (s)
KNG (s)DH (s)
G (s)
=
=
NG (s) NH (s)
U (s)
D
(s)D
G
H (s) + KNG (s)NH (s)
1 + K DG (s) DH (s)
(5.5)
Funci
on de transferencia del sistema realimentado, caso discreto:
NG (z)
KD
Y (z)
KNG (z)DH (z)
G (z)
F (z) =
=
=
N
(z)
N
(z)
G
H
U (z)
DG (z)DH (z) + KNG (z)NH (z)
1 + K DG (z) DH (z)
(5.6)
Funci
on de transferencia del error, caso continuo:
FE (s) =
1
E(s)
DG (s)DH (s)
=
=
N
(s)
N
(s)
G
H
U (s)
DG (s)DH (s) + KNG (s)NH (s)
1 + K DG (s) DH (s)
(5.7)
Funci
on de transferencia del error, caso discreto:
FE (z) =
DG (z)DH (z)
E(z)
1
=
=
NG (z) NH (z)
U (z)
D
(z)D
(z) + KNG (z)NH (z)
G
H
1 + K DG (z) DH (z)
(5.8)
90
5.1.
5.1.1.
Caso continuo
(5.9)
(5.10)
s0
(5.11)
s0
s0
s0
y U (s) =
1
(s + 4)
(s + 3)(s + 5) (s2 + 4)
(s+4)
(s+3)(s+5)
(s+4)
(s+3)(s+5)
1
(s + 4)
(s + 3)(s + 5) s
=0
1
(s2 +4) .
Seg
un (5.11) el error de
(0 + 4)
1
=0
(0 + 3)(0 + 5) (02 + 4)
y U (s) = 1s . Seg
un (5.11) el error de estado
= lm
s0
(s + 4)
(s + 3)(s + 5)
4
(0 + 4)
=
(0 + 3)(0 + 5)
15
1 La determinaci
on de la estabilidad de los sistemas realimentados continuos se estudia en
la secci
on 5.2
91
OSCAR G. DUARTE
Tipo de
sistema
0
1
2
..
.
u(t) = (t)
u(t) = t(t)
u(t) = t2 (t)/2
U (s) = 1/s
lms0 {FE (s)}
U (s) = 1/s2
U (s) = 1/s3
FE (s)
s2
..
.
FE (s)
s
lms0
0
..
.
0
..
.
lms0
..
.
s(s+4)
(s+3)(s+5)
eee = lm
s0
eee = lm
s0
y U (s) =
1
s3 .
Seg
un (5.11) el error de estado
s(s + 4)
1
(s + 3)(s + 5) s3
1
(s + 4)
(s + 3)(s + 5) s
(0 + 4)
4
1
= =
(0 + 3)(0 + 5) 0
0
5.1.2.
Caso discreto
z1
(5.13)
2 La determinaci
on de la estabilidad de los sistemas realimentados discretos se estudia en
la secci
on 5.3
92
Tipo
de
sistema
u(k) = (k)
u(k) = k(k)
u(k) = k 2 (k)
U (z) =
z/(z 1)
U (z) =
z/(z 1)2
n
U (z) =
z(z + 1)/(z 1)3
0
1
2
..
.
0
..
.
lmz1
z
F (z)
(z1) E
0
..
.
lmz1
z(z+1)
F (z)
(z1)2 E
..
.
..
.
o lo que es igual,
eee = lm e(k) = lm {(z 1)FE (z)U (z)}
k
z1
(5.14)
5.2.
93
OSCAR G. DUARTE
5.2.1.
(5.15)
(5.16)
(5.17)
El producto de los terminos que tienen que ver con las races complejas es:
(s ( + j))(s ( j)) = s2 2s + ( 2 + 2 )
(5.18)
sn
sn1
sn2
..
.
an
an1
an2
an3
a1
a0
s1
s0
Figura 5.3: Arreglo de Routh. Primeras dos lneas
..
.
si+2
si+1
si
..
.
a1
b1
c1
a2
b2
c2
a3
b3
c3
Como consecuencia de lo anterior, si (5.15) tiene coeficientes de signos diferentes, o cero, podemos asegurar que tiene una o m
as races en el semiplano
derecho o en el eje imaginario. Si por el contrario tiene todos los coeficientes
de igual signo, es necesario realizar otro tipo de pruebas antes de establecer
la ubicaci
on de sus races. Una de esas pruebas se conoce como la prueba de
Routh-Hurwitz, para lo cual es necesario primero construir un arreglo especfico
con los coeficientes de (5.15)
Construcci
on del arreglo de Routh
Dado un polinomio p(s) como (5.15)
Es posible construir el arreglo de Routh de p(s) a partir de los coeficientes
ai que aparecen en (5.15). Para ello, inicialmente construimos el arreglo que se
muestra en la figura 5.3. A continuaci
on, se completa el arreglo de Routh lnea
por lnea, siguiendo las siguientes indicaciones.
Cada nueva lnea se construye con informaci
on de las dos lneas inmediatamente anteriores.
Para calcular el termino jesimo de una lnea (cj en la figura 5.4) se
efect
ua la operaci
on
a1 aj+1
b1 bj+1
(5.19)
cj =
b1
Ejemplo 5.4 Considere el polinomio
p(s) = s5 + s4 + 3s3 + 9s2 + 16s + 10
95
(5.20)
OSCAR G. DUARTE
s5
s4
s3
s2
s1
s0
1
1
c1
d1
e1
f1
3
9
c2
d2
e2
f2
16
10
c3
d3
e3
f3
Figura 5.5: Arreglo de Routh del ejemplo 5.4. Primeras dos lneas
s5
s4
s3
s2
s1
s0
1
1
6
10
12
10
3
9
6
10
16
10
La figura 5.5 muestra las dos primeras lneas del arreglo de routh para (5.20)
Los valores de la lnea correspondiente a s3 se calculan asi:
1 3
1 9
c1 =
= 6
1
1 16
1 10
c2 =
=6
1
1 10
6 0
d2 =
= 10
6
s2
s1
s0
1
3
K +2
K +2
El n
umero de filas del arreglo disminuye progresivamente: cada dos filas
se disminuye una columna.
El termino que est
a en la u
ltima columna justo antes de desaparecer esta
es siempre el mismo (es 10 en la figura 5.6), debido a que este se calcular
a
siempre como
a b
c 0
=b
c
Criterio de Routh-Hurwitz
El criterio de Routh-Hurtwiz puede expresarse asi:
Criterio de Routh-Hurwitz
El n
umero de races de (5.15) en el semiplano derecho es igual al n
umero
de cambios de signo que se suceden en la primera columna del arreglo
de Routh de dicho polinomio.
Retomando el ejemplo 5.20, el polinomio (5.20) tiene dos races en el semiplano derecho, ya que su arreglo de Routh (figura 5.6) tiene dos cambios de
signo en la primera columna: uno al pasar de 1 a 6, y otro al pasar de 6 a
10.
Miremos ahora el sistema realimentado de la figura 5.1. La funci
on de transferencia, y por lo tanto sus polos, dependen de la variable K, como claramente
se establece en (5.5). La utilizaci
on del criterio de Routh-Hurwitz permite establecer condiciones en la varible K para que el sistema realimentado sea estable.
Esto podemos verlo mediante los ejemplos 5.5, 5.6 y 5.7:
Ejemplo 5.5 Sup
ongase que en el sistema de la figura 5.1 se tiene que
G(s) =
1
s+2
H(s) =
1
s+1
La funci
on de transferencia del sistema realimentado es
F (s) =
KG(s)
K(s + 1)
= 2
1 + KG(s)H(s)
s + 3s + (K + 2)
OSCAR G. DUARTE
s3
s2
s1
s0
1
6
11
6+K
60K
6
6+K
Para que todas las races esten en el semiplano izquierdo, y por lo tanto el
sistema sea estable, se necesita que todos los signos de la primera columna sean
iguales, y por lo tanto:
K+2>0
K > 2
Podemos concluir que para cualquier valor de k superior a 2 el sistema sera
estable, y para cualquier valor menor que 2 sera inestable. Justo cuando k = 2
el sistema tendra estabilidad Marginal.
Ejemplo 5.6 Sup
ongase que en el sistema de la figura 5.1 se tiene que
G(s) =
1
(s + 1)(s + 2)
H(s) =
1
s+3
La funci
on de transferencia del sistema realimentado es
F (s) =
K(s + 3)
KG(s)
= 3
1 + KG(s)H(s)
s + 6s2 + 11s + (6 + K)
(5.21)
6+K >0
s3
s2
s1
s0
1
3K
K +2
4
3K 2 +6K4
3K
s4
s3
s2
s1
s0
1
1
0
2
2
3
Figura 5.10: Arreglo de Routh con cero en la primera columna. Arreglo incompleto
La segunda condici
on podra darse si tanto numerador como denominador son
del mismo signo, sin embargo descartamos la opci
on de que ambos sean negativos,
porque la primera condici
on impone que el denominador sea positivo, es decir las
dos condiciones son:
K>0
3K 2 + 6K 4 > 0
La segunda condici
on se cumple si K < 2.52 o K > 0.52. De estas dos
posibilidades descartamos la primera, debido a que K debe ser positivo. Por lo
tanto, aseguramos que el sistema sea estable si y s
olo si K > 0.52
Problemas en la construcci
on del arreglo de Routh
Debido a que los terminos del arreglos de Routh se calculan como est
a indicado en (5.19), surge una dificultad cuando en la primera columna aparece un
cero, pues para calcular los terminos de las columnas siguientes ser
a necesario
dividir por cero. Tal es el caso del polinomio
p(s) = s4 + s3 + 2s2 + 2s + 3
cuyo arreglo de Routh se muestra (parcialmente) en la figura 5.10.
Para calcular los terminos de la siguiente columna sera necesario dividir por
cero. Una estrategia para obviar este problema consiste en remplazar 0 por ,
completar el arreglo, y luego analizar el lmite cuando tiende a cero por la
derecha. En esas condiciones, el arreglo de Routh ser
a como el que se muestra
en la figura 5.11. Cuando 0+ , el arreglo resulta ser como el de la figura
5.12, y por lo tanto el polinomio tiene dos races en el semiplano derecho.
Una dificultad mayor surge cuando todos los terminos de una fila se hacen
cero. Este hecho se conoce como la terminaci
on prematura del arreglo, y est
a
relacionada con polinomios cuyas races est
an ubicadas en forma simetrica respecto al origen, como por ejemplo cuando existen races en el eje imaginario.
99
OSCAR G. DUARTE
s4
s3
s2
s1
s0
1
1
2
3
2
2
3
s4
s3
s2
s1
s0
1
1
0+
2
2
3
Figura 5.12: Arreglo de Routh con cero en la primera columna. Arreglo completo
1
1
0
5
5
0
4
4
100
s5
s4
s3
s2
s1
s0
1
1
4
2.5
3.6
4
5
5
10
4
4
4
5.2.2.
Lugar geom
etrico de las races
K(s + 3)
s2 + 4s + (3 + K)
(5.22)
16 4(3 + K)
= 2 1 K
2
(5.23)
La tabla 5.3 muestra el valor de p1,2 para diversos valores positivos de K, seg
un
(5.23). La figura 5.15 muestra c
omo vara la ubicaci
on de los polos de (5.22): en
rojo se muestra que sucede al variar K de 0 a es decir, lo que corresponde al
root-locus; en azul se muestra el efecto de variar K de menos infinito a cero, lo que
corresponde al root-locus complementario.
Determinaci
on de la estabilidad
Si nos referimos a la ecuaci
on (5.5), encontramos que la condici
on para los
polos de F (s) ser
a
DG (s)DH (s) + KNG (s)NH (s) = 0
1
NG (s)NH (s)
=
DG (s)DH (s)
K
101
G(s)H(s) =
1
K
(5.24)
OSCAR G. DUARTE
K
8
3
0
0.75
1
2
5
p1
5
4
3
2.5
2
2 + j
2 + 2j
p2
1
0
1
1.5
2
2 j
2 2j
Im(s)
2
1
Re(s)
5
1
2
Figura 5.15: Root-ocus (en rojo) y root-locus complementario (en azul) del ejemplo
5.8
102
1
|K|
arg[G(s)H(s)] =
180o
0o
K>0
K<0
(5.25)
1
1
= 3
=
1
|G(s0 )H(s0 )|
(0+1)(0+3)
1
(s + 1)(s + 2)
H(s) =
1
(s + 3)
(5.26)
La figura 5.16 muestra los diagramas de Root-Locus y Root-Locus complementario para (5.26). N
otese como una rama del root locus complementario (en azul)
viene desde + por el eje real, y pasa del semiplano derecho al semiplano izquierdo.
Esto significa que para valores de K muy negativos el sistema realimentado tiene
un polo en el semiplano derecho y por lo tanto es inestable.
Sin embargo, conforme K aumenta y se acerca a 0 el polo que origina la inestabilidad se desplaza a la izquierda, y en alg
un momento pasa al semiplano izquierdo
y por lo tanto el sistema realimentado deja de ser inestable. Para determinar cual
es el valor de K en el que sucede esta transici
on, observamos que la rama cruza el
eje imaginario justo en s = 0 + j0. De acuerdo con 5.25 tenemos:
103
OSCAR G. DUARTE
Imag. axis
4
0 + j3.316
0 + j0
3
0 j3.316
Real axis
4
4
3
2
closedloop poles loci
root locus
open
asymptotic
loop
poles
directions
open loop
asymptotic
poles
directions
root locus complementario
104
|G(s)H(s)| =
1
1
1
=
=
|K|
|(0 + j0 + 1)(0 + j0 + 2)(0 + j0 + 3)|
6
|K| = 6
(5.27)
(5.28)
La ecuaci
on (5.28) establece cual es el valor absoluto de K que hace que la
rama del root-locus complementario pase del semiplano derecho al izquierdo. Como
sabemos que se trata de valores negativos de K podemos establecer que para K <
6 el sistema realimentado es inestable, mientras que para 6 < K 0 es estable.
Si observamos ahora el diagrama de root-locus (en rojo) observamos que existen
dos ramas (simetricas respecto al eje horizontal) que nacen en el semiplano izquierdo
y pasan al semiplano derecho. Esto significa que para valores peque
nos de K el
sistema realimentado es estable, pero a partir de alg
un valor positivo de K se torna
en inestable.
Las dos ramas cruzan el eje imaginario simultaneamente, asi que para determinar
el momento en el que sucede la transici
on basta con estudiar una de ellas. Tomemos
por ejemplo la rama superior, que cruza el eje imaginario en 0 + j3.316. El valor de
K en el que esto sucede puede determinarse empleando 5.25:
1
1
1
=
=
|K|
|(0 + j3.316 + 1)(0 + j3.316 + 2)(0 + j3.316 + 3)|
60
|K| = 60
(5.29)
(5.30)
Seg
un la ecuaci
on (5.30) para 0 K < 60 el sistema retroalimentado es estable,
y para K > 60 es inestable.
Combinando esta informaci
on con la que se obtuvo al analizar el root-locus
complementario puede concluirse que el sistema realimentado es estable si y s
olo si
K (6, 60)
Reglas de construcci
on de los diagramas
La figura 5.15 ha sido construida a partir de la expresi
on exacta de la ubicaci
on de los polos, dada por (5.23). No obstante, podra haberse empleado un
metodo diferente, ya que existen varias reglas constructivas, que permiten trazar manualmente el root-locus y el root-locus complementario de funciones de
transferencia de orden superior, con un alto grado de precisi
on.
Estas reglas constructivas, algunas de las cuales se han resumido en la tabla
5.54 , se basan en la ecuaci
on (5.5). En el ejemplo 5.11 se muestra c
omo se
emplean estas reglas.
Ejemplo 5.11 Trazar el root-locus y el root-locus complementario de
G(s)H(s) =
4n
s+1
s(s + 4)(s2 + 2s + 2)
= n
umero de polos de G(s)H(s); m = n
umero de ceros de G(s)H(s)
105
OSCAR G. DUARTE
R1 :
R2 :
R3 :
R4 :
R5 :
R6 :
R7 :
Regla
root-locus
n
umero de
ramas
Inicio de las
ramas
Fin de las ramas
Intervalos
del eje real
root-locus complementario
n
Polos de G(s)H(s) (o en
)
Ceros de G(s)H(s) (o en
)
A la izquierda de un n
umero impar de polos y ceros de G(s)H(s)
|n m|
Ceros de G(s)H(s) (o en
)
Polos de G(s)H(s) (o en
)
A la izquierda de un n
umero par de polos y ceros
de G(s)H(s)
|n m|
2i+1
180o
i = |nm|
0, 1, , |n m|
2i
180o
i = |nm|
0, 1, , |n m|
N
umero de
ramas
que
van
hacia
(o
vienen
desde)
Angulos
de
las
rectas
asntotas
Centroide
de las rectas
asntotas
Pn
i =
i =
P
polos de G(s)H(s) m ceros de G(s)H(s)
|nm|
106
Para trazar el diagrama de root-locus, comenzamos por ubicar en el plano complejo los polos y ceros de G(s)H(s) (figura 5.17(a)). De acuerdo con la Regla R 4 ,
podemos definir que intervalos del eje real forman parte del root locus y cuales
del root locus complementario (figura 5.17(b)). Las reglas R 2 y R3 nos permiten
determinar si las ramas del eje real llegan o salen de los ceros y polos de G(s)H(s)
(figura 5.17(c))
Seg
un la regla R5 , deberan existir 4 1 = 3 ramas que van al infinito en el root
locus, y otras 3 ramas que vienen desde el infinito en el root locus complementario.
Estas ramas seran asntotas a unas rectas que cruzan el eje real en el centroide ,
que seg
un la regla R7 sera:
=
Podemos calcular los angulos de esas rectas siguiendo la regla R 6 (figura 5.17(d))
i
0
1
2
RL
o
o
0 = 2i+1
41 180 = 60
2i+1
o
1 = 41 180 = 180o
o
o
2 = 2i+1
41 180 = 300
RLC
2i
180o = 0o
0 = 41
2i
1 = 41 180o = 120o
2i
180o = 240o
2 = 41
5.2.3.
El an
alisis del lugar geometrico de las races permite establecer la ubicaci
on
de los polos de un sistema como el de la figura 5.1 conforme cambia el valor de K.
Si estamos interesados en estudiar la estabilidad del sistema, debemos analizar
los puntos en los cuales las ramas del root-locus y el root locus complementario
cruzan el eje imaginario, pues es en ese punto en donde los polos pasan del
semiplano izquierdo al derecho, o viceversa, y por lo tanto son los puntos en
donde puede cambiar la estabilidad del sistema realimentado.
Adem
as, el root-locus es simetrico respecto al eje horizontal, por lo cual
basta con estudiar en que momento las ramas atraviesan una de las dos mitades
del eje imaginario, generalmente la mitad positiva.
Este hecho sugiere otra posibilidad de estudiar la estabilidad de los sistemas
realimentados: En lugar de estudiar en d
onde est
an ubicadas las ramas del rootlocus en todo el plano complejo, centrar nuestra atenci
on u
nicamente en el eje
imaginario positivo, y detectar cu
ando es atravesado por alguna rama del rootlocus.
Recordemos que de acuerdo con (5.25) los puntos del plano complejo que
forman parte del root-locus son tales que al evaluar en ellos la funci
on G(s)H(s)
el a
ngulo del n
umero complejo resultante debe ser 180o o 0o .
107
OSCAR G. DUARTE
Im(s)
Im(s)
Re(s)
Im(s)
Im(s)
Re(s)
Re(s)
Im(s)
Re(s)
Im(s)
Re(s)
Re(s)
Figura 5.17: Root-locus (en rojo) y root-locus complementario (en azul) del ejemplo
5.11
108
180o
0o
(5.31)
Para encontrar cu
ales son los valores de que satisfacen (5.31) pueden trazarse los diagramas de bode 5 de G(s)H(s) y buscar gr
aficamente en el diagrama
de fase cu
ales son los puntos en donde el a
ngulo de G(j)H(j) vale 180o o
0o , tal como se muestra en la figura 5.186.
Para determinar los valores de K en los cuales la rama del root-locus atraviesa el eje imaginario, puede emplearse nuevamente
(5.25):
1
(5.32)
|G(j)H(j)| =
|K|
Las ecuaciones (5.31) y (5.32) establecen dos condiciones que deben cumplir
los puntos j del plano complejo para formar parte del root-locus o del rootlocus complementario; una de las condiciones hace referencia a la gananacia de
G(s)H(s) y la otra a su fase. La idea de los m
argenes de estabilidad consiste en
suponer que k = 1, y explorar que margen se tiene cuando se cumple una de
esas condiciones:
Margen de ganancia: El margen de ganancia consiste en el menor valor por
el que se debe amplificar la ganancia de G(s)H(s) cuando se satisface la
condici
on (5.31), para que simult
aneamente se cumpla la condici
on (5.32).
Para el caso en que K > 0, el margen de ganancia puede leerse (en decibeles) en los diagramas de bode como el valor negativo de la ganancia a
la frecuencia en la que la fase es de 180o.
Para el caso en que K < 0, el margen de ganancia puede leerse (en decibeles) en los diagramas de bode como el valor negativo de la ganancia a
la frecuencia en la que la fase es de 0o .
apendice B
un metodo gr
afico caido en desuso para calcular F (j) a partir de G(j) cuando
K = H(s) = 1. Ese metodo se basa en las cartas de Nichols, presentadas en el apendice C
6 Existe
109
OSCAR G. DUARTE
1
|Kc |
0o
180o
Para el caso en que K > 0, el margen de fase puede leerse en los diagramas
de bode como 180o , donde es el a
ngulo a la frecuencia en la que la
ganancia es de 0db.
Para el caso en que K < 0, el margen de fase puede leerse en los diagramas
de bode como , donde es el a
ngulo a la frecuencia en la que la ganancia
es de 0db.
Ejemplo 5.12 Sup
ongase que en el sistema de la figura 5.1 los bloque G(s) y H(s)
son:
1
1
H(s) =
(5.33)
G(s) =
(s + 1)(s + 2)
(s + 3)
La figura 5.19 muestra los Diagramas de Bode de G(s)H(s). Seg
un (5.31) los
puntos en los cuales puede cambiar la estabilidad del sistema realimentado son
aquellos en los que el angulo de G(j)H(j) es 0o o es 180o.
Al observar la figura 5.19 notamos que el angulo de G(j)H(j) es 180 o
para una frecuencia de 0.528Hz, es decir para = 20.528 = 3.316rad/s. En esa
frecuencia el valor de la magnitud de G(j)H(j) es de 35.56db, lo que significa
que la magnitud de K, en decibeles, para la cual una rama del root-locus atraviesa
el eje imaginario es tal que |K|1en db = 35.56, lo que equivale a:
|K|en db
1
= 10 20
|K|
|K| = 10
|K|en db
20
110
|K| = 10
35.56
20
= 60
Magnitude
db
10
15.56db
30
35.56db
70
110
150
190
Hz
.
3
230
10
10
10
10
10
10
10
0.528Hz
Phase
degrees
20
20
60
100
140
180o180
220
.
260
300
Hz
10
10
10
10
10
10
111
10
OSCAR G. DUARTE
como K > 0 (hemos encontrado una rama del root locus) entonces K = 60.
Tambien debemos buscar los puntos para los cuales el angulo de G(j)H(j)
es 0o . En la figura 5.19 se observa que el diagrama de fase es asint
otico a 0 o , es
o
decir, que para = 0 el angulo de G(j)H(j) es 0 . El diagrama de magnitud
de G(j)H(j) es asint
otico a 15.56db, lo que significa que la magnitud de K,
en decibeles, para la cual una rama del Root-Locus complementario atraviesa el eje
imaginario es tal que |K|1en db = 15.56, lo que equivale a:
|K|en db
1
= 10 20
|K|
|K| = 10
|K|en db
20
|K| = 10
15.56
20
=6
como K < 0 (hemos encontrado una rama del root locus complementario) entonces
K = 6.
Hemos encontrado los valores de K para los cuales un polo cruza el eje imaginario, y han resultado ser 6 y 60. Esto significa que al variar K desde
hasta , la estabilidad del sistema realimentado s
olo puede cambiar en 6 y 60.
En consecuencia, podemos definir tres intervalos para K en los cuales la estabilidad
es constante; para conocer la estabilidad de cada intervalo basta con determinar la
de uno de sus puntos:
K (, 6): Seleccionamos K = 10 de tal manera que el denominador
de (5.21) se convierte en
s3 + 6s2 + 11s 4
Como el denominador tiene coeficientes de signos diferentes al menos tiene
una raiz en el semiplano derecho, y en consecuencia el sistema realimentado
es inestable.
K (6, 60): Seleccionamos K = 0 de tal manera que el denominador de
(5.21) se convierte en
s3 + 6s2 + 11s + 6 = (s + 1)(s + 2)(s + 3)
Las raices del denominador son negativas (1, 2 y 3) , y en consecuencia
el sistema realimentado es estable.
K (60, ): Seleccionamos K = 100 de tal manera que el denominador de
(5.21) se convierte en
s3 + 6s2 + 11s + 106
cuyas raices son 6.71 y .36 j3.96, es decir que tiene dos raices en el
semiplano derecho y en consecuencia el sistema realimentado es inestable.
