APLICACION DE SISTEMAS CAOTICOS EN

CONTROL AUTOMATICO
QUE PARA OBTENER EL GRADO DE
MAESTRO EN CIENCIAS EN INGENIERIA ELECTRICA
CON ESPECIALIDAD EN CONTROL
DANIEL OLIVARES CABALLERO
MONTERREY , N. L, J UNIO DE 1994
1020070685
UNIVERSIDAD AUTONOMA DE NUEVO LEON
FACULTAD DE INGENIERIA MECANICA Y ELECTRICA
APLICACION DE SISTEMAS CAOTICOS EN CONTROL
AUTOMATICO
TESIS
QUE PARA OBTENER EL GRADO DE
MAESTRO EN CIENCIAS EN INGENIERIA ELECTRICA
CON ESPECIALIDAD EN CONTROL
PRESENTA
DANIEL OLIVARES CABALLERO
MONTERREY, N.L. J UNIO DE 1994
~T M
<
I F 11 ' C
(V d
1
EONDO TES I S
62805
UNIVERSIDAD AUTONOMA DE NUEVO LEON
FACULTAD DE INGENIERIA MECANICA Y ELECTRICA
PROGRAMA DOCTORAL EN INGENIERIA ELECTRICA
APLICACION DE SISTEMAS CAOTICOS EN CONTROL
AUTOMATICO
DANIEL OLIVARES CABALLERO
Monterrey, N.L., J unio de 1994
APLI CACI ON DE S I S TEMAS CAOTI COS E N CONT ROL AUTOMATI CO
Los miembros del comit aprueban la tesis
de Maestra de Daniel Olivares Caballero
Dr. J oaqun Collado Moctezuma
Asesor
Dr. J ess de Len Morales
di-
Dr. Salvador Acha Daza
Dedicado a mis padres:
Ernesto N. Olivares Mihr
Por su ejemplo de devocin a la familia y por darme una
pauta para seguir un camino recto.
Irma Caballero de Olivares
Porque siempre nos ha ofrecido a sus hijos su gran amor,
sus palabras de aliento y su acertado consejo.
Porque les debo todo en la vida.
AGRADECIMIENTOS
A mis hermanos: Ernesto, Irma, Linda Olivia, Zaida Margarita, Nora Hilda y Eduardo, por
su apoyo incondicional y su confianza en mi.
A Claudia: Por su paciencia, comprensin y cario.
Al Dr. Joaqun Collado Moctezuma: Por su asesora en la realizacin de este trabajo, por
sus enseanzas, pero principalmente, por su amistad.
Al Dr. Jess de Len Morales'. Por sus valiosos comentarios y sugerencias acerca de esta
tesis.
Al Dr. Salvador Acha Daza'. Por sus acertadas indicaciones que en buena medida
contribuyeron en este trabajo.
Al Dr. Edgar N. Snchez Camperos'. Por su inters en cada alumno y por su
compaerismo.
A mis amigos: Que siempre me brindan una sonrisa amable y una mano desinteresada.
A la Universidad Autnoma de Nuevo Len.
Al Consejo Nacional de Ciencia y Tecnologa.
RESUMEN
La investigacin matemtica de la teora del caos es uno de los temas que ms
inters han captado en los ltimos aos debido, principalmente, a que afecta a una
variedad de campos de estudio muy diferentes entre si, como son: sistemas elctricos y
electrnicos, crecimiento poblacional, prediccin meteorolgica, bolsa de valores,
algoritmos computacionales, y otros.
La principal caracterstica de los sistemas con comportamiento catico es que
siendo sistemas completamente determinsticos, exhiben un movimiento completamente
errtico e impredecible, aparentemente aleatorio. Por supuesto sta es una caracterstica
no deseada en cualquier aplicacin, lo cual motiva el estudio del llamado ruido
determinista o caos y las causas que lo originan.
En el presente trabajo se aborda el problema de aprovechar las caractersticas de
los sistemas caticos en dos aplicaciones prcticas en el rea de sistemas de control
automtico:
a) La propiedad de impredictibilidad de stos sistemas es utilizada para la
obtencin de un generador de secuencias pseudoaleatorias con las mejores propiedades
probabilsticas que se pueden lograr en una computadora.
b) Este generador de ruido es utilizado como controlador en malla abierta para
estabilizar una planta no-lineal.
El inciso b) introduce la idea de aplicar controladores formados por sistemas
dinmicos caticos en la estabilizacin de sistemas, lo cual ser llamado en esta tesis
control catico. El alcance de este trabajo es el de obtener un caso para el cual se cumpla
lo antes dicho.
INDICE
Resumen iv
I ndice v
I ndice de figuras vii
CAPI TULO 1 INTRODUCCION
1.1 Breve historia del estudio del caos 2
1.2 Motivacin y organizacin de la tesis 3
CAPI TULO 2 UNA VISION GENERAL DE LA TEORIA DEL CAOS
2.1 Introduccin 7
2.2 Preliminares 8
2.3 Herramientas de anlisis 17
2.3.1 Anlisis grfico 17
2.3.2 Toroides 20
2.3.3 Bifurcaciones 22
2.3.4 Grficas estadsticas 25
2.4 Geometra fractal 27
CAPI TULO 3 GENERACION POR COMPUTADORA DE
NUMEROS ALEATORIOS
3.1 Introduccin 31
3.2 Antecedentes 32
3.3 Generacin de nmeros uniformemente distribuidos 34
3.4 Una prueba de correlacin 36
3.5 Generacin de secuencias con distribuciones
no uniformes 42
CAPI TULO 4 UN SISTEMA DINAMICO CAOTICO COMO
GENERADOR DE RUI DO
4.1 Introduccin 44
4.2 Obtencin de la frmula del generador 45
4.3 Anlisis probabilstico del generador 51
4.4 Conclusiones 56
CAPI TULO 5 CONTROL VIBRACIONAL
5.1 Introduccin 57
5.2 Principios del control vibracional 58
5.3 Simulacin de un proceso controlado vibracionalmente 60
CAPI TULO 6 CONTROL CAOTICO: UN PRI MER I NTENTO
6.1 Introduccin 65
6.2 Control por ruido 66
6.3 Combinacin generador catico-control por ruido 68
CAPI TULO 7 CONCLUSI ONES 73
REFERENCI AS 75
INDICE DE FIGURAS
CAP I TULO 2
Fig. 2.1 Puntos de equilibrio para la ecuacin de un pndulo 10
Fig. 2.2 Ciclo lmite que corresponde a las ec. de Van der Pol 10
Fig. 2.3 Orbita cuasiperidica en la ec. de Van der Pol . . !, 10
Fig. 2.4 Atractor Double Scroll del circuito de Chua 10
Fig. 2.5 Atractor correspondiente a las ec. de Rssler 11
Fig. 2.6 Atractor de las ec. de Lorenz 11
Fig. 2.7 Sensibilidad a las condiciones iniciales en el Doble Scroll 12
Fig. 2.8 Observacin de un proceso dinmico en dos tiempos diferentes . . . 14
Fig. 2.9 Mapeo de contraccin 15
Fig. 2.10 Mapeo de expansin 15
Fig. 2.11 Iteracin de la Herradura de Smale 16
Fig. 2.12 Trayectoria de dos puntos en la Herradura de Smale 16
Fig. 2.13 Espectro de potencia del Double Scroll 17
Fig. 2.14 Punto fijo sobreamortiguado 18
Fig. 2.15 Punto fijo subamortiguado 18
Fig. 2.16 Ciclo lmite de perodo 2 18
Fig. 2.17 Caos en la ecuacin logistca 18
Fig. 2.18 Sensibilidad a las condiciones iniciales 19
Fig. 2.19 Orbita peridica 19
Fig. 2.20 Grfica de la segunda iteracin 20
Fig. 2.21 Toroide de dimensin uno 20
Fig. 2.22 Toroide de dimensin dos 20
Fig. 2.23 Bifurcacin tipo duplicacin de perodo 24
Fig. 2.24 Diagrama de Feigenbaum para la ecuacin logstica 25
Fig. 2.25 Histograma para la ec. logstica con doble precisin 26
Fig. 2.26 Histograma para f(x)=x
2
-1.8 con doble precisin 26
Fig. 2.27 Histograma para la ec. logistica con simple precisin 26
Fig. 2.28 Histograma para f(x)=x
2
-1.8 con simple precisin 26
Fig. 2.29 Tringulo de Sierpinskii 27
Fig. 2.30 Ejemplo de un J ulia set 27
Fig. 2.31 Curva de Koch 28
Fig. 2.32 Mandelbrot set 28
Fig. 2.33 Ampliacin de una seccin del tringulo de Sierpinskii 28
Fig. 2.34 Forma de cubrir una lnea y un crculo para obtener
la dimensin por box counting 29
Fig. 2.35 Primeras cuatro iteraciones para la obtencin de la curva de Koch . 30
CAPI TULO 3
Fig. 3.1 Procedimiento para formar el Caous game 37
Fig. 3.2 Caos game para el generador de Matlab 37
Fig. 3.3 Caos game para la ecuacin logstica 38
Fig. 3.4 Caos game para el mtodo de cuadrados centrales 38
Fig. 3.5 Caos game para el mtodo de Fibonacci 38
Fig. 3.6 Caos game para el mtodo congruente V 38
Fig. 3.7 Histograma para la ecuacin logstica 39
Fig. 3.8 Grfica de correlacin para la ecuacin logstica 39
Fig. 3.9 Histograma para el metodo de cuadrados centrales 39
Fig. 3.10 Grfica de correlacin para el mtodo de cuadrados centrales . . . . 39
Fig. 3.11 Histograma para el mtodo de Fibonacci 39
Fig. 3.12 Grfica de correlacin para el mtodo de Fibonacci 39
Fig. 3.13 Histograma para el mtodo congruente 40
Fig. 3.14 Grfica de correlacin del mtodo congruente 40
Fig. 3.15 Histograma para el generador de Matlab 40
Fig. 3.16 Grfica de correlacin para el generador de Matlab 40
Fig. 3.17 Espectro de potencias del mtodo de Matlab 41
Fig. 3.18 Espectro de potencias de la ecuacin logstica 41
Fig. 3.19 Espectro de potencias del mtodo de cuadrados centrales 41
Fig. 3.20 Espectro de potencias del mtodo de Fibonacci 41
Fig. 3.21 Espectro de potencias del mtodo congruente 41
CAP I TULO 4
Fig. 4.1 Mapeo de cuantizacin del estado x 45
Fig. 4.2 Grfica del mtodo congruente 49
Fig. 4.3 I teracin de un intervalo del mtodo congruente i 49
Fig. 4.4 Primera iteracin del mtodo congruente 50
Fig. 4.5 Segunda iteracin del mtodo congruente 50
Fig. 4.6 Tercera iteracin del mtodo congruente 50
Fig. 4.7 Diag. de Feigenbaum del mtodo congruente 50
Fig. 4.8 Mapeo de probabilidades de <p
a
con a=2 52
Fig. 4.9 Comportamiento en el tiempo del generador catico 53
Fig. 4.10 Distribucin producida por el generador catico 53
Fig. 4.11 Grfica de correlacin para el generador catico 53
Fig. 4.12 Espectro de potencias para el generador catico 54
Fig. 4.13 Caos game-para el generador catico 54
Fig. 4.14 Ciclo de perodo 3 inestable del generador catico 54
Fig. 4.15 Distribucin exponencial del generador catico 55
Fig. 4.16 Distribucin normal del generador catico 55
Fig. 4.17 Distribucin uniforme para mayor cantidad de puntos 55
Fig. 4.18 Distribucin exponencial para mayor cantidad de puntos 55
Fig. 4.19 Distribucin normal para mayor cantidad de puntos 55
CAPI TULO 5
Fig. 5.1 Esquema del pndulo 61
Fig. 5.2 Respuesta del sistema linealizado para
s
=15 62
Fig. 5.3 Respuesta del sistema linealizado para <i>
s
=50 63
Fig. 5.4 Respuesta del sistema no-lineal para o>
s
=15 63
Fig. 5.5 Respuesta del sistema no-lineal para a>
s
=50 64
CAPI TULO 6
Fig. 6.1 Esquema de control catico 69
Fig. 6.2 Respuesta del sistema linealizado para 0)^=15 70
Fig. 6.3 Respuesta del sistema linealizado para ^=70 71
Fig. 6.4 Respuesta del sistema no-lineal para <0^=15 71
Fig. 6.5 Respuesta del sistema no-lineal para ^=70 72
i l l i l l i
INTRODUCCION
Una de las creencias ms hondamente arraigadas en el siglo pasado fue el
determinismo, en el que se consideraba al universo como un reloj increblemente preciso
y en el que si se pudieran conocer las posiciones y velocidades de cada objeto y las
fuerzas que actan sobre ellos, se podran conocer los detalles acerca del pasado y el
futuro por medio de las leyes de causa y efecto. Esta tendencia determinista ha sido
grandemente modificada primero por el principio de incertidumbre y ms recientemente
por el desarrollo de la teora del caos. Esta ltima principalmente muestra una paradoja:
es posible tener un sistema catico perfectamente modelado en forma determinstica,
adems de toda la informacin necesaria en un momento dado, y an as este sistema,
con movimientos completamente desordenados, no acepta ninguna prediccin a largo
plazo y pareciera tener un comportamiento aleatorio. Esta desconcertante caracterstica
ha hecho de los sistemas caticos uno de los temas de estudio ms interesantes en el
rea de sistemas dinmicos, a tal grado que en la ltima dcada se ha detectado caos en
prcticamente toda rea de conocimiento (Peitgen, et. al, 1992).
1.1 BREVE HI STORI A DEL ESTUDIO DEL CAOS
La investigacin matemtica en caos se remonta por lo menos hasta 1890, cuando
Poincar estudi la estabilidad del sistema solar y revolucion el estudio de las
ecuaciones diferenciales no-lineales introduciendo tcnicas cualitativas geomtricas en
lugar de los estrictos mtodos analticos para discutir las propiedades globales de las
soluciones de estos sistemas. Poincar hizo el primer descubrimiento de caos en el
movimiento orbital de tres cuerpos los cuales mutuamente ejercan fuerzas
gravitacionales sobre los otros.
Una importante continuacin fue el trabajo de los matemticos franceses Fatou
y J ulia en los 1920's sobre las dinmicas de los mapeos analticos complejos. Ellos
tambin vieron conducta catica, esta vez en lo que llamamos ahoraJulia set, y se dieron
cuenta de que tan tremendamente intrincados pueden ser esos J ulia sets, a pesar de que
no tenan grficas por computadora disponibles para ver esos conjuntos.
En los 1960's, el matemtico americano Smale haba formulado un plan para
clasificar todos los tipos tpicos de comportamiento dinmico. Dentro de la vista global
de Smale, el caos encontr un lugar como un fenmeno completamente natural con
conducta tan regular como los ciclos peridicos. La tcnica que l utiliz para analizar
esto es llamadadinmica simblica. Al mismo tiempo el meterelogo americano Lorenz,
usando una rstica computadora, descubri que ecuaciones diferenciales muy simples
podran exhibir el tipo de caos que Poincar descubri. Lorenz observ que sus modelos
metereolgicos simples exhiban lo que ahora es llamado dependencia sensitiva a las
condiciones iniciales. Para l, esto significaba que la prediccin del clima a largo plazo
era imposible y mostr que el tpico matemtico de caos era importante en otras reas
de la ciencia.
Esto llev a una gran actividad en dinmicas no-lineales en los 1970's. El
ecologista May encontr que en muy simples procesos iterativos que surgen en la
biologa matemtica podran producirse comportamientos increblemente complejos y
caticos. El fsico Feigenbaum, trabajando sobre los resultados de Smale, not que, a
pesar de la complejidad de la conducta catica, haba una semblanza de orden en la
forma en que los sistemas llegaban a ser caticos. Los fsicos Swinney y Golub mostraron
que estos desarrollos matemticos podran realmente ser observados en aplicaciones
fsicas, especficamente en el flujo turbulento de fluidos. Mas recientemente, otros
sistemas, tales como el movimiento del planeta Plutn o el latido del corazn humano,
han demostrado exhibir similares patrones caticos.
Un gran impulso al estudio de sistemas dinmicos fue la disponibilidad de
computadoras de alta velocidad y, particularmente, grficas por computadora. Entre los
descubrimientos generados por computadora est el de Mandelbrot en 1980 de lo que
ahora es llamado el Mandelbrot set. Esta imagen inmediatamente revivi el inters en el
trabajo de J ulia y Fatou. Usando imgenes por computadora como una gua,
matemticos como Douady, Hubbard, y Sullivan avanzaron grandemente la teora clsica.
El descubrimiento de sistemas caticos estables tal como el sistema de Lorenz de
meteorologa ha convencido a los cientficos de que hay muchos ms tipos estables de
