Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Análisi de Sistemas Lineales PDF
Análisi de Sistemas Lineales PDF
LINEALES
Ricardo A. Rojas
Mario E. Salgado
Juan I. Yuz1
1 Departamento de Electronica
Prefacio
iii
iv
Ricardo A. Rojas
Mario E. Salgado
Juan I. Yuz
Prefacio III
1. Aspectos fundamentales 1
1.1. Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Invarianza en el tiempo . . . . . . . . . . . . . . . . . . . . . . . 8
1.5. Linealizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.1. Sistema no lineal de tiempo continuo . . . . . . . . . . . . 9
1.5.2. Sistema no lineal de tiempo discreto . . . . . . . . . . . . 12
1.6. Problemas para el lector . . . . . . . . . . . . . . . . . . . . . . . 18
2. Senales 21
2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2. Senales de tiempo continuo . . . . . . . . . . . . . . . . . . . . . 21
2.2.1. Escalon unitario (funcion de Heaviside) . . . . . . . . . . 21
2.2.2. Impulso unitario o delta de Dirac . . . . . . . . . . . . . . 21
2.2.3. Rampa unitaria . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.4. Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.5. Senales sinusoidales . . . . . . . . . . . . . . . . . . . . . 25
2.2.6. Sinusoidales con amplitud exponencial . . . . . . . . . . . 26
2.3. Senales de tiempo discreto . . . . . . . . . . . . . . . . . . . . . . 27
2.3.1. Escalon unitario de tiempo discreto . . . . . . . . . . . . 27
2.3.2. Impulso unitario discreto o delta de Kronecker . . . . . . 27
2.3.3. Rampa unitaria de tiempo discreto . . . . . . . . . . . . . 28
2.3.4. Exponencial de tiempo discreto . . . . . . . . . . . . . . . 29
2.3.5. Senales sinusoidales de tiempo discreto . . . . . . . . . . . 30
2.3.6. Sinusoidales con amplitud exponencial . . . . . . . . . . . 31
2.4. Problemas para el lector . . . . . . . . . . . . . . . . . . . . . . . 32
v
vi INDICE GENERAL
12.Modelos 323
12.1. Ideas generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 323
12.2. Modelado de sistemas de tiempo continuo. Teora basica. . . . . . 324
12.3. Modelado de sistemas de tiempo continuo. Modelos lineales. . . . 329
12.4. Modelado de sistemas de tiempo discreto. Teora basica. . . . . . 332
12.5. Modelado de sistemas de tiempo discreto. Modelos lineales. . . . 336
xi
xii INDICE DE FIGURAS
9.1. Diagrama de Bode de magnitud para una funcion tipo [B2], con
q = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
9.2. Diagrama de Bode de fase para una funcion tipo [B2], con q = 1 223
9.3. Diagrama de Bode de magnitud para una funcion tipo [B4], con
q = 1 y dos valores de . . . . . . . . . . . . . . . . . . . . . . . 224
9.4. Diagrama de Bode de fase para una funcion tipo [B4], con q = 1 226
9.5. Diagrama de Bode de fase para una funcion tipo [B5] . . . . . . . 227
9.6. Diagramas de Bode de magnitud y fase para la respuesta en fre-
cuencia del Ejemplo 9.2 . . . . . . . . . . . . . . . . . . . . . . . 231
9.7. Diagrama de Bode en tiempo discreto (Ejemplo 9.3). . . . . . . . 233
9.8. Diagrama polar. Coordenadas cartesianas (Ejemplo 9.4). . . . . . 235
9.9. Diagrama polar. Coordenadas polar (Ejemplo 9.4). . . . . . . . . 236
9.10. Diagramas polares para el caso [P1]. . . . . . . . . . . . . . . . . 237
9.11. Diagrama polar de una funcion tipo [P4] para distintos valores de 238
xiv INDICE DE FIGURAS
xvii
xviii INDICE DE CUADROS
sistema
entrada
condiciones iniciales
Captulo 1
Aspectos fundamentales
1.1. Sistemas
La entidad basica considerada a lo largo del texto es el sistema. Como una
forma de uniformar el lenguaje a utilizar, usaremos la siguiente definicion:
222
Esta definicion es vaga a proposito, de modo que ella permita describir situa-
ciones tan dismiles como sea posible. Es as como la definicion de arriba incluye
casos como los de una red electrica, un motor hidraulico, un organismo vivo, la
economa de un pas, etc. Tambien es relevante destacar que un mismo sistema
fsico puede tener interes diferente para distintos observadores; por ejemplo, un
amplificador electronico puede ser estudiado como un sistema electrico o co-
mo un sistema termico. De esta forma la nocion de sistema resulta un tanto
abstracta, pero por lo mismo sumamente poderosa.
Nuestra tarea guarda relacion con el comportamiento de los sistemas en el
tiempo, el cual depende de:
y este comportamiento no solo depende , sino que tambien de:
1
2 CAPITULO 1. ASPECTOS FUNDAMENTALES
se~
nales Las entradas al sistema son senales o funciones temporales a traves de las
respuestas
sistema!dinamico cuales el sistema recibe informacion y/o energa. Estos estmulos contribuyen a
generar cambios en algunas o en todas las variables del proceso; estas ultimas
tambien son senales puesto que pueden ser descritas como funciones del tiempo.
Las senales del proceso elegidas para observar el comportamiento del sistema se
conocen como respuestas.
Las respuestas de un sistema pueden depender tambien de la informacion
y/o energa existentes (almacenadas) en el sistema en el instante en que el com-
portamiento del sistema empieza a ser observado. Los sistemas con esta carac-
terstica inercial se denominan genericamente sistemas dinamicos. Ejemplos
de mecanismos inerciales en sistemas son:
+
vf (t) C vc (t)
i(t)
u(t) Rm : vector que reune todas las excitaciones del sistema, operador
estado inicial
x(to ) Rn : vector que describe el estado del sistema al tiempo to ,
y(t) Rp : vector que reune las senales escogidas como salidas.
u(t) y(t)
S
x(to )
dvc (t)
vf (t) = RC + vc (t) (1.2)
dt
cuya solucion es1 :
Z t t
tto e RC
vc (t) = vc (to )e RC + vf ()d (1.3)
to RC
222
Las definiciones precedentes se aplican tambien a los sistemas de tiempo
discreto, es decir, cuando el tiempo toma valores en un conjunto enumerable
(t0 , t1 , t2 , . . .). En este tipo de sistemas, la variable independiente temporal se
suele denominar t, y para enfatizar la naturaleza distinta de las senales de tiem-
po discreto, usaremos parentesis cuadrados, es decir, f [t] describira una senal
funcion de la variable temporal discreta.
Para ilustrar este tipo de sistemas consideremos el siguiente ejemplo.
1 Tal como se demostrara en el Captulo 3.
4 CAPITULO 1. ASPECTOS FUNDAMENTALES
sistema!algebraico Ejemplo 1.3. Una cuenta de ahorro tiene un saldo inicial s[t0 ] = so , y recibe
modelo
modelo un interes igual a % mensual. Si en el mes t-esimo (t = t0 , t0 + 1, . . .) se hace
un deposito igual a d[t], entonces el saldo s[t] puede ser descrito por:
s[t] = s[t 1] 1 + + d[t] t t0 (1.5)
100
y sujeto a s[t0 ] = so . En este sistema, la entrada es d[t], la salida es s[t], y el
estado inicial es s[t0 ]. La ecuacion (1.5) tiene como solucion:
t
X
s[t] = so tt0 + t` d[`] t > t0 (1.6)
`=t0 +1
1.2. Modelos
Cuando se enfrenta el problema de analizar un sistema, naturalmente no tra-
bajamos con el sistema real, sino que con una representacion de ese sistema. Esa
representacion o modelo, captura aspectos esenciales del sistema. Por defini-
cion, un modelo es una representacion aproximada de la realidad, y su grado
de fidelidad depende de muchos factores, siendo uno de ellos el proposito del
modelo.
La construccion de modelos a partir de sistemas reales es un proceso complejo
que involucra la fenomenologa del sistema, mediciones, procesos de ajuste, etc.
La obtencion de modelos es, por si sola, una disciplina rica en conceptos y
tecnicas, sobre las cuales se entregan mas antecedentes en el Captulo 12.
A lo largo del texto, supondremos que ya se cuenta con un modelo que
describe el sistema y, en consecuencia, la teora que aqu se desarrolla se aplica
al modelo del sistema bajo estudio. El que las conclusiones que as se deriven
1.3. SISTEMAS LINEALES 5
sean validas para el sistema mismo dependera de la fidelidad con que el modelo sistemas lineales
superposici\on
representa a ese sistema. En muchos casos hablaremos del modelo y del sistema homogeneidad
como sinonimos, en otros sera necesario hacer la diferencia.
donde x1 (to ) y x2 (to ), son dos vectores de estado inicial arbitrarios,y u1 (t) y
u2 (t) son dos vectores de entrada arbitrarios.
Entonces el sistema es lineal si y solo si:
y(t) = Thhu1 (t)ii = 2|u1 (t)| 6= 2|u1 (t)| = Thhu1 (t)ii (1.23)
Ejemplo 1.5. Sea un sistema cuya relacion entrada-salida esta descrita por: integrador
dy(t) n
= (u(t)) sujeto a y(to ) = xo (1.24)
dt
Entonces, el estado inicial x(to ) es xo y la respuesta resulta:
Z t
n
y(t) = Thhxo , u(t)ii = xo + (u()) d t to (1.25)
to
( Rt n
yx (t) = Thh0, u(t)ii = to (u()) d
y(t) = yx (t) + yu (t) (1.26)
yu (t) = Thhxo , 0 i = xo
donde y(t) = 4u(t) f (t), donde f (t) es una funcion (no constante) del tiempo. linealizacion|textbf
punto de operacion
Entonces este sistema es variante en t. Sin embargo, si redefinimos el mismo modelo!linealizado
sistema de modo que la entrada es ahora el vector u(t) R2 , dado por u(t) =
donde es
[u(t) f (t)]T y mantenemos la salida y(t) R, entonces y(t) = u(t),
un vector fila constante dado por = [4 1]. El sistema as definido es ahora
invariante en t.
1.5. Linealizacion
Como hemos mencionado ya, casi todos los sistemas reales incluyen carac-
tersticas no lineales. Sin embargo, muchos de ellos pueden ser descritos con
razonable precision por modelos lineales, al menos dentro de ciertos rangos en
que el sistema funciona, lo cual permite aplicar una amplia gama de herramien-
tas matematicas.
Del punto de vista practico, para obtener estos modelos lineales es comun
comenzar con un modelo no lineal y, a partir de este construir una aproxima-
cion lineal en la vecindad de un punto de operacion elegido. Este enfoque
constituye una herramienta clave para el modelado lineal en diversos campos,
por ejemplo, en la Electronica analogica y en el Control Automatico.
La estrategia de linealizacion puede ser aplicada de igual forma a modelos
de tiempo continuo y a modelos de tiempo discreto, a modelos en variables
de estado (Captulo 10) y a modelos de entrada-salida (ecuaciones recursivas y
ecuaciones diferenciales de orden superior).
Antes de intentar la formulacion de un procedimiento general de lineal-
izacion, motivaremos el tema con el estudio de dos casos. Ambos casos se
frasearan de identica forma, con las obvias adaptaciones, para que el lector
pueda apreciar que el tema de linealizacion trasciende la naturaleza de la de-
scripcion temporal.
3
d 2 y(t) d y(t) 3 d u(t)
+ (0, 2 + y(t)) + (y(t)) = 2 + u(t) (1.30)
dt 2 dt dt
4
u(t) = u(t) uQ (1.31)
4
y(t) = y(t) yQ (1.32)
3
ga (x1 (t), x2 (t), x3 (t)) = x3 (t) + (0, 2 + x1 (t))x2 (t) + (x1 (t)) (1.34)
3
gb (x4 (t), x5 (t)) = (2x5 (t) + x4 (t)) (1.35)
2
ga (x1Q , x2Q , x3Q ) + (3 (x1Q ) + x2Q )(x1 (t) x1Q )
+ (0, 2 + x1Q )(x2 (t) x2Q ) + (x3 (t) x3Q )
2
= gb (x4Q , x5Q ) + 3 (2x5Q + x4Q ) (x4 (t) x4Q )
2
+ 6 (2x5Q + x4Q ) (x5 (t) x5Q ) (1.36)
con lo cual, ga (x1Q , x2Q , x3Q ) y gb (x4Q , x5Q ) se compensan en la ecuacion (1.36). punto de equilibrio
En esta etapa de nuestro analisis es oportuno hacer las siguientes observa-
ciones:
222
12 CAPITULO 1. ASPECTOS FUNDAMENTALES
4
u[t] = u[t] uQ (1.50)
4
y[t] = y[t] yQ (1.51)
2
gc (x1 [t], x2 [t], x3 [t], x4 [t]) = x1 [t] + 0, 5x2 [t]x3 [t] + 0, 1x4 [t] (x3 [t]) (1.53)
3
gd (x5 [t]) = (x5 [t]) (1.54)
Para lograr el objetivo deseado, es decir, una ecuacion recursiva en u[t] y punto de equilibrio
y[t], es necesario que el punto de operacion (x1Q , x2Q , . . . , x5Q ) satisfaga:
(iii) Es necesario elegir un punto de operacion en que las senales son constantes,
es decir, u[t] = uQ e y[t] = yQ , para todo instante t, lo cual implica tambien
que todas las diferencias son cero. Este punto de operacion se conoce como
punto de operacion en equilibrio o, mas brevemente, punto de equilibrio.
La idea es que si un sistema esta en un punto de equilibrio, el sistema se
mantiene operando en ese punto ya que las diferencias de y[t] y de u[t] son
cero. La eleccion del punto de equilibrio se hace considerando el punto en
que el sistema a analizar estara operando. Para este caso, existen infinitos
puntos de equilibrio y todos ellos satisfacen x1Q = x2Q = x3Q = yQ ,
x4Q = x5Q = uQ , e
2 2
yQ + 0, 5yQ + 0, 1uQ yQ = u3Q (1.62)
(iv) Cuando el modelo no lineal esta descrito por dos o mas ecuaciones, las
coordenadas del punto de operacion deben satisfacer al conjunto de ecua-
ciones simultaneas.
222
El analisis de los casos precedentes muestra que, con independencia de la
naturaleza temporal de los sistemas (continuo o discreto), la linealizacion de
14 CAPITULO 1. ASPECTOS FUNDAMENTALES
punto de operacion sus modelos no lineales tiene ciertos pasos basicos. En primer lugar, restringire-
se~
nal incremental
modelo!peque~
na se~ nal mos la linealizacion a la construccion de modelos lineales en torno a puntos
de equilibrio. Observamos que cuando trabajamos en un punto de equilibrio,
todos los valores de ese punto x1Q , x2Q , . . . , se pueden expresar en funcion del
par (uQ , yQ ); por ello diremos que el punto de operacion en equilibrio queda
definido por ese par.
Supongamos que el sistema con entrada u() y salida y() es descrito por:
(i) existe, al menos un par de valores constantes reales (uQ , yQ ) tales que,
f huQ , yQ i = 0 (1.65)
2
(uQ ) 16
yQ =0 = yQ = (1.69)
3 9
(ii) El modelo linealizado es entonces obtenido a traves de la expansion de
(1.68) en serie de Taylor para obtener:
dy(t) 1 2uQ
+ y(t) u(t) = 0 (1.70)
dt 2 yQ 3
dy(t) 3 4
+ y(t) u(t) = 0 (1.71)
dt 8 3
222
La idea fundamental que se deduce del proceso de linealizacion es que: las
propiedades del modelo lineal para valores pequenos de sus variables incremen-
tales, permiten inferir el comportamiento del sistema original en las cercanas
del punto de operacion.
Para comparar efectivamente la calidad de la aproximacion que provee un
modelo linealizado, es necesario poder simular ambos modelos, el original (no-
lineal) y el obtenido (lineal). Para ello, herramientas como Simulink o Simnon
son extraordinariamente poderosas. A modo de ejemplo, se incluye en la Figura
1.4 un esquema Simulink para simular el modelo no lineal del Ejemplo 1.6,
dado por:
2
dy p (u(t))
+ y(t) = (1.72)
dt 3
o, en forma mas conveniente para armar el esquema Simulink :
2
dy p (u(t))
= y(t) + (1.73)
dt 3
Para apreciar la calidad de la aproximacion consideramos el sistema original
y su modelo linealizado y corremos una simulacion donde la entrada a ambos
sistemas es una constante igual a 2 mas una secuencia de pulsos de amplitud
creciente. Los resultados se muestran en la Figura 1.5. Podemos ver ah que el
error de linealizacion crece a medida que el sistema es llevado lejos del punto de
operacion, en torno al cual se calculo el modelo linealizado.