5.2.4.
c1
s0
c1
p1
(s0
c1 )
s0
p3
p2
c2
Determinaci
on gr
afica del valor de una funci
on compleja racional
Sup
ongase una funci
on compleja F (s) que puede escribirse como una raz
on
de polinomios:
a0 + a 1 s1 + + a m sm
(5.34)
F (s) =
b0 + b 1 s1 + + b n sn
Al factorizar los polinomios, la ecuaci
on (5.34) podr
a escribirse como
F (s) = A
(s c1 )(s c2 ) (s cm )
(s p1 )(s p2 ) (s pn )
(5.35)
(5.36)
(5.37)
F (s0 ) = A
|F (s0 )| = |A|
113
OSCAR G. DUARTE
Plano s
Plano F
2
1
s0
F (s)
2
F (s0 )
1
2
m
arg F (s0 ) = arg A +
Angulos de los vectores que van de ceros a s0
n
(5.39)
es decir, tiene un u
nico cero en s = 1 y no tiene polos. Supongamos tambien
que deseamos calcular F (s0 ), para s0 = 1 + j.
La figura 5.21 muestra dos planos complejos: en el primero de ello se ha
dibujado el diagrama de polos y ceros de (5.39); este plano lo denominaremos
plano s. En el segundo plano se ha dibujado el resultado de calcular F (s0 ), y
por eso lo denominaremos plano F. Para obtener F (s0 ) y poder graficarlo en el
plano F se ha empleado el metodo gr
afico en el plano s, y el resultado se ha
trasladado, tal como se se
nala en la figura 5.21.
Si ahora quisieramos calcular F (s) no en un u
nico punto s0 sino en todos los
puntos de una trayectoria cerrada del plano s, podriamos repetir el procedimiento anterior en cada uno de los puntos de la trayectoria. Las figuras 5.22 y 5.23
muestran los resultados para dos trayectorias diferentes que se han recorrido en
el sentido horario. En ambos casos se produce en el plano F otra trayectoria
cerrada en sentido horario.
114
Plano s
Plano F
F (s)
Figura 5.22: Plano s y Plano F en una trayectoria cerrada que no encierra el cero
La principal diferencia entre las dos trayectorias seleccionadas es que la primera de ellas (figura 5.22) no encierra al cero de F (s) mientras que la segunda
(figura 5.22) s lo hace. Como consecuencia de esto, en el primer caso la trayectoria cerrada que aparece en el plano F no encierra al origen, mientras que en
el segundo s lo hace.
Las figuras 5.24 y 5.25 muestran cu
al habra sido el resultado si F (s) tuviera
un polo en s = 1 en lugar de un cero, es decir si F (s) = 1/(s + 1). En el plano
F aparecen trayectorias cerradas que s
olo encierran al origen si la trayectoria
del plano s encierra al polo. Sin embargo, debe resaltarse que el sentido de la
trayectoria que encierra al origen es antihorario, lo que se explica observando
que en la ecuaci
on (5.38) el a
ngulo de los vectores que van de polos a s 0 tiene
signo negativo.
Ahora bien, si la trayectoria hubiese encerrado varios ceros y varios polos,
cada uno de estos ceros habra contribuido en 5.36 con un termino que habra
variado 360o en sentido horario, mientras que cada polo lo hara con otro termino
que habra variado 360o en sentido antihorario.
Otro detalle a tener en cuenta, es que si la trayectoria pasa por un polo de
F (s), al calcularla en ese punto el resutado ser
a , y por lo tanto la trayectoria
generada en el plano F no necesariamente ser
a cerrada. Estos hechos pueden
consignarse en el principio del argumento, que se presenta a continuaci
on:
115
OSCAR G. DUARTE
Plano s
Plano F
F (s)
Figura 5.23: Plano s y Plano F en una trayectoria cerrada que encierra el cero
Plano s
Plano F
F (s)
1
2
Figura 5.24: Plano s y Plano F en una trayectoria cerrada que no encierra el polo
116
Plano s
Plano F
F (s)
Figura 5.25: Plano s y Plano F en una trayectoria cerrada que encierra el polo
(5.40)
Trayectoria de Nyquist
La trayectoria de Nyquist para un sistema continuo realimentado como el
de la figura 5.1 es una curva cerrada que abarca todo el semiplano derecho, y
que no contiene ning
un polo de G(s)H(s). La figura 5.26 muestra la trayectoria
de nyquist para el caso general.
N
otese que la trayectoria de Nyquist recorre todo el eje emaginario y regresa
por una semicircunferencia de radio , abarcando todo el semiplano derecho.
Para el caso especial en que G(s)H(s) tiene polos en el eje imaginario es necesario modificar la trayectoria, tal como se muestra en la figura 5.26, mediante
peque
nas semicircunferencias de radio arbitrariamente peque
no
Diagrama de Nyquist
Para un sistema continuo como el de la figura 5.1, el diagrama de Nyquist
es la trayectoria orientada que resulta de calcular G(s)H(s) a traves de la tra117
OSCAR G. DUARTE
r=
r=
118
Plano s
Plano GH
r=
G(s)H(s)
NG (s) NH (s)
=
DG (s) DH (s)
DG (s)DH (s) + NG (s)NH (s)
DG (s)DH (s)
(5.41)
(5.42)
La ecuaci
on (5.42) puede escribirse de otra forma, si se tiene en cuenta que:
La curva encierra todo el semiplano derecho
Los polos de R(s) son los mismos polos de G(s)H(s), como se puede
verificar en (5.41)
Los ceros de R(s) son los mismos polos del sistema realimentado (con
K = 1) como puede verse al comparar (5.41) con (5.5)
119
OSCAR G. DUARTE
(5.43)
1
(s + 1)(s + 2)
120
H(s) =
1
(s + 3)
(5.45)
Nyquist plot
Im(h(2i*pi*f))
0.15
0.093
0.132
0.11
0.059
0.190
0.07
0.024
0.03
1000
0.01
1
60
1
6
0.05
0.034
0.229
0.09
0.068
0.151
Re(h(2i*pi*f))
0.103
0.13
0.05
0.01
0.03
0.07
0.11
0.15
0.19
En esa figura se han destacado los puntos en los que el Diagrama de Nyquist
cruza el eje real (1/60 y 1/6). El n
umero de polos que G(s)H(s) tiene en el
semiplano derecho es cero, de acuerdo con (5.45). De esta forma, el criterio de
Nyquist, ecuaci
on (5.44), establece que:
N
umero de polos del
sistema realimenta0=
0
(5.46)
do en el semiplano
derecho
y por lo tanto el sistema realimentado es estable para K = 1. Ademas, en el
diagrama de Nyquist se observa que este se puede amplificar hasta 60 veces sin que
cambie el n
umero de veces que encierra al punto (1, 0), lo que significa que para
0 < k < 60 el sistema sigue siendo estable. Si se amplifica por un valor superior
a 60 el punto (1, 0) resulta encerrado dos veces por el diagrama, y por lo tanto
el sistema realimentado tendra dos polos en el semiplano derecho, es decir, sera
inestable.
Evaluamos ahora la estabilidad para valores negativos de K Remitiendonos nuevamente a la figura 5.29, observamos que podemos amplificar 6 veces el diagrama
sin que cambie el n
umero de veces que encierra al punto (1, 0), lo que significa que
para 6 > K > 0 el sistema sigue siendo estable. Si se amplifica por un valor mayor
a 6 el punto (1, 0) resulta encerrado una vez por el diagrama, y por lo tanto el sistema realimentado tendra un polo en el semiplano derecho, es decir, sera inestable.
En resumen, el sistema sera estable para K (6, 60).
121
OSCAR G. DUARTE
5.3.
Por razones an
alogas a las expresedas en la secci
on 5.2, la estabilidad de
sistemas din
amicos lineales discretos tambien est
a determinada por la ubicaci
on
de sus polos. La condici
on de estabilidad consiste en que estos deben estar
ubicados en el interior del crculo unitario.
Debido a que esta condici
on es diferente a la que existe para los sistemas
continuos, las herramientas presentadas en la secci
on 5.2 no pueden emplearse
directamente, sino que es necesario efectuar alg
un tipo de adecuaci
on. Existen
en general tres estrategias:
Adecuar el sistema discreto para que parezca un sistema continuo. Este es
el caso de la transformaci
on bilineal que se explica en la secci
on 5.3.1.
Dise
nar estrategias especficas para sistemas discretos. El criterio de Jury
que se presenta en la secci
on 5.3.2 corresponde a este caso.
Adecuar las estrategias de an
alisis para que funcionen con sistemas discretos. Las secciones 5.3.3, 5.3.4 y 5.3.5 explican como adecuar las estrategias
de root-locus, Bode y Nyquist, respectivamente (ver secci
on5.2), para aplicarlas en el caso discreto.
5.3.1.
Transformaci
on bilineal
La transformaci
on
z+1
(5.47)
z1
Se conoce como la transformaci
on bilineal, ya que al despejar r en (5.47)
resulta una expresi
on similar:
r+1
z=
(5.48)
r1
La transformaci
on bilineal tiene la propiedad de transformar la circunferencia
unitaria en el eje imaginario. Para demostrarlo, supongamos un valor de z que
est
a en la circunferencia unitaria, es decir z = cos + j sin para alg
un valor
de . Al aplicar (5.47) observamos que z se transforma en
r=
r=
cos + j sin + 1
cos + j sin 1
1 + cos + j sin
(1 + cos + j sin ) (1 + cos j sin )
=
1 + cos + j sin
(1 + cos + j sin ) (1 + cos j sin )
sin
j2 sin
=j
2 2 cos
cos 1
122
(5.49)
z
1 + j0
0.707 + j0.707
0 + j1
0.707 + j0.707
1 + j0
0.707 j0.707
0 j1
0.707 j0.707
r
indefinido
0 j2.4142
0 j1
0 j0.4142
0 + j0
0 + j0.4142
0 + j1
0 + j2.4142
Plano z
Plano r
2
1
r=
z+1
z1
1
2
1
z + 0.3
H(z) =
1
z + 0.7
(5.50)
La funci
on de transferencia del sistema realimentado es
F (z) =
KG(z)
K(z + 0.7)
= 2
1 + KG(z)H(z)
z + z + (K + 0.21)
(5.51)
Al aplicar la transformaci
on bilineal a F (z) se obtiene
K
F (r) =
r+1
r1
r+1
r1
r+1
r1
+ 0.7
=
+ (K + 0.21)
123
r2 (2.21
OSCAR G. DUARTE
r2
r1
r0
(2.21 + K)
(1.58 2K)
(0.21 + K)
(0.21 + K)
Los valores de K que hacen que todas las races de F (z) esten dentro del crculo
unitario en el plano z son los mismos valores que hacen que todas las races de F (r)
esten en el semiplano izquierdo del plano r. Estos u
ltimos pueden determinarse por
medio del criterio de Routh Hurwitz. El arreglo correspondiente se muestra en la
figura 5.31 de donde se deduce que las condiciones para que el sistema del ejemplo
sea estable son:
2.21 + K > 0
1.58 2K > 0
0.21 + K > 0
(5.52)
O lo que es equivalente:
0.21 < K < 0.79
5.3.2.
(5.53)
(5.54)
bk =
a0
an
b0
ank
ck =
bn1
ak
c0
bn1k
dk =
cn2
bk
cn2k
ck
(5.55)
124
Fila
1
2
3
4
5
6
..
.
2n 5
2n 4
2n 3
z0
a0
an
b0
z1
a1
z2
a2
bn1
c0
cn2
..
.
an1
b1
bn2
c1
cn3
..
.
an2
b2
bn3
c2
cn4
..
.
p0
p3
q0
p1
p2
q1
p2
p1
q2
z nk
ank
ak
bnk
bk1
cnk
ck2
z n2
an2
a2
bn2
b1
cn2
c0
z n1
an1
a1
bn1
b0
zn
an
a0
p3
p0
primera y la u
ltima columna; el segundo elemento de forma similar pero con la
primera y la pen
ultima columnas; el tercero con la primera y la antepen
ultima,
y asi sucesivamente. Dado que el u
ltimo elemento sera el determinante de la
matriz formada con dos columnas iguales (la primera dos veces), este valor ser
a
siempre cero, y por tanto no se escribe en el arreglo (se ha eliminado).
Ejemplo 5.15 Considerese el polinomio
p(z) = 1 + 2z + 3z 2 + 4z 3 + 5z 5
(5.56)
Las primeras dos lneas del arreglo de Jury para p(z) se muestran en la figura
5.33. S
olo es necesario construir 5 lneas, porque n = 4 y 2n 3 = 5.
La tercera lnea se construye asi:
b0 =
1 5
= 24
5 1
b1 =
1 4
= 18
5 2
b2 =
1 3
= 12
5 3
b3 =
1 2
= 6
5 4
El arreglo con las cuatro primeras lneas su muestra en la figura 5.34.La quinta
lnea se construye asi:
c0 =
24 6
= 504
6 24
c2 =
c1 =
24 12
= 360
6 18
24 18
= 180
6 12
Criterio de Jury
El Criterio de Jury puede expresarse asi:
125
OSCAR G. DUARTE
Fila
1
2
3
4
5
z0
1
5
b0
b3
c0
z1
2
4
b1
b2
c1
z2
3
3
b2
b1
c2
z3
4
2
b3
b0
z4
5
1
Figura 5.33: Arreglo de Jury del ejemplo 5.15. Primeras dos lneas
Fila
1
2
3
4
5
z0
1
5
24
6
c0
z1
2
4
18
12
c1
z2
3
3
12
18
c2
z3
4
2
6
24
z4
5
1
Figura 5.34: Arreglo de Jury del ejemplo 5.15. Primeras cuatro lneas
Fila
1
2
3
4
5
z0
1
5
24
6
504
z1
2
4
18
12
360
z2
3
3
12
18
180
z3
4
2
6
24
z4
5
1
126
Criterio de Jury
Las condiciones necesarias y suficientes para que p(z) en (5.54) tenga
todas sus races en el interior del crculo unitario del plano z son:
p(1) > 0
(5.57a)
>0
si n es par
< 0 si n es impar
an
|bn1 |
|cn2 | n 1 condiciones
|q2 |
p(1)
|a0 | <
|b0 | >
|c0 | >
..
.
|q0 |
>
(5.57b)
(5.57c)
N
otese que este criterio se reduce a unas condiciones muy simples para el
caso de polinomios de segundo orden (n = 2):
p(1) > 0
(5.58a)
p(1) > 0
(5.58b)
|a0 | < a2
(5.58c)
(5.59a)
(5.59b)
1 = |a0 | <
a4 = 5
24 = |b0 | >
|b3 | = 6
504 = |c0 | > |c2 | = 180
(5.59c)
Por lo que p(z) tiene todas su races en el interior del crculo unitario. Efectivamente, las races de p(z) son:
r12 = 0.1378 i0.6782
1
z + 0.3
H(z) =
127
1
z + 0.7
(5.60)
OSCAR G. DUARTE
La funci
on de transferencia del sistema realimentado es
F (z) =
K(z + 0.7)
KG(z)
= 2
1 + KG(z)H(z)
z + z + (K + 0.21)
(5.61)
Para que el denominador de F (z) tenga todas sus races en el crculo unitario,
y por tanto el sistema realimentado sea estable, se deben satisfacer (5.57); como
el denominador es de segundo orden, estas condiciones se convierten en las que
muestra (5.58), es decir:
p(1) = 1 + 1 + (0.21 + K) > 0
(5.62a)
(5.62b)
(5.62c)
(5.63a)
K > 0.21
(5.63b)
(5.63c)
(5.64)
o lo que es equivalente:
que coincide con lo obtenido en (5.53)
Problemas en la construcci
on del arreglo de Jury
Es posible que algunos o todos los elementos de una fila en el arreglo de
Jury sean cero, en cuyo caso se considera que el arreglo ha terminado de forma
prematura. La soluci
on ha este inconveniente se considera fuera del alcance del
curso y por lo tanto se ha omitido en estas notasfootnotevease [22].
5.3.3.
Lugar geom
etrico de las races
1
z + 0.3
H(z) =
128
1
z + 0.7
(5.65)
1
= 0.79
(0.5 + j0.86 + 0.3)(0.5 + j0.86 + 0.7)
(5.66)
1
= 0.21
(1 + 0.3)(1 + 0.7)
(5.67)
1
= 2.21
(1 + 0.3)(1 + 0.7)
(5.68)
Kc3 =
De las ecuaciones (5.66), (5.67) y (5.68) se desprenden las condiciones para que
el root-locus y el root locus complementario esten en el interior del crculo unitario:
Para el root-locus se necesita que K < 0.79 y para el root-locus complementario
que K > 0.21 y K > 2.21. Estas condiciones se pueden resumir en una s
ola
0.21 < K < 0.79
(5.69)
5.3.4.
En la secci
on 5.2.3 se muestra c
omo pueden emplearse los Diagramas de
Bode para estudiar la estabilidad de sistemas realimentados contnus como los
de la figura 5.1. La figura 5.18 muestra la relaci
on entre el cruce por el eje real
de las ramas del root-locus y el root-locus complementario con los diagramas de
bode de G(s)H(s).
Para estudiar la estabilidad de los sistemas discretos ya no es importante el
cruce por el eje imaginario, sino el cruce por la circunferencia unitaria. Por esta
raz
on, los diagramas de |G(j)H(j)| y arg G(j)H(j) ya no son u
tiles.
Dicho de otra forma, ya no es interesante recorrer el eje imaginario j, sino la
circunferencia unitaria. Esta u
ltima se puede recorrer con la funci
on ej , variando entre 0 y 2. En efecto, podemos emplear la F
ormula de Euler para escribir
ej = cos + j sin
(5.70)
La ecuaci
on (5.70) muestra que ej es un n
umero complejo de magnitud 1
y a
ngulo , por lo tanto, si vara entre 0 y 2 se recorre la circunferencia
unitaria.
129
OSCAR G. DUARTE
Im(z)
1.5
1.0
0.5
Re(z)
0.5
1.0
1.5
0.5
1.0
1.5
Figura 5.36: root-locus (en rojo) y root-locus complementario (en azul) para el
ejemplo 5.18
Al igual que en el caso continuo, podemos argumentar la simetra del rootlocus para recorrer unicamente la mitad de la circunferencia, es decir, tomar
0 .
En resumen, podemos trazar los diagramas de magnitud y a
ngulo para
G(ej )H(ej ) con 0 , o lo que es igual, para G(jf )H(jf ) con 0 < f < 21 .
Estos son los diagramas de bode para sistemas discretos y emplean las mismas
escalas que los diagramas de bode para sistemas continuos.
La relaci
on que existe entre los diagramas de root-locus y root-locus complementario, por una parte, y los diagramas de bode, por otra, para sistemas
discretos se muestra en la figura 5.37. De esta forma, la determinaci
on de la estabilidad de sistemas realimentados discretos es completamente an
aloga al caso
continuo, y se ilustra con el ejemplo 5.19
Ejemplo 5.19 Retomemos el mismo sistema analizado en los ejemplos 5.14, 5.17
y 5.18. Se trata de un sistema realimentado como el de la figura 5.2 con
G(z) =
1
z + 0.3
H(z) =
1
z + 0.7
(5.71)
1
|Kc |
ej
0o
ej
180o
Diagrama de Bode de fase
Figura 5.37: Relaci
on entre el root-locus y los diagramas de Bode para el caso
discreto
|Kc1 | = 10
2.04
20
|Kc1 | = 10
= 0.79
|Kc1 |en db
20
Kc1 = 0.79
(5.72)
Para estudiar los cruces por la circunferencia unitaria de ramas del root-locus
complementario, observamos que el diagrama de fase es asint
otico a 0 o , es decir
j
j
o
que para = 0 el angulo de G(e )H(e ) es 0 . Tambien se observa que para
una frecuencia de 12 Hz, es decir = el angulo es de 360o, que es igual a 0o .
Lo anterior significa que dos ramas del root locus complementario cruzan la
circunferencia unitaria en Kc2 y Kc3 que se pueden calcular como:
|Kc2 | = 10
|Kc3 | = 10
6.89
20
13.555
20
= 2.21
Kc2 = 2.21
(5.73)
= 0.21
Kc3 = 0.21
(5.74)
Los resultados de las ecuaciones (5.72) a (5.74) son coherentes con los obtenidos
en (5.53), (5.64) y (5.69).
131
OSCAR G. DUARTE
Magnitude
db
17
13.555db 13
9
5
2.04db
1
3
Hz
6.89db 7 .
10
10
10
10
0.3338Hz
Phase
degrees
0
40
80
120
160
180o
200
240
280
320
.
3
360
10
Hz
2
10
10
132
10
5.3.5.
OSCAR G. DUARTE
1
z + 0.3
H(z) =
1
z + 0.7
(5.76)
El diagrama de Nyquist de G(z)H(z) se muestra en la figura 5.41; puede observarse que el diagrama de Nyquist encierra una vez el punto (1, 0). Ademas,
G(z)H(z) tiene cero polos por fuera del crculo unitario. Seg
un (5.75) se tiene que
134
N
umero de polos del
sistema realimenta1=
0
(5.77)
do por fuera del
crculo unitario
y por lo tanto el sistema realimentado con K = 1 es inestable. Sin embargo el
n
umero de veces que se encierra el punto (1, 0) puede ser 0 si el diagrama se
amplifica por un valor positivo menor que 0.79. En estas condiciones el sistema
realimentado sera estable. Por lo tanto, para que el sistema realimentado sea estable
con valores positivos de K, se necesita que 0 < K < 0.79
Para estudiar los valores negativos de K que haran que el sistema fuera estable,
podramos trazar el diagrama de Nyquist de G(z)H(z); sin embargo esto no es
necesario, ya que ese diagrama s
olo puede diferir del de G(z)H(z) en una rotaci
on
de 180o , por lo tanto es suficiente con averiguar que tantas veces se encierra el
punto (1, 0).
En la figura 5.41 se observa que el n
umero de veces que el diagrama de Nyquist
puede encerrar al punto (1, 0) es 0, 1 o 2 en las siguientes condiciones:
Si se amplifica por una cantidad menor que 0.21 lo encierra 0 veces.
Si se amplifica por una cantidad mayor que 0.21 y menor que 2.21 lo encierra
1 vez.
Si se amplifica por una cantidad mayor que 2.21 lo encierra 2 veces.
Por lo tanto, para que el sistema realimentado sea estable con valores negativos
de K, se necesita que 0.21 < K < 0
Al combinar los resultados obtenidos para valores positivos y negativos de K se
tiene que
0.21 < K < 0.79
(5.78)
que coincide con (5.53), (5.64), (5.69) y (5.72).
135
OSCAR G. DUARTE
Nyquist plot
Im(h(exp(2i*pi*f*dt)))
4
0.451
0.466
3
0.479
2
0.4
1
0.135
0.5
1
2.21
1
0.79
0.388
1
0.21
0.488
2
0.425
0.476
0.447
Re(h(exp(
2i*pi*f*dt)))
0.463
4
2
136
Captulo 6
Representacion en variables de
estado
6.1.
Introducci
on
En los captulos anteriores se han presentado distintas estrategias para modelar el comportamiento de sistemas din
amicos continuos y discretos, entre ellas:
Ecuaciones diferenciales o de diferencia
Funciones de transferencia
Respuestas al impulso
Diagramas de bloque
Diagramas de flujo de se
nal
En este captulo se estudia una nueva alternativa que emplea un conjunto
de variables denominadas variables de estado. Puede pensarse que estas son tan
s
olo variables matem
aticas auxiliares, aunque en ocasiones tienen un sentido
fsico. Algunas de las ventajas que se obtienen con esta nueva representaci
on
son las siguientes:
La representaci
on de sistemas de m
ultiples entradas y m
ultiples salidas es
m
as sencilla.
Toda la din
amica del sistema se representa por ecuaciones diferenciales o
de diferencia de primer orden.
137
OSCAR G. DUARTE
u1 (t)
u2 (t)
up (t)
..
.
Sistema
Din
amico
y1 (t)
y2 (t)
..
.
yq (t)
u1 (k)
u2 (k)
up (k)
..
.
Sistema
Din
amico
y1 (k)
y2 (k)
..
.
yq (k)
=f (x(t), u(t), t)
y(t) =g(x(t), u(t), t)
(6.1)
(6.2)
En las ecuaciones (6.1) y (6.2) u es un vector que contiene cada una de las
p entradas al sistema, y es un vector que contiene cada una de las q salidas del
sistema, x es un vector que contiene cada una de las n variables de estado del
138
6.1. INTRODUCCION
sistema, es decir:
u1
u2
u= .
..
up
p1
y1
y2
y=.
..
yq
x1
x2
x= .
..
q1
xn
(6.3)
n1
Las ecuaciones vectoriales (6.1) y (6.2) son en realidad un conjunto de ecuaciones. Por ejemplo, las ecuaciones (6.1) corresponden a algo de la forma:
= Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
(6.4)
(6.5)
(6.6)
(6.7)
OSCAR G. DUARTE
6.2.
6.2.1.
Algunos resultados de
algebra lineal
Espacios vectoriales
6.2. ALGUNOS RESULTADOS DE ALGEBRA
LINEAL
1 x1 + 2 x2 + + n xn =
i xi
i=1
a2
an
B = b1
b2
bn
141
OSCAR G. DUARTE
Un vector x tendra coordenadas i en la base A y i en la base B. Definimos los vectores columna y que contienen las coordenadas:
1
1
2
2
= .
= .
..
..
n
= A1 B
= B1 A
(6.8)
= B1
(6.9)
(6.10)
en donde B = [b1 b2 bn ]
Ejemplo 6.5 La funci
on T : R2 R2 consistente en la rotaci
on de vectores 90o
en sentido horario es una transformaci
on lineal representada por la matriz A:
A=
0 1
1 0
6.2. ALGUNOS RESULTADOS DE ALGEBRA
LINEAL
1 =1
1 =1
2 =3
2 =-2
2 =2
1 =-1
: vector x
: base
Ejemplo 6.6 En R2 puede definirse una base con cualquier pareja de vectores no
paralelos. Definamos por ejemplo A = {(1, 0), (0, 1)}, B = {(3, 1), (2, 2)} y C =
{(1, 1)(1, 1)} (vectores rojos en la figura 6.3).