conducta dinmica que tan slo puntos de equilibrio estables y ciclos lmites.
Lo anterior motiva a preguntarse qu papel podran jugar los sistemas caticos
en sistemas de control automtico y de qu manera pueden ser aprovechadas sus
caractersticas en aplicaciones para esta rea?
1. 2 MOTI VACI ON Y ORGANI ZACI ON DE LA TES I S
Los esfuerzos contemporneos en el estudio de los sistemas caticos estn
principalmente dirigidos a las siguientes reas:
1) Control de Caos: Aplicando diversas tcnicas de control, se intenta controlar
un sistema catico conocido (Chen & Dong, 1993), (Dong & Chen, 1992),
(Vincent & Yu, 1991).
2) Identificacin del caos: Se demuestra que un modelo proveniente de una
aplicacin prctica es catico bajo determinadas circunstancias (Feng & Loparo,
1992), (Chiang, et. al 1993), (Hemati & Kwatny, 1993).
3) Implementacin de sistemas caticos: Es basado en el diseo de circuitos de
circuitos electrnicos que presentan caos bajo ciertos ajustes de parmetros, para
despus analizarlos matemticamente (Matsumoto, 1987), (Hamill, 1993), (Chua,
et. al., 1993).
4) Aplicacin del caos: Las caractersticas de los sistemas caticos son
aprovechadas en alguna utilizacin prctica (Bradley, 1993).
El presente trabajo pertenece a esta ltima clase, y su principal intencin es hacer
un primer intento de controlar un proceso dinmico dado utilizando un controlador con
caractersticas caticas. La principal razn para pensar que esto es posible, es la extensa
dinmica, y con mayor contenido de frecuencias, que poseen los sistemas caticos, lo
cual le permitira, al menos en principio, contrarrestar un rango ms amplio de
incertidumbres en el modelo, as como rechazar una familia ms grande de
perturbaciones. La demostracin de esta hiptesis se encuentra fuera del alcance de esta
tesis, la cual se concretar a encontrar un ejemplo en el cual un sistema catico funcione
como controlador que estabilize un planta inestable. Este ejemplo estar compuesto por
1) un controlador derivado de un sistema lineal con retroalimentacin de estado
cuantizada el cual demuestra tener comportamiento catico y que se mostrar es un
excelente generador de ruido, 2) una planta no-lineal como es el pndulo invertido y 3)
la salida "ruidosa" catica de 1) la conectamos para variar algunos parmetros de 2) con
lo que queda construido un controlador vibracional. Esta configuracin no es en malla
cerrada, tal vez un siguiente paso sera conectar un controlador de este tipo en
retroalimentacin y mostrar ciertas ventajas.
La estructura de esta tesis es desarrollada en la forma siguiente:
- En el captulo 2 son introducidos los principales antecedentes referentes al caos,
as como algunas de las herramientas necesarias en el estudio del mismo, que sern
utilizadas en los captulos posteriores. De la misma manera se muestran algunos de los
ejemplos de sistemas caticos ms manejados en la literatura especializada, para finalizar
con una breve exposicin de las figuras fractales.
- Son presentadas, en el captulo 3, las principales formas de generacin de
secuencias de nmeros aleatorios con distribucin uniforme, sus antecedentes, as como
una comparacin de la eficiencia de cada una de ellas. Para hacer posible esta
comparacin, se introduce una sencilla prueba grfica la cual est directamente
relacionada con la teora del caos. Una vez que se ha obtenido una secuencia con
distribucin uniforme, se explica una de las metodologas para obtener secuencias con
otras distribuciones probabilsticas.
- El captulo 4 tiene la finalidad de conjugar los dos captulos anteriores para la
obtencin de un generador de nmeros uniformemente distribuidos como la salida de
un sistema catico; con las mejores caractersticas posibles, tanto en la forma de la
distribucin, la correlacin y el anlisis espectral, comparndolo contra los mtodos vistos
en el captulo 3. Al generador obtenido as se le denominar en este trabajo como
generador catico.
- Una tcnica de control llamadacontrol vibracional, que consiste en hacer "vibrar"
peridicamente y con media cero un parmetro de la planta, es resumida en forma breve
en el captulo 5. Son recopilados los resultados necesarios para poder entender la
aplicacin de este control al ejemplo del pndulo invertido del cual se muestran algunas
simulaciones. El inters de este captulo es que las condiciones necesarias para asegurar
un funcionamiento adecuado del control vibracional son muy semejantes a las de la
tcnica de control utilizada en el captulo 6, por lo que algunas comparaciones son
hechas.
- Es en el captulo 6 donde el generador catico es utilizado para estabilizar el
pndulo invertido, todo esto basado en un esquema de malla abierta llamado control por
ruido y para el cual se presentan simulaciones por computadora.
- Para finalizar este trabajo, son establecidas, en -el captulo 7, las conclusiones
que del mismo se han obtenido, as como algunas recomendaciones para futuros trabajos
que den continuidad al trabajo iniciado en esta tesis.
2
v
5S5S.
<?
UNA VISION GENERAL DE
LA TEORIA DEL CAOS
2.1 I NTRODUCCI ON
Si bien es cierto que la caracterstica ms impresionante de los sistemas caticos
es su carcter no predecible, como lo apreci Lorenz, la investigacin hecha desde
entonces en sta rama ha puesto a la luz que existe un cierto orden dentro de su
comportamiento, tanto para los sistemas continuos como para los discretos.
Este orden se detecta en la forma en que un sistema de ecuaciones pasa de tener
un estado estable regular, a tenerlo en forma catica. Para apreciar esto se han diseado
grficas y mtodos de anlisis que muestran claramente la forma organizada en que
sucede este fenmeno, el cual es llamado Ruta al caos y que forma parte de la llamada
Teora de bifurcaciones en ecuaciones diferenciales (Hale & Kogak, 1991).
Dentro de este anlisis, surgen en forma natural, objetos geomtricos con
propiedades especiales, como el permetro infinito de una curva cerrada que encierra un
rea finita. Estas grficas son llamadas fractales
1
y en los ltimos aos han sido tema
de numerosas investigaciones, adems del significado que tienen en los sistemas caticos,
por su extraa belleza. Cabe mencionar que gran parte de estas grficas y anlisis es
posible llevarlos a cabo apenas desde la dcada anterior, gracias a la disponibilidad de
gran capacidad de cmputo a bajo costo.
La intencin de este captulo es introducir en forma accesible, los principales
conceptos necesarios para el entendimiento del caos, as como algunos de las grficas y
procedimientos tiles en el anlisis del mismo. Hasta aqu se ha visto a los sistemas
dinmicos caticos slo como "procesos determinsticos que exhiben comportamiento
aleatorio", antes de dar una definicin ms formal de estos, se requiere de algunos
conceptos bsicos que se usarn posteriormente.
2.2 PRELI MI NARES
Definicin: Cualquier mapeo /: R" -* R" define un sistema dinmico discreto por
la ecuacin de estado x
k+l
= f(x
k
), k=0,1,2,... donde x
k
e R
n
. Comenzando con una
condicin inicial repetidas aplicaciones del mapeo /, es decir, x^/Xq),
* 2 = / ( * I )
=
M* O) ) > - '
u n a
secuencia de puntos llamada una rbita. Este es el
K fc \J
equivalente discreto de una trayectoria o flujo 4>
t
(x
0
) que es la solucin de la ecuacin
diferencial x =f(x) con condiciones de frontera *(
0
) =x
0
.
Definicin: La rbita hacia adelante de x es el conjunto de puntos x, f(x), f
2
(x),...
y es denotado por 0
+
(A:). f
2
se usa para denotar el mapeo iterado /(/(*)), no la funcin
elevada al cuadrado.
^ Fractal significa fraccionario o no entero. Curva fractal se refiere a que la dimensin de la curva es
fraccionaria, como se ver ms adelante.
Definicin: Un punto y es un punto lmite-o dex si, para toda vecindad U de x,
$
t
(x) entra repetidamente a U cuando t->oo (la o>significa que el tiempo corre hacia
adelante, es decir, hacia +00). El conjunto L(jc) de todos los puntos lmite-<o dej e es
llamado el conjunto lmite- o> de x.
Definicin: Un conjunto lmite- L es atractor si existe una vecindad abierta U de
L tal que L(jc)=L para toda* e U.
Definicin: La regin de atraccin B
L
de un conjunto atractor L es definida como
la unin de tales vecindades U. B
L
es el conjunto de todas las condiciones iniciales que
tienden hacia L cmo -<. Es un conjunto abierto.
En un sistema lineal asintticamente estable slo hay un conjunto lmite y la
regin de atraccin es el espacio de estado completo. Por el contrario, puede haber
varios conjuntos lmite en un sistema tpico no-lineal. En particular se pueden tener
varios conjuntos lmite atractores con diferentes regiones de atraccin. La condicin
inicial determina cual conjunto lmite ser eventualmente alcanzado.
Los tipos de conjunto lmite actualmente conocidos son:
a) Puntos de equilibrio: Es un objeto cero-dimensional en el espacio de estado,
relacionado con sistemas que van al reposo despus de un transitorio. El punto** es un
punto de equilibrio si y slo si/(**)=0.
b) Ciclos lmite: Es una rbita cerrada, representada por un objeto unidimensional
asociado con un estado estable peridico.
c) Soluciones cuasi-peridicas: En donde dos o ms periodicidades pueden ser
identificadas, relacionadas por nmeros irracionales. Para dos periodicidades el conjunto
lmite es una superficie toroidal de dos dimensiones.
d) Atractores extraos'. Es el objeto geomtrico en el espacio de estado a el cual
las trayectorias caticas convergen. El atractor de un sistema catico no es un objeto
geomtrico simple, como un crculo o un toroide, de hecho, no es incluso una variedad,
sino que es un puco ms complicado geomtricamente; ellos estn relacionados con
-conjuntos de Cantor
2
y poseen dimensin fraccionaria
3
.
Fig. 2.1 Puntos de equilibrio para la ecuacin de un
pndulo.
- 2 5 - 2 - 1. 5 - 1 - 0. S
Fig. 22 Ciclo lmite que corresponde a las ec. de Van
der Pol
- 2. 5 - 2 -1.5 - 1 - 0. 5 0 0.5 1 1.5 2 2.S
Fig. 23 Orbita cuasiperidica en la ec. de Van der
Pol
Fig. 2.4 Atractor Double Scroll del circuito de Chua
2
Un conjunto de Cantor es un conjunto cerrado, tal que ei subconjunto ms grande conexo es un punto
aislado, y cada punto en el conjunto es un punto lmite. Es un conjunto totalmente desconectado.
3
El tipo de dimensin que se maneja aqu no es el que se maneja en forma comn, sino que es la llamada
dimensin fractal, que ser explicada en la seccin 2.4.
Fig. 2.5 Atractor correspondiente a las ec. de
Rssler.
Fig. 2.6 Atractor de las ec. de Lorenz.
Una rpida revisin de las grficas 2.1-2.6 da la intuicin de que, por unicidad en
la solucin de ecuaciones diferenciales, el caos no puede aparecer en sistemas autnomos
de dimensin menor que tres. Sin embargo, esto no es vlido para sistemas discretos, en
los cuales basta con una sola ecuacin para obtener un comportamiento extrao.
Definicin: El equivalente discreto de los puntos de equilibrio son los llamados
Puntos fijos, que estn definidos para una funcin / como los puntos x que satisfacen
f{x)=x.
Definicin: Un punto x es un punto peridico de perodo n si f
n
(x) =x, donde la
notaci n/" significa aplicar iterativamente la funcin n veces.
Definicin: Un punto x es eventualmente peridico de perodo n si x no es
peridico pero existe m>0 tal que f
m+i
(x)=f'(x) para todo i >m. Esto es, f'(x) es
peridico para
Desde un punto de vista prctico, el caos es un comportamiento de estado estable
acotado que no es un punto de equilibrio (o punto fijo), no es una rbita peridica, ni
una cuasi-peridica. Por supuesto que esta no es una definicin concreta, pero da una
idea de la dinmica de los sistemas caticos.
Definicin: Un conjunto D se dice que es denso en un espacio normado X si para
cada elemento x e X y cada e>0 existe de D con | \k - d\\<e. Equivalentemente, un
subconjunto D de X es denso en X si D =X (la cerradura de D es X).
Definicin: /: J ->J se dice que es topolgicamente transitivo si para cualquier par
de conjuntos abiertos U, V c J existe >0 tal que/*(U) D V * 0. Intuitivamente, un
mapeo topolgicamente transitivo tiene puntos los cuales eventualmente se mueven bajo
iteracin desde una vecindad arbitrariamente pequea a cualquier otra, es decir, tiene
rbitas densas en todo o parte del espacio en que estn definidas.
Definicin: /: J ->J poseedependencia sensitiva a las condiciones iniciales si existe
S>0 tal que, para cualquier x e J y cualquier vecindad N dex, existey e N y n > 0
tal que \f
n
(x) -f
n
(y)\>8.
Intuitivamente, un mapeo posee dependencia sensitiva a las condiciones iniciales
si existen puntos arbitrariamente cercanos ax los cuales eventualmente se separan de x
una distancia de al menos 8 bajo iteracin de /. Para todos los propsitos prcticos, las
rbitas llegan a ser no correlacionadas. Hay que remarcar que no todos los puntos
cercanos a* necesitan eventualmente separarse de* bajo iteracin, pero debe de haber
al menos uno de tales puntos en cada vecindad de x.
Fig. 2.7 Sensibilidad a las condiciones iniciales en el Double Scroll.
La siguiente definicin es dada en (Devaney, 1989):
Definicin: Sea el V un conjunto. La funci n/: V V se dice que es catico en
V si:
1) / tiene dependencia sensitiva a las condiciones iniciales.
2) / es topolgicamente transitivo.
3) El conjunto de puntos peridicos de / es denso en V.
4
Asociado a la funci n/, existe un sistema dinmico el cual se dice catico si la
funcin / lo es.
La dependencia sensitiva a las condiciones iniciales tiene una importante
implicacin: En la prctica, siempre hay un error de medicin o de especificacin del
sistema. Adems, siempre hay ruido presente, ya sea ruido trmico en un sistema fsico
o ruido computacional en una simulacin. Debido a la dependencia sensitiva, estos
errores, aunque sean arbitrariamente pequeos, eventualmente alterarn la conducta
macroscpica de un sistema catico. As, en un sentido muy real, los sistemas caticos
son impredecibles.
Para ejemplificar esto considere dos espectadores observando un sistema
dinmico. El espectador^observa el sistema el tiempo y el espectador B en el tiempo

