Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis de Sistemas Dinamicos Lineales PDF
Analisis de Sistemas Dinamicos Lineales PDF
din
amicos lineales
Analisis de sistemas
din
amicos lineales
Oscar G. Duarte V.
Profesor asociado del Departamento de
Ingeniera Electrica y Electr
onica
A quienes trabajan por la
democratizaci
on del conocimiento
Contenido
Contenido IX
Lista de figuras XV
Prefacio XXIII
ix
OSCAR G. DUARTE
3. Introducci on al an
alisis de sistemas din amicos lineales 43
3.1. Respuestas de estado cero y de entrada cero . . . . . . . . . . . . 43
3.1.1. Sistemas continuos . . . . . . . . . . . . . . . . . . . . . . 43
3.1.2. Sistemas discretos . . . . . . . . . . . . . . . . . . . . . . 45
3.2. Funciones de transferencia . . . . . . . . . . . . . . . . . . . . . . 47
3.3. Diagramas de bloques . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4. Diagramas de flujo de se
nal . . . . . . . . . . . . . . . . . . . . . 48
3.4.1. Regla de Mason . . . . . . . . . . . . . . . . . . . . . . . 52
3.5. Respuesta al impulso . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5.1. Caso discreto . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.5.2. Caso continuo . . . . . . . . . . . . . . . . . . . . . . . . . 59
x
CONTENIDO
xi
OSCAR G. DUARTE
xii
CONTENIDO
Bibliografa 295
xiii
OSCAR G. DUARTE
xiv
Lista de figuras
xv
OSCAR G. DUARTE
xvi
LISTA DE FIGURAS
xvii
OSCAR G. DUARTE
xviii
LISTA DE FIGURAS
xix
OSCAR G. DUARTE
xx
Lista de tablas
xxi
OSCAR G. DUARTE
xxii
Prefacio
xxiii
OSCAR G. DUARTE
Oscar G. Duarte
xxiv
Captulo 1
Introduccion al modelamiento de
sistemas
1.1.1. Sistemas
No es f
acil encontrar una definici on exacta de sistema, quiz as porque el ter-
mino es utilizado en muy diversos contextos. En un sentido amplio, podemos
entender por sistema aquello que se va a estudiar. Tal definici on es extrema-
damente vaga pero pone de manifiesto la necesidad de delimitar el objeto de
estudio, de imponerle unas fronteras precisas. Dividimos el universo en dos par-
tes: El sistema y todo lo dem as; esto u
ltimo lo denominamos el Entorno del
Sistema.
Podemos imaginar sistemas de tipos muy diferentes de acuerdo a que es lo
que se va a estudiar; si se desea conocer c omo se nutre un determinado animal
estariamos definiendo un sistema biol ogico, mientras que si lo que se quiere es
conocer la variacion de la poblaci on en una determinada ciudad a traves de los
a
nos definiriamos un sistema sociol ogico. Pueden plantearse tambien sistemas
abstractos, como por ejemplo el conjunto de los n umero enteros o las estrategias
de comunicaci on lingusticas.
El proposito de este curso no es, por supuesto, abordar cualquier tipo de
sistema, sino que se limita al estudio de un tipo especfico de sistemas que suelen
denominarse en el contexto de la fsica, la matem atica y la ingeniera Sistemas
1
OSCAR G. DUARTE
Din
amicos Lineales. Para precisar que tipo de sistemas son estos requerimos
primero de la presentaci
on de los conceptos dese
nales y modelos.
1.1.2. Se
nales
Las senales son el medio a traves del cual el sistema interact
ua con su entorno.
En la figura 1.1 se visualiza esta interacci on: El sistema, esta representado por
un rectangulo, lo que da a entender que tiene sus fronteras definidas en forma
precisa; este sistema recibe del entorno unas se nales de entrada, representadas
por flechas, y entrega a su entorno unas se nales de salida, tambien representadas
por flechas.
En las aplicaciones tpicas de ingeniera, las se nales de entrada y salida son
variables (fsicas o abstractas) que camban en el tiempo, como por ejemplo,
fuerzas, velocidades, temperaturas, etc.
1.1.3. Modelos
Para entender un sistema debemos hacer una representaci on abstracta de el;
tal representaci
on es el modelo del sistema. La figura 1.2 visualiza la diferencia
que existe entre sistema y modelo. El sistema existe, y de el hacemos una o
varias abstracciones para poder comprenderlo. Las representaciones abstractas
pueden ser de muchos tipos (ecuaciones, graficas, etc.) algunos de los cuales son:
Modelos ling usticos: son representaciones con palabras; este parrafo, por
ejemplo intenta explicar con palabras que es el sistema denominado modelo
ling
ustico.
2
1.1. CONCEPTOS PRELIMINARES
Modelo1
Modelo3
1.1.4. Construcci
on de los modelos matem
aticos
En general, la construcci
on de modelos se basa en la observaci
on del sistema.
Existen algunos caminos basicos para obtener un modelo (ver figura 1.3):
Modelamiento de sistemas: Esta estrategia consiste en descomponer (abs-
tractamente) el sistema en subsistemas m
as simples, cuyos modelos sean
3
OSCAR G. DUARTE
Modelamiento Identificaci
on
de Sistemas de Sistemas
@
? R@ ?
Modelos Modelos Modelos
de caja de caja de caja
blanca gris negra
1.1.5. Clasificaci
on de los modelos matem
aticos
En el ambito de este texto se emplear an modelos de tipo matem atico, es de-
cir, nuestros modelos ser an ecuaciones y el an
alisis de los sistemas asi modelados
estara ligado a la soluci
on de dichas ecuaciones. Las siguientes definiciones ayu-
daran a puntualizar que tipo de modelos matem aticos son los que se pretenden
estudiar, segun se observa en la figura 1.4.
Modelos causales y no causales: El estado de un sistema causal depende
s
olo de las condiciones presentes y pasadas, pero no de las futuras, es
decir hay una relacion de causalidad. Los sistemas fsicos son causales,
pero se pueden concebir modelos de ciertos sistemas que no lo sean. En el
texto se estudiar
an s
olo sistemas causales
4
1.1. CONCEPTOS PRELIMINARES
Modelos
Matem
aticos
? ?
No Causales Causales
? ?
Est
aticos Din
amicos
? ?
Determi-
Estoc
asticos
nsticos
? ?
Parametros Par
ametros
Distribuidos Concentrados
? ?
No Lineales Lineales
? ?
Variantes Invariantes
en tiempo en tiempo
? ?
Discretos Continuos
5
OSCAR G. DUARTE
Modelos est
aticos y din amicos: El estado de un sistema est atico depende
s
olo de las condiciones presentes y no de las pasadas. En contraposici on,
el estado de un sistema din amico depende de lo que haya sucedido en el
pasado, generalmente debido a que en el sistema hay alg un tipo de alma-
cenamiento de energa. Los sistemas dinamicos tambien se conocen como
sistemas con memoria. Los modelos de sistemas din amicos son ecuacio-
nes diferenciales o de diferencia. En el texto se estudiar
an solo sistemas
dinamicos.
f (x) = f (x)
6
1.1. CONCEPTOS PRELIMINARES
2. Superposici
on: Es igual calcular la funci
on en la suma de dos argu-
mentos que calcularla por separado en cada uno de los argumentos y
sumar los resultados.
7
OSCAR G. DUARTE
dn y dy
an + + a1 + a0 y(t) =
dtn dt
dm u du
bm m
+ + b1 + b0 u(t) n m (1.1)
dt dt
Por su parte, un sistema discreto de una unica entrada y una unica salida,
como el de la figura 1.6, tendr
a por modelo una ecuaci
on de diferencias finitas
ordinaria de coeficientes constantes:
8
1.2. SISTEMAS F
ISICOS
x1 (k + 1) a11 a12 a13 x1 (k)
x2 (k + 1) = a21 a22 a23 x2 (k) (1.4)
x3 (k + 1) a31 a32 a33 x3 (k)
9
OSCAR G. DUARTE
Electrico A Electrico B Mecanico Mecanico ro- Hidra
ulico Termico
traslacional tacional (Tanques)
Esfuerzo Corriente Tensi
on Fuerza Torque Caudal Diferencia de
temperatura
E i e f q
Flujo Tensi
on Corriente Velocidad Velocidad Nivel de l- Flujo de ca-
angular quido lor
F e i v h qc
Resistencia Conduc- Resistencia Amortigua- Amortigua- Resistencia Resistencia
tancia miento miento Hidraulica termica
viscoso viscoso
10
rotacional
E = RF i = Ge e = Ri f = Bv = B q = RH h = RT qc
Inductancia Capacitan- Inductancia Masa de Momento de
Area de tan-
cia inercia inercia que
E = L dF
dt i = C de
dt
di
e = L dt f = M dvdt = J d
dt q = A dh
dt
Capacitan- Inductancia Capacitan- Resorte Resorte tor- Capacitancia
cia R R cia R R sional termica
1
E = C F dt i= L edt e = C1 idt f =K vdt R = R =
KT dt CT qc dt
1.3.1. Elementos b
asicos
Los siguientes son los elementos b
asicos de un grafo de enlaces de potencia:
11
OSCAR G. DUARTE
figura 1.9 muestra los dos tipos de uniones existentes, sus smbolos y las
relaciones matematicas que los rigen.
12
1.3. GRAFOS DE ENLACES DE POTENCIA
BOND GRAPHS
Elemento e e = Rf
R
R f e
f= R
R
e=C f dt
Elemento e
C 1 de
C f f= C dt
e = I df
dt
Elemento e
I
I f 1
R
f= I edt
Fuente de e
Se e = Se
Esfuerzo f
Fuente de Sf e f = Sf
Flujo f
e1 e2 e1 = ke2
Transformador TF : k
f1 f2 f2
f1 = k
e1 e2 e1 = kf2
Rotador GY : k
f1 f2 e2
f1 = k
13
OSCAR G. DUARTE
e2 f2
Uni
on e1 e3 e1 = e 2 = e 3 = e 4
0
Tipo 0 f1 f3
f1 = f 2 + f 3 + f 4
f4 e4
e2 f2
Uni
on e1 e3 e1 = e 2 + e 3 + e 4
1
Tipo 1 f1 f3
f1 = f 2 = f 3 = f 4
f4 e4
14
1.3. GRAFOS DE ENLACES DE POTENCIA
BOND GRAPHS
+
v(t)
Dominio Rotacional
Re L
k J D/2
Rb
+
us
Dominio Traslacional
Ce
Dominio Electrico
mg
15
OSCAR G. DUARTE
I :L I:J
e2 f2 e6 f6
S..e e1 e3 GY
.. e5 e7
us 1 1 TF : D
2
f1 f3 k f5 f7
f4 e4 f8 e8
f9 e9
R : Re R : Rb
f10
C : Cel e10 0
f11 e11
e13
Se : mg 1
f13
f12 e12
I:m
16
1.3. GRAFOS DE ENLACES DE POTENCIA
BOND GRAPHS
1.3.2. Causalidad
En las figuras 1.7 y 1.8 se observa que las relaciones entre esfuerzo y flujo
pueden escribirse de dos formas diferentes para algunos de los elementos:
17
OSCAR G. DUARTE
Ejemplo 1.2 Retomando el ejemplo 1.1, cuyo grafo de enlaces de potencia se mues-
tra en la figura 1.12, el procedimiento de asignaci
on de causalidades permite obtener
el grafo causal de la figura 1.14
1.3.3. Obtenci
on de las ecuaciones
A partir de un grafo causal se pueden derivar las ecuaciones diferenciales que
describen el sistema con el siguiente procedimiento:
Ejemplo 1.3 Las ecuaciones del grafo causal de la figura 1.14 (Ejemplos 1.1 y 1.2)
se obtienen asi:
Enlace 1: e1 = us
Enlace 2: e2 = Ldf2 /dt
Enlace 4: f4 = e4 /Re
Primera uni
on: f1 = f2 = f3 = f4 e1 = e 2 + e 3 + e 4
1
Rotador: e3 = Kf5 f3 = K e5
18
1.3. GRAFOS DE ENLACES DE POTENCIA
BOND GRAPHS
I :L I :J
e2 f2 e6 f6
S..e e1 e3 GY
.. e5 e7
us 1 1 TF : D
2
f1 f3 k f5 f7
f4 e4 f8 e8
f9 e9
R : Re R : Rb
f10
C : Cel e10 0
f11 e11
e13
Se : mg 1
f13
f12 e12
I:m
19
OSCAR G. DUARTE
Segunda uni
on: f5 = f6 = f7 = f8 e5 = e 6 + e 7 + e 8
Transformador: e7 = D
2 e9
2
f7 = D f9
Enlace 10: f10 = Cel de10 /dt
Tercera uni
on: e9 = e10 = e11 f9 = f10 + f11
Enlace 12: e1 2 = mde12 /dt
Circuitos el
ectricos
1. Crear una uni
on tipo 0 por cada nodo del circuito.
2. Para cada elemento del circuito crear una union tipo 1, adicionarle a esa
union un enlace que represente al elemento y enlazar la uni
on con las dos
uniones tipo 0 correspondientes a los nodos entre los que esta conectado
el elemento.
3. Asignar las direcciones de potencia a los enlaces.
4. Si hay un nodo de referencia, eliminar la uni
on tipo 0 correspondiente y
los enlaces adyacentes.
5. Simplificar el grafo.
Sistemas traslacionales
1. Crear una uni
on tipo 1 para cada velocidad diferente (absolutas y relati-
vas).
2. Para cada fenomeno que genere una fuerza, crear una union tipo 0, adicio-
narle a esa uni
on un enlace que represente al fen
omeno y enlazar la union
con las dos uniones tipo 1 correspondientes; considerar las inercias.
20
Captulo 2
Preliminares matematicos
21
OSCAR G. DUARTE
es decir
f (0), f (1), f (2), f (3), , f (n)
Por ejemplo, al establecer f (0) = 1 como condici
on adicional para la ecuaci
on
(2.2), la u
nica soluci alida es f1 (k) = 2k
on v
1 En general el problema surge al considerar que un mismo sistema puede describirse por
22
2.1. ECUACIONES DIFERENCIALES Y DE DIFERENCIA
1. superposici
on: f (x1 + x2 ) = f (x1 ) + f (x2 )
Las derivadas, las integrales y las diferencias finitas son operaciones lineales. La
funci
on f (x) = ax + b no es una funci on lineal, a menos que b sea cero 2 .
E.D. lineales
Las ecuaciones diferenciales lineales son de la forma
dy n dy
an (t) n
+ + a1 (t) + a0 (t)y(t) =
dt dt
dum du
bm (t) m + + b1 (t) + b0 (t)u(t) (2.3)
dt dt
2 Efectivamente, f (x + x ) = m(x + x ) + b es diferente de f (x ) + f (x ) = (mx + b) +
1 2 1 2 1 1 1
(mx2 + b)
23
OSCAR G. DUARTE
dy n dy dum du
an n
+ + a 1 + a 0 y(t) = b m m
+ + b1 + b0 u(t) (2.5)
dt dt dt dt
2.1.4. M
etodos de soluci
on de E.D. lineales
La soluci
on de una E.D. lineal tiene dos componentes:
1. Obtener la soluci
on homogenea El polinomio caracterstico es:
P () = 2 + 3 + 2
P () = ( + 2)( + 1)
24
2.1. ECUACIONES DIFERENCIALES Y DE DIFERENCIA
1. Obtener la soluci
on homoge- 1. Obtener la soluci
on homoge-
nea con el siguiente procedi- nea con el siguiente procedi-
miento: miento:
Se escribe el polinomio Se escribe el polinomio
caracterstico de la ecua- caracterstico de la ecua-
ci
on. ci
on.
Se obtienen las races i Se obtienen las races i
del polinomio caracters- del polinomio caracters-
tico. tico.
Se construye la soluci on Se construye la soluci on
yh (t) = c1 e1 t + + yh (k) = c1 k1 + + cn kn
c n e n t
2. Obtener una soluci on particu-
2. Obtener una soluci on particu- lar yp (t). Generalmente se pro-
lar yp (t). Generalmente se pro- cede probando una soluci on
cede probando una soluci on similar a la funcion de entra-
similar a la funcion de entra- da, u(k)
da, u(t)
3. Construir la respuesta comple-
3. Construir la respuesta comple- ta y(k) = yh (k) + yp (k), rem-
ta y(t) = yh (t) + yp (t), rem- plazar las condiciones inicia-
plazar las condiciones inicia- les, y obtener los coeficientes
les, y obtener los coeficientes c1 , , c n
c1 , , c n
25
OSCAR G. DUARTE
yp (t) = 2 t2 + 1 t + 0
Calculamos yp (t), y p (t) y f(t):
y p (t) = 22 t + 1
yp (t) = 22
f(t) = 2t + 5
Remplazamos en la E.D.:
22 + 3(22 t + 1 ) + 2(2 t2 + 1 t + 0 ) = 2t + 5
22 t2 + (62 + 21 )t + (22 + 31 + 20 ) = 2t + 5
cuya soluci
on es 2 = 0 1 = 1 0 = 1, y por lo tanto la soluci
on particular
es:
yp (t) = t + 1 (2.11)
= c1 et 2c2 e2t + 1
y(t)
26
2.2. TRANSFORMADAS DE LAPLACE Y Z
y(0) = c1 e0 + c2 e0 + 0 + 1 = c1 + c2 + 1 = 2
y(0)
= c1 e0 2c2 e0 + 1 = c1 2c2 + 1 = 3
c1 = 4 c2 = 3
f (t) : R R
F (s) : C C
27
OSCAR G. DUARTE
L -
f (t) F (s)
1
L
RR CC
Transformada Z
Dada una funci
on f (t) de los enteros en los reales,
f (k) : Z R
F (s) : C C
de la variable compleja s,lo que establece una region de convergencia para la transformada de
una determinada funci on. Este hecho es irrelevante para nuestras aplicaciones de soluciones
de E.D. lineales.
4 De forma semejante al caso de la transformada de Laplace, la sumatoria que define la
28
2.2. TRANSFORMADAS DE LAPLACE Y Z
Z -
f (k) F (z)
1
Z
ZR CC
L - Z -
f (t) F (s) f (k) F (z)
1 1
L Z
RR CC ZR CC
2.2.2. Propiedades
Las transformadas de Laplace y Z satisfacen ciertas propiedades que son
muy similares para una y otra transformada; algunas de estas transformadas se
listan en la tabla 2.4, y sus demostraciones se presentan en el apendice A. De
estas propiedades destacamos los siguientes hechos:
29
OSCAR G. DUARTE
L {f1 (t) + f2 (t)} = F1 (s) + F2 (s) Z {f1 (k) + f2 (k)} = F1 (z) + F2 (z)
5 El (i) di f
superndice indica la derivada de orden i: f (i) = dti
30
2.2. TRANSFORMADAS DE LAPLACE Y Z
n n o
L d dtfn(t) = sn F (s) Z {f (k + n)} = z n F (z)
Pn1 ni
Pn1 i=0 z f (i)
i=0 sni1 f (i) (0+ )
Multiplicaci
on por t: Multiplicaci
on por k:
dn F (s) Z {k n f (k)} =
L {tn f (t)} = (1)n
dsn
d n (n1) o
z Z k f (k)
dz
Teorema de valor inicial: Teorema de valor inicial:
Convoluci
on: Convoluci
on:
L {f1 (t) f2 (t)} = F1 (s)F2 (s) Z {f1 (k) f2 (k)} = F1 (z)F2 (z)
Z
X
f1 (t) f2 (t) = f1 (t )f2 ( )d f1 (k) f2 (k) = f1 (k)f2 (h k)
0
k=0
1. En cada uno de los casos de las tablas 2.5 y 2.6, las transformadas (de
31
OSCAR G. DUARTE
2.2.4. Utilizaci
on de la tabla de parejas de transformadas
Para emplear las tablas 2.5 y 2.6 para obtener la transformada inversa de
una funci
on, primero hay que expresar esta u
ltima como alguno de los casos que
aparecen en dichas tablas. Suele ser u
til recordar que las transformaciones de
Laplace y Z son funciones lineales.
4
Ejemplo 2.3 Para obtener la transformada inversa de Laplace de F (s) = s3 ,
primero reescribimos la F (s) como:
4 1
F (s) = =4
s3 s3
32
2.2. TRANSFORMADAS DE LAPLACE Y Z
33
OSCAR G. DUARTE
Figura 2.4: Funciones discretas seg
un la ubicaci
on de sus polos en el plano s
34
2.2. TRANSFORMADAS DE LAPLACE Y Z
1 1
La expresi
on s3 es de la forma sa , cuya transformada inversa de Laplace es
at
e . Aplicando linealidad tenemos:
1 1
f (t) = L1 {F (s)} = L1 4 = 4L1 = 4e3t
s3 s3
(s )2 + 2 = s2 2s + 2 + 2
s+2 s+2
F (s) = = 2
s2 + s + 1 s + 21 + 3
4
1 3 3
s+ 2 + 2 s + 21 2
F (s) = = + 3
1 2 2 2
s+ 2 + 43 s + 21 + ( 23 )2 s + 21 + ( 23 )2
35
OSCAR G. DUARTE
Ejemplo 2.5
2s2 + s + 2 3
F (s) = = 2s 1 +
s+1 s+1
2. Identificar las races del polinomio del denominador (pi ), y cu
antas veces
se repite cada una de ellas (ri , o multiplicidad de la raiz).
N (s) N (s)
F (s) = =
D(s) (s p1 )r1 (s p2 )r2 (s pk )rk
Evidentemente la suma de las multiplicidades ser
a n, el grado del polino-
mio D(s)
3. Escribir la fracci
on como suma de de fracciones parciales:
N (s) A11 A1r1 A21 Akrk
F (s) = = + + + ++
D(s) (s p1 ) (s p1 )r1 (s p2 ) (s pk )rk
36
2.2. TRANSFORMADAS DE LAPLACE Y Z
Ejemplo 2.6
3s + 1 A11 A21
F (s) = = +
(s + 2)(s + 4) s+2 s+4
3s + 1 3s + 1 7
A11 = (s + 2) = =
(s + 2)(s + 4) s=2 (s + 4) s=2 2
3s + 1 3s + 1 13
A21 = (s + 4) = =
(s + 2)(s + 4) s=4
(s + 2) s=4
2
3s + 1 7/2 13/2
F (s) = = +
(s + 2)(s + 4) s+2 s+4
Ejemplo 2.7
1 d0 3 4s2 1
A13 = (s + 2) = 4s2 1s=2 = 15
(0)! ds0 (s + 2)3 s=2
1 d1 4s2 1
A12 = (s + 2)3 = 8s|s=2 = 8(2) = 16
(1)! ds1 (s + 2)3 s=2
1 d2 2
3 4s 1
1
A11 = (s + 2) = 8|s=2 = 4
(2)! ds2 (s + 2)3 s=2 2
4s2 1 4 16 16
F (s) = 3
= + 2
+
(s + 2) (s + 2) (s + 2) (s + 2)3
37
OSCAR G. DUARTE
Ejemplo 2.8
10 10 10
A11 = (s) 2 = 2
=
s(s + 4s + 13) s=0
(s + 4s + 13) s=0
13
10
A21 = (s (2 + j3)) 2
s(s + 14s + 13) s=2+j3
10
A21 =
s(s (2 j3)) s=2+j3
10 10
A21 = = = 0.38 + j0.26
(2 + j3)(2 + j3 (2 j3)) (2 + j3)(j6)
10
A31 = (s (2 j3)) 2
s(s + 14s + 13) s=2j3
10
A31 =
s(s (2 + j3)) s=2j3
10 10
A31 = = = 0.38 j0.26
(2 j3)(2 j3 (2 j3)) (2 j3)(j6)
Las fracciones complejas pueden sumarse (notese que los numeradores y deno-
minadores de una fracci
on son los conjugados de la otra):
Otra estrategia
Existe otra posibilidad para obtener los coeficientes Aij . Consiste en efectuar
la suma de las fracciones parciales e igualar coeficientes.