16 CAPITULO 1. ASPECTOS FUNDAMENTALES
Gain Math
Function Integrador
sqrt
Raiz
Cuadrada
2.8
2.6
2.4
2.2
1.8
1.6
1.4
0 1 2 3 4 5 6 7 8 9 10
Tiempo [s]
Figura 1.5: Salida del sistema no lineal (linea solida) y salida del sistema lin-
ealizado (lnea segmentada) para una onda cuadrada de amplitud
creciente en la entrada (lnea punteada)
222
Nota 1.4. Como hemos mencionado, los modelos linealizados son solo modelos
aproximados y, por tanto, deben ser considerados con la precaucion apropia-
da (como deberan serlo en realidad todos los modelos). Cuando se realiza la
linealizacion de un modelo, el siguiente termino de la expansion en serie de
Taylor puede ser utilizado frecuentemente como una medida del error asociado
al modelado.
Problema 1.4. Considere un sistema con entrada u(t) y salida y(t), rela-
cionados por la ecuacion diferencial
dy(t) 2
+ 2 + 0,1 (y(t)) y(t) = 2u(t) (1.81)
dt
1.4.1 Determine los modelos linealizados para un punto de operacion definido
por yQ = 0,1.
d y(t) 2 1
y(t) + 3 (y(t)) = 2 (u(t)) 3 (1.82)
dt
Redefina, si es posible, la entrada y/o la salida de modo que el modelo en las
salidas redefinidas sea lineal.
1.6. PROBLEMAS PARA EL LECTOR 19
d y(t)
+ f (y)y(t) = 2u(t) (1.84)
dt
Donde la funcion f (y) aparece en la Figura 1.6.
1.5
0.5
f(y)
0.5
1.5
4 3 2 1 0 1 2 3 4
y
d y(t)
+ 2ty(t) = 2u(t) (1.85)
dt
dc
= c(t) + c(t)z(t) (1.91)
dt
dz
= z(t) + c(t)z(t) (1.92)
dt
en que los parametros , , , son positivos.
1.12.4 Elija algun valor para los parametros, y simule el sistema original y el
linealizado en torno a cada punto de equilibrio, representando la solucion
en el plano (c(t), z(t)).
se~
nales|textbf
se~
nales!de prueba
escalon unitario
Heaviside
impulso unitario
delta de Dirac|textbf
Dirac
Captulo 2
Senales
2.1. Introduccion
El comportamiento de los sistemas puede evaluarse observando las senales
correspondientes a las variables de entrada del sistema, variables de salida e
incluso a variables intermedias del mismo. Mas aun, el comportamiento de los
sistemas puede estudiarse, y as suele hacerse, observando su respuesta cuando
se inyectan al sistema determinadas senales de prueba.
El analisis de senales es un aspecto esencial de la teora de sistemas lineales,
no solo por su valor experimental, sino que por la propiedad de linealidad, la
cual permite construir modelos en base a la respuesta del sistema ante ciertas
senales de prueba.
21
22 CAPITULO 2. SENALES
(t to )
0 to t
(t to )
0 to t
f1 (t) f2 (t)
1
1
2
to to to + t to t o to + t
Ademas,
Otra funcion de importancia que tiene la misma propiedad que f1 (t) y f2 (t)
es:
1 sen tt
o
f3 (t) = (2.5)
t to
Esta funcion, conocida como la funcion muestreo, juega un papel muy im-
portante en la relacion entre senales de tiempo continuo y de tiempo discreto
(ver Captulo 11). Se puede demostrar que:
lm f3 (t) = (t to ) (2.6)
0
Una propiedad clave del delta de Dirac esta descrita en el siguiente lema.
222
El Lema 2.1 establece que toda senal puede ser expresada como una op-
eracion lineal sobre el impulso (t ) para < < . Veremos mas
adelante que esta propiedad sera la base para calcular la respuesta de un sis-
tema lineal ante cualquier senal, a partir de la respuesta de ese sistema a un
impulso unitario.
d(t to ) d2 r(t to )
(t to ) = = (2.9)
dt dt2
24 CAPITULO 2. SENALES
exponencial r(t to )
exponencial!creciente
constante de tiempo
0 to to + 1 t
2.2.4. Exponencial
La funcion exponencial es definida genericamente como
f (t) = et (2.11)
8 1 sinusoide
7
0.8 <0
6 >0
5 0.6
4 0.4
3
0.2
2
1 0
0 1 2 3 4 0 1 2 3 4
Tiempo [s] Tiempo [s]
1
= (2.12)
||
0.6 =
1
0.4 =
2
0.2 =
3
0
0 0.5 1 1.5 2 2.5 3 3.5 4
Tiempo [s]
sinusoide!amplitud 1
sinusoide!frecuencia angular
sinusoide!desfase 0.8
sinusoide!perodo
sinusoide!frecuencia 0.6
Euler
sinusoide!formula de Euler 0.4
exponencial imaginaria
sinusoide!amortiguada 0.2
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo normalizado t/
ej(t+) ej(t+)
A sen(t + ) = A (2.15)
2j
De esta ecuacion se puede apreciar la interpretacion que usualmente se da a
la exponencial imaginaria ejt , ya que1
e(+j)t+j e(j)tj
Aet sen(t + ) = A (2.18)
2j
1 La notacion ={ } siginifica parte imaginaria de ...
2.3. SENALES DE TIEMPO DISCRETO 27
1 500 se~
nales!de tiempo discreto
escalon unitario
impulso unitario
0.5
delta de Kronecker|textbf
0 0
0.5
1 500
0 1 2 3 0 1 2 3
tiempo normalizado t/T tiempo normalizado t/T
[t to ]
0 to t
rampa unitaria [t to ]
0 to t
r[t to ] exponencial
0 to t
f [t] = t (2.25)
donde es, en general, un numero complejo. Sin embargo, cuando ={} 6=
0, la exponencial no es una senal real, y solo tiene sentido fsico cuando se
combina con ( )t , en cuyo caso se llega a una sinusoide de amplitud modulada
exponencialmente, situacion que se analiza por separado mas adelante.
Si R distinguimos cuatro casos, como se ilustra en la Figuras 2.12 y 2.13.
1.2 5
1 0<< 1 1<
4
0.8
3
0.6
2
0.4
0.2 1
0 0
0 2 4 6 8 0 2 4 6 8
exponencial!creciente 1. Cuando > 1 tenemos una exponencial creciente. Esta senal aparece asociada
sinusoide!discreta
sinuosoide!aperiodica a los sistemas inestables de tiempo discreto, como es explicara mas adelante.
Por su parte, cuando 0 < < 1, estamos en presencia de una exponencial
decreciente. Esta forma exponencial es de enorme importancia en la teora de
sistemas, ya que interviene con frecuencia en la descripcion del comportamiento
natural de una amplia gama de sistemas.
En la Figura 2.13, se observa el caso cuando es negativo, a la izquierda
aparece el sub-caso 0 > > 1 y a la derecha, aparece el sub-caso < 1.
6
1
0>> 1 4 < 1
0.5
2
0
0
0.5 2
1 4
0 2 4 6 8 0 2 4 6 8
Demostracion Euler
sinusoide!discreta!amortiguada
Una sinusoide discreta sen(t) es periodica si y solo si existe un numero
natural N tal que, para todo t N,
222
De acuerdo a este lema, las sinusoidales de tiempo discreto: sen(t/7), cos(2t),
sen(e t) son todas senales aperiodicas.
Un representacion equivalente para las senales sinusoidales se puede obtener
a partir de la formula de Euler:
ej(t+) ej(t+)
A sen(t + ) = A (2.29)
2j
= ej = || ej (2.30)
y, de esta forma, tenemos que:
0.6 2
0.4 1
0.2 0
0 1
0.2 2
0.4 3
0 5 10 15 20 0 5 10 15 20
Figura 2.14: Senales sinusoidales de tiempo discreto con amplitud variando ex-
ponencialmente
1 sen((t 2))
f (t) = (2.36)
t2
Dibuje f (t) (use Matlab ) para diferentes valores de . Comente sus resul-
tados
f1 (t) = 2(t 2) (t 4); f2 (t) = sen 3t (t ) (2.37)
3 2
2t 4
f3 (t) = r ; f4 (t) = (r(t) 2r(t 2)) (t + 4) (2.38)
3
f1 (t) f2 (t)
t t
1 2 3 4 1 2 3
Figura 2.15: Senales compuestas
2.6.2 Determine una expresion analtica para la integral en el intervalo [0, t].
Captulo 3
3.1. Introduccion
La herramienta fundamental para describir los cambios de una variable en
el dominio del tiempo continuo es la derivada, por tanto, el modelo matematico
central para los sistemas en tiempo continuo es la ecuacion diferencial del sis-
tema, EDS, la cual relaciona la entrada del sistema, u(t), con la salida, y(t). En
el caso de modelos linealizados (Captulo 1), debe entenderse que nos referimos
a la entrada incremental u(t) y salida incremental y(t).
Como ya hemos destacado, cuando se dispone de un buen modelo lineal para
un sistema, se puede utilizar numerosas y poderosas herramientas de analisis,
sntesis y diseno. Por ejemplo, para resolver una EDS respecto de una entrada
particular y condiciones iniciales especficas, los metodos operacionalmente mas
eficientes pertenecen probablemente al dominio del tiempo. Aprovechando tales
metodos de resolucion en el tiempo presentaremos en este captulo las soluciones
generales para tiempo continuo, suponiendo que el lector tiene la preparacion
previa necesaria para utilizar esos metodos de resolucion sin necesidad de de-
mostracion.
El estudio de las propiedades de las soluciones de una EDS nos permitira in-
troducir indicadores de propiedades fundamentales para los sistemas dinamicos
lineales tales como su comportamiento natural, estabilidad, velocidad relativa,
ganancia y otras. Estos indicadores permitiran establecer relaciones estrechas
entre sus propiedades cuantitativas y cualitativas. La aplicacion de los indi-
cadores descritos en este captulo y en el siguiente, para el caso de sistemas de
tiempo discreto, es mas eficiente en el dominio de la frecuencia, sin embargo, este
topico se aborda en los captulos posteriores a traves de las transformaciones de
Fourier, de Laplace y Zeta.
35
36 CAPITULO 3. ANALISIS EN TIEMPO CONTINUO
Heaviside!operador
Heaviside
d f (t)
hf (t)i = f (t) , (3.2)
dt
dn f (t)
n hf (t)i = n f (t) = n1 hf (t)i = (3.3)
dtn
El operador de Heaviside representa la derivada de una funcion y, natural-
mente, tiene un inverso asociado definido por la integral:
Z t
1
hf (t)i = f ( )d (3.4)
Ejemplo 3.1. Considere la red electrica de la Figura 3.1, donde todos los com-
ponentes son lineales.
i(t) R1
iL (t)
+
L C R2 v(t)
vf (t)
R1 + R 2 1 1
a1 = ; a0 = ; b2 = 0; b1 = ; b0 = 0 (3.11)
R1 R2 C LC R1 C
Es importante ademas hacer notar que la solucion v(t) debe ser tal que sat-
isfaga las condiciones iniciales impuestas por la tension inicial en el conden-
sador, y la corriente inicial en el inductor.
222
En resumen, podemos afirmar que:
dy
+ y(t) = u(t) (3.12)
dt
Observamos en (3.12) que la salida y(t) no puede variar arbitrariamente, sino
que existe una restriccion. Esa restriccion dice que en un instante arbitrario,
t = t1 , la suma de la salida y su primera derivada debe ser igual al valor que
38 CAPITULO 3. ANALISIS EN TIEMPO CONTINUO
equilibrio estable tiene la entrada u(t1 ). Por ejemplo si u(t) = 2, t 0, e y(0) = 1, entonces
sistema! inestable
necesariamente y(0) = 3, es decir, y(0) > 0, por lo cual en t = 0 la salida
y, esta aumentando. Por otro lado, a medida que y(t) aumenta y se acerca a
2, entonces y(t) sigue siendo positiva, pero disminuye consistentemente. En el
lmite, cuando y(t) = 2, su derivada de y es cero, lo cual indica que en ese
instante y(t) ya no cambia, es decir, se alcanza un punto de equilibrio estable.
Introduzcamos ahora una variante en (3.12):
dy
y(t) = u(t) (3.13)
dt
Si nuevamente u(t) = 2, t 0, e y(0) = 1, entonces y(0) = 1, lo cual
implica que en t = 0 la salida y esta aumentando. Sin embargo, a diferencia del
caso anterior, a medida que y aumenta, acercandose a 2, su derivada crece, es
decir, y(t) aumenta. Cuando y(t) = 2, se tiene que y(t) = 4, y subiendo. En
consecuencia, y(t) sigue creciendo monotonicamente, pero siempre la velocidad
de cambio, y(t), debe cumplir con y(t) = u(t) + y(t). Es decir, no se alcanza
un punto de equilibrio y, mas adelante, definimos este tipo de sistemas como
inestable.
Ambos casos pueden ser representados por la forma general de una EDS de
primer orden:
dy
+ ay(t) bu(t) = 0 (3.14)
dt
La forma (3.14) deja en evidencia el significado de restriccion que tiene la
EDS.
El analisis precedente se puede aplicar a EDS mas complejas, pero en esos
casos se pierde la vision intuitiva, por ello nos conviene trasladarnos a un ambito
mas general, que es lo que hacemos a continuacion.
Note que esta ecuacion tiene infinitas soluciones, las que pueden describirse
genericamente como una familia. Los miembros de esta familia se diferencian
por los valores numericos especficos que se pueden escoger para un conjunto de
n constantes indeterminadas.
Por su parte, la componente o solucion particular, yp (t), es una funcion
especfica del tiempo, independiente de las condiciones iniciales, que satisface la
ecuacion (3.1).
La solucion completa y(t) = yh (t) + yp (t) queda totalmente determinada al
usar las condiciones iniciales, aplicadas a la respuesta completa, y(t), para
calcular las constantes indeterminadas presentes en yh (t).
Antes de proseguir con el analisis consideraremos un ejemplo.
dy(t)
+ 2y(t) = 4u(t) (3.16)
dt
y que la respuesta y(t) debe satisfacer la condicion inicial y(0) = 0, 5. Se desea
calcular la respuesta del sistema para t 0 cuando u(t) = 1.
yh (t)
La componente homogenea debe cumplir con:
dyh (t)
+ 2yh (t) = 0 (3.17)
dt
222
40 CAPITULO 3. ANALISIS EN TIEMPO CONTINUO
donde los Cki son constantes arbitrarias (constantes indeterminadas) que gener-
an los grados de libertad necesarios para que la respuesta completa satisfaga
las condiciones iniciales.
Los valores de que satisfacen (3.19) son conocidos como autovalores, valores
propios1 , valores caractersticos o frecuencias naturales del sistema. Dado que
los coeficientes de la ecuacion caracterstica asociada a la EDS son reales, todas
sus races son reales, o bien aparecen en pares complejos conjugados.
A su vez, cada una de las funciones temporales, asociadas a k , de la forma:
ti1 ek t (3.21)
que aparecen en (3.20) se denomina modo natural del sistema.
Los modos naturales se asocian unvocamente a las frecuencias naturales, y
la forma temporal de los primeros depende de la multiplicidad y la ubicacion de
los segundos en el plano complejo. Un mapa general, asumiendo multiplicidad
uno para cada frecuencia natural, se aprecia en la Figura 3.2. En esa figura se
asocia una senal (modo natural) a cada frecuencia natural, excepto en el caso
de frecuencias complejas, en que se considera el par de complejos conjugados.
X
u(t) = B i e i t (3.22)
i=1
donde los i0 s son distintos y ninguno de ellos coincide con alguna frecuencia
natural. Cada una de las funciones ei t recibe el nombre de modo forzante.