Consideremos ahora el vector x en la figura 6.3. Sus coordenadas en la base
estandar A seran
1
= 1 =
3
2
Para obtener las coordenadas de x en las bases B y C construimos las matrices
B y C y empleamos (6.9)
B=
3 2
1 2
C=
1 1
1 1
1/2 1/2
1
= B1 =
1/4 3/4
2
1
1
=
3
2
1
1/2 1/2
= C1 =
2
1/2 1/2
1
1
=
3
2
Puede verificarse que las coordenadas en las bases B y C satisfacen las relaciones
(6.8)
= B1 C
= C1 B
Ejemplo 6.7 En el ejemplo 6.5 se mostr
o que la rotaci
on de 90 o en sentido horario
estaba representada en la base estandar por la matriz
T =
0 1
1 0
La misma transformaci
on se representara en la base B = {(3, 1), (2, 2)} por la
matriz
T = B1 T B
143
OSCAR G. DUARTE
T =
1/2 1/2
1/4 3/4
0 1
1 0
3 2
2
2
=
1 2
2.5 2
Sup
ongase ahora el vector x, cuyas coordenadas en la base estandar son x =
(1, 3) y en la base B son x = (1, 2) (ejemplo 6.6). Al efectuar la rotaci
on de 90 o
en sentido horario se obtendra un vector y cuyas coordenadas en la base estandar
seran y y en la base B seran y :
y =
6.2.2.
0 1
1 0
1
3
=
3
1
y =
2
2
2.5 2
1
2
=
2
1.5
(6.11)
(6.12)
144
6.2. ALGUNOS RESULTADOS DE ALGEBRA
LINEAL
4 1
2 1
1 0
4 1
( 4)
1
=
0 1
2 1
2
( 1)
2 = 3
2v11
4v11 + v21
=
2v21
2v11 + v21
v
v11
= 2 11
v21
v21
= 2v11
= 2v21
Para obtener un vector propio asociado a 1 = 2 podemos escoger arbitrariamente un valor para v11 o para v21 . Por ejemplo, si escogemos v11 = 1 obtenemos
v21 = 2. En consecuencia, un vector propio asociado a 1 = 2 sera
v1 =
1
2
en general v1 =
a
2a
v12
v
= 3 12
v22
v22
4v12 + v22
3v12
=
2v12 + v22
3v22
= 3v12
= 3v22
Para obtener un vector propio asociado a 2 = 3 podemos escoger arbitrariamente un valor para v12 o para v22 . Por ejemplo, si escogemos v12 = 1 obtenemos
v22 = 1. En consecuencia, un vector propio asociado a 2 = 3 sera
v2 =
1
1
en general v2 =
145
a
a
OSCAR G. DUARTE
2 1
1 2
( 2)
2 1
1 0
=
1
1 2
0 1
1
( 2)
() = det(B) = ( 2)2 + 1 = 2 4 + 5
Los valores propios de A seran las races de ()
1,2 = 2 j
2v12 + v22
v12 + 2v22
= (2 + j)v11
= (2 + j)v21
1
j
v2 =
1
j
a
ja
v2 =
a
ja
= (2 j)v12
= (2 j)v22
o en general
v1 =
6.2.3.
Forma can
onica de Jordan
(6.13)
1 0 0
0 2 0
= .
..
.. . .
..
. .
.
0
0 n
146
6.2. ALGUNOS RESULTADOS DE ALGEBRA
LINEAL
vn
v2
Esta afirmaci
on puede demostrarse facilmente al comprobar que M = AM:
1 0 0
0 2 0
M = v1 v2 vn .
.. . .
.. = 1 v1 2 v2 n vn
..
. .
.
0
0 n
AM = A v1
v2
vn = Av1
Av2
Avn
4 1
2 1
1 1
2
1
4 1
2 1
1
1
2 0
=
= 1
2 1
0 3
0
0
2
2 1
1 2
cuyos valores propios son (Ejemplo 6.9) 1,2 = 2 j con vectores propios v1 , v2 :
v1 =
1
j
v2 =
1
j
j/2 j/2
j/2 j/2
2 1
1 2
1
j
1
2+j
=
j
0
147
= 1
2j
0
0
2
OSCAR G. DUARTE
1 2
2 5
( 1)
1 2
1 0
=
2
2 5
0 1
2
( 5)
31
2
2
35
=2
2 2
2 2
=21=1
6.2. ALGUNOS RESULTADOS DE ALGEBRA
LINEAL
3 0 1
A = 1 2 1
1 0 3
Construimos (I A):
( 3)
I A = 1
1
0
( 2)
0
1
1
( 3)
() = ( 3)2 ( 2) ( 2) = 3 82 + 20 16
Las races del polinomio son 1 = 2 = 2, 3 = 4. Para determinar la degeneracidad
de 1 calculamos 1 I A
1 0 1
(2 3)
0
1
(2 2)
1 = 1 0 1
I A = 1
1 0 1
1
0
(2 3)
d1 = n (I A)
d1 = 3 1 = 2
d
d
3 0 1
a
3 0 1 a
1 2 1 e = 4 e
1 2 1 b = 2 b
f
f
1 0 3
c
c
1 0 3
Se originan los sistemas de ecuaciones
3a c = 2a
a + 2b c = 2b
a + 3c = 2c
3d f = 4a
d + 2e f = 4e
d + 3f = 4f
Que se convierten en
a=c
d = e = f
OSCAR G. DUARTE
3 0 1 1 1 1
1
1
0
= M1 AM = 1/2 1
1/2 1 2 1 0 1 1
1 1 1
1/2
0 1/2 1 0 3
1
2 0 0
= M1 AM = 0 2 0 = 0
0
0 0 4
0
2
0
0
0
3
Cuando no se puede encontrar un conjunto de vectores propios linealmente independiente lo suficientemente grande para diagonalizar la matriz, debe
acudirse al concepto de vectores propios generalizados para lograr una diagonalizaci
on por bloques.
El concepto de vector propio generalizado, y la forma de calcularlos se sale
del a
mbito de este texto, aunque una presentaci
on detallada puede encontrarse
en el apendice D. No obstante, es posible determinar en forma sencilla cu
al es
la forma de la matriz diagonalizada por bloques, o forma can
onica de Jordan
de una matriz, seg
un se explica a continuaci
on.
En general, se representa la forma can
onica de Jordan de la matriz A por
J, y es de la forma
J1 0 0
0 J2 0
J= .
.. . .
..
..
.
.
.
0 0 J2
j 1
0
0 j 1
..
.. . .
.
.
Ji =
.
0 0
0
0 0
0
0
0
..
. 1
j
6.2. ALGUNOS RESULTADOS DE ALGEBRA
LINEAL
2
1
Identificar el n
umero de columnas del diagrama como q.
b)
c) Identificar el tama
no de cada columna como h1 , h2 , , hq .
7. En esas condiciones el n
umero de bloques de Jordan asociados al valor
propio es q, y el tama
no de cada uno de esos bloques es h1 , h2 , , hq .
En general, la forma can
onica de Jordan ser
a entonces:
J11
0
..
.
J=
0
J12
..
.
0
..
.
0
0
..
.
J1q1
0
..
151
Jm1
0
..
.
0
Jm2
..
.
..
.
0
0
..
.
Jmqm
OSCAR G. DUARTE
j
0
..
Jji =
.
0
0
1
j
..
.
0
1
..
.
0
0
0
0
3 1
1 1
0 0
A=
0 0
0 0
0 0
0
0
..
. 1
j h
ij hij
1
1
0
0
1 1 0
0
2
0
1
1
0
2 1 1
0
0
1
1
0
0
1
1
1 1 1
1
0
0
1 1 1 1 0
0
0 0
(A 2I) = 4
0
0
1
1
B=
0
0
0
0
1
1
1 =64=2
0 0
0
0 1 1
0 0
0
0
1 1
0 0 2 2 0
0
0 0 2 2 0
0
0 0 0 0 0
0
(A 2I)2 = 2
B2 =
0 0 0 0 0
0
2 = 6 2 = 4
0 0 0 0 2 2
0 0 0 0 2 2
0 0 0 0 0
0
0 0 0 0 0
0
(A 2I)3 = 1
0 0 0 0 0
0
3
B =
3 = 6 1 = 5
0
0 0 0 0 0
0 0 0 0 4 4
0 0 0 0 4 4
2 adaptado
152
6.2. ALGUNOS RESULTADOS DE ALGEBRA
LINEAL
= 3 2
= 2 1
= 1 0
= 54= 1
= 42= 2
= 20= 2
2 1 0
0 0
0
2 1 0 0 0 0
0 2 1
0 0
0 0 2 1 0 0 0
0 0 2
0 0
0
0 0 2 0 0 0
J = M AM =
=
0 0 0 2 1 0
0 0 0
2
1
0
0 0 0 0 2 0
0 0 0
0
2
0
0 0 0 0 0 0
0 0 0
0 0
0
Matrices con valores propios complejos
Dado que los valores propios de una matriz pueden ser complejos, en general
las matrices de Jordan y Modal, J y M, ser
an complejas.
No obstante, cuando existen valores propios complejos es posible efectuar
otro cambio de coordenadas diferente que produce tambien una matriz diagonal
por bloques, pero real, conocida como la forma can
onica real de Jordan.
La nueva matriz modal MR reemplaza cada pareja de vectores propios complejos conjugados de M por dos vectores reales, uno con la parte real y otro con
la parte imaginaria de los vectores reemplazados.
Para un valor propio complejo = a jb que no se repite, el bloque de
Jordan asociado tendr
a la forma
Ji =
a b
b a
0 0.5 0
A = 0 0 2
1 1 2
153
OSCAR G. DUARTE
La forma can
onica de Jordan de A y la matriz modal que la producen son:
1
0
0
0
J = 0 0.5 + j0.866
0
0
0.5 j0.866
1
0
0
0
0.5 0.866
JR = M1
R AMR =
0 0.866 0.5
6.2.4.
k veces
Ak = MJk M1
(6.15)
k
J1 0 0
J1 0 0
0 J2 0
0 Jk2 0
k
J= .
J = .
.. . .
..
.. . .
..
.
..
. .
. .
.
.
.
0 0 Jn
0
0 Jkn
154
6.2. ALGUNOS RESULTADOS DE ALGEBRA
LINEAL
Empleando la definici
on (6.14), un polinomio generico
f () = a0 + a1 + a2 2 + + an n
puede calcularse en A como
f (A) = a0 I + a1 A + a2 A2 + + an An
o en funci
on de las matrices M y J:
f (A) = a0 MIM1 + a1 MJM1 + a2 MJ2 M1 + + an MJn M
f (A) = Mf (J)M1
Ejemplo 6.16 Calcular Ak
1 0
0 2
A= .
..
..
.
0
(6.16)
1 0
0
0 k2
0
Ak = .
.. . .
.
..
..
. ..
.
.
n
0
0
..
.
kn
Ejemplo 6.17 Calcular Ak cuando A es una matriz con la forma de los bloques
reales de Jordan para el caso en que los valores propios son imaginarios puros
0 b
b 0
A=
0 b
b 0
A2 =
b2
0
0
b4
A5 =
0
b5
b4
0
0
b2
b5
0
(1) 2 bk
0
2 bk
0
(1)
Ak =
k1
0
(1) 2 bk
k+1
(1) 2 bk
0
A3 =
A6 =
0
b3
b3
0
b6
0
0
b6
si k es par
si k es impar
k=0
k dk f ()
k! d k
155
(6.17)
OSCAR G. DUARTE
cos t = 1
sin t =
t 2 t2
3 tk
4 tk
+
+
+
+
1!
2!
3!
4!
(6.18)
2 t2
4 t4
6 t6
8 t8
+
+
+
2!
4!
6!
8!
(6.19)
5 t5
7 t7
t 3 t3
+
1!
3!
5!
7!
(6.20)
Ejemplo 6.18 Sea A una matriz diagonal como la del ejemplo 6.16. Para calcular
eAt podemos emplear (6.18)
eAt = I +
que de acuerdo con
1 0
0 1
eAt = . . .
..
.. ..
At A2 t2
A3 t k
A4 t k
+
+
+
+
1!
2!
3!
4!
1 0 0
1 0 0
0
2
0
t
0 2 0 t2 0 2 0
.. . .
.. +
.. . .
.. + ..
.. + ..
. . 2! .
. .
.
.
. 1! .
0
0 n
0
0 2n
0 0 1
eAt
g1 (t)
0
= .
..
0
0
g2 (t)
0
..
..
..
.
.
.
0
gn (t)
i t 2i t2
3 t 3
+
+ i +)
1!
2!
3!
Cada uno de los terminos de la diagonal, gi (t), corresponde a la expansi
on en
series de Taylor de una exponencial como las de (6.18), por lo tanto e At sera:
t
e 1
0
0
0
e 2 t
0
At
e = .
.
..
.
..
..
..
.
n t
0
0
e
gi (t) = (1 +
Ejemplo 6.19 Sea A una matriz con la forma de los bloques reales de Jordan para
el caso en que los valores propios son imaginarios puros, como la del ejemplo 6.17.
Para calcular eAt podemos emplear (6.18)
eAt = I +
A3 t k
A4 t k
At A2 t2
+
+
+
+
1!
2!
3!
4!
156
que de acuerdo con los resultados del ejemplo 6.17 se calculara asi:
eAt =
t2 b2
t 0 b
1 0
+
+
0 1
1! b 0
2! 0
2 2
eAt =
t3 0
0
+
b2
3! b3
4 4
3 3
t4 b 4
b3
+
0
4! 0
0
+
b4
5 5
t b
t b
(1 t 2!b + t 2!b + )
( tb
1! 23!2 + 45!4 + )
tb
t 3 b3
t 5 b5
t b
t b
( 1! + 3! 5! + ) (1 2! + 2! + )
cos(bt) sin(bt)
sin(bt) cos(bt)
Ejemplo 6.20 Sea A una matriz con la forma de los bloques reales de Jordan
A=
a b
b a
a b
a 0
0 b
=B+C=
+
b a
0 a
b 0
De tal manera que eAt = eBt eCt . Empleando los resultados de los ejemplos 6.18 y
6.19 se tiene que
eBt =
eat
0
0
eat
eCt =
cos(bt) sin(bt)
sin(bt) cos(bt)
y por lo tanto
eAt =
6.3.
eat
0
0
eat
cos(bt) sin(bt)
eat cos(bt) eat sin(bt)
=
sin(bt) cos(bt)
eat sin(bt) eat cos(bt)
Variables de estado
= Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
157
(6.21)
OSCAR G. DUARTE
u(s)
B
sx(s)
1/s
x(s)
C
y(s)
+
A
(6.22)
158
u(z)
B
zx(z)
1/z
x(z)
C
y(z)
+
A
6.3.1.
El concepto de estado
OSCAR G. DUARTE
v(t)
+ vR (t)
iL (t)
+
vC (t)
diL (t)
RiL (t) + L
+ vC (t) = v(t)
dt
R
1
1
diL (t)
diL (t)/dt
R/L 1/L
=
dvC (t)/dt
1/C
0
iL (t)
1/L
+
vC (t)
0
v(t)
Sup
ongase que en el circuito se quiere estudiar el comportamiento de las variables vR (t) e iL (t), es decir, que seleccionamos estas variables como las salidas del
sistema. Dado que vR (t) = RiL (t), podremos escribir la ecuaci
on
vR (t)
R 0
=
iL (t)
1 0
160
iL (t)
vC (t)
1/L
R/L 1/L iL (t)
diL (t)/dt
v(t)
+
=
0
vC (t)
1/C
0
dvC (t)/dt
vR (t)
iL (t)
iL (t)
vC (t)
R 0
1 0
0
0
v(t)
= Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
en donde
A=
u(t) = v(t)
y(t) =
R/L 1/L
1/C
0
B=
vR (t)
iL (t)
x(t) =
1/L
0
C=
R
1
iL (t)
vC (t)
0
0
D= 0
vs (t)
Lf
J, B
if (t)
(t)
La ecuaci
on del circuito electrico de campo es
Rf if (t) + Lf
dif (t)
= vs (t)
dt
(6.23)
(6.24)
La aplicaci
on de las leyes de newton al sistema dan la ecuaci
on
T (t) B(t) = J
161
d(t)
dt
(6.25)
OSCAR G. DUARTE
Rf
1
dif (t)
=
if (t) +
vs (t)
dt
Lf
Lf
(6.26)
0
B/J
if (t)
1/Lf
+
(t)
0
vs (t)
(6.27)
Rf /Lf
0
if (t)
1/Lf
dif (t)/dt
vs (t)
=
+
KT /J
B/J (t)
0
d(t)/dt
(6.28)
i
(t)
0 vs (t)
(t)
0 1
+
=
(t)
No obstante, esta no es la u
nica representaci
on posible; podemos, por ejemplo,
seleccionar como variables de estado T (t) y (t), en cuyo caso la representaci
on en
variable de estado sera
dT (t)/dt
Rf /Lf
0
T (t)
KT /Lf
vs (t)
=
+
1/J
B/J (t)
0
d(t)/dt
(6.29)
T
(t)
(t)
0 1
0 vs (t)
=
+
(t)
Ejemplo 6.23 A continuaci
on se presenta un modelo lineal simple del crecimiento
demografico de una sociedad. Se ha distribuido el total de la poblaci
on por franjas
de edad:
x1 (k)
x2 (k)
..
.
:
:
Poblaci
on con edades entre 0 y 10 a
nos
Poblaci
on con edades entre 10 y 20 a
nos
..
.
xn (k)
Poblaci
on con edades entre (n 1) 10 y n 10 a
nos
xi (k)
i=1
i = 1, 2, 3, , n 1
i xi (k)
i=1
x1 (k + 1)
1
2
3
n1
x2 (k + 1)
0
0
1
x3 (k + 1)
0
1
2
=
..
.
.
.
..
.
.
..
..
..
..
xn1 (k + 1)
0
0
0
n1
xn (k + 1)
x (k)
n 1
x2 (k)
0
x3 (k)
..
..
.
.
xn1 (k)
0
xn (k)
x1 (k)
x2 (k)
x3 (k)
..
.
y(k) = 1 1 1 1 1
xn1 (k)
xn (k)
>
>2 x1 (k + 1) 3
>
>
61 1
0
>
>
7 6
>
>6
6 x2 (k + 1) 7 6 0
1 2
>
>
=
7
6
6
.
>
>
..
5 6 ..
4
..
>
..
>
4 .
>
.
.
>
> xn (k + 1)
<
0
0
>
>
>
>
>
>
>
>
>
>
>
>
y(k) = 1 1
>
>
>
>
>
:
6.3.2.
2
3
3
0
n 2
x
1 (k)
61
07
7 6 x2 (k) 7 6
7 6
6
07
7 6 . 7 + 60
.. 7 4 .. 5 6 ..
4.
. 5
xn (k)
0
0
0
0
1
..
.
0
..
.
3
3
0 2
u1 (k)
07
7 6 u2 (k) 7
7
6
07
76 . 7
.. 7 4 .. 5
.5
un (k)
0
3
x1 (k)
7
6
6 x2 (k) 7
1 6 . 7
4 .. 5
2
xn (k)
Representaci
on de estado a partir de E.D.
OSCAR G. DUARTE
Sup
ongase un sistema din
amico continuo descrito por la ecuaci
on diferencial
an
dn y(t)
dn1 y(t)
dy(t)
+
a
+ + a1
+ a0 y(t) = u(t)
n1
dtn
dtn1
dt
(6.30)
=
=
=
xn1 (t) =
xn (t)
=
y(t)
dy
dt
d2 y
dt2
=
=
..
.
dn2 y
dtn2
dn1 y
dtn1
x 1 (t)
x 2 (t)
..
.
(6.31)
= x n2 (t)
= x n1 (t)
a1
an1
1
a0
x1 (t)
x2 (t)
xn (t) +
u(t)
an
an
an
an
0
1
0
x 1 (t)
x 2 (t) 0
0
1
x 3 (t) 0
0
0
= ..
..
..
..
.
.
.
.
x n1 (t) 0
0
0
aan0 aan1 aan2
x n (t)
(6.32)
0
x1 (t)
x2 (t) 0
0
x3 (t) 0
+ .. u(t)
..
..
..
.
.
.
.
1
xn1 (t) 0
1
an1
xn (t)
an
an
x1 (t)
x2 (t)
x3 (t)
..
.
y(t) = 1 0 0 0 0
+ 0
xn1 (t)
xn (t)
u(t)
De forma an
aloga puede obtenerse una representaci
on en variables de estado
de sistemas discreto de una entrada y una salida a partir de su ecuaci
on de
diferencias
Sup
ongase un sistema din
amico discreto descrito por la ecuaci
on de diferencias
an y(k + n) + an1 y(k + n 1) + + a1 y(k + 1) + a0 y(k) = u(k)
164
(6.33)
=
=
=
y(k)
y(k + 1)
y(k + 2)
..
.
=
=
x1 (k + 1)
x2 (k + 1)
..
.
(6.34)
a1
an1
1
a0
x1 (k)
x2 (k)
xn (k) +
u(k)
an
an
an
an
(6.35)
x1 (k + 1)
x2 (k + 1)
x3 (k + 1)
..
.
0
0
0
..
.
xn1 (k + 1) 0
aan0
xn (k + 1)
1
0
0
..
.
0
1
0
..
.
0
aan1
0
aan2
..
.
0
0
0
..
.
x1 (k)
x2 (k)
x3 (k)
..
.
0
0
0
..
.
+ u(k)
1 xn1 (k) 0
1
an1
xn (k)
an
an
x1 (k)
x2 (k)
x3 (k)
..
.
y(k) = 1 0 0 0 0
+ 0 u(k)
xn1 (k)
xn (k)
6.4.
= Ax(t)
(6.36)
La ecuaci
on matricial (6.36) recuerda la ecuaci
on escalar
dx
= ax(t)
dt
cuya soluci
on es
x(t) = eat x(0)
165
(6.37)
OSCAR G. DUARTE
debido a que
d eat
= aeat
ea0 x(0) = x(0)
(6.38)
dt
Resulta entonces natural preguntarse si al reemplazar el escalar a por la
matriz A, y la variable x por el vector de variables x se mantienen las relaciones
(6.38) y asi encontrar una soluci
on de (6.36) similar a (6.37).
Es posible demostrar que
d eAt
= AeAt
dt
(6.39)
A3 t 3
A4 t 4
At A2 t2
+
+
+
+
1!
2!
3!
4!
I+
At A2 t2
A3 t 3
A4 t 4
+
+
+
+
1!
2!
3!
4!
A2 t A3 t 2
A4 t 3
A5 t 4
d eAt
=0+A+
+
+
+
+
dt
1!
2!
3!
4!
d eAt
At A2 t2
A3 t 3
A4 t 4
=A I+
+
+
+
+
dt
1!
2!
3!
4!
d eAt
= AeAt
dt
De esta forma hemos demostrado (6.39), y por lo tanto tambien hemos demostrado que la soluci
on de (6.36) es
x(t) = eAt x(0)
(6.40)
En (6.40) x(0) es el vector que contiene las condiciones iniciales de x(t). Por
otra parte, es posible calcular eAt por diversos metodos, de los cuales destacamos
los siguientes3 :
Series de Taylor: Podemos emplear la expansi
on en series de Taylor (6.18)
directamente:
eAt = I +
At A2 t2
A3 t 3
A4 t 4
+
+
+
+
1!
2!
3!
4!
(6.41)
Este metodo no es pr
actico, debido a la dificultad de calcular Ak ; sin embargo, en algunos casos especiales este c
alculo es sencillo, como se muestra
en los ejemplos 6.18, 6.19 y 6.20
3 Los ejemplos 6.18, 6.19 y 6.20 ponen de manifiesto que si A = {a } entonces eAt =
ij
{eaij t }.
166
Forma can
onica de Jordan: Si se ha obtenido la forma can
onica de Jordan
de la matriz A, entonces se tienen dos matrices J y M tales que
J = M1 AM
A = MJM1
(MJM1 )t (MJM1 )2 t2
(MJM1 )3 t3
+
+
+
1!
2!
3!
eAt = MIM1 +
1 2
MJM1 t MJ2 M
+
1!
2!
eAt = M I +
1 3
MJ3 M
3!
J3 t 3
Jt J2 t2
+
+
+
1!
2!
3!