Tambien pueden combinarse las dos estrategias. Adem as, puede emplear-
se el hecho segun el cual la suma de las fracciones debidas a polos complejos
conjugados seran de la forma
As + B
s2 + Cs + D
Ejemplo 2.9
3s + 1 A11 A21
F (s) = = +
(s + 2)(s + 4) s+2 s+4
38
2.3. SOLUCION DE E.D. LINEALES MEDIANTE
TRANSFORMADAS
10 10/13 10 40
13 s 13
F (s) = = +
s(s2 + 4s + 13) s s2 + 4s + 13
10 10/13 0.77s + 3.08
F (s) = = 2
s(s2 + 4s + 13) s s + 4s + 13
2.3. Soluci
on de E.D. lineales mediante
transformadas
La soluci
on de Ecuaciones Diferenciales (o de diferencia) mediante transfor-
madas emplea el siguiente procedimiento:
39
OSCAR G. DUARTE
Para la aplicaci
on del u
ltimo paso, suele ser conveniente utilizar la expansi
on
en fracciones parciales.
z
z 2 Y (z) + z 2 2z) + 3 [zY (z) + z] + 2Y (z) = 5
z1
z z 3 + 6z
Y (z) z 2 + 3z + 2 = 5 z2 z =
z1 z1
z 3 + 6z z 3 + 6z
Y (z) = 2
=
(z 1)(z + 3z + 2) (z 1)(z + 1)(z + 2)
40
2.3. SOLUCION DE E.D. LINEALES MEDIANTE
TRANSFORMADAS
z 2 + 6 5
A21 = =
(z 1)(z + 2) z=1
2
z 2 + 6 2
A31 = =
(z 1)(z + 1) z=2 3
Por lo tanto
5 5 2
Y (z) z 2 + 6
= = 6 + 2 + 3
z (z 1)(z + 1)(z + 2) z1 z+1 z+2
5 5 2
6z 2 z 3z
Y (z) = + +
z1 z+1 z+2
La transformada inversa Z se puede obtener ahora en forma directa:
5 5 2
y(k) = Z 1 {Y (z)} = (k) + (1)k + (2)k
6 2 3
41
OSCAR G. DUARTE
42
Captulo 3
dn y dy dm u du
an n
+ + a1 + a0 y(t) = bm m + + b1 + b0 u(t) (3.1)
dt dt dt dt
43
OSCAR G. DUARTE
o en forma resumida:
n
X m
X
ai y (i) (t) = bi u(i) (t)
i=0 i=0
n
X n o Xm n o
ai L y (i) (t) = bi L u(i) (t)
i=0 i=0
n i1
!
X X
i ik1 (k) +
ai s Y (s) s y (0 ) =
i=0 k=0
m i1
!
X X
i ik1 (k) +
bi s U (s) s u (0 )
i=0 k=0
n n i1
!
X X X
i ik1 (k) +
ai s Y (s) s y (0 ) =
i=0 i=0 k=0
m m i1
!
X X X
i ik1 (k) +
bi s U (s) s u (0 )
i=0 i=0 k=0
De esta ecuaci
on podemos despejar Y (s) como:
n
X m
X
ai si Y (s) = bi si U (s)+
i=0 i=0
n i1
! m i1
!
X X X X
ik1 (k) + ik1 (k) +
s y (0 ) s u (0 )
i=0 k=0 i=0 k=0
Pm i
i=0 bi s U (s)
Y (s) = P n i
+
i=0 ai s
P P Pm Pi1
n i1 ik1 (k) + ik1 (k) +
i=0 k=0 s y (0 ) i=0 k=0 s u (0 )
Pn i
Pn i
i=0 ai s i=0 ai s
o de otra forma:
44
3.1. RESPUESTAS DE ESTADO CERO Y DE ENTRADA CERO
Pm
i=0 bi si
Y (s) = Pn i
U (s)+
i=0 ai s
Pn Pi1 ik1 (k) + Pm Pi1 ik1 (k) +
i=0 k=0 s y (0 ) i=0 k=0 s u (0 )
Pn i
(3.2)
i=0 ai s
La ecuaci
on (3.2) muestra que la respuesta de un sistema din
amico continuo
puede descomponerse en dos partes1 :
Respuesta de estado cero: Es la primera parte de la ecuaci on (3.2). Depen-
de de la entrada U (s) y no de las condiciones iniciales; de hecho, es la
respuesta que tiene el sistema si las condiciones iniciales son cero, es decir,
si su estado inicial es cero (de all su nombre).
Respuesta de entrada cero: Es la segunda parte de la ecuaci on (3.2). De-
pende de las condiciones iniciales y no de la entrada U (s); de hecho, es la
respuesta que tiene el sistema si la entrada es cero (de all su nombre).
Supongase un sistema din amico lineal discreto como el de la figura 3.2, cuya
relaci
on entre la entrada u(k) y la salida y(k) est a descrita por la siguiente
ecuacion de diferencias generica:
45
OSCAR G. DUARTE
n
X m
X
ai Z {y(k + i)} = bi Z {u(k + i)}
i=0 i=0
n
X i1
X m
X i1
X
ai z i Y (z) z ij y(j) = bi z i U (z) z ij u(j)
i=0 j=0 i=0 j=0
!
n
X n
X i1
X m
X m
X i1
X
i ij i ij (
ai z Y (z) z y(j) = bi z U (z) z u j)
i=0 i=0 j=0 i=0 i=0 k=0
De esta ecuaci
on podemos despejar Y (z) como:
n
X m
X n
X Xi1 m
X Xi1
ai z i Y (z) = bi z i U (z) + z ik y(j) z ik u(j)
i=0 i=0 i=0 j=0 i=0 j=0
Pm i
i=0 bi z U (z)
Y (z) = P n i
+
i=0 ai z
P P Pm Pi1
n i1 ik1 (k) + ik1 (k) +
i=0 k=0 s y (0 ) i=0 k=0 s u (0 )
Pn i
Pn i
i=0 ai z i=0 ai z
o de otra forma:
Pm
i=0 bi z i
Y (z) = Pn i
U (s)+
i=0 ai z
Pn Pi1 P
m
P
i1 ik
ik
i=0 j=0 j y(j) i=0 j=0 z u(j)
Pn i
(3.4)
a
i=0 i z
46
3.2. FUNCIONES DE TRANSFERENCIA
Las expresiones
s
olo son v
alidas si las condiciones iniciales son nulas. En este caso, es posible
representar gr
aficamente la relacion entrada-salida del sistema mediante dos
tipos de diagramas:
-
F (s) -(z)
F
U (s) s sY (s) U (z) s sY (z)
47
OSCAR G. DUARTE
Efectuamos la reducci
on del bloque en paralelo (ver figura 3.7(f))
Efectuamos la reducci
on de los bloques identificados (ver figura 3.7(h))
Efectuamos la reducci
on del bloque en cascada final (ver figura 3.7(i))
48
3.4. DIAGRAMAS DE FLUJO DE SENAL
Suma de se
nales
X2 (s)
?
X1 (s) +- - X1 (s) X2 (s)
Conexi
on en cascada
- F1 (s) - F2 (s) - - F1 (s)F2 (s) -
Conexi
on Paralelo
- F1 (s)
?+
k- - F1 (s) + F2 (s) -
- F2 (s) 6+
Retroalimentaci
on
-
+ k - G(s) -
6 - G(s) -
1G(s)H(s)
H(s)
Traslado del sumador
X1 (s) - F1 (s) -
X1 (s) F1 (s)
F2 (s)
+? +?
X2 (s) - F2 (s) -
+ k Y-
(s) X2 (s) -
+ k - F2 (s) Y (s)
-
- F2 (s) Y2 -
(s) - F2 (s) Y2 -
(s)
F1 (s)
49
OSCAR G. DUARTE
b2
b1 + +
+ + +
1/s
1/s
a1
a0
Ganancia de lazo cerrado Producto de las ganancias de las ramas que for-
man un lazo.
Camino directo Las figuras 3.9(b) y 3.9(c) muestran los caminos directos. 3.2
50
3.4. DIAGRAMAS DE FLUJO DE SENAL
b2 b2
sb1
+ +
sb1
+
+ + + ++ + +
1/s 1/s 1/s 1/s
a1 a1
a0 a0
b2 b2
sb1 + sb1 +
+ +
+ 1 + + 1 +
1/s
s+a1 s(s+a1 )
a0 a0
b2 b2
sb1 + +
+
+ + 1 + + 1 +
sb1 + 1
s(s+a1 ) s(s+a1 )
a0 a0
b2 s(s + a1 ) b2 s(s + a1 )
+ +
+ + 1 + + 1
sb1 + 1 sb1 + 1
s(s+a1 ) s(s+a1 )
a0 a0
1 1
b2 s(s + a1 ) + sb1 + 1 s(s+a1 )+a0 (b2 s(s + a1 ) + sb1 + 1)
s(s+a1 )+a0
51
OSCAR G. DUARTE
Nodos y Ramas
F (s) Y (s) = F (s)X(s)
X(s)
Y (s)
Suma de Se
nales
X3 (s) F3 (s)
F2 (s)
X2 (s) Y (s) Y (s) = F1 (s)X1 (s)+
F2 (s)X2 (s) F3 (s)X3 (s)
X1 (s) F1 (s)
Lazo cerrado Las figuras 3.9(d) a 3.9(f) muestran los lazos del ejemplo.
Lazos adyacentes Los lazos mostrados en las figuras 3.9(e) y 3.9(f) son adya-
centes.
Lazos no adyacentes Los lazos mostrados en las figuras 3.9(d) y 3.9(e) son no
adyacentes.
p= N
umero de caminos directos de X(s) a Y (s)
52
3.4. DIAGRAMAS DE FLUJO DE SENAL
G11 (s)
G9 (s) G8 (s)
G10 (s) G7 (s)
G12 (s)
G13 (s)
(a) Ejemplo
53
OSCAR G. DUARTE
H1 (s) H2 (s)
H3 (s)
= 1
- (Suma de ganancias de lazos cerrados)
+ (Suma de ganancias de lazos no adyacentes tomados de a 2)
- (Suma de ganancias de lazos no adyacentes tomados de a 3)
+ (Suma de ganancias de lazos no adyacentes tomados de a 4)
k : para el diagrama eliminando los lazos que tocan el camino n
umero
k
Ejemplo 3.3 Para el sistema de la figura 3.10 la aplicaci
on de la regla de Mason
es como sigue:
S
olo existe un camino directo (p = 1), cuya ganancia es:
T1 = G 1 G 2 G 3 G 4 G 5
L1 L2 =G2 H1 G4 H2
L1 L3 =G2 H1 G6 H3
L2 L3 =G4 H2 G6 H3
54
3.5. RESPUESTA AL IMPULSO
L 1 L 2 L 3 = G 2 H1 G 4 H2 G 6 H3
Dado que s
olo hay un camino directo, la funcion de transferencia se calcula
como: Pp
Y (s) T k k T 1 1
F (s) = = k=1 =
X(s)
G1 G2 G3 G4 G5 (1 (G6 H3 ))
F (s) = 1(G2 H1 +G4 H2 +G6 H3 +G2 G3 G4 G5 H4 G6 H5 )
+(G2 H1 G4 H2 +G2 H1 G6 H3 +G4 H2 G6 H3 )
(G2 H1 G4 H2 G6 H3 )
55
OSCAR G. DUARTE
3 2 1 1 2 3
56
3.5. RESPUESTA AL IMPULSO
Z 1
Convoluci
on
Una se
nal discreta cualquiera x(k) es un conjunto de valores en el tiempo,
que puede representarse como la suma de infinitos impulsos individuales yi , tal
como se muestra en la figura 3.15.
Ademas, cada uno de los pulsos individuales wi puede representarse como
un impulso aplicado en el instante de tiempo i, cuya amplitud es justamente
x(i) Dicho de otra forma, cualquier se
nal puede escribirse como:
57
OSCAR G. DUARTE
(k) h(k)
1 1
F (z)
1 1 2 3 4 5 1 1 2 3 4 5
(k 1) h(k 1)
1 1
F (z)
1 1 2 3 4 5 1 1 2 3 4 5
58
3.5. RESPUESTA AL IMPULSO
X
y(k) = x(i)h(k i) = x(k) h(k)
i=
Se define la funci
on delta de Dirac como la funci on que resulta al disminuir
progresivamente, hasta llevarlo al lmite en que tiende a cero:
(t) = lm d (t)
0
59
OSCAR G. DUARTE
x(k)1
=
3 2 1 1 2 3
..
w1
+
1
3 2 1 1 2 3
+
w0
1
3 2 1 1 2 3
+
w1
1
3 2 1 1 2 3
+.
.
Figura 3.15: Descomposici
on de una se
nal discreta
60
3.5. RESPUESTA AL IMPULSO
d (t)
1/
(t)
61
OSCAR G. DUARTE
f (t)
1/
f (t)d (t)
t t
+ +
Figura 3.18: Area bajo la curva f (t)d
L {(t)} = 1
Respuesta al impulso
Este hecho pone de manifiesto la relacion que existe entre la respuesta al im-
pulso y la funci
on de transferencia (ver figura 3.20):La funcion de transferencia
es la transformada de Laplace de la respuesta al impulso
62
3.5. RESPUESTA AL IMPULSO
L1
Convoluci
on
La ecuaci
on 3.5 muestra que una se nal cualquiera x(t) puede representarse
como la convolucion contnua entre x(t) y (t) identificada con el operador
(se han intercambiado las variables t y , lo que no altera el resultado):
Z
x(t) = x( )(t )d = x(t) (t)
63
OSCAR G. DUARTE
64
Captulo 4
Los sistemas de primer y segundo orden merecen especial atenci on, ya que
ellos presentan los comportamientos b asicos que pueden aparecer en cualquier
sistema dinamico. Dicho de otra forma, en general un sistema din
amico presen-
tara un comportamiento que puede descomponerse en los comportamientos m as
simples de los sistemas de primer y segundo orden.
Este hecho puede explicarse observando el metodo de soluci on de E.D. que
emplea expansion en fracciones parciales (ver secci
on 2.2.5): una fracci
on se des-
compone en fracciones m as simples en donde los denominadores son polinomios
de primer o segundo orden.
La excepcion a esta regla la constituyen los sistemas con polos repetidos, en
donde adem as aparecen los mismos comportamientos b asicos multiplicados por
tn o k n (ver tablas 2.5 y 2.6).
En este captulo se estudian los sistemas continuos de primer y segundo
orden. En todos los casos se proceder a de la misma forma: se seleccionar a una
funcion de transferencia prototipo, se calcular on unitario 1
a su respuesta al escal
con condiciones iniciales nulas, y se analizar a la relaci
on existente entre esa
respuesta y el valor de los polos dela funci on de transferencia. Las secciones
4.5 y 4.6 buscan resaltar que los resultados presentados en este captulo son
estrictamente validos para las funciones prototipo seleccionadas.
65
OSCAR G. DUARTE
y(t) y(t)
2 a=2 2 a=3
1 1
1 2 3 4
t 1 2 3 4
t
y(t) y(t)
2 a = 1 2 a=1
1 1
1 2 3 4
t 1 2 3 4
t
1 1 1/a 1/a
Y (s) = F (s)U (s) = = +
(s + a) s s s+a
1 1 1
y(t) = L1 {Y (s)} = (t) eat (t) = (1 eat )(t)
a a a
1
y(t) = (1 eat )(t) (4.2)
a
La expresion (4.2) muestra que la respuesta del sistema depender a del valor
de a. Este hecho se constata en la figura 4.1, que muestra las gr aficas de y(t)
para distintos valores de a.
Al cambiar el valor de a tambien cambia el valor del unico polo de la funci
on
de transferencia (4.1), que es a. Para cualquier valor real positivo de a el polo
es un real negativo a, y viceversa. Cuando el polo es positivo, la respuesta
del sistema tiende a infinito, y se dice que el sistema es inestable. La figura 4.2
muestra cuales son las regiones de estabilidad e inestabilidad con referencia a la
recta real, es decir, en que lugares debe estar ubicado el polo de la funcion de
transferencia para que el sistema sea, respectivamente, estable o inestable.
66
4.1. SISTEMAS CONTINUOS DE PRIMER ORDEN
Regi
on de Estabilidad Regi
on de Inestabilidad
y(t)
y=t
1/a
67 %
1/a t
67
OSCAR G. DUARTE
tas 3/a
a 0
1 z z/(1 + a) z/(1 + a)
Y (z) = F (z)U (z) = =
(z + a) (z 1) (z 1) z+a
1 1 1
y(k) = Z 1 {Y (z)} = (k) (a)k (k) = (1 (a)k )(k)
1+a 1+a (1 + a)
1
y(k) = (1 (a)k )(k) (4.4)
(1 + a)
La expresion (4.4) muestra que la respuesta del sistema depender a del valor de
a. Este hecho se constata en la figura 4.1, que muestra las gr aficas de y(k) para
distintos valores de a.
Al cambiar el valor de a tambien cambia el valor de el unico polo de la funci
on
de transferencia (4.3), que es a. Para cualquier valor real positivo de a el polo
es un real negativo a, y viceversa. Cuando el polo es negativo, la respuesta del
sistema es de signo alternante (P.ej. (1/2)k = 0, 1/2, 1/4, 1/8, ); por el
contrario, si el polo es positivo la respuesta siempre sera del mismo signo.
Por otra parte, si el valor absoluto de a es mayor que 1, el valor absoluto
de la respuesta tiende a infinito, y se dice que el sistema es inestable. La figura
4.6 muestra cuales son las regiones de estabilidad e inestabilidad con referencia
a la recta real, es decir, en que lugares debe estar ubicado el polo de la funcion
de transferencia para que el sistema sea, respectivamente, estable o inestable;
tambien se muestra en la misma figura cuando la respuesta es alternante o no.
Para medir que tan rapido decae una respuesta natural en los sistemas esta-
bles podemos definir el tiempo de asentamiento o tiempo de estabilizacion, como
el tiempo a partir del cual la respuesta natural (su valor absoluto) no supera
68
4.2. SISTEMAS DISCRETOS DE PRIMER ORDEN
y(k) y(k)
2 2
a = 0.5 a = 1.5
1 1
1 2 3 4
k 1
2 3 4
k
1 1
2 2
y(k) y(k)
2 2
a = 1.5
1 1
a = 0.5
1 2 3 4
k 1 2 3 4
k
1 1
2 2
1 0 1
Alternante No Alternante
69
OSCAR G. DUARTE
kas 3/ ln |a|
a a
1 0 1
(| a|)kas 0.05
70
4.3. SISTEMAS CONTINUOS DE SEGUNDO ORDEN
Im(s)
p
jn 1 2
n
Re(s)
n
n
p
jn 1 2
Adem
as, el coseno del a
ngulo formado con el semieje real negativo, es
justamente :
n
cos = =
n
Al estimular el sistema (4.5) con un paso unitario (t), con condiciones
iniciales nulas, la respuesta y(t) puede calcularse como sigue:
n 1
Y (s) = F (s)U (s) =
s2 + 2s + n2 s
!
1 p
1 n t 2
y(t) = L {Y (s)} = 1 p e sin n 1 t + (t) (4.6)
1 2
donde,
= cos1
Las figuras 4.9 a 4.11 muestran la grafica de (4.6) en varias condiciones: en
la figura 4.9 se ha fijado n = 1, y se ha variado . En la figura 4.10 se ha fijado
= 0.5 y se ha variado n . La figura 4.11 muestra la forma generica de (4.6)
con (0, 1).
4.3.1. Regi
on de estabilidad
Al evaluar (4.6) se observa que para valores positivos de n el termino
exponencial crece indefinidamente, y por tanto la respuesta se har a infinita.
El termino n coincide con la parte real de los polos de (4.5), tal como se
muestra en la figura 4.8, por lo tanto, la regi
on de estabilidad, aquella en la que
71
OSCAR G. DUARTE
y(t)
: = 0.1
2 : = 0.5
: = 0.9
1
t
1 2 3 4 5 6 7 8 9
y(t)
: n = 1
2 : n = 0.5
: n = 2
1
t
1 2 3 4 5 6 7 8 9
y(t)
ymax
yf inal
tc t
72
4.3. SISTEMAS CONTINUOS DE SEGUNDO ORDEN
Im(s)
Estabilidad Inestabilidad
Re(s)
deben ubicarse los polos para que el sistema sea estable, resulta ser el semiplano
izquierdo. Esto se muestra en la figura 4.12
4.3.2. Regi
on de tiempo m
aximo de asentamiento
n t
La respuesta transitoria
p de (4.5) es el producto de una exponencial e
por una sinusoidal sin n 1 2 t + , es decir, su amplitud es menor o igual
que en t .
Si tomamos el tiempo de asentamiento como el tiempo a partir del cual la
respuesta natural (su valor absoluto) no supera el 5 % de su valor maximo, en
el caso del sistema continuo de segundo orden este tiempo tas satisface:
ln 0.05
en tas = 0.05 tn s = tas 3/n
n
Debido a que n es la parte real de los polos de (4.5) , tal como se muestra
en la figura 4.8, la regi
on de tiempo de asentamiento m
aximo es la que se muestra
en la figura 4.13
4.3.3. Regi
on de frecuencia m
axima de oscilaci
on
La frecuencia de oscilaci
p on de la respuesta es la frecuencia de la sinusoidal
de (4.5), es decir es n 1 2 , que corresponde a la parte imaginaria de los
polos de (4.5) (ver figura 4.8). Por esta raz
on, la regi
on de frecuencia m
axima
de oscilaci
on es la que se muestra en la figura 4.14
73
OSCAR G. DUARTE
Im(s)
3 3
tas a tas > a
Re(s)
a
Im(s)
w > w
jw
w w
Re(s)
jw
w>w
74
4.3. SISTEMAS CONTINUOS DE SEGUNDO ORDEN
4.3.4. Regi
on de sobrepico m
aximo
Uno de los par ametros mas importantes de la respuesta graficada en la figura
4.11, es el sobrepico m
aximo, sp, que indica que tanto llega a valer la respuesta
en relaci
on con su valor final:
ymax yf inal
sp = 100 %
yf inal
donde ymax es el valor m aximo, y yf inal el valor final (estacionario) de y(t).
Para calcular el sobrepico m aximo, primero derivamos y(t) e igualamos a
cero para obtener los instantes tc en los que suceden los m aximos y mnimos de
y(t): h p i
dy 1 2 n en t sin n 1 2 t + +
dt =
h1 p p i
n 1 2 en t cos n 1 2 t + =0
p p p
n sin n 1 2 t + = n 1 2 cos n 1 2 t +
p
1 2 p
= tan n 1 2 t +
p
p 1 2
n 1 2 t + = tan1
Para obtener el valor de la arcotangente en la ecuaci on anterior, observese en la
figura (4.8) el valor de tan :
p p
n 1 2 1 2
tan = =
n
on tan1 (x) es peri
La funci odica, de periodo , por lo tanto
p
p 1 2
n 1 2 t + = tan1 = + n
n
t= p n = 0, 1, 2,
n 1 2
Existen infinitos instantes en los que la derivada de y(t) es nula, que correspon-
den a los m aximos y mnimos locales que se observan en la figura 4.11. Para
n = 0 resulta t = 0, por lo tanto la respuesta y(t) es pr acticamente horizontal
en su inicio. El sobrepico maximo sucede en tc , que corresponde a n = 1:
tc = p
n 1 2
El valor de y(t) en tc es el valor m
aximo de y(t), es decir ymax = y(tc )
!