2
>!- La incertidumbre de observacin es la misma para cada observador. Adems,
considere que dada una condicin inicial en t
l 5
el observador/! puede predecir el estado
en
2
con precisin infinita, esto es, el nico error es debido a la observacin imprecisa
de la condicin inicial. La pregunta es: Cul observador conoce ms precisamente el
estado en t
2
, el observador A usando observacin mas prediccin el observador B
usando slo observacin?
Es demostrado en (Peitgen, el. al., 1992) que la condicin 1) es implicada por las condiciones 2) y 3), sin
embargo, se utilizar esta definicin por ser la ms manejada en la literatura.
A pr edi ce
A obser va ,
B obser va
t
Fig. 2.8 Observacin de un proceso dinmico en dos tiempos
diferentes.
Si el observador A conoce ms precisamente el estado en t
2
, el sistema se dice que
es predictivo. Para un sistema predictivo, las observaciones anteriores dan mayor
informacin que las posteriores. En otras palabras las predicciones son ms exactas que
las observaciones.
Si el observador B conoce con mayor precisin el estado en t
2
, el sistema es
llamado no predictivo. En un sistema no predictivo, entre ms posterior sea la
observacin, mayor informacin es ganada.
Tal vez el ms claro de los sistemas no predictivos es la prediccin meteorolgica,
de la cual slo puede hacerse un pronstico confiable de unas cuantas horas. Esto es ms
palpable en el modelo realizado por Lorenz (Vincent & Yu, 1991), el cual mostraba
notables diferencias con tan slo cambiar de computadora al simularlo.
Definicin: /: J -* J es expansivo si existe A>0 tal que, para cualquier x, y e J ,
x *y, existe n tal que [f
n
(x) - f
D
(y)|>X.
La expansividad difiere de la dependencia sensitiva a las condiciones iniciales en
que todos los puntos cercanos eventualmente se separan una distancia de al menos X.
Como un ejemplo de un sistema predictivo, considere un flujo de contraccin,
esto es, un sistema donde todas las trayectorias se aproximan unas a otras:
\4>tp) - 4>
h
{x)\\ < l Mtft) ~ ^Wl l< l
Va:, y, x * y, y V
1
</
2
. Llamemos-tj a la observacin del espectador^. El observador
A sabe que el estado actual en tiempo t
x
cae en algn lugar dentro de la e-bola B
e
(x
1
)
centrada en x
l
y, por lo tanto, que el estado real en tiempo t
2
est contenido en el
conjunto Si la observacin del espectador B es x
2
, l sabe que el estado
real en tiempo t
2
cae dentro de la e-bola B
C
(jc
2
). Ya que el flujo es de contraccin, el
dimetro de <f>
t
-
t
(B
e
(x
ly
J)es ms pequeo que el de B
e
(x:
2B
) y
e
l observador A conoce
ms precisamente la posicin del estado real en tiempo t
2
.
Ahora considere un flujo expansivo esto es, uno donde todas las trayectorias
divergen:
Vx,y,y *x,y t
2
, t
2
> t
v
Para un sistema expansivo, el dimetro de ^
2
_
i
(5
e
(x
1
))es
ms grande que el de B
e
(x
2
), y el observador B conoce ms precisamente la posicin del
estado real en t
2
. As, un sistema expansivo es no prcdictivo.
Fig. 2.9 Mapeo de contraccin. Fig. 2.10 Mapeo de expansin.
t<f>
2
(y) - <>
t2
(x) II > U^OO - ^Mll
Este ejemplo muestra que un flujo expansivo conduce a un sistema no predictivo;
sin embargo, ya que un flujo expansivo es no acotado, ste nunca puede lograr un estado
estable. La interrogante de cmo el comportamiento de estado estable de un sistema
dinmico catico es acotado no se ve en forma clara. Un buen ejemplo para contestar
esto es la Herradura de Smale, un sistema discreto no predictivo, uno a uno, que mapea
el cuadrado unitario en s mismo. Como se muestra en la figura 2.11, una iteracin de
la Herradura de Smale comprende tres acciones:
1.- Alargado'. Esto hace el mapeo impredictivo.
2.- Estrechado: Esto es necesario para que el mapeo sea uno a uno y que el rea
del cuadrado permanezca constante.
3.- Doblado: Se requiere para regresar al cuadrado unitario.
e A e
C 0 D C B A
ETAPA 0
ALARGADO
ETAPA 1
ALARGADO
ETAPA 2
ALARGADO
ETAPA 3
ALARGADO
Fig. 2.11 I teracin de la Herradura de Smale. Fig. 2.12 Trayectoria de dos puntos en la Herradura de
Smale.
A pesar de que la Herradura de Smale parece ser extremadamente simple, da
lugar a flujos muy complicados e incluso puede aparecer en sistemas continuos, es
realmente til en el entendimiento de flujos caticos. Este ejemplo servir como
referencia posteriormente para detectar caos en ecuaciones usadas en algoritmos de
generacin de ruido.
De esto se concluye que las trayectorias de un sistema dinmico catico son
acotadas debido a que el mapeo tiene regiones de expansin y regiones de contraccin.
Resumiendo, un mapeo catico posee tres ingredientes: ser no predecible,
indescomponibilidad y un elemento de regularidad. Un sistema catico es impredecible
debido a la dependencia sensitiva a las condiciones iniciales. No puede ser separado o
descompuesto en dos subsistemas (dos subconjuntos abiertos invariantes) los cuales no
interaetan bajo / debido a la transitividad topolgica. Y, en el centro de su
comportamiento aleatorio, se tiene un elemento de regularidad, los puntos peridicos los
cuales son densos.
El espectro de potencia de un sistema catico tiene una naturaleza continua, de
banda amplia. Este espectro parecido a ruido es una caracterstica exhibida por todos los
sistemas caticos.
Prequancy
Fig. 2.13 Espectro de potencia del Double Scroll.
23 HERRAMI ENTAS DE ANALISIS
2.3.1 ANALISIS GRAFI CO
En esta seccin se introduce un procedimiento geomtrico que permite entender
la dinmica de mapeos unidimensionales. Este procedimiento llamado iteracin grfica,
facilita el uso de la grfica de una funcin para determinar el comportamiento de sus
rbitas en muchos casos.
El procedimiento es el siguiente: considere el sistema discreto x
k+l
= f(x
k
),
identifique la diagonal A={(*, jc)| x g K}. Tomando como condicin inicial el punto
p R trcese una lnea vertical desde (p,0) a la grfica de / intersectando a la grfica en
(P> f(p))- Entonces una lnea horizontal desde (p, f(p)) a A intersecta a la diagonal en
(f(p)>/(p,))- As una lnea vertical a la grfica seguida por una lnea horizontal de regreso
a A lleva a una imagen del punto p bajo / sobre la diagonal. Continuando este
procedimiento se tiene una figura ilustrativa de la rbita de p.
Ejemplos de este anlisis son las figuras 2.14-2.17, y corresponden a la ecuacin
logstica para diferentes valores de parmetros, que ser vista con ms detalle en la
seccin siguiente. Fcilmente se puede notar que los puntos donde cruza la lnea
diagonal con la grfica de la funcin corresponden a puntos fijos. Se puede asegurar la
existencia de puntos fijos (estables o inestables) de acuerdo al siguiente:
Teorema 2.1: (Teorema del punto jijo) (Devaney, 1992) Suponga que el mapeo
f:[a,b] [a,b] es continuo. Entonces existe al menos un punto fijo para/en [a,b].
Por supuesto, ni el teorema 2.1 ni el mtodo grfico dan la posicin exacta del
punto fijo, pero esto se puede saber de su definicin f(x) = JC, resolviendo la ecuacin
f(x) - X =0.
Un conocimiento cualitativo de estos puntos fijos se obtiene con los siguientes
resultados:,
Teorema 2.2: (Devaney, 1992) Suponga que es un punto fijo para/. Entonces
Xq es un punto fijo atractor si [/(%) | <1- El punto x
0
es un punto fijo repulsor si
1/(a:
0
)|>1. Finalmente si |f(x
0
)|=l , el punto fijo es llamado neutral o indiferente.