M1
eAt = MeJt M1
(6.42)
(6.43)
167
(6.44)
OSCAR G. DUARTE
x 1 (t)
2 0 0 x1 (t)
x 2 (t) = 0 1 0 x2 (t)
x 3 (t)
0 0 3 x3 (t)
e
0
0
eAt = 0 e1t 0
0
0
e3t
Este resultado tambien se habra podido obtener mediante la transformada de Laplace:
0
0
s2
0
0
s2
1
0
s+1
0
sI A = 0
(sI A)1 = 0
s+1
1
0
0
s3
0
0
s3
eAt = L1 (sI A)1
e2t
= 0
0
0
e1t
0
0
0
e3t
0
e
0
1
x(t) = e x(0) =
0
0
e3t
1
2t
2e
x1 (t)
x(t) = x2 (t) = et
e3t
x3 (t)
x1 (0) = 2
x 1 (t) = 2x1 (t)
x 2 (t) = 1x2 (t) x2 (0) = 1
x1 (t) = 2e2t
x2 (t) = et
x3 (t) = et
168
4 1
x 1 (t)
=
2 1
x 2 (t)
1
1
2 1
2 0
0 3
1
1
2 1
e2t
0
0
e3t
1 1
(e2t + 2e3t )
=
2
1
(2e2t 2e3t )
(e2t + e3t )
(2e2t e3t )
sI A =
(sI A)1 =
s1
(s2)(s3)
2
(s2)(s3)
(sI A)1 =
1
(s2)(s3)
s4
(s2)(s3)
1
(s 1)
2
s2 5s + 6
1
(s2)
2
(s3)
1
(s2)
1
(s3)
2
(s2)
2
(s3)
2
(s2)
1
(s3)
(e2t + 2e3t )
(2e2t 2e3t )
(e2t + e3t )
(2e2t e3t )
x(t) =
x(t) =
x10
x20
x1 (t)
(e2t + 2e3t )x10 + (e2t + e3t )x20
=
x2 (t)
(2e2t 2e3t )x10 + (2e2t e3t )x20
e2t (x10 x20 ) + e3t (2x10 + x20 )
x1 (t)
= 2t
e (2x10 + 2x20 ) + e3t (2x10 x20 )
x2 (t)
x1 (t)
x2 (t)
1
(s 4)
OSCAR G. DUARTE
son
Los valores propios de A son 1,2 = 1 j2, y dos vectores propios asociados
j2
1
v1 =
j2
1
v2 =
Debido a que los valores propios son complejos, es conveniente encontrar la forma
can
onica real de Jordan de A.
JR = M1
R AMR
MR =
0 2
1 0
1 2
2 1
JR =
0 2
1 0
eAt =
et cos 2t et sin 2t
et sin 2t et cos 2t
0
1
1/2 0
et cos 2t
2et sin 2t
1 t
2 e sin 2t et cos 2t
s+1
1
4
s+1
(sI A)1 =
(sI A)1 =
s2
s+1
(s+1)2 +22
1
(s+1)2 +22
1
(s + 1)
4
1
(s
+
4)
+ 2s + 5
4
(s+1)2 +22
s+1
(s+1)2 +22
et cos 2t
2et sin 2t
1 t
2 e sin 2t et cos 2t
x(t) =
et cos 2t
2et sin 2t
21 et sin 2t et cos 2t
x10
x20
x1 (t)
x10 et cos 2t + 2x20 et sin 2t
=
x2 (t)
x210 et sin 2t + x20 et cos 2t
x1 (t)
x2 (t)
M=
1 1
0 1
J=
sI J =
1
(s+1)
(sI J)1 =
et
0
1
(s+1)2
1
(s+1)
tet
et
eAt =
et
0
tet
et
0 1
et 2tet
=
1 2
tet
4tet
e + 2tet
t
s+3
1
4
s1
(sI A)1 =
(sI A)1 =
1
(s+1)
2
(s+1)2
1
(s+1)2
1
(s 1)
4
2
1
(s
+
3)
(s + 1)
4
(s+1)2
1
(s+1)
et 2tet
tet
2
(s+1)2
4tet
e + 2tet
t
et 2tet
tet
4tet
e + 2tet
t
x10
x20
x1 (t)
(et 2tet )x10 + 4x20 tet
=
x2 (t)
x10 tet + (et + 2tet )x20
x1 (t)
(x10 )et + (2x10 + 4x20 )tet
=
x2 (t)
(x20 )et + (x10 + 2x20 )tet
171
OSCAR G. DUARTE
6.4.1.
Retratos de fase
Sup
ongase ahora un sistema como (6.36) de dimensi
on dos, es decir, sup
ongase
x (t)
x 1 (t)
(6.45)
=A 1
x2 (t)
x 2 (t)
Una vez solucionada (6.45) es posible trazar las curvas x1 (t) vs t y x2 (t)
vs t. Tambien es posible trazar una curva x1 (t) vs x2 (t), en un plano x1 x2
conocido como el plano de fase (ver Ejemplo 6.28). La curva resultante es un
trayectoria de (6.45), y puede visualizarse como una curva parametrica definida
por (x1 (t), x2 (t)) con el par
ametro t variando de 0 a .
La soluci
on de (6.45) depende de las condiciones iniciales, por lo tanto la
trayectoria depende de las condiciones iniciales. Sobre el mismo plano de fase se pueden trazar diferentes trayectorias obtenidas con distintas condiciones
iniciales; el resultado es el retrato de fase de (6.45).
Ejemplo 6.28 La soluci
on de la ecuaci
on
1 4
x 1 (t)
=
1 1
x 2 (t)
x1 (t)
x2 (t)
x1 (t)
4et sin 2t
=
x2 (t)
2et cos 2t
La figura 6.9 muestra las graficas de x1 (t) vs t, x2 (t) vs t, a partir de las cuales
se ha trazado x1 vs x2 tomando para cada tiempo el valor de x1 ( ) y x2 ( ) y
trasladandolos al plano de fase. La curva resultante es una trayectoria de la ecuaci
on
diferencial.La flecha roja indica el sentido en el que se recorre la trayectoria cuando
el tiempo avanza.
Se ha repetido el procedimiento para varios juegos de condiciones iniciales, con
el fin de obtener el retrato de fase que se muestra en la figura 6.10. Las condiciones
iniciales seleccionadas han sido:
xa (0) =
0
2
xb (0) =
0
2
xc (0) =
2
1.5
xd (0) =
2
1.5
La figura 6.11 muestra los retratos de fase tpicos de sistemas lineales estables 4 , mientras que la figura 6.12 muestra los retratos de fase tpicos de los
sistemas lineales inestables. Debemos resaltar que la forma de estos retratos
depende de c
omo son los valores propios de la matriz A.
En general, un sistema lineal como (6.45) tendr
a un retrato de fase semejante
a alguno de los que se muestran en las figuras6.11 y 6.12. No obstante, el retrato
de fase no necesariamente ser
a identico. La semejanza a la que nos referimos aqui
consiste en una equivalencia de forma (ser
an topol
ogicamente equivalentes).
4 el
172
x1 ( )
x1 (t)
(, x1 ( ))
Plano de Fase
x2
t
x2 ( )
(x1 ( ), x2 ( ))
x1 ( )x1
x2 (t)
x2 ( )
(, x2 ( ))
x2
x1
173
OSCAR G. DUARTE
Nombre
Retrato
e-valores
Reales Negativos
Ejemplo
A=
Estable
1 0
0 2
x1 (t) = x10 et
x2 (t) = x20 e2t
Reales Negativos
Repetidos
Estable de
multiplicidad 2
A=
1 1
0 1
A=
1 2
2 1
Sif
on
x1 (t) = x10 e2t cos t + x20 e2t sin t
x2 (t) = x10 e2t sin t + x20 e2t cos t
Imaginarios puros
A=
0 1
1 0
Centro
x1 (t) = x10 cos t + x20 sin t
x2 (t) = x10 sin t + x20 cos t
Figura 6.11: Retratos de Fase Estables tpicos
174
Nombre
Retrato
e-valores
Reales Positivos
Ejemplo
A=
1 0
0 2
Inestable
x1 (t) = x10 et
x2 (t) = x20 e2t
Reales Positivos
Repetidos
Inestable de
multiplicidad 2
A=
1 1
0 1
A=
1 2
2 1
Fuente
x1 (t) = x10 e2t cos t + x20 e2t sin t
x2 (t) = x10 e2t sin t + x20 e2t cos t
Reales de Signo
Diferente
A=
Punto de Silla
x1 (t) = x10 et
x2 (t) = x20 et
Figura 6.12: Retratos de Fase Inestables tpicos
175
1 0
0 1
OSCAR G. DUARTE
Ejemplo 6.29 La figura 6.13 muestra los retratos de fase de varios ejemplos. En
cada caso se ha anotado la matriz A y su formacanonica de Jordan J. N
otese la
semejanza de forma con los ejemplos tpicos de las figuras 6.11 y 6.12.
En las figuras 6.11 y 6.12 se observa que el origen del plano de fase juega
un papel importante, atrayendo o repeliendo todas las trayectorias (o siendo el
centro de ellas en el caso especial en el que los valores propios son imaginarios
puros).
El origen del plano de fase es el punto de equilibrio de (6.45), que definimos
a continuaci
on.
Definici
on 6.2 Punto de Equilibrio de Sistemas Continuos
x
es un Punto de Equilibrio de un sistema descrito por la ecuaci
on diferencial
x = f (x) si derivada es cero, es decir, si f (
x) = 0
Si la matrix A en (6.45) es no singular, el u
nico punto de equilibrio de (6.45)
es el origen del plano de fase. Lo anterior se demuestra al notar que un punto
de equilibrio x
es la soluci
on del sistema de ecuaciones A
x = 0, que tiene una
u
nica soluci
on en x
= 0 si y s
olo si A es no singular.
Si la matriz A en (6.45) es singular pueden existir infinitos puntos de equilibrio, y los retratos de fase ser
an diferentes a los contemplados en las figuras
6.11 y 6.12. Estos casos no se considerar
an en este curso.
6.4.2.
Espacio de estado
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
.
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
-1.0
-1.0
-0.8
A=
-0.6
-0.4
0
2
-0.2
1
3
0.2
0.4
J=
0.6
0.8
1
0
1.0
0
2
-1.0
-0.8
-0.6
A=
1.0
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
-0.4
-0.2
0
2
1
3
0.2
0.4
J=
0.6
1
0
0.8
1.0
0
2
0.2
.
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
-1.0
-1.0
A=
-0.8
-0.6
0
1
-0.4
-0.2
1
1
0.2
J=
0.4
0.6
0.8
0.5
0.87
1.0
0.87
0.5
-1.0
A=
1.0
1.0
0.8
0.8
0.6
0.6
0.4
-0.8
-0.6
0
1
-0.4
1
1
-0.2
0.2
J=
0.4
0.6
0.8
0.5
0.87
1.0
0.87
0.5
0.4
0.2
0.2
.
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1.0
-1.0
-1.0
-0.8
A=
-0.6
0
1
-0.4
-0.2
1
0
0.2
J=
0.4
0.6
j
0
0.8
0
j
1.0
-1.0
-0.8
A=
-0.6
0
2
-0.4
-0.2
1
1
177
0.2
J=
0.4
0.6
1
0
0.8
0
2
1.0
OSCAR G. DUARTE
Esta expresi
on demuestra que cualquier combinaci
on lineal de soluciones de (6.36)
es tambien una soluci
on de (6.36), es decir, es cerrada bajo la suma y el producto
por escalar, y por lo tanto forma un espacio vectorial.
Los siguientes son algunos conceptos importantes asociados al Espacio de
Estado. En todos los casos se ha supuesto que A es no singular y de tama
no
n n:
Dimensi
on del Espacio de Estado: El espacio vectorial tiene una dimensi
on igual al rango de la matriz A en (6.36). La dimensi
on de es n.
Soluciones linealmente independientes: Las soluciones de (6.36) dependen
de las condiciones iniciales. Si se utilizan dos condiciones iniciales linealmente independientes, las soluciones que se obtienen tambien son linealmente independientes. Por el contrario, Si se utilizan dos condiciones iniciales linealmente dependientes, las soluciones que se obtienen tambien son
linealmente dependientes.
Base del espacio de estado: Una base de estar
a formada por n soluciones de (6.36) linealmente independientes. Denotemos estas funciones por
1 (t), 2 (t), , n (t). Estas soluciones pueden obtenerse seleccionando n
condiciones iniciales linealmente independientes.
Matriz Fundamental: Una matriz (t) que tenga n columnas formadas por
n soluciones de (6.36) linealmente ndependientes se denomina una Matriz
Fundamental de (6.36).
(t) = 1 (t)
2 (t)
n (t)
x1 (t)
x2 (t)
1
1
v2 =
1
1
1 0
0 2
M=
178
1 1
1 1
(0.5et + 0.5e2t )
(0.5et 0.5e2t )
(0.5et 0.5e2t )
(0.5et + 0.5e2t )
x(t) =
x1 (t)
et (0.5 + 0.5) + e2t (0.5 0.5)
et
= t
= t
2t
x2 (t)
e (0.5 + 0.5) + e (0.5 + 0.5)
e
x1 (t)
et (0.5 0.5) + e2t (0.5 + 0.5)
e2t
= t
=
2t
x2 (t)
e (0.5 0.5) + e (0.5 0.5)
e2t
OSCAR G. DUARTE
1.0
0.8
0.6
0.4
0.2
.
0
0.2
0.4
0.6
0.8
1.0
1.0
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1.0
Las dos soluciones que se han obtenido 1 (t) y 2 (t) son linealmente independientes, y por lo tanto sirven como base del espacio de estado . Construimos la
matriz fundamental
(t) = 1 (t) 2 (t) =
et
et
e2t
e2t
6.4.3.
Matriz de transici
on de estado
180
1.0
0.8
0.6
0.4
0.2
.
0
0.2
0.4
0.6
0.8
1.0
1.0
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1.0
6.5.
(6.47)
Abordamos ahora el an
alisis de la ecuaci
on (6.22) con el sistema libre (sin
entradas), es decir estudiamos la ecuaci
on
x(k + 1) = Ax(k)
(6.48)
La ecuaci
on matricial (6.48) recuerda la ecuaci
on escalar
x(k + 1) = ax(k)
cuya soluci
on es
x(k) = x(0)ak
181
(6.49)
OSCAR G. DUARTE
debido a que
ak+1 = aak
x(0)a0 = x(0)
(6.50)
(6.52)
En (6.52) x(0) es el vector que contiene las condiciones iniciales de x(k). Por
otra parte, es posible calcular Ak por diversos metodos, de los cuales destacamos
los siguientes
Definici
on: Podemos emplear la definici
on de Ak directamente:
Ak = AAA A
k veces
(6.53)
Este metodo no es pr
actico, debido a la dificultad de calcular Ak ; sin
embargo, en algunos casos especiales este c
alculo es sencillo (matrices diagonales)
Forma can
onica de Jordan: Si se ha obtenido la Forma can
onica de Jordan
de la matriz A, entonces se tienen dos matrices J y M tales que
J = M1 AM
A = MJM1
(6.54)
(6.55)
6.5.1.
(6.56)
Matriz de transici
on de estado
6.6.
= Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
(6.58)
(6.59)
En la primera ecuaci
on podemos despejar x(s)
sx(s) Ax(s) = x(0) + Bu(s)
(sI A)x(s) = x(0) + Bu(s)
x(s) = (sI A)1 x(0) + (sI A)1 Bu(s)
183
(6.60)
OSCAR G. DUARTE
x(0) + C ((sI A)
Bu(s) + Du(s)
(6.61)
6.6.1.
.. = ..
..
. .
.
yq (s)
Gq1 (s)
Gq2 (s)
(6.62)
q p (p entradas y q salidas):
u1 (s)
G1p (s)
G2p (s)
u2 (s)
.
..
..
.
. ..
Gqp (s)
up (s)
y1 (s)
G11 (s)
0
0
u1 (s)
y2 (s) 0
G22 (s)
0
u2 (s)
.. = ..
..
.
.
.
..
.. ..
. .
.
yp (s)
6 Comp
arese
Gpp (s)
up (s)
184
6.6.2.
(t, )Bu( )d
(6.63)
En la secci
on 6.7.2 buscaremos aproximarnos a una interpretaci
on de (6.63)
apoy
andonos en el caso discreto.
6.7.
(6.64)
(6.65)
En la primera ecuaci
on podemos despejar x(z)
zx(z) Ax(z) = zx(0) + Bu(z)
(zI A)x(z) = zx(0) + Bu(z)
(6.66)
(6.67)
De forma an
aloga al caso continuo, (6.67) muestra que la respuesta y(z)
tiene dos componentes7 :
7 Comp
arese
185
OSCAR G. DUARTE
6.7.1.
y1 (z)
G11 (z) G12 (z)
y2 (z) G21 (z) G22 (z)
.. = ..
..
. .
.
yq (z)
(6.68)
q p (p entradas y q salidas):
G1p (z)
u1 (z)
G2p (z)
u2 (z)
.
.
..
.. ..
up (z)
u1 (z)
G11 (z)
0
0
y1 (z)
y2 (z) 0
G22 (z)
0
u2 (z)
.. = ..
.
..
.
..
.. ..
. .
.
.
yp (z)
Gpp (z)
up (z)
6.7.2.
6.8. INTRODUCCION
AL CONTROL POR
VARIABLE DE ESTADO
(k, l + 1)Bu(l)
(6.69)
l=0
La ecuaci
on (6.63) y (6.69) son an
alogas; sin embargo, es m
as f
acil de analizar
(6.69). Para ello, vamos a expandir la sumatoria:
x(k) = (k, 0)x(0) + (k, 1)Bu(0) + (k, 2)Bu(1) + + (k, k)Bu(k 1)
x(k) = (k, 0)x(0) + (k, 1)Bu(0) + (k, 2)Bu(1) + + Bu(k 1) (6.70)
La ecuaci
on (6.70) muestra que x(k) esta formada por aportes de las condiciones iniciales x(0), y de las entradas u(k). Adem
as muestra cu
al es el aporte
exacto del valor de la entrada en un instante de tiempo especfico: por ejemplo,
la entrada en k = 1, que es u(1) aporta a la construcci
on de x(k) justamente
(k, 2)Bu(1).
Un an
alisis similar podra hacerse para el caso continuo con la ecuaci
on
(6.63); para ello debe emplearse la funci
on impulso (t ). Debido a que este
an
alisis no aporta ning
un concepto nuevo, se ha omitido en este texto.
6.8.
Introducci
on al control por
variable de estado
El esquema b
asico de control por variable de estado se muestra en la figura
6.16. La estrategia, que es igualmente v
alida para sistemas continuos y discretos
consiste en utilizar las variables de estado x para realimentar el sistema mediante
una matriz K, y comparar el estado con unas se
nales de referencia r, de donde
se tiene que
u = r + Kx
(6.71)
Para que (6.71) tenga sentido, las dimensiones de las variables involucradas
deben ser las siguientes:
up1 = rp1 + Kpn xn1
Podemos emplear los diagramas de bloques de la representaci
on en variable
de estado para sistemas continuos y discretos que se muestran en las figuras 6.5
y 6.6 para complementar la figura 6.16. El resultado se muestra en las figuras
6.17 y 6.18
Combinando las ecuaciones (6.21) y (6.22) con (6.71) se obtienen las ecuaciones de estado para sistemas continuos y discretos con realimentaci
on por
variable de estado:
187
OSCAR G. DUARTE
Sistema
+
x
K
Figura 6.16: Realimentaci
on por Variable de Estado
D
r(s)+
+
u(s)
sx(s)
1/s
x(s)
C
y(s)
+
A
188
6.8. INTRODUCCION
AL CONTROL POR
VARIABLE DE ESTADO
D
r(z)+
+
u(z)
zx(z)
1/z
x(z)
C
y(z)
+
A
x(t)
= [A + BK]x(t) + Br(t)
y(t) = [C + DK]x(t) + Dr(t)
x(k + 1) = [A + BK]x(k) + Br(k)
y(k) = [C + DK]x(k) + Dr(k)
Se obtienen entonces unos nuevos sistemas para los que las entradas son r,
las salidas son u y las variables de estado son x (ver figura 6.16). Si definimos
= A + BK y C
= C + DK las ecuaciones de estos nuevos sistemas ser
A
an
x(t)
= Ax(t)
+ Br(t)
x(k + 1) = Ax(k)
+ Br(k)
= A + BK
A
= C + DK
C
= A + BK
A
C = C + DK
(6.72)
(6.73)
OSCAR G. DUARTE
6.8.1.
Controlabilidad
La noci
on de controlabilidad de un sistema est
a asociada con la posibilidad
de hacer que sus variables de estado tomen cualquier valor deseado, no importa
cuales sean las condiciones iniciales, en un tiempo finito.
Definici
on 6.3 Controlabilidad
Un sistema dinamico es controlable en t1 si para cualquier estado x(t1 ) y cualquier
estado deseado xd es posible encontrar una entrada u(t) que aplicada entre t 1 y t2
produce x(t2 ) = xd , con t2 <
Ejemplo 6.31 Considerese el circuito de la figura 6.19, en el que la variable de entrada es v(t) y la variable de salida es vx (t). Es claro que para escribir las ecuaciones
de estado de ese circuito podemos escoger como variable de estado la tensi
on en el
condensador vC (t).
Debido a la simetra del circuito, si las condiciones iniciales son nulas (v C (0) =
0), la tensi
on en el condensador siempre sera cero, sin importar que valor tome la
fuente v(t). Por lo tanto, no es posible modificar a nuestro antojo el valor de la
variable de estado, y en consecuencia el sistema es no controlable.
La definici
on 6.3 no brinda por s s
ola un mecanismo f
acil para determinar
si un sistema es controlable o no. No obstante, podemos aplicar un test de
controlabilidad para determinar si un sistema din
amico lineal invariante en el
tiempo es o no controlable.
Test de controlabilidad
Para determinar si un sistema como (6.21) o como (6.22) es o no controlable,
con A una matriz n n y B una matriz n p, se construye la matriz de
190
6.8. INTRODUCCION
AL CONTROL POR
VARIABLE DE ESTADO
1
v(t)
1
1F
(6.74)
6.8.2.
Observabilidad
191
OSCAR G. DUARTE
Sistema
+
Observador
x
6.8. INTRODUCCION
AL CONTROL POR
VARIABLE DE ESTADO
observabilidad
C
CA
CA2
S = CA3
..
.
CAn1
S y se verifica su rango:
El sistema es observable s y s
olo si rank(S) = n
(6.75)
d vC
dt
d
1
vC (t) =
vC (t)
dt
RC
La ecuaci
on de salida es trivial:
vx (t) = v(t)
De tal manera que la representaci
on en variable de estado para el circuito es:
1
vC
v C = RC
vx = v(t)
S = [0]
OSCAR G. DUARTE
194
Captulo 7
Introduccion a los sistemas no
lineales
OSCAR G. DUARTE
Saturaciones
Rel
es
Hist
eresis
Zonas Muertas
Zonas Muertas
Trazos Rectos
196
7.1. PERDIDA
DE SUPERPOSICICION
Y PROPORCIONALIDAD
No linealidades din
amicas: Se trata de sistemas no lineales con memoria, es
decir, aquellos cuyas salidas y(t) dependen no s
olo de las entradas en ese
mismo instante u(t), sino tambien de sus derivadas o diferencias finitas.
Es decir, consideramos ecuaciones diferenciales y de diferencia de la forma
x(t)
= f (x(t), u(t), t)
7.1.
P
erdida de superposicici
on y proporcionalidad
(7.1)
En la figura 7.2 se muestra el comportamiento del sistema con = 1 y condiciones iniciales nulas ante dos entradas diferentes:
Se ha simulado la salida y1 (t) con una entrada u1 (t) = (t).
Se ha simulado la salida y2 (t) con una entrada u2 (t) = 4(t).
N
otese que aunque se ha multiplicado por 4 la entrada, la salida no esta multiplicada por 4; de hecho, el valor estacionario tan s
olo se ha duplicado, con lo que
se demuestra que el sistema no tiene la propiedad de proporcionalidad.
Ahora trabajamos con el sistema suponiendo = 0.1 (es decir, haciendo mas peque
no el efecto no lineal) y manteniendo condiciones iniciales nulas. Se ha simulado
el comportamiento del sistema en tres condiciones diferentes:
Se ha simulado la salida y3 (t) con una entrada u3 (t) = (t).
Se ha simulado la salida y4 (t) con una entrada u4 (t) = sin(t)(t).
Se ha simulado la salida y5 (t) con una entrada u5 (t) = (t) + sin(t)(t).
La figura 7.3 muestra y3 (t), y4 (t), y3 (t) + y4 (t) y y5 (t). Se destaca como la
suma y3 (t) + y4 (t) es diferente de la salida que se obtiene cuando la entrada es
u3 (t) + u4 (t), con lo que se demuestra que el sistema no tiene la propiedad de
superposici
on.
197
OSCAR G. DUARTE
3.0
2.5
y2 (t)
2.0
1.5
y1 (t)
1.0
0.5
0.0
0
10
y3 (t) + y4 (t)
y3 (t)
y5 (t)
y4 (t)
1
0
10
198
7.2. MULTIPLES
PUNTOS DE EQUILIBRIO
7.2.
M
ultiples puntos de equilibrio
en
ese punto valga cero, ya que en esas condiciones el sistema no cambiar
a nunca
de estado.
Por otra parte, un punto de equilibrio de un sistema discreto es un punto x0
tal que x(k + 1) = x(k) en ese punto valga cero, ya que en esas condiciones el
sistema no cambiar
a nunca de estado.
Si consideramos un sistema continuo lineal libre de la forma x = Ax, es claro
que el u
nico punto de equilibrio que existe1 corresponde a x = 0, sin embargo,
pueden existir sistemas no lineales con m
as de un punto de equilibrio.
Ejemplo 7.2 Tomemos como ejemplo un pendulo simple de barra rgida como el
de la figura 7.4 cuyas ecuaciones dinamicas son
x 1 = x2
x 2 = a sin(x1 ) bx2
(7.2)
en donde
x1 representa el angulo de giro del pendulo medido respecto a la vertical en
el punto de giro.
x2 representa la velocidad angular.
a = g/l, b = k/m
g es la aceleraci
on de la gravedad.
l es la distancia del punto de giro al centro de gravedad del pendulo.
k es el coeficiente de fricci
on viscosa del punto de giro.
m es la masa del pendulo.