1 n p
ymax = 1 p e n 12 sin n 1 2 p +
1 2 n 1 2
75
OSCAR G. DUARTE
sp( %)
100
80
60
40
20
0
0 0.2 0.4 0.6 0.8 1.0
1
ymax = 1 p e 12 sin( + )
1 2
Dado que sin( + x) = sin(x), podemos escribir
1
ymax = 1 + p e 12 sin()
1 2
ymax = 1 + e 12 = 1 + e cot
El valor final de y(t) es 1, por lo tanto
sp = e 12 100 % = e cot 100 %
Las figuras 4.15 y 4.16 muestran como vara el sobrepico m
aximo en funci
on de
el factor de amortiguamiento y el a ngulo , respectivamente. Es interesante
observar que el sobrepico depende del a ngulo que forman los polos con el
semieje real negativo (figura 4.8), lo que nos permite establecer una regi
on de
sobrepico maximo, tal como la que se muestra en la figura 4.17
4.3.5. Regi
on de dise
no
Las regiones que se muestran en las figuras 4.12, 4.13, 4.14 y 4.17 pueden
resumirse en una u nica regi
on de diseno, como la que se muestra en la figura
4.18. Refiriendonos a esta figura, la regi
on de dise
no puede interpretarse asi:
Dado un sistema de segundo orden como el de la ecuaci on (4.5) con condi-
ciones iniciales nulas, cuyos polos estan ubicados dentro de la regi
on de dise
no,
puede asegurarse que:
76
4.3. SISTEMAS CONTINUOS DE SEGUNDO ORDEN
sp( %)
100
80
60
40
20
0
0 18 36 54 72 90
Im(s)
77
OSCAR G. DUARTE
Im(s)
jw
Re(s)
a
jw
el sistema es estable
78
4.4. SISTEMAS DISCRETOS DE SEGUNDO ORDEN
Im(z)
jb sin a
b
a Re(z)
a b cos a
b
b sin a
Y (z) A Bz + C
= + 2
z z 1 z 2bz cos a + b2
sumando e igualando coeficientes se obtiene
A=1 B = 1 C = 1 + 2b cos a
z z 2 + (1 2bz cos a)
Y (z) = 2
z1 z 2bz cos a + b2
z z 2 bz cos a z(1 2z cos a)
Y (z) = 2 2
2
z 1 z 2bz cos a + b z 2bz cos a + b2
(1 b cos a) k
y(k) = Z 1 {Y (z)} = 1 bk cos ak b sin ak (k)
b sin a
Finalmente, las dos sinusoidales se pueden agrupar en una sola, para obtener:
y(k) = Z 1 {Y (z)} = 1 Cbk sin (ak + ) (k) (4.8)
donde
1 + b2 2b cos a 1 b sin a
C= = = tan1
b sin a sin 1 b cos a
79
OSCAR G. DUARTE
y(k)
k
1 2 3 4 5 6 7 8 9
4.4.1. Regi
on de estabilidad
Al evaluar (4.8) se observa que para valores de b mayores que 1 el termino
exponencial crece indefinidamente, y por tanto la respuesta se har a infinita. El
termino b coincide con la magnitud de los polos de (4.7), tal como se muestra
en la figura 4.19, por lo tanto, la regi
on de estabilidad, aquella en la que deben
ubicarse los polos para que el sistema sea estable resulta ser el crculo unitario
centrado en el origen, tal como se ve en la figura 4.22.
4.4.2. Regi
on de tiempo m
aximo de asentamiento
La respuesta transitoria de (4.7) es el producto de la exponencial bk por la
sinusoide sin (ak + ), es decir, su amplitud es menor o igual que bk .
Si tomamos el tiempo de asentamiento como el tiempo a partir del cual la
respuesta natural (su valor absoluto) no supera el 5 % de su valor maximo en el
80
4.4. SISTEMAS DISCRETOS DE SEGUNDO ORDEN
y(k)
10
k
1 2 3 4 5 6 7 8 9
5
10
Im(z)
j
Inestabilidad
Estabilidad
Re(z)
1 1
81
OSCAR G. DUARTE
Im(z)
1
jb
jb
1
caso del sistema discreto de segundo orden, este tiempo kas satisface:
3
bkas 0.05 ln bkas ln 0.05 kas ln b ln 0.05 kas
ln b
Debido a que b es la magnitud de los polos de (4.7) , tal como se muestra en
la figura 4.19, la regi
on de tiempo de asentamiento maximo es la que se muestra
en la figura 4.23.
4.4.3. Regi
on de Frecuencia m
axima de oscilaci
on
La frecuencia de oscilacion de la respuesta es la frecuencia de la sinusoidal
de (4.7), es decir es a, que corresponde al angulo de los polos de (4.7) respecto
a la horizontal (ver figura 4.19). Por esta raz
on, la regi
on de frecuencia m
axima
de oscilaci
on es la que se muestra en la figura 4.24.
4.4.4. Regi
on de sobrepico m
aximo
Al comparar las respuestas a escalones unitarios de los sistemas continuos y
discretos de segundo orden, que aparecen en las ecuaciones (4.6) y (4.8) respec-
tivamente, podemos ver las semejanzas de estas respuestas.
k
Si reescribimos bk como eln b = ek ln b , podemos asimilar los coeficientes
de los exponentes y las sinusoides:
p
n = ln b n 1 2 = a
De tal manera que
ln b
= p = cot
a 1 2
82
4.5. EFECTO DE LOS CEROS. SISTEMAS DE FASE M
INIMA
Im(z)
f rec a
a
Re(z)
a
a
b = ea cot = e 12 (4.9)
La ecuacion 4.9 permite definir, para el caso discreto, curvas an alogas a las
que generan la regi on de sobrepico m aximo de los sistemas continuos (figura
4.17). La figura 4.25 muestra las curvas generadas por la ecuaci on (4.9) para
distintos valores de .
Por su parte, la figura 4.26) muestra la regi on definida por (4.9) al fijar un
valor de (o de ), es decir, al establecer un factor de amortiguamiento. Esta
regi
on no es la regi
on de sobrepico m aximo, sino la regi on de amortiguamiento
mnimo. El sobrepico m aximo es m as difcil de obtener debido a que el tiempo
es discreto.
4.4.5. Regi
on de dise
no
Al combinar las regiones definidas en las figuras 4.22 a 4.26 se obtiene la
regi
on de dise
no que se muestra en la figura 4.27. Su significado es an
alogo a la
regi
on de dise
no del caso continuo.
83
OSCAR G. DUARTE
Im(z)
: = 0.1
j
: = 0.5
: = 0.9
Re(z)
1 1
Im(z)
j
Re(z)
1 1
84
4.5. EFECTO DE LOS CEROS. SISTEMAS DE FASE M
INIMA
Im(z)
j
Re(z)
1 1
Sup
ongase un sistema continuo de segundo orden, con un cero real:
(b2 + 2 )
a (s + a)
F (s) = (4.10)
(s + b)2 + 2
La respuesta al escal
on del sistema definido por (4.10) es :
p
1 + 1 (b2 + 2 )[(a b)2 + 2 ]ebt sin (t + ) (t)
a
y(t) = (4.11)
= tan1 wb + tan1 ab w
85
OSCAR G. DUARTE
y(t)
: a == 0.5
:a=1
: a = 1
1
t
1 2 3 4
Figura 4.28: Respuesta al paso de un sistema continuo de segundo orden, con cero
real b = = 1
(s + a)
F (s) = (4.12)
(s + b)(s + c)
La respuesta al escal
on ser
a:
86
4.6. POLOS DOMINANTES
: 0.25e10t
1 1 : 0.5et cos 2t
t t
1 2 3 4 1 2 3 4
y(t) : y(t)
1 : yaprox (t)
1 2 3 4
87
OSCAR G. DUARTE
debido a los polos p3,4 = 1 j2. Lo anterior se debe a que los aportes de p1 y
p2 decaen mucho m apidamente que el aporte de p3,4 , ya que e10t y e15t
as r
decaen m apidamente que et .
as r
Se dice entonces que los polos p3,4 dominan el comportamiento del sistema,
o simplemente que son los polos dominantes. La figura 4.29(c) compara la res-
puesta exacta y(t) calculada segun (4.13) y una respuesta aproximada y aprox (t)
que se obtendra eliminando de y(t) los aportes de los polos p1 y p2 , es decir:
y(t) = 1 0.5et cos 2t (t)
88
Captulo 5
Y (s) KG(s)
F (s) = = (5.1)
U (s) 1 + KG(s)H(s)
y en el discreto:
Y (z) KG(z)
F (z) = = (5.2)
U (z) 1 + KG(z)H(z)
89
OSCAR G. DUARTE
E(s) 1
FE (s) = = (5.3)
U (s) 1 + KG(s)H(s)
y en el discreto:
E(z) 1
FE (z) = = (5.4)
U (z) 1 + KG(z)H(z)
Adem as, a los productos G(s)H(s) y G(z)H(z) se les denomina ganancia de
lazo abierto.
Si escribimos G y H como dos fracci on de polinomios NG /DG y NH /DH
respectivamente, las expresiones (5.1), (5.2), (5.3) y (5.4) se convierten en:
Funci
on de transferencia del sistema realimentado, caso continuo:
NG (s)
Y (s) KD G (s) KNG (s)DH (s)
F (s) = = NG (s) NH (s)
=
U (s) 1 + K DG (s) DH (s) D G (s)D H (s) + KNG (s)NH (s)
(5.5)
Funci
on de transferencia del sistema realimentado, caso discreto:
NG (z)
Y (z) KD G (z) KNG (z)DH (z)
F (z) = = N (z) N (z)
=
U (z) G H
1 + K DG (z) DH (z) DG (z)DH (z) + KNG (z)NH (z)
(5.6)
Funci
on de transferencia del error, caso continuo:
E(s) 1 DG (s)DH (s)
FE (s) = = N (s) N (s)
=
U (s) G H
1 + K DG (s) DH (s) DG (s)DH (s) + KNG (s)NH (s)
(5.7)
Funci
on de transferencia del error, caso discreto:
E(z) 1 DG (z)DH (z)
FE (z) = = NG (z) NH (z)
=
U (z) 1 + K DG (z) DH (z) D G (z)D H (z) + KNG (z)NH (z)
(5.8)
90
5.1. TIPO DE SISTEMA Y ERROR DE
ESTADO ESTACIONARIO
(s+4)
Ejemplo 5.1 Sea FE (s) = (s+3)(s+5) y U (s) = (s21+4) . Seg
un (5.11) el error de
estado estacionario sera
(s + 4) 1 (0 + 4) 1
eee = lm s =0 =0
s0 (s + 3)(s + 5) (s2 + 4) (0 + 3)(0 + 5) (02 + 4)
(s+4)
Ejemplo 5.2 Sea FE (s) = (s+3)(s+5) y U (s) = 1s . Seg
un (5.11) el error de estado
estacionario sera
(s + 4) 1 (s + 4) (0 + 4) 4
eee = lm s = lm = =
s0 (s + 3)(s + 5) s s0 (s + 3)(s + 5) (0 + 3)(0 + 5) 15
1 La determinaci
on de la estabilidad de los sistemas realimentados continuos se estudia en
la seccion 5.2
91
OSCAR G. DUARTE
s(s+4) 1
Ejemplo 5.3 Sea FE (s) = (s+3)(s+5) y U (s) =Seg s3 .
un (5.11) el error de estado
estacionario sera
s(s + 4) 1
eee = lm s
s0 (s + 3)(s + 5) s3
(s + 4) 1 (0 + 4) 1 4
eee = lm = = =
s0 (s + 3)(s + 5) s (0 + 3)(0 + 5) 0 0
2 La determinaci
on de la estabilidad de los sistemas realimentados discretos se estudia en
la secci
on 5.3
92
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
o lo que es igual,
93
OSCAR G. DUARTE
En consecuencia, para asegurar que un sistema din amico lineal sea estable,
todos los polos de su funcion de transferencia deben estar en el semiplano iz-
quierdo. Basta con que un polo este en el semiplano derecho para que el sistema
sea inestable. Si existe un polo en el eje imaginario, es decir, en la frontera en-
tre los semiplanos derecho e izquierdo, se dice que el sistema es marginalmente
estable.
Si las races i son todas negativas, los terminos i seran todos positivos,
y en general el producto (s1 )(s2 ) (sn ) tendr a todos los coeficientes
positivos. De esta forma, los coeficientes de (5.15) seran todos positivos o todos
negativos, dependiendo del signo de A en (5.16). Por esta raz on, si p(s) tiene
coeficientes de signos diferentes o cero, necesariamente al menos un termino i
debe ser negativo, lo que implicara que tendra al menos una raiz positiva (en
el semiplano derecho).
Ahora sup ongase que (5.15) tiene dos races complejas conjugadas:
El producto de los terminos que tienen que ver con las races complejas es:
94
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
sn an an2 a1
sn1 an1 an3 a0
sn2
..
.
s1
s0
..
.
si+2 a1 a2 a3
si+1 b1 b2 b3
si c1 c2 c3
..
.
Construcci
on del arreglo de Routh
Dado un polinomio p(s) como (5.15)
Es posible construir el arreglo de Routh de p(s) a partir de los coeficientes
ai que aparecen en (5.15). Para ello, inicialmente construimos el arreglo que se
muestra en la figura 5.3. A continuaci on, se completa el arreglo de Routh lnea
por lnea, siguiendo las siguientes indicaciones.
95
OSCAR G. DUARTE
s5 1 3 16
s4 1 9 10
s3 c1 c2 c3
s2 d1 d2 d3
s1 e1 e2 e3
s0 f1 f2 f3
Figura 5.5: Arreglo de Routh del ejemplo 5.4. Primeras dos lneas
s5 1 3 16
s4 1 9 10
s3 6 6
s2 10 10
s1 12
s0 10
La figura 5.5 muestra las dos primeras lneas del arreglo de routh para (5.20)
Los valores de la lnea correspondiente a s3 se calculan asi:
1 3 1 16
1 9 1 10
c1 = = 6 c2 = =6
1 1
No es necesario calcular c3 , porque ya no hay mas columnas en las dos primeras
lneas, y por lo tanto el resultado sera 0.
Para la lnea correspondiente a s2 se tiene:
1 9 1 10
6 6 6 0
d1 = = 10 d2 = = 10
6 6
96
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
s2 1 K +2
s1 3
s0 K +2
Criterio de Routh-Hurwitz
El criterio de Routh-Hurtwiz puede expresarse asi:
Criterio de Routh-Hurwitz
El n
umero de races de (5.15) en el semiplano derecho es igual al n
umero
de cambios de signo que se suceden en la primera columna del arreglo
de Routh de dicho polinomio.
1 1
G(s) = H(s) =
s+2 s+1
La funci
on de transferencia del sistema realimentado es
KG(s) K(s + 1)
F (s) = = 2
1 + KG(s)H(s) s + 3s + (K + 2)
97
OSCAR G. DUARTE
s3 1 11
s2 6 6+K
60K
s1 6
s0 6+K
Para que todas las races esten en el semiplano izquierdo, y por lo tanto el
sistema sea estable, se necesita que todos los signos de la primera columna sean
iguales, y por lo tanto:
K+2>0 K > 2
Podemos concluir que para cualquier valor de k superior a 2 el sistema sera
estable, y para cualquier valor menor que 2 sera inestable. Justo cuando k = 2
el sistema tendra estabilidad Marginal.
Ejemplo 5.7 Sup ongase que existe un sistema dinamico continuo cuya funci
on de
transferencia tiene el siguiente denominador
98
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
s3 1 K +2
s2 3K 4
3K 2 +6K4
s1 3K
s0 4
s4 1 2 3
s3 1 2
s2 0 3
s1
s0
Figura 5.10: Arreglo de Routh con cero en la primera columna. Arreglo incompleto
La segunda condici
on podra darse si tanto numerador como denominador son
del mismo signo, sin embargo descartamos la opci on de que ambos sean negativos,
porque la primera condici
on impone que el denominador sea positivo, es decir las
dos condiciones son:
K>0
3K 2 + 6K 4 > 0
La segunda condici on se cumple si K < 2.52 o K > 0.52. De estas dos
posibilidades descartamos la primera, debido a que K debe ser positivo. Por lo
tanto, aseguramos que el sistema sea estable si y s
olo si K > 0.52
Problemas en la construcci
on del arreglo de Routh
Debido a que los terminos del arreglos de Routh se calculan como esta indi-
cado en (5.19), surge una dificultad cuando en la primera columna aparece un
cero, pues para calcular los terminos de las columnas siguientes ser
a necesario
dividir por cero. Tal es el caso del polinomio
p(s) = s4 + s3 + 2s2 + 2s + 3
99
OSCAR G. DUARTE
s4 1 2 3
s3 1 2
s2 3
3
s1 2
s0 3
s4 1 2 3
s3 1 2
s2 0+ 3
s1
s0 3
Figura 5.12: Arreglo de Routh con cero en la primera columna. Arreglo completo
Este polinomio resulta ser un divisor exacto de p(s) (puede comprobarse que
p(s) = p(s)(s + 1)). El arreglo de Routh lo continuamos remplazando la fila de
ceros por los coeficientes de la derivada de p(s):
d
p(s)
= 4s3 + 10s
ds
s5 1 5 4
s4 1 5 4
s3 0 0
s2
s1
s0
100
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
s5 1 5 4
s4 1 5 4
s3 4 10
s2 2.5 4
s1 3.6
s0 4
K(s + 3)
F (s) = (5.22)
s2 + 4s + (3 + K)
Determinaci
on de la estabilidad
Si nos referimos a la ecuaci
on (5.5), encontramos que la condici
on para los
polos de F (s) ser
a
NG (s)NH (s) 1 1
= G(s)H(s) = (5.24)
DG (s)DH (s) K K
101
OSCAR G. DUARTE
K p1 p2
8 5 1
3 4 0
0 3 1
0.75 2.5 1.5
1 2 2
2 2 + j 2 j
5 2 + 2j 2 2j
Im(s)
1
Re(s)
5 4 3 2 1 1 2 3 4
1
Figura 5.15: Root-ocus (en rojo) y root-locus complementario (en azul) del ejemplo
5.8
102
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
1 1
K= = 1 = 3
|G(s0 )H(s0 )| (0+1)(0+3)
1 1
G(s) = H(s) = (5.26)
(s + 1)(s + 2) (s + 3)
103
OSCAR G. DUARTE
0 + j3.316
3
0 + j0
0
3
0 j3.316
4 Real axis
4 3 2 1 0 1 2
closedloop poles loci
root locus
open loop
asymptotic
open
asymptoticpoles
loopdirections
poles
directions
root locus complementario
104
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
1 1 1
|G(s)H(s)| = = = (5.27)
|K| |(0 + j0 + 1)(0 + j0 + 2)(0 + j0 + 3)| 6
|K| = 6 (5.28)
La ecuacion (5.28) establece cual es el valor absoluto de K que hace que la
rama del root-locus complementario pase del semiplano derecho al izquierdo. Como
sabemos que se trata de valores negativos de K podemos establecer que para K <
6 el sistema realimentado es inestable, mientras que para 6 < K 0 es estable.
Si observamos ahora el diagrama de root-locus (en rojo) observamos que existen
dos ramas (simetricas respecto al eje horizontal) que nacen en el semiplano izquierdo
y pasan al semiplano derecho. Esto significa que para valores peque nos de K el
sistema realimentado es estable, pero a partir de alg un valor positivo de K se torna
en inestable.
Las dos ramas cruzan el eje imaginario simultaneamente, asi que para determinar
el momento en el que sucede la transici on basta con estudiar una de ellas. Tomemos
por ejemplo la rama superior, que cruza el eje imaginario en 0 + j3.316. El valor de
K en el que esto sucede puede determinarse empleando 5.25:
1 1 1
= = (5.29)
|K| |(0 + j3.316 + 1)(0 + j3.316 + 2)(0 + j3.316 + 3)| 60
|K| = 60 (5.30)
Seg on (5.30) para 0 K < 60 el sistema retroalimentado es estable,
un la ecuaci
y para K > 60 es inestable.
Combinando esta informaci on con la que se obtuvo al analizar el root-locus
complementario puede concluirse que el sistema realimentado es estable si y s
olo si
K (6, 60)
Reglas de construcci
on de los diagramas
La figura 5.15 ha sido construida a partir de la expresion exacta de la ubi-
caci
on de los polos, dada por (5.23). No obstante, podra haberse empleado un
metodo diferente, ya que existen varias reglas constructivas, que permiten tra-
zar manualmente el root-locus y el root-locus complementario de funciones de
transferencia de orden superior, con un alto grado de precisi on.
Estas reglas constructivas, algunas de las cuales se han resumido en la tabla
5.54 , se basan en la ecuacion (5.5). En el ejemplo 5.11 se muestra c omo se
emplean estas reglas.
105
OSCAR G. DUARTE
106
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
Podemos calcular los angulos de esas rectas siguiendo la regla R 6 (figura 5.17(d))
i RL RLC
0 0 = 2i+1 o
41 180 = 60
o 2i
0 = 41 180o = 0o
2i+1 2i
1 1 = 41 180 = 180o
o
1 = 41 180o = 120o
2 2 = 2i+1 o
41 180 = 300
o 2i
2 = 41 180o = 240o
Con esta informaci on podriamos trazar parte de las ramas que van o vienen al
infinito (figura 5.17(e)), pero sera necesario emplear otras reglas, o programas de
simulacion, para obtener los diagramas completos (figura 5.17(f))
107
OSCAR G. DUARTE
Im(s) Im(s)
Re(s)
Re(s)
(a) Primer paso (b) Segundo paso
Im(s) Im(s)
Re(s)
Re(s)
(c) Tercer paso (d) Cuarto paso
Im(s) Im(s)
Re(s)
Re(s)
(e) Quinto paso (f) Sexto paso
Figura 5.17: Root-locus (en rojo) y root-locus complementario (en azul) del ejemplo
5.11
108
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
M
argenes de estabilidad
Las ecuaciones (5.31) y (5.32) establecen dos condiciones que deben cumplir
los puntos j del plano complejo para formar parte del root-locus o del root-
locus complementario; una de las condiciones hace referencia a la gananacia de
G(s)H(s) y la otra a su fase. La idea de los margenes de estabilidad consiste en
suponer que k = 1, y explorar que margen se tiene cuando se cumple una de
esas condiciones:
109
OSCAR G. DUARTE
1
|Kc |
j
j
0o
j
j
180o
Para el caso en que K > 0, el margen de fase puede leerse en los diagramas
de bode como 180o , donde es el a ngulo a la frecuencia en la que la
ganancia es de 0db.
Para el caso en que K < 0, el margen de fase puede leerse en los diagramas
de bode como , donde es el a
ngulo a la frecuencia en la que la ganancia
es de 0db.
110
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
Magnitude
db
10
15.56db
35.56db 30
70
110
150
190
Hz
.
230
3 2 1 0 1 2 3
10 10 10 10 10 10 10
0.528Hz
Phase
degrees
20
20
60
100
140
180o180
220
260 .
Hz
300
3 2 1 0 1 2 3
10 10 10 10 10 10 10
111
OSCAR G. DUARTE
como K > 0 (hemos encontrado una rama del root locus) entonces K = 60.
Tambien debemos buscar los puntos para los cuales el angulo de G(j)H(j)
es 0o . En la figura 5.19 se observa que el diagrama de fase es asintotico a 0 o , es
o
decir, que para = 0 el angulo de G(j)H(j) es 0 . El diagrama de magnitud
de G(j)H(j) es asint otico a 15.56db, lo que significa que la magnitud de K,
en decibeles, para la cual una rama del Root-Locus complementario atraviesa el eje
imaginario es tal que |K|1en db = 15.56, lo que equivale a:
1 |K|en db |K|en db 15.56
= 10 20 |K| = 10 20 |K| = 10 20 =6
|K|
como K < 0 (hemos encontrado una rama del root locus complementario) entonces
K = 6.
Hemos encontrado los valores de K para los cuales un polo cruza el eje ima-
ginario, y han resultado ser 6 y 60. Esto significa que al variar K desde
hasta , la estabilidad del sistema realimentado s olo puede cambiar en 6 y 60.
En consecuencia, podemos definir tres intervalos para K en los cuales la estabilidad
es constante; para conocer la estabilidad de cada intervalo basta con determinar la
de uno de sus puntos:
K (, 6): Seleccionamos K = 10 de tal manera que el denominador
de (5.21) se convierte en
s3 + 6s2 + 11s 4
112
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
c1
(s0
c1 )
p1
s0
c1
s0
p3
p2
c2
Determinaci
on gr
afica del valor de una funci
on compleja racional
Supongase una funci
on compleja F (s) que puede escribirse como una razon
de polinomios:
a0 + a 1 s1 + + a m sm
F (s) = (5.34)
b0 + b 1 s1 + + b n sn
Al factorizar los polinomios, la ecuaci
on (5.34) podr
a escribirse como
(s c1 )(s c2 ) (s cm )
F (s) = A (5.35)
(s p1 )(s p2 ) (s pn )
113
OSCAR G. DUARTE
Plano s Plano F
2 2
s0 F (s) F (s0 )
1
1
2 1 1 2 2 1 1 2
1 1
2 2
Pm
arg F (s0 ) = arg A +
Angulos de los vectores que van de ceros a s0
Pn
Angulos de los vectores que van de polos a s0
(5.38)
siendo arg A = 0o si A > 0 o arg A = 180o si A < 0
F (s) = s + 1 (5.39)
114
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
Plano s Plano F
2 2
1 1
F (s)
2 1 1
2 2 1 1 2
1
1
2 2
Figura 5.22: Plano s y Plano F en una trayectoria cerrada que no encierra el cero
115
OSCAR G. DUARTE
Plano s Plano F
2 2
1 1
F (s)
2 1
1 2 2 1 1
2
1 1
2 2
Figura 5.23: Plano s y Plano F en una trayectoria cerrada que encierra el cero
Plano s Plano F
2 2
1 1
F (s)
2 1 1
2 2 1
1 2
1
2 2
Figura 5.24: Plano s y Plano F en una trayectoria cerrada que no encierra el polo
116
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
Plano s Plano F
2 1
1
F (s)
2
1 1 2 1 1
1
2 1
Figura 5.25: Plano s y Plano F en una trayectoria cerrada que encierra el polo
Trayectoria de Nyquist
La trayectoria de Nyquist para un sistema continuo realimentado como el
de la figura 5.1 es una curva cerrada que abarca todo el semiplano derecho, y
que no contiene ning un polo de G(s)H(s). La figura 5.26 muestra la trayectoria
de nyquist para el caso general.