Se puede apreciar claramente las caractersticas de sensibilidad a las condiciones
iniciales y periodicidad del caos utilizando este mtodo, como se aprecia en las siguientes
figuras.
Se puede ver que dando como condicin inicial un pequeo intervalo, ste se va
ampliando bajo iteracin, hasta que eventualmente toma el tamao del espacio entero.
Tambin es posible obtener grficamente informacin acerca de la existencia de
puntos peridicos, graficando la funcin /
n
(x) en lugar de f(x), nuevamente la
interseccin con la lnea diagonal, corresponder a los puntos peridicos de perodo n,
obviamente la diagonal cruzar tambin a los puntos fijos. El valor exacto del punto
peridico a; lo obtenemos resolviendo la ecuacin f
n
(x) -jc=0. La figura 2.20 muestra la
Fig. 2.18 Sensibilidad a las condiciones iniciales. Flg. 2.19 Orbita peridica.
grfica de la segunda iteracin para la ecuacin logstica.
i/
Fig. 2.20 Grfica de la segunda iteracin.
23.2 TOROI DES
A continuacin se muestra una forma de anlisis para entender otro tipo de
funciones que sern de gran utilidad: Las funciones definidas en un toroide, las cuales
tienen la siguiente forma: F(a;)=G(x) mod z , donde mod es la funcin mdulo, en las
que se puede ver que el espacio queda restringido a0<^ <z.
Se puede entender esto grficamente tomando los valores *=0 y x=z como si
fueran uno slo, es decir, doblando el espacio sobre s mismo en forma circular, como
se muestra en la grfica 2.21. En el toroide de dimensin dos, el estado slo se mueve
sobre la superficie de la figura, ste se puede considerar como el producto cartesiano de
dos crculos.
0, z, 2z,...
Fig. 2.21 Toroide de dimensin uno.
Fig. 2.22 Toroide de dimensin dos.
Dentese por T el toroide y sea ir la proyeccin natural de R
2
sobre T, es decir,
tt(. x, y) = [x,y] = tt^ +M^ +N) .
Ciertos sistemas dinmicos pueden ser descritos ms eficientemente en el plano
y entonces proyectados sobre un toroide. Por ejemplo, suponga que F: R
2
R
2
tiene
la propiedad que
X x+M
F
y .
- F
y+N,
pertenece a los enteros para todos los puntos x, y en el plano y todos los enteros M y N.
De aqu sigue que
x x+M
7TF = T F
y.
as que F induce un mapeo bien definido P sobre el toroide. P es definido por el
diagrama
R
2 F
R
TI TZ
Como un ejemplo, si L es un mapeo lineal cuya representacin es una matriz con
elementos enteros, entonces P est claramente bien definida sobre T. P es llamada un
automorfismo toral
5
.
Sea L(x)= A x donde
^ Un automorfismo es una funcin que mapea un conjunto en si mismo y adems es uno a uno y sobre.
1.- Todos los elementos deA son enteros.
2.- det(y4)=l.
3.- A es hiperblica.
6
El mapeo inducido sobre T por A es llamado un automorfismo toral hiperblico
y es denotado por L
A
. L
A
es claramente diferenciable, ya que su matriz J acobiana es
simplemente la matriz A. Ms an, ya que det(y4)=l, la inversa de A es tambin una
matriz entera la cual es hiperblica. As A'
1
tambin induce un automorfismo toral
hiperblico el cual es, por supuesto, el inverso de L
A
.
23.3 BI FURCACI ONES
En esta seccin se analizarn las ecuaciones dinmicas con parmetros, es decir,
aquellas en las que el mapeo est definido por funciones del tipo f(kjc), donde X vara
dentro de algn espacio de parmetros J y x X, entonces
/ : J x X - X
Definicin: Sea x=f(X,x) un campo vectorial que depende del parmetro k. Para
un valor fijo A.=A,
1
, el campo vectorial x=f(k
v
x) es llamado estructuralmente estable si
existe un c>0 tal que x=f(k,x) es topolgicamente equivalente a x=f(X
v
x) para todos
los valores de k que satisfacen HA.-A^e.
Es de inters especial el cmo cambia el flujo (solucin de la ecuacin diferencial
que satisface las condiciones de frontera) de acuerdo a las variaciones de X.
Definicin: Un valor A.
0
en el que hay un cambio bsico estructural en el flujo es
^ Para sistemas discretos, sea a(A) = { X
2
,-., X
n
} el espectro de la matriz A, esta matriz se dice hiperblica
si i =l ,2...
llamado un punto de bifurcacin. En otras palabras, una bifurcacin es un cambio
cualitativo en el comportamiento del sistema al variar X y el punto de bifurcacin es el
valor de X donde el sistema pierde su estabilidad estructural.
La clase de bifurcaciones con la que se ejemplificar es llamada bifurcacin de
duplicacin de perodo y se define de la siguiente manera:
Definicin: Una familia de funciones de un parmetro F^va a una bifurcacin de
duplicacin de perodo en el valor del parmetro A=A.
0
si hay un intervalo abierto / y un
e>0 tal que:
1.- Para cada X en el intervalo [A.
0
-e, A
0
+e], hay un nico punto fijo p^ para
en I .
2.- Para X
0
-e<X<A,
0
, F
x
no tiene ciclos de perodo dos en / y p^ es atractor
(repulsor).
1 9
3.- Para A
0
<A<A
0
+e, hay un nico ciclo de perodo dos q^, q^ en / con
F
x
( q) =q* y F
x
(q^)=q
x
l
. Este 2-ciclo es atractor (repulsor), mientras tanto,
el punto fijo pj^es repulsor (atractor).
4.- Cuando tenemos q ->p^.
Esto lo se puede ver en la siguiente grfica en la que se representan los puntos
fijos estables con una lnea slida y los inestables con una lnea punteada.
La ecuacin Logstica es un buen ejemplo de este tipo de bifurcaciones, la cual
es usada como modelo de crecimiento de poblacin:
f{k,x)=kx{ 1-x), k>l
Para mostrar las bifurcaciones que se presentan en esta ecuacin, se procede
graficando el valor de x en estado estable para cada k, es decir, los puntos que se
alcanzan en estado estable.
Al variar gradualmente k, obtenemos el diagrama de estado final o diagrama de
Feigenbaum, con el que nos podemos dar cuenta de las mltiples bifurcaciones que se
presentan. Ntese que los puntos que se observan en la grfica 2.24 corresponden a las
rbitas peridicas estables solamente, y adems, que los perodos se presentan en un
perfecto orden: 1 >2 >4 >8 16 ... al principio, para regresar despus a grupos de
perodo 3 y nuevamente bifurcarse al doble cada vez hasta llegar al caos, en donde
existen puntos de perodo n para n=1,2,3,... Esto es llamado ruta al caos de duplicacin
de perodo y concuerda con el teorema de Sharkovskii (Drazin, 1992) que asegura que si
un mapeo escalar tiene un punto de perodo 3, entonces tiene puntos peridicos de todos
los perodos. Esta no es la nica ruta al caos, una mayor informacin sobre otras rutas
puede verse en (Chua & Madan, 1988).
Fig. 2.24 Diagrama de Feigenbaum para la ecuacin logstica.
Esta figura es autosimilar, lo que significa que si amplificamos una pequea parte
de la figura por un escala adecuada, obtenemos una grfica similar a la original.
23.4 GRAFICAS ESTADISTICAS
La propiedad de ser topolgicamente transitivos hace que las rbitas de los
sistemas caticos eventualmente llenen el intervalo completo en que estn definidos, as
como cada pequeo subintervalo arbitrario. Tales rbitas son llamadas ergdicas. Pero
se debe ser cuidadoso, no todos los puntos iniciales de un intervalo producen rbitas
ergdicas, por ejemplo puntos peridicos de periodicidad arbitraria y sus preimgenes
producen rbitas que no alcanzan todos los subintervalos. Aunque tericamente cada
subintervalo contiene una cantidad infinita de puntos con rbitas ergdicas, la precisin
finita de las computadoras hace imposible representar en forma arbitrariamente precisa
cualquier nmero del intervalo.
Para apreciar mejor la ergodicidad de tales trayectorias se usarn histogramas, que
permiten ver la cantidad de veces que un intervalo es visitado, esto es, la distribucin
probabilstica de la rbita. Por lo que se mencion antes, estas grficas sufren cambios
apreciables al utilizar diferente precisin numrica, sin embargo, la utilizacin de
aritmtica de doble precisin parece ser suficiente para superar este problema (Peitgen,
1992). En las grficas siguientes se aprecia el error provocado por la diferencia de
precisin.
Fig. 225 Histograma para la ec. logstica con doble
precisin.
- 1. 5 - 1
Fig. 226 Histograma para f(x)=x
2
-1.8 con doble
precisin.
JSO
J00
250
200
0.1 0.2 0. J O 0.5 0.6 0.7 C.e 0.9 '
Fig. 221 Histograma para la ec. logstica con simple
precisin.
- 1. 5 - 1 - 0. 5 0 0.5 1
Fig. 2.28 Histograma para f(x)=x
2
-1.8 con simple
precisin.
Para realizar un anlisis estadstico ms completo, sern utilizadas tambin las
grficas de correlacin y , como se vio anteriormente, las de espectro de potencias. La
grfica de correlacin es obtenida convolucionando el vector correspondiente a la rbita
consigo mismo, y para un vector cuyos valores no estn muy correlacionados, la grfica
siempre se mantendr cercana a cero, excepto en el valor central el cual ser muy grande
o uno en caso de ser normalizado.
2. 4 GE OME T RI A FRACTAL
Tcnicamente, no hay conexin entre los campos de sistemas dinmicos y
geometra fractal. Dinmica es el estudio del movimiento de objetos o procesos, los
fractales son objetos geomtricos estticos. Sin embargo, al graficar ciertas regiones
correspondientes a estos sistemas, tales como la regin de atraccin o la grfica de la
trayectoria de estado, estas grficas resultan ser fractales cuando los sistemas son
caticos.
Los fractales son conjuntos que, al ser ampliados una y otra vez, siempre dan una
reproduccin de la imagen original (<autosimilar) (Fig. 2.33). Ms an, los fractales tienen
en forma natural una dimensin que no es un nmero entero, sino un nmero
fraccionario. Para un mejor estudio de estos objetos se puede consultar (Peitgen, et. al.,
1992).
Ejemplos de fractales son los Julia sets, que indican la regin de atraccin para
determinados atractores; y el Mandelbrot set, que da el conjunto de parmetros para los
cuales la ecuacin x
k+
= x
k
2
+ c es estable. Estos ejemplos se ilustran en las figuras
2.29-2.32.
Fig. 2.31 Curva de Koch. Fig. 232 Mandelbrot set.
En estas figuras la complejidad del permetro lo hace de longitud infinita, pero
el rea que encierra es acotada.
El significado de dimensin usado en geometra fractal no es precisamente el
mismo que se utiliza en forma cotidiana, sino uno ms amplio. Usualmente se define
dimensin topolgica d como el nmero mnimo de coordenadas necesarias para
especificar un punto en forma nica (dimensin de espacio Euclidiano) y en sistemas
dinmicos es el nmero de variables de estado que son usadas para describir la dinmica
del sistema.
A continuacin se ver slo un tipo de la denominada dimensin jmetal, a la que
se llamar D, que es una definicin ms general que la topolgica. Para un conjunto
E c M", se considerar que D = d si E es un conjunto "simple" y d < D < n , con D un
nmero no entero y D * d, para conjuntos ms complejos.
El concepto de dimensin que se utilizar es el llamado dimensin por conteo de
cajas (Box-counting dimension). Para introducir esta idea, primero se tomar el ejemplo
en el cual E es un segmento de lnea recta de longitud /. Entonces el nmero N de lneas
iguales con longitud e es dado por N(e) / e'
1
cuando e - 0. Ahora considrese a E
como el interior de un crculo de radio /, entonces N, el nmero de cuadrados iguales
con lado e necesarios para cubrir E, es tal que A/(e) = 7r Z
2
e'
2
cuando e 0. De estos
ejemplos se llega a una relacin de la forma N(e) F e" ' cuando e 0 para V fijo,
donde d es la dimensin topolgica de E en I T y E es cubierto por hipercubos con
longitud de lado e. Esta propiedad sugiere la siguiente generalizacin: Si un conjunto
E es cubierto de tal forma que N(e) V z
D
cuando e -* 0 para algunos nmeros D y
V, entonces D es la dimensin de E, ya sea D un nmero entero o no. As se define
D = lim
ej O
ln N(e )
I M O
si el lmite existe
7
.
\
\
V
/
\
Fig. 234 Forma de cubrir una lnea y un crculo para obtener la dimensin por
box counting.
eJ,0 significa que z - 0 y >0, es decir, c tiende a cero por arriba.
Para entender mejor este concepto se obtendr la dimensin de la llamada curva
de Koch, la cual es formada por la siguiente iteracin: El punto de partida es una lnea
S
Q
de longitud uno. Sj es la curva en la cual se reemplaz el tercio intermedio de S
0
por
dos lados de un tringulo equiltero cuya base sera la parte eliminada, como se ve en
la figura 2.35. La curva S
t
est formada por cuatro segmentos de longitud un tercio.
Fig. 235 Primeras cuatro iteraciones para la obtencin de la curva de
Koch.
De la misma manera se define S
2
y continuando as se define S
n
, la cual queda
formada por 4" segmentos de lnea cada uno de longitud 3 ". Por lo tanto S
n
puede ser
cubierta por 4" cuadrados iguales con lado e =3'". La curva de Koch S es la formada
cuando n - por lo que
N(t) ~ 4" como n oo
=e"
D
de donde D =ln 4 / ln 3 = 1.26186. A pesar de que esta figura es una curva su
dimensin es mayor que 1 y por supuesto no llega a ser una superficie. Una de las
caractersticas que esto produce es que, siendo L(e) =e N(e) =e
1D
la longitud de S
n
,
la longitud total de la curva de Koch L(e) < cuando n oo, es decir, cuando
e -* 0.
Otras definiciones diferentes de dimensin pueden ser vistas en (Peitgen, et. ai,
1992) y (Parker & Chua, 1989).
l i i i i i l ^^
3.1 I NTRODUCCI ON
Cuando se usa el trmino "aleatorio" en la vida diaria es usualmente como un
sinnimo de un evento impredecible. Este concepto en el mbito cientfico es
frecuentemente necesario para representar incertidumbres en modelos matemticos,
ruidos de medicin, etc.
Para aplicaciones en una computadora, por ejemplo en simulacin de sistemas con
ruido, se necesita producir una larga secuencia de nmeros que se comporten como si
fueran aleatorios.
Es complicado establecer una definicin formal de aleatoriedad debido a que esto
significa definir la ausencia de un patrn. Sin embargo, una definicin intuitiva es que
una secuencia de nmeros es aleatoria si la forma ms simple de describir esta secuencia
GENERACION POR
COMPUTADORA DE
NUMEROS ALEATORIOS
es escribirla.
En este captulo se revisarn algunos de los mtodos de generacin de nmeros
aleatorios con distribucin uniforme; y se comparar su eficiencia mediante algunas
pruebas. Finalmente se mostrar una forma de obtener una secuencia con una
distribucin probabilistica deseada a partir de una con distribucin uniforme.
3. 2 ANT E CE DE NT E S
Los problemas con la definicin anterior son 1) no muestra una forma de
construir una secuencia aleatoria y 2) la definicin es bsicamente incorrecta debido a
que indica que se puede detectar aleatoriedad analizando una secuencia. Partiendo de
lo anterior, un resultado satisfactorio sera una secuencia que pase ciertas pruebas
estadsticas de aleatoriedad y que tenga un largo intervalo de nmeros antes de repetirse.
Existen dos mtodos bien conocidos para producir nmeros aleatorios:
1) Mtodos basados en fenmenos reales'. Tales como lanzar monedas, dados, etc.,
Estos mtodos son lentos y pueden no satisfacer pruebas estadsticas de aleatoriedad.
2) Mtodos basados en algoritmos: Se puede computar algortmicamente nmeros
aleatorios fuera de lnea (por medio de tablas, relaciones de recurrencia, etc.), y usarlos
en un programa o proceso conforme se necesite.
Antes de la invencin de las computadoras, hubo la necesidad prctica de
nmeros aleatorios. Una tabla de 40,000 dgitos fue publicada en 1927 por Tippet,
basada en informacin del censo. Despus, mquinas de propsito especial fueron usadas
para generar informacin aleatoria. Incluso la ecuacin logstica, = a x
k
(l - x
k
), fue
sugerida por S.M. Ulam y J . Yon Newmann.
El mtodo que en la actualidad es utilizado en forma ms comn es un algoritmo,
en lnea con el programa que lo necesita, para generar nmeros uno despus de otro.
Ya que tales nmeros son generados algortmicamente, ellos son determinsticos, y no
aleatorios, por lo que son llamadospseudoaleatorios y al programa se le conoce como un
generador. La mayora de los generadores algortmicos son cclicos, o peridicos, esto es,
eventualmente repiten la secuencia, esto como consecuencia de la limitada longitud de
palabra de las computadoras, a final de cuentas, la computadora es un autmata de
estados finitos. A pesar de todo, esta aproximacin es suficiente para propsitos
prcticos.
Una variedad de criterios han sido propuestos para juzgar la calidad de los
generadores. Generalmente no es posible para un slo generador satisfacer todos ellos.
Estos criterios incluyen:
a) Alta calidad: El generador deber pasar las pruebas estadsticas establecidas y
tener un perodo extremadamente largo.
b) Eficiencia: La ejecucin debe de ser rpida y los requerimientos de almacenaje
deben ser mnimos.
c) Repetibilidad: Especificando las mismas condiciones iniciales se generara una
secuencia idntica.
d) Portabilidad: La misma secuencia de nmeros deber ser producida en
diferentes computadoras habiendo inicializando el generador de la misma manera.
e) Simplicidad: El algoritmo debe ser fcil de implementar y de usar.
3. 3 GE NE RACI ON D E NUME ROS UNI F ORME ME NT E DI S TRI BUI DOS
Los nmeros aleatorios ms frecuentemente usados son los uniformemente
distribuidos, ya sea reales o enteros. Un generador de nmeros uniformemente
distribuidos producir valores uniformemente sobre el intervalo [0,1] con la misma
probabilidad.
Los nmeros provenientes de un generador deben ser independientes y uniformes.
Esto significa que no deben tener un patrn aparente entre nmeros sucesivos, de lo
contrario se dice que la secuencia es correlacionada.
El mtodo casi universal de generar nmeros pseudoaleatorios es seleccionar un
valor de inicio o semilla, usualmente un entero, y entonces computar de la semilla de
acuerdo a alguna regla. Entonces el (fc+/)-simo nmero, x
k+v
es obtenido de los
precedentes. Inicialmente las reglas fueron escogidas por intuicin, tan complicadas,
confusas y poco entendibles como fuera posible, por ejemplo, el mtodo de cuadrados
centrales, uno de los primeros propuestos, en el cual se elevaba el nmero x
k
al cuadrado
y se tomaba x
k+l
como un nmero fijo de dgitos del centro del resultado. En este
mtodo x
k
se puede hacer cero en un impredecible nmero de pasos y entonces todas
las subsecuentes x
t
son cero tambin, o bien, rpidamente cae en un ciclo. El mtodo fue
propuesto por Von Neumann, a pesar de sus deficiencias.
Una variante de este mtodo es el de los productos centrales que se expresa
matemticamente como
U,
+
1 =u, * U,-1
donde U
0
y U
x
se escogen arbitrariamente y el nmero siguiente en la secuencia se
forma tomando los dgitos centrales del producto. Este mtodo tiene un perodo ms
largo que el de cuadrados centrales y un mejor comportamiento estadstico, pero tambin
degenera en valores constantes.
Uno de los generadores de enteros ms comunes , el generador congruente, fue
propuesto por Lehmer (Park & Miller, 1988). Este usa la forma
x
k
= ( a x
kA
+ c ) mod M , x
0
, a, c < M
con;e
0
, a y c dadas como enteros y el nmero M es un nmero grande. Si se desea tener
una distribucin uniforme con valores entre 0 y 1, slo se tiene que dividir cada nmero
obtenido entre M. Algunas opciones de a y c producen secuencias aleatorias aceptables
y otras conducen a series correlacionadas.
Una clase de estos generadores es
x
n = (P
x
n-1)
m o d M
llamado mtodo congruente multiplicativo. Por aos M se escogi como 2
k
, donde k era
la longitud de palabra de la computadora, esto en una mquina binaria significa tomar
los ltimos k dgitos del producto, la parte ms baja del acumulador, lo cual le daba al
algoritmo una gran velocidad como principal caracterstica. El resultado de este nfasis
en velocidad fue una familia de generadores computacionalmente eficientes pero
altamente no-portables, estadsticamente defectuosos y no siempre tenan un perodo
completo
8
. Posteriormente este error se corrigi tomando M como un nmero primo,
lo cual dio la siguientes consecuencias: 1) la secuencia nunca se colapsa a cero, 2) en una
secuencia normalizada los valores 0 y 1 no son posibles, el intervalo se convierte en [1/M,
1-1 /M] y, 3) la normalizacin por M no afecta las caractersticas estadsticas del
generador. Por ltimo se llega (Park & Miller, 1988) al siguiente
Hecho: El generador x
n
=(p JC^) mod M es de perodo completo si y slo si a
es una raz primitiva
9
de M.