1 Esta denominacion resultara natural para modelos en variables de estado (Captulo 10)
3.3. LA RESPUESTA DEL SISTEMA 41
Eje
Imaginario
2 1 0 3 4 Eje
Real
Figura 3.2: Relacion entre la ubicacion de las frecuencias naturales (de multi-
plicidad uno) y los modos naturales
42 CAPITULO 3. ANALISIS EN TIEMPO CONTINUO
modo forzante!ganancia a Se puede verificar, usando la linealidad del sistema, que la solucion particu-
ganancia! a modo forzante
modo forzado lar, yp (t), esta dada por:
ganancia
ganancia! a continua
X
yp (t) = ypi (t) , en que ypi (t) = Ki Bi ei t (3.23)
i=1
dy
+ 3y(t) = 2u(t); entonces a1 = 1; a0 = 3; b0 = 2 (3.25)
dt
Supongamos que la entrada es u(t) = 5 + 4 cos(t + /4), entonces podemos
expresarla como:
3
X
u(t) = Bi ei t = 5e1 t + 2ej 4 e2 t + 2ej 4 e3 t (3.26)
i=1
b0 2
K1 = = (3.27)
1 + a 0 3
b0 2
K2 = = = 0,3180 j0,3330 = 0,4604ej0,8084 (3.28)
2 + a 0 j + 3
b0 2
K3 = = = 0,3180 + j0,3330 = 0,4604ej0,8084 (3.29)
3 + a 0 j + 3
222
El tratamiento general de la solucion particular sera pospuesto para captulos
futuros; pero en el intertanto podemos establecer un hecho trascendente
3.3. LA RESPUESTA DEL SISTEMA 43
estabilidad
Los sistemas lineales exhiben ganancias distintas para modos forzantes dis-
tintos, y esta capacidad de discriminacion es la base para el analisis y diseno
de sistemas de procesamiento de senales y para otras aplicaciones.
3.3.4. Estabilidad
Como ya hemos mencionado, los modos naturales describen aspectos es-
enciales de un sistema lineal. En primer lugar, los modos naturales guardan
estrecha relacion con la idea de estabilidad. Intuitivamente podemos definir
un sistema lineal (o, mejor dicho, un modelo lineal) como estable si todas las
variables (senales) del sistema permanecen acotadas ante cualquier excitacion
acotada o estado inicial acotado. Si consideramos solo el efecto de condiciones
iniciales, resulta que la estabilidad requiere que los modos naturales sean todos
acotados. Sin embargo, veremos que la estabilidad de un sistema requiere que
todos los modos naturales decaigan en el tiempo.
Como cada modo natural depende de una frecuencia natural, son estas, es
decir, las races de la ecuacion caracterstica del sistema, las que determinan la
estabilidad del sistema. Consideremos el caso de un modo natural de la forma
generica:
yh1 (t) = Cet = Cet ejo t = Cet (cos(o t) + j sen(o t)) (3.31)
De la expresion anterior se observa que yh1 (t) decae a medida que el tiempo
transcurre si y solo si et decae, y esto ocurre si y solo si < 0. Dicho de otra
forma, si y solo si esta en el semi plano izquierdo abierto del plano complejo.
Esto se ve reflejado claramente en la Figura 3.2.
En resumen, tenemos la siguiente definicion de estabilidad, conocida como
estabilidad asintotica:
velocidad Ejemplo 3.4. Sea un sistema cuya EDS esta dada por:
frecuencia natural!dominante
modo natural!dominante
dy
= 2u(t) (3.32)
dt
Entonces el sistema tiene solo una frecuencia natural, y ella esta ubicada
en = 0, esto significa que el modo natural que aparecera en la respuesta del
sistema es et = 1. As, la respuesta homogenea es yh (t) = C1 . Supongamos que
la entrada es una constante t 0, digamos u(t) = Uo , entonces la componente
particular de la respuesta es yp (t) = Uo t. De esa forma la respuesta completa es
y(t) = C1 + Uo t donde C1 debe calcularse para satisfacer la condicion inicial.
Debemos notar que este ejemplo pone en evidencia que, aunque la entrada
es una simple constante, la salida del sistema crece en forma ilimitada a medida
que transcurre el tiempo. El sistema es, por tanto, inestable.
222
3.3.5. Velocidad
Un segundo aspecto de interes en relacion con las frecuencias y modos nat-
urales guarda relacion con la velocidad con que evolucionan las variables de los
sistemas.
Dentro de la clase de sistemas estables, podemos distinguir diferencias no-
tables, no solo por la distinta naturaleza de los valores propios, sino por las
velocidades relativas con que decaen sus modos naturales. Por ejemplo, con-
sideremos dos sistemas con las componentes homogenas que se indican:
Vemos que yh1 (t) esta dominada por el modo natural e2t porque esta senal
decae mas lentamente que el otro modo natural e5t . Por su parte, yh2 (t)
esta dominada por el modo natural e3t , el que decae mas lentamente que
el modo e7t . As diremos que el Sistema 1 tiene una frecuencia natural
dominante igual a 2, con un modo natural dominante e2t . A su vez,
el Sistema 2 tiene una frecuencia natural dominante igual a 3, con un mo-
do natural dominante e3t . Al comparar ambos sistemas podemos concluir, en
primera aproximacion, que el Sistema 1 es mas lento que el Sistema 2, porque
su modo dominante decae mas lentamente.
En general, si = || + jo , el modo natural tiene la forma:
dy(t)
+ 2y(t) = 4u(t) (3.40)
dt
y que la respuesta y(t) debe satisfacer la condicion inicial y(0) = 0, 5.
Se desea calcular la respuesta del sistema para u(t) = 1 para t 0.
yx (t)
La respuesta a estado inicial debe cumplir con:
dyx (t)
+ 2yx (t) = 0 (3.41)
dt
y con yx (0) = 0, 5 Esta ecuacion es satisfecha por yx (t) = Ce2t , con C =
0,5
yu (t)
La respuesta a entrada, yu (t), es una solucion para (3.40) con u(t) = 1, y
sujeta a yu (0) = 0.
De esta forma, la solucion completa es:
De esta forma, podemos ahora completar la Tabla 3.1 para el caso de las
soluciones obtenidas para este ejemplo. Esto se muestra en la Tabla 3.2.
222
Las dos descomposiciones de la respuesta del sistema obtenidas permiten
observar dicha respuesta desde dos perspectivas diferentes:
En la descomposicion componente homogenea componente particular se
observa la estructura de la respuesta. En efecto, en esa particion queda en
evidencia la presencia de dos tipos de modos: modos naturales (incluidos en
la componente homogenea) y modos forzados (incluidos en la componente
particular).
En la descomposicion respuesta a estado inicial respuesta a entrada
se separan los efectos de las dos causantes de que el sistema tenga una
respuesta: las condiciones iniciales y las excitaciones o entradas aplicadas.
Note que aunque las condiciones iniciales sean iguales a cero, aun as, los
modos naturales se encuentran presente en la respuesta (en este caso solo aparece
la componente debida a la entrada, yu (t)).
Para cerrar esta seccion consideraremos un ejemplo donde estos conceptos
adquieren un significado mas concreto.
Ejemplo 3.6. En el circuito de la Figura 3.3 las componentes (escaladas, por
simplicidad) tienen los siguientes valores:
iL (t) L R1 A
+
i (t) i (t) vc (t)
vf (t) C R2
Maple
>with(linalg);
>Z:=array(1..2,1..2,[[2+rho+2/rho,-2/rho],[-2/rho,2/rho+1]]);
>Zi:=inverse(Z);
De donde resulta:
1 1 2+ 2
Z = 2 (3.49)
+ 4 + 6 2 2 + 2 + 2
Resolviendo para i (t) se obtiene:
Maple
>v_f(t):=10:
>eds:=diff(v_c(t),t,t)+4*diff(v_c(t),t)+6*v_c(t)-diff(v_f(t),t)
-2*v_f(t)=0;
>dsolve({eds,v_c(0)=5,D(v_c)(0)=-4},v_c(t));
(b) La componente homogenea, vch (t), es la parte de la respuesta que contiene respuesta transitoria
respuesta estacionaria
todos los modos naturales, en este caso:
5 2t 1 2t
vch (t) = e cos( 2t) 2e sen( 2t) (3.54)
3 3
(c) La componente a estado inicial, vch (t), corresponde al valor que tendra
vc (t) debido solo a la corriente inicial en el inductor y a la tension inicial
en el condensador, es decir con la fuente de tension cortocircuitada. Esta
componente se puede calcular con el siguiente codigo:
Maple
>v_f(t):=0:
>eds:=diff(v_c(t),t,t)+4*diff(v_c(t),t)+6*v_c(t)-diff(v_f(t),t)
-2*v_f(t)=0;
>dsolve({eds,v_c(0)=5,D(v_c)(0)=-4},v_c(t));
Maple
>v_f(t):=10:
>eds:=diff(v_c(t),t,t)+4*diff(v_c(t),t)+6*v_c(t)-diff(v_f(t),t)
-2*v_f(t)=0;
>dsolve({eds,v_c(0)=0,D(v_c)(0)=0},v_c(t));
de donde se obtiene:
10 10 2t 10 2t
vcu (t) = e cos( 2t) 2e sen( 2t) (3.56)
3 3 3
222
Un comentario final sobre la respuesta del sistema es que es usual hablar de
respuesta transitoria (o transiente) y respuesta estacionaria (o en estado
estacionario). La respuesta estacionaria corresponde a la respuesta del sistema
cuando ha transcurrido mucho tiempo desde el instante inicial. Por su parte
50 CAPITULO 3. ANALISIS EN TIEMPO CONTINUO
respuesta! a $\mu (t)$ la respuesta transiente es aquella parte de la respuesta que se extingue con el
respuesta! a escalon
tiempo.
En el Ejemplo 3.6 en la pagina 47, la respuesta estacionaria esta dada por
el modo forzado constante, mientras que la respuesta transitoria esta formada
por los modos naturales (sinusoidales amortiguadas).
La separacion en componentes estacionaria y transitoria es transversal a la
idea de modos naturales y modos forzados, es decir, no ocurrira siempre que la
respuesta estacionaria incluya solo modos forzados, e incluso es posible que la
respuesta estacionaria este formada exclusivamente por modos naturales. Por
ejemplo, el lector puede verificar que si un sistema tiene modos naturales si-
nusoidales y la entrada es una exponencial decreciente, entonces la respuesta
estacionaria contendra los modos naturales sinusoidales y la respuesta transito-
ria incluira el modo forzado por la exponencial.
p k n
1 XX
go (t) = + Cki ti1 ek t t 0 (3.58)
a0 i=1
k=1
kp n
1 p XX
go (t) = t + Cki ti1 ek t t 0 (3.59)
p!ap i=1
k=1
3.4. RESPUESTA A SENALES DE PRUEBA 51
Paso 2 Calcule las constantes Cki usando la restriccion de las condiciones ini-
ciales iguales a cero, es decir, usando el hecho que:
` hgo (t)it=0 = 0 ` = 0, 1, . . . , n 1 (3.60)
Paso 3 Calcule las primeras n 1 derivadas de go (t). Note que, como las condi-
ciones iniciales son cero, esas derivadas son continuas en t = 0.
Paso 4 Usando las propiedades de linealidad obtenga g(t) de acuerdo a:
n1
X
g(t) = bi i hgo (t)i(t) (3.61)
i=0
que resulta ser go (t) = 14 +C1 e4t +C2 et . Este resultado se puede obtener
con el siguiente codigo:
Maple
>eds:=Diff(Diff(go(t),t),t)+ 5*Diff(go(t),t)+4*go(t)-1;
>dsolve(eds);
1
go (0) = 0 = + C1 + C2 (3.65)
4
hgo (t)i|t=0 = 0 = 4C1 C2 (3.66)
52 CAPITULO 3. ANALISIS EN TIEMPO CONTINUO
1
respuesta a $\delta (t)$ de donde C1 = 12 y C2 = 13 . Nuevamente, este resultado se puede obten-
respuesta! a impulso
er a traves del siguiente codigo:
Maple
>eds:=Diff(Diff(go(t),t),t)+ 5*Diff(go(t),t)+4*go(t)-1;
>dsolve({eds, go(0)=0,D(go)(0)=0},go(t));
1 1 4t
g(t) = 2go (t) hgo (t)i = + e et (3.67)
2 2
222
ello no es aconsejable dada la especial naturaleza del delta Dirac. En efecto, esta convolucion
se~
nal causal
no es, en rigor, una funcion y no es diferenciable, por lo cual ocurren situaciones
paradojicas. Por ultimo, desde el punto de vista meramente instrumental es
mucho mas simple calcular la respuesta a impulso usando la transformacion de
Laplace, como se vera en el Capitulo 7.
dg(t)
h(t) = = 2e4t + et t 0 (3.69)
dt
222
Es importante anotar que las condiciones iniciales de un sistema son valores
conocidos para t = t
o , pero las senales pueden ser discontinuas en t = t o . Esto
es lo que ocurre en el Ejemplo 3.8, donde:
En una perspectiva mas general, podemos observar que dada la relacion entre
la respuesta a impulso y la respuesta a escalon, y considerando que esta ultima
contiene una combinacion lineal de los modos naturales del sistema y una con-
stante, entonces h(t) contiene solo modos naturales. Conceptualmente, es
esta la caracterstica que confiere especial importancia a las respuestas a escalon
e impulso. En rigor, la respuesta a excitaciones mas complejas tambien contiene
una combinacion de modos naturales (a traves de la componente homogenea de
la respuesta), sin embargo, la presencia de estos modos se ve oscurecida por la
componente particular o forzada de la respuesta.
Veremos, en la siguiente seccion una utilidad inmediata de estas considera-
ciones.
Z t
y(t) = f ( )h(t ) d t 0 (3.71)
0
Demostracion
Sea i N y sea un incremento temporal, entonces, usando la propiedad
de invarianza en el tiempo, tenemos que:
Z Z
y(t) = f ( )h(t ) d = f (t )h( ) d t 0 (3.76)
Z Z
f1 (t) f2 (t) = f1 ( )f2 (t ) d = f1 (t )f2 ( ) d (3.77)
Ejemplo 3.9. Un sistema lineal tiene una respuesta a impulso unitario, con transformada de Fourier
transformada de Laplace
condiciones iguales a cero, dada por h(t) = e2t (t). Determine, usando con-
volucion la respuesta a la senal u(t) = (t) (t 1).
Solucion
La respuesta esta dada por:
Z t
y(t) = u(t) h(t) = h( )u(t )d
Z t
= e2 ( )((t ) (t 1 )d (3.79)
Z 0
u( )h(t )d = 0 t<0
Z
t
1
u(t) h(t) = u( )h(t )d = (1 e2t ) 0t<1 (3.80)
2
Z0 1
1
u( )h(t )d = (e2(t1) e2t ) 1t
0 2
222
Como se puede apreciar, el calculo mismo de la convolucion es complejo. En
realidad la importancia de ella se debe a que, por un lado, condensa la esencia
de la linealidad de los sistemas lineales (e invariantes en el tiempo), y por otro,
establece un nexo fundamental con el analisis mediante las transformadas de
Fourier y de Laplace (Captulos 6 y 7, respectivamente).
De igual forma, la respuesta de un sistema lineal e invariante en el tiempo
se puede calcular a partir de la respuesta a escalon, como se demuestra en el
siguiente lema.
56 CAPITULO 3. ANALISIS EN TIEMPO CONTINUO
Lema 3.2. Sea una sistema lineal e invariante en el tiempo. Suponga que la
respuesta de ese sistema a un escalon unitario de entrada, con condiciones ini-
ciales iguales a cero, es g(t). Entonces la respuesta del sistema, bajo condiciones
iniciales iguales a cero, a una excitacion u(t) esta dada por:
du(t)
y(t) = g(t) (3.81)
dt
Demostracion
La demostracion sigue la misma lnea que el lema anterior. En primer lugar,
tenemos que la senal de entrada u(t) puede ser expresada aproximadamente
como la suma de escalones de altura diferencial, es decir3 :
X u((i + 1)) u(i)
u(t) = (t i) (3.82)
i=
donde u(t) tiende a u(t) cuando tiende a cero. Por otro lado:
222
3 Note que el lmite superior de la suma es aunque los sumandos para i > t/ son cero,
2 + a + 4 = 0 (3.90)
0.7
0.6
0.5
0.4
g(t)
0.3
0.2
0.1
0
0 5 10 15
Tiempo [s]
Sistema 1 Sistema 2
2 4
1.5 3
1 2
Eje imaginario
Eje imaginario
0.5 1
0 0
0.5 1
1 2
1.5 3
2 4
2 1.5 1 0.5 0 0.5 1 3 2 1 0 1
Eje real Eje real
1
3
C 2
R1 4
1
1 3
3
2 vc (t) +
+
R2 vo (t) 2 Avc (t)
vf (t) 4
Captulo 4
4.1. Introduccion
Para variables definidas solo en instantes discretos de tiempo, no es posible
definir la derivada, por tanto, la herramienta para describir sus variaciones en
el tiempo es la diferencia entre instantes sucesivos. De esta forma. Para los
sistemas de tiempo discreto el modelo matematico central es la ecuacion de
recursion del sistema, ERS, la cual relaciona la entrada del sistema, u[t], con la
salida, y[t]. Para el caso de modelos linealizados, la entrada y salida son u[t]
y y[t], respectivamente.