N
otese que la trayectoria de Nyquist recorre todo el eje emaginario y regresa
por una semicircunferencia de radio , abarcando todo el semiplano derecho.
Para el caso especial en que G(s)H(s) tiene polos en el eje imaginario es ne-
cesario modificar la trayectoria, tal como se muestra en la figura 5.26, mediante
peque nas semicircunferencias de radio arbitrariamente peque no
Diagrama de Nyquist
Para un sistema continuo como el de la figura 5.1, el diagrama de Nyquist
es la trayectoria orientada que resulta de calcular G(s)H(s) a traves de la tra-
117
OSCAR G. DUARTE
r=
r=
118
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
Plano s Plano GH
G(s)H(s)
r=
Criterio de Nyquist
Para el sistema continuo realimentado de la figura 5.1, con K = 1 definamos
la funci
on
NG (s) NH (s)
R(s) = 1 + G(s)H(s) = 1 + =
DG (s) DH (s)
DG (s)DH (s) + NG (s)NH (s)
(5.41)
DG (s)DH (s)
La ecuaci
on (5.42) puede escribirse de otra forma, si se tiene en cuenta que:
Los polos de R(s) son los mismos polos de G(s)H(s), como se puede
verificar en (5.41)
Los ceros de R(s) son los mismos polos del sistema realimentado (con
K = 1) como puede verse al comparar (5.41) con (5.5)
119
OSCAR G. DUARTE
Numero de polos
Numero de veces N
umero de polos de
del sistema reali-
que encierra al = G(s)H(s) en el se- (5.43)
mentado en el semi-
origen miplano derecho
plano derecho
Criterio de Nyquist
El n
umero de polos en el semiplano derecho que tiene un sistema continuo
realimentado como el de la figura 5.1 , con K = 1 puede determinarse a
partir de la ecuaci
on
Numero de veces
Numero de polos
que el diagrama N
umero de polos de
del sistema reali-
de Nyquist de = G(s)H(s) en el se- (5.44)
mentado en el semi-
G(s)H(s) encierra miplano derecho
plano derecho
al punto (1, 0)
Para que el sistema realimentado sea estable debe tener cero polos en el
semiplano derecho.
120
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
Nyquist plot
Im(h(2i*pi*f))
0.15
0.132 0.093
0.11
0.059
0.190
0.07
0.024
0.03
1000
0.01 1 1
60 6
0.05
0.229 0.034
0.09
0.151 0.068
Re(h(2i*pi*f))
0.103
0.13
0.05 0.01 0.03 0.07 0.11 0.15 0.19
En esa figura se han destacado los puntos en los que el Diagrama de Nyquist
cruza el eje real (1/60 y 1/6). El n umero de polos que G(s)H(s) tiene en el
semiplano derecho es cero, de acuerdo con (5.45). De esta forma, el criterio de
Nyquist, ecuaci
on (5.44), establece que:
Numero de polos del
sistema realimenta-
0= 0 (5.46)
do en el semiplano
derecho
y por lo tanto el sistema realimentado es estable para K = 1. Ademas, en el
diagrama de Nyquist se observa que este se puede amplificar hasta 60 veces sin que
cambie el n
umero de veces que encierra al punto (1, 0), lo que significa que para
0 < k < 60 el sistema sigue siendo estable. Si se amplifica por un valor superior
a 60 el punto (1, 0) resulta encerrado dos veces por el diagrama, y por lo tanto
el sistema realimentado tendra dos polos en el semiplano derecho, es decir, sera
inestable.
Evaluamos ahora la estabilidad para valores negativos de K Remitiendonos nue-
vamente a la figura 5.29, observamos que podemos amplificar 6 veces el diagrama
sin que cambie el numero de veces que encierra al punto (1, 0), lo que significa que
para 6 > K > 0 el sistema sigue siendo estable. Si se amplifica por un valor mayor
a 6 el punto (1, 0) resulta encerrado una vez por el diagrama, y por lo tanto el sis-
tema realimentado tendra un polo en el semiplano derecho, es decir, sera inestable.
En resumen, el sistema sera estable para K (6, 60).
121
OSCAR G. DUARTE
5.3.1. Transformaci
on bilineal
La transformaci
on
z+1
r= (5.47)
z1
Se conoce como la transformaci on bilineal, ya que al despejar r en (5.47)
resulta una expresion similar:
r+1
z= (5.48)
r1
La transformacion bilineal tiene la propiedad de transformar la circunferencia
unitaria en el eje imaginario. Para demostrarlo, supongamos un valor de z que
est
a en la circunferencia unitaria, es decir z = cos + j sin para alg un valor
de . Al aplicar (5.47) observamos que z se transforma en
cos + j sin + 1
r=
cos + j sin 1
que puede escribirse como
1 + cos + j sin (1 + cos + j sin ) (1 + cos j sin )
r= =
1 + cos + j sin (1 + cos + j sin ) (1 + cos j sin )
Al efectuar las operaciones se obtiene que r es un imaginario puro:
j2 sin sin
r= =j (5.49)
2 2 cos cos 1
122
5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS
z r
1 + j0 indefinido
0.707 + j0.707 0 j2.4142
0 + j1 0 j1
0.707 + j0.707 0 j0.4142
1 + j0 0 + j0
0.707 j0.707 0 + j0.4142
0 j1 0 + j1
0.707 j0.707 0 + j2.4142
Plano z Plano r
2 z+1 2
r= z1
1 1
2 1 1 2 2 1 1 2
1 1
2 2
123
OSCAR G. DUARTE
r2 (2.21 + K) (0.21 + K)
r1 (1.58 2K)
r0 (0.21 + K)
Los valores de K que hacen que todas las races de F (z) esten dentro del crculo
unitario en el plano z son los mismos valores que hacen que todas las races de F (r)
esten en el semiplano izquierdo del plano r. Estos ultimos pueden determinarse por
medio del criterio de Routh Hurwitz. El arreglo correspondiente se muestra en la
figura 5.31 de donde se deduce que las condiciones para que el sistema del ejemplo
sea estable son:
O lo que es equivalente:
0.21 < K < 0.79 (5.53)
Construcci
on del arreglo de Jury
Dado un polinomio p(z)
a ank b bn1k c cn2k
bk = 0 c = 0 d = 0 (5.55)
an ak k bn1 bk k cn2 ck
124
5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS
Fila z0 z1 z2 z nk z n2 z n1 zn
1 a0 a1 a2 ank an2 an1 an
2 an an1 an2 ak a2 a1 a0
3 b0 b1 b2 bnk bn2 bn1
4 bn1 bn2 bn3 bk1 b1 b0
5 c0 c1 c2 cnk cn2
6 cn2 cn3 cn4 ck2 c0
.. .. .. ..
. . . .
2n 5 p0 p1 p2 p3
2n 4 p3 p2 p1 p0
2n 3 q0 q1 q2
primera y la u
ltima columna; el segundo elemento de forma similar pero con la
primera y la penultima columnas; el tercero con la primera y la antepenultima,
y asi sucesivamente. Dado que el u ltimo elemento sera el determinante de la
matriz formada con dos columnas iguales (la primera dos veces), este valor sera
siempre cero, y por tanto no se escribe en el arreglo (se ha eliminado).
p(z) = 1 + 2z + 3z 2 + 4z 3 + 5z 5 (5.56)
Las primeras dos lneas del arreglo de Jury para p(z) se muestran en la figura
olo es necesario construir 5 lneas, porque n = 4 y 2n 3 = 5.
5.33. S
La tercera lnea se construye asi:
1 5 1 4
b0 =
= 24 b1 =
= 18
5 1 5 2
1 3 1 2
b2 = = 12 b3 = = 6
5 3 5 4
El arreglo con las cuatro primeras lneas su muestra en la figura 5.34.La quinta
lnea se construye asi:
24 6 24 12
c0 = = 504 c 1 = 6 18 = 360
6 24
24 18
c2 = = 180
6 12
Criterio de Jury
El Criterio de Jury puede expresarse asi:
125
OSCAR G. DUARTE
Fila z0 z1 z2 z3 z4
1 1 2 3 4 5
2 5 4 3 2 1
3 b0 b1 b2 b3
4 b3 b2 b1 b0
5 c0 c1 c2
Figura 5.33: Arreglo de Jury del ejemplo 5.15. Primeras dos lneas
Fila z0 z1 z2 z3 z4
1 1 2 3 4 5
2 5 4 3 2 1
3 24 18 12 6
4 6 12 18 24
5 c0 c1 c2
Figura 5.34: Arreglo de Jury del ejemplo 5.15. Primeras cuatro lneas
Fila z0 z1 z2 z3 z4
1 1 2 3 4 5
2 5 4 3 2 1
3 24 18 12 6
4 6 12 18 24
5 504 360 180
126
5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS
Criterio de Jury
Las condiciones necesarias y suficientes para que p(z) en (5.54) tenga
todas sus races en el interior del crculo unitario del plano z son:
Notese que este criterio se reduce a unas condiciones muy simples para el
caso de polinomios de segundo orden (n = 2):
Ejemplo 5.17 Sup ongase ahora un sistema como el del ejemplo 5.14, es decir un
sistema realimentado como el de la figura 5.2 con
1 1
G(z) = H(z) = (5.60)
z + 0.3 z + 0.7
127
OSCAR G. DUARTE
La funci
on de transferencia del sistema realimentado es
KG(z) K(z + 0.7)
F (z) = = 2 (5.61)
1 + KG(z)H(z) z + z + (K + 0.21)
Para que el denominador de F (z) tenga todas sus races en el crculo unitario,
y por tanto el sistema realimentado sea estable, se deben satisfacer (5.57); como
el denominador es de segundo orden, estas condiciones se convierten en las que
muestra (5.58), es decir:
Problemas en la construcci
on del arreglo de Jury
Es posible que algunos o todos los elementos de una fila en el arreglo de
Jury sean cero, en cuyo caso se considera que el arreglo ha terminado de forma
prematura. La solucion ha este inconveniente se considera fuera del alcance del
curso y por lo tanto se ha omitido en estas notasfootnotevease [22].
Ejemplo 5.18 Tomemos el mismo sistema analizado en los ejemplos 5.14 y 5.17.
Se trata de un sistema realimentado como el de la figura 5.2 con
1 1
G(z) = H(z) = (5.65)
z + 0.3 z + 0.7
128
5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS
129
OSCAR G. DUARTE
Im(z)
1.5
1.0
0.5
1.5 1.0 0.5 0.5 1.0
Re(z)
1.5
0.5
1.0
1.5
Figura 5.36: root-locus (en rojo) y root-locus complementario (en azul) para el
ejemplo 5.18
130
5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS
1
ej ej |Kc |
0o
j
ej e
180o
131
OSCAR G. DUARTE
Magnitude
db
17
13.555db 13
5
2.04db
1
3
Hz
6.89db 7 .
3 2 1 0
10 10 10 10
0.3338Hz
Phase
degrees
0
40
80
120
160
180o
200
240
280
320 Hz
360 .
3 2 1 0
10 10 10 10
132
5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS
133
OSCAR G. DUARTE
Para que el sistema realimentado sea estable debe tener cero polos por
fuera del crculo unitario.
Ejemplo 5.20 Retomemos el mismo sistema analizado en los ejemplos 5.14, 5.17,
5.18 y 5.19. Se trata de un sistema realimentado como el de la figura 5.2 con
1 1
G(z) = H(z) = (5.76)
z + 0.3 z + 0.7
134
5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS
135
OSCAR G. DUARTE
Nyquist plot
Im(h(exp(2i*pi*f*dt)))
4
0.451 0.466
3
0.479
2
0.4
1
0.135
0 0.5
1 1 1
1
0.79 2.21 0.21
0.388
0.488
0.425
0.476
3
0.447 0.463 Re(h(exp(
2i*pi*f*dt)))
4
2 1 0 1 2 3 4 5
136
Captulo 6
Representacion en variables de
estado
6.1. Introducci
on
En los captulos anteriores se han presentado distintas estrategias para mo-
delar el comportamiento de sistemas dinamicos continuos y discretos, entre ellas:
Funciones de transferencia
Respuestas al impulso
Diagramas de bloque
Diagramas de flujo de se
nal
La representaci
on de sistemas de m
ultiples entradas y m
ultiples salidas es
m
as sencilla.
137
OSCAR G. DUARTE
u1 (t) y1 (t)
u2 (t) Sistema y2 (t)
.. Din
amico ..
. .
up (t) yq (t)
u1 (k) y1 (k)
u2 (k) Sistema y2 (k)
.. Din
amico ..
. .
up (k) yq (k)
Vale la pena aclarar que si bien las ecuaciones que se emplean son de primer
orden, estas operan sobre vectores. Refiriendonos a las figuras 6.1 y 6.2, si se
trata de un sistema continuo ser an:
x(t)
=f (x(t), u(t), t)
(6.1)
y(t) =g(x(t), u(t), t)
En las ecuaciones (6.1) y (6.2) u es un vector que contiene cada una de las
p entradas al sistema, y es un vector que contiene cada una de las q salidas del
sistema, x es un vector que contiene cada una de las n variables de estado del
138
6.1. INTRODUCCION
sistema, es decir:
u1 y1 x1
u2 y2 x2
u= . y=. x= . (6.3)
.. .. ..
up p1
yq q1
xn n1
139
OSCAR G. DUARTE
Ejemplo 6.1 Uno de los espacios vectoriales mas conocidos, y que servira para
futuros ejemplos en este captulo es el formado por R 2 sobre el campo R con las
operaciones usuales. En general, Cn sobre el campo C con las operaciones usuales
forma un espacio vectorial.
Ejemplo 6.2 El conjunto de todos los polinomios sobre el campo R con las opera-
ciones usuales entre polinomios forma un espacio vectorial.
Ejemplo 6.3 El conjunto de todas las funciones continuas a trozos sobre el campo
C con la operaci
on + definida como la suma punto a punto forma un espacio
vectorial.
140
6.2. ALGUNOS RESULTADOS DE ALGEBRA LINEAL
Ejemplo 6.4 El conjunto de todas las matrices de tamano fijo mn sobre el campo
C con las operaciones usuales entre matrices forma un espacio vectorial.
Combinaci
on lineal: Es una expresi
on de la forma
n
X
1 x1 + 2 x2 + + n xn = i xi
i=1
Dimensi
on: Es el m
aximo numero de vectores linealmente independientes que
puede haber en un espacio vectorial.
x = 1 b1 + 2 b2 + + n bn
141
OSCAR G. DUARTE
A = B = A1 B = B1 A (6.8)
= B = B1 (6.9)
T = B1 T B (6.10)
en donde B = [b1 b2 bn ]
142
6.2. ALGUNOS RESULTADOS DE ALGEBRA LINEAL
1 =1
1 =1
2 =3
2 =2 2 =-2
1 =-1
: base : vector x
Ejemplo 6.6 En R2 puede definirse una base con cualquier pareja de vectores no
paralelos. Definamos por ejemplo A = {(1, 0), (0, 1)}, B = {(3, 1), (2, 2)} y C =
{(1, 1)(1, 1)} (vectores rojos en la figura 6.3).
Consideremos ahora el vector x en la figura 6.3. Sus coordenadas en la base
estandar A seran
1
= 1 =
2 3
Para obtener las coordenadas de x en las bases B y C construimos las matrices
B y C y empleamos (6.9)
3 2 1 1
B= C=
1 2 1 1
1 1 1/2 1/2 1 1
= =B = =
2 1/4 3/4 3 2
1/2 1/2 1 1
= 1 = C1 = =
2 1/2 1/2 3 2
Puede verificarse que las coordenadas en las bases B y C satisfacen las relaciones
(6.8)
= B1 C = C1 B
143
OSCAR G. DUARTE
1/2 1/2 0 1 3 2 2 2
T = =
1/4 3/4 1 0 1 2 2.5 2
Sup
ongase ahora el vector x, cuyas coordenadas en la base estandar son x =
on de 90 o
(1, 3) y en la base B son x = (1, 2) (ejemplo 6.6). Al efectuar la rotaci
en sentido horario se obtendra un vector y cuyas coordenadas en la base estandar
seran y y en la base B seran y :
0 1 1 3 2 2 1 2
y = = y = =
1 0 3 1 2.5 2 2 1.5
Av = v (6.11)
(A I)v = 0
det(I A) = 0 (6.12)
144
6.2. ALGUNOS RESULTADOS DE ALGEBRA LINEAL
1 = 2 2 = 3
Av1 = 1 v1
4 1 v11 v 4v11 + v21 2v11
= 2 11 =
2 1 v21 v21 2v11 + v21 2v21
Se crea entonces un sistema de ecuaciones con infinitas soluciones:
4v11 + v21 = 2v11
2v11 + v21 = 2v21
Av2 = 1 v2
4 1 v12 v12 4v12 + v22 3v12
=3 =
2 1 v22 v22 2v12 + v22 3v22
Se crea entonces un segundo sistema de ecuaciones con infinitas soluciones:
4v12 + v22 = 3v12
2v12 + v22 = 3v22
145
OSCAR G. DUARTE
1,2 = 2 j
o en general
a a
v1 = v2 =
ja ja
= M1 AM (6.13)
146
6.2. ALGUNOS RESULTADOS DE ALGEBRA LINEAL
Esta afirmaci
on puede demostrarse facilmente al comprobar que M = AM:
1 0 0
0 2 0
M = v1 v2 vn . . . . = 1 v 1 2 v 2 n v n
.. .. . . ..
0 0 n
AM = A v1 v2 vn = Av1 Av2 Avn
Como Avi = i vi entonces las ecuaciones anteriores se reducen a M =
AM o lo que es igual
= M1 AM
1 1 4 1 1 1 2 0 0
= M1 AM = = = 1
2 1 2 1 2 1 0 3 0 2
cuyos valores propios son (Ejemplo 6.9) 1,2 = 2 j con vectores propios v1 , v2 :
1 1
v1 = v2 =
j j
= M1 AM
j/2 j/2 2 1 1 1 2+j 0 0
= = = 1
j/2 j/2 1 2 j j 0 2j 0 2
147
OSCAR G. DUARTE
di = n (i I A)
1 = 2 = = 3
d1 = 2 (3I A)
3 1 2 2 2
d1 = 2 =2 =21=1
2 35 2 2
Lo anterior significa que aunque tiene multiplicidad 2, s
olo es posible encontrar
un vector linealmente independiente. Este se obtiene empleando (6.11), y resulta
ser
1 a
v1 = en general v1 =
1 a
No es posible construir una base para el espacio de dimensi
on 2 con un s
olo
vector, por lo tanto no es posible diagonalizar A
148
6.2. ALGUNOS RESULTADOS DE ALGEBRA LINEAL
Construimos (I A):
( 3) 0 1
I A = 1 ( 2) 1
1 0 ( 3)
() = ( 3)2 ( 2) ( 2) = 3 82 + 20 16
d1 = n (I A) d1 = 3 1 = 2
Lo anterior significa que existen dos vectores propios linealmente independientes
asociados a 1 = 2 = 2. Estos dos vectores junto con el vector propio asociado a
3 = 4 pueden formar una base y por tanto es posible diagonalizar A. Para obtener
los tres vectores propios empleamos (6.11):
3 0 1 a a 3 0 1 d d
1 2 1 b = 2 b 1 2 1 e = 4 e
1 0 3 c c 1 0 3 f f
Que se convierten en
a=c d = e = f
Podemos construir dos vectores linealmente independientes v 1 , v2 que satisfacen
a = c y un tercero v3 que satisface d = e = f , por ejemplo
1 1 1
v1 = 0 v2 = 1 v3 = 1
1 1 1
149
OSCAR G. DUARTE
1. Se define la matriz B = A I.
150
6.2. ALGUNOS RESULTADOS DE ALGEBRA LINEAL
r
2
1
4. Se calcula i = i i1 , para i = 1, 2, , r.
a) Identificar el n
umero de columnas del diagrama como q.
b) Identificar las columnas del diagrama como c1 , c2 , , cq de izquierda
a derecha.
no de cada columna como h1 , h2 , , hq .
c) Identificar el tama
151
OSCAR G. DUARTE
j 1 0 0
0
j 1 0
.. .. ..
.
Jji = . . 0
..
0 0 0 . 1
0 0 0 j h
ij hij
2
Ejemplo 6.14 Sea A la matriz
3 1 1 1 0 0
1 1
1 1 0 0
0 0 2 0 1 1
A=
0 0
0 2 1 1
0 0 0 0 1 1
0 0 0 0 1 1
Para calcular los valores propios de A hacemos
det (A I) = [(3 )(1 ) + 1]( 2)2 [(1 )2 1] = ( 2)5 = 0
Es decir, A tiene un valor propio 2 de multiplicidad 5 y un valor propio 0 de
multiplicidad 1. Nos proponemos encontrar el diagrama de Matthew de los vectores
propios asociados a 1 = 2.
Para ello definimos B = (A 2I) y calculamos B0 , B1 , B2 , B3 , , sus rangos
y nulidades
B0 = I (A 2I)0 = 6 0 = 6 6 = 0
1 1 1 1 0 0
1 1 1 1 0 0
0 0 0 0 1 1 (A 2I) = 4
B=
0 0 0 0 1 1
1 =64=2
0 0 0 0 1 1
0 0 0 0 1 1
0 0 2 2 0 0
0 0 2 2 0 0
0 0 0 0 0 0 (A 2I)2 = 2
B2 =
0 0 0 0 0
0 2 = 6 2 = 4
0 0 0 0 2 2
0 0 0 0 2 2
0 0 0 0 0 0
0 0 0 0 0 0
3
0 0 0 0 0 0 (A 2I)3 = 1
B =
0 0 0 0 0 0 3 = 6 1 = 5
0 0 0 0 4 4
0 0 0 0 4 4
2 adaptado de [5, pp.: 43]
152
6.2. ALGUNOS RESULTADOS DE ALGEBRA LINEAL
3 = 3 2 = 54= 1
2 = 2 1 = 42= 2
1 = 1 0 = 20= 2
153
OSCAR G. DUARTE
Ak = MJk M1 (6.15)
k
Como J es un a matriz diagonal por bloques, el calculo de J puede efectuarse
como sigue:
k
J1 0 0 J1 0 0
0 J2 0 0 Jk2 0
k
J= . .. . . .. J = . .. . . ..
.. . . . .
. . . .
0 0 Jn 0 0 Jkn
154
6.2. ALGUNOS RESULTADOS DE ALGEBRA LINEAL
Empleando la definici
on (6.14), un polinomio generico
f () = a0 + a1 + a2 2 + + an n
f (A) = a0 I + a1 A + a2 A2 + + an An
o en funci
on de las matrices M y J:
Ejemplo 6.17 Calcular Ak cuando A es una matriz con la forma de los bloques
reales de Jordan para el caso en que los valores propios son imaginarios puros
0 b
A=
b 0
155
OSCAR G. DUARTE
t 2 t2 3 tk 4 tk
et = 1 + + + + + (6.18)
1! 2! 3! 4!
2 t2 4 t4 6 t6 8 t8
cos t = 1 + + + (6.19)
2! 4! 6! 8!
t 3 t3 5 t5 7 t7
sin t = + + (6.20)
1! 3! 5! 7!
Ejemplo 6.18 Sea A una matriz diagonal como la del ejemplo 6.16. Para calcular
eAt podemos emplear (6.18)
At A2 t2 A3 t k A4 t k
eAt = I + + + + +
1! 2! 3! 4!
que de acuerdo con
los resultados del ejemplo 6.16 se calculara asi:
2
1 0 0 1 0 0 1 0 0
0 1 2
0 0 2 0 t2 0 2 0
t
eAt = . . .
.. + .. .. . . .. + .. .. . . .. +
.. .. ... 1! . . . . 2! . . . .