Con lo que estadsticamente el generador congruente mejor notablemente.
Un generador congruente tiene perodo completo si genera A-l nmeros diferentes antes de repetirse, es
decir, el intervalo completo.
9
Si M es primo, entonces a es una raz primitiva de M ( o elemento primitivo mdulo M ) si y slo si
a" mod M * 1 para n = 1, 2 M-2.
Los ltimos generadores que sern mencionados son los generadores de Fibonacci,
que estn caracterizados por computar el nuevo elemento x
k
, como la diferencia, suma
o producto de dos elementos precedentes. El ndice de estos elementos nos da el retraso
del generador. Los generadores de alto retraso son extremadamente eficientes y tienen
excelentes propiedades estadsticas.
3. 4 UNA P RUE B A D E CORRELACI ON
Existen diferentes pruebas para evaluar la correlacin en un generador y sus
propiedades estadsticas. Algunas de estas pruebas son de tipo grfico, en las que, en un
plano, se grafican pares de nmeros de la secuencia y se trata de detectar algn patrn
en la imagen resultante, lo que indicara la existencia de un comportamiento ordenado.
En esta seccin se aplicar una de estas pruebas, llamada Caos game (Peitgen, et.
a/.,1992), a los diferentes generadores vistos anteriormente. El Caos game no es de
ninguna manera una prueba exhaustiva ni demostrada matemticamente en forma
completa, pero ser la que se use por la relacin que tiene con el captulo anterior.
El procedimiento del Caos game es el siguiente: Tmense como base tres puntos
fijos en R
2
: q
v
q
2
y <?
3
formando un tringulo; escjase un punto inicial p
0
en forma
arbitraria, y aleatoriamente se elige uno de los tres puntos base, digamos q
2
. El siguiente
punto p
l
ser el que se encuentre exactamente a la mitad de la lnea que unep
0
y q
2
Se
continua de esta manera indefinidamente siempre tomando como nuevo punto p
n
el que
se encuentra a la mitad de punto anterior p
nA
y el punto base elegido aleatoriamente de
acuerdo con el generador, como se ilustra en la figura 3.1. Este procedimiento aunque
tiene un componente aleatorio formar, independientemente de la condicin inicial, una
figura bien definida: el tringulo de Sierpinski, visto en el captulo anterior. La calidad
de la imagen y su forma dependen en parte de la correlacin del generador y de su
distribucin probabilstica.
q
R P, v
*Z '3
Fig. 3.1 Procedimiento para formar el Caos game.
i
q
Como se puede apreciar en las figuras 3.3-3.6, los mtodos de generacin basados
en la ecuacin logstica, cuadrados centrales y la ecuacin de Fibonacci apenas se pueden
apreciar puntos que de ninguna manera asemejan al tringulo de Sierpinski. El mtodo
congruente, a pesar de que no forma la figura completa, es el que mejor realiza esta
prueba. En la figura 3.2 se muestra el Caos game producido a partir del generador de
Matlab
10
, como una referencia de comparacin.
Fig. 3.2 Caos game para el generador de Matlab.
^ Debido a que la funcin Rand de Matlab es de tipo Built-in no es posible precisar el mtodo utilizado para
la generacin.
Fig. 33 Caos game para la ecuacin logstica. Fig. 3A Caos game para el mtodo de cuadrados
centrales.
0 0.2 0.4 0.6 0.8 '
Fig. 3.5 Caos game para el mtodo de Fibonacci.
0 0.2 0A 0.6 0-8 1
Fig. 3.6 Caos game para el mtodo congruente.
No obstante, en las figuras 3.7-3.16, se puede verificar que el mtodo congruente
no posee la mejor distribucin ni la mejor grfica de correlacin, correspondiendo esto
al mtodo de Fibonacci y a la ecuacin logstica; ratificando as lo antes mencionado,
difcilmente un generador satisface todas las pruebas. Por el contrario, el mtodo de los
cuadrados centrales demuestra su alta correlacin y corta longitud de perodo.
O 0.1 0.2 0. 3 0.4 0.5 0.6 0.7 0.6 0.9
Fig. 3.7 Histograma para la ecuacin logstica.
0 200 400 600 800 1000 1200 1400 <600 1BOO 2000
Fig. 3.8 Grfica de correlacin para la ecuacin
logstica.
0 0.1 0.2 0. 3 0.4 0.5 0.6 0.7 0.8 0. 1
Fig. 3.9 Histograma para el mtodo de cuadrados
centrales.
200 too 600 800 10 1200 1*00 1600 1800 2000
Fig. 3.10 Grf. de coir, del mtodo de cuadrados
centrales.
II. n. II ti . i m
0 o.l 0.2 0.3 0.4 0.5 0.6 0.7 0.6 0.9
Fig. 3.11 Histograma para el mtodo de Fibonacci.
200 400 600 800 1000 1200 " 00 1600 1900 2000
Fig. 3.12 Grfica de correlacin del mtodo de
Fibonacci.
Fig. 3.13 Histograma para el mtodo congruente. Fg. 3.14 Grfica de correlacin del mtodo
congruente.
0.1 0.2 0 3 0.4 0.5 0.6 0.7 CJ
Fig. 3.15 Histograma para el generador de Mutlab.
O 200 400 600 800 1M0 1200 1400 1600 1800 2000
Fig. 3.16 Grf. de correlacin para el generador de
Matlab.
Al obtener los espectros de potencias para los mtodos anteriores, se observa que
casi todos son satisfactoriamente uniformes y con un ancho de banda amplio, con
excepcin del mtodo de cuadrados centrales que muestra una gran componente de una
sola frecuencia.
Fig. 3.17 Espectro de potencias del mt. de Matlab.
Fig. 3.18 Espectro de Potencias de la ec. logstica. Fig. 3.19 Espectro de potencias del mt. de
cuadrados centrales.
Fig. 3.20 Espectro de potencias del mtodo de Fig. 3.21 Espectro de potencias del mt. congruente.
Fibonacci.
3. 5 GE NE RACI ON DE S ECUENCI AS CON DI S TRI BUCI ONES N O U N I F OR ME S
Despus de haber revisado diversas formas para obtener una distribucin que es
cercana a ser uniforme, es posible que sea necesario generar otros tipos diferentes de
distribuciones, por ejemplo: normal, exponencial, etc. Una de las tcnicas para conseguir
esto es la siguiente (Gillespie, 1992): Se iguala la distribucin acumulada F(y) de la
densidad deseada f(y) a la distribucin acumulada x de la distribucin uniforme y se
resuelve para y
X
y
(3.1)
Aplicando la operacin inversa F
1
, se tiene
Suponiendo que se desea obtener una distribucin exponencial e~
y
. Entonces
f(y) = e*
F(y) = je'
y
dy = 1 -
o
Utilizando (3.1) y despejando paray
e y = 1 - x
y = -ln(l -x)
por lo que usando la secuencia de nmeros aleatorios x