La ERS es una descripcion cuantitativa del sistema especialmente util para
el analisis numerico del mismo. Esto guarda relacion con la naturaleza de los
algoritmos computacionales, en los que una iteracion se basa en los resultados
de la iteracion anterior. Por otro lado, una ERS surge tambien cuando se dis-
cretiza el modelo para un sistema lineal de tiempo continuo. El estudio de las
propiedades de la solucion que realizaremos en este captulo sera complementa-
do cuando, en captulos posteriores, se usen la transformada de Fourier discreta,
y la transformada Zeta.
En este captulo, analogamente a lo que se hizo en el captulo precedente,
se desarrollan herramientas de analisis que establecen relaciones estrechas entre
propiedades cuantitativas y cualitativas de los sistemas lineales (de tiempo dis-
creto). En particular, interesa cuantificar y construir indicadores de propiedades
relevantes tales como comportamiento natural, estabilidad, velocidad relativa y
ganancia.
61
62 CAPITULO 4. ANALISIS EN TIEMPO DISCRETO
causalidad Esta forma de la ERS es una forma en la que la causalidad se cumple sin
condiciones iniciales
operador adelanto condiciones para cualquier par de enteros positivos n y m. Esto se aprecia por
promedio movil el hecho que la salida y[t] no depende de valores futuros de la entrada, aunque
s podra depender de valores presentes de la entrada.
Cuando la salida depende solo de valores pasados de la entrada (bm = 0), se
habla de sistemas estrictamente causales.
La solucion a esta ecuacion debe cumplir ademas con las restricciones que
imponen las condiciones o estado inicial. Estas condiciones iniciales se refieren
usualmente a un conjunto de n valores y[i ], y[i 1], . . ., y[i n + 1], donde
i = 1 o, alternativamente1 i = n 1. Note que estas alternativas no encierran
aspectos conceptuales, sino que reflejan el hecho que la eleccion del instante
inicial es arbitraria. Una generalizacion mas amplia dice que la ecuacion (4.1)
puede ser resuelta si conocemos, aparte de la entrada u[t], un conjunto de valores
de la salida y[t] en cualquier conjunto de n instantes.
As como ocurre con los sistemas de tiempo continuo, conviene usar una
notacion compacta, tipo operador, para denotar la operacion corrimiento tem-
poral. Por esa razon, introducimos el operador adelanto temporal, q definido
por
4
qhf [t]i = qf [t] = f [t + 1] (4.2)
q hf [t]i = q n f [t] = f [t + n]
n
(4.3)
q ` hf [t]i = q ` f [t] = f [t `] (4.4)
222
equilibrio estable Observamos en (4.11) que la salida y[t] no puede variar arbitrariamente, sino
sistema! inestable
que existe una restriccion. Esa restriccion dice que en un instante arbitrario,
t = t1 , la salida menos la mitad de la salida en un instante anterior debe ser
igual al valor que tena la entrada un instante anterior, u[t1 1]. Para estudiar la
evolucion de la salida del sistema conviene re-escribir (4.11) en la forma siguiente
yp [t]
La componente particular yp [t] es una funcion, independiente de las condi-
ciones iniciales, que debe satisfacer (3.16) con u[t] = 1. Como la entrada es una
constante, una solucion tentativa es suponer que la solucion particular tambien
es constante, digamos yp [t] = Co . Si esta suposicion es correcta, entonces existe
Co constante que satisface (4.16) y puede ser calculada reemplazando yp [t] = Co
y u[t] = 1 en (4.16):
Co 0, 5Co = 1 = Co = 2 (4.19)
Entonces la solucion completa es y[t] = yh [t] + yp [t] = 2 + C(0, 5)t . La
constante C se calcula de modo que y[1] = 1:
3
y[1] = 1 = 2 + C(0, 5)1 = C = (4.20)
2
Por lo tanto la solucion completa esta dada por:
3
y[t] = 2 (0, 5)t (4.21)
2
222
66 CAPITULO 4. ANALISIS EN TIEMPO DISCRETO
222
Supongamos que las n races de pq () son distintas, entonces la solucion
homogenea tiene la forma:
n
X
yh [t] = Ci ti (4.26)
i=1
Luego, reemplazamos yh [t] por f2 [t] en el lado izquierdo de (4.22), para de- respuesta particular
solucion particular
mostrar que es igual a cero. constantes indeterminadas
n
X n
X
a` yh [t n + `] = a` (t n + `)tn+`
1 (4.28)
`=0 `=0
n
X n
X
= (t n)tn
1 a` `1 + 1tn+1 a` ``1
1 (4.29)
`=0 `=0
d pq ()
= (t n)tn
1 pq (1 ) +1tn+1 (4.30)
| {z } d =1
0 | {z }
0
222
El lector es invitado a demostrar el siguiente lema.
222
De los resultados precedentes se puede ver que la ecuacion homogenea tiene
infinitas soluciones, las que pueden describirse genericamente como una familia.
Los miembros de esta familia se diferencian por los valores numericos especficos
que se pueden escoger para un conjunto de n constantes indeterminadas. De
la ecuacion (4.22) se observa que podemos escoger libremente un conjunto de
valores arbitrarios para y[1], y[2], . . ., y[n]. Por cada conjunto elegido hay
una solucion distinta.
Por su parte, la componente o solucion particular es una funcion del tiempo
completamente determinada, es decir, independiente de las condiciones iniciales,
y que satisface la ecuacion (3.1). La solucion completa y[t] = yh [t] + yp [t] queda
totalmente determinada al usar las condiciones iniciales, aplicadas a la res-
puesta completa, y[t], para calcular las constantes indeterminadas presentes
en yh [t].
Si las soluciones de (4.23) son 1 , 2 , . . . p con multiplicidad n1 , n2 , . . . ,
np respectivamente, tal que n1 + n2 + . . . + np = n, entonces la forma general
de yh [t] es:
p X
X nt
yh [t] = C`i ti1 t` (4.31)
`=1 i=1
donde los C`i son constantes arbitrarias (constantes indeterminadas) que gener-
an los grados de libertad necesarios para que la respuesta completa satisfaga
las condiciones iniciales.
68 CAPITULO 4. ANALISIS EN TIEMPO DISCRETO
frecuencias naturales Los valores de que satisfacen (4.23) son conocidos como autovalores, valores
modos naturales
modo forzante propios o frecuencias naturales del sistema. Como la ecuacion caracterstica
modo forzante!ganancia a de la ERS tiene coeficientes reales, cuando las soluciones son complejas, siempre
ganancia! a modo forzante ocurren en pares conjugados.
modo forzado
A su vez, la funciones temporales de la forma:
ti1 t` (4.32)
que aparecen en (4.31) se denominan modos naturales del sistema.
Los modos naturales se asocian unvocamente a las frecuencias naturales, y
la forma temporal de los primeros depende de la ubicacion de los segundos en
el plano complejo. Un mapa general se aprecia combinando las Figuras 4.1 y
4.2 . En ambos graficos se ha dibujado la circunferencia de radio unitario con
centro en el origen. La separacion se ha hecho solo para una mayor claridad.
En esas figuras se asocia una senal (modo natural) a cada frecuencia natural
de multiplicidad uno, excepto en el caso de frecuencias complejas, en que se
considera el par complejo conjugado.
X
u[t] = Bi it (4.33)
i=1
donde los i0 s son distintos enter s y ninguno de ellos coincide con alguna
frecuencia natural. Cada una de las funciones it recibe el nombre de modo
forzante.
Se puede verificar, usando la linealidad del sistema, que la solucion particu-
lar, yp [t], esta dada por:
X
yp [t] = ypi [t]; con ypi [t] = Ki Bi it (4.34)
i=1
ganancia
z ganancia! a continua
Figura 4.1: Relacion entre la ubicacion de las frecuencias naturales (de multi-
plicidad uno) y los modos naturales (caso decreciente).
Figura 4.2: Relacion entre la ubicacion de las frecuencias naturales (de multi-
plicidad uno) y los modos naturales (caso no decreciente).
donde 1 = 1, 2 = ej 4 y 3 = ej 4 , es decir, hay tres modos forzantes
presentes. Las ganancias estan dadas por (4.35), y para este caso particular:
b0 2
K1 = = =4 (4.38)
1 + a 0 0, 5
b0 21
K2 = = 0, 7630 j2, 605 = 2, 7144ej1,286 (4.39)
1 + a0 21
b0 21
K3 = = 0, 7630 + j2, 605 = 2, 7144ej1,286 (4.40)
1 + a0 21
222
El tratamiento general de la solucion particular sera pospuesto para captulos
futuros; pero en el intertanto podemos establecer un hecho trascendente
4.3. LA RESPUESTA DEL SISTEMA 71
estabilidad
Los sistemas lineales exhiben ganancias distintas para modos forzantes dis- crculo unitario
tintos, y esta capacidad de discriminacion es la base para el analisis y diseno disco unitario
de sistemas de procesamiento de senales y para otras aplicaciones.
4.3.4. Estabilidad
Como ya hemos mencionado, los modos naturales describen aspectos es-
enciales de un sistema lineal. En primer lugar, los modos naturales guardan
estrecha relacion con la idea de estabilidad. Intuitivamente podemos definir
un sistema lineal (o, mejor dicho, un modelo lineal) como estable si todas las
variables (senales) del sistema permanecen acotadas ante cualquier excitacion
acotada o estado inicial acotado. Si consideramos solo el efecto de condiciones
iniciales, resulta que la estabilidad requiere que los modos naturales sean todos
acotados. Sin embargo, veremos que la estabilidad de un sistema requiere que
todos los modos naturales decaigan en el tiempo.
Como cada modo natural depende de una frecuencia natural, son estas, es
decir, las races de la ecuacion caracterstica, las que determinan la estabilidad
del sistema. Consideremos el caso de un modo de la forma generica:
velocidad Ejemplo 4.6. Sea un sistema cuya ERS esta dada por:
frecuencia natural!dominante
modo natural!dominante
y[t] y[t 1] = 2u[t 1] (4.43)
Entonces el sistema tiene solo una frecuencia natural, y ella esta ubicada
en = 1, esto significa que el modo natural que aparecera en la respuesta del
sistema es t = 1. As, la respuesta homogenea es yh [t] = C1 . Supongamos que
la entrada es una constante t 0, digamos u[t] = Uo , entonces la componente
particular de la respuesta es yp [t] = 2Uo t. De esa forma la respuesta completa es
y[t] = C1 + 2Uo t donde C1 debe calcularse para satisfacer la condicion inicial.
En todo caso, lo relevante de este ejemplo es que aunque la entrada es una
simple constante, la salida crece en forma no acotada a medida que el tiempo
evoluciona. El sistema es, entonces, inestable.
Podemos apreciar mejor la naturaleza de este sistema, si (4.43) es escrita
como:
4.3.5. Velocidad
Un segundo aspecto de interes en relacion con las frecuencias y modos nat-
urales guarda relacion con la velocidad con que evolucionan las variables de un
sistema.
Dentro de la clase de sistemas estables, podemos distinguir diferencias no-
tables, no solo por la distinta naturaleza de los valores propios, sino por las
velocidades comparativas a las que decaen las componente homogeneas de la
respuesta de los distintos sistemas. Por ejemplo, consideremos dos sistemas con
las componentes homogenas que se indican:
Vemos que yh1 [t] esta dominada por el modo natural 0, 9t , pues esta senal de-
cae mas lentamente que el otro modo natural 0, 5t . Por su parte, yh2 [t] esta dom-
inada por el modo natural 0, 7t , el que decae mas lentamente que el modo 0, 2t .
As diremos que el Sistema 1 tiene una frecuencia natural dominante igual
a 0, 9, con un modo natural dominante 0, 9t . A su vez, el Sistema 2 tiene una
frecuencia natural dominante igual a 0, 7, con un modo natural dominante 0, 7 t .
Al comparar ambos sistemas podemos concluir, en primera aproximacion, que
el Sistema 1 es mas lento que el Sistema 2, porque su modo dominante decae
mas lentamente.
4.3. LA RESPUESTA DEL SISTEMA 73
yu [t]
La respuesta a entrada, yu [t], es una solucion para (4.52) con u[t] = 1, y
sujeta a yu [1] = 0.
De esta forma, la solucion completa es
Maple
>rsolve({y(n)=0.5*y(n-1)+1, y(-1)=-1},y(t));
De esta forma, podemos ahora completar la Tabla 4.1 para el caso de las respuesta transitoria
respuesta estacionaria
soluciones obtenidas para este ejemplo. Esto se muestra en la Tabla 4.2.
222
Las dos descomposiciones de la respuesta del sistema que se han desarrollado
permiten observar esa respuesta desde dos perspectivas diferentes
Note que aunque las condiciones iniciales sean cero, los modos naturales
igual se encuentran presentes en la respuesta del sistema a traves de la respuesta
debida a la entrada, yu [t].
Un comentario final sobre la respuesta del sistema es que es usual hablar de
respuesta transitoria y respuesta estacionaria. La respuesta estacionaria
corresponde a la respuesta del sistema cuando ha transcurrido mucho tiempo
desde el instante inicial. Por su parte la respuesta transiente es aquella parte de
la respuesta que se extingue con el tiempo.
En el ejemplo 3.6 en la pagina 47, la respuesta estacionaria esta dada por el
modo forzado constante, mientras que la respuesta transitoria esta formada por
los modos naturales (sinusoidales amortiguadas).
La separacion en componentes estacionaria y transitoria es transversal a
la idea de modos naturales y modos forzados. La respuesta estacionaria puede
existir incluso si la entrada es cero. En ese caso esta formada exclusivamente por
modos naturales. Por ejemplo, si un sistema tiene modos naturales sinusoidales
y la entrada es una exponencial decreciente, entonces la respuesta estacionaria
contendra los modos naturales sinusoidales y la respuesta transitoria incluira el
modo forzado por la exponencial.
Por otro lado, si el sistema tiene ganancia cero a un modo forzante, el cor-
respondiente modo forzado no aparecera en la respuesta estacionaria.
76 CAPITULO 4. ANALISIS EN TIEMPO DISCRETO
Note que go [t] contiene una parte natural u homogenea (combinacion lineal
de modos naturales de la forma (4.31)) y una componente particular o
forzada. Cuando el sistema no tiene frequencias naturales en = 1, go [t]
tiene la forma:
p X
X n
go [t] = Ko + C`i ti1 t` t n (4.60)
`=1 i=1
1
Ko = Pn ; con an = 1 (4.61)
i=0 ai
p X
X n
go [t] = Kp tp1 + C`i ti1 t` t n (4.62)
`=1 i=1
Paso 3 Calcule las constantes C`i usando la restriccion de las condiciones ini-
ciales iguales a cero, es decir, usando el hecho que:
q ` go [t]|t=0 = 0 ` = 0, 1, . . . , n 1 (4.63)
m
X
g[t] = bm go [t] + bmi q i go [t][t i ] (4.64)
i=1
10 10
go [t 1] = + C1 (0, 5)t1 + C2 (0, 4)t1 = + 2C1 (0, 5)t + 2, 5C2 (0, 4)t
3 3
(4.67)
10 10
go [t 2] = + C1 (0, 5)t2 + C2 (0, 4)t2 = + 4C1 (0, 5)t + 6, 25C2 (0, 4)t
3 3
(4.68)
10
go [1] = 0 = + 2C1 + 2, 5C2 (4.69)
3
10
go [2] = 0 = + 4C1 + 6, 25C2 (4.70)
3
78 CAPITULO 4. ANALISIS EN TIEMPO DISCRETO
10 8
go [t] = 5(0, 5)t + (0, 4)t t 2 (4.71)
3 3
Maple
>ers:=go(n)-0.9*go(n-1)+0.2*go(n-2)-1;
>rsolve({ers,go(-1)=0,go(-2)=0},go(t));
222
convolucion
h[t] = 10 20(0, 5)t + 12(0, 4)t 10 + 20(0, 5)t1 12(0, 4)t1 (4.79)
t t
= 20(0, 5) 18(0, 4) t 0 (4.80)
222
En una perspectiva general, podemos observar que dada la relacion entre la
respuesta a impulso y la respuesta a escalon, y considerando que esta ultima
contiene una combinacion lineal de los modos naturales del sistema y una con-
stante, entonces h[t] contiene solo modos naturales. Conceptualmente, es
esta la caracterstica que confiere especial importancia a las respuestas a escalon
e impulso. En rigor, la respuesta a excitaciones mas complejas tambien contiene
una combinacion de modos naturales (a traves de la componente homogenea de
la respuesta), sin embargo, la presencia de estos modos se ve oscurecida por la
componente particular o forzada de la respuesta.