0 0 1 0 0 n 0 0 2n
g1 (t) 0 0
0 g2 (t) 0
eAt
= . .. .. ..
.. . . .
0 0 gn (t)
i t 2i t2 3 t 3
gi (t) = (1 + + + i +)
1! 2! 3!
Cada uno de los terminos de la diagonal, gi (t), corresponde a la expansion en
series de Taylor de una exponencial como las de (6.18), por lo tanto e At sera:
t
e 1 0 0
0 e 2 t 0
At
e = . . . ..
.. .. .. .
n t
0 0 e
Ejemplo 6.19 Sea A una matriz con la forma de los bloques reales de Jordan para
el caso en que los valores propios son imaginarios puros, como la del ejemplo 6.17.
Para calcular eAt podemos emplear (6.18)
At A2 t2 A3 t k A4 t k
eAt = I + + + + +
1! 2! 3! 4!
156
6.3. VARIABLES DE ESTADO
que de acuerdo con los resultados del ejemplo 6.17 se calculara asi:
4 4
At 1 0 t 0 b t2 b2 0 t3 0 b3 t b 0
e = + + + + +
0 1 1! b 0 2! 0 b2 3! b3 0 4! 0 b4
" 2 2 4 4
#
t 3 b3 t 5 b5
At (1 t 2!b + t 2!b + ) ( tb
1! 3! + 5! + )
e = t 3 b3 t 5 b5 2 2 4 4
( tb
1! + 3! 5! + ) (1 t 2!b + t 2!b + )
Cada uno de los terminos de la matriz corresponde a la expansi
on de Taylor de una
sinusoide como las de (6.19) y (6.20), por lo tanto e At puede calcularse como
At cos(bt) sin(bt)
e =
sin(bt) cos(bt)
Ejemplo 6.20 Sea A una matriz con la forma de los bloques reales de Jordan
a b
A=
b a
De tal manera que eAt = eBt eCt . Empleando los resultados de los ejemplos 6.18 y
6.19 se tiene que
at
Bt e 0 Ct cos(bt) sin(bt)
e = e =
0 eat sin(bt) cos(bt)
y por lo tanto
at at
e 0 cos(bt) sin(bt) e cos(bt) eat sin(bt)
eAt = =
0 eat sin(bt) cos(bt) eat sin(bt) eat cos(bt)
157
OSCAR G. DUARTE
+
u(s) + sx(s) x(s) + y(s)
B 1/s C
+
(
x(k + 1) = Ax(k) + Bu(k)
(6.22)
y(k) = Cx(k) + Du(k)
158
6.3. VARIABLES DE ESTADO
+
u(z) + zx(z) x(z) + y(z)
B 1/z C
+
Definici
on 6.1 Estado
El Estado de un sistema en el tiempo t0 (o en k0 si es discreto) es la cantidad de
informaci
on necesaria en ese instante de tiempo para determinar de forma u nica,
junto con las entradas u, el comportamiento del sistema para todo t t 0 (o para
todo k k0 si es discreto)
159
OSCAR G. DUARTE
R L
+ vR (t) +
+ iL (t)
v(t)
C vC (t)
160
6.3. VARIABLES DE ESTADO
Rf Lf
J, B
+
vs (t)
if (t) (t)
La ecuaci
on del circuito electrico de campo es
dif (t)
Rf if (t) + Lf = vs (t) (6.23)
dt
Al considerar que la corriente de armadura es constante, se tiene que el par
motor T (t) generado es directamente proporcional a la corriente de campo con una
cierta constante de proporcionalidad KT , es decir
T (t) = KT if (t) (6.24)
La aplicaci
on de las leyes de newton al sistema dan la ecuaci
on
d(t)
T (t) B(t) = J (6.25)
dt
161
OSCAR G. DUARTE
162
6.3. VARIABLES DE ESTADO
6.3.2. Representaci
on de estado a partir de E.D.
Existe un procedimiento sencillo para obtener una representaci
on en varia-
bles de estado de sistemas de una entrada y una salida de los cuales se conoce
la ecuaci
on diferencial o de diferencia que lo rige.
163
OSCAR G. DUARTE
Sup
ongase un sistema din
amico continuo descrito por la ecuaci
on diferencial
dn y(t) dn1 y(t) dy(t)
an + a n1 + + a1 + a0 y(t) = u(t) (6.30)
dtn dtn1 dt
El comportamiento del sistema queda u nivocamente determinado si se co-
nocen las condidiones iniciales y(0), y(0),
, y (n1) (0), por lo tanto podemos
seleccionar las siguientes variables de estado:
x1 (t) = y(t)
dy
x2 (t) = dt = x 1 (t)
d2 y
x3 (t) = dt2 = x 2 (t)
.. .. .. (6.31)
. . .
dn2 y
xn1 (t) = dtn2 = x n2 (t)
dn1 y
xn (t) = dtn1 = x n1 (t)
De tal manera que (6.30) puede escribirse como
a0 a1 an1 1
x n (t) = x1 (t) x2 (t) xn (t) + u(t) (6.32)
an an an an
Las ecuaciones (6.31) y (6.32) se escriben en forma matricial asi:
x 1 (t) 0 1 0 0 x1 (t) 0
x 2 (t) 0
0 1 0
x2 (t) 0
x 3 (t) 0
0 0 0 x3 (t) 0
.. = .. .. .. .. .. .. + .. u(t)
. .
. . . .
. .
x n1 (t) 0 0 0 1 xn1 (t) 0
x n (t) aan0 aan1 aan2 an1
an xn (t) 1
an
x1 (t)
x2 (t)
x3 (t)
y(t) = 1 0 0 0 0 + 0 u(t) ..
.
xn1 (t)
xn (t)
De forma analoga puede obtenerse una representaci
on en variables de estado
de sistemas discreto de una entrada y una salida a partir de su ecuaci on de
diferencias
Supongase un sistema din
amico discreto descrito por la ecuaci
on de diferen-
cias
an y(k + n) + an1 y(k + n 1) + + a1 y(k + 1) + a0 y(k) = u(k) (6.33)
164
6.4. SISTEMAS CONTINUOS LIBRES
x1 (k) = y(k)
x2 (k) = y(k + 1) = x1 (k + 1)
x3 (k) = y(k + 2) = x2 (k + 1)
.. .. .. (6.34)
. . .
xn1 (k) = y(k + n 2) = xn2 (k + 1)
xn (k) = y(k + n 1) = xn1 (k + 1)
a0 a1 an1 1
xn (k + 1) = x1 (k) x2 (k) xn (k) + u(k) (6.35)
an an an an
x2 (k + 1)
0 0 1 0
x2 (k)
0
x3 (k + 1)
0 0 0 0
x3 (k)
0
.. = .. .. .. .. ..
+ u(k)
.. ..
.
. . . . .
. .
xn1 (k + 1) 0 0 0 1 xn1 (k) 0
xn (k + 1) aan0 aan1 aan2 an1
an xn (k) 1
an
x1 (k)
x2 (k)
x3 (k)
y(k) = 1 0 0 0 0 + 0 u(k) ..
.
xn1 (k)
xn (k)
dx
= ax(t)
dt
cuya soluci
on es
x(t) = eat x(0) (6.37)
165
OSCAR G. DUARTE
debido a que
d eat
= aeat ea0 x(0) = x(0) (6.38)
dt
Resulta entonces natural preguntarse si al reemplazar el escalar a por la
matriz A, y la variable x por el vector de variables x se mantienen las relaciones
(6.38) y asi encontrar una solucion de (6.36) similar a (6.37).
Es posible demostrar que
d eAt
= AeAt eA0 x(0) = x(0) (6.39)
dt
Para ello, empleamos la expansi
on en series de Taylor (6.18)
At A2 t2 A3 t 3 A4 t 4
eAt = I + + + + +
1! 2! 3! 4!
de donde se observa que eA0 = I, y por lo tanto x(0)eA0 = x(0). Adem
as,
podemos calcular la derivada de eAt :
d eAt d At A2 t2 A3 t 3 A4 t 4
= I+ + + + +
dt dt 1! 2! 3! 4!
d eAt A2 t A3 t 2 A4 t 3 A5 t 4
=0+A+ + + + +
dt 1! 2! 3! 4!
d eAt At A2 t2 A3 t 3 A4 t 4
=A I+ + + + +
dt 1! 2! 3! 4!
d eAt
= AeAt
dt
De esta forma hemos demostrado (6.39), y por lo tanto tambien hemos de-
mostrado que la soluci
on de (6.36) es
En (6.40) x(0) es el vector que contiene las condiciones iniciales de x(t). Por
otra parte, es posible calcular eAt por diversos metodos, de los cuales destacamos
los siguientes3 :
166
6.4. SISTEMAS CONTINUOS LIBRES
J = M1 AM A = MJM1
L {x}
= L {Ax}
167
OSCAR G. DUARTE
168
6.4. SISTEMAS CONTINUOS LIBRES
= M1 AM
1 1 2 0
M= =
2 1 0 3
lo que permite calcular eAt :
eAt = Met M1
2t
At 1 1 e 0 1 1 (e2t + 2e3t ) (e2t + e3t )
e = 3t =
2 1 0 e 2 1 (2e2t 2e3t ) (2e2t e3t )
Tambien podemos obtener este resultado mediante la Transformada de Laplace:
s 4 1 1 (s 1) 1
sI A = (sI A)1 = 2
2 s1 s 5s + 6 2 (s 4)
" #
s1 1 1 2 1 1
+ +
(sI A)1 = (s2)(s3)
2
(s2)(s3)
s4 = (s2) (s3) (s2) (s3)
2 2 2 1
(s2)(s3) (s2)(s3) (s2) + (s3) (s2) + (s3)
At 1
1
(e2t + 2e3t ) (e2t + e3t )
e =L (sI A) =
(2e2t 2e3t ) (2e2t e3t )
por lo tanto la soluci
on de la ecuaci
on diferencial sera
At (e2t + 2e3t ) (e2t + e3t ) x10
x(t) = e x(0) =
(2e2t 2e3t ) (2e2t e3t ) x20
x1 (t) (e2t + 2e3t )x10 + (e2t + e3t )x20
x(t) = =
x2 (t) (2e2t 2e3t )x10 + (2e2t e3t )x20
2t
x1 (t) e (x10 x20 ) + e3t (2x10 + x20 )
x(t) = = 2t
x2 (t) e (2x10 + 2x20 ) + e3t (2x10 x20 )
169
OSCAR G. DUARTE
Los valores propios de A son 1,2 = 1 j2, y dos vectores propios asociados
son
j2 j2
v1 = v2 =
1 1
Debido a que los valores propios son complejos, es conveniente encontrar la forma
can
onica real de Jordan de A.
JR = M1
R AMR
0 2 1 2
MR = JR =
1 0 2 1
lo que permite calcular eAt :
eAt = MR eJR t M1
R
170
6.4. SISTEMAS CONTINUOS LIBRES
J = M1 AM
2 1 1 1
M= J=
1 0 0 1
de tal manera que se puede calcular eAt :
eAt = MeJt M1
t t
At 1
1
e 2te 4tet
e =L (sI A) =
tet et + 2tet
por lo tanto la soluci
on de la ecuaci on diferencial sera
t
e 2tet 4tet x10
x(t) = eAt x(0) =
tet et + 2tet x20
t
x1 (t) (e 2tet )x10 + 4x20 tet
x(t) = =
x2 (t) x10 tet + (et + 2tet )x20
x (t) (x10 )et + (2x10 + 4x20 )tet
x(t) = 1 =
x2 (t) (x20 )et + (x10 + 2x20 )tet
171
OSCAR G. DUARTE
La figura 6.9 muestra las graficas de x1 (t) vs t, x2 (t) vs t, a partir de las cuales
se ha trazado x1 vs x2 tomando para cada tiempo el valor de x1 ( ) y x2 ( ) y
trasladandolos al plano de fase. La curva resultante es una trayectoria de la ecuaci on
diferencial.La flecha roja indica el sentido en el que se recorre la trayectoria cuando
el tiempo avanza.
Se ha repetido el procedimiento para varios juegos de condiciones iniciales, con
el fin de obtener el retrato de fase que se muestra en la figura 6.10. Las condiciones
iniciales seleccionadas han sido:
0 0 2 2
xa (0) = xb (0) = xc (0) = xd (0) =
2 2 1.5 1.5
La figura 6.11 muestra los retratos de fase tpicos de sistemas lineales es-
tables 4 , mientras que la figura 6.12 muestra los retratos de fase tpicos de los
sistemas lineales inestables. Debemos resaltar que la forma de estos retratos
depende de c omo son los valores propios de la matriz A.
En general, un sistema lineal como (6.45) tendr a un retrato de fase semejante
a alguno de los que se muestran en las figuras6.11 y 6.12. No obstante, el retrato
de fase no necesariamente ser a identico. La semejanza a la que nos referimos aqui
consiste en una equivalencia de forma (ser an topol
ogicamente equivalentes).
4 el centro se considera como un sistema marginalmente estable
172
6.4. SISTEMAS CONTINUOS LIBRES
x1 ( ) (, x1 ( ))
x1 (t)
Plano de Fase
x2
x2 ( ) (x1 ( ), x2 ( ))
x2 (t) x1 ( )x1
x2 ( ) (, x2 ( ))
x2
x1
173
OSCAR G. DUARTE
Reales Negativos 1 0
A=
0 2
Estable
x1 (t) = x10 et
x2 (t) = x20 e2t
Reales Negativos 1 1
A=
Repetidos 0 1
Estable de
multiplicidad 2
x1 (t) = (x10 + tx20 )et
x2 (t) = x20 et
Complejos de Parte 1 2
A=
Real Negativa 2 1
Sif
on
x1 (t) = x10 e2t cos t + x20 e2t sin t
x2 (t) = x10 e2t sin t + x20 e2t cos t
0 1
Imaginarios puros A=
1 0
Centro
x1 (t) = x10 cos t + x20 sin t
x2 (t) = x10 sin t + x20 cos t
174
6.4. SISTEMAS CONTINUOS LIBRES
Reales Positivos 1 0
A=
0 2
Inestable
x1 (t) = x10 et
x2 (t) = x20 e2t
Reales Positivos 1 1
A=
Repetidos 0 1
Inestable de
multiplicidad 2
x1 (t) = (x10 + tx20 )et
x2 (t) = x20 et
Complejos de Parte 1 2
A=
Real Positiva 2 1
Fuente
x1 (t) = x10 e2t cos t + x20 e2t sin t
x2 (t) = x10 e2t sin t + x20 e2t cos t
Reales de Signo 1 0
A=
Diferente 0 1
Punto de Silla
x1 (t) = x10 et
x2 (t) = x20 et
175
OSCAR G. DUARTE
Ejemplo 6.29 La figura 6.13 muestra los retratos de fase de varios ejemplos. En
cada caso se ha anotado la matriz A y su formacanonica de Jordan J. N otese la
semejanza de forma con los ejemplos tpicos de las figuras 6.11 y 6.12.
En las figuras 6.11 y 6.12 se observa que el origen del plano de fase juega
un papel importante, atrayendo o repeliendo todas las trayectorias (o siendo el
centro de ellas en el caso especial en el que los valores propios son imaginarios
puros).
El origen del plano de fase es el punto de equilibrio de (6.45), que definimos
a continuacion.
Teorema 6.1 Dada una ecuaci on de la forma (6.36), el conjunto de todas las
soluciones forma un espacio vectorial sobre el campo C con las operaciones
usuales.
176
6.4. SISTEMAS CONTINUOS LIBRES
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 . 0 .
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
-1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0
0 1 1 0 0 1 1 0
A= J= A= J=
2 3 0 2 2 3 0 2
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 . 0 .
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
-1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0
0 1 0.5 0.87 0 1 0.5 0.87
A= J= A= J=
1 1 0.87 0.5 1 1 0.87 0.5
1.0 1.0
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 . 0 .
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
-1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0
0 1 j 0 0 1 1 0
A= J= A= J=
1 0 0 j 2 1 0 2
177
OSCAR G. DUARTE
178
6.4. SISTEMAS CONTINUOS LIBRES
179
OSCAR G. DUARTE
1.0
0.8
0.6
0.4
0.2
.
0
0.2
0.4
0.6
0.8
1.0
1.0 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1.0
Las dos soluciones que se han obtenido 1 (t) y 2 (t) son linealmente indepen-
dientes, y por lo tanto sirven como base del espacio de estado . Construimos la
matriz fundamental
t
e e2t
(t) = 1 (t) 2 (t) = t
e e2t
Lo que se ha hecho es equivalente a efectuar un cambio de base en el plano
de fase, tomando como nueva base la formada por los vectores propios. El nuevo
retrato de fase se muestra en la figura 6.15
180
6.5. SISTEMAS DISCRETOS LIBRES
1.0
0.8
0.6
0.4
0.2
.
0
0.2
0.4
0.6
0.8
1.0
1.0 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1.0
La ecuaci
on matricial (6.48) recuerda la ecuaci
on escalar
x(k + 1) = ax(k)
cuya soluci
on es
x(k) = x(0)ak (6.49)
181
OSCAR G. DUARTE
debido a que
ak+1 = aak x(0)a0 = x(0) (6.50)
Al igual que en el caso continuo, nos preguntamos si al reemplazar el escalar
a por lamatriz A, y la variable x por el vector de variables x se mantienen las
relaciones (6.50) y asi encontrar una soluci
on de (6.48) similar a (6.49).
Evidentemente
Ak+1 = AAk x(0)A0 = x(0) (6.51)
En consecuencia la soluci
on de (6.48) es
x(k) = Ak x(0) (6.52)
En (6.52) x(0) es el vector que contiene las condiciones iniciales de x(k). Por
otra parte, es posible calcular Ak por diversos metodos, de los cuales destacamos
los siguientes
Definici on de Ak directamente:
on: Podemos emplear la definici
Ak = AAA A k veces (6.53)
Este metodo no es practico, debido a la dificultad de calcular Ak ; sin
embargo, en algunos casos especiales este c
alculo es sencillo (matrices dia-
gonales)
Forma canonica de Jordan: Si se ha obtenido la Forma can onica de Jordan
de la matriz A, entonces se tienen dos matrices J y M tales que
J = M1 AM A = MJM1
y por lo tanto Ak puede calcularse asi:
Ak = MJk M1 (6.54)
182
6.6. SISTEMAS CONTINUOS EXCITADOS
x(t)
= Ax(t) + Bu(t)
(6.58)
y(t) = Cx(t) + Du(t)
En la primera ecuaci
on podemos despejar x(s)
183
OSCAR G. DUARTE
y(s) = C(sI A)1 x(0) + C(sI A)1 B + D u(s) (6.61)
| {z } | {z }
Rta de entrada cero Rta de estado cero
En (6.61) se observa que la respuesta y(s) tiene dos componentes6 :
Respuesta de estado cero: Es la primera parte de la ecuaci on (6.61). De-
pende de las entradas u(s) y no de las condiciones iniciales; de hecho, es
la respuesta que tiene el sistema si las condiciones iniciales son cero, es
decir, si su estado inicial es cero (de all su nombre).
Respuesta de entrada cero: Es la segunda parte de la ecuaci on (6.61). De-
pende de las condiciones iniciales y no de las entradas u(s); de hecho, es la
respuesta que tiene el sistema si las entradas son cero (de all su nombre).
184
6.7. SISTEMAS DISCRETOS EXCITADOS
En la secci
on 6.7.2 buscaremos aproximarnos a una interpretaci
on de (6.63)
apoy
andonos en el caso discreto.
y(z) = Cz(zI A)1 x(0) + C(zI A)1 B + D u(z) (6.67)
| {z } | {z }
Rta de entrada cero Rta de estado cero
De forma an
aloga al caso continuo, (6.67) muestra que la respuesta y(z)
tiene dos componentes7 :
7 Comp
arese con las definiciones de la p
agina 46 para sistemas de una entrada y una salida
185
OSCAR G. DUARTE
186
6.8. INTRODUCCION AL CONTROL POR
VARIABLE DE ESTADO
La ecuaci
on (6.63) y (6.69) son an
alogas; sin embargo, es m
as f
acil de analizar
(6.69). Para ello, vamos a expandir la sumatoria:
6.8. Introducci
on al control por
variable de estado
El esquema b asico de control por variable de estado se muestra en la figura
6.16. La estrategia, que es igualmente v alida para sistemas continuos y discretos
consiste en utilizar las variables de estado x para realimentar el sistema mediante
una matriz K, y comparar el estado con unas se nales de referencia r, de donde
se tiene que
u = r + Kx (6.71)
Para que (6.71) tenga sentido, las dimensiones de las variables involucradas
deben ser las siguientes:
187
OSCAR G. DUARTE
r + u y
Sistema
+
x
+ y(s)
r(s)+ + sx(s) x(s) +
B 1/s C
u(s)
+ +
188
6.8. INTRODUCCION AL CONTROL POR
VARIABLE DE ESTADO
+ y(z)
r(z)+ + zx(z) x(z) +
B 1/z C
u(z)
+ +
(
x(t)
= Ax(t) + B[r(t) + Kx(t)]
y(t) = Cx(t) + D[r(t) + Kx(t)]
(
x(k + 1) = Ax(k) + B[r(k) + Kx(k)]
y(k) = Cx(k) + D[r(k) + Kx(k)]
que pueden reescribirse como
(
x(t)
= [A + BK]x(t) + Br(t)
y(t) = [C + DK]x(t) + Dr(t)
(
x(k + 1) = [A + BK]x(k) + Br(k)
y(k) = [C + DK]x(k) + Dr(k)
Se obtienen entonces unos nuevos sistemas para los que las entradas son r,
las salidas son u y las variables de estado son x (ver figura 6.16). Si definimos
A = A + BK y C = C + DK las ecuaciones de estos nuevos sistemas ser an
(
x(t)
= Ax(t) + Br(t) = A + BK
A
(6.72)
y(t) = Cx(t) + Dr(t) = C + DK
C
(
x(k + 1) = Ax(k) + Br(k) A = A + BK
(6.73)
y(k) = Cx(k) + Dr(k) C = C + DK
Dado que el comportamiento de los sistemas descritos por (6.72) y (6.73)
se desprende que la estrategia de control
dependen de los valores propios de A,
189
OSCAR G. DUARTE
6.8.1. Controlabilidad
La nocion de controlabilidad de un sistema esta asociada con la posibilidad
de hacer que sus variables de estado tomen cualquier valor deseado, no importa
cuales sean las condiciones iniciales, en un tiempo finito.
La definici
on 6.3 no brinda por s s
ola un mecanismo f
acil para determinar
si un sistema es controlable o no. No obstante, podemos aplicar un test de
controlabilidad para determinar si un sistema din amico lineal invariante en el
tiempo es o no controlable.
Test de controlabilidad
Para determinar si un sistema como (6.21) o como (6.22) es o no controlable,
con A una matriz n n y B una matriz n p, se construye la matriz de
190
6.8. INTRODUCCION AL CONTROL POR
VARIABLE DE ESTADO
1 1
+
1F
v(t)
1 1
6.8.2. Observabilidad
Al observar la estrategia de control por Realimentaci
on de Variable de Estado
sugerida en la figura 6.16 surge la cuesti
on de c
omo medir las variables de estado
x, ya que es posible que estas no tengan sentido fsico, o que no sean medibles.
8 Se supone en esta afirmaci
on que los valores propios deseados complejos aparecen en
parejas conjugadas.
191
OSCAR G. DUARTE
r + u y
Sistema
+
Observador
x
K
Test de observabilidad
Para determinar si un sistema como (6.21) o como (6.22) es o no observable,
con A una matriz n n y C una matriz q n, se construye la matriz de
192
6.8. INTRODUCCION AL CONTROL POR
VARIABLE DE ESTADO
Ejemplo 6.33 Tomemos nuevamente el circuito de la figura 6.19. Para escribir las
ecuaciones que rigen el sistema, n
otese que el equivalente Thevenin del circuito visto
por el condensador es una resitencia de valor R, de tal manera que:
d vC
vC = RiC = RC
dt
d 1
vC (t) = vC (t)
dt RC
La ecuaci
on de salida es trivial:
vx (t) = v(t)
V = [0] S = [0]
193
OSCAR G. DUARTE
194
Captulo 7
195
OSCAR G. DUARTE
Saturaciones Rel
es
Hist
eresis Zonas Muertas
196
7.1. PERDIDA
DE SUPERPOSICICION Y PROPORCIONALIDAD
x(t)
= f (x(t), u(t), t) x(k + 1) = f (x(k), u(k), k)
x + x2 = u(t) (7.1)
La figura 7.3 muestra y3 (t), y4 (t), y3 (t) + y4 (t) y y5 (t). Se destaca como la
suma y3 (t) + y4 (t) es diferente de la salida que se obtiene cuando la entrada es
u3 (t) + u4 (t), con lo que se demuestra que el sistema no tiene la propiedad de
superposicion.