Para que x 1 y x 2 sean cero en (7.2) se necesita que x2 = 0 y sin(x1 ) = 0, es
decir que los puntos de equilibrio son:
0
,
0
,
0
2
,
0
3
,
0
199
OSCAR G. DUARTE
x1
2.0
1.6
1.2
0.8
0.4
0.4
0.8
1.2
1.6
2.0
1
11
200
7.3.
Estabilidad local
0
0
xb =
7.4.
Orbitas
peri
odicas no sinusoidales
En un sistema lineal la u
nica posibilidad de tener soluciones peri
odicas se da
cuando los valores propios son imaginarios puros; en estos casos las trayectorias
del retrato de fase son elipses y se denominan o
rbitas cerradas del sistema.
En los sistemas no lineales hay otras posibilidades de tener soluciones peri
odicas, que no necesariamente corresponder
an a elipses en los retratos de fase.
Ejemplo 7.4 Sup
ongase un sistema descrito por las ecuaciones de Lotka-Volterra
x 1
x 2
= x1 + x1 x2
= x 2 x 1 x2
(7.3)
La ecuaci
on (7.3) sirve como un modelo simplificado para predecir el crecimiento
de las poblaciones de dos especies en un ambito cerrado en la que una de ellas es
el predador de la otra (la presa). x1 representa la poblaci
on del predador y x2 la
de la presa. La variaci
on de la poblaci
on esta afectada por cuantas veces se cruzan
201
OSCAR G. DUARTE
0.7
0.5
0.3
0.1
0.1
0.3
0.5
0.7
4.8
5.2
5.6
6.0
6.4
6.8
7.2
7.6
8.0
Figura 7.6: Retrato de Fase del pendulo simple alrededor de un punto de equilibrio
del tipo sif
on
0.7
0.5
0.3
0.1
.
0.1
0.3
0.5
0.7
2.1
2.5
2.9
3.3
3.7
4.1
4.5
Figura 7.7: Retrato de Fase del pendulo simple alrededor de un punto de equilibrio
del tipo punto de silla
202
7.5. CICLOS L
IMITE
1
1
miembros de una especie con los de la otra, que se supone que es proporcional al
producto x1 x2 .
La figura 7.8 muestra el retrato de fase del sistema descrito por (7.3). Se nota
un punto de equilibrio en (1, 1) que es un centro, y otro punto de equilibrio en (0, 0)
que es un punto de silla. Ademas, se destacan infinitas soluciones peri
odicas que no
tienen forma de elipse ni estan centradas en (0, 0)
7.5.
Ciclos lmite
=
x2
= (1 x21 )x2 x2
(7.4)
La ecuaci
on (7.4) representa al Oscilador de Van der Pol, y corresponde a un
oscilador con un amortiguamiento no lineal correspondiente al termino proporcional
a x21 x2 .
203
OSCAR G. DUARTE
4
3
Figura 7.9: Retrato de Fase del Oscilador de Van der Pol con = 1
La figura 7.9 muestra el retrato de fase del sistema descrito por (7.4) con = 1.
N
otese que todas las trayectorias tienden a formar una o
rbita cerrada (marcada en
rojo); esta o
rbita corresponde a un ciclo lmite del sistema.
7.6.
Orbitas
homoclnicas
= x2
= kx2 + x1 x31
(7.5)
La ecuaci
on (7.5) representa al Oscilador de Duffing, y corresponde a un oscilador
con una excitaci
on adicional; por ejemplo, (7.5) puede representar a un pendulo
simple como el de la figura 7.4 cuando el angulo es peque
no, y adicionalmente se
ejerce una fuerza proporcional a x31 .
204
7.7. BIFURCACIONES
2.0
1.6
1.2
0.8
0.4
.
0
0.4
0.8
1.2
1.6
2.0
2.0
1.6
1.2
0.8
0.4
0.4
0.8
1.2
1.6
2.0
La figura 7.10 muestra el retrato de fase del sistema descrito por (7.5) con
k = 0 (sin amortiguamiento). El sistema tiene tres puntos de equilibrio: en (1, 0)
y en (1, 0) hay unos puntos de equilbrio del tipo centro; en (0, 0) hay un punto
de equilibrio del tipo punto de silla. En este punto hay dos trayectorias especiales
(en rojo): una de ellas inicia en la direcci
on (1, 1) y despues de dar una vuelta hacia
la derecha regresa al punto (0, 0) desde la direcci
on (1, 1); la otra inicia en la
direcci
on (1, 1) y despues de dar una vuelta hacia la izquierda regresa al punto
(0, 0) desde la direcci
on (1, 1). Estas dos trayectorias son o
rbitas homoclnicas del
sistema.
7.7.
Bifurcaciones
OSCAR G. DUARTE
(7.6)
7.8.
Comportamientos ca
oticos
10x 4
x [18/41, 1/2)
x(k + 1) = f (x(k))
f (x) =
(7.7)
10x 5
x [1/2, 23/41)
(3 x)/4 x [23/41, 1]
f (x) se muestra en la figura 7.11. En la figura 7.12 se muestra el comportamiento
del sistema para tres condiciones iniciales muy cercanas: x a (0) = 0.445 + 1E
11 (en negro), xb (0) = 0.445 + 3E 11 (en azul) y xc (0) = 0.445 + 5E 11
(en rojo). N
otese c
omo a partir de k = 35 el comportamiento del sistema difiere
notablemente aun cuando las tres condiciones iniciales se asemejan mucho. Este
tipo de comportamiento es ca
otico.
206
7.8. COMPORTAMIENTOS CAOTICOS
1.00
0.75
0.50
0.25
0
0
0.25
0.50
0.75
1.00
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
20
30
40
50
207
OSCAR G. DUARTE
208
Apendice A
Demostraciones de las
Transformadas de Laplace y Z
A.1.
Propiedades de la Transformada
de Laplace
f (t)est dt
(A.1)
Sean f (t), f1 (t), f2 (t) tres funciones cuyas Transformadas de Laplace son,
respectivamente F (s), F1 (s), F2 (s), y a un escalar (real o complejo). Se cumplen
las siguientes propiedades:
A.1.1.
Linealidad:
L {f1 (t) + f2 (t)} = F1 (s) + F2 (s)
L {af (t)} = aF (s)
(A.2)
(A.3)
Demostraci
on A.1 La propiedad de Linealidad de la Trasformada de Laplace se
desprende de la propiedad de Linealidad de la integraci
on. Demostramos primero la
propiedad de superposici
on (A.2).
La Transformada de Laplace de f1 (t) + f2 (t) es, seg
un la definici
on (A.1):
L {f1 (t) + f2 (t)} =
209
OSCAR G. DUARTE
f1 (t)est dt +
f2 (t)est dt
A.1.2.
[af (t)]est dt = a
f (t)est dt = aF (s)
Diferenciaci
on:
df (t)
dt
L
L
dn f (t)
dtn
= sF (s) f (0+ )
(A.4)
n1
= sn F (s)
(A.5)
i=0
Demostraci
on A.2 Para demostrar A.4 calculamos la Transformada de Laplace de
la derivada df
dt
df (t)
df st
L
=
dt
e
dt
dt
0
Esta integral puede resolverse por partes, haciendo u = e st y dv =
por lo tanto du = se
L
st
df (t)
dt
df
dt
dt y
dt y v = f (t) :
= f (t)est
(s)est f (t)dt
df (t)
dt
= f (t)est
df (t)
dt
+s
+ sF (s)
El valor del lmite no esta determinado, hasta tanto no se conozca f (t). Sin embargo, para todas aquellas funciones que decrezcan, sean constantes, o que crezcan
210
mas lentamente que est el valor del lmite sera 0. Este tipo de funciones son las que
empleamos en Analisis de Sistemas Dinamicos, y en consecuencia podemos escribir
df (t)
dt
= f (0+ ) + sF (s)
d(k+1) f
dt(k+1)
d(k+1) f
dt(k+1)
d(k+1) f
dt(k+1)
=L
d df k
d dtk
= sL
df k
dtk
df k
dtk
k1
= s sk F (s)
i=0
t=0+
df k
dtk
=
t=0
k1
= s(k+1) F (s)
i=0
d(k+1) f
dt(k+1)
d(k+1) f
dt(k+1)
= s(k+1) F (s)
(k+1)1
= s(k+1) F (s)
i=0
Esta expresi
on corresponde a (A.5) para (k +1) lo que completa la demostraci
on
por inducci
on.
A.1.3.
Desplazamiento en la frecuencia:
L eat f (t) = F (s a)
(A.6)
Demostraci
on A.3 La Transformada de Laplace de eat f (t) es
L eat f (t) =
e(sa)t f (t)dt
OSCAR G. DUARTE
A.1.4.
Multiplicaci
on por t:
L {tf (t)} =
dF (s)
ds
(A.7)
dn F (s)
dsn
(A.8)
Demostraci
on A.4 Para demostrar (A.7) calculamos la derivada de F (s) respecto
as
dF (s)
d
est f (t)dt
=
ds
ds
0
La derivada se hace respecto a s y la integral respecto a t, por lo tanto la
derivada puede incorporarse dentro de la integral
dF (s)
=
ds
d
est f (t) dt
ds
tf (t)est dt =
[tf (t)]est dt
dk F (s)
dsk
d
d(k+1) F (s)
=
ds
ds(k+1)
d
d(k+1) F (s)
=
ds
ds(k+1)
1
L tk f (t)
(1)k
d(k+1) F (s)
1 d
=
(k+1)
(1)k ds
ds
est tk f (t) dt
212
d st k
e t f (t) dt
ds
tk f (t)
d st
e
dt
ds
d(k+1) F (s)
1
=
ds(k+1)
(1)(k+1)
t(k+1) f (t)est dt
A.1.5.
t0+
(A.9)
Demostraci
on A.5 Para demostrar (A.9) consideremos primero la propiedad de
diferenciacion (A.4) y calculemos el lmite cuando s a cada lado de la igualdad:
L
df (t)
dt
lm L
lm
df (t)
dt
est
= sF (s) f (0+ )
= lm sF (s) f (0+ )
s
df (t)
dt = lm sF (s) f (0+ )
s
dt
A.1.6.
t0
s0
(A.10)
Demostraci
on A.6 Para demostrar (A.10) consideremos primero la propiedad de
diferenciacion (A.4) y calculemos el lmite cuando s 0 a cada lado de la igualdad:
L
lm L
s0
df (t)
dt
df (t)
dt
= sF (s) f (0+ )
= lm sF (s) f (0+ )
s0
213
OSCAR G. DUARTE
lm
s0
est
df (t)
dt = lm sF (s) f (0+ )
s0
dt
df (t)
dt = lm f (t) f (0+ ) = lm sF (s) f (0+ )
t
s0
dt
A.1.7.
s0
Convoluci
on:
L {f1 (t) f2 (t)} =
f1 (t) f2 (t)
=
F1 (s)F2 (s)
f1 (t )f2 ( )d
(A.11)
Demostraci
on A.7 Para demostrar (A.11) calculemos la transformada de Laplace
de la convoluci
on entre f1 (t) y f2 (t):
L {f1 (t) f2 (t)} = L
f1 (t )f2 ( )d
f1 (t )f2 ( )d est dt
f1 (t )est f2 ( )d dt
f1 (t )est f2 ( )dtd
f2 ( )
f1 (t )est dt d
f2 ( )
f1 ()es(+ ) d d
f2 ( )es
f1 ()es d d
f1 ()es d
214
f2 ( )es d
Ademas, consideramos de f1 (t) vale cero para valores negativos de t, y por tanto
podemos modificar los lmites de la integral, completando asi la demostraci
on
L {f1 (t) f2 (t)} =
f1 ()es d
f2 ( )es d
A.1.8.
Desplazamiento en el tiempo:
L {f (t T )} = esT F (s)
(A.12)
Demostraci
on A.8 La transformada de Laplace de f (t T ) es
L {f (t T )} =
f (t T )est dt
f ( )es( +T ) d =
f ( )es esT d
L {f (t T )} = esT
f ( )es d
Si asumimos que f (t) vale cero para todo valor negativo de t, entonces los
lmites de la integral pueden modificarse asi:
L {f ( )} = esT
f ( )es d
A.2.
Propiedades de la transformada Z
z k f (k)
(A.13)
k=0
Sean f (k), f1 (k), f2 (k) tres funciones cuyas Transformadas Z son, respectivamente F (z), F1 (z), F2 (z) y a un escalar (real o complejo). Se cumplen las
siguientes propiedades:
215
OSCAR G. DUARTE
A.2.1.
Linealidad:
Z {f1 (k) + f2 (k)} = F1 (z) + F2 (z)
(A.14)
(A.15)
Demostraci
on A.9 La propiedad de Linealidad de la Trasformada Z se desprende
de la propiedad de Linealidad de la sumatoria. Demostramos primero la propiedad
de superposici
on (A.14).
La Transformada de Z f1 (k) + f2 (k) es, seg
un la definici
on (A.13):
Z {f1 (k) + f2 (k)} =
k=0
z k f1 (k) +
k=0
z k f2 (k)
k=0
Las dos integrales corresponden a las transformadas Z de f 1 (k) y f2 (k), respectivamente, con lo que queda demostrada (A.14)
Z {f1 (k) + f2 (k)} = F1 (z) + F2 (z)
Para demostrar A.15 tambien acudimos a la propiedad de linealidad de la sumatoria. La Transformada Z de af (k) es
Z {af (k)} =
A.2.2.
z k [af (k)] = a
k=0
z k [f (k)] = aF (z)
k=0
Diferencia positiva:
Z {f (k + 1)} = zF (z) zf (0)
(A.16)
n1
Z {f (k + n)} = z n F (z)
z ni f (i)
(A.17)
i=0
Demostraci
on A.10 Para demostrar A.16 calculamos la Transformada Z de la
diferencia f (k + 1)
Z {f (k + 1)} =
k=0
z k f (k)
k=0
k=0
z k f (k + n) = z 0 f (n) + z 1 f (n + 1) + z 2 f (n + 2) +
z n f (n) + z n1 f (n + 1) + z n2 f (n + 2) +
=
z k f (k)
k=0
Z {f (k + n)} = z n F (z)
Esto concluye la demostraci
on de (A.17).
217
z ni f (i)
i=0
OSCAR G. DUARTE
A.2.3.
Escalamiento en la frecuencia:
Z ak f (t) = F (z/a)
(A.18)
Demostraci
on A.11 La Transformada Z de ak f (k) es
Z ak f (k) =
z k [ak f (k)]dt =
k=0
k=0
z
a
f (k)
A.2.4.
Multiplicaci
on por k:
d
{F (z)}
dz
(A.19)
d
Z k (n1) f (k)
dz
(A.20)
Z {kf (k)} = z
Z {k n f (k)} = z
Demostraci
on A.12 Para demostrar (A.19) calculamos la derivada de F (z) respecto a z
dF (z)
d
z k f (k)
=
dz
dz
k=0
dF (z)
=
dz
(k)z k1 f (k)
k=0
dF (z)
=
dz
z k kf (k)
k=0
A.2.5.
(A.21)
Demostraci
on A.13 La demostraci
on de (A.21) se desprende de la definici
on de
transformada Z (A.13)
F (z) =
z k f (k)
k=0
F (z) = z
A.2.6.
(A.22)
Demostraci
on A.14 Para demostrar (A.22) calculemos la transformada Z de la
expresi
on f (k + 1) f (k) y apliquemos la propiedad de diferencia positiva (A.16)
Z {f (k + 1) f (k)} =
k=0
[f (k + 1) f (k)] z k
j
k=0
[f (k + 1) f (k)] z k
[f (k + 1) f (k)] z k
k=0
z1
k=0
[f (k + 1) f (k)]
z1
219
OSCAR G. DUARTE
z1
Como f (0) es independiente de j puede salir del lmite, con lo que se completa
la demostraci
on
lm (z 1)F (z) f (0) = f (0) + lm f (j + 1)
z1
z1
A.2.7.
Convoluci
on:
Z {f1 (k) f2 (k)} = F1 (z)F2 (z)
(A.23)
Demostraci
on A.15 Para demostrar (A.23) calculemos la transformada Z de la
convoluci
on entre f1 (k) y f2 (k):
k=0
h=0
k=0
f1 (k)f2 (h k)
f1 (k)f2 (h k) z h
f1 (k)
k=0
h=0
f2 (h k)z h
f1 (k)
k=0
r=k
f1 (k)z k
k=0
f2 (r)z r z k
f1 (k)z k
f2 (r)z r
r=k
f2 (r)z r
r=k
k=0
Si consideramos s
olo funciones f (k) que valgan cero para valores negativos de k
podemos cambiar los lmites de la sumatoria, con lo que se completa la demostraci
on
Z {f1 (k) f2 (k)} =
f1 (k)z k
k=0
f2 (r)z r
r=0
A.3.
A.3.1.
Escal
on unitario
Sea
f1 (t) = (t) =
1 si t 0
0 si t < 0
est (t)dt =
est dt =
L {(t)} = 0 (
A.3.2.
est
s
es0
es
s
s
1
1
)=
s
s
(A.24)
Exponenciales
Sea f2 (t) = eat (t). Para obtener la transformada de Laplace de f2 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la transformada
del escal
on (A.24)
L eat (t) = L {(t)}sa =
A.3.3.
1
s
=
sa
1
sa
(A.25)
Sinusoides
Seno
Sea f3 (t) = sin (t)(t). Para obtener la transformada de Laplace de f3 (t)
empleamos la F
ormula de Euler para reescribir la funci
on:
ejt ejt
(t)
2j
Al aplicar la transformada de Laplace a cada lado de la igualdad resulta
f3 (t) = sin (t)(t) =
L {sin (t)(t)} = L
ejt ejt
(t)
2j
1
L ejt (t) L ejt (t)
2j
L {sin (t)(t)} =
2j s j s + j
Al efectuar la suma se obtiene
L {sin (t)(t)} =
1 s + j s + j
1
2j
=
2j
s2 + 2
2j s2 + 2
L {sin (t)(t)} =
221
s2 + 2
(A.26)
OSCAR G. DUARTE
Coseno
Sea f4 (t) = cos t. Para obtener la transformada de Laplace de f4 (t) podriamos emplear la f
ormula de Euler; sin embargo, optamos por otra posibilidad:
empleamos la propiedad de diferenciciaci
on (A.4) y la aplicamos a la transformada de sin t, (A.26):
f4 (t) = cos t =
L {cos (t)(t)} =
L {cos (t)(t)} =
1 d
sin t
dt
1
L
d
sin (t)(t)
dt
1
[sL{sin (t)(t)} sin t|t=0 ]
L {cos (t)(t)} =
1
s
sin 0
s2 + 2
L {cos (t)(t)} =
A.3.4.
s
s2 + 2
(A.27)
Sinusoides amortiguadas
Sean f5 (t) = eat sin (t)(t) y f6 (t) = eat cos (t)(t) . Para obtener la transformada de Laplace de f5 (t) y f6 (t) aplicamos la propiedad de desplazamiento
en la frecuencia (A.6) a las transformadas de seno y coseno (A.26) y (A.27):
A.3.5.
(s a)2 + 2
(A.28)
sa
(s a)2 + 2
(A.29)
Rampas, par
abolas y monomios de t
Sea f7 (t) = tn (t). Para calcular la transformada de Laplace de f7 (t) aplicamos la propiedad de multiplicaci
on por el tiempo (A.8) a la transformada del
escal
on unitario (A.24).
L {f7 (t) = tn (t)} = (1)n
n!
dn 1
= n+1
dsn s
s
(A.30)
1
s2
2
s3
(A.31)
(A.32)
A.3.6.
Exponenciales por tn
Sea f10 (t) = tn eat (t). Para calcular la Transformada de Laplace de f10 (t)
aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la transformada del tn (t) (A.30)
L f10 (t) = tn eat (t) =
A.3.7.
n!
(s a)n+1
(A.33)
Sinusoides por t
d
s
= 2
2
2
ds s +
(s + 2 )2
(A.34)
A.3.8.
s
d
s2 2
=
ds s2 + 2
(s2 + 2 )2
(A.35)
Sea f13 (t) = teat sin (t)(t). Para calcular la Transformada de Laplace de
f13 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la
transformada de t sin(t)(t) (A.34)
L teat sin (t)(t) =
(s a)
((s a)2 + 2 )2
(A.36)
(s a)2 2
((s a)2 + 2 )2
(A.37)
Sea f14 (t) = teat cos (t)(t). Para calcular la Transformada de Laplace de
f14 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la
transformada de t cos(t)(t) (A.35)
L teat cos (t)(t) =
A.4.
Parejas de transformadas Z
A.4.1.
Escal
on unitario
Sea
f1 (k) = (k) =
223
1 si k 0
0 si k < 0
OSCAR G. DUARTE
z k (k) =
k=0
k=0
A.4.2.
(z 1 )k
k=0
(z 1 )k (k) =
k=0
ak =
1
1a
(siempre y
1
z
=
1 z 1
z1
(A.38)
Series geom
etricas
Z ak (k) = Z {(k)}z/a =
A.4.3.
z
z1
=
z/a
z
z/a
=
z/a 1
za
(A.39)
Sinusoides
Seno
Sea f3 (k) = sin (ak)(k). Para obtener la transformada Z de f3 (k) empleamos la F
ormula de Euler para reescribir la funci
on:
(eja )k (eja )k
ejak ejak
(k) =
(k)
2j
2j
(eja )k (eja )k
(k)
2j
1
Z (eja )k (k) Z (eja )k (k)
2j
1
z
z
ja
2j z e
z eja
z 2 zeja z 2 + zeja
1
=
2
2j z zeja zeja + eja eja
224
Z {sin (ak)(a)} =
eja
2j
eja +eja
2z
2
ze
z2
ja
+1
z2
z sin a
2z cos a + 1
(A.40)
Coseno
Sea f4 (k) = cos (ak)(k). Para obtener la transformada Z de f4 (k) empleamos la F
ormula de Euler para reescribir la funci
on:
(eja )k + (eja )k
ejak + ejak
(k) =
(k)
2
2
(eja )k + (eja )k
(k)
2
1
Z (eja )k (k) + Z (eja )k (k)
2
1
z
z
+
ja
2 ze
z eja
1
z s zeja + z 2 zeja
=
2 z 2 zeja zeja + eja eja
Z {cos (ak)(a)} =
+eja
2
ja
ja
2z e +e
+
2
z2 z e
z2
ja
z 2 z cos a
z 2 2z cos a + 1
225
(A.41)
OSCAR G. DUARTE
A.4.4.
Sinusoides amortiguadas
Z bk sin (ak)(k) =
Z bk cos (ak)(k) =
A.4.5.
( zb )2
z
b
sin a
zb sin a
= 2
z 2b cos a + b2
2 zb cos a + 1
z 2
zb cos a
b
( zb )2 2 zb cos a +
z 2 zb cos a
z 2 2b cos a + b2
(A.42)
(A.43)
Rampas, y monomios de k
d
z
(z 1) z
= z
dz z 1
(z 1)2
Z {k(k)} =
z
(z 1)2
(A.44)
A.4.6.
Series geom
etricas por k n
z
(z a) z
d
= z
dz z a
(z a)2
Z {k(t)} =
az
(z a)2
(A.45)
A.4.7.
Sinusoides por k
Seno
Sea f9 (k) = k sin(ak)(k). Para calcular la transformada Z de f9 (k) aplicamos la propiedad de multiplicaci
on por el tiempo (A.19) a la transformada de
seno (A.40).
Z {k sin(ak)(k)} = z
Z {k sin(ak)(k)} =
z
sin a
d
=
dz z 2 2z cos a + 1
Z {k sin(ak)(k)} =
z
Z {k sin(ak)(k)} =
z 3 sin a + z sin a
(z 2 2z cos a + 1)2
(A.46)
d
z 2 z cos a
=
2
dz z 2z cos a + 1
Z {k cos(ak)(k)} =
z
Z {k cos(ak)(k)} =
OSCAR G. DUARTE
Z {k cos(ak)(k)} = z
Z {k cos(ak)(k)} =
(z 2 1) cos a + 2z
(z 2 2z cos a + 1)2
(z 3 + z) cos a 2z 2
(z 2 2z cos a + 1)2
(A.47)
A.4.8.
Sean f11 (k) = kbk sin (ak)(k) y f12 (k) = kbk cos (ak)(k). Para calcular la
Transformada Z de f11 (k) y f12 (k) aplicamos la propiedad de escalamiento en la
frecuencia (A.18) a las transformadas de k sin(ak)(k), (A.46) y k cos(ak)(k),
(A.47)
Z kbk sin (ak)(k) =
bz 3 sin a + b3 z sin a
(z 2 2bz cos a + b2 )2
(A.48)
(A.49)
228
Apendice B
Diagramas de Bode para sistemas
continuos
B.1.
Definici
on
OSCAR G. DUARTE
B.2.
Construcci
on de los diagramas de Bode
Debido a las escalas empleadas en los diagramas de Bode, estos pueden ser
construidos en forma aproximada mediante trazos rectos. La figura B.1 muestra
los diagramas de Bode aproximados para funciones sencillas de orden 1.