Veremos, en la siguiente seccion una utilidad inmediata de estas considera-
ciones.
se~
nal causal una excitacion causal7 arbitaria, u[t], con condiciones iniciales iguales a cero,
esta dada por:
t
X
y[t] = u[`]h(t `) t 0 (4.81)
`=0
Demostracion
Recordemos que toda senal u[t] puede expresarse por:
X
u[t] = u[`][t `] (4.82)
`=0
222
En la ecuacion (4.86) y[t] se puede interpretar como una suma ponderada
(por u[`]) de respuestas a impulso h[t `].
Note que dado que u[t] y h[t] son causales, entonces, la ecuacion (4.81)
tambien se puede escribir como:
X
X
y[t] = u[`]h[t `] = u[t `]h[`] t 0 (4.87)
`= `=
Las sumas que aparecen en la ecuacion (4.87) son una expresion de la con-
volucion de dos funciones temporales. La definicion generica es:
X
X
f1 [t] f2 [t] = f1 [`]f2 [t `] = f1 [t `]f2 [`] (4.88)
`= `=
X
X
u[t][tto ] = u[`][tto `] = u[tto ][tto `] = u[tto ] (4.91)
`= `=
t
X
y[t] = u[t] h[t] = u[`]h[t `]
`
t
X
= (0, 5)t` [t `]([`] [` 3]) (4.92)
`
transformada de Fourier
transformada Zeta 1
X
u[`]h[t `]d` = 0 t<0
`=
X t
u[t] h[t] = u[`]h[t `]d` = 2 (0, 5)t 0t<3 (4.93)
`=0
2
X
u[`]h[t `]d` = 7(0, 5)t t3
`=0
222
Como se puede apreciar, el calculo mismo de la convolucion es complejo. En
realidad la importancia de ella se debe a que, por un lado, condensa la esencia
de la linealidad de los sistemas lineales (e invariantes en el tiempo), y por otro,
es un nexo de conexion con el analisis en el dominio de las transformadas de
Fourier discreta y Zeta (Captulos 6 y 8, respectivamente).
La convolucion en tiempo discreto es ampliamente usada para construir la
respuesta de sistemas lineales, invariantes en el tiempo y causales, cuando se
conoce la respuesta a un impulso unitario. Esto se debe a la simplicidad de las
expresiones del Lema 4.4.
La respuesta de un sistema lineal e invariante en el tiempo se puede calcular
a partir de la respuesta a escalon, como se muestra en el el siguiente lema.
Lema 4.6. Sea un sistema lineal e invariante en el tiempo. Suponga que la
respuesta de ese sistema a un escalon unitario de entrada, con condiciones ini-
ciales iguales a cero, es g[t]. Entonces la respuesta del sistema, bajo condiciones
iniciales iguales a cero, a una excitacion u[t] esta dada por:
y[t] = u[t] (g[t] g[t 1]) = g[t] (u[t] u[t 1]) (4.96)
Demostracion
Dado que [t] = [t] [t 1], entonces, por linealidad e invarianza, la
respuesta h[t], a un impulso unitario puede expresarse como:
222
84 CAPITULO 4. ANALISIS EN TIEMPO DISCRETO
2 + a + b = 0 (4.113)
1.5
1
g[k]
0.5
0
1 0 1 2 3 4 5 6 7 8 9 10
Tiempo [s]
+
i0 i1 in2 in1 in
E
Captulo 5
2
y(t) = Au(t) + (u(t)) (5.1)
De esta forma, podemos apreciar que la salida del sistema contiene tres
sinusoides de distinta frecuencia (0, y 2 [rad/s]), que deben ser consideradas
cuando esta senal actua como entrada de otro sistema.
Otros casos en que aparecen senales periodicas no sinusoidales incluyen el
corte de senales sinusoidales (cuando la amplitud de una sinusoide excede cierto
87
88 CAPITULO 5. ANALISIS BAJO EXCITACIONES PERIODICAS
ej(t+) + ej(t+)
A cos(t + ) = A = ejt + ejt (5.5)
2
donde C, es el complejo conjugado de y
A j
e = (5.6)
2
Por otra parte sabemos que si K() C es la ganancia al modo forzante
ejt , entonces, por linealidad:
5.2. RESPUESTA A ENTRADA SINUSOIDAL. EL CASO DE TIEMPO CONTINUO89
sistema! estable
modos naturales
Thhxo , A cos(t + )ii = K()ejt + (K()) ejt + {modos naturales}
(5.7)
Donde K() es la ganancia a modo forzante y dada por (3.24), con i = j.
Si expresamos K() en su forma polar se llega a:
d 2 y(t) d y(t)
+4 + 13y(t) = 26u(t)
dt 2 dt
Supongamos que la entrada es u(t) = sen(t) y que todas las condiciones
iniciales son cero.
El sistema en primer lugar es estable, ya que sus frecuencias naturales se
encuentran ubicadas en 1,2 = 2 j3. Con esto sabemos entonces que la
solucion homogenea tiene la forma:
104
C1 () = (5.15)
(13 2 )2 + (4)2
26(13 2 )
C2 () = (5.16)
(13 2 )2 + (4)2
p
As (10) = C1 (10)2 + C2 (10)2 = 0,272 (5.18)
o
s (10) = (C2 (10) + jC1 (10)) = 2, 7106 [rad] 155, 31 (5.19)
Una manera mas directa para obtener una descripcion generica de los resul-
tados anteriores sera calcular la respuesta en frecuencia K(), la que, en este
caso particular, esta dada por:
26
K() = |K()|eja () = (5.20)
(j)2 + 4j + 13
La magnitud y fase de esta respuesta en frecuencia aparecen en la Figura
5.2. En esta figura los valores de magnitud y fase de K(10) se pueden calcular
usando el comando de Matlab ginput, el resultado es |K(10)| = 0, 2734 y
a (10) = 2, 7188 [rad] (note que, en este ejemplo, A = 1).
222
5.2. RESPUESTA A ENTRADA SINUSOIDAL. EL CASO DE TIEMPO CONTINUO91
0.5
0.5
1
0 1 2 3 4 5 6
2.5 0
2 0.5
1
1.5
|K()|
a()
1.5
1
2
0.5 2.5
0 3
0 5 10 15 20 0 5 10 15 20
Frecuencia [rad/s] Frecuencia [rad/s]
d 2 y(t) d y(t)
+ 0, 01 + 4y(t) = 4y(t) (5.21)
dt 2 dt
1 Un caso tradicionalmente analizado en la fsica de las oscilaciones es el colapso del Puente
Tacoma en EE.UU.
92 CAPITULO 5. ANALISIS BAJO EXCITACIONES PERIODICAS
222
Finalmente, cuando las frecuencias naturales del sistema se encuentran fuera
de la zona de estabilidad, la componente natural de la respuesta es no acotada.
Sin embargo, la componente forzada sigue siendo una oscilacion de la misma
frecuencia que la sinusoide en la entrada. Para apreciar esto se recomienda al
lector analizar el Problema 5.5.
El conjunto definido en (5.23) resulta ser analogo al conjunto de funciones independencia lineal
ortogonalidad
considerados en el Lema B.1 en la pagina 346, dado que son linealmente in- Serie de Fourier
dependientes , pues ninguna de las sinusoides (o la constante) del conjunto frecuencia fundamental
puede describirse como una combinacion lineal de las demas. Ademas definimos
el producto interno en este espacio de funciones como la integral:
Z T
2
hf (t), g(t)i = f (t) g(t)dt f (t), g(t) B (5.24)
T2
X 2
y(t) = A0 + [An cos(n0 t) + Bn sen(n0 t)] ; 0 = (5.26)
n=1
T
Z T
1 2
A0 = y(t)dt
T T2
Z T
2 2
An = y(t) cos(n0 t)dt (5.27)
T T2
Z T
2 2
Bn = y(t) sen(n0 t)dt
T T2
espectro! en frecuencia
armonicas
X
desfase
y(t) = A0 + Cn cos(n0 t n ) (5.28)
angulo! de desfase
espectro! de lnea n=1
en que:
p
Cn = A2n + Bn2 (5.29)
Bn
n = arctg (5.30)
An
1
Seal y(t)
6 4 2 0 2 4 6
Tiempo [s]
Este resultado era previsible dada la simetra de areas sobre y bajo el eje de
abscisas.
Z T
2 2
An = y(t) cos(no t) dt
T T2
Z 0 Z 2
1 1
= 2 cos(0, 5nt) dt + 2 cos(0, 5nt) dt = 0 (5.32)
2 2 2 0
Z T Z Z
0 2
2 2 1 1
Bn = y(t) sen(no t) dt = 2 sen(0, 5nt) dt+ 2 sen(0, 5nt) dt
T T2 2 2 2 0
Z t
2
4 4
=2 sen(0, 5nt) dt = cos(0, 5nt) = (1 cos(n)) (5.33)
0 n n
0
3
Amplitud de las armnicas
2.5
1.5
0.5
0
0 2 4 6 8 10 12
Frecuencia angular, en mltiplos de o
0.8
0.6
0.4
0.2
0
0 0.005 0.01 0.015 0.02 0.025 0.03
Time [s]
Maple
> assume(0<alpha,alpha<1):
> y(t):=(Heaviside(t-alpha)-Heaviside(t-Pi))*sin(t):
> A_0:=1/Pi*int(y(t),t=0..Pi);
> assume(n,integer):
> A(n):=2/Pi*int(y(t)*cos(2*n*t),t=0..Pi);
> B(n):=2/Pi*int(y(t)*sin(2*n*t),t=0..Pi);
5.3. SERIES DE FOURIER PARA SENALES DE TIEMPO CONTINUO 97
1 + cos()
A0 =
2
1 + 2 cos() (cos( n)) cos() + 4 n sen() sen( n) cos( n)
An = 2
(1 + 2 n) (1 + 2 n)
2
cos() sen( n) cos( n) + 2 n sen() (cos( n)) n sen()
Bn = 4
(1 + 2 n) (1 + 2 n)
222
Maple
> y(t):=convert(piecewise(t<-2,-t-3,t<0,t+1,t<2,-t+1,t-3),Heaviside);
Maple
> A(n):=1/2*int(y(t)*cos(n*Pi/2*t),t=-2..2);
1
Seal y aproximacin
0.5
0.5
6 4 2 0 2 4 6
Tiempo [s]
1
Amplitud de las armnicas
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9
Frecuencia angular, en mltiplos de o
0.1
0.05
y(t)
4 3 2 1 1 2
t
3 4 eN (t)
0.05
yN (t)
0.1
(a) Error e3 (t) = y(t) y3 (t) . (b) Interpretacion geometrica del error
Figura 5.8:
en que los fk (t) son vectores de la base B, el producto (5.37) puede escribirse y
desarrollarse como:
heN (t), yN (t)i = hy(t) yN (t), yN (t)i = hy(t), yN (t)i hyN (t), yN (t)i (5.39)
* N
+ *N N
+
X X X
= y(t), k fk (t) k fk (t), j fj (t) (5.40)
k=1 k=1 j=1
N N
* N
+
X X X
= k hy(t), fk (t)i k fk (t), j fj (t) (5.41)
k=1 k=1 j=1
N
X N
X
heN (t), yN (t)i = k hy(t), fk (t)i k2 hfk (t), fk (t)i (5.42)
k=1 k=1
hy(t), fk (t)i
k = (5.43)
hfk (t), fk (t)i
100 CAPITULO 5. ANALISIS BAJO EXCITACIONES PERIODICAS
Por lo tanto:
N N
X hy(t), fk (t)i X hy(t), fk (t)i2
heN (t), yN (t)i = hy(t), fk (t)i hfk (t), fk (t)i
hfk (t), fk (t)i hfk (t), fk (t)i2
k=1 k=1
N 2 N X hy(t), fk (t)i2
X hy(t), fk (t)i
= =0 (5.44)
hfk (t), fk (t)i hfk (t), fk (t)i
k=1 k=1
222
Este resultado permite apreciar que yN (t), con los coeficientes calculados
segun (5.27), es la combinacion lineal que mejor representa a y(t) (en el
sentido de la norma cuadratica), ya que, dada su ortogonalidad con el vector
de error eN (t), minimiza la distancia entre y(t) y el conjunto de funciones que
se generan por combinacion lineal de los N elementos de la base. La Figura 5.8
(b) ilustra geometricamente la idea de ortogonalidad entre el error eN (t) y la
representacion truncada yN (t).
Finalmente, es importante hacer notar que la representacion obtenida en
(5.26), con los coeficientes explicitados en (5.27), representa a la funcion y(t),
dentro del intervalo [ T2 , T2 ] sea esta periodica o no. En este ultimo caso la
representacion se debe entender valida solo dentro del intervalo en que se ha
calculado. Sin embargo, dado que dentro del intervalo de longitud T todas las
sinusoides del conjunto B completan un numero entero de perodos, la period-
icidad de los elementos de B se extiende a la representacion de y(t), es decir,
se repite en todo intervalo de la forma [kT T2 , kT + T2 ] con k Z. Ademas
por simple traslacion del intervalo en que trabajamos, es decir, corriendo del eje
temporal, el calculo de los coeficientes y la representacion pueden tomarse en
cualquier intervalo arbitrario [to , to + T ]. En todo caso, el lector debe advertir
que si la senal bajo analisis no es periodica, la representacion sera distinta para
distintas elecciones de to .
X
y(t) = A0 + [An cos(n0 t) + Bn sen(n0 t)]
n=1
j00 t
X ejn0 t + ejn0 t ejn0 t ejn0 t
= A0 e + An + Bn (5.45)
n=1
2 2j
serie de Fourier!exponencial
j00 t
X An jBn jn0 t An + jBn jn0 t
y(t) = A0 e + e + e (5.46)
n=1
2 2
" Z T Z T2 #
An jBn 1 2 2 2
Cn = = y(t) cos(n0 t)dt j y(t) sen(n0 t)dt
2 2 T T2 T T2
Z T2
1
= y(t)(cos(n0 t) j sen(n0 t))dt (5.48)
T T2
Se deja al lector verificar que esta expresion tambien es valida para el resto
de los coeficientes Cn , cuando n 0. Si se presta atencion a la forma de los coe-
ficientes en la ecuacion (5.46), puede apreciarse que aparecen en pares complejos
conjugados, es decir, n > 0:
An jBn
Cn = = |Cn |ejn (5.50)
2
An + jBn
Cn = = |Cn |ejn (5.51)
2
tal como tambien puede demostrarse a partir de la expresion general (5.49)
para los coeficientes de la serie compleja. Es decir, tenemos un nuevo conjunto
de funciones, complejas en este caso, de la forma:
2
{ejn0 t }nZ ; 0 = (5.52)
T
que constituye una base para el espacio de funciones seccionalmente continuas
en el intervalo [ T2 , T2 ]. Se deja al lector verificar que este conjunto tambien es
ortogonal bajo el producto interno antes definido, pero en que ahora la conju-
gacion s afecta a las funciones involucradas:
102 CAPITULO 5. ANALISIS BAJO EXCITACIONES PERIODICAS
Parseval
Parseval
Z T Z T
2 2
hfn (t), fm (t)i = fn (t) fm (t)dt = ejn0 t ejm0 t dt (5.53)
T2 T2
Note que el lado izquierdo en (5.57) representa el cuadrado del valor efectivo sinusoidal
amplitud
de la senal periodica. \angulo! de desfase
Para la serie de Fourier trigonometrica, usando la misma definicion del pro- fase
ducto interno (5.24), la expresion (5.57) se reduce a: perodo
frecuencia! angular
Z T /2 frecuencia
1X 2
(y(t))2 dt = A2o + (A` + B`2 ) (5.58)
T /2 2
`=0
2
u[t] = A cos(t + ); con = (5.61)
N
en que (vea Captulo 2):
ej(t+) + ej(t+)
A cos(t + ) = A = ejt + ejt (5.62)
2
104 CAPITULO 5. ANALISIS BAJO EXCITACIONES PERIODICAS
Thhxo , A cos(t + )ii = K()ejt + (K()) ejt + {modos naturales}
(5.64)
Donde K() es la ganancia a modo forzante y esta dada por (4.35), con
i = ej . Si expresamos K() en su forma polar se llega a:
1, 5e2j
K() = (5.72)
e2j 0, 7ej + 0, 12
Esta respuesta en frecuencia puede ser representada graficamente, como se
muestra en la Figura 5.9
4 1
3.5
0.5
3
2.5
|K()|
()
0
a
1.5
0.5
1
0.5 1
0 2 4 6 8 0 2 4 6 8
Frecuencia angular discreta [rad] Frecuencia angular discreta [rad]
222
Analogamente a lo que ocurre en el caso de tiempo continuo, en ciertos
sistemas, a pesar de tener todas sus frecuencias naturales en el interior de la zona
de estabilidad, la respuesta a sinusoides de baja amplitud incluye componentes
sinuosidales de altsima amplitud. Esto sucede en situaciones en que el sistema
es excitado con una sinusoide de frecuencia muy cercana a frecuencias naturales
que se encuentran al interior del disco unitario, pero muy proximas al lmite de
estabilidad (en este caso, la circunferencia unitaria). En este caso, dependiendo
del amortiguamiento del sistema, la salida puede alcanzar el estado estacionario
solo despues de mucho tiempo, y aunque analticamente la oscilacion en la salida
permanece acotada, puede alcanzar magnitudes insostenibles para el sistema
real.