197
OSCAR G. DUARTE
3.0
2.5
y2 (t)
2.0
1.5
y1 (t)
1.0
0.5
0.0
0 1 2 3 4 5 6 7 8 9 10
4
y3 (t) + y4 (t)
2 y3 (t) y5 (t)
0
y4 (t)
1
0 1 2 3 4 5 6 7 8 9 10
198
7.2. MULTIPLES PUNTOS DE EQUILIBRIO
7.2. M
ultiples puntos de equilibrio
Un punto de equilibrio de un sistema continuo es un punto x0 tal que x(t)
en
ese punto valga cero, ya que en esas condiciones el sistema no cambiar a nunca
de estado.
Por otra parte, un punto de equilibrio de un sistema discreto es un punto x0
tal que x(k + 1) = x(k) en ese punto valga cero, ya que en esas condiciones el
sistema no cambiar a nunca de estado.
Si consideramos un sistema continuo lineal libre de la forma x = Ax, es claro
que el unico punto de equilibrio que existe1 corresponde a x = 0, sin embargo,
pueden existir sistemas no lineales con m as de un punto de equilibrio.
Ejemplo 7.2 Tomemos como ejemplo un pendulo simple de barra rgida como el
de la figura 7.4 cuyas ecuaciones dinamicas son
x 1 = x2
(7.2)
x 2 = a sin(x1 ) bx2
en donde
a = g/l, b = k/m
g es la aceleraci
on de la gravedad.
k es el coeficiente de fricci
on viscosa del punto de giro.
199
OSCAR G. DUARTE
l
x1
2.0
1.6
1.2
0.8
0.4
.
0.4
0.8
1.2
1.6
2.0
1 1 3 5 7 9 11
200
7.3. ESTABILIDAD LOCAL
Ejemplo 7.3 Consideremos de nuevo el caso del pendulo simple descrito por (7.2)
y cuyo retrato de fase se muestra en la figura 7.5. Para conocer el comportamiento
del sistema en todos los puntos de equilibrio basta con analizarlo en dos de ellos
(un angulo es igual a un angulo 2n):
0
xa = xb =
0 0
La figura 7.6 muestra una ampliaci on del retrato de fase de la figura 7.5 cerca
al punto de equilibrio xa . El retrato de fase resultante es similar al de un sif
on de
un sistema lineal, por lo tanto diremos que xa es un punto de equilibrio del tipo
sif
on, y por lo tanto estable.
Por otra parte, la figura 7.7 muestra una ampliaci on del retrato de fase de la
figura 7.5 cerca al punto de equilibrio xb . El retrato de fase resultante es similar al
de un punto de silla de un sistema lineal, por lo tanto diremos que x b es un punto
de equilibrio del tipo punto de silla, es decir, es inestable.
7.4.
Orbitas peri
odicas no sinusoidales
En un sistema lineal la u
nica posibilidad de tener soluciones peri
odicas se da
cuando los valores propios son imaginarios puros; en estos casos las trayectorias
del retrato de fase son elipses y se denominan orbitas cerradas del sistema.
En los sistemas no lineales hay otras posibilidades de tener soluciones perio-
dicas, que no necesariamente corresponder an a elipses en los retratos de fase.
x 1 = x1 + x1 x2
x 2 = x 2 x 1 x2 (7.3)
201
OSCAR G. DUARTE
0.7
0.5
0.3
0.1
0.1
0.3
0.5
0.7
4.8 5.2 5.6 6.0 6.4 6.8 7.2 7.6 8.0
Figura 7.6: Retrato de Fase del pendulo simple alrededor de un punto de equilibrio
del tipo sif
on
0.7
0.5
0.3
0.1
.
0.1
0.3
0.5
0.7
2.1 2.5 2.9 3.3 3.7 4.1 4.5
Figura 7.7: Retrato de Fase del pendulo simple alrededor de un punto de equilibrio
del tipo punto de silla
202
7.5. CICLOS L
IMITE
0 .
1
1 0 1 2 3 4 5
miembros de una especie con los de la otra, que se supone que es proporcional al
producto x1 x2 .
La figura 7.8 muestra el retrato de fase del sistema descrito por (7.3). Se nota
un punto de equilibrio en (1, 1) que es un centro, y otro punto de equilibrio en (0, 0)
que es un punto de silla. Ademas, se destacan infinitas soluciones peri
odicas que no
tienen forma de elipse ni estan centradas en (0, 0)
x 1 = x2
x 2 = (1 x21 )x2 x2 (7.4)
La ecuaci
on (7.4) representa al Oscilador de Van der Pol, y corresponde a un
oscilador con un amortiguamiento no lineal correspondiente al termino proporcional
a x21 x2 .
203
OSCAR G. DUARTE
0 .
4
3 2 1 0 1 2 3
Figura 7.9: Retrato de Fase del Oscilador de Van der Pol con = 1
La figura 7.9 muestra el retrato de fase del sistema descrito por (7.4) con = 1.
Notese que todas las trayectorias tienden a formar una o rbita cerrada (marcada en
rojo); esta o
rbita corresponde a un ciclo lmite del sistema.
7.6.
Orbitas homoclnicas
En un sistema lineal, cuando el punto de equilibrio es del tipo punto de silla,
una trayectoria que inicie en el vector propio inestable viajar a por ese vector
hasta el infinito.
En algunos sistemas no lineales puede darse un comportamiento especial:
una trayectoria que inicie en un punto de equilibrio del tipo punto de silla
puede llegar a terminar en el mismo punto de equilibrio. Cuando esto sucede,
la trayectoria descrita se denomina una orbita homoclnica
Ejemplo 7.6 Sup
ongase un sistema descrito por las ecuaciones:
x 1 = x2
x 2 = kx2 + x1 x31 (7.5)
La ecuaci
on (7.5) representa al Oscilador de Duffing, y corresponde a un oscilador
con una excitacion adicional; por ejemplo, (7.5) puede representar a un pendulo
simple como el de la figura 7.4 cuando el angulo es peque no, y adicionalmente se
ejerce una fuerza proporcional a x31 .
204
7.7. BIFURCACIONES
2.0
1.6
1.2
0.8
0.4
0 .
0.4
0.8
1.2
1.6
2.0
2.0 1.6 1.2 0.8 0.4 0 0.4 0.8 1.2 1.6 2.0
La figura 7.10 muestra el retrato de fase del sistema descrito por (7.5) con
k = 0 (sin amortiguamiento). El sistema tiene tres puntos de equilibrio: en (1, 0)
y en (1, 0) hay unos puntos de equilbrio del tipo centro; en (0, 0) hay un punto
de equilibrio del tipo punto de silla. En este punto hay dos trayectorias especiales
(en rojo): una de ellas inicia en la direcci
on (1, 1) y despues de dar una vuelta hacia
la derecha regresa al punto (0, 0) desde la direcci on (1, 1); la otra inicia en la
on (1, 1) y despues de dar una vuelta hacia la izquierda regresa al punto
direcci
(0, 0) desde la direcci
on (1, 1). Estas dos trayectorias son orbitas homoclnicas del
sistema.
7.7. Bifurcaciones
Si las ecuaciones de un sistema din amico dependen de un par ametro, es
l
ogico pensar que el comportamiento de dicho sistema dependa del valor de ese
parametro. Esto es cierto tanto para sistemas lineales como no lineales.
Sin embargo, las variaciones de comportamiento que puede tener un sistema
lineal son menores en comparaci on con las que pueden suceder en sistemas no
lineales. Si al variar un par
ametro el comportamiento del sistema cambia es-
tructuralmente (de forma muy notoria), se dice que el par
ametro ha tomado un
valor de bifurcaci
on.
205
OSCAR G. DUARTE
x = ( x2 )x (7.6)
7.8. Comportamientos ca
oticos
El comportamiento de un sistema din amico, lineal o no lineal, depende de
las condiciones iniciales. En los sistemas lineales esta dependencia es suave, es
decir, que si se escogen dos condiciones iniciales cercanas el comportamiento del
sistema sera muy parecido.
Existen algunos sistemas no lineales en los que peque nas variaciones en las
condiciones iniciales desencadenan comportamientos muy diferentes; tales siste-
mas se denominan ca oticos.
Ejemplo 7.8 Consideremos el sistema discreto de primer orden descrito por la ecua-
ci
on:
(2 x)/4 x [0, 18/41)
10x 4 x [18/41, 1/2)
x(k + 1) = f (x(k)) f (x) = (7.7)
10x 5 x [1/2, 23/41)
(3 x)/4 x [23/41, 1]
206
7.8. COMPORTAMIENTOS CAOTICOS
1.00
0.75
0.50
0.25
0
0 0.25 0.50 0.75 1.00
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 10 20 30 40 50
207
OSCAR G. DUARTE
208
Apendice A
Demostraciones de las
Transformadas de Laplace y Z
Sean f (t), f1 (t), f2 (t) tres funciones cuyas Transformadas de Laplace son,
respectivamente F (s), F1 (s), F2 (s), y a un escalar (real o complejo). Se cumplen
las siguientes propiedades:
A.1.1. Linealidad:
209
OSCAR G. DUARTE
A.1.2. Diferenciaci
on:
df (t)
L = sF (s) f (0+ ) (A.4)
dt
n1
dn f (t) X
L = sn F (s) sni1 f (i) (0+ ) (A.5)
dtn i=0
df (t)
L = lm f (t)est f (0+ )es0 + sF (s)
dt t
El valor del lmite no esta determinado, hasta tanto no se conozca f (t). Sin em-
bargo, para todas aquellas funciones que decrezcan, sean constantes, o que crezcan
210
A.1. PROPIEDADES DE LA TRANSFORMADA
DE LAPLACE
mas lentamente que est el valor del lmite sera 0. Este tipo de funciones son las que
empleamos en Analisis de Sistemas Dinamicos, y en consecuencia podemos escribir
df (t)
L = f (0+ ) + sF (s)
dt
Esto concluye la demostracion de (A.4).
Para demostrar (A.5), hacemos notar que para n = 1 se reduce a (A.4), y por
tanto podemos emplear el metodo de inducci on para la demostracion: Calculemos
d(k+1) f
la transformada de dt(k+1) empleando (A.4):
(k+1) k k
d f d df df df k
L =L = sL k
dt(k+1) d dtk dtk dt t=0+
" k1
#
d(k+1) f k
X
ki1 (i) + df k
L = s s F (s) s f (0 ) k =
dt(k+1) i=0
dt t=0
" k1
#
d(k+1) f (k+1)
X
(k+1)i1 (i)
L = s F (s) s f (0 ) f (k) (0)
+
dt(k+1) i=0
Esta expresi
on corresponde a (A.5) para (k +1) lo que completa la demostraci
on
por inducci
on.
211
OSCAR G. DUARTE
A.1.4. Multiplicaci
on por t:
dF (s)
L {tf (t)} = (A.7)
ds
dn F (s)
L {tn f (t)} = (1)n (A.8)
dsn
Demostraci
on A.4 Para demostrar (A.7) calculamos la derivada de F (s) respecto
as Z
dF (s) d st
= e f (t)dt
ds ds 0
La derivada se hace respecto a s y la integral respecto a t, por lo tanto la
derivada puede incorporarse dentro de la integral
Z
dF (s) d st
= e f (t) dt
ds 0 ds
Como la derivada es respecto a s, t y f (t) son constantes:
Z Z
dF (s)
= tf (t)est dt = [tf (t)]est dt
ds 0 0
La integral corresponde a la Transformada de Laplace de tf (t), lo que completa
la demostracion de (A.7).
Para demostrar (A.8) resaltamos que cuando n = 1 se convierte en (A.7), y
por tanto podemos emplear el metodo de inducci on. Al evaluar (A.8) en n = k se
obtiene
dk F (s)
L tk f (t) = (1)k
dsk
La derivada k + 1 de F (s) respecto a s es
d(k+1) F (s) d dk f
=
ds(k+1) ds dsk
d(k+1) F (s) d 1 k
= L t f (t)
ds(k+1) ds (1)k
Z
d(k+1) F (s) 1 d
st k
= e t f (t) dt
ds(k+1) (1)k ds 0
Como la integral es respecto a t y la derivada respecto a s se tiene
Z
d(k+1) F (s) 1 d st k
= e t f (t) dt
ds(k+1) (1)k 0 ds
Z
d(k+1) F (s) 1 k d st
= k
t f (t) e dt
ds(k+1) (1) 0 ds
212
A.1. PROPIEDADES DE LA TRANSFORMADA
DE LAPLACE
Z
d(k+1) F (s) 1
= t(k+1) f (t)est dt
ds(k+1) (1)(k+1) 0
d(k+1) F (s) n
(k+1)
o
= L t f (t)
ds(k+1)
Esta expresi
on resulta ser igual a (A.8) evaluada en n = k + 1 con lo que se
completa la demostraci
on.
213
OSCAR G. DUARTE
Z
df (t)
lm est dt = lm sF (s) f (0+ )
s0 0 dt s0
lm f (t) = lm sF (s)
t s0
A.1.7. Convoluci
on:
Z Z
L {f1 (t) f2 (t)} = f2 ( ) f1 (t )est dt d
0 0
214
A.2. PROPIEDADES DE LA TRANSFORMADA Z
Ademas, consideramos de f1 (t) vale cero para valores negativos de t, y por tanto
podemos modificar los lmites de la integral, completando asi la demostracion
Z Z
L {f1 (t) f2 (t)} = f1 ()es d f2 ( )es d
0 0
L {f ( )} = esT F (s)
Sean f (k), f1 (k), f2 (k) tres funciones cuyas Transformadas Z son, respec-
tivamente F (z), F1 (z), F2 (z) y a un escalar (real o complejo). Se cumplen las
siguientes propiedades:
215
OSCAR G. DUARTE
A.2.1. Linealidad:
n1
X
Z {f (k + n)} = z n F (z) z ni f (i) (A.17)
i=0
216
A.2. PROPIEDADES DE LA TRANSFORMADA Z
on por z n tenemos
Si dividimos a cada lado de la ecuaci
z n Z {f (k + n)} = z n f (n) + z n1 f (n + 1) + z n2 f (n + 2) +
on z 0 f (0)+z 1f (1)+ +z n+1f (n1)
Si sumamos a cada lado de la ecuaci
217
OSCAR G. DUARTE
A.2.4. Multiplicaci
on por k:
d
Z {kf (k)} = z {F (z)} (A.19)
dz
d n o
Z {k n f (k)} = z Z k (n1) f (k) (A.20)
dz
Demostraci
on A.12 Para demostrar (A.19) calculamos la derivada de F (z) res-
pecto a z ( )
dF (z) d X k
= z f (k)
dz dz
k=0
dF (z) X
= (k)z k1 f (k)
dz
k=0
Multiplicando por z a cada lado de la ecuaci
on se tiene
dF (z) X
z = z k kf (k)
dz
k=0
218
A.2. PROPIEDADES DE LA TRANSFORMADA Z
lm F (z) = f (0)
z
j
X
zF (z) zf (0) F (z) = lm [f (k + 1) f (k)] z k
j
k=0
j
X
(z 1)F (z) zf (0) = lm [f (k + 1) f (k)] z k
j
k=0
219
OSCAR G. DUARTE
Como f (0) es independiente de j puede salir del lmite, con lo que se completa
la demostraci
on
lm (z 1)F (z) f (0) = f (0) + lm f (j + 1)
z1 j
A.2.7. Convoluci
on:
Si consideramos solo funciones f (k) que valgan cero para valores negativos de k
podemos cambiar los lmites de la sumatoria, con lo que se completa la demostraci
on
" #" #
X X
Z {f1 (k) f2 (k)} = f1 (k)z k f2 (r)z r
k=0 r=0
220
A.3. PAREJAS DE TRANSFORMADAS DE LAPLACE
1 1
L {(t)} = 0 ( )= (A.24)
s s
A.3.2. Exponenciales
Sea f2 (t) = eat (t). Para obtener la transformada de Laplace de f2 (t) apli-
camos la propiedad de desplazamiento en la frecuencia (A.6) a la transformada
del escal
on (A.24)
at 1 1
L e (t) = L {(t)}sa = = (A.25)
s sa sa
A.3.3. Sinusoides
Seno
Sea f3 (t) = sin (t)(t). Para obtener la transformada de Laplace de f3 (t)
empleamos la Formula de Euler para reescribir la funci
on:
ejt ejt
f3 (t) = sin (t)(t) = (t)
2j
Al aplicar la transformada de Laplace a cada lado de la igualdad resulta
jt
e ejt 1 jt
L {sin (t)(t)} = L (t) = L e (t) L ejt (t)
2j 2j
Cada una de las dos transformadas de Laplace pueden obtenerse empleando
A.25:
1 1 1
L {sin (t)(t)} =
2j s j s + j
Al efectuar la suma se obtiene
1 s + j s + j 1 2j
L {sin (t)(t)} = =
2j s2 + 2 2j s2 + 2
L {sin (t)(t)} = (A.26)
s2 + 2
221
OSCAR G. DUARTE
Coseno
Sea f4 (t) = cos t. Para obtener la transformada de Laplace de f4 (t) podria-
mos emplear la formula de Euler; sin embargo, optamos por otra posibilidad:
empleamos la propiedad de diferenciciaci on (A.4) y la aplicamos a la transfor-
mada de sin t, (A.26):
1 d
f4 (t) = cos t = sin t
dt
1 d
L {cos (t)(t)} = L sin (t)(t)
dt
1
L {cos (t)(t)} = [sL{sin (t)(t)} sin t|t=0 ]
1
L {cos (t)(t)} = s 2 sin 0
s + 2
s
L {cos (t)(t)} = (A.27)
s2 + 2
222
A.4. PAREJAS DE TRANSFORMADAS Z
223
OSCAR G. DUARTE
1 z
Z {(k)} = = (A.38)
1 z 1 z1
k
z z/a z
Z a (k) = Z {(k)}z/a = = = (A.39)
z 1 z/a z/a 1 za
A.4.3. Sinusoides
Seno
Sea f3 (k) = sin (ak)(k). Para obtener la transformada Z de f3 (k) emplea-
mos la F
ormula de Euler para reescribir la funci
on:
1 ja k
Z {sin (ak)(k)} = Z (e ) (k) Z (eja )k (k)
2j
Cada una de las dos transformadas Z pueden obtenerse empleando A.39:
1 z z
Z {sin (ak)(a)} =
2j z eja z eja
224
A.4. PAREJAS DE TRANSFORMADAS Z
" ja
eja
#
ze 2j
Z {sin (ak)(a)} = eja +eja
z2 2z 2 +1
z sin a
Z {sin (ak)(a)} = (A.40)
z2 2z cos a + 1
Coseno
1 ja k
Z {cos (ak)(k)} = Z (e ) (k) + Z (eja )k (k)
2
Cada una de las dos transformadas Z pueden obtenerse empleando A.39:
1 z z
Z {cos (ak)(a)} = +
2 z eja z eja
" ja
#
+eja
z2 z e 2
Z {cos (ak)(a)} = ja ja
z2 2z e +e2 + 1
z 2 z cos a
Z {cos (ak)(a)} = (A.41)
z 2 2z cos a + 1
225
OSCAR G. DUARTE
z
sin a zb sin a
Z bk sin (ak)(k) = b
= 2 (A.42)
( zb )2 2 zb cos a + 1 z 2b cos a + b2
z 2
k
b zb cos a z 2 zb cos a
Z b cos (ak)(k) = = (A.43)
( zb )2 2 zb cos a + 1 z 2 2b cos a + b2
z
Z {k(k)} = (A.44)
(z 1)2
az
Z {k(t)} = (A.45)
(z a)2
226
A.4. PAREJAS DE TRANSFORMADAS Z
Z {k sin(ak)(k)} =
(z 2 2z cos a + 1) sin a z sin a(2z 2 cos a)
z
(z 2 2z cos a + 1)2
Z {k sin(ak)(k)} =
z 2 sin a 2z cos a sin a + sin a 2z 2 sin a + 2z sin a cos a
z
(z 2 2z cos a + 1)2
z 3 sin a + z sin a
Z {k sin(ak)(k)} = (A.46)
(z 2 2z cos a + 1)2
Para obtener la transformada Z de k n sin(ak)(k) es necesario aplicar en
forma iterativa la propiedad de multiplicaci
on por el tiempo (A.19).
Coseno
Sea f10 (k) = k sin(ak)(k). Para calcular la transformada Z de f10 (k) apli-
camos la propiedad de multiplicaci
on por el tiempo (A.19) a la transformada de
coseno (A.41).
d z 2 z cos a
Z {k cos(ak)(k)} = z =
dz z 2 2z cos a + 1
Z {k cos(ak)(k)} =
(z 2 2z cos a + 1)(2z cos)a (z 2 z cos a)(2z 2 cos a)
z
(z 2 2z cos a + 1)2
Z {k cos(ak)(k)} =
3
2z z 2 cos a 4z 2 cos a + 2z cos2 a + 2z cos a
2z 3 + 2z 2 cos a + 2z 2 cos a 2z cos2 a
z
(z 2 2z cos a + 1)2
227
OSCAR G. DUARTE
(z 2 1) cos a + 2z
Z {k cos(ak)(k)} = z
(z 2 2z cos a + 1)2
(z 3 + z) cos a 2z 2
Z {k cos(ak)(k)} = (A.47)
(z 2 2z cos a + 1)2
Para obtener la transformada Z de k n cos(ak)(k) es necesario aplicar en
forma iterativa la propiedad de multiplicaci
on por el tiempo (A.19).
228
Apendice B
B.1. Definici
on
El valor de una funci
on de transferencia F (s), para un s especfico, es un
numero complejo cuya amplitud es |F (s)| y cuyo a ngulo es arg {F (s)}. Los
diagramas de Bode para sistemas continuos muestran c omo vara la amplitud y
el a
ngulo de ese n
umero complejo, cuando s toma todos los posibles valores del
eje imaginario positivo (s = j; w (0, )). Especficamente se definen los
siguientes diagramas:
Diagrama de magnitud:
Diagrama de fase:
229
OSCAR G. DUARTE
B.2. Construcci
on de los diagramas de Bode
Debido a las escalas empleadas en los diagramas de Bode, estos pueden ser
construidos en forma aproximada mediante trazos rectos. La figura B.1 muestra
los diagramas de Bode aproximados para funciones sencillas de orden 1.