La figura B.2 muestra los diagramas de bode para funciones de orden 2; en
estos casos, las aproximaciones pueden ser bastante lejanas de los diagramas
exactos, dependiendo del factor de amortiguamiento . Por esta raz
on se han
trazado los diagramas exactos para una funci
on de segundo orden (para el primer
caso de la figura B.2), en las figuras B.3 y B.4
Para funciones de transferencia m
as sofisticadas que las de las figuras B.1 y
B.2 se descompone la funci
on de trasferencia como productos de terminos m
as
sencillas, se trazan los diagramas de bode estas de funciones y luego se suman
punto a punto para obtener los diagramas de la funci
on original
Ejemplo B.1 Considerese la funci
on de transferencia
F (s) =
(s + 10)
(s + 1)(s + 100)
Esta funci
on puede descomponerse como el producto de cuatro funciones de
transfenecia mas sencillas:
F (s) =
100
1
s + 10 1
10 s + 1 s + 100 10
FA (s)
FB (s)
FC (s)
FD (s)
Cada una de las funciones FA (s), FB (s), FC (s) y FD (s) son de la forma que se
muestra en las figuras B.1 y B.2. Pueden trazarse los diagramas de bode aproximados
de estas funciones, y luego sumarlos punto a punto para obtener los diagramas de
F (s)
230
B.2. CONSTRUCCION
DE LOS DIAGRAMAS DE BODE
|F (jw)|
F (s)
arg F (jw)
K>0
K<0
1
s
s+a
a
a
s+a
a>0
a>0
20db/dc
1
1
20db/dc
20db/dc
a
a
sa
a>0
a>0
a
10
10a
a
10
10a
a
10
10a
a
10
10a
20db/dc
sa
a
20db/dc
a
20db/dc
231
OSCAR G. DUARTE
F (s)
|F (jw)|
arg F (jw)
2
n
2
s2 +2n s+n
n > 0
n
10
n 10n
n
10
n 10n
n
10
n 10n
n
10
n 10n
40db/dc
2
n
2
s2 +2n s+n
n < 0
n
40db/dc
40db/dc
2
s2 +2n s+n
2
n
n > 0
40db/dc
2
s2 +2n s+n
2
n
n < 0
232
B.2. CONSTRUCCION
DE LOS DIAGRAMAS DE BODE
10
10
20
:
:
:
:
:
30
= 0.01
= 0.1
= 0.3
= 0.5
= 1.0
w/wn
40
1
10
0.01
0.1
0.3
10
0.5
1.0
10
233
OSCAR G. DUARTE
30
60
90
120
:
:
:
:
:
150
= 0.01
= 0.1
= 0.3
= 0.5
= 1.0
w/wn
180
1
10
0.01
0.1
0.3
10
0.5
1.0
10
Figura B.4: Diagrama de Bode de fase para un sistema continuo de segundo orden
con distintos factores de amortiguamiento
234
Apendice C
Carta de Nichols
Sup
ongase la funci
on de transferencia (C.1), que corresponde a un sistema
realimentado simple con realimentaci
on unitaria,
F (s) =
G(s)
1 + G(s)
(C.1)
G(j)
1 + G(j)
(C.2)
(C.3)
F (j) =
(C.4)
X2 + Y 2
(1 + X)2 + Y 2
M = |F (j)| =
(C.5)
El a
ngulo de F (j) ser
a
= arg F (j) = tan1
Y
X
235
tan1
Y
(1 + X)
(C.6)
OSCAR G. DUARTE
La tangente del a
ngulo de F (j) ser
a
N = tan() = tan (arg F (j))
(C.7)
En las secciones C.1 y C.2 se muestra como (C.5) y (C.7) corresponden a las
ecuaciones de unas circunferencias, para M y N constantes.
C.1.
M -circunferencias
X2 + Y 2
X2 + Y 2
=
(1 + X)2 + Y 2
1 + 2X + X 2 + Y 2
(C.8)
2M 2
M2
X+
+Y2 =0
2
(M 1)
(M 2 1)
(C.9)
La ecuaci
on C.9 es una cuadr
atica, y para analizarla completamos el cuadrado en X:
X2 +
M4
M4
M2
2M 2
2
X
+
+
Y
=
=
(M 2 1)
(M 2 1)2
(M 2 1)2
(M 2 1)
M 4 M 2 (M 2 1)
(M 2 1)2
X+
M2
(M 2 1)
+Y2 =
M2
=
(M 2 1)2
M
(M 2 1)
(C.10)
(C.11)
La ecuaci
on (C.11) corresponde a la de una circunferencia con centro en
2
(MM2 1) , 0 y radio
circunferencias.
C.2.
M
(M 2 1) .
N -circunferencias
tan A tan B
1 + tan A tan B
la ecuaci
on (C.7) se convierte en
236
N=
Y
X
Y
1+X
Y Y
X 1+X
1+
Y +XY XY
X(1+X)
X+X 2 +Y 2
X(1+X)
Y + XY XY
X + X2 + Y 2
Y
=0
(C.12)
N
La ecuaci
on (C.12) corresponde a una cuadr
atica y para analizarla completamos los cuadrados en X y en Y
X2 + X + Y 2
X2 + X +
1
Y
+Y2
+
4
N
X+
1
2
1
2N
+ Y
1
2N
1
+
4
1
2N
N2 + 1
4N 2
N2 + 1
4N 2
(C.13)
(C.14)
La ecuaci
on (C.14) corresponde a la de una circunferencia con centro en
1
1
y radio 2N
N 2 + 1. Estas circunferencias se conocen como las N 21 , 2N
circunferencias.
C.3.
Carta de Nichols
Las ecuaciones (C.11) y (C.14) muestran que en un plano que tenga por ejes
X y Y , es decir la parte real y la parte imaginaria de G(j), el lugar geometrico
de las magnitudes y a
ngulos de F (j) constantes son las M-circunferencias y
N-circunferencias respectivamente.
En la figura C.1 se muestran algunas de estas circunferencias, para unos
valores especficos de la magnitud y el a
ngulo de F (j). Esta figura se conoce
como la Carta de Nichols en coordenadas rectangulares. La principal utilidad de
esta carta es la de poder determinar en forma gr
afica el valor de F (j) a partir
de G(j), es decir, calcular de forma gr
afica la ecuaci
on (C.2).
Sin embargo, resulta m
as sencillo conocer la magnitud y el a
ngulo de G(j)
que sus partes real e imaginaria, empleando para ello los diagramas de Bode; por
esta raz
on se propone trabajar con la carta de Nichols en coordenadas polares
que se muestra en la figura C.2, cuyos ejes corersponden a la magnitud y a
ngulo
de G(j). En estos ejes las M-circunferencias y N-circunferencias se distorsionan,
y pierden su forma de circunferencia.
237
OSCAR G. DUARTE
3.0
Im{G(j)}
2.4
30o
1.8
1.2
60o
0.6
90o
2db
3db
0.0
5db
5db
3db
2db
90o
60o
0.6
1.2
1.8
30o
2.4
Re{G(j)}
3.0
4.80
3.84
2.88
1.92
0.96
0.00
0.96
:|F (j)|en db
1.92
2.88
3.84
4.80
:arg{F (j)}
20
16
|G(j)|en db
2db
12 2db
3db
8
5db
3db
5db
0
4
8
12
16
30o
60o
90o 60o
90o
30o
20
0
36
72
108
144
180
216
252
288
324
360
arg{G(j)}
:arg{F (j)}
:|F (j)|en db
238
Apendice D
Apuntes de algebra lineal
D.1.
Espacios vectoriales
D.1.1.
Estructuras algebr
aicas b
asicas
Definici
on D.1 Grupo
Un conjunto dotado de una operaci
on binaria tiene estructura de grupo si la
operaci
on satisface las siguientes propiedades:
G.1 Clausurativa (Cerradura): x, y x y
G.2 Asociativa: x, y, z (x y) z = x (y z)
G.3 Modulativa: 0 | x x 0 = x
G.4 Invertiva: x (x) | x (x) = 0
Definici
on D.2 Grupo conmutativo
Un conjunto dotado de una operaci
on binaria tiene estructura de grupo conmutativo o grupo abeliano si la operaci
on satisface las propiedades de grupo y:
G.5 Conmutativa: x, y x y = y x
Ejemplo D.1 El conjunto = {a, b, c} dotado con la operaci
on descrita en la
tabla
a
b
c
a
a
b
c
b
b
c
a
239
c
c
a
b
OSCAR G. DUARTE
0
1
0
1
0
1
0
1
Definici
on D.3 Anillo
Un conjunto dotado de dos operaciones binarias y tiene estructura de anillo
si las operaciones satisfacen las siguientes propiedades.
Para la operaci
on
R.1 Clausurativa: x, y x y
R.2 Asociativa: x, y, z (x y) z = x (y z)
R.3 Modulativa: 0 | x x 0 = x
R.4 Invertiva: x (x) | x (x) = 0
R.5 Conmutativa: x, y x y = y x
Para la operaci
on
R.6 Clausurativa: x, y x y
R.7 Asociativa: x, y, z (x y) z = x (y z)
Para las dos operaciones
R.9 Modulativa: 1 | x x 1 = 1 x = x
Definici
on D.5 Anillo conmutativo
Un conjunto dotado de dos operaciones binarias y tiene estructura de anillo
conmutativo si las operaciones satisfacen las propiedades de anillo y ademas la
operaci
on satisface:
R.10 Conmutativa: x, y x y = y x
Definici
on D.6 Campo
Un conjunto dotado de dos operaciones binarias y tiene estructura de campo
si tiene estructura de anillo conmutativo con unidad.
Ejemplo D.3 Algunos de los campos mas conocidos son los reales R, los complejos
C y el conjunto de las funciones racionales de s con coeficientes reales R(s).
240
D.1.2.
Definici
on de espacio vectorial
Definici
on D.7 espacio vectorial
Sea un conjunto y F : (, , ) un campo. A los elementos de se les denomina
vectores, y a los elementos de escalares. tiene estructura de espacio vectorial
sobre F si esta dotado de una operaci
on binaria + (suma vectorial) y una operaci
on entre elementos de y (producto por escalar) que cumplen las siguientes
propiedades:
Para la suma vectorial
V.1 Clausurativa: x, y x + y
V.2 Asociativa: x, y, z (x + y) + z = x + (y + z)
V.3 Modulativa: 0 | x x + 0 = x
V.4 Invertiva: x (x) | x + (x) = 0
V.5 Conmutativa: x, y x + y = y + x
Para el producto por escalar
V.6 Clausurativa: x , x
V.7 Asociativa: x , , ( ) x = ( x)
V.8 Modulativa: x , 1 x = x. 1 es el m
odulo de
V.9 Anulativa: x , 0 x = 0.En donde 0 es el m
odulo de , y 0 es el m
odulo
de +
Para las dos operaciones
V.10 Distributiva respecto a +: x, y , (x + y) = ( x) + ( y)
V.11 Distributiva respecto a : x , , ( ) x = ( x) + ( x)
Ejemplo D.4 Uno de los espacios vectoriales mas conocidos, y que servira para
futuros ejemplos en este captulo es el formado por R 2 sobre el campo R con las
operaciones usuales. En general, Cn sobre el campo C con las operaciones usuales
forma un espacio vectorial.
Ejemplo D.5 El conjunto de todos los polinomios sobre el campo R con las operaciones usuales entre polinomios forma un espacio vectorial.
Ejemplo D.6 El conjunto de todas las funciones contnuas a trozos sobre el campo
C con la operaci
on + definida como la suma punto a punto forma un espacio
vectorial.
241
OSCAR G. DUARTE
D.1.3.
Bases
Definici
on D.9 Combinaci
on lineal
Sea V : (, F) un espacio vectorial. Sean x1 , x2 , , xn cualesquiera vectores y
1 , 2 , , n cualesquiera escalares de F denominados coeficientes. Una combinaci
on lineal de x1 , x2 , , xn es la operaci
on
n
1 x1 + 2 x2 + + n xn =
i xi
i=1
Definici
on D.10 Independencia lineal
Un conjunto de vectores {x1 , x2 , , xn } es linealmente independiente si la u
nica
combinaci
on lineal nula se obtiene con coeficientes nulos. Es decir, si
1 x1 + 2 x2 + + n xn = 0
242
1 = 2 = = n = 0
Definici
on D.11 Dimensi
on
El maximo n
umero de vectores linealmente independientes en un espacio vectorial
V se denomina la dimensi
on de V .
Definici
on D.12 Conjunto generador
Dado un conjunto de vectores X = {x1 , x2 , , xn }; S es un Conjunto generado
por X si es el conjunto de todas las posibles combinaciones lineales de elementos
de X; se dice que X es un Conjunto generador de S y se denota por
n
S = span(X) =
y | 1 , 2 , , n y =
i xi
i=1
Definici
on D.13 Base de un espacio vectorial
Un conjunto de vectores B = {b1 , b2 , , bn } es una base del espacio vectorial
V : (, F) si B es linealmente independiente y genera a .
Teorema D.2 En un espacio vectorial V de dimensi
on n, cualquier conjunto de n
vectores linealmente independientes es una base de V .
Demostraci
on D.2 Sea A = {a1 , a2 , , an } un conjunto arbitrario de n vectores linealmente independientes en V . Para demostrar que A es una base de V es
necesario demostrar que cubre a V , es decir, que cualquier elemento x de V puede
expresarse como una combinaci
on lineal de los elementos de A.
Debido a que A tiene n elementos, el conjunto {x, a1 , a2 , , an } es linealmente
dependiente (tiene n+1 elementos y n es el maximo n
umero de vectores linealmente
independientes) y por tanto existe una combinaci
on lineal
0 x + 1 a 1 + 2 a 2 + + n a n = 0
(D.1)
(D.2)
lo que implica que todos los i deberan ser cero ya que los elementos de A son
linealmente independientes (son una base). Como 0 = 0 podemos despejar x
1
2
n
x=
a1 +
a2 + +
an
(D.3)
0
0
0
es decir, que existe una combinaci
on lineal de los elementos de A cuyo resultado es
x, y por lo tanto A genera el espacio vectorial V .
Definici
on D.14 Coordenadas de un vector
Sea x un elemento del espacio vectorial V , y B = {b1 , b2 , , bn } una base de
V . Si x = 1 b1 + 2 b2 + + n bn se dice que las coordenadas de x en la base
B son los coeficientes de esa combinaci
on lineal { 1 , 2 , , n }. Usualmente se
agrupan en un vector
1
2
= .
..
n
243
OSCAR G. DUARTE
+ 2 b2
+ 2 b2
+ + n bn
+ + n bn
=x
=x
A = {a1 , a2 , , ar }
244
D.1.4.
Cambio de base
b2
bn
Un vector x tendr
a coordenadas i en la base A y i en la base B, de tal manera
que
x = 1 a1 + 2 a2 + + n an
(D.4)
x = 1 b1 + 2 b2 + + n bn
Definimos los vectores columna y que contienen las coordenadas:
1
1
2
2
= .
= .
..
..
n
245
OSCAR G. DUARTE
x = b1
b2
bn
1
2
.. = B
.
n
= B1
(D.6)
Ejemplo D.14 En R2 puede definirse una base con cualquier pareja de vectores
no paralelos. Definamos por ejemplo A = {(1, 0), (0, 1)}, B = {(3, 1), (2, 2)} y
C = {(1, 1)(1, 1)} (vectores rojos en la figura D.1).
Consideremos ahora el vector x en la figura D.1. Sus coordenadas en la base
estandar A seran
1
= 1 =
2
3
Para obtener las coordenadas de x en las bases B y C construimos las matrices
B y C y empleamos (D.6)
B=
3 2
1 2
C=
1 1
1 1
1/2 1/2
1
= B1 =
1/4 3/4
2
1
1
=
2
3
1/2 1/2
1
= C1 =
1/2 1/2
2
1
1
=
2
3
Puede verificarse que las coordenadas en las bases B y C satisfacen las relaciones
(D.5)
= B1 C
= C1 B
246
1 =1
1 =1
2 =3
2 =2
2 =-2
1 =-1
: vector
: base
D.2.
Transformaciones lineales
Definici
on D.15 Transformaci
on Lineal
Una transformaci
on lineal es una funci
on lineal entre dos espacios vectoriales. Sean
V y W dos espacios vectoriales sobre el mismo campo F. Sea T una funci
on que
toma elementos de V y les asigna elementos de W
T :V W
y = T (x) x V
yW
(D.7)
OSCAR G. DUARTE
(D.9)
(D.10)
o en forma matricial
1
2
.. = T
.
(D.11)
1
0
0
1
0 1
1 0
D.2.1.
0 1
1 0
1
3
=
3
1
El teorema D.6 permite efectuar transformaciones lineales mediante productos matriciales. Al cambiar de base, la matriz T que representa la transformaci
on
lineal sufre unos cambios, seg
un se presenta a continuaci
on.
Teorema D.7 Sea T una transformaci
on lineal, que en la base estandar se representa por la matriz T . La misma transformaci
on se representara en otra base
B = {b1 , b2 , , bn } por T = B1 T B en donde B = [b1 b2 bn ]
248
: vector
: base
Demostraci
on D.7 Sup
ongase que el vector x se transforma en el vector y mediante la transformaci
on T . Sean x y x las coordenadas de x en la base estandar
y en la base B, respectivamente. Sean tambien y y y las coordenadas de y en
esas mismas bases. De acuerdo con el teorema D.6 T podra representarse en cada
una de esas bases como
y = T x
y = T x
x = B1 x
y por tanto
B1 y = T B1 x
y = BT B1 x
de donde se deduce que
T = BT B1
T = B1 T B
(D.12)
T = CT C1
Igualando se tiene
BT B1 = CT C1
T = C1 BT B1 C
249
OSCAR G. DUARTE
T =
La misma transformaci
on se representara en la base B = {(3, 1), (2, 2)} por la
matriz
T = B1 T B
T =
1/2 1/2
1/4 3/4
0 1
1 0
2
2
3 2
=
2.5 2
1 2
Sup
ongase ahora el vector x, cuyas coordenadas en la base estandar son x =
(1, 3) y en la base B son x = (1, 2) (ejemplo D.14). Al efectuar la rotaci
on de
90t exto en sentido horario se obtendra un vector y cuyas coordenadas en la base
estandar seran y y en la base B seran y :
y =
D.3.
0 1
1 0
1
3
=
3
1
y =
2
2
2.5 2
1
2
=
2
1.5
Definici
on D.16 Producto interno
Sea V : (, +, , F) un espacio vectorial sobre F : (, , ). Una operaci
on P :
F se denomina producto interno o producto interior si satisface las
siguientes condiciones
P.1 x1 P (x1 , x1 ) 0 La igualdad se cumple s
olo si x1 = 0
P.2 x1 , x2 , x3 P (x1 + x2 , x3 ) = P (x1 , x3 ) P (x2 , x3 )
P.3 x1 , x2 F P (x1 , x2 ) = P (x1 , x2 )
P.4 x1 , x2 P (x1 , x2 ) = P (x2 , x1 )
Ejemplo D.20 El producto escalar usual es un producto interno. Se define como
n
x, y =
xi y i
i=1
x 0
250
N.2 x = 0 si y s
olo si x = 0
N.3 x F
N.4 x1 , x2
x = || x
x 1 + x2 x 1 x 2
2.
3.
4.
n
i=1
|xi |
n
i=1
x2i
n
i=1
xpi
= m
axi xi
Definici
on D.18 Distancia entre vectores
Sea V : (, +, , F) un espacio vectorial sobre F : (, , ), y sea una norma
definida en ese espacio vectorial. Se define la distancia entre los vectores x 1 y x2
como la operaci
on d : F tal que
d(x1 , x2 ) = x1 x2
Toda funci
on de distancia satisface las siguientes propiedades:
d.1 x1 , x2 d(x1 , x2 ) 0
d.2 d(x1 , x2 ) = 0 si y s
olo si x1 = x2
d.3 x1 , x2 d(x1 , x2 ) = d(x2 , x1 )
d.4 x1 , x2 , x3 d(x1 , x2 ) d(x1 , x3 ) d(x3 , x2 )
Definici
on D.19 Vector normal
Un vector es normal si su norma es 1
Definici
on D.20 Bola unitaria
Sea V : (, +, , F) un espacio vectorial sobre F, y sea d(x1 , x2 ) una funci
on de
distancia definida en ese espacio vectorial. Se define la bola unitaria como el conjunto
de todos los vectores cuya distancia al origen sea 1. Tambien puede definirse de forma
equivalente como el conjunto de todos los vectores cuya norma sea 1, o lo que es
igual, el conjunto de todos los vectores normales.
251
OSCAR G. DUARTE
Ejemplo D.23 La figura D.3 muestra las bolas unitarias para tres funciones de
distancia diferentes, originadas las siguientes normas x 1 , x 2 y x definidas
en el Ejemplo D.22, para el espacio vectorial R2 . Como se trata de un espacio de
dimensi
on 2 se emplea el termino circunferencia unitaria en lugar de bola unitaria
Definici
on D.21 Angulo
entre vectores
Sea V : (, +, , F) un espacio vectorial sobre F, sea P (x1 , x2 ) un producto interno
definido en ese espacio, y la norma inducida por P . Se define el angulo entre
los vectores x1 y x2 mediante cos asi:
cos =
P (x1 , x2 )
x1 x 2
Definici
on D.22 Vectores ortogonales
Un conjunto de vectores x1 , x2 , , xk es ortogonal si
P (xi , xj )
= 0 si i = j
= 0 si i = j
Definici
on D.23 Vectores ortonormales
Un conjunto de vectores x1 , x2 , , xk es ortonormal si es ortogonal y todos sus
vectores son normales, es decir, si
P (xi , xj ) = ij =
0 si i = j
1 si i = j
y1 =
yk =
xk
xk
k 1P (xk , yj )yj
j=1
k 1P (xk , yj )yj
j=1
Definici
on D.25 Norma de una matriz cuadrada
Sea A una matriz que representa una transformaci
on lineal A : C n Cn . Se
define la norma de la matriz A inducida por una norma vectorial como
A = sup
x=0
Ax
= sup Ax
x
x =1
Es decir, la norma de una matriz es la norma mas grande que se obtiene al aplicar
la transformaci
on lineal sobre los elementos de la bola unitaria.
Ejemplo D.24 Sea A la matriz
A=
2 1
0 3
253
OSCAR G. DUARTE
= |1| + |3| = 4
2 1
0 3
13 + 7 = 3.256
2 1
0 3
254
D.4. SISTEMAS DE ECUACIONES ALGEBRAICAS
D.4.
El prop
osito de esta secci
on es el de presentar algunas propiedades de las
matrices. Para ello, consideramos el sistema de ecuaciones algebr
aicas:
a11 x1 + a12 x2 + + a1n xn = y1
a21 x1 + a22 x2 + + a2n xn = y2
..
.
am1 x1 + am2 x2 + + amn xn = ym
255
(D.13)
OSCAR G. DUARTE
Ax = y
a11
a21
A= .
..
am1
a1n
a2n
..
.
a12
a22
..
.
..
.
am2
amn
x1
x1
x= .
..
xn
y1
y1
y= .
..
(D.14)
ym
La ecuaci
on (D.14) puede interpretarse como el sistema de ecuaciones algebracas (D.13), como una transformaci
on lineal A : Rn Rm , o en general
como una transformaci
on lineal de un espacio vectorial de dimensi
on n a otro
espacio vectorial de dimensi
om m A : V W con dim(V) = n y dim(W) = m.
Empleamos esta m
ultiple interpretaci
on para hacer algunas definiciones y
obtener ciertas conclusiones acerca de la existencia y unicidad del sistema de la
soluci
on del sistema de ecuaciones algebr
aicas.
Definici
on D.26 Codominio
El Codominio de un operador lineal A es el conjunto R(A) definido como
R(A) = {y|x, y = Ax}
Teorema D.10 El codominio de un operador lineal A : V W es un subespacio
de W.
Demostraci
on D.10 Es claro que el codominio A es un subconjunto de W, es
decir R(A) W. Sup
onganse dos vectores y1 , y2 de R(A). Seg
un la definici
on
D.26 existen dos vectores x1 , x2 en V tales que
y1 = Ax1
y2 = Ax2
D.4. SISTEMAS DE ECUACIONES ALGEBRAICAS
dim(V) = n
dim(W) = m
V
W
R(A)
(A) = dim(R(A))
Figura D.7: Codominio y rango de un operador lineal
Demostraci
on D.11 Si denotamos la iesima columna de A como a i , es decir
A = [a1 a2 an ] la ecuaci
on D.14 puede escribirse como
y = x 1 a1 + x 2 a2 + + x n an
es decir, y es una combinaci
on lineal de las columnas de A cuyos coeficientes son
x1 , x2 , , xn . El codominio de A sera entonces el conjunto de todas las posibles
combinaciones lineales de las columnas de A, es decir R(A) = span{a 1 , a2 , , an };
por lo tanto la dimensi
on de R(A), que es (A), sera igual al n
umero de elementos
linealmente independientes en el conjunto {a 1 , a2 , , an }.
Ejemplo D.27 Considerese la transformaci
on lineal de R 2 en R2 representada por
y = Ax en donde A es la matriz
A=
1 1
0 0
Esa transformaci
on toma un punto (x1 , x2 ) en el plano y lo convierte en un
punto sobre el eje horizontal (figura D.8):
y=
1 1
0 0
x1
(x1 + x2 )
=
x2
0
1 2
1 2
257
OSCAR G. DUARTE
(A) = 1
Figura D.8: Codominio y Rango del Operador Lineal del ejemplo D.27
(A) = 1
Figura D.9: Codominio y Rango del Operador Lineal del ejemplo D.27
Esa transformaci
on toma un punto (x1 , x2 ) en el plano y lo convierte en un
punto sobre la recta de pendiente 1 (figura D.9):
y=
1 2
1 2
(x1 + 2x2 )
x1
=
(x1 + 2x2 )
x2
= N
umero de columnas L.I.