106 CAPITULO 5. ANALISIS BAJO EXCITACIONES PERIODICAS
2
0 = (5.76)
N
y las frecuencia armonicas corresponden a los multiplos de la frecuencia fun-
damental 0 . Sin embargo, si observamos con atencion la forma que toman las
exponenciales imaginarias para cada armonica veremos que:
2 2 2
ej0 (`+N )t = ej N (`+N )t = ej N `t ej2t = ej N `t (5.77)
5.5. SERIE DE FOURIER DE TIEMPO DISCRETO 107
N
X 1
hej0 n1 t , ej0 n2 t i = (ej0 n1 t ) ej0 n2 t (5.81)
t=0
N
X 1
= ej0 (n1 +n2 )t (5.82)
t=0
1 ej2(n1 +n2 )t
hej0 n1 t , ej0 n2 t i = =0 (5.84)
1 ej0 (n1 +n2 )
y si n1 = n2 = n:
N
X 1 N
X 1
j0 nt j0 nt j0 nt 2 j0 nt j0 nt
he ,e i = ke k = e e = 1=N (5.85)
t=0 t=0
108 CAPITULO 5. ANALISIS BAJO EXCITACIONES PERIODICAS
N 1
hej0 nt , y[t]i 1 X 2
Cn = = y[t]ej0 nt ; 0 = (5.86)
hej0 nt , ej0 nt i N t=0 N
N 1 N 1
1 X 1 X
CN ` = y[t]ej0 (N `)t = y[t]ej0 N t ej0 `t
N t=0 N t=0
N 1 N 1
1 X 1 X
= y[t]ej0 `t = (y[t]ej0 `t ) = (C` ) (5.87)
N t=0 N t=0
La serie de Fourier para una senal de tiempo discreto puede ser descrita en espectro de lnea
matriz! de Fourier
un grafico en que aparece |C` | en funcion de ` Z. Este diagrama es conocido
como el espectro de lnea de la senal de tiempo discreto.
El problema de convergencia de la serie de Fourier para senales de tiempo
discreto tiene un tratamiento mucho mas simple que en el caso de tiempo con-
tinuo. Esto se debe a que las amplitudes de las N armonicas se pueden calcular
a partir de un sistema de ecuaciones linealmente independientes de la forma:
y[0] C0
y[1]
C1
y[2]
= WN C2
(5.90)
.. ..
. .
y[N 1] CN 1
donde el elemento (i, j) de la matriz WN esta dado por:
(i1)(j1)
[WN ]i,j = ej0 (5.91)
Las ecuaciones precedentes permiten calcular los coeficientes que describen
exactamente la senal periodica y[t]. Note que la matriz WN tiene la forma
general:
1 1 1 1
1
w w2 wN 1
WN = 1
w2 w4 wN 2
(5.92)
.. .. .. .. ..
. . . . .
1 wN 1 wN 2 w
N
X 1
y[t] = ` f` [t] (5.93)
`=0
donde las funciones f` [t] son elementos de una base ortogonal, entonces:
N
X 1
hy[t], y[t]i = |` |2 hf` [t], f` [t]i (5.94)
`=0
110 CAPITULO 5. ANALISIS BAJO EXCITACIONES PERIODICAS
3 0
2.5 1
2
2
|K()|
()
1.5
a
3
1
0.5 4
0 5
0 2 4 6 8 10 0 2 4 6 8 10
Frecuencia [rad/s] Frecuencia [rad/s]
3
y(t)
2
Entrada y respuesta
1
1
u(t)
2
3
0 2 4 6 8 10 12 14 16 18 20
Tiempo [s]
1
; < t 0
(a) y(t) = +1 ;0 < t
y(t + 2) e.t.o.c.
(
t ; 1 < t 1
(b) y(t) =
y(t + 2) e.t.o.c.
(c) y(t) = |A cos(t)|
(d) y(t) = max{0, A sen(t)}
(e) y(t) = 4 sen2 (t) (use identidades trigonometricas)
(f ) y(t) = sen(t) + 6 cos3 (t)(idem)
d y(t)
+ 10y(t) = 10u(t)
dt
Suponga que u(t) es la senal periodica de la Figura 5.12.
2.5
2
1.5
1
u(t)
0.5
0
0.5
1
1.5
0 2 4 6 8 10 12
Tiempo [s]
d 2 y(t) d y(t)
2
+ 2n + n2 y(t) = n2 u(t)
dt dt
5.4.1 Determine la salida del sistema si la entrada es u(t) = A cos(n t).
d y(t)
= y(t) + u(t)
dt
Si la entrada del sistema es una sinusoide u(t) = sen(10t)
114 CAPITULO 5. ANALISIS BAJO EXCITACIONES PERIODICAS
d y(t)
+ 100y(t) = 100u(t) ?
dt
5.7. PROBLEMAS PARA EL LECTOR 115
5.9.2 Como podra extenderse al intervalo [T, T ] de manera que su serie sea
de la forma:
X
y(t) = Bn sen(n t) ?
n=1
(a) y[t] = sen t
( 3
sen 3t ; t = 0, . . . , 3
(b) y[t] =
y[t + 4] ; e.t.o.c.
(
t ; 6= 1, t = 0, . . . , N 1
(c) y[t] =
y[t + N ] ; e.t.o.c.
(d) y[t] = (1)t
1
; t = 2, . . . , 0
(e) y[t] = 1 ; t = 1, . . . , 3
y[t + 6] ; e.t.o.c.
(f ) y[t] = t mod N
Captulo 6
117
118CAPITULO 6. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE FO
serie de Fourier
0 0 T
a 0 b a 0 b
a 0 b a 0 b
tiene la forma:
X
f (t) = Cn ejn t (6.1)
n=
En que:
Z T /2
1
Cn = f (t)ejn t dt (6.2)
T T /2
2
n = n0 = n (6.3)
T
La ecuacion (6.1) es la que describe la funcion f (t) dentro del interva-
lo [ T2 , T2 ] en terminos de las exponenciales periodicas que representan las
diferentes armonicas n . Recordemos que la ecuacion (6.3) explicita que las
armonicas no son nada mas que multiplos de la frecuencia fundamental 0 = 2 T .
Ahora bien, cada uno de los coeficientes definidos por la ecuacion (6.2) define
a Cn como funcion de la frecuencia n , es decir:
Cn = Cn (n ) (6.4)
Consideremos ahora la funcion:
F () = T Cn (n ) (6.5)
Con esto la serie de Fourier exponencial (6.1) de f (t) puede reescribirse
como:
1 X jn t 1 X
f (t) = F (n )e = F (n )ejn t 0 (6.6)
T n= 2 n=
0 = n n1 = (6.7)
la serie se reescribe como:
1 X
f (t) = F (n )ejn t (6.8)
2 n=
Z
F {f (t)} = F ( ) = f (t)e t dt (6.12)
Z
1 1
F {F ( )} = f (t) = F ( )e t d (6.13)
2
Z
1
F {F (j2f )} = F (j2f )ej2f t df
Ejemplo 6.1. Para ilustrar los resultados obtenidos veamos un ejemplo. Con-
sideremos la funcion f (t) definida en principio periodica en el intervalo [ T2 , T2 ]:
(
A ; |t| /2 < T /2
f (t) = (6.15)
0 ; /2 < |t| T /2
Esta corresponde a un pulso de alto A y ancho , centrado en cero, que se
repite en intervalos de longitud T .
Los coeficientes de la serie exponencial de Fourier se pueden obtener sin
problema:
Maple
> assume(T>0,A>0);
> assume(0<tau,tau<T);
> y(t,T) := A * ( Heaviside(t+tau/2) - Heaviside(t-tau/2) );
> C(0,T):=1/T*int(y(t,T),t=-T/2..T/2);
> C(n,T):=simplify(1/T*int(y(t,T)*exp(-I*2*Pi*n/T*t),
t=-T/2..T/2));
A
C0 = (6.16)
T n
A sen T
Cn = n n 6= 0 (6.17)
T
T
La transformada de Fourier de y(t) resulta dada por la expresion:
Z Z /2
F ( ) = y(t)e t dt = Ae t dt (6.18)
/2
A /2 A
e t = (e 2 e 2 )
= (6.19)
/2
2A
= sen (6.20)
2
122CAPITULO 6. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE FO
sen 2
F ( ) = A (6.21)
2
lm T Cn = F ( ) (6.23)
n
222
A pesar de su conexion, existen varias diferencias conceptuales entre la serie
de Fourier y la transformada de Fourier. La primera diferencia importante es
que el espectro de lnea que aparece asociado a la serie de Fourier, se convierte,
en el caso de la Transformada de Fourier, en un espectro definido para toda
frecuencia. En forma compacta nos referiremos a este ultimo como el espectro
continuo de la senal.
Una segunda diferencia es que la Serie de Fourier resulta descrita por un
conjunto de valores complejos asociados a un conjunto enumerable de frecuencias
(la frecuencia 0 y las frecuencias multiplos de una frecuencia fundamental), esos
valores complejos determinan la amplitud y fase de las componentes armonicas.
Ese no es el caso de la Transformada de Fourier para senales de tiempo continuo,
ya que la transformada F ( ) es una medida de densidad o mas bien de
intensidad relativa (no absoluta) de la participacion de las distintas frecuencias
en la representacion de la funcion. Esta cantidad esta definida para todo el eje
de los reales, es decir, para todo , as, la presencia de una frecuencia 1 en una
senal f (t) esta dada por:
Z 1+
Y1 = F ( )e t d (6.24)
1
Ejemplo 6.2. Para apreciar desde un angulo distinto las diferencias mencio-
nandas, consideremos la analoga de una viga empotrada, cargada con arena fina
y con tres fuerzas puntuales, como se muestra en la Figura 6.3.
La viga tiene un largo L y un ancho A. En la Figura 6.3 la coordenada x
es analoga a la frecuencia angular . En primer lugar se aprecian tres fuerzas
no nulas, que actuan en puntos especficos de la viga. Ellas son analogas a los
coeficientes de una serie de Fourier. En segundo lugar se observa la carga de
6.2. LA TRANSFORMACION DE FOURIER. EL CASO DEL TIEMPO CONTINUO123
Parseval
F1 F2 F3 Parseval
f(x)
arena, con una distribucion f (x) [N/m]. Esta distribucion captura la irregular-
idad de la distribucicon de la arena a lo largo y a lo ancho de la viga. Se puede
deducir que si f (x) es finita, entonces, esta carga de arena ejerce una fuerza
cero en cualquier punto de la viga. No obstante, es obvio que si la densidad de
la arena es (x), entonces la fuerza total ejercida por la carga de arena es:
Z L
f (x)(x)Adx (6.25)
0
La densidad de carga por metro lineal f (x) es entonces analoga a la trans-
formada de Fourier F ( ), en el sentido que esta ultima corresponde a una
densidad espectral por ancho de banda.
222
La transformacion de Fourier posee una serie de propiedades que resultan de
mucha utilidad para el calculo de transformadas de funciones a partir de algunas
elementales, para la obtencion de transformadas inversas sin tener que resolver la
integral (6.13), y para el analisis de sistemas, como se ve en la seccion siguiente.
Estas propiedades se detallan en el Apendice C. Algunas de esas propiedades
son de especial relevancia por sus aplicaciones al analisis de sistemas lineales.
Z Z Z
2 1 1
(f (t)) dt = |F ( )|2 d = |F ( )|2 d (6.26)
2 0
124CAPITULO 6. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE FO
d n y(t) d n1 y(t)
+ a n1 + . . . + a0 y(t)
dt n dt n1
d m u(t) d m1 u(t)
= bm m
+ bm1 + . . . + b0 u(t) (6.30)
dt dt m1
En que u(t) e y(t) representan respectivamente la senal de entrada y de
salida del sistema. Note que por generalidad hemos reemplazado n 1 por m
en el lado derecho, aunque seguiremos suponiendo que el sistema es propio, es
decir, m n.
Si utilizamos la propiedad que permite obtener una expresion para la trans-
formada de Fourier de la derivada de una funcion, ecuacion (C.9) en la pagi-
na 367, a cada una de las derivadas de la entrada u(t) y la salida y(t) puede
aplicarsele trasnformacion de Fourier, utilizando:
n
d f (t)
F = ( )n F {f (t)} = ( )n F ( )
dt n
6.2. LA TRANSFORMACION DE FOURIER. EL CASO DEL TIEMPO CONTINUO125
( )n Y ( ) + . . . + a0 Y ( ) = bm ( )m U ( ) + . . . + b0 U ( ) (6.31)
luego:
bm ( )m + . . . + b0 B( )
Y ( ) = n
U ( ) = U ( ) (6.32)
( ) + . . . + a0 A( )
donde A( ) y B( ) son polinomios en .
Si ahora definimos la funcion racional en como
B( ) bm ( )m + . . . + b0
H( ) = = (6.33)
A( ) ( )n + . . . + a0
entonces la salida del sistema lineal puede ser expresada como
Y ( ) = H( )U ( ) (6.34)
La funcion H( ) que aparece en la expresion para la salida Y ( ) es la
que caracteriza al sistema mismo, ya que depende solo de los coeficientes de la
EDS (6.30), y no de la senal de entrada U ( ). Esta funcion se conoce como
funcion de transferencia o transferencia de Fourier.
En general, H( ) es una funcion racional en . Sin embargo, existen casos
en que la entrada u(t) se aplica en forma retardada al sistema. En esos casos,
si el retardo es , la transformada de Fourier U ( ) debe ser reemplazada por
U ( )e (vea las propiedades en la Tabla C.1) y la funcion de transferencia
resulta:
B( ) bm ( )m + . . . + b0
H( ) = = e (6.35)
A( ) ( )n + . . . + a0
Una discusion adicional sobre la naturaleza de H( ), en particular, referida
a la estabilidad del sistema se desarrolla mas adelante, en la Seccion 6.2.5.
Una interpretacion fundamental para la funcion de transferencia se puede
construir a partir del Lema 3.1 en la pagina 53. All se establece que la respuesta
de un sistema a una senal de entrada arbitraria u(t), puede obtenerse mediante
la convolucion de esta con la respuesta h(t) del sistema a un impulso unitario:
Z
y(t) = u(t) h(t) = u( )h(t )d (6.36)
Si aplicamos transformacion de Fourier a esta relacion, utilizando el resultado
(C.13) en la pagina 371 que establece la transformada de la convolucion de
funciones, tenemos que:
+
vf (t) C vc (t)
i(t)
d y(t)
+ y(t) = u(t) ; R+ (6.44)
dt
A continuacion calculamos la salida del sistema para diferentes funciones de
entrada u(t).
Si aplicamos transformacion de Fourier a (6.44) tenemos:
6.2. LA TRANSFORMACION DE FOURIER. EL CASO DEL TIEMPO CONTINUO127
Maple
>with(inttrans) : assume(alpha>0) :
>eds:= diff(y(t),t)+alpha*y(t)=alpha*u(t) ;
>eq1:=fourier(u(t),t,w)=U(jw) :
>eq2:=fourier(y(t),t,w)=Y(jw) :
>subs({eq1,eq2},fourier(eds,t,w)) ;
>Y(jw):=solve(%,Y(jw));
Y ( ) + Y ( ) = U ( ) (6.45)
Y ( ) = U ( ) (6.46)
+
Con esta expresion se puede obtener la salida del sistema para diferentes
casos, con ayuda de las tranformadas en la Tabla C.2 en la pagina 389.