La figura B.2 muestra los diagramas de bode para funciones de orden 2; en
estos casos, las aproximaciones pueden ser bastante lejanas de los diagramas
exactos, dependiendo del factor de amortiguamiento . Por esta raz on se han
trazado los diagramas exactos para una funci on de segundo orden (para el primer
caso de la figura B.2), en las figuras B.3 y B.4
Para funciones de transferencia m as sofisticadas que las de las figuras B.1 y
B.2 se descompone la funci on de trasferencia como productos de terminos m as
sencillas, se trazan los diagramas de bode estas de funciones y luego se suman
punto a punto para obtener los diagramas de la funci on original
(s + 10)
F (s) =
(s + 1)(s + 100)
Esta funci
on puede descomponerse como el producto de cuatro funciones de
transfenecia mas sencillas:
s + 10 1 100 1
F (s) =
10 s + 1 s + 100 10
| {z } | {z } | {z } |{z}
FA (s) FB (s) FC (s) FD (s)
Cada una de las funciones FA (s), FB (s), FC (s) y FD (s) son de la forma que se
muestra en las figuras B.1 y B.2. Pueden trazarse los diagramas de bode aproximados
de estas funciones, y luego sumarlos punto a punto para obtener los diagramas de
F (s)
230
B.2. CONSTRUCCION DE LOS DIAGRAMAS DE BODE
2
K>0
2
K<0
20db/dc 2
s
1
2
2
1 1
s
20db/dc 2
20db/dc 2
s+a
a a>0 a a a 10a
2 10
2 a
a
a>0 a 10 a 10a
s+a
20db/dc 2
20db/dc 2 a
sa
a>0 10 a 10a
a a
2
2
a
a>0 a
sa a a 10a
20db/dc 2 10
231
OSCAR G. DUARTE
2 n
2
n 10 n 10n
s2 +2n s+n
2
n 2
n > 0
40db/dc
2 2
n
s2 +2n s+n
2
n
n n 10n
2 10
n < 0
40db/dc
40db/dc
n 2
s2 +2n s+n
2
2
n n n 10n
2 10
n > 0
40db/dc
n 2 n
n 10n
s2 +2n s+n
2
10
2
n
2
n < 0
232
B.2. CONSTRUCCION DE LOS DIAGRAMAS DE BODE
10
10
20
: = 0.01
: = 0.1
: = 0.3
30
: = 0.5
: = 1.0 w/wn
40
1 0 1
10 10 10
0.01 0.5
0.1 1.0
0.3
233
OSCAR G. DUARTE
30
60
90
120
: = 0.01
: = 0.1
: = 0.3
150
: = 0.5
: = 1.0 w/wn
180
1 0 1
10 10 10
0.01 0.5
0.1 1.0
0.3
Figura B.4: Diagrama de Bode de fase para un sistema continuo de segundo orden
con distintos factores de amortiguamiento
234
Apendice C
Carta de Nichols
Sup
ongase la funci
on de transferencia (C.1), que corresponde a un sistema
realimentado simple con realimentacion unitaria,
G(s)
F (s) = (C.1)
1 + G(s)
Al evaluar F (s) en s = j la ecuaci
on (C.1) se convierte en
G(j)
F (j) = (C.2)
1 + G(j)
Podemos calcular la magnitud y el a
ngulo de F (j), a partir de la parte real
y la parte imaginaria de G(j):
G(j) = X + jY (C.3)
El a
ngulo de F (j) ser
a
Y Y
= arg F (j) = tan1 tan1 (C.6)
X (1 + X)
235
OSCAR G. DUARTE
La tangente del a
ngulo de F (j) ser
a
C.1. M -circunferencias
Al elevar al cuadrado la ecuaci
on (C.5) se tiene
X2 + Y 2 X2 + Y 2
M2 = = (C.8)
(1 + X)2 + Y 2 1 + 2X + X 2 + Y 2
M 2 + 2XM 2 + X 2 M 2 + Y 2 M 2 = X 2 + Y 2
X 2 (1 M 2 ) 2M 2 X M 2 + (1 M 2 )Y 2 = 0
2M 2 M2
X2 + 2
X+ +Y2 =0 (C.9)
(M 1) (M 2 1)
La ecuaci
on C.9 es una cuadr
atica, y para analizarla completamos el cua-
drado en X:
2M 2 M4 M4 M2
X2 + X + + Y 2
= =
(M 2 1) (M 2 1)2 (M 2 1)2 (M 2 1)
M 4 M 2 (M 2 1)
(C.10)
(M 2 1)2
2 2
M2 M2 M
X+ +Y2 = = (C.11)
(M 2 1) (M 2 1)2 (M 2 1)
La ecuaci
2
on (C.11) corresponde a la de una circunferencia con centro en
(MM2 1) , 0 y radio (MM 2 1) . Estas circunferencias se conocen como las M-
circunferencias.
C.2. N -circunferencias
Empleando (C.6) y la identidad trigonometrica
tan A tan B
tan A B =
1 + tan A tan B
la ecuaci
on (C.7) se convierte en
236
C.3. CARTA DE NICHOLS
Y Y
X 1+X
N= Y Y
1+ X 1+X
Y
X2 + X + Y 2 =0 (C.12)
N
La ecuaci
on (C.12) corresponde a una cuadr
atica y para analizarla comple-
tamos los cuadrados en X y en Y
2 2
1 Y 1 1 1 N2 + 1
X2 + X + +Y2 + = + = (C.13)
4 N 2N 4 2N 4N 2
2 2
1 1 N2 + 1
X+ + Y = (C.14)
2 2N 4N 2
La ecuaci
on (C.14) corresponde a la de una circunferencia con centro en
1
21 , 2N 1
y radio 2N N 2 + 1. Estas circunferencias se conocen como las N-
circunferencias.
237
OSCAR G. DUARTE
3.0
Im{G(j)}
2.4
30o
1.8
1.2
60o
0.6 90o
60o
1.2
1.8
30o
2.4
Re{G(j)}
3.0
4.80 3.84 2.88 1.92 0.96 0.00 0.96 1.92 2.88 3.84 4.80
20
|G(j)|en db
16
2db
12 2db
3db
8
3db 5db
4
5db
12
16
30o 60o 90o 90o 60o 30o
20
0 36 72 108 144 180 216 252 288 324 360
arg{G(j)}
:|F (j)|en db :arg{F (j)}
238
Apendice D
G.2 Asociativa: x, y, z (x y) z = x (y z)
G.3 Modulativa: 0 | x x 0 = x
Definici
on D.2 Grupo conmutativo
Un conjunto dotado de una operaci on binaria tiene estructura de grupo con-
mutativo o grupo abeliano si la operaci
on satisface las propiedades de grupo y:
G.5 Conmutativa: x, y x y = y x
239
OSCAR G. DUARTE
odulo 0 de es el
tiene estructura algebraica de grupo conmutativo, en donde el m
elemento a
Ejemplo D.2 El conjunto = {0, 1} dotado con la operaci on suma usual no tiene
estructura de grupo porque no se satisface la propiedad clausurativa (1+1 = 2 6 ).
Sin embargo, con la operacion descrita en la tabla s tiene estructura de grupo
0 1
0 1 0
1 0 1
Definicion D.3 Anillo
Un conjunto dotado de dos operaciones binarias y tiene estructura de anillo
si las operaciones satisfacen las siguientes propiedades.
on
Para la operaci
R.1 Clausurativa: x, y x y
R.2 Asociativa: x, y, z (x y) z = x (y z)
R.3 Modulativa: 0 | x x 0 = x
R.4 Invertiva: x (x) | x (x) = 0
R.5 Conmutativa: x, y x y = y x
on
Para la operaci
R.6 Clausurativa: x, y x y
R.7 Asociativa: x, y, z (x y) z = x (y z)
Para las dos operaciones
R.8 Distributiva respecto a : x, y, z x (y z) = (x y) (x z)
Definicion D.4 Anillo modulativo (anillo con unidad)
Un conjunto dotado de dos operaciones binarias y tiene estructura de anillo
modulativo o de anillo con unidad si las operaciones satisfacen las propiedades de
on satisface:
anillo y ademas la operaci
R.9 Modulativa: 1 | x x 1 = 1 x = x
Definici
on D.5 Anillo conmutativo
Un conjunto dotado de dos operaciones binarias y tiene estructura de anillo
conmutativo si las operaciones satisfacen las propiedades de anillo y ademas la
on satisface:
operaci
R.10 Conmutativa: x, y x y = y x
Definicion D.6 Campo
Un conjunto dotado de dos operaciones binarias y tiene estructura de campo
si tiene estructura de anillo conmutativo con unidad.
Ejemplo D.3 Algunos de los campos mas conocidos son los reales R, los complejos
C y el conjunto de las funciones racionales de s con coeficientes reales R(s).
240
D.1. ESPACIOS VECTORIALES
D.1.2. Definici
on de espacio vectorial
Definicion D.7 espacio vectorial
Sea un conjunto y F : (, , ) un campo. A los elementos de se les denomina
vectores, y a los elementos de escalares. tiene estructura de espacio vectorial
sobre F si esta dotado de una operacion binaria + (suma vectorial) y una opera-
on entre elementos de y (producto por escalar) que cumplen las siguientes
ci
propiedades:
Para la suma vectorial
V.1 Clausurativa: x, y x + y
V.2 Asociativa: x, y, z (x + y) + z = x + (y + z)
V.3 Modulativa: 0 | x x + 0 = x
V.5 Conmutativa: x, y x + y = y + x
V.6 Clausurativa: x , x
V.7 Asociativa: x , , ( ) x = ( x)
V.8 Modulativa: x , 1 x = x. 1 es el m
odulo de
Ejemplo D.4 Uno de los espacios vectoriales mas conocidos, y que servira para
futuros ejemplos en este captulo es el formado por R 2 sobre el campo R con las
operaciones usuales. En general, Cn sobre el campo C con las operaciones usuales
forma un espacio vectorial.
Ejemplo D.5 El conjunto de todos los polinomios sobre el campo R con las ope-
raciones usuales entre polinomios forma un espacio vectorial.
Ejemplo D.6 El conjunto de todas las funciones contnuas a trozos sobre el campo
C con la operaci
on + definida como la suma punto a punto forma un espacio
vectorial.
241
OSCAR G. DUARTE
Definici
on D.8 Subespacio
Sea V : (, +, , F) un espacio vectorial sobre F; sea un subconjunto de . Si
W : (, +, , F) forma un espacio vectorial sobre F se dice que W es un subespacio
de V .
Ejemplo D.9 Una lnea recta que cruce por el origen es un subsepacio de (R 2 , R),
ya que: i) la suma de dos vectores que esten sobre una misma recta da otro vector
sobre esa recta y ii) el producto por escalar de un vector da otro vector sobre la
misma recta.
D.1.3. Bases
Definici on D.9 Combinaci on lineal
Sea V : (, F) un espacio vectorial. Sean x1 , x2 , , xn cualesquiera vectores y
1 , 2 , , n cualesquiera escalares de F denominados coeficientes. Una combi-
nacion lineal de x1 , x2 , , xn es la operaci
on
n
X
1 x1 + 2 x2 + + n xn = i xi
i=1
Definici
on D.10 Independencia lineal
Un conjunto de vectores {x1 , x2 , , xn } es linealmente independiente si la u
nica
combinacion lineal nula se obtiene con coeficientes nulos. Es decir, si
1 x1 + 2 x2 + + n xn = 0 1 = 2 = = n = 0
242
D.1. ESPACIOS VECTORIALES
243
OSCAR G. DUARTE
1 b 1 + 2 b2 + + n bn =x
1 b 1 + 2 b2 + + n bn =x
Al restar estas dos expresiones se obtiene
x = 1 b1 + 2 b2 + + n bn
1 b 1 + 2 b 2 + + n b n x = 0
Teorema D.5 Todas las bases de un mismo espacio vectorial tienen el mismo n
u-
mero de elementos que coincide con la dimensi
on del espacio vectorial.
Demostraci on D.5 Por el teorema D.2 sabemos que pueden existir bases de tama-
n
o igual a la dimensi
on. Segun las definiciones D.11 y D.13 no puede haber bases
con un numero mayor de elementos, debido a que este conjunto sera linealmente
dependiente, por lo tanto s
olo es necesario probar que no puede haber bases con un
numero de elementos inferior a la dimension del espacio.
Sea V un espacio vectorial de dimensi on n. Supongamos dos bases B y A:
B = {b1 , b2 , , bn } A = {a1 , a2 , , ar }
244
D.1. ESPACIOS VECTORIALES
Ejemplo D.12 El conjunto formado por los polinomios {1, t, t 2 , t3 } forma una base
del espacio vectorial de los polinomios de orden 3.
Ejemplo D.13 El espacio vectorial de todos los polinomios tiene dimensi on infinita.
Una base de ese espacio es la formada por los polinomios {1, t, t 2 , t3 , }
245
OSCAR G. DUARTE
= B = B1 (D.6)
Ejemplo D.14 En R2 puede definirse una base con cualquier pareja de vectores
no paralelos. Definamos por ejemplo A = {(1, 0), (0, 1)}, B = {(3, 1), (2, 2)} y
C = {(1, 1)(1, 1)} (vectores rojos en la figura D.1).
Consideremos ahora el vector x en la figura D.1. Sus coordenadas en la base
estandar A seran
1
= 1 =
2 3
Para obtener las coordenadas de x en las bases B y C construimos las matrices
B y C y empleamos (D.6)
3 2 1 1
B= C=
1 2 1 1
1 1/2 1/2 1 1
= = B1 = =
2 1/4 3/4 3 2
1 1/2 1/2 1 1
= = C1 = =
2 1/2 1/2 3 2
Puede verificarse que las coordenadas en las bases B y C satisfacen las relaciones
(D.5)
= B1 C = C1 B
246
D.2. TRANSFORMACIONES LINEALES
1 =1
1 =1
2 =3
2 =2 2 =-2
1 =-1
: base : vector
T :V W y = T (x) x V yW
Demostraci
on D.6 Sea x un elemento de V sobre el que se aplica la transforma-
ci
on T
y = T (x) (D.8)
247
OSCAR G. DUARTE
248
D.2. TRANSFORMACIONES LINEALES
: base : vector
T = C1 BT B1 C
249
OSCAR G. DUARTE
Definici
on D.17 Norma de un vector
Sea V : (, +, , F) un espacio vectorial sobre F : (, , ). Una operaci
on k k :
F es una funci on de Norma si satisface las siguientes condiciones
N.1 x kxk 0
250
D.3. NORMAS DE VECTORES Y MATRICES
N.2 kxk = 0 si y s
olo si x = 0
N.3 x F kxk = || kxk
N.4 x1 , x2 kx1 + x2 k kx1 k kx2 k
Ejemplo D.21 Sea V : (, +, , F) un espacio vectorial sobre F, y sea P (x1 , x2 )
un producto interno de ese espacio. Si la cantidad
p
kxk = + P (x, x)
es una funci
on de norma se dice que es una norma inducida por el producto interno
P . El signo + resalta que se trata de la raiz positiva del producto interno de x
consigo mismo.
Ejemplo D.22 Sea V un espacio vectorial de dimensi on n, y sean x 1 , x2 , , xn las
coordenadas del vector x. En esas condiciones, las siguientes funciones son funciones
de normas:
Pn
1. kxk1 = i=1 |xi |
pPn
2. kxk2 = 2
i=1 xi
pP
3. kxkp = p ni=1 xpi
4. kxk = m
axi xi
Definicion D.18 Distancia entre vectores
Sea V : (, +, , F) un espacio vectorial sobre F : (, , ), y sea k k una norma
definida en ese espacio vectorial. Se define la distancia entre los vectores x 1 y x2
como la operaci on d : F tal que
d(x1 , x2 ) = kx1 x2 k
Toda funci
on de distancia satisface las siguientes propiedades:
d.1 x1 , x2 d(x1 , x2 ) 0
d.2 d(x1 , x2 ) = 0 si y s
olo si x1 = x2
d.3 x1 , x2 d(x1 , x2 ) = d(x2 , x1 )
d.4 x1 , x2 , x3 d(x1 , x2 ) d(x1 , x3 ) d(x3 , x2 )
Definici
on D.19 Vector normal
Un vector es normal si su norma es 1
Definici on D.20 Bola unitaria
Sea V : (, +, , F) un espacio vectorial sobre F, y sea d(x1 , x2 ) una funci on de
distancia definida en ese espacio vectorial. Se define la bola unitaria como el conjunto
de todos los vectores cuya distancia al origen sea 1. Tambien puede definirse de forma
equivalente como el conjunto de todos los vectores cuya norma sea 1, o lo que es
igual, el conjunto de todos los vectores normales.
251
OSCAR G. DUARTE
k k1 k k2 k k
Ejemplo D.23 La figura D.3 muestra las bolas unitarias para tres funciones de
distancia diferentes, originadas las siguientes normas kxk 1 , kxk2 y kxk definidas
en el Ejemplo D.22, para el espacio vectorial R2 . Como se trata de un espacio de
dimension 2 se emplea el termino circunferencia unitaria en lugar de bola unitaria
Definici
on D.21 Angulo entre vectores
Sea V : (, +, , F) un espacio vectorial sobre F, sea P (x1 , x2 ) un producto interno
definido en ese espacio, y k k la norma inducida por P . Se define el angulo entre
los vectores x1 y x2 mediante cos asi:
P (x1 , x2 )
cos =
kx1 k kx2 k
Definici
on D.22 Vectores ortogonales
Un conjunto de vectores x1 , x2 , , xk es ortogonal si
(
= 0 si i 6= j
P (xi , xj )
6= 0 si i = j
Definici
on D.23 Vectores ortonormales
Un conjunto de vectores x1 , x2 , , xk es ortonormal si es ortogonal y todos sus
vectores son normales, es decir, si
(
0 si i 6= j
P (xi , xj ) = ij =
1 si i = j
252
D.3. NORMAS DE VECTORES Y MATRICES
x1
y1 =
kx1 k
x2 P (x2 , y1 )y1
y2 =
kx2 P (x2 , y1 )y1 k
x3 P (x3 , y1 )y1 P (x3 , y2 )y2
y3 =
kx3 P (x3 , y1 )y1 P (x3 , y2 )y2 k
....
..
P
xk j=1 k 1P (xk , yj )yj
yk = P
kxk j=1 k 1P (xk , yj )yj k
Es decir, la norma de una matriz es la norma mas grande que se obtiene al aplicar
la transformacion lineal sobre los elementos de la bola unitaria.
Ejemplo D.24 Sea A la matriz
2 1
A=
0 3
253
OSCAR G. DUARTE
sin , 3 sin ); su distancia al origen r es tal que r 2 = (2 cos + sin )2 + (3 sin )2 , que puede
escribirse como r 2 = 2 sin 2 3 cos 2 + 7. Los puntos crticos corresponden a dr 2 /d = 0,
es decir a = 21 tan1 ( 23 ); el maximo corresponde a = 73.15t exto
254
D.4. SISTEMAS DE ECUACIONES ALGEBRAICAS
A d
255
OSCAR G. DUARTE
Definici
on D.26 Codominio
El Codominio de un operador lineal A es el conjunto R(A) definido como
y1 = Ax1 y2 = Ax2
Definici
on D.27 Rango
El rango de una matriz A, denotado por (A) es la dimensi
on del codominio del
operador lineal representado por A (ver figura D.7).
256
D.4. SISTEMAS DE ECUACIONES ALGEBRAICAS
dim(V) = n dim(W) = m
V W
R(A)
A
(A) = dim(R(A))
y = x 1 a1 + x 2 a2 + + x n an
257
OSCAR G. DUARTE
}
(A) = 1
Figura D.8: Codominio y Rango del Operador Lineal del ejemplo D.27
}
(A) = 1
Figura D.9: Codominio y Rango del Operador Lineal del ejemplo D.27
(A) = N
umero de columnas L.I.
(A) = N
umero de filas L.I. (D.15)
(A) mn (m, n)
258
D.4. SISTEMAS DE ECUACIONES ALGEBRAICAS
dim(V) = n dim(W) = m
V W
N (A) R(A)
A
0
A
(A) = dim(N (A)) (A) = dim(R(A))
259
OSCAR G. DUARTE
a3 = a 1 + a 2 a4 = 2a1 a5 = a 1 a 2 (D.17)
x 1 a1 + x 2 a2 + x 3 a3 + x 4 a4 + x 5 a5 = 0
0 1 1 0 1 0
x1 2 + x2 1 + x3 3 + x4 4 + x5 1 = 0 (D.18)
1 0 1 2 1 0
Empleando (D.17) la ecuacion (D.18) se convierte en
0 1 0
(x1 + x3 + 2x4 + x5 ) 2 + (x2 + x3 x5 ) 1 = 0 (D.19)
1 0 0
260
D.5. VALORES Y VECTORES PROPIOS
261
OSCAR G. DUARTE
det(I A) = 0 (D.24)
Demostraci
on D.15 Si es un valor propio de A entonces existe un vector v tal
que
Av = v Av v = 0
El termino v puede escribirse como Iv para facilitar la factorizaci
on de v
Av Iv = 0 (A I)v = 0
El teorema D.15 brinda una posibilidad para calcular los valores propios
de A: podemos construir el polinomio caracterstico () = det(I A) y
encontrar sus raices. Cada raiz de () ser a un valor propio de A. Los vectores
propios pueden obtenerse directamente de (D.23).
Debido a que los valores propios resultan ser las raices del polinomio carac-
terstico, estos pueden ser reales o complejos, diferentes o repetidos.
Definici
on D.31 Multiplicidad
La multiplicidad ri de un valor propio i es el n
umero de veces que este aparece
como raiz del polinomio caracterstico.
1 = 2 2 = 3
Av1 = 1 v1
262
D.5. VALORES Y VECTORES PROPIOS
4 1 v11 v 4v11 + v21 2v11
= 2 11 =
2 1 v21 v21 2v11 + v21 2v21
Se crea entonces un sistema de ecuaciones con infinitas soluciones:
4v11 + v21 = 2v11
2v11 + v21 = 2v21
Para obtener un vector propio asociado a 1 = 2 podemos escoger arbitrariamente
un valor para v11 o para v21 . Por ejemplo, si escogemos v11 = 1 obtenemos v21 =
2. En consecuencia, un vector propio asociado a 1 = 2 sera
1 a
v1 = en general v1 =
2 2a
Los vectores propios asociados a 2 = 3 tambien deben cumplir (D.23):
Av2 = 1 v2
4 1 v12 v 4v12 + v22 3v12
= 3 12 =
2 1 v22 v22 2v12 + v22 3v22
Se crea entonces un segundo sistema de ecuaciones con infinitas soluciones:
4v12 + v22 = 3v12
2v12 + v22 = 3v22
Para obtener un vector propio asociado a 2 = 3 podemos escoger arbitrariamente
un valor para v12 o para v22 . Por ejemplo, si escogemos v12 = 1 obtenemos v22 =
1. En consecuencia, un vector propio asociado a 2 = 3 sera
1 a
v2 = en general v2 =
1 a
Ejemplo D.31 Obtener los valores y vectores propios de la matriz
2 1
A=
1 2
Construimos la matriz B = (I A) y hallamos su determinante:
1 0 2 1 ( 2) 1
B = (I A) = =
0 1 1 2 1 ( 2)
() = det(B) = ( 2)2 + 1 = 2 4 + 5
Los valores propios de A seran las raices de ()
1,2 = 2 j
Al aplicar (D.23) para 1 y 2 se obtienen dos sistemas de ecuaciones con infinitas
soluciones
2v11 + v21 = (2 + j)v11 2v12 + v22 = (2 j)v12
v11 + 2v21 = (2 + j)v21 v12 + 2v22 = (2 j)v22
263
OSCAR G. DUARTE
o en general
a a
v1 = v2 =
ja ja
Demostraci
on D.16 La demostraci
on se basa en que para una matriz P se tiene
que
PadjP = det (P)I (D.25)
Al aplicar (D.25) a la matriz (i I A) se tiene
(i I A)adj(i I A) = 0 (D.27)
Ejemplo D.32 Para obtener los vectores propios del ejemplo D.30 construimos
2 1 1 1 a
adj(1 I A) = adj(2I A) = adj = v1 =
2 1 2 2 2a
1 1 2 1 a
adj(2 I A) = adj(3I A) = adj = v2 =
2 2 2 1 a
264
D.5. VALORES Y VECTORES PROPIOS
1 (1 2 )(1 3 ) (1 r )v1 = 0
Por hip
otesis, todos los i son diferentes y v1 es no nulo (es un vector propio), lo
que significa que 1 = 0. Con esta contradiccion se concluye la demostracion.
265
OSCAR G. DUARTE
AM = A v1 v2 vn = Av1 Av2 Avn (D.31)
=
Como Avi = i vi entonces las ecuaciones (D.30) y (D.31) se reducen a MA
AM o lo que es igual
= = M1 AM
A
Ejemplo D.33 La transformaci
on lineal representada por la matriz
4 1
A=
2 1
cuyos valores propios son (Ejemplo D.30) 1 = 2, 2 = 3 con vectores propios v1
v2 :
1 1
v1 = v2 =
2 1
on en la base {v1 v2 } por la matriz diagonal
Tiene una representaci
1 1 4 1 1 1 2 0 0
1
= M AM = = = 1
2 1 2 1 2 1 0 3 0 2
Ejemplo D.34 La transformaci
on lineal representada por la matriz
2 1
A=
1 2
cuyos valores propios son (Ejemplo D.31) 1,2 = 2 j con vectores propios v1 v2 :
1 1
v1 = v2 =
j j
on en la base {v1 v2 } por la matriz diagonal
Tiene una representaci
= M1 AM =
j/2 j/2 2 1 1 1 2+j 0 0
= = 1
j/2 j/2 1 2 j j 0 2j 0 2
266
D.5. VALORES Y VECTORES PROPIOS
di = n (i I A) (D.32)
Demostraci
on D.20 Un vector propio vi de A asociado a i debe cumplir
Avi = i v (i I A)vi = 0
Seg un la definici
on D.29, el n
umero de vectores propios linealmente independientes
seran entonces la nulidad de la matriz que premultiplica al vector,
di = (i I A)
di = n (i I A)
1 = 2 = 1,2 = 3
d1 = 2 (3I A)
267
OSCAR G. DUARTE
31 2 2 2
d1 = 2 =2 =21=1
2 35 2 2
Lo anterior significa que aunque tiene multiplicidad 2, s
olo es posible encontrar
un vector linealmente independiente. Este se obtiene empleando (D.23), y resulta
ser
1 a
v1 = en general v1 =
1 a
No es posible construir una base para el espacio de dimensi
on 2 con un s
olo
vector, por lo tanto no es posible diagonalizar A.