=
N
umero de filas L.I.
mn (m, n)
258
(D.15)
D.4. SISTEMAS DE ECUACIONES ALGEBRAICAS
dim(V) = n
dim(W) = m
V
N (A)
W
R(A)
A
(A) = dim(N (A))
(A) = dim(R(A))
Adem
as, puede demostrarse que una matriz es no singular si y s
olo si todas
sus filas y todas sus columnas son linealmente independientes,
Teorema D.12 El sistema de ecuaciones (D.14) donde A es una matriz m n
tiene soluci
on para todo y en W si y solo si R(A) = W, o lo que es equivalente,
si y s
olo si (A) = m
Demostraci
on D.12 La demostraci
on se desprende directamente de las definiciones D.26 y D.27
Definici
on D.28 Espacio Nulo
El Espacio Nulo de un operador lineal A : V W es el conjunto N (A) definido
como
N (A) = {x V| Ax = 0}
La linealidad del operador permite demostrar que el Espacio Nulo es un
Subespacio de V. Esto permite hacer la siguiente definici
on
Definici
on D.29 Nulidad
La Nulidad de un operador lineal A : V W, denotada por (a) es la dimensi
on
del espacio nulo de A
El ejemplo D.29 muestra la relaci
on existente entre el rango y la nulidad de
un operador lineal A : V W, con dim(V) = n y dim(W) = m (figura D.10).
(A) + (A) = n = dim(V)
(D.16)
OSCAR G. DUARTE
0 1
A = 2 1
1 0
1 0 1
3 4 1 = a1
1 2 1
a2
a3
a4
a5
en donde las dos primeras columnas son linealmente independientes, pero las u
ltimas
tres no lo son ((A) = 2), ya que pueden escribirse como combinaciones lineales
de las dos primeras:
a3 = a 1 + a 2
a4 = 2a1
a5 = a 1 a 2
(D.17)
(D.18)
(D.19)
(D.20)
=0
=0
(D.21)
0
0
1
0
1
0
1
0
0
1
1/2
1/2
1
1
0
260
Teorema D.14 Sea A una matriz m n y C, D dos matrices no singulares cualesquiera n n y m m respectivamente. En esas condiciones se tiene que
(AC) = (A)
(DA) = (A)
Demostraci
on D.14 La demostraci
on se apoya en la desigualdad de Sylvester, que
establece que si existen dos matrices A y B de dimensiones q n y n p entonces
(A) + (B) n (AB) mn((A), (B))
(D.22)
Las desigualdades s
olo pueden cumplirse simultaneamente si se tiene que
(A) = (AC)
D.5.
(A) = (DA)
Definici
on D.30 Valor propio y vector propio2
Sea A una transformaci
on lineal (Cn , C) (Cn , C). Un escalar es un valor
propio si existe un vector no nulo v tal que Av = v. Cualquier vector no nulo v
que satizfaga
Av = v
(D.23)
es un vector propio asociado al valor propio .
La definici
on D.30 implica que para un vector propio v el efecto de aplicarle
la transformaci
on lineal A es igual que amplificarlo por el escalar . Esto implica
que un vector y el vector transformado son colineales o paralelos y por lo tanto
linealmente dependientes.
La definici
on D.30 se refiere estrictamente a valores y vectores propios por
derecha, para distinguirlos de los valores y vectores propios por izquierda, que
deben satisfacer vt A = vt . En este texto s
olo se consideran los primeros, y por
tanto se hace referencia a ellos simplemente como valores y vectores propios.
2 Tambi
en se conocen como autovalores y autovectores o valores caractersticos y vectores
caractersticos.
261
OSCAR G. DUARTE
(D.24)
(A I)v = 0
4 1
2 1
1 0
4 1
( 4)
=
0 1
2 1
2
1
( 1)
2 = 3
4 1
2 1
v11
v
= 2 11
v21
v21
4v11 + v21
2v11
=
2v11 + v21
2v21
= 2v11
= 2v21
1
2
en general v1 =
a
2a
v12
v
= 3 12
v22
v22
4v12 + v22
3v12
=
2v12 + v22
3v22
= 3v12
= 3v22
1
1
en general v2 =
a
a
2 1
1 2
( 2)
1
2 1
1 0
=
1
( 2)
1 2
0 1
() = det(B) = ( 2)2 + 1 = 2 4 + 5
2v12 + v22
v12 + 2v22
= (2 + j)v11
= (2 + j)v21
263
= (2 j)v12
= (2 j)v22
OSCAR G. DUARTE
1
j
v2 =
1
j
a
ja
v2 =
a
ja
o en general
v1 =
D.5.1.
(D.27)
a
1
1
2 1
v1 =
=
2a
2 2
2
1
1 1
2
1
a
=
v2 =
2
2
2 1
a
Demostraci
on D.17 Efectuamos la demostraci
on por contradicci
on. Suponemos
que los vi son linealmente dependientes, y por lo tanto existen i algunos de los
cuales no son nulos, tales que
r
i vi = 0
i=1
(A j I)
i vi = 0
(D.28)
i=0
(i j )vi
0
si i = j
si i = j
M = v1
v2
vn
(D.29)
Demostraci
on D.19 El teorema D.7 permite obtener la representaci
on de A en la
tendremos
nueva base. Si denotamos esta representaci
on por A
= M1 AM
A
con M la matriz modal que contiene los vectores propios
M = v1
v2
265
vn
OSCAR G. DUARTE
= y demostramos A
= MAM1 , o
Para demostrar el teorema construimos A
1 0 0
0 2 0
==
A
..
.. . .
..
.
. .
.
0
y AM:
Calculamos por separado MA
1 0
0 2
= v1 v2 v n
MA
..
..
.
.
0
AM = A v1
v2
..
.
0
0
..
.
vn = Av1
= 1 v 1
Av2
2 v 2
n vn
(D.30)
Avn
(D.31)
=
Como Avi = i vi entonces las ecuaciones (D.30) y (D.31) se reducen a MA
AM o lo que es igual
= = M1 AM
A
Ejemplo D.33 La transformaci
on lineal representada por la matriz
A=
4 1
2 1
1 1
2
1
4 1
2 1
2 0
1 1
= 1
=
0
0 3
2 1
0
2
2 1
1 2
cuyos valores propios son (Ejemplo D.31) 1,2 = 2 j con vectores propios v1 v2 :
v1 =
1
j
v2 =
1
j
2 1
1 2
1
j
266
2+j
1
=
0
j
0
= 1
0
2j
0
2
D.5.2.
La diagonalizaci
on planteada en el teorema D.19 no siempre es posible si
existen valores propios repetidos. Esto se debe a que el teorema D.17 se refiere a
valores propios distintos, y sin ese resultado no puede asegurarse que el conjunto
{v1 , v2 , , vn } sea una base. Esto se traduce en que la matriz modal M puede
ser singular, y por tanto (D.29) no puede usarse debido a que M1 puede no
existir.
Definici
on D.32 Degeneracidad
El n
umero de vectores propios de una transformaci
on lineal A de orden n n
linealmente independientes asociados a un valor propio i es la degeneracidad del
valor propio i , denotada por di .
Teorema D.20 La degeneracidad de i , un valor propio de una transformaci
on
lineal A de orden n n es igual a
di = n (i I A)
(D.32)
Demostraci
on D.20 Un vector propio vi de A asociado a i debe cumplir
Avi = i v
(i I A)vi = 0
Seg
un la definici
on D.29, el n
umero de vectores propios linealmente independientes
seran entonces la nulidad de la matriz que premultiplica al vector,
di = (i I A)
Podemos emplear (D.16) para escribir
di = n (i I A)
Ejemplo D.35 Obtener los valores y vectores propios de la matriz A y diagonalizarla
1 2
A=
2 5
Construimos la matriz B = (I A) y hallamos su determinante:
B = (I A) =
( 1)
2
1 2
1 0
=
2
( 5)
2 5
0 1
OSCAR G. DUARTE
31
2
d1 = 2
2
35
=2
2 2
2 2
=21=1
3 0
A= 1 2
1 0
Construimos (I A):
( 3)
I A = 1
1
0
( 2)
0
1
1
( 3)
() = ( 3)2 ( 2) ( 2) = 3 82 + 20 16
Las raices del polinomio son 1 = 2 = 2 3 = 4. Para determinar la degeneracidad
de 1 calculamos 1 I A
(2 3)
0
1
1 0 1
(2 2)
1 = 1 0 1
I A = 1
1
0
(2 3)
1 0 1
d1 = n (I A)
d1 = 3 1 = 2
d
d
3 0 1
a
3 0 1 a
1 2 1 e = 2 e
1 2 1 b = 2 b
f
f
1 0 3
c
c
1 0 3
Se originan los sistemas de ecuaciones
3a c = 2a
a + 2b c = 2b
a + 3c = 2c
268
3d f = 4a
d + 2e f = 4e
d + 3f = 4f
Que se convierten en
d = e = f
a=c
1
1
0
3 0 1 1 1 1
1/2 1 2 1 0 1 1
= M1 AM = 1/2 1
1/2
0 1/2 1 0 3
1 1 1
2 0 0
1
= M1 AM == 0 2 0 = 0
0 0 4
0
0
2
0
0
0
3
Definici
on D.33 Vectores propios generalizados
Sea A una transformaci
on lineal A : Cn Cn y sea un valor propio de A. v es
un vector propio generalizado de grado k de A asociado a si y s
olo si
(A I)k v
(A I)k1 v
=0
=0
(D.33)
N
otese que para k = 1 la ecuaci
on (D.33) se reduce a (A I) = 0 con
v = 0, que coincide con la definici
on D.30 de vector propio.
Definici
on D.34 Cadena de vectores propios generalizados
Sea A una transformaci
on lineal A : Cn Cn y sea v un vector propio generalizado de orden k asociado a . Los vectores vk , vk1 , vk2 , , v1 forman una
cadena de vectores propios generalizados de longitud k si y s
olo si
vk
vk1
vk2
v1
=
=
=
..
.
v
(A I)v
(A I)2 v
..
.
= (A I)k1 v
=
(A I)vk
= (A I)vk1
=
(D.34)
(A I)v2
OSCAR G. DUARTE
..
.
vi
vi1
..
.
Ni1 Ni
Ni+1
1 2
2 5
270
que tiene un valor propio repetido = 3 Para encontrar los espacios nulos N 1 y N2
construimos las matrices B y B2 :
2 2
2 2
B = (A I) =
B2 =
0 0
0 0
a
a
v2 =
b
c
1
0
=
v
= (A I)v2
1
0
v1 =
2
N1
2
1
0
0 0
J = . .
.. ..
0 0
0 0
0 0
1 0
0
.. . .
.
. ..
.
0 1
0
= v1
v2
vn
A v1
v2
vn
(D.35)
Demostraci
on D.24 Demostrar (D.35) equivale a demostrar MJ = AM, por lo
271
OSCAR G. DUARTE
B
0
1 = dim(N1 ) = 1
B2
2 = dim(N2 ) = 2
1 0
0 1
0 0
MJ = v1 v2 v3 vn . . .
.. .. ..
0 0 0
0 0 0
MJ = v1
AM = A v1
los resultados:
0
0
..
..
. .
v3
vn = Av1
Av2
Av3
Avn
i = 1, 2, , n 1
lo que significa que las columnas 2, 3, , n de MJ son iguales a las de AM. Para
demostrar que la primera columna tambien es igual, empleamos el teorema D.22,
seg
un el cual v1 N1 , es decir
(A I)1 v1 = 0
y por lo tanto Av1 = v1 , lo que concluye la demostraci
on.
272
Nr
N2
N1 {
} 1
A=
que tiene un valor propio repetido = 3 y una cadena de vectores propios generalizados (ejemplo D.37):
1
2
v2 =
v1 =
0
2
El resultado de calcular M1 AM es
M1 AM =
D.5.3.
2 1
2 0
1 2
2 5
3 1
2 1
=
0 3
2 0
Obtenci
on de vectores propios generalizados
OSCAR G. DUARTE
2
1
r
r1
..
.
v1
Bv1
..
.
v2
Bv2
..
.
2
1
Br1 2 v1
Br1 1 v1
Br2 2 v2
Br1 1 v2
vq1
Bvq1
vq
3 1 1
1
0
0
1 1 1 1 0
0
0 0
2
0
1
1
A=
0 0
0
2 1 1
0 0
0
0
1
1
0 0
0
0
1
1
Para calcular los valores propios de A hacemos
1 1
1 1
0 0
B1 =
0 0
0 0
0 0
0 0
0 0
0 0
2
B =
0 0
0 0
0 0
0 0
0 0
0 0
B3 =
0 0
0 0
0 0
(A 2I)0 = 6
0 = 6 6 = 0
1
1
0
0
1 1 0
0
(A 2I) = 4
0
0
1
1
0
0 1 1
1 =64=2
0
0 1 1
0
0
1 1
2 2 0
0
2 2 0
0
0 0 0
0
(A 2I)2 = 2
0 0 0
0
2 = 6 2 = 4
0 0 2 2
0 0 2 2
0 0 0
0
0 0 0
0
0 0 0
0
(A 2I)3 = 1
0 0 0
0
3 = 6 1 = 5
0 0 4 4
0 0 4 4
= 3 2
= 2 1
= 1 0
= 54= 1
= 42= 2
= 20= 2
275
OSCAR G. DUARTE
v1
Bv1
B2 v 1
v2
Bv2
0 0 0 1
0
0 0 1 0
0
0 1 0 0
0
N3 =
1
0
0
0
0
0 0 0 0 0.707
0 0 0 0 0.707
2. Construimos Q = B2 N3
2
2
0
Q=
0
0
0
2
2
0
0
0
0
276
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
V=
P=
1
0
0
0
0
0
0
0
0
1
0.707 0.707
0
0
0.5
0.5
0
0
N2 =
0.5
0.5
0
0
0
0
0.707 0
0
0
0.707 0
5. Construimos Q = P BN2
2 0.707 0.707
0
1
2 0.707 0.707
0
1
0
0
0
1.414
0
Q=
0
0
1.414 0
0
0
0
0
0
0
0
0
0
0
0
2
0
0
0
2
0
0
0
0 1.414
0
0
P=
V=
0
0 1.414
1
0
0 0.707
0
0
0
0 0.707
2 1 0
0
0
2 1 0
0
0
0 0 0 1.414
0
B2 v1 Bv1 v1 Bv2 v2
=
0
0 0 1 1.414
0 0 0
0
0.707
0 0 0
0
0.707
277
OSCAR G. DUARTE
D.6.
Forma can
onica de Jordan
J11
0
..
.
J=
M = v11
..
.
0
J12
..
.
0
0
..
.
J1q1
0
..
j
0
..
Jji =
.
0
0
v12
(D.36)
v1r1
.
Jm1
0
..
.
0
Jm2
..
.
..
.
0
0
..
.
Jmqm
1
j
..
.
0
1
..
.
0
0
0
0
0
0
..
. 1
j h
vm1
vm2
(D.37)
(D.38)
ij hij
vmrm
(D.39)
D.6. FORMA CANONICA
DE JORDAN
Cada bloque Jji tiene en la diagonal al valor propio j , tiene 1 por encima
de la diagonal, y cero en las restantes casillas.
Cada valor propio que no se repita tendr
a asociado un u
nico bloque de
tama
no 1.
En el caso sencillo en que ning
un valor propio se repita J ser
a una matriz
diagonal que tendr
a en la diagonal a los valores propios 1 , 2 , , n .
Ejemplo D.42 Para obtener la forma can
onica de Jordan de la matriz A del ejemplo D.40, se necesita construir la matriz modal M con todos los vectores propios
generalizados. En el ejemplo D.41 se calcularon los vectores asociados a 1 = 2. En
vector propio asociado a 2 = 0 sera:
0
0
v=
0
0.707
0.707
2 1
2 1
0 0
M=
0 0
0 0
0 0
sera
0
0
0
0
0
0
0
0
0 1.414
0
0
1 1.414
0
0
0
0
0.707 0.707
0
0
0.707 0.707
La forma can
onica de Jordan sera
2 1 0
0
0 2 1
0
0 0 2
0
J = M1 AM =
0 0 0
2
0 0 0
0
0 0 0
0
0
0
0
1
2
0
0
0
0
0
0
=
0
0
0
0
0
1
2
0
0
0
0
0
1
2
0
0
0
0
0
0
2
0
0
0
0
0
1
2
0
0
0
0
0
N
otese que el valor propio 1 = 2 tiene dos bloques de Jordan asociados de
tama
no 3 y 2 respectivamente, tal como se podra infereir de su diagrama de Matthew: el diagrama tiene dos columnas, la primera de altura 3 y la segunda de altura
2.
El valor propio 2 = 0 no se repite, y por tanto tiene un u
nico bloque de jordan
asociado de tama
no 1.
279
OSCAR G. DUARTE
D.7.
Forma can
onica real de Jordan
Dado que los valores propios de una matriz pueden ser complejos, en general
las matrices J y M que aparecen en las ecuaciones (D.37), (D.38) y (D.39) ser
an
complejas.
No obstante, cuando existen valores propios complejos es posible efectuar
otro cambio de coordenadas diferente que produce tambien una matriz diagonal
por bloques, pero real, conocida como la forma can
onica Real de Jordan.
D.7.1.
Sup
ongase que la matriz A tiene dos valores propios complejos conjugados
i = a + jb y i+1 = a jb, y que cada uno de estos valores tiene un bloque
de Jordan de tama
no 1 asociado a los vectores propios generalizados v k y vk+1 ,
que tambien son complejos conjugados. Es decir, la forma can
onica de Jordan
de A es de la forma
..
.
a + jb
0
1
J = M AM =
0
a
jb
..
.
M = vk
vk+1
La forma can
onica real de Jordan remplaza los dos bloques de tama
no 1 por
uno de tama
no 2 de la forma
a b
b a
Es decir, la forma can
onica real de Jordan de A ser
a
..
.
a b
1
JR = MR AMR =
b a
..
.
La matriz modal real MR se obtiene remplazando en M los vectores complejos conjugados vk y vk+1 por dos vectores reales con la parte real y la parte
imaginaria de v, es decir
MR = Re(vk ) Im(vk )
Ejemplo D.43 Sea la matriz A
0 0.5 0
A = 0 0 2
1 1 2
280
D.7. FORMA CANONICA
REAL DE JORDAN
La forma can
onica de Jordan de A y la matriz modal que la producen son:
1
0
0
0
J = 0 0.5 + j0.866
0
0
0.5 j0.866
1
0
0
0
0.5 0.866
JR = M1
R AMR
0 0.866 0.5
Otra alternativa
dado un bloque
Ji =
a + jb
0
0
a jb
existe una matriz N tal que NAN1 es real, con la forma can
onica real de
Jordan:
(1 j) (1 + j)
a b
N=
NAN1 =
(1 + j) (1 j)
b a
Una interpretaci
on
Un bloque real de jordan Jr asociado a un valor propio a + jb puede reescribirse de la siguente forma:
Ji =
0 b
a 0
a b
= aI + bL
+
=
b 0
0 a
b a
0 1
1 0
J2 = I
OSCAR G. DUARTE
D.7.2.
dado un bloque
a + jb
1
0
0
0
a + jb
0
0
Ji =
0
0
a jb
1
0
0
0
a jb
Su forma can
onica real de Jordan es
a b
b a
JRi =
0 0
0 0
1 0
0 1
a b
b a
En la diagonal est
a la nueva presentaci
on de los e-valores, como bloques
reales de Jordan y sobre la diagonal est
a la matriz identidad. Para obtener est
a
matriz puede procederse de forma similar a como se hace con los bloques de
tama
no 1, es decir, remplazar los vectores propios complejos conjugados por
vectores con las partes real e imaginaria de estos.
En general JRi ser
a de la forma:
(aI + bL)
I
0
0
0
0
(aI + bL) I
0
0
..
..
..
..
..
..
(D.40)
.
.
.
.
.
.
0
0
0 (aI + bL)
I
0
0
0
0
(aI + bL)
D.8.
D.8.1.
Polinomios de matrices
Si f () es un polinomio, la extensi
on a las matrices se fundamenta en la
definici
on
A0 = I
(D.41)
Ak = AA A
k veces
k veces
282
Ak = MJk M1
(D.42)
k
J1 0 0
J1 0 0
0 Jk2 0
0 J2 0
Jk = .
J= .
.. . .
.
.
.
.
..
. . ..
..
..
. ..
.
0 0 Jn
0
0 Jkn
Empleando la definici
on (D.41), un polinomio generico
f () = a0 + a1 + a2 2 + + an n
puede calcularse en A como
f (A) = a0 I + a1 A + a2 A2 + + an An
o en funci
on de las matrices M y J:
f (A) = a0 MM1 + a1 MJM1 + a2 MJ2 M1 + + an MJn M
f (A) = Mf (J)M1
(D.43)
k
1 0 0
1 0
0 2 0
0 k2
A= .
Ak = .
.. . .
..
.. . .
..
..
.
.
.
.
.
0
0
0
..
.
kn
Ejemplo D.45 Calcular Ak cuando A es una matriz con la forma de los bloques
reales de Jordan para el caso en que los valores propios son imaginarios puros
A=
0 b
b 0
0 b
b 0
A2 =
b2
0
0
b4
A5 =
0
b5
b4
0
0
b2
b5
0
0
(1) 2 bk
0
(1) 2 bk
Ak =
k1
0
(1) 2 bk
(1) k+1
2 bk
0
283
A3 =
A6 =
0
b3
b3
0
b6
0
0
b6
si k es par
si k es impar
OSCAR G. DUARTE
Ejemplo D.46 Calcular Ak cuando A es una matriz con la forma de los bloques
de Jordan; para ilustrar este caso supongamos una matriz de tama
no 5 5
A=
0
0
0
1 0
1
0
0 0
0 0
0 0
0 0
1 0
1
0
1
0
A1 =
0 0
0 0
0 0
3
0
A3 =
0
0
0
5
0
A5 =
0
0
0
32
3
0
0
0
54
5
0
0
0
0 0
1 0
1
0
0 0
3
32
3
0
0
103
54
5
0
0
1
3
32
3
0
102
103
54
5
0
0
0
0
1
32
3
2
0
A2 =
0
0
0
2
2
0
0
0
4
0
A4 =
0
0
0
5
0
102
103
A =0
4
0
5
5
0
1
2
2
0
0
43
4
0
0
0
65
6
0
0
0
0
1
2
2
0
0
0
2
2
62
43
4
0
0
4
62
43
4
0
154
65
6
0
0
203
154
65
6
0
1
4
62
43
4
152
203
154
65
6
Puede verse que Ak es una matriz triangular superior, en la que los elementos
de la fila i son los mismos elementos de la fila i + 1 pero estan desplazados una
casilla a la derecha.
Los terminos de la diagonal son k . Denotemos por aj un elemento que este
desplazado j casillas de la diagonal en cualquier fila; a j sera
aj =
0
k!
kj
j!(kj)!
si j < k
si j k
aj =
k
kj
j
Este resultado se puede generalizar para una matriz n n con la forma de los
bloques de Jordan:
1 0 0
0 1 0
..
..
A = ... ... . . .
.
.
0 0 1
0 0 0
284
k
0
.
Ak =
..
0
0
k!
k2
2!(k2)!
k!
k1
1!(k1)!
k!
k1
1!(k1)!
k
..
.
0
0
..
.
0
0
..
.
k
0
k!
kn+1
(n1)!(kn+1)!
k!
kn+2
(n2)!(kn+2)!
..
.
k!
k1
1!(k1)!
k
(D.44)
D.8.2.
k=0
k dk f ()
k! d k
(D.45)
cos t = 1
sin t =
t 2 t2
3 tk
4 tk
+
+
+
+
1!
2!
3!
4!
(D.46)
4 t4
6 t6
8 t8
2 t2
+
+
+
2!
4!
6!
8!
(D.47)
t 3 t3
5 t5
7 t7
+
1!
3!
5!
7!
(D.48)
Ejemplo D.47 Sea A una matriz diagonal como la del ejemplo D.44. Para calcular
eAt podemos emplear (D.46)
eAt = I +
A3 t k
A4 t k
At A2 t2
+
+
+
+
1!
2!
3!
4!
1 0
0 1
eAt = . . .
..
.. ..
2
0
1 0 0
1 0 0
2
0
t
0 2 0 t2 0 2 0
.. + ..
.. + ..
.. +
.. . .
.. . .
. . 2! .
. .
. 1! .
.
.
0 0 1
0
0 n
0
0 2n
285
OSCAR G. DUARTE
At
(1 +
1 t
1!
21 t2
2!
+
0
..
.
+)
(1 +
2 t
1!
22 t2
+ 2! + )
..
..
.
.
0
(1 +
0
0
..
.
1 t
1!
+)
t
e 1
0
0
0
e 2 t
0
eAt = .
..
.
.
..
..
..
.
0
e n t
Ejemplo D.48 Sea A una matriz con la forma de los bloques reales de Jordan para
el caso en que los valores propios son imaginarios puros, como la del ejemplo D.45.
Para calcular eAt podemos emplear (D.46)
eAt = I +
At A2 t2
A3 t k
A4 t k
+
+
+
+
1!
2!
3!
4!
que de acuerdo con los resultados del ejemplo D.45 se calculara asi:
eAt =
t2 b2
t 0 b
1 0
+
+
0 1
1! b 0
2! 0
2 2
At
t3 0
0
+
b2
3! b3
4 4
3 3
t4 b 4
b3
+
0
4! 0
0
+
b4
5 5
t b
t b
( tb
(1 t 2!b + t 2!b + )
1! 23!2 + 45!4 + )
=
3 3
5 5
t b
t b
(1 t 2!b + t 2!b + )
( tb
1! + 3! 5! + )
cos(bt)
sin(bt)
sin(bt)
cos(bt)
Ejemplo D.49 Sea A una matriz con la forma de los bloques de jordan como la
del ejemplo D.46. Para calcular eAt podemos emplear (D.46)
eAt = I +
At A2 t2
A3 t k
A4 t k
+
+
+
+
1!