Entrada impulso unitario
En primer lugar, podemos calcular casi directamente la respuesta a impulso
del sistema, ya que si u(t) = (t), entonces U ( ) = 1 y, por tanto:
Maple
>U(jw)= fourier(Dirac(t),t,w) :
>H(jw)=subs(%,Y(jw));
U ( ) = 1
Y ( ) = H( ) =
+
Donde se aplica transformacion inversa
Maple
1
h(t) = F 1 (6.47)
+
= et (t) (6.48)
fracciones parciales
Maple
>U(jw)= fourier(Heaviside(t),t,w) :
>Y(jw)=subs(%,Y(jw));
1
U ( ) = () + (6.49)
1
Y ( ) = () + (6.50)
+
Y ( ) = () + (6.51)
+ ( + )
1 1
= () + (6.52)
( + )
Ya que, del termino que multiplica al delta Dirac solo interesa su valor en
= 0, y el otro se separa en fracciones parciales. De esta forma se puede
calcular la transformacion inversa de Fourier:
Maple
1 1 1 1
y(t) = F () + F (6.53)
( + )
= (t) et (t) (6.54)
Y ( ) = 2( o ) = 2( o ) (6.56)
+ o +
y(t) = e o t = A(o )e o t+j(o ) (6.57)
o +
en que:
= p
A(o ) =
(6.58)
o + o2 + 2
o
(o ) = arctan (6.59)
Lo anterior muestra que, al pasar a traves del sistema, la exponencial periodi-
ca, experimenta un cambio en magnitud (en un factor A(o )) y en fase (una
adicion igual a (o ).
222
Y ( ) = H( )U ( ) (6.60)
Y ( ) = H( )2( o ) (6.61)
= H( o )2( o ) (6.62)
y(t) = H( o )e o t (6.63)
En que
Y ( ) = H( )U ( ) (6.67)
tenemos que, si u(t) = 21 (e o t + e o t ), entonces:
Y ( ) = H( )(( o ) + ( + o )) (6.68)
= H( o )( o ) + H( o )( + o ) (6.69)
1 1
y(t) = H( o )e o t + H( o )e o t (6.70)
2 2
1 o t+jH( o ) 1
= |H( o )|e + |H( o )|e o tjH( o ) (6.71)
2 2
= |H( o )| cos(o t + H( o )) (6.72)
222
Ejemplo 6.5. Para el mismo sistema del Ejemplo 6.4, descrito por la ecuacion
diferencial:
d y(t)
+ y(t) = u(t) ; R+ (6.73)
dt
Determinemos la solucion si la senal de entrada es u(t) = cos(t).
Tal como se hizo antes, se aplica transformacion de Fourier sobre la EDS,
donde se ha reemplazado la entrada u(t) con lo que se obtiene la transformada
de Fourier de la salida:
Maple
U ( ) = (( + 1) + ( 1)) (6.74)
Y ( ) = (( + 1) + ( 1)) (6.75)
+
donde, simplificando como antes, se obtiene la transformada inversa:
Y ( ) = ( + 1) + ( 1) (6.76)
j + j+
( + j) ( j)
= ( + 1) + 2 ( 1) (6.77)
2 + 1 +1
= Aej ( + 1) + Aej ( 1) (6.78)
en que:
( + j)
A = 2 = (6.79)
+1 2 + 1
( + j) 1
= 2
= arctan (6.80)
+1
0.8
0.5
0.6
A()
()
0.4 1
0.2
1.5
0
0 100 200 300 400 500 600 0 100 200 300 400 500 600
Fourier resulta ser acotada, mientras que la salida verdadera del sistema crece
hasta infinito. Es decir, la solucion mediante Fourier para senales no causales
resulta ciega a la inestabilidad propia del sistema, pero nos permite obten-
er la componente particular de la senal de salida. Para ilustrar esto observe el
siguiente ejemplo, que solo tiene sentido si el sistema bajo analisis es estable.
Maple
>U(jw) = fourier(Heaviside(t)*cos(t),t,w);
>Y(jw) = subs (%,Y(jw));
U ( ) = (( 1) + ( + 1)) + (6.84)
2 2 + 1
Y ( ) = (( 1) + ( + 1)) + (6.85)
+ 2 2 + 1
filtraje
Y ( ) = ( 1) + ( + 1) +
j+ 2 j + 2 ( + )( 2 + 1)
( j) ( + j)
= 2
( 1) + ( + 1)
+1 2 j + 2
( + 1)) 2 1
+ 2
( + 1)( 2 + 1) 2 + 1 +
2 j
= 2 ( + 1) + ( 1) + 2 ( + 1) ( 1)
+1 2 +1 2
2 1 2 1
+ 2 +
( + 1) ( 2 + 1) (2 + 1) ( 2 + 1) 2 + 1 +
Por tanto, con ayuda de la Tabla C.2 en la pagina 389, tenemos que la salida
es:
1
y(t) = F ( + 1) + ( 1) +
2 + 1 2 ( 2 + 1)
j 1
+ F 1 ( + 1) ( 1) +
2 ( 2 + 1)
1
F 1
+
y(t) = 2 cos(t)(t) + sen(t)(t) et (t)
+1
En Maple los calculos se pueden hacer mucho mas rapido, y, dado que en la
transformacion inversa aparecen exponenciales complejas, se utiliza la funcion
evalc, que permite expandir estas mediante la relacion de Euler, 1 :
Maple
>U(jw) = fourier(Heaviside(t)*cos(t),t,w);
>subs(%,Y(jw));
>y(t) = simplify( evalc( invfourier(%,w,t) ) );
222
6.2.4. Filtraje
Una generalizacion de los resultados precedentes se puede extraer examinan-
do la naturaleza de la funcion de transferencia y la forma en que evolucionan
1 ej = cos() + j sen()
134CAPITULO 6. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE FO
|H(j)| |H(j)|
A A
a a
c c
1
H1 ( ) = Pasa bajos (6.86)
( + 1)2
( )2
H2 ( ) = Pasa altos (6.87)
( + 1)2
Si a ambos sistemas se aplica una secuencia de escalones, se obtiene el re-
sultado de la Figura 6.7. En esta, se observa que la respuesta del filtro pasa
6.2. LA TRANSFORMACION DE FOURIER. EL CASO DEL TIEMPO CONTINUO135
frecuencia! de corte
2 pasa banda
1.5 y (t) elimina banda
Respuesta a escaln
1
1
0.5
0.5 y (t)
2
1
0 5 10 15 20 25 30
Tiempo [s]
bajos, y1 (t), no puede seguir las transiciones de los escalones, pero alcanza el
nivel constante de la entrada sin error (dado que la ganancia a continua es
uno). Por su parte, la respuesta del filtro pasa altos, y2 (t), es capaz de replicar
instantaneamente los cambios bruscos, sin embargo presenta respuesta nula una
vez que el escalon alcanza un nivel constante (dado que la ganancia a continua
es cero).
222
La transicion entre una zona de paso y otra de rechazo (y viceversa) que
ocurre en |H( )| es siempre gradual. Una forma de cuantificar un lmite para
esa transicion es lo que se define como frecuencia de corte. Esta definicion,
aunque arbitraria es universalmente
aceptada. En la Figura 6.6, c es la fre-
cuencia de corte si a = A/ 2.
Aparte del comportamiento pasa bajos y pasa altos podemos reconocer las
caractersticas pasa banda y elimina banda. Las caractersticas generales de
ambos sistemas aparecen reflejadas en los graficos de la Figura 6.8.
|H(j)| |H(j)|
A A
a a
c1 c2 c1 c2
frecuencias de corte El sistema descrito por la caracterstica del lado izquierdo en la Figura 6.8
bloquea las frecuencias bajas y las fecuencias altas, en cambio, deja pasar un
rango de frecuencias intermedias. Por su parte, el sistema descrito por la car-
acterstica del lado derecho en la Figura 6.8, bloquea un rango intermedio de
frecuencias y deja pasar tanto las altas como las bajas frecuencias. El compor-
tamiento de estos sistemas puede ser estudiado tambien usando una secuencia
de escalones. Para ilustrar las diferentes conductas desarrollamos un ejemplo.
Ejemplo 6.8. Considere los siguientes sistemas:
H3 ( ) = Pasa banda (6.88)
( + 1)2
( )2 + 1
H4 ( ) = Elimina banda (6.89)
( + 1)2
1.5
1
Respuesta a escaln
y (t)
4
0.5
0
y3(t)
0.5
1.5
0 5 10 15 20 25 30
Time [s]
Es muy importante notar que el Lemma 6.1 en la pagina 129, que iguala
H( ) con la respuesta en frecuencia, esta formulado para sistemas estables.
No podemos extender este resultado a sistemas que tienen frecuencias naturales
en el eje imaginario, aunque sean no repetidas. Veamos a traves de un ejemplo,
los resultados erroneos que surgen si no somos cuidadosos.
Ejemplo 6.9. Un sistema con entrada u(t) y salida y(t), tiene una EDS:
dy(t)
= u(t) (6.90)
dt
Observamos que el sistema tiene solo una frecuencia natural, y ella esta ubi-
cada en = 0, es decir, se trata de una frecuencia natural no repetida en el eje
imaginario.
La respuesta en frecuencia, K() esta dada por la ganancia al modo forzante
e t , y ella resulta de aplicar (3.24) a este caso particular:
1
K() = (6.91)
Suponga que u(t) = eat (t), a > 0 y si, erroneamente, hacemos H( ) =
K(), entonces y(t) se puede calcular a partir de :
1 1 1 1
y(t) = F {Y ( )} = F {H( )U ( )} = F (6.92)
( + a)
As se obtiene:
Maple
>with(inttrans):
>assume(a>0);simplify(evalc((invfourier(1/(-w^2+I*a*w),w,t)));
dando origen a una respuesta no causal, ya que la funcion signo (t) tiene valor
1, t < 0.
Para obtener la respuesta correcta, recordemos que la funcion de transfer-
encia H( ) es la transformada de Fourier de la respuesta del sistema a un
impulso unitario. Aplicando esta definicion a nuestro sistema se llega a:
1
H( ) = + () (6.94)
Entonces
1 1 1 eat (t)
y(t) = F + () = (t) (6.95)
( + a) a a
que es la respuesta correcta.
222
El ejemplo precedente ilustra y explica el problema. Cuando el sistema tiene
frecuencias naturales en el eje imaginario, los modos naturales asociados no
decaen, y la transformada de Fourier de cada uno de ellos solo existe en el
lmite. Esta condicion es acusada por la presencia de deltas de Dirac en . As,
la funcion de transferencia es una funcion racional mas uno o varios deltas de
Dirac en .
La ultima pregunta que debemos responder es por que la determinacion de
H( ) usando (6.31) no da el resultado correcto. La respuesta esta en que para
pasar de (6.31) a (6.33) se requiere dividir por un polinomio que se hace cero
para uno o mas valores de , es decir, se realiza una division por cero a esas
frecuencias. Consideremos un ejemplo adicional.
Ejemplo 6.10. Sea un sistema con la EDS:
d 2 y(t)
+ 4y(t) = 3u(t) (6.96)
dt 2
Al aplicar transformacion de Fourier se obtiene:
(( )2 + 4)Y ( ) = 3U ( ) (6.97)
Observamos que y(t) contiene dos modos naturales complejos, los que com-
binados generan una senal sinusoidal de frecuencia 2 [rad/s]. Esto implica que
Y ( ) debe incluir dos impulsos: ( 2) y ( + 2).
Cuando dividimos ambos lados de (6.97) por (( )2 + 4), estamos dividiendo
por cero cuando = 2, exactamente donde ocurren los impulsos. Esta division
llevara, erroneamente, a que la funcion de transferencia sera:
3
(6.98)
( )2 + 4
Sin embargo, la respuesta del sistema a u(t) = (t) esta dada por:
3
h(t) = sen(2t)(t) (6.99)
2
6.3. LA TRANSFORMACION DE FOURIER. EL CASO DE TIEMPO DISCRETO139
3 3
H( ) = + j (( + 2) ( 2)) (6.100)
( )2 + 4 2
222
N 1
X 2
y[t] = Cn ejo nt ; donde o =
n=0
N
N 1
1 X
Cn = y[t]ejo nt
N t=0
Y (ejn ) = N Cn (6.101)
Reemplazando en la representacion en serie anterior:
N 1
1 X
y[t] = Y (ejn )ejo nt (6.102)
N n=0
N 1
1 X
= Y (ejn )ejn t (6.103)
2 n=0
2
N 1 = (N 1) (6.104)
N
lm N 1 = 2 (6.105)
N
Cabe recordar que para el caso de las funciones de tiempo discreto existe
periodicidad en frecuencia, por tanto la funcion y[t] podra representarse emple-
ando el intervalo [, ] o cualquier otro de longitud 2.
La ecuacion (6.106) nos dice que podemos representar la funcion de tiempo
discreto y[t] como una integral que involucra la funcion Y (ej ), que ahora pre-
senta valores en forma continua en el intervalo [0, 2]. Veamos ahora cual es la
expresion que permite obtener esta funcion. A partir de la definicion hecha en
(6.101) tenemos:
N
X 1 N
X 1
Y (ejn ) = N Cn = y[t]ejo nt = y[t]ejn t (6.107)
t=0 t=0
X
Fd {y[t]} = Y (ej ) = y[t]ejt (6.109)
t=
Z 2
1
Fd 1 Y (ej ) = y[t] = Y (ej )ejt d (6.110)
2 0
X
Y (ej ) = [t]ejt = K [0]ej0 = 1 (6.111)
t=
es decir, se obtiene un espectro plano, en analoga al caso del espectro del delta
de Dirac en tiempo continuo. En la Figura 6.10 se muestra el delta de Kronecker
y la transformada de Fourier calculada, que en este caso resulta tener solo parte
real.
1
1.5
0.8
0.6
Y(ej)
k[t]
1
0.4
0.2
0.5
0
0.2 0
5 0 5 0 2 4 6
t
222
X
X
X
Y (ej ) = y[t]ejt = t ejt = (ej )t (6.113)
t= t=0 t=0
1
Y (ej ) = (6.114)
1 ej
1
Y (ej ) = (6.115)
1 cos() + j sen()
j 1 1
|Y (e )| = p =p (6.116)
2
(1 cos()) + ( sen()) 2 1 2 cos() + 2
sen()
Y (ej ) = arctan (6.117)
1 cos()
1 5
0.8
4
0.6
|Y(ej)|
y[t]
3
0.4
2
0.2
0 1
0.2 0
2 0 2 4 6 8 10 0 2 4 6
t
Se puede apreciar directamente que es una funcion real, ya que cada par de
exponenciales complejas conjugadas al sumarse se transforman en una funcion
coseno, es decir:
5
X
Y (ej ) = 1 + 2 cos(t) (6.120)
t=1
Parseval
energa
5
X 1 ej(11) ej5 ej6
Y (ej ) = ejt = ej(5) j
= (6.121)
t=5
1e 1 ej
11 11
j ej5 ej6 ej 2 ej 2 ej 2 sen( 11
2 )
Y (e ) = = = 1 (6.122)
(1 ej ) ej 2 ej ej
2 2 sen( 2 )
15
1
10
0.8
0.6
Y(e )
j
y[t]
5
0.4
0.2
0
0
0.2 5
10 5 0 5 10 0 2 4 6
t
bm + bm1 ej + . . . + b1 ej(m1) + b0 ej
Y (ej ) = U (ej ) (6.127)
1 + an1 ej + . . . + a1 ej(n1) + a0 ejn
Justamente podemos apreciar que la funcion racional que aparece multipli-
cando la entrada depende solo del sistema, ya que solo depende de los coeficientes
de la ERS inicial. Con esta expresion podemos obtener la secuencia de salida
del sistema calculando la transformacion de Fourier inversa.
En particular, cuando la entrada es un delta de Kronecker en el origen:
6.3. LA TRANSFORMACION DE FOURIER. EL CASO DE TIEMPO DISCRETO145
bm + bm1 ej + . . . + b1 ej(m1) + b0 ej
Y (ej ) = = H(ej ) (6.129)
1 + an1 ej + . . . + a1 ej(n1) + a0 ejn
en que, tal como se vio al final del Captulo 4, la secuencia h[t] es la respuesta
del sistema al delta Kronecker.