() = ( 3)2 ( 2) ( 2) = 3 82 + 20 16
d1 = n (I A) d1 = 3 1 = 2
Lo anterior significa que existen dos vectores propios linealmente independientes
asociados a 1 = 2 = 2. Estos dos vectores junto con el vector propio asociado a
3 = 4 pueden formar una base y por tanto es posible diagonalizar A. Para obtener
los tres vectores propios empleamos (D.23):
3 0 1 a a 3 0 1 d d
1 2 1 b = 2 b 1 2 1 e = 2 e
1 0 3 c c 1 0 3 f f
268
D.5. VALORES Y VECTORES PROPIOS
Que se convierten en
a=c d = e = f
Podemos construir dos vectores linealmente independientes v 1 , v2 que satisfacen
a = c y un tercero v3 que satisface d = e = f , por ejemplo
1 1 1
v1 = 0 v2 = 1 v3 = 1
1 1 1
Definici
on D.33 Vectores propios generalizados
Sea A una transformaci on lineal A : Cn Cn y sea un valor propio de A. v es
un vector propio generalizado de grado k de A asociado a si y s
olo si
(A I)k v =0
(D.33)
(A I)k1 v 6= 0
N
otese que para k = 1 la ecuaci on (D.33) se reduce a (A I) = 0 con
v 6= 0, que coincide con la definici
on D.30 de vector propio.
vk = v
vk1 = (A I)v = (A I)vk
vk2 = (A I)2 v = (A I)vk1 (D.34)
.. ..
. .
v1 = (A I)k1 v = (A I)v2
269
OSCAR G. DUARTE
..
.
vi
vi1
..
.
Ni1 Ni Ni+1
Demostraci
on D.22 La demostraci on se obtiene calculando (A I) i vi y (A
i1
I) vi y utilizando (D.34) y (D.33):
Teorema D.23 Los vectores de una cadena de vectores propios generalizados como
los de la definici
on D.34 son linealmente independientes.
on 2 2
Ejemplo D.37 Sea A la transformaci
1 2
A=
2 5
270
D.5. VALORES Y VECTORES PROPIOS
que tiene un valor propio repetido = 3 Para encontrar los espacios nulos N 1 y N2
construimos las matrices B y B2 :
2 2 0 0
2
B = (A I) = B =
2 2 0 0
v2 = v
v1 = (A I)v2
1 2
v2 = v1 = N1
0 2
Teorema D.24 Sea A una transformaci on lineal n n con un unico valor propio
repetido, 1 = 2 = = n = . Sea v un vector propio generalizado de
orden n asociado a . En esas condiciones, se cumple que J = M 1 AM en donde
M es la matriz modal formada por los vectores de la cadena de vectores propios
generalizados creada por v y J es una matriz n n casi-diagonal que tiene a en
la diagonal, 1 encima de la diagonal, y 0 en cualquier otro lugar. Es decir
1 0 0
0
1 0
0 0
0
J = . . .. . . .
.. .. . . ..
0 0 0 1
0 0 0
1
= v1 v2 vn A v1 v2 vn (D.35)
Demostraci
on D.24 Demostrar (D.35) equivale a demostrar MJ = AM, por lo
271
OSCAR G. DUARTE
B
0
1 = dim(N1 ) = 1
B2
} 0
2 = dim(N2 ) = 2
Avi+1 = vi + vi+1 i = 1, 2, , n 1
lo que significa que las columnas 2, 3, , n de MJ son iguales a las de AM. Para
demostrar que la primera columna tambien es igual, empleamos el teorema D.22,
segun el cual v1 N1 , es decir
(A I)1 v1 = 0
272
D.5. VALORES Y VECTORES PROPIOS
Nr r
N2 2
N1 { } 1
on 2 2
Ejemplo D.38 Sea A la transformaci
1 2
A=
2 5
que tiene un valor propio repetido = 3 y una cadena de vectores propios genera-
lizados (ejemplo D.37):
2 1
v1 = v2 =
2 0
El resultado de calcular M1 AM es
1
2 1 1 2 2 1 3 1
M1 AM = =
2 0 2 5 2 0 0 3
D.5.3. Obtenci
on de vectores propios generalizados
El teorema D.24 supone que la matriz A de tama no n n tiene un vector
propio generalizado de orden n asociado al valor propio , a partir del cual se
construye una unica cadena de vectores. Esto no siempre sucede, por lo tanto,
es necesario contar con un procedimiento para encontrar el conjunto de vectores
propios asociados a .
un el teorema D.21, Ni es un subespacio de Ni+1 , si denotamos por i la
Seg
dimension de Ni , lo anterior significa que i < i+1 .
Este hecho permite construir el diagrama de Matthew (figura D.13) en el que
se muestran las nulidades 1 , 2 , , r mediante casillas de un arreglo (i ser
a
umero de casillas para Ni en el arreglo).
igual al n
Debido a que Ni es el espacio nulo de B = (A I)i , es posible calcular i
empleando (D.16) y de esa manera establecer la forma del diagrama de Matthew
i = n (Bi )
273
OSCAR G. DUARTE
r
2
1
r v1 v2
r1 Bv1 Bv2
.. .. ..
. . .
2 Br1 2 v1 Br2 2 v2 vq1
1 Br1 1 v1 Br1 1 v2 Bvq1 vq
1. Identificar el n
umero de columnas del diagrama como q.
274
D.5. VALORES Y VECTORES PROPIOS
B0 = I (A 2I)0 = 6 0 = 6 6 = 0
1 1 1 1 0 0
1 1 1 1 0 0
0 0 0 0 1 1 (A 2I) = 4
B1 =
0 0
0 0 1 1 1 =64=2
0 0 0 0 1 1
0 0 0 0 1 1
0 0 2 2 0 0
0 0 2 2 0 0
2
0 0 0 0 0 0 (A 2I)2 = 2
B =
0 0
0 0 0 0 2 = 6 2 = 4
0 0 0 0 2 2
0 0 0 0 2 2
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0 (A 2I)3 = 1
B3 =
0 0
0 0 0 0 3 = 6 1 = 5
0 0 0 0 4 4
0 0 0 0 4 4
Puede comprobarse que 4 = 3 = 5 y por tanto no es necesario continuar. Con
la informaci
on anterior podemos calcular i :
3 = 3 2 = 54= 1
2 = 2 1 = 42= 2
1 = 1 0 = 20= 2
Con esta informaci
on podemos construir el diagrama de Matthew
3 adaptado de [5, pp.: 43]
275
OSCAR G. DUARTE
v1
Bv1 v2
B2 v 1 Bv2
1. c = 1.
Ejemplo D.41 Para obtener los vectores v1 y v2 del ejemplo D.40 identificamos
q = 2, h1 = 3, h2 = 2, y empleamos el algoritmo siguiendo los siguientes pasos
276
D.5. VALORES Y VECTORES PROPIOS
277
OSCAR G. DUARTE
J11 0 0
0
J12 0
.. .. .. ..
.
. . . 0
0
0 J1q1
J= ..
(D.37)
.
Jm1 0 0
0 Jm2 0
.. .. .. ..
0 . . . .
0 0 Jmqm
j 1 0 0
0
j 1 0
.. .. ..
.
Jji = . . 0 (D.38)
..
0 0 0 . 1
0 0 0 j h
ij hij
M = v11 v12 v1r1 vm1 vm2 vmrm (D.39)
J es conocida como la forma can onica de Jordan de A. La ecuaci on D.37
muestra que la matriz J es diagonal por bloques, es decir, esta formada por
bloques organizados en la diagonal. Por fuera de estos bloques s
olo hay ceros
en la matriz. M es la matriz modal, y esta formada por los vectores propios
generalizados de A. La matriz modal no es unica.
Los bloques Jji que forman J tienen las siguientes propiedades:
Cada valor propio diferente j tendr
a asociados uno o varios bloques Jji .
El n
umero de bloques asociados a j ser
a igual al n
umero de columnas de
su diagrama de matthew, qj .
Los bloques Jji son cuadrados, y el tama
no del bloque (el n
umero de filas
o de columnas) es igual a la altura de la columna correspondiente en el
diagrama de Matthew, hij .
278
D.6. FORMA CANONICA DE JORDAN
Cada bloque Jji tiene en la diagonal al valor propio j , tiene 1 por encima
de la diagonal, y cero en las restantes casillas.
En el caso sencillo en que ningun valor propio se repita J ser a una matriz
diagonal que tendr a en la diagonal a los valores propios 1 , 2 , , n .
Ejemplo D.42 Para obtener la forma can onica de Jordan de la matriz A del ejem-
plo D.40, se necesita construir la matriz modal M con todos los vectores propios
generalizados. En el ejemplo D.41 se calcularon los vectores asociados a 1 = 2. En
vector propio asociado a 2 = 0 sera:
0
0
0
v=
0
0.707
0.707
La forma can
onica de Jordan sera
2 1 0 0 0 0
2 1 0 0 0 0
0 2 1 0 0 0
0 2 1 0 0 0
0 0 2 0 0 0
0 0 2 0 0 0
J = M1 AM =
=
0 0 0 2 1 0 0 0 0 2 1 0
0 0 0 0 2 0
0 0 0 0 2 0
0 0 0 0 0 0
0 0 0 0 0 0
279
OSCAR G. DUARTE
280
D.7. FORMA CANONICA REAL DE JORDAN
Otra alternativa
dado un bloque
a + jb 0
Ji =
0 a jb
existe una matriz N tal que NAN1 es real, con la forma can
onica real de
Jordan:
(1 j) (1 + j) a b
N= NAN1 =
(1 + j) (1 j) b a
Una interpretaci
on
Un bloque real de jordan Jr asociado a un valor propio a + jb puede reescri-
birse de la siguente forma:
a b a 0 0 b
Ji = = + = aI + bL
b a 0 a b 0
En donde pI es la matriz identidad, y L es una matriz que cumple un papel
similar a j = (1), ya que
0 1
J= J2 = I
1 0
De esta manera, un bloque de real de Jordan puede interpretarse como un
n
umero complejo matricial.
281
OSCAR G. DUARTE
Su forma can
onica real de Jordan es
a b 1 0
b a 0 1
JRi =
0 0
a b
0 0 b a
282
D.8. FUNCIONES DE MATRICES CUADRADAS
Ak = MJk M1 (D.42)
k
Como J es una matriz diagonal por bloques, el calculo de J puede efectuarse
como sigue:
k
J1 0 0 J1 0 0
0 J2 0 0 Jk2 0
Jk = .
J= . . . . .. . . .
.. .. . . .. .. . . ..
0 0 Jn 0 0 Jkn
Empleando la definici
on (D.41), un polinomio generico
f () = a0 + a1 + a2 2 + + an n
puede calcularse en A como
f (A) = a0 I + a1 A + a2 A2 + + an An
o en funci
on de las matrices M y J:
f (A) = a0 MM1 + a1 MJM1 + a2 MJ2 M1 + + an MJn M
f (A) = Mf (J)M1 (D.43)
Ejemplo D.44 Calcular Ak cuando A es una matriz diagonal:
k
1 0 0 1 0 0
0 2 0 0 k2 0
Ak = .
A= . .. . . .. .. . . ..
.. . . . .. . . .
0 0 n 0 0 kn
Ejemplo D.45 Calcular Ak cuando A es una matriz con la forma de los bloques
reales de Jordan para el caso en que los valores propios son imaginarios puros
0 b
A=
b 0
calculamos los primeros terminos A1 , A2 , A3 , A4 , A5 y A6 :
2
1 0 b 2 b 0 3 0 b3
A = A = A = 3
b 0 0 b2 b 0
4
4 b 0 5 0 b5 6 b6 0
A = A = A =
0 b4 b5 0 0 b6
Observando la secuencia se puede inferir que
" #
k
(1) 2 bk 0
k si k es par
0 (1) 2 bk
Ak = " #
k1
2 bk
0 (1)
(1) k+1 si k es impar
2 bk 0
283
OSCAR G. DUARTE
Ejemplo D.46 Calcular Ak cuando A es una matriz con la forma de los bloques
no 5 5
de Jordan; para ilustrar este caso supongamos una matriz de tama
1 0 0 0
0 1 0 0
A=
0 0 1 0
0 0 0 1
0 0 0 0
Puede verse que Ak es una matriz triangular superior, en la que los elementos
de la fila i son los mismos elementos de la fila i + 1 pero estan desplazados una
casilla a la derecha.
Los terminos de la diagonal son k . Denotemos por aj un elemento que este
desplazado j casillas de la diagonal en cualquier fila; a j sera
0 si j < k k
aj = k! kj aj = kj
j!(kj)! si j k j
Este resultado se puede generalizar para una matriz n n con la forma de los
bloques de Jordan:
1 0 0
0 1 0
A = ... ... . . . .. ..
. .
0 0 1
0 0 0
284
D.8. FUNCIONES DE MATRICES CUADRADAS
k! k! k!
k 1!(k1)!
k1
2!(k2)!
k2
(n1)!(kn+1)!
kn+1
0 k k! k1 k! kn+2
1!(k1)! (n2)!(kn+2)!
. .. .. ..
Ak = .. (D.44)
.. . . . .
k!
0 0 0 k 1!(k1)!
k1
k
0 0 0 0
En caso de que un exponente k j sea negativo, el termino correspondiente en
D.44 sera 0
t 2 t2 3 tk 4 tk
et = 1 + + + + + (D.46)
1! 2! 3! 4!
2 t2 4 t4 6 t6 8 t8
cos t = 1 + + + (D.47)
2! 4! 6! 8!
t 3 t3 5 t5 7 t7
sin t = + + (D.48)
1! 3! 5! 7!
Ejemplo D.47 Sea A una matriz diagonal como la del ejemplo D.44. Para calcular
eAt podemos emplear (D.46)
At A2 t2 A3 t k A4 t k
eAt = I + + + + +
1! 2! 3! 4!
que de acuerdo con
los resultados del ejemplo D.44 se calculara asi:
2
1 0 0 1 0 0 1 0 0
0 1 2
0 0 2 0 t2 0 2 0
t
eAt = . . .
.. + .. .. . . .. + .. .. . . .. +
.. .. .. . 1! . . . . 2! . . . .
0 0 1 0 0 n 0 0 2n
285
OSCAR G. DUARTE
1 t 21 t2
(1 + 1! + 2! +) 0 0
2 t 22 t2
At
0 (1 + 1! + 2! + ) 0
e =
.. .. .. ..
. . . .
1 t
0 0 (1 + 1! +)
Cada uno de los terminos de la diagonal corresponde a la expansi
on de en series
de Taylor de una exponencial como las de (D.46), por lo tanto e At sera:
t
e 1 0 0
0 e 2 t 0
eAt = .
. . ..
.. .. .. .
0 0 e n t
Ejemplo D.48 Sea A una matriz con la forma de los bloques reales de Jordan para
el caso en que los valores propios son imaginarios puros, como la del ejemplo D.45.
Para calcular eAt podemos emplear (D.46)
At A2 t2 A3 t k A4 t k
eAt = I + + + + +
1! 2! 3! 4!
que de acuerdo con los resultados del ejemplo D.45 se calculara asi:
2 2 3 4 4
At 1 0 t 0 b t b 0 t 0 b3 t b 0
e = + + + + +
0 1 1! b 0 2! 0 b2 3! b3 0 4! 0 b4
" 2 2 4 4 3 3 5 5
#
At (1 t 2!b + t 2!b + ) ( tb
1! t 3!b + t 5!b + )
e = t 3 b3 t 5 b5 2 2 4 4
( tb
1! + 3! 5! + ) (1 t 2!b + t 2!b + )
Cada uno de los terminos de la matriz corresponde a la expansi
on de Taylor de una
sinusoide como las de (D.47) y (D.48), por lo tanto eAt puede calcularse como
cos(bt) sin(bt)
eAt =
sin(bt) cos(bt)
Ejemplo D.49 Sea A una matriz con la forma de los bloques de jordan como la
del ejemplo D.46. Para calcular eAt podemos emplear (D.46)
At A2 t2 A3 t k A4 t k
eAt = I + + + + +
1! 2! 3! 4!
que de acuerdo con los resultados del ejemplo D.46 se calculara asi:
2 1
1 0 0 1 0 2! 1
t t k 1!
+ 0 1 + 0 2! +
At 0 1 0
e =
.. .. . . .. 1! .. .. . . .. 2! .. .. .. ..
. . . . . . . . . . . .
P k k P k1 k P k2 k
t t t
k=0 k! k=1 k=2 2!(k2)!
P 1!(k1)!
k k
t P k1
t k
eAt =
0 k=0 k! k=1 1!(k1)!
.. .. .. ..
. . . .
286
D.8. FUNCIONES DE MATRICES CUADRADAS
P P P
k t k t k1 tk1 t2 k2 tk2
k=0 k! 1! k=1 (k1)! 2! k=2 (k2)!
P k tk t
P k1 tk1
eAt =
0 k=0 k! 1! k=1 (k1)!
.. .. .. ..
. . . .
Efectuando el cambio de variable m = k j se tiene
P k k
t t P m t m t2 P m t m
k=0 k! 1! m=0 m=0 (m)!
P k(m)!
tk
2!
t
P m tm
eAt =
0 k=0 k! 1! m=0 (m)!
.. .. .. ..
. . . .
Ejemplo D.50 Sea A una matriz con la forma de los bloques reales de Jordan
a b
A=
b a
De tal manera que eAt = eBt eCt . Empleando los resultados de los ejemplos D.47 y
D.48 se tiene que
at
e 0 cos(bt) sin(bt)
eBt = e Ct
=
0 eat sin(bt) cos(bt)
y por lo tanto
at at
At e 0 cos(bt) sin(bt) e cos(bt) eat sin(bt)
e = =
0 eat sin(bt) cos(bt) eat sin(bt) eat cos(bt)
D.8.3. Definici
on de funciones mediante polinomios
Definici
on D.35 Polinomio mnimo de una matriz
Sea A una matriz cuadrada. El polinomio mnimo de A es el polinomio m
onico
() de menor orden tal que (A) = 0
287
OSCAR G. DUARTE
Demostraci
on D.25 En virtud de (D.43), es claro que (A) = 0 si y s
olo si
(J) = 0.
m
Y
() = ( j )n j (D.50)
j=1
Demostraci on D.26 De acuerdo con el teorema D.25, basta con demostrar que
(D.50) es el polinomio mnimo de J, la forma canonica de Jordan de A.
Consideremos primero la matriz Jj con los bloques de Jordan asociados al valor
propio j :
Jj1 0 0
0 Jj2 0
Jj = . . . ..
.. .. .. .
0 0 Jjqj
0 0 1 0 0
0
0 0 0 0
0 0 0 0 0
2
(Jji j I) = . .. .. . . .. ..
.. . . . . .
0 0 0 0 0
0 0 0 0 0 hij hij
288
D.8. FUNCIONES DE MATRICES CUADRADAS
0 0 0 1 0
0
0 0 0 1
0 0 0 0 0
(Jji j I)hij 2
= . .. .. . . .. ..
.. . . . . .
0 0 0 0 0
0 0 0 0 0 hij hij
0 0 0 0 1
0
0 0 0 0
0 0 0 0 0
(Jji j I)hij 1
= . .. .. . . .. ..
.. . . . . .
0 0 0 0 0
0 0 0 0 0 hij hij
(Jji j I)hij = 0
0 0 0 b 0 0 0 b 0 0 0 b
que estan en la forma can onica de Jordan, tienen todas el mismo polinomio carac-
terstico () = ( a)3 ( b). Sin embargo, el polinomio mnimo de cada una
de ellas es diferente, debido a que el ndice de a es diferente:
para A1 es 1 () = ( a)( b)
para A2 es 2 () = ( a)2 ( b)
para A3 es 3 () = ( a)3 ( b)
289
OSCAR G. DUARTE
Demostraci
on D.27 El polinomio mmino de A es
m
Y
() = ( j )n j
i=j
Definici
on D.38 Funciones de matrices cuadradas
Sea f () una funci on, no necesariamente un polinomio, definida en el espectro
de A. Si g() es un polinomio que tiene los mismos valores en el espectro de A
entonces se define f (A) = g(A).
La definici
on D.38 brinda una posibilidad para extender a las matrices cua-
dradas una funci on f () definida para escalares. Es decir, permite calcular f (A)
buscando un polinomio adecuado g y calculando g(A). El procedimiento com-
pleto puede resumirse asi:
Sea f () una funcion, y sea A una matriz n n. Para calcular f (A) deben
seguirse los siguientes pasos
290
D.8. FUNCIONES DE MATRICES CUADRADAS
g() = 0 + 1 + 2 2 + + n1 n1
1. El polinomio caracterstico de A es
= ( 1)2
2. Definimos el polinomio
g() = 0 + 1
4. obtenemos 0 y 1 :
( (
0 + 1 = 1 0 = 49
1 = 50 1 = 50
291
OSCAR G. DUARTE
Ejemplo D.53 Calcular f (A) cuando A es una matriz con la forma de los bloques
de Jordan. Para ilustrar suponemos una matriz de orden 4 4
1 1 0 0
0 1 1 0
0 0 1 1
0 0 0 1
1. El polinomio caracterstico es
() = ( 1 )4
g() = 0 + 1 ( 1 ) + 2 ( 1 )2 + 3 ( 1 )3
3. Obtenemos 4 ecuaciones
f (1 ) = g(1 ) = 0
f (1) (1 ) = g (1) (1 ) = 1!1
f (2) (1 ) = g (2) (1 ) = 2!2
f (3) (1 ) = g (3) (1 ) = 3!3
292
D.8. FUNCIONES DE MATRICES CUADRADAS
0 0 1 0 0 0 0 1
f (2) (1 )
0 0 0 1
+ f (3)
( 1 ) 0
0 0 0
2! 0 0 0 0 3! 0 0 0 0
0 0 0 0 0 0 0 0
f (1) (1 ) f (2) (1 ) f (3) (1)
f (1 ) 1! 2! 3!
f (1) (1 ) f (2) (1 )
f (A) = 0 f (1 )
1! 2!
0 f (1) (1 )
0 f (1 ) 1!
0 0 0 f (1 )
Ejemplo D.54 Calcular f (A) cuando A es una matriz con la forma de los bloques
de Jordan y f () = et .
Empleando (D.51) se obtiene directamente eAt
t t t2 t
et 1! e 2! e
t t t
eAt
0
= e 1! e
(D.52)
.. .. .. ..
. . . .
Notese que las derivadas en (D.51) son respecto a . Vale la pena comparar los
resultados (D.49) y (D.52)
Ejemplo D.55 Calcular f (A) cuando A es una matriz con la forma de los bloques
de Jordan y f () = (s )1 .
Empleando (D.51) se obtiene directamente (sI A)1 :
1 1 1
(s1 ) (s1 )2 (s1 )3
1 1
0
(s1 ) (s1 )2
1
(sI A) = 0
0 1
(D.53)
(s1 )
.. .. .. ..
. . . .
293
OSCAR G. DUARTE
294
Bibliografa
[4] Thomas J. Cavicchi. Digital Signal Processing. John Wiley and Sons, 2000.
[5] Chi-Tsong Chen. Linear System Theory and Design. Oxford Press.
[6] Chi-Tsong Chen. Analog and Digital Control System Design. Saunders
College Pubkishing, 1993.
[11] G.H. Hostetter, C.J. Savant, y R.T. Stefani. Sistemas de Control. Intera-
mericana, 1987.
[14] William S. Levine. The Control Handbook. CRC Press and IEEE Press,
1996.
295
OSCAR G. DUARTE
296
Indice analtico
297
OSCAR G. DUARTE
298
INDICE ANAL
ITICO
299
OSCAR G. DUARTE
300
INDICE ANAL
ITICO
301
OSCAR G. DUARTE
302
INDICE ANAL
ITICO
303
OSCAR G. DUARTE
304