de una distribucin uniforme,

se logra
y
4
= - M
1
- *,)
o igualmente aceptable
y

= - \nx
Existen en la literatura transformaciones similares para la mayora de las
distribuciones. Otro ejemplo es la transformacin para obtener una secuencia con
distribucin normal:
s =a[ 2 ln(l/r
1
)]
1/2
, 8 =2 v r
2
x
l
= m + s cos0 , x
2
=ra + s sn6
Donde r
x
y r
2
son nmeros con distribucin uniforme, a es la desviacin estndar,
m es la media deseada, x
1
y x
2
son dos nmeros con distribucin normal.
Un estudio ms extenso de estas transformaciones es llevado a cabo en (Gillespie,
1992).
Obviamente la calidad de la distribucin deseada obtenida con la transformacin
depende de la calidad del generador utilizado para producir la secuencia con distribucin
uniforme. Los mtodos ms utilizados para generar esta distribucin son el de Fibonacci
y el congruente.
l UN SISTEMA DINAMICO
L
CAOTICO COMO
GENERADOR DE RUIDO
4. 1 I NT RODUCCI ON
Hasta ahora se han presentado en este trabajo a los sistemas con comportamiento
catico y a los generadores de nmeros aleatorios como temas separados; en este
captulo se utilizarn las caractersticas de un sistema dinmico de control, que al ser
reducido a una forma simple demuestra tener conducta catica, para generar nmeros
pseudoaleatorios y se ver la relacin que tiene ste con los mtodos ya mencionados.
El sistema que ser utilizado es de tipo lineal con retroalimentacin de estado
cuantizada (no linealidad que da lugar al caos en este sistema), y se demostrar que el
error de cuantizacin es catico.
Para finalizar el captulo se compar este generador con los vistos en el captulo
3, utilizando las pruebas descritas en el mismo.
4. 2 OB T E N C I ON DE LA F ORMUL A D E L GE N E R A D OR
El sistema dinmico que se utilizar como base pertenece a la familia de sistemas
lineales discretos
Donde x
k
e R
N
, u
k
R y q
k
es la medicin cuantizada del estado x
k
por medio del
cuantizador de truncamiento Q(*)j h es el tamao de cuantizacin y e
k
es el error de
cuantizacin. Claramente se ve en (4.1) que la ecuacin de estado es lineal pero el
mapeo de salida es no-lineal.
El operador de cuantizacin se obtiene aplicando el algoritmo de Euclides de la
x
k+
=Ax
k
+ Bu
k
k > 0, /I eZ'
e
k =
x
k+1 ~<lk
<ik = Q *(**)
(4.1)
divisin
Sea x
k
= c
k
h + r
k
donde \r
k
j < h
entonces q
k
= c
k
h c
k
Z
Fig. 4.1 Mapeo de cuantizacin del estado x.
Sea Q(-) el cuantizador con tamao unitario, entonces Q(r) es la parte
x y g{x) x - Q(JC) es la parte fraccionaria dex. Dado h > 0, el cuantizador
error de cuantizacin ^(') pueden ser modelados como
entera de
Q* o y
el
Qfcto =h Q (x/h)
W = x - Q
h
(x)
Adems entindase que
QaW =(Qh(
x
i)> Q t - ' Q*(*) )
T
Si se considera que el estado cuantizado q
k
es una buena aproximacin del estado
real x^ se puede implementar una retroalimentacin lineal de estado u
k
=- F q
k
, donde
se asume que BF e K
n
*", el conjunto de matrices nxn con elementos racionales. Es
demostrado en (Feng 1992) el siguiente resultado:
Lema 4.1: Para el sistema (4.1) con A e Z
nxn
, suponga una retroalimentacin
lineal de estado u
k
= - F q
k
con BF e K
n
*". Sea m Z
+
escogida de tal manera que
mBF e Z
nxn
, z
k
= m h~
l
x
k
=q
k
+ e
k
con c
k
=Q (z
k
) dondez
k
es el estado normalizado
para una cuantizacin unitaria, de la misma manera e
k
es el error de cuantizacin
normalizado. Entonces, las dinmicas de lazo cerrado son gobernadas por las siguientes
ecuaciones:
t
+
i = M
k
~ (mBF)Q{m-
l
q
k
)
+
Q(A
k
)
1 = ~ <2(Ae
k
), k>0
(4.2)
ik = Qh(
m
~
lh
$k)
e
k
= m^he
k
+ g
h
(m~
l
hq
k
)

Ntese que el error cuantizado
k
depende solamente de la matriz de lazo abierto
A. Adems e
k
e [0,1)" y as se puede considerar que la ecuacin de error para e
k
define
un sistema dinmico en un toroide n-dimensional T
n
. Para el caso A Z
nxn
, el
mapeo L
A
(e
k
) &A
k
- Q(A
k
) es un endomorfismo en T
n
, segn se vi en el captulo
2. A continuacin se obtendrn las condiciones para que el mapeo L
A
(-): T
n
T
n
sea catico.
Lema 4.2: El mapeo L
A
(-): T
rt
- ^T " es un endomorfismo
11
. L
A
es surjectivo
si y slo si det(^4) * 0. L
A
es un automorfismo si y slo si det(>l) =1.
n
Lema 43: Si det(^) * 0, entonces 3 x T " tal que [L
A
(x))*
Q
es denso en T",
es decir, L
A
es topolgicamente transitivo.

El lema anterior es equivalente, en trminos probabilsticos, a decir que si
det(/l) * 0, entonces v ixeT
n
: {L
A
k
(x))^
0
es denso en T
n
} = X, donde vH es una
medida probabilistica.
Lema 4.4: Si det( A) * 0, entonces Per(L
A
), el conjunto de puntos peridicos de
L
a
, es denso en T
n
.

Lema 4.5: Suponga que ct(A) * 0. Entonces, L
A
: T
n
- T
n
tiene dependencia
sensitiva a las condiciones iniciales si y slo si p(A) > 1 (radio espectral deA) y en el
caso que p(A)=l, existe un X e a(A) con |A | =1 y la multiplicidad geomtrica de X es
ms grande que 1.

Utilizando estos resultados se llega a una condicin necesaria y suficiente para
que el mapeo L
A
() sea catico:
Teorema 4.6: Suponga que et(A) * 0. La dinmica del error de cuantizacin
generada por el endomorfismo toral L
A
(-) es catica si y slo si:
1) X
p
* 1 para todo X e o(A) y p Z.
11
Un endomorfismo es una funcin que mapea un conjunto es si mismo.
2) Si p(A) =1, entonces existe un X e u(A) con \X\ =1 el cual tiene multiplicidad
geomtrica mayor que uno.

Para este tipo de sistemas la suposicin A e Z
nxn
y la condicin det( A) * 0
implica queA no es una matriz estable y, por lo tanto, se tiene un sistema inestable en
lazo abierto. El requerimiento -BF e K
tt
*
n
tampoco es una restriccin fuerte ya que toda
matriz con elementos reales puede ser aproximada por una matriz de K
nxrt
.
Si se utiliza un sistema lineal del tipo
A*
J
0 1 0 0
0
0 0 1 0 0
;
, B =
:
0 0 0 1 0
a 0 0 0
/ ,1.
, F=(a 0 0 0)
donde a e Z; se puede ver de (4.1) y (4.2) que m=1 y se obtiene que
e
i t +l
c
k
e
k+1
e
k
(n-1)_ J n )
ti-. i 11
(4.3)
(4.4)
'-k+i ~
&
k
4:1 = a ^ - Q a i i ^ ) - L M
l )
)
Es claro que si |:|<2 el sistema ir pronto al origen, por lo que se considerar
|#>2. Para este caso, ya que det(A) =a #0 y p(A) = |o:|
1/n
>l, se cumplen las
condiciones del teorema 4.6 por lo que la dinmica del error =^f e ) es catica.
En la ecuacin (4.4) se distinguen dos operaciones en el vector de error: un
corrimiento entre los estados del error, y el mapeo
^a(^) = - Q{oc) = (ae) mod 1; como se puede ver, ste ltimo coincide con el
mtodo congruente visto en el captulo anterior, y la combinacin de ambos equivale a
tener n mtodos congruentes funcionando alternadamente.
La figura 4.2 muestra la grfica de este mtodo y en la figura 4.3 se ve la
semejanza con la herradura de Smale en el comportamiento; dando como condicin
inicial un intervalo pequeo I
0
se nota cmo la funcin alarga este- intervalo por el factor
a, para despus doblarlo sobre si mismo cuando es suficientemente grande (1^) para
comprender dos o ms rampas.
El intervalo se agranda en cada iteracin, es decir, es un mapeo expansivo lo cual
es una caracterstica de los sistemas no predictivos, y en los sistemas caticos causa la
sensibilidad a las condiciones iniciales.
k*1
1/ 21 a-t)ll
Fig. 4.2 Grfica del mtodo congruente.
o lf
Fig. 43 I teracin de un intervalo del mt.
congruente.
Las ilustraciones 4.4-4.6 corresponden a las grficas de la primera, segunda y
tercera iteracin del mtodo congruente utilizando a =3; se ve como el nmero de puntos
peridicos de perodo n es 3" y adems que el conjunto de puntos peridicos es disjunto
y denso. La figura 4.7 muestra el diagrama de Feigenbaum y se nota como el sistema
pasa inmediatamente de estabilidad a ser catico.
Fig. 4.4 Primera iteracin del mt. congruente. Fig. 4.5 Segunda iteracin del mt. congruente.
La salida del generador ser uno de los estados del vector de estado cuantizado
normalizado. Sustituyendo (4.3) en (4.1) se puede llegar a
' \
ae
( 1)
k-n
/ \
9t =
#
= Q
=
Q<P$n)
Jn)
El estado que se utilizar ser el ltimo del vector q
k
, por lo que si se define a
la secuencia de salida
y = entonces
y
k
= Cq
k
donde C = [00-01]
4.3 ANALISIS PROBABI LI STI CO DEL GENERADOR
Una vez que se ha obtenido una frmula que genera iterativamente una secuencia
de nmeros pseudoaleatorios, sus propiedades probabilsticas sern estudiadas. Como se
mencion anteriormente, el generador de la seccin anterior es equivalente a una
frmula de Lehmer x
k
= {a x
k
^ + c) mod M con M=1 y c=0, por cada estado del
sistema, funcionando en forma independiente; y debido a que los resultados siguientes
son para sistemas unidimensionales, slo se analizar la frmula de Lehmer con los
parmetros dados.
Hecho 4.7: Sea <p
a
= ai - Suponga que i
0

[0,1) es uniformemente
distribuido. Sea i
k
= (p* (;
0
) y
7=0
donde x
B
es la funcin indicador
12
de B. Entonces {r^}^ es una secuencia
independiente e idnticamente distribuida con ri^ uniformemente distribuida en
el conjunto A ={0,l,...,(a-l)}.
Prueba:
Una forma sencilla de obtener este resultado es la siguiente: Debido a que <p
a
slo
se ve afectado por el valor inmediato anterior de $ y al lema 4.3, la secuencia
se puede considerar como una cadena de Markov estacionaria
13
. Tomando en cuenta
lo anterior, se utilizar un caso simple para llegar al hecho 4.7 por induccin. Sea
<p
a
=a - Q(a) con a= 2 la grfica de esta ecuacin se ve en la figura 4.8
12
Una funcin indicador X|(tfr) en el instante k toma el valor 1 cuando la funcin pertenece al intervalo
I, y toma el valor 0 en cualquier otro caso.
13
Una cadena de Markov estacionaria es aquella en la que cada valor de la secuencia solo depende del valor
anterior y adems el efecto de la distribucin de probabilidad de la condicin inicial desaparece a medida que el
nmero de pasos aumenta y la distribucin de la secuencia se aproxima a una distribucin de probabilidad fija.
625O
se divide el intervalo [0,1] en cuatro subintervalos exactamente iguales /
1
, y Sean
p
v
p
2
, p
3
y p
A
las probabilidades de que el estado se encuentre en cada intervalo I
v
I
2
, y /
4
respectivamente; por lo que si es uniformemente distribuido, se puede
formar la siguiente matriz de transicin de probabilidad (Bellman, 1965)
.5 .5 0 0
0 0 .5 .5
.5 .5 0 0
0 0 .5 .5
s -P=[ p
2
p
3
P4], entonces la ecuacin
pn+1
=
p n
M
despus de varias iteraciones llega al siguiente vector de probabilidades fijo
P = [ 25 .25 .25 .25 ]
lo cual indica que la probabilidad de que el sistema se encuentre en cualquiera de los
subintervalos en cada iteracin es la misma para cada uno de ellos. Este resultado se
puede generalizar por induccin para un nmero arbitrario de subintervalos y para
cualquier valor de a.