2!
3!
4!
1 0 0
0 1 0
At
e =
.. .. . .
.
. .
eAt
2 1
1
1 0
2!
1!
k
t
t
2! +
+ 0 1 + 0
1! .. .. . .
2! ..
..
..
..
..
..
. .
.
. .
.
.
.
.
kk
k1
k
k2
k
k=0 k!
k=1 1!(k1)!
k=2 2!(k2)!
k
k
k1
k
t
t
0
=
k=0 k!
k=1 1!(k1)!
..
..
..
..
.
.
.
.
286
k t k
k=0 k!
eAt =
k1 tk1
k=1 (k1)!
k t k
k=0 k!
t
1!
0
..
.
..
.
t2
2!
t
1!
..
k=0
eAt =
t
k!
t
1!
0
..
.
k2 tk2
k=2 (k2)!
k1 tk1
k=1 (k1)!
t
m=0 (m)!
k t k
k=0 k!
t
2!
t
1!
..
.
m=0
m=0
..
m t m
(m)!
m t m
(m)!
..
.
..
.
t t t t2 t
e
1! e
2! e
t t
et
eAt = 0
(D.49)
1! e
..
..
..
..
.
.
.
.
Ejemplo D.50 Sea A una matriz con la forma de los bloques reales de Jordan
A=
a b
b a
a b
a 0
0 b
=B+C=
+
b a
b 0
b 0
De tal manera que eAt = eBt eCt . Empleando los resultados de los ejemplos D.47 y
D.48 se tiene que
eBt =
eat
0
0
eat
eCt =
cos(bt) sin(bt)
sin(bt) cos(bt)
y por lo tanto
eAt =
D.8.3.
eat
0
0
eat
cos(bt) sin(bt)
eat cos(bt) eat sin(bt)
=
sin(bt) cos(bt)
eat sin(bt) eat cos(bt)
Definici
on de funciones mediante polinomios
Definici
on D.35 Polinomio mnimo de una matriz
Sea A una matriz cuadrada. El polinomio mnimo de A es el polinomio m
onico
() de menor orden tal que (A) = 0
Teorema D.25 El polinomio mnimo de una matriz cuadrada A es el mismo polinomio mnimo de su representaci
on can
onica de Jordan J.
287
OSCAR G. DUARTE
Demostraci
on D.25 En virtud de (D.43), es claro que (A) = 0 si y s
olo si
(J) = 0.
Definici
on D.36 Indice de una matriz
Sea A una matriz cuadrada, cuya forma can
onica de Jordan es J, de la forma de
(D.37). Cada valor propio j es de multiplicidad rj y tiene asociados qj bloques de
Jordan de la forma de (D.38). Cada bloque es de tama
no h ij . Se define el ndice
del valor propio j , denotado por n
j como el tama
no mas grande de los bloques de
jordan Jji asociados al valor propio j . Claramente n
j rj y n
j = m
axi {hij }.
Teorema D.26 Sean 1 , 2 , , m , los valores propios de una matriz A con ndices n
1, n
2, , n
m respectivamente. El polinomio mnimo de A es
m
() =
j=1
( j )n j
(D.50)
Demostraci
on D.26 De acuerdo con el teorema D.25, basta con demostrar que
(D.50) es el polinomio mnimo de J, la forma can
onica de Jordan de A.
Consideremos primero la matriz Jj con los bloques de Jordan asociados al valor
propio j :
Jj1 0
0
0 Jj2
0
Jj = .
.
..
.
..
..
..
.
0
Jjqj
0
0
(Jji j I) = .
..
0
0
1 0
0 1
0 0
.. .. . .
.
. .
0 0
0 0
0 0
0 0
0 0
.. ..
. .
0 1
0 0
h
0 1
0 0
0 0
.. .. . .
.
. .
0 0
0 0
0 0
0 0
0 0
.. ..
. .
0 0
0 0
0
0
2
(Jji j I) = .
..
0
0
288
ij hij
hij hij
(Jji j I)hij 2
0
0
= .
..
0
0
0 0
0 0
0 0
.. .. . .
.
. .
0 0
0 0
1 0
0 1
0 0
.. ..
. .
0 0
0 0
0
0
= .
..
0
0
0 0
0 0
0 0
.. .. . .
.
. .
0 0
0 0
0 1
0 0
0 0
.. ..
. .
0 0
0 0
(Jji j I)hij 1
hij hij
hij hij
(Jji j I)hij = 0
De acuerdo con la definici
on D.36 n
j es el tama
no del bloque de Jordan asociado
a j mas grande, es claro que (Jji j I)n j = 0 para todos los bloques de Jordan
asociados a j . Como Jj es diagonal por bloques, y sus bloques son Jji se desprende
que (Jj j I)n j = 0 es decir, que el polinomio mnimo de Jj es ( j )n j .
Siguiendo un argumento similar, como J es diagonal por bloques, y sus bloques
son Jj , se tiene que el polinomio mnimo de J es
m
() =
i=j
( j )n j
a 1 0 0
a 0 0 0
a 0 0 0
0 a 1 0
0 a 1 0
0 a 0 0
A1 =
0 0 a 0 A2 = 0 0 a 0 A3 = 0 0 a 0
0 0 0 b
0 0 0 b
0 0 0 b
OSCAR G. DUARTE
Demostraci
on D.27 El polinomio mmino de A es
m
() =
i=j
( j )n j
() =
i=j
( j )nj
Como n
j nj , y como (A) = 0, queda demostrado que (A) = 0
Definici
on D.37 Valores de una funci
on en el espectro de una matriz
Sean 1 , 2 , , m , los valores propios de una matriz A conndices n
1, n
2, , n
m
respectivamente. Sea el polinomio mnimo de A y sea f un polinomio cualquiera.
El conjunto de valores de f en el espectro de A son los valores: f (l) (i ) para
l = 0, 1, 2, , n
i 1; i = 1, 2, , m en donde f (l) (i ) =
son n =
m
i=1
dl f ()
d l =
i
y en total
n
i valores.
Teorema D.28 Sean 1 , 2 , , m , los valores propios de una matriz A con ndices n
1, n
2, , n
m respectivamente. Sea el polinomio mnimo de A y sean f
y g dos polinomios cualesquiera. En esas condiciones cualquiera de las siguientes
afirmaciones es equivalente
1. f (A) = g(A)
2. Una de dos condiciones se cumple: o bien f = h1 + g o
g = h2 + f para
algunos polinomios h1 , h2 .
3. Los valores de f y de g en el espectro de A son iguales f (l) (i ) = g (l) (i )
para l = 0, 1, 2, , n
i 1; i = 1, 2, , m.
Demostraci
on D.28 Dado que (A) = 0 es evidente la equivalencia de las afirmaciones 1 y 2. Para demostrar la equivalencia entre 2 y 3 basta recordar que
m
() = j=1 ( j )n j y calcular las derivadas f (l) (i ) y g (l) (i ).
Definici
on D.38 Funciones de matrices cuadradas
Sea f () una funci
on, no necesariamente un polinomio, definida en el espectro
de A. Si g() es un polinomio que tiene los mismos valores en el espectro de A
entonces se define f (A) = g(A).
La definici
on D.38 brinda una posibilidad para extender a las matrices cuadradas una funci
on f () definida para escalares. Es decir, permite calcular f (A)
buscando un polinomio adecuado g y calculando g(A). El procedimiento completo puede resumirse asi:
Sea f () una funci
on, y sea A una matriz n n. Para calcular f (A) deben
seguirse los siguientes pasos
290
=
i=1
( i )ni
1 3
0 1
g (0) (1) = 0 + 11
g (1) (1) = 1
0 + 1 = 1
1 = 50
4. obtenemos 0 y 1 :
0 + 1 = 1
1 = 50
291
0 = 49
1 = 50
OSCAR G. DUARTE
1 0
1 3
1 150
+ 50
=
0 1
0 1
0 1
Ejemplo D.53 Calcular f (A) cuando A es una matriz con la forma de los bloques
de Jordan. Para ilustrar suponemos una matriz de orden 4 4
1 1
0
0
0 1 1
0
0
0 1 1
0
0
0 1
Empleamos el procedimiento propuesto:
1. El polinomio caracterstico es
() = ( 1 )4
2. Definimos un polinomio de orden 3
g() = 0 + 1 ( 1 ) + 2 ( 1 )2 + 3 ( 1 )3
3. Obtenemos 4 ecuaciones
f (1 ) = g(1 ) = 0
f (1) (1 ) = g (1) (1 ) = 1!1
f (2) (1 ) = g (2) (1 ) = 2!2
f (3) (1 ) = g (3) (1 ) = 3!3
4. Obtenemos los valores de i :
= f (1 )
= f (1) (1 )/1!
= f (2) (1 )/2!
= f (3) (1 )/3!
f (2) (1 )
f (3) (1 )
f (1) (1 )
(AI)+
(AI)2 +
(AI)3
1!
2!
3!
1 0 0 0
0 1 0 0
0 1 0 0 f (1) (1 ) 0 0 1 0
f (A) = f (1 )
0 0 1 0 +
0 0 0 1 +
1!
0 0 0 1
0 0 0 0
f (A) = f (1 )I+
292
0 0
f (2) (1 )
0 0
0 0
2!
0 0
f (1 )
f (A) = 0
0
0
0
(3)
0
f
(
)
1
1
+
0
0
3!
0
0
1
0
0
0
f (1) (1 )
1!
f (1 )
f (2) (1 )
2!
f (1) (1 )
1!
0
0
f (1 )
0
0
0
0
0
0
0
0
0
f (3) (1
3!
f (2) (1 )
2!
f (1) (1 )
1!
f (1 )
1
0
0
0
(1)
(2)
(n1)
(1 )
f (1 ) f 1!(1 ) f 2!(1 ) f (n1)!
(1)
(n2)
(1 )
0
f (1 ) f 1!(1 ) f (n2)!
f (n3) (1 )
(D.51)
f (A) = 0
0
f (1 )
(n3)!
.
..
..
..
..
..
.
.
.
.
0
0
0
f (1 )
Ejemplo D.54 Calcular f (A) cuando A es una matriz con la forma de los bloques
de Jordan y f () = et .
Empleando (D.51) se obtiene directamente eAt
eAt
et
0
=
..
.
t t
1! e
t
..
.
t2 t
2! e
t t
1! e
..
..
.
(D.52)
N
otese que las derivadas en (D.51) son respecto a . Vale la pena comparar los
resultados (D.49) y (D.52)
Ejemplo D.55 Calcular f (A) cuando A es una matriz con la forma de los bloques
de Jordan y f () = (s )1 .
Empleando (D.51) se obtiene directamente (sI A)1 :
1
1
1
(s1 )
(s1 )2
(s1 )3
0
1
1
(s1 )
(s1 )2
1
1
(sI A) = 0
(D.53)
(s1 )
..
..
..
..
.
.
.
.
293
OSCAR G. DUARTE
294
Bibliografa
[1] Fabiola Angulo. An
alisis de Sistemas de Control No Lineales. Facultad de
Ingeniera Universidad Nacional de Colombia, Sede Manizales, 1999.
[2] Antsaklis y Michel. Linear Systems. Mc GrawHill.
[3] Karl J. Astrom y Bjorn Wittenmark. Computer Controlled Systems. Theory
and Design. Prentice Hall, 1997.
[4] Thomas J. Cavicchi. Digital Signal Processing. John Wiley and Sons, 2000.
[5] Chi-Tsong Chen. Linear System Theory and Design. Oxford Press.
[6] Chi-Tsong Chen. Analog and Digital Control System Design. Saunders
College Pubkishing, 1993.
[7] John J. Dazzo y Constantine Houpis. Linear Control Systems Analysis
and Design. Mc GrawHill, 1988.
[8] Eronini, Umez, y Eronini. Din
amica de Sistemas y Control. Thomson
Learning, 2001.
Frederick. The Control Handbook, chapter Graphical Modeles, pa[9] CloseN.
ges 8598. CRC Press and IEEE Press, 1996.
[10] John Guckemheimer y Philip Holmes. Nonlinear Oscillations, Dynamical
Systems and Bifurcations of Vector Fields. Springer Verlag, 1983.
[11] G.H. Hostetter, C.J. Savant, y R.T. Stefani. Sistemas de Control. Interamericana, 1987.
[12] Benjamin Kuo. Digital Control Systems. Oxford press, 1992.
[13] Benjamin Kuo. Sistemas Autom
aticos de Control. Mc. GrawHill, 1995.
[14] William S. Levine. The Control Handbook. CRC Press and IEEE Press,
1996.
[15] Douglas K. Lindner. Introducci
on a las se
nales y los sistemas. Mc. Graw
Hill, 2002.
295
OSCAR G. DUARTE
296
Indice analtico
Ak , 282285
a
lgebra lineal, 140157, 239293
amortiguamiento viscoso, 11
amortiguamiento viscoso rotacional, 11
a
ngulo entre vectores, 252
anillo, 240
con unidad, 240
conmutativo, 240
modulativo, 240
anulativa, 140, 241
a
rea de tanque, 11
asociativa, 140, 239241
autovalor, vease valores propios
autovector, vease vectores propios
Caley-Hamilton, 289
campo, 140, 240
caos, 206
capacitancia, 9, 11
capacitancia termica, 11
carta de Nichols, 235237
coordenadas polares, 237
coordenadas rectangulares, 237
caudal, 11
causalidad, vease modelos causales
condicionada, 17
en grafos de enlace de potencia, 17
fija, 17
indiferente, 18
preferida, 17
base, 141, 178, 242246
centro, 172
cambio de, 141, 180, 245246
ceros, vease funci
on de transferencia,
y transformaciones lineales, 248
efecto de los ceros
250
cerradura, vease clausurativa
bifurcaciones, 205
ciclos lmite, 203
Bode
circunferencia unitaria, 252
caso continuo, 107112
clausurativa,
140, 239241
criterio, 109
codominio,
256
diagramas, 109, 229230
combinaci
on lineal, 141, 242
caso discreto, 129131
condiciones
auxiliares, 21, 22, 159
diagramas, 130
condiciones
iniciales,
21, 22, 24, 159
bola unitaria, 251
conductancia,
11
Bond Graphs, vease grafos de enlaces
conjunto generado, 141, 243
de potencia
conjunto generador, 141, 243
conmutativa,
140, 239241
caja blanca, vease modelos de caja blancontinuos
ca
modelos, vease modelos continuos
caja gris, vease modelos de caja gris
caja negra, vease modelos de caja ne- control
por realimentaci
on, 89
gra
297
OSCAR G. DUARTE
298
INDICE ANAL
ITICO
forma can
onica de Jordan, 146154, 167,
local, 201
178, 182, 183, 278282
marginal, 98
forma real, 280282
merginal, 94
sistemas realimentados continuos, fracciones parciales, 3639
fuente, 172
93121
Bode, diagramas y criterio de, fuentes
de esfuerzo, 12
vease Bode, caso continuo
de flujo, 12
lugar geometrico de raices, veafuerza, 11
se root-locus, caso continuo
Nyquist, diagrama y criterio de, fuerza magnetomotriz, 11
on de transferencia, 47
vease Nyquist, caso continuo funci
efecto
de los ceros, 8386
Root-Locus, vease root-locus
matriz
de funciones, 184, 186
Routh-Hurwitz, arreglo y critey
respuesta
al impulso, 56, 62, 63
rio de, vease Routh-Hurwitz
funci
o
n
impulso
unitario,
56, 59
sistemas realimentados discretos,
caso
continuo,
59
122135
caso discreto, 56
Bode, diagramas y criterio de,
funciones
de matrices cuadradas, 154
vease Bode, caso discreto
157,
282293
Jury, arreglo y criterio de, vease
Jury
lugar geometrico de races, vea- grafos de enlaces de potencia, 1120
aplicados a circuitos electricos, 20
se root-locus, caso discreto
aplicados a sistemas traslacionaNyquist, diagrama y criterio de,
les, 20
vease Nyquist, caso discreto
causalidad,
vease causalidad
root-locus, vease root-locus, caecuaciones,
18
so discreto
transformaci
on bilineal, vease trans- elementos, 11
activos, 11
formaci
on bilineal
de
1 puerto, 11
estado, 137193
de
2
puertos, 11
definici
on, 159
multipuerto, 11
ecuaciones de, 138139
pasivos, 11
ventajas, 137
transformadores de potencia, 11
est
aticos, vease modelos est
aticos
fuente, vease fuentes
estimador de estado, 192
rotador, 12
estoc
asticos, vease modelos estoc
astitransformador, 12
cos
uniones, 11, vease uniones
estrategia hbrida, 4
variables, 11
estructuras algebr
aicas, 239
Gram-Schmidt, 253
grupo, 239
fase mnima, vease sistemas de fase minima
identificaci
on de sistemas, 4
flujo, 911
impulso, vease respuesta al impulso
fuentes de, 12
independencia lineal, 141, 178, 242
flujo de calor, 11
ndice de una matriz, 288
flujo magnetico, 11
inductancia, 9, 11
299
OSCAR G. DUARTE
integrador, 158
interno, vease modelos interno
invariantes, vease modelos invariantes
en el tiempo
invertiva, 140, 239241
de entrada-salida, 4
de par
ametros concentrados, 6
de par
ametros distribuidos, 6
de sistemas, 2
de software, 3
definici
on, 23
Jordan, vease forma can
onica de Jordeterminsticos, 6
dan
discretos, 7
Jury, 124128
el mejor, 3
arreglo
est
aticos, 6
construcci
on, 124
estoc
asticos, 6
problemas, 128
gr
aficos, 3
criterio, 125
interno, 4
invariantes en el tiempo, 7
Laplace, vease transformada de Laplalineales, 6
ce
ling
usticos, 2
linealidad, 6, 23, 209, 216
matem
aticos, 3
Lotka-Volterra, 201
mentales, 2
no causales, 4
M -circunferencias, 236
no estaticos, 6
MacLaurin, 155
no lineales, 6
m
argenes de estabilidad, 109
perfectos, 3
margen de fase, 109
u
tiles, 3
margen de ganancia, 109
utilizados, 89
masa de inercia, 11
variantes en el tiempo, 7
Mason, vease regla de Mason
modulativa, 140, 239241
matriz de funciones de transferencia, momento de inercia, 11
184, 186
motor electrico, 161
matriz de transici
on de estado, 180 multiplicidad, 262
181, 183
matriz diagonalizada, 146, 265
N -circunferencias, 236237
matriz fundamental, 178, 180
Nichols, vease carta de Nichols
matriz modal, 147, 265
nivel de lquido, 11
Matthew, vease diagrama de Matthew no linealidades
migraci
on, 163
din
amicas, 197
MIMO, vease sistemas MIMO
est
aticas, 195
MISO, vease sistemas MISO
norma
modelamiento de sistemas, 4
de un vector, 250
modelos
de una matriz, 253
causales, 4
inducida, 251
clasificaci
on, 47
normas
construcci
on, 34
de matrices, 250255
continuos, 7
de vectores, 250255
de caja blanca, 4
nulidad, 151, 259, 269, 270
de caja gris, 4
Nyquist
de caja negra, 4
casi discreto
300
INDICE ANAL
ITICO
trayectoria, 133
caso continuo, 112121
criterio, 119
diagrama, 117
trayectoria, 117
caso discreto, 133135
OSCAR G. DUARTE
arreglo, 95
construcci
on, 95
divisi
on por cero, 99
problemas, 99
terminaci
on prematura, 100
criterio, 97
frecuencia m
axima de oscilaci
on,
73
funci
on de transferencia, 70
polos, 70
regi
on de dise
no, 76
regi
on de estabilidad, 71
regi
on de frecuencia m
axima de
oscilaci
o
n,
73
se
nales
regi
on de sobrepico m
aximo, 75
definici
on, 2
regi
o
n
tiempo
m
a
ximo
de asenseries de MacLaurin, 155, 285
tamiento,
73
series de potencias, 285
sobrepico m
aximo, 75
series de Taylor, 155, 166, 285
tiempo
m
a
ximo
de asentamiensif
on, 172
to,
73
SIMO, vease sistemas SIMO
error de estado estacionario, 9192
SISO, vease sistemas SISO
excitados, 183185
sistema, 11
libres, 165181
desacoplado, 185, 186
polos dominantes, 87
sistemas
realimentados, vease sistemas reade fase mnima, 8386
limentados
definici
on, 12
respuesta al impulso, 5963
electricos, 11
tipo de sistema, 9192
fsicos, 911
y ecuaciones diferenciales, 43
hidra
ulicos, 11
Sistemas de ecuaciones algebr
aicas, 255
magneticos, 11
261
mec
anicos rotacionales, 11
sistemas discretos
mec
anicos traslacionales, 11
de primer orden, 6870
MIMO, 2
estabilidad, 68
MISO, 2
funci
on de transferencia, 68
modelos de, 2
polos, 68
no lineales, 195206
regi
on de estabilidad, 68
SIMO, 2
regi
on de inestabilidad, 68
SISO, 2
regi
on de tiempo de asentamientermicos, 11
to m
aximo, 70
sistemas continuos
tiempo de asentamiento, 70
de primer orden, 6667
de segundo orden, 7883
estabilidad, 66
estabilidad, 80
funci
on de transferencia, 66
frecuencia m
axima de oscilaci
on,
polos, 66
82
regi
on de estabilidad, 66
funci
on de transferencia, 78
regi
on de inestabilidad, 66
polos, 78
regi
on de tiempo de asentamienregi
on de dise
no, 83
to m
aximo, 67
regi
on de estabilidad, 80
tiempo de asentamiento, 67
regi
on de frecuencia m
axima de
de segundo orden, 7078
oscilaci
on, 82
estabilidad, 71
regi
on de sobrepico m
aximo, 82
302
INDICE ANAL
ITICO
regi
on de tiempo m
aximo de asen- transformada de Laplace, 24, 2741, 167,
tamiento, 80
209215, 221223
convoluci
on, 214
sobrepico m
aximo, 82
definici
on, 27
tiempo m
aximo de asentamiendesplazamiento en el tiempo, 215
to, 80
desplazamiento en la frecuencia, 211
error de estado estacionario, 9293
diferenciaci
on, 210
excitados, 185187
inversa, 28
libres, 181183
inversas por fracciones parciales,
polos dominantes, 88
3639
realimentados, vease sistemas realinealidad, 209
limentados
multiplicaci
on por t, 212
respuesta al impulso, 5659
parejas,
3135,
221223
tipo de sistema, 9293
propiedades,
29,
31, 209215
y ecuaciones de diferencia, 45
teorema
de
valor
final, 91, 213
sistemas realimentados, 89135
teorema
de
valor
inicial,
213
error de estado estacionario, 9193
transformada
bilateral,
28
estabilidad, vease estabilidad
transformada Z, 24, 2741, 182, 183,
funci
on de transferencia, 89
215220, 223228
funci
on de transferencia del error,
convoluci
on, 220
90
definici
o
n,
28
tipo de sistema, 9193
diferencia
positiva,
216
sistemas retroalimentados, vease sisteescalamiento
en
la
frecuencia,
218
mas realimentados
inversa,
28
soluci
on homogenea, 24
inversas por fracciones parciales,
soluci
on particular, 24
3639
subespacio, 141, 242
linealidad,
216
subpicos, 85
multiplicaci
on por k, 218
superposici
on, 7, 23
parejas,
3135,
223228
perdida de 197
propiedades,
29,
31, 215220
Sylvester, 261
teorema de valor final, 92, 219
teorema de valor inicial, 219
Taylor, 155, 166
transformada bilateral, 29
temperatura, 11
transformador, 12
tensi
on, 11
transmitancia del error, vease sistemas
teorema de Caley-Hamilton, 289
realimentados, funci
on de transtiempo continuo, 7
ferencia del error
tiempo de asentamiento, 67, 70
trayectoria, 172
tiempo de estabilizaci
on, vease tiempo
de asentamiento
undershootvease subpicos 85
tiempo discreto, 7
uniones, 12
tipo de sistema, 9193
Tipo 0, 12
torque, 11
Tipo 1, 12
transformaci
on bilineal, 122124
transformaciones lineales, 142, 247250 valor caracterstico, vease valores proy cambio de base, 248250
pios
303
OSCAR G. DUARTE
valor final
velocidad angular, 11
transformada de Laplace, 91, 213
Z, vease transformada z
transformada Z, 92, 219
valor inicial
transformada de Laplace, 213
transformada Z, 219
valor propio
c
alculo, 144
por derecha, 144, 261
por izquierda, 144, 261
valores de una funci
on en el espectro
de una matriz, 290
valores propios, 144146, 179, 261278
complejos, 153
diferentes, 146, 264266
generalizados, 273278
repetidos, 148, 267273
Van der Pol, 203
variables, 9, 11
en grafos de enlaces de potencia,
11
variables de estado, 137, 157165
en el tiempo, 185187
variaci
on de cambio de volumen, 11
variaci
on de diferencia de entropa, 11
variaci
on de flujo m
asico, 11
variaci
on de flujo molar, 11
variaci
on de flujo volumetrico, 11
variantes, vease modelos variantes en
el tiempo
vector
coordenadas, 141, 243
normal, 251
vector caracterstico, vease vectores propios
vector propio
por derecha, 144, 261
por izquierda, 144, 261
vectores, 140
ortogonales, 252
ortonormales, 252
vectores propios, 144146, 178, 179, 261
278
generalizados, 150, 269
cadena, 269
velocidad, 11
304