Una implicacin importante de este hecho es que, para casi cualquier condicin
inicial, la frecuencia con la que visita cada uno de los subintervalos [ j/a, (j+l)/a) es
asintticamente la misma, y lo mismo puede ser aplicado a la salida del generador.
Fig. 4.9 Comportamiento en el tiempo del generador catico.
En las figuras 4.10-4.11 se aprecia un histograma para una realizacin producida
por un generador catico de dimensin cinco, as como la grfica de correlacin de la
misma. Los valores experimentales de media y desviacin estndar son: x =.4982 y
o =.2881,los cuales son bastante cercanos a los ideales x =.5 y o =.2886.
nn ll il.ii
0 0.1 0.2 OJ 0.4 0.5 0.6 0.7 0.6 0.8 1
Fig. 4.10 Distribucin producida por el generador
catico.
0 200 4O0 600 800 1000 <200 1400 <600 1600 2000
Fig. 4.11 Grfica de correlacin para el generador
catico.
Adems se ve que el espectro de potencias es de banda amplia y con forma de
ruido (lo que es caracterstico de los sistemas caticos). El caos game para este
generador es, al menos, tan bueno como el producido por Matlab en el captulo anterior.
Ffiquiney
Fg. 4.12 Espectro de potencia para el generador Fg. 4.13 Caos game para el generador catico,
catico.
An cuando el conjunto de puntos peridicos es infinito, en este caso el error de
redondeo y la precisin finita de la computadora ayuda a que el sistema salga de un
punto peridico, y como en un sistema catico los puntos peridicos son inestables
14
,
el sistema no vuelve a l, como se puede apreciar en la figura 4.14. Esta caracterstica
incrementa la longitud del perodo de repeticin del generador.
Fig. 4.14 Ciclo de perodo 3 inestable del generador catico.
Dos transformaciones, para distribucin exponencial y para distribucin normal,
son mostradas en las figuras 4.15 y 4.16, las cuales son aceptables para cualquier
propsito prctico.
Esta caracterstica se obtiene rpidamente de la propiedad de transitividad topolgica y de la definicin
de estabilidad de un punto.
Fig. 4.15 Distribucin exponencial del generador
catico.
- 4 - 3 - 2 - 1 0 1 2 J 4
Fig. 4.16 Distribucin normal del generador catico.
Estas distribuciones fueron generadas para la misma cantidad de puntos que las
usadas en el captulo anterior, para as poder hacer una comparacin; sin embargo las
distribuciones mejoran progresivamente para mayor cantidad de puntos.
Ht STOCRAM PARA DI STRI BUCI ON UNFORUE HI STOGRAM PASA Oi STSI SUCI ON EXPONENCI AL
0 0.1 0.2 0. 3 0.4 0.5 0.6 0.7 0,8 0.9 1
Fig. 4.17 Dist. uniforme para mayor cantidad de Fig. 4.18 Dist. exponencial para mayor cant. de
puntos. puntos.
1000
HI STOGf MA PARA DI STRI BUCI ON NORMAl
Fg. 4.19 Dist. normal para mayor cantidad de
puntos.
4. 4 CONCL US I ONE S
En este captulo se demostr que las propiedades de un sistema dinmico con
comportamiento catico pueden ser utilizadas, en forma bastante eficiente, para generar
secuencias de nmeros pseudoaleatorios. Los resultados mejoran respecto a los mtodos
tradicionales y, al menos, igualan a los mtodos usados actualmente en forma comercial
por los simuladores o paquetes disponibles como Matlab, Mathematica, etc.
Es claro que las propiedades estadsticas del generador catico (como distribucin
y perodo de repeticin) pueden mejorarse aumentando la dimensin del mismo; pero
esto lleva al problema de tener que inicializar el generador con un mayor nmero de
condiciones iniciales. A pesar de este problema, el Lema 4.3 asegura tener una buena
realizacin para casi cualquier conjunto de condiciones iniciales.
De estos resultados se obtiene la intuicin de que un buen generador de ruido
debe tener entre sus caractersticas principales un comportamiento catico (Chua &
Madan, 1988).
CONTROL VIBRACI ON AL
5
iiiiiiiiiiiiiai
5.1 I NTRODUCCI ON
En el presente captulo se revisarn los principales resultados obtenidos para una
tcnica de control alternativa para cierta clase de sistemas: el control vibracional. El
control vibracional nace hace un par de dcadas por la necesidad de controlar
automticamente ciertos sistemas los cuales no es posible controlarlos utilizando
retroalimentacin de estado o control feedforward debido principalmente a la incapacidad
de hacer mediciones en el estado o en las perturbaciones, respectivamente. Ejemplos de
estos sistemas son los aceleradores de partculas y el control de potencia en lsers de
C0
2
. El principio de operacin del control vibracional es la introduccin de seales
oscilatorias peridicas de media cero en uno o varios parmetros del sistema a controlar,
lo cual cambia las propiedades estructurales dinmicas del sistema. Como se ver ms
adelante este efecto no siempre ocurre.
La relacin que tiene este tema con los anteriores ser explicada en el captulo
seis, el cual necesita los resultados de control vibracional como antecedente.
5.2 PRI NCI PI OS DEL CONTROL VIBRACIONAL
En esta seccin slo se mostrarn resultados obtenidos para plantas lineales,
representados por el siguiente sistemas de ecuaciones diferenciales
x = Ax JteR"
5
-
1
)
Se introducen en la matriz A seales oscilatorias peridicas del tipo
co
8(0 = [ ^ / 0 j =i >donde b
J
(t) - k]-sin (5 t^t +(f>
s
.j) es una funcin peridica con
media cero; obtenindose el siguiente sistema
je = (A +B(t))x (
5
-
2
)
Definicin: El sistema (5.1) se dice que es vibracionalmente estabilizable si existe
una matriz B(t) (con media cero) tal que la solucin trivial x=0 del sistema (5.2) es
asintticamente estable.
Definicin: El sistema (5.1) se dice que es observable en principio si existe un
vector c e R
nxl
tal que el sistema es observable con respecto a la salida (c
T
x). Es
equivalente a decir que la matriz A es cclica.
Como se dijo antes, el efecto del control vibracional no se presenta en cualquier
clase de sistemas, sino que es una propiedad estructural de algunos de ellos. El siguiente
resultado fue publicado en (Meerkov, 1980) y establece en qu clase de sistemas se
puede utilizar:
Teorema 5.1: Sea el sistema (5.1) observable en principio. Entonces una condicin
necesaria y suficiente para que este sistema sea vibracionalmente estabilizable es que la
traza de la matriz A sea negativa.

Es presentado en (Meerkov, 1980) una revisin ms extensa sobre este tipo de
control, incluyendo una forma de llegar a un sistema lineal invariante en el tiempo que
describe "en promedio" la dinmica del sistema original controlado por control
vibracional, aunque estos resultados slo son obtenidos para una B(t) con elementos
distintos de cero solamente abajo de la diagonal.
Definicin: El elemento a^ de la matriz A se dice que es vibracionalmente
controlable si existe una matriz cuasi-peridica B(t) (con media cero) tal que b - * 0,
donde b.. pertenece a la matriz B, que es el efecto promedio de la matriz B(t) en el
sistema (5.2). Esto es, si a- es vibracionalmente controlable podemos reasignar su valor
"promedio" arbitrariamente.
Considerando el caso de un sistema lineal descrito por la ecuacin de orden n
x^ + a
1
x^'V + ... 4- a
n
x = u(t)
representamos este sistema en la formax =Ax +ru con
0 1 0 - 0
0
0 0 1 0
r =
0
0 0 0 - 1
0
~
a
n-1
1
si se introducen vibraciones de la forma
0 0
B(t) =
0 ... 0
6
b
(u) . ^(0
(5.4)
donde
b(<t) = k
s

sin(o) +<*), i = 1 ,...,n o>> sup

y =l '
se puede llegar (Meerkov, 1980) al siguiente resultado:
du
dt
(5.5)
Teorema 5.2: Los elementos a de la matriz A de la forma (5.3) que son
vibracionalmente controlables son aquellos para los cuales i >2. Existen constantes
positivas k
0
y o>
0
tales que si las vibraciones son de la forma (5.4)-(5.5) con kj ^k
0
(i=l,...,n) y o)>()
0
, la matriz B es definida por la frmula
0 - 0 0
B =
0 0 0
-b
n
... -b
2
o
00
klk]
i
i 2 (o
2
s
2
S S
COs(4>2~ <f>) *
=
2,...,

5 3 S I MULACI ON D E UN P ROCES O CONT ROL ADO VI BRACI ONALMENTE
En esta seccin se aplicarn los resultados presentados en la anterior a un proceso
bien conocido: el control de un pndulo, cuyo modelo es el siguiente
6 =w
6 = - - sen 8 - y
l
(5.6)
donde 6 es el ngulo con respecto a la vertical, g>es la velocidad angular, m y / son la
masa y la longitud del pndulo respectivamente, y y es el coeficiente de friccin viscosa
(y>0); todo esto se ilustra en la siguiente figura
m
Fig. 5.1 Esquema del pndulo.
La intencin de este control es hacer estable el pndulo en la posicin vertical
superior, una vez linealizado alrededor de este punto de equilibrio el modelo queda
como sigue
x = A x
-
0 1
6
G>
, A =
.7 -
Este modelo linealizado es observable en principio y adems es claro que su traza
es negativa, por lo que segn el teorema 5.1 es vibracionalmente estabilizable. Para
estabilizar este sistema se introducir una seal oscilatoria de la forma isen(o)
s
) en el
punto de suspensin vibrando a lo largo de la vertical, o lo que es equivalente
0
B(t) =
fi co
s
sen((
s
t)
/
de aqu, segn el teorema 5.2, el elemento a
2
j de la matriz A es vibracionalmente
controlable. Finalmente el sistema linealizado es
O
2
g-fM sen(< t)
l
Las siguientes simulaciones son hechas para 1=1 m, 5=0.7 1/s, 0.15 m y g =9.81
m/s
2
, con condiciones iniciales 0=-O.1416 rads y w=0.1 rad/s.
En las figuras 5.2-3 se observa que el sistema linealizado es inestable para una
frecuencia <o
s
pequea, pero se vuelve estable para o)
s
suficientemente grande.
1 OS
TI EMPO
Fig. 5.2 Respuesta del sistema linealizado para o>
s
=15.
TI EMPO
Fig. 53 Respuesta del sistema linealizado para o>
s
=50.
0
TI EMPO
Fig. 5.4 Respuesta del sistema no-lineal para w
s
=15.
TI EMPO
Fig. 5.5 Respuesta del sistema no-lineal para a)
s
=50.
Se aprecia el mismo resultado en las figuras 5.4-5.5, pero esta vez simulado para
el sistema no-lineal (5.6), con las condiciones iniciales equivalentes 8 =3 rads y o>=.1
rad/seg.
Se han presentado otras aplicaciones del control vibracional, tal como localizacin
de polos y ceros de bloqueo (Lee, 1987) y aumento de robustez en cuanto a la
estabilidad del sistema (Lee,1991), pero vale la pena recordar que estas aplicaciones son
un recurso alternativo cuando no es posible aplicar tcnicas tradicionales de
retroalimentacin o precompensacin.
'mmmMmmmMmmmtmmMmmmmmmmmmmmm^MwMmmmmmxmmm
F
CONTROL CAOTICO:
UN PRIMER INTENTO
6. 1 I NT RODUCCI ON
En este captulo se implementa la idea de controlar un proceso no-lineal teniendo
como controlador un sistema catico. Es importante no perder de vista que la
importancia del ejemplo que se presenta reside en el concepto del controlador catico
ms que en la naturaleza del controlador mismo.
El esquema de control que se presentar es nuevamente en malla abierta y
aplicando resultados de estabilizacin de sistemas inyectando ruido, al igual que en el
control vibracional, en algunos parmetros del modelo a controlar. El sistema que se
usar como controlador es, por supuesto, el generador de ruido obtenido en el captulo
4 y la planta a controlar ser la misma utilizada en el captulo anterior. La dinmica del
par controlador-planta obtenido ser observada mediante algunas simulaciones por
computadora.
6.2 CONTROL POR RUI DO
En esta seccin se explicar un mtodo de control que tambin basa su operacin
en la adicin de una matriz de perturbaciones F a la matriz A e R
dyd
del sistema
x = A(t)x , x(0) = (6.1)
pero en este caso los elementos de F son procesos estocsticos estacionarios de media
cero, es decir, se obtiene el sistema
x = (A(t)+F(t))x (
6
-
2
)
donde la matriz (y(/)+F()) mantiene su media fija e igual a la matriz A(t). Se busca
encontrar la matriz F(t) tal que el sistema (6.2) sea estable. La restriccin de que los
elementos de F sean de media cero es para evitar un desplazamiento de los polos del
sistema por otro medio diferente al control por ruido.
Sea x - f ( x , ) tal que / (x , ) es continua y Lipschitz (Sastry & Bodson, 1989),
con respecto a los dos argumentos. Tambin x =f(x,0) corresponde a una ecuacin
diferencial ordinaria. *() e () e W es una variable aleatoria continua y acotada.
La ecuacin x=f(x,i) se llama una ecuacin diferencial estocstica y () se puede
interpretar como un parmetro estocstico que afecta a la ecuacin diferencial ordinaria
x=f(x, O)-
Definicin: Se dice que x =f(x,i) es a) estable, b) asintticamente estable, c)
exponencialmente estable o d) globalmente exponencialmente estable si m()E(x(/)),
donde E es el operador esperanza matemtica, m =E( f ( x , i ) ) es una ecuacin diferencial
ordinaria que es a) estable, b) asintticamente estable, c) exponencialmente estable o
d) globalmente exponencialmente estable.
Cuando la distribucin de probabilidad de $ es un impulso unitario, esta
definicin se reduce al caso determinstico y coincide con la definicin de estabilidad de
ecuaciones diferenciales ordinarias.
En (Arnold, et. al., 1983) se presentan los siguientes resultados:
Hecho 6.1: Para el ms grande nmero de Lyapunov o
max
de (6.1) se tiene
siempre que
a = 1 traza (A) <; a
max

Por supuesto, (6.1) es exponencialmente estable si y slo si cr
mar
<0. Esta es una
generalizacin del caso A E^
xd
conocido, en el que
* -
d
traza(A)
con igualdad si y slo si Re [o (4)] =Re [cr. (A)], V i * j.
Teorema 6.2: Dado el sistema x = Ax, donde A e R ^ es una matriz fija, y el
sistema x = (A+F(t))x paramtricamente perturbado por una matriz estocstica
estacionaria dxd con media finita:
1) Para cualquier F(t) con traza(E(F(t)))=0 , siempre se tiene para el ms grande
nmero de Lyapunov tf
max
(/4 +F) del sistema perturbado
-trazaA <o
m9J
{A+F)
2) Para cualquier e>0 existe una matriz F(t) con E(F( ))
=
0 tal que
\trazaA <o (A +F)<-trazaA + e (6.3)
d d
Para una matriz deterministica M, los nmeros de Lyapunov correspondientes son las partes reales de los
eigenvalores de M.
En particular, un sistema invariante en el tiempo = Ax puede ser estabilizado
por un ruido de media cero en los parmetros si y slo si traza A < 0.

Como se puede observar, este resultado es similar al obtenido en el Teorema 5.1,
esto era de esperarse ya que ambos mtodos se basan en el mismo principio de
perturbacin de parmetros.
Es deducida tambin en (Arnold, 1983) una manera de escoger la forma de F{t)
que asegure la estabilidad del sistema (6.2).
6. 3 COMB I NACI ON GENERADOR CAOTI CO- CONTROL P OR RUI DO
Finalmente en esta seccin se llega al establecimiento de un problema de
estabilizacin de un proceso utilizando un controlador con comportamiento catico, para
hacer esto, sern aplicados los resultados de la seccin anterior utilizando el ruido
producido por el generador obtenido en el captulo 4. Nuevamente como planta a
controlar se tomar el pndulo invertido
6 =0)
8
(6.4)
(i) = - - sen 0 - y o)
/
r
linealizado alrededor de el punto de equilibrio (7r,0)
x = A x
e
1
0 1
e
1
0 1
X ~
, A =
g
>
i
(6.5)
dado que traza A=-y<0 se cumplen las condiciones del teorema 6.2 y el sistema (6.3)
puede ser perturbado por una matriz F(t) de media cero para obtener
-y
2Y
< a
m
JA+F) < -Viy + e
para cualquier e>0.
La matriz de perturbacin ser tomada como sigue
F(t) =
o
n
( 0
-n(0 0 .
donde r| es de una frecuencia suficientemente alta, E(ti)=0 y una gran variancia.
El esquema de control se encuentra ahora completo, y se muestra en la figura 6.1.
e
Fg. 6.1 Esquema de control catico.
La matriz de parmetros perturbados queda de la siguiente manera
A{t)+F(t) =
0
f-n(<) "Y
(6.6)
Si son utilizados los mismos valores que en el ejemplo de la seccin 5.3: /=lm,
g=9.81 m/s
2
y y =0.7 1/s, se tiene que a
max
(/4) =2.8, mientras que, del teorema 6.2,
a
max
(/4+.F)-0.35, lo que significa que el sistema perturbado es exponencialmente
estable.
Entre este ejemplo de utilizacin del control por ruido y el de control vibracional
se presenta una desafortunada diferencia; la necesaria presencia de ruido en el elemento
superior derecho de la ecuacin (6.6) provoca la prdida del sentido fsico del problema,
convirtindolo en un problema de estabilizacin de ecuaciones diferenciales. Este
inconveniente, sin embargo, no altera la esencia global ilustrada en la figura 6.1.
Las figuras 6.2-6.3 corresponden a una simulacin para el sistema linealizado, en
las que se ve la necesidad de que r| tenga una frecuencia suficientemente grande para
estabilizar al sistema. Las condiciones iniciales son 9=-0.1416 rads y t =0.1 rad/seg.
T I E M P O
Fig. 62 Respuesta del sistema linealizado para w^- 15.
o.a
T I E M P O
Fig. 63 Respuesta del sistema linealizado para =70.
e
T I E M P O
Fig. 6.4 Respuesta del sistema no-lineal para w =15.
e
T I E M P O
Fig. 6.5 Respuesta del sistema no-lineal para <0^=70.
Las grficas 6.4-6.5 pertenecen a la simulacin del sistema no-lineal con
condiciones iniciales 0=3 rads y =0.1 rad/seg.
Las simulaciones de la aplicacin del control por ruido entregaron resultados tan
buenos como los del control vibracional, al ser aplicado tanto al sistema linealizado como
al sistema no-lineal original; con la excepcin de que fue necesaria una seal inyectada
con una frecuencia ligeramente mayor.
CONCLUSIONES
La motivacin principal del presente trabajo fue la de empezar a construir una
ruta hacia la utilizacin de los sistemas caticos en ingeniera elctrica en general, lo cual
se logr parcialmente al proponer un generador de ruido basado en un sistema catico;
y una utilizacin en control, particularmente, lo cual se logr proponiendo un novedoso
sistema de control catico capaz de estabilizar una planta.
Primero fue dado un panorama general acerca de los sistemas caticos, sus
antecedentes, sus propiedades, mtodos de anlisis y algunas de las lneas de
investigacin en las que se est trabajando actualmente a este respecto.
Posteriormente se llev a cabo la deduccin de un generador de secuencias
aleatorias con las mejores propiedades estadsticas posibles, utilizando como estructura
un sistema retroalimentado el cual se prob tener comportamiento catico. Por los
resultados obtenidos en el captulo 3 se puede inferir que, a pesar de que la mayora de
los generadores de ruido propuestos han sido creados en forma heurstica, para tener un
generador con caractersticas probabilsticas aceptables, las ecuaciones de ste debe
tener, entre otras propiedades, un comportamiento catico.
Este generador de ruido hizo las veces de controlador para la planta no-lineal
inestable que es el pndulo invertido. El tipo de control realizado fue en lazo abierto
mediante la introduccin de ruido en algunos de los parmetros de la planta. Al ser
comparados los resultados contra los obtenidos con el control vibracional se observ que,
a pesar de perderse el sentido fsico del ejemplo, estos fueron bastante satisfactorios
tanto en las simulaciones para el sistema linealizado como para el sistema no-lineal.
Algunas recomendaciones para futuros trabajos que continen esta lnea de
investigacin son:
1) Demostracin del hecho de que los sistemas lineales, observables en principio,
con traza(A)<0 pueden ser estabilizados con la variacin catica de sus parmetros.
2) Encontrar condiciones bajo las cuales el presente esquema de control mejore
sus caractersticas, ya sea en las propiedades estadsticas del controlador o en la dinmica
global del par controlador-planta.
3) Desarrollar un ejemplo en el cual se obtenga rechazo a perturbaciones
mediante un controlador catico vibracional.
4) Desarrollar ejemplos y posteriormente teoremas que creen un verdadero
control retroalimentado catico, as como determinar condiciones bajo las cuales esto es
posible.
REFERENCIAS
[1] Abed, E. H., Wang, H. O. and Chen, R. C, "Stabilization of period doubling
bifurcations and implications for control of chaos", Proc. of the 31st. IEEE Conf.
on Decision and Control, pp. 2119-2124, Tucson, Arizona, 1992.
[2] Arnold, Crauel and Wihstutz, "Stabilization of linear systems by noise", SIAM J.
Control and Optimization, Vol. 21, No. 3, pp. 451-461, 1983.
[3] Bellman R., "Introduccin al anlisis matricial", Ed. Revert, 1965.
[4] Bellman, R., Bentsman, J . and Meerkov, S. M., "Stability of fast periodic systems",
IEEE Trans, on Automatic Control, Vol. AC-30, No. 3, pp. 289-291, 1985.
[5] Bradley, E., "Using chaos to broaden the capture range of a phase-locked loop",
IEEE Trans, on Circuits and Systems, Vol. 40, No. 11, pp. 808-818, 1993.
[6] Chen, G. and Dong, X., 1993, "Control of Chaos - A survey", Proc. of the 32nd.
IEEE Conf. on Decision and Control, pp. 469-474, San Antonio, Texas.
[7] Chiang, H., Liu, C., Varaiya, P. P., Wu, F. F. and Lauby, M. G., "Chaos in a
simple power system", IEEE Trans, on Power Systems, Vol. 8, No. 4, pp. 1407-
1417, 1993.
[8] Chua, L. O., Brown, R. and Hamilton, N., "Fractals in the twist-and-flip circuit",
Proc. of the IEEE, Vol. 81, No. 10, pp. 1466-1491, 1993.
[9] Chua, L. O. and Madan, R. N., "Sights and sounds of chaos", IEEE Circuits and
Devices Magazine, J anuary, 1988.
[10] Devaney, R. L., "An introduction to chaotic dinamical systems", Addison-Wesley,
1989.
[11] Devaney, R. L., "A first course in chaotic dynamical systems", Addison-Wesley,
1992.
[12] Dong, X. and Chen, G., "Controlling chaotic continuous-time systems via
feedback", Proc. of the 31st. IEEE Conf. on Decision and Control, pp. 2502-2503,
Tucson, Arizona, 1992.
[13] Drazin, P. G., "Nonlinear Systems", Cambridge University Press, 1992.
Feng, X. and Loparo, K. A., "A study of chaos in discrete time linear systems with
quantized state feedback", Proc. of the 31st. IEEE Conf. on Decision and Control,
pp. 2107-2112, Tucson, Arizona, 1992.
Genesio, R., Tesi, A., Wang, H. O. and Abed, E. H.," Control of period doubling
bifurcations using harmonic balance", Proc. of the 32nd. IEEE Conf on Decision
and Control, pp. 492-497, San Antonio, Texas, 1993.
Gillespie, D. T., "Markov processes, an introduction for physical scientist",
Academic Press, 1992.
Hale, J . and Ko$ak, H., "Dynamics and bifurcations", Springer-Verlag, New York,
1991.
Hamill, D. C., "Learning About chaotic circuits with SPICE", IEEE Trans, on
Education, Vol. 36, No. 1, pp. 28-35, 1993.
Hamming, R. W., "Numerical methods for scientist and engineers", Dover
Publications, New York, 1973.
Hemati, N. and Kwatny, H., "Bifurcation of equilibria and chaos in permanent-
magnet machines", Proc. of the 32nd. Conf on Decision and Control, pp. 475-479,
San Antonio, Texas, 1993.
Kahaner, Moler and Nash, 1977, "Numerical Methods and software", Prentice-
Hall, New J ersey.
Lee, S. and Meerkov, S. M., "Vibrational feedback control in the problem of
absolute stability", IEEE Trans, on Automatic Control, Vol. AC-36, No. 4, pp. 482-
485, 1991.
Leon, A. G., "Probability and random processes for electrical engineering",
Addisson-Wesley, 1989.
Luthe, Olivera and Schutz, "Mtodos Numricos", Limusa, 1988.
Matsumoto, T., "Chaos in electronic circuit", Proc. of the IEEE, Vol. 75, No. 8,
pp. 1033-1057, 1987.
Meerkov, S. M., "Principle of Vibrational Control: Theory and Applications",
IEEE Trans, on Automatic Control, Vol AC-25, No. 4, pp. 755-762, 1980.
Park, S. K. and Miller, K. W., "Random Number Generators: Good ones are hard
to find", Communications of the ACM, Vol. 31, No. 10, pp. 1192-1201, 1988.
Parker, T. S. and Chua, L. O., "Chaos: A tutorial for engineers", Proc. of the
IEEE, Vol. 75, No. 8, pp. 982-1008, 1987.
Parker, T. S. and Chua, L. O., "Practical numerical algorithms for chaotic
systems", Springer-Verlag, New York, 1989.
Peitgen, J iirgens and Saupe, "Chaos and fractals, new frontiers of science",
Springer-Verlag, New York, 1992.
Picci, G. and Taylor, T. J ., "Generation of Gaussian Processes and linear chaos",
Proc. of the 31st. IEEE Conf on Decision and Control, pp. 2125-2131, Tucson,
Arizona, 1992.
Saito, T. and Oikawa, M., "Chaos and fractals from a forced artificial neural cell",
IEEE Trans, on Neural Networks, Vol. 4, No. 1, pp. 43-52, 1993.
Sastry, S. and Bodson, M., "Adaptive control: stability, convergence, and
robustness", Prentice-Hall, New J ersey, 1989.
Taylor, T. J ., "A tutorial on chaos in control theory", Proc. of the 31st. IEEE
Conf. on Decision and Control, pp. 2102-2106, Tucson, Arizona, 1992.
Vincent T. L. and Yu, J ., "Control of a chaotic system", Dynamics and Control,
Vol. 1, pp. 35-52, 1991.