1
H(ej ) = (6.135)
(1 0,9ej )(1 0,7ej )
La transformada de la salida queda entonces dada por
146CAPITULO 6. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE FO
fracciones parciales
U (ej )
Y (ej ) = H(ej )U (ej ) = (6.136)
(1 0,9ej )(1 0,7ej )
1
U (ej ) = 1 Y (ej ) = (6.137)
(1 0,9ej )(1 0,7ej )
4,5 3,5
Y (ej ) = j
(6.138)
1 0,9e 1 0,7ej
j 1 X
U (e ) = + ( + 2`) (6.140)
1 ej
`=
!
j 1 1 X
Y (e ) = + ( + 2`)
(1 0,9ej )(1 0,7ej ) 1 ej
`=
(6.141)
100
H(ej )=2` = H(1) = ; ` Z (6.142)
3
De esta forma:
6.3. LA TRANSFORMACION DE FOURIER. EL CASO DE TIEMPO DISCRETO147
1
Y (ej ) =
(1 0,9ej )(1 0,7ej )(1 ej )
1 X
+ ( + 2`) (6.143)
(1 0,9ej0 )(1 0,7ej0 )
`=
100
40,5 8,17 3 100 X
= + + + ( + 2`)
1 0,9ej 1 0,7ej 1 ej 3
`=
(6.144)
100
1 40,5 1 8,17 1 3 100
y[t] = Fd + Fd + Fd + ()
1 0,9ej 1 0,7ej 1 ej 3
(6.145)
= (40,5(0,9)t + 8,17(0,7)t + 33,3)[t] (6.146)
2.5 35
30
2
25
1.5
20
15
1
10
0.5
0 0
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
k k
X
U (ej ) = 2 ( o + 2`) (6.147)
`=
X
j j j j
Y (e ) = H(e )U (e ) = H(e ) ( o + 2`)
`=
X
= 2H(ejo ) ( o + 2`) (6.148)
`=
222
Lema 6.2. Dado un sistema estable de tiempo discreto con entrada u[t] y salida
y[t], la respuesta del sistema a la senal de entrada sinusoidal u[t] = cos( o t), t,
es:
en que:
A(o ) = H(ejo ) (6.152)
jo
(o ) = H(e ) (6.153)
1 1
y[t] = H(ejo )e o t + H(ejo )ejo t (6.157)
2 2
1 jo jo t+jH(ejo ) 1 jo
= |H(e )|e + |H( o )|ejo tjH(e ) (6.158)
2 2
= |H(ejo )| cos(o t + H(ejo )) (6.159)
222
6.3.4. Filtraje
La respuesta en frecuencia de los sistemas discretos puede ser caracterizada
a traves de H(ej ). Se aplican en este caso las mismas definiciones que en el caso
de sistemas de tiempo continuo: frecuencias de corte, banda de paso, banda de
rechazo, etc. Existe sin embargo un elemento que agrega complejidad al analisis,
y el es la naturaleza perdiodica de H(ej ). Consideremos un sistema para el que
la magnitud de la respuesta en frecuencia aparece descrita en la Figura 6.14.
1.2
0.8
|F(ej)|
0.6
0.4
0.2
0
10 8 6 4 2 0 2 4 6 8 10
Frecuencia
Es muy importante notar que el Lema 6.2 en la pagina 148, que iguala
H(ej ) con la respuesta en frecuencia, esta formulado para sistemas estables.
No podemos extender este resultado a sistemas que tienen frecuencias naturales
sobre la circunferencia unitaria, aunque sean no repetidas. Veamos a traves de
un ejemplo, los resultados erroneos que surgen si no somos cuidadosos.
Ejemplo 6.15. Un sistema con entrada u[t] y salida y[t], tiene una ERS:
ej
K() = (6.161)
1 ej
Suponga que u[t] = at [t], 1 > a > 0 y si, erroneamente, hacemos H(ej ) =
K(), entonces y[t] se puede calcular a partir de:
ej
Y (ej ) = H(ej )U (ej ) = (6.162)
(ej 1)(ej a)
de donde se obtiene:
j
1 e ej 1
y[t] = Fd 1 j
j
= signo [t] 2at [t]
1a e 1 e a 2(1 a)
(6.163)
dando origen a una respuesta no causal, ya que la funcion signo [t] tiene valor
1, t < 0.
Para obtener la respuesta correcta, recordemos que la funcion de transferen-
cia H(ej ) es la transformada de Fourier de la respuesta del sistema a un delta
de Kronecker. Aplicando esta definicion a nuestro sistema se llega a:
6.3. LA TRANSFORMACION DE FOURIER. EL CASO DE TIEMPO DISCRETO151
ej X
H(ej ) = + ( 2`) (6.164)
ej 1
`=
"
#
j j
1 e e X
Y (ej ) = + ( 2`) (6.165)
1 a ej 1 ej a
`=
222
El ejemplo precedente ilustra y explica el problema. Cuando el sistema tiene
frecuencias naturales sobre la circunferencia unitaria, los modos naturales aso-
ciados no decaen, y la transformada de Fourier de cada uno de ellos solo existe
en el lmite. Esta condicion es acusada por la presencia de deltas de Dirac en
el dominio de la frecuencia . As, la funcion de transferencia es una funcion
racional mas uno o varios deltas de Dirac en .
La explicacion de esta situacion es analoga a la del caso continuo.
152CAPITULO 6. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE FO
2. y(t) = (1 2e|t| )2
t
!2
Z
1
2 2
3. y(t) = e (Recuerde que eu du = )
2
Problema 6.3. Demuestre que una funcion f (t) arbitraria (o de perodo in-
finito) puede expresarse en la forma de Integral de Fourier:
Z
1
f (t) = [A() cos(t) + B() sen(t)] d
0
en que:
Z
A() = f (t) cos(t)dt
Z
B() = f (t) sen(t)dt
d 2 y(t)
+ 100y(t) = 100u(t)
dt 2
Encuentre la salida del sistema mediante la transformacion de Fourier cuan-
do
Es decir, este sistema actua como filtro ideal ya que permite el paso de
sinusoides de frecuencias menores que c sin afectarlas, mientras que aquellas
de frecuencias mayores no aparecen en la salida.
6.6.1 Grafique H( )
2t + 3 t
y[t] = [t]
6t
y[t] = cos(1 t + ) , con 0 < 1 < 2
154CAPITULO 6. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE FO
Comente.
Laplace
transformada de
Laplace|textbf
sistema!dinamico
sistema!estable
sistema!inestable
se~
nal!no acotada
se~
nal! de tiempo continuo
Captulo 7
Z
L {y(t)} = Y (s) = est y(t)dt (7.1)
0
Z +j
1
L1 {Y (s)} = y(t) = est Y (s)ds (7.2)
2j j
155
156CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
condiciones iniciales
T funcion de transferencia
f (s, x0 ) = p(s) x0 (7.7) funcion!racional
funcion de
donde p(s) es un vector que contiene polinomios en s y x0 es un vector que transferencia!ceros
contiene las condiciones iniciales ya mencionadas. Esta estructura explicita la ceros
linealidad del sistema, puesto que la homogeneidad y superposicion respecto de
las condiciones iniciales resulta evidente.
Ahora si suponemos condiciones iniciales iguales a cero, tenemos que:
B(s)
H(s) = (7.9)
A(s)
que se forma con los polinomios que contienen los coeficientes de la ecuacion
(7.4) original:
d 2y dy
2
+2 = u(t) (7.12)
dt dt
Su funcion de transferencia es:
1
H(s) = (7.13)
s2 + 2s
222
(i) Las m races de la ecuacion B(s) = 0 son los ceros del sistema. Ellos
hacen ademas que H(s) = 0.
158CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
funcion de transferencia!polos (ii) Las n races de la ecuacion A(s) = 0 son los polos del sistema. Ellos hacen
polos
funcion de ademas que H(s) .
transferencia!multiplicidad
multiplicidad (iii) Si A(s) = 0 tiene nk races en s = k , decimos que el polo k tiene
funcion de multiplicidad nk .
transferencia!grado relativo
grado relativo
(iv) Lapropia
funcion de transferencia!estrictamente diferencia de grado entre A(s) y B(s), es decir, m n se denomina el
funcion de grado relativo del sistema.
transferencia!bipropia
funcion de transferencia!propia
funcion de
(v) Si m < n decimos que el modelo es estrictamente propio. Esto implica
transferencia!impropia que el grado relativo del sistema es positivo.
sistema! estable
entrada (vi) Si m = n decimos que el modelo es bipropio. Esto implica que el grado
salida
respuesta! a impulso
relativo del sistema es cero.
impulso! respuesta a
(vii) Si m n decimos que el modelo es propio.
(viii) Si m > n decimos que el modelo es impropio, o que tiene grado relativo
negativo.
En que:
funcion de transferencia!con
retardo
La funcion de transferencia H(s) de un sistema de tiempo continuo, definida funcion!racional
en (7.9), es igual a la transformada de Laplace de la respuesta h(t) del retardo
sistema a un impulso (Delta de Dirac) en la entrada, cuando las condiciones
iniciales cero.
B(s) s
H(s) = e (7.16)
A(s)
Matlab
A =
1 3 2
B =
1 1
>> H=tf(B,A)
Transfer function:
s + 1
-------------
s^2 + 3 s + 2
delta de Dirac! en
frecuencia Matlab
Transfer function:
s
>> H=(s+1)/(s^2+2*s+1)
Transfer function:
s + 1
-------------
s^2 + 2 s + 1
d 2 y(t) d y(t)
+ a1 + y(t) = u(t) (7.17)
dt 2 dt
donde a1 0.
La funcion de transferencia, en el dominio de Laplace, es:
1
HL (s) = ; <{s} > 0 (7.18)
s2 + a 1 s + 1
En cambio, en el caso de Fourier, debemos distinguir dos casos.
7.3. RESPUESTA A IMPULSO Y RESPUESTA A ESCALON. 161
1
HF ( ) = (7.19)
( )2 + a1 + 1
En este caso:
HF ( ) = HL (s)|s= (7.20)
(ii) Caso a1 = 0 :
En este caso, las frecuencias naturales estan sobre el eje imaginario y los
modos naturales combinados corresponden a una sinusoide. Mas especfi-
camente, la respuesta a impulso, con condiciones iniciales iguales a cero
es:
j 1
HF ( ) = (( + 1) ( 1)) + (7.22)
2 ( )2 + 1
222
valor final senal de entrada (caractersticas del transiente, velocidad de respuesta, etc.), a
partir del analisis de la funcion H(s).
Debido a la idealizacion implcita en la definicion de un impulso es mucho
mas frecuente estudiar la dinamica natural de un sistema con la ayuda de la
respuesta a escalon, es decir, cuando U (s) = 1/s.
La definicion (7.9) nos permite expresar la respuesta a escalon unitario
del sistema como:
1
Y (s) = H(s) (7.23)
s
Lo cual, suponiendo que el sistema no tiene polos en el origen,
corresponde a:
donde y = H(0), en virtud del Teorema del Valor Final (ver Teorema D.1 en
la pagina 410). Si el sistema es estable, entonces los modos naturales decaen
exponencialmente a cero. Luego, para sistemas estables, la respuesta en estado
estacionario esta dada por la constante y . Note que si H(s) tiene uno o mas
ceros en s = 0, entonces y = 0.
d 2 y(t) d y(t)
+5 + 4y(t) = 2u(t) (7.25)
dt 2 dt
Si aplicamos transformada de Laplace a ambos lados, suponiendo condiciones
iniciales iguales a cero, podemos obtener la funcion de transferencia del sistema:
2
U (s) = L {(t)} = 1 Y (s) = H(s) = (7.28)
s2 + 5s + 4
Donde podemos aplicar transformada inversa separando en fracciones par-
ciales1 , o bien con ayuda de Maple :
Maple
>with(inttrans):
>U(s):=laplace(Dirac(t),t,s);
>Y(s):=2/(s^2+5*s+4)*U(s);
>Y(s):=convert(Y(s),parfrac,s);
>y(t):=invlaplace(Y(s),s,t);
U (s) = 1 (7.29)
2
Y (s) = (7.30)
s2 + 5s + 4
2 1 1
Y (s) = + (7.31)
3 s+1 s+4
2 2
y(t) = et e4t (7.32)
3 3
La respuesta a escalon unitario se puede obtener de manera similar
1 2 1
U (s) = L {(t)} = Y (s) = 2 (7.33)
s s + 5s + 4 s
Donde se aplica transformada inversa:
Maple
>with(inttrans):
>U(s):=laplace(Heaviside(t),t,s);
>Y(s):=2/(s^2+5*s+4)*U(s);
>y(t):=invlaplace(Y(s),s,t);
1
U (s) = (7.34)
s
2
Y (s) = (7.35)
s(s + 1)(s + 4)
1 2 1
y(t) = et + e4t (7.36)
2 3 6
En la Figura 7.1 se puede apreciar tanto la respuesta a escalon recien obteni-
da as como la respuesta impulso. Estas se generaron en Matlab, con los co-
mandos impulse y step, que usan como argumento el sistema definido mediante
su funcion de transferencia:
164CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
Matlab
>>G=tf([2],[1 5 4]);
>>subplot(2,1,1),impulse(G);
>>subplot(2,1,2),step(G);
Impulse Response
0.4
0.3
Amplitude
0.2
0.1
0
0 1 2 3 4 5 6
Time (sec.)
Step Response
0.5
0.4
Amplitude
0.3
0.2
0.1
0
0 1 2 3 4 5 6
Time (sec.)
222
Es util definir tambien un conjunto de parametros que describen ciertas
propiedades de la dinamica del sistema. Para identificar estos parametros a
definir consideremos la funcion de transferencia dada por:
s + 1
G(s) = 9 (7.37)
s2 + 4s + 9
La respuesta a escalon del sistema se muestra en la Figura 7.2. Entonces
podemos definir los siguientes ndices:
y +M
p
y+
y
k y y
r
Mu
tu tr tp ts
Tiempo
al utilizarla.
3 Note que para este ejemplo en particular, hemos elegido un valor inusualmente grande
d 2 y(t) d y(t)
+ + y(t) = u(t) (7.38)
dt 2 dt
s+2
Y (s) = (7.43)
(s + 12 )2 + 3
4
3
s + 12 2
= + 3 (7.44)
(s + 12 )2 + 3
4 (s + 1 2
2) + 3
4
1
y(t)
0.5
0 1 2 3 4 5 6 7 8 9 10
t [seg]
valor inicial R
+
vf (t) C vc (t)
i(t)
d (t) d i(t) 1
=R + i(t) (7.48)
dt dt C
1 1
s = R sI(s) i(0 ) + I(s) (7.49)
s C
Despejando se obtiene:
C
I(s) = (7.50)
s RC + 1
Si aplicamos el Teorema del Valor Inicial (vea Apendice D), tenemos que:
sC 1
i(0+ ) = lm sI(s) = lm = (7.51)
s s RC + 1
s R
Evidentemente esta es diferente a la corriente inicial, dada en t = 0 . Esto
se comprueba observando que la transformada inversa de I(s) es discontinua en
t = 0:
1/R 1
i(t) = L1 {I(s)} = L1 = et/RC (t) (7.52)
s + 1/RC R
222
Consideremos ahora el caso en que la entrada es una senal arbitraria.
Ejemplo 7.6. Consideremos el mismo sistema del Ejemplo 7.5, pero en que
ahora la entrada es un pulso definido como:
(
1 ; 0 t 10
u(t) = (7.53)
0 ; t > 10
Las condiciones iniciales son iguales a cero, por simplicidad. Note que no
habra problemas en considerar el efecto de estas, ya sea incluyendolas en el
desarrollo mediante transformada de Laplace, o bien, dada la linealidad del sis-
tema, se calculando su efecto en la salida por separado y sumandolo al efecto de
la senal de entrada.
La funcion de transferencia del sistema, si se aplica transforma de Laplace,
es:
7.4. RESPUESTA A CONDICIONES INICIALES Y SENALES ARBITRARIAS.169
Y (s) 1
H(s) = = 2 (7.54)
U (s) s +s+1
La transformda de Laplace del pulso u(t) puede obtenerse sin problema, ya
que esta funcion se expresa en terminos de escalones y se puede utilizar la
propiedad de corrimiento temporal, que se traduce en una exponencial en s (vea
(D.23) en el Apendice D):
1 e10s
Y (s) = H(s)U (s) = (7.56)
s(s2 + s + 1)
Note que para obtener la inversa, dado que la exponencial solo representa un
corrimiento en el tiempo, podemos concentrarnos solo en la parte racional de
Y (s), para luego aplicarle dicha traslacion temporal. Es decir, consideremos:
3
1 1 s+1 1 s + 12 1 2
F (s) = = =
s(s2 + s + 1) s s2 + s + 1 s (s + 12 )2 + 3
4 3 (s + 12 )2 + 43
(7.57)
Donde se observa que tenemos la forma de la transformada de un escalon,
del seno y del coseno, estas ultimas con un corrimiento en la variable s. Este
corrimiento en s corresponde a una exponencial en el tiempo (Apendice D), por
lo tanto:
21 t 3 1
f (t) = 1 e cos 2 t + sen 23 t (t) (7.58)
3
Luego la salida es:
y(t) = L1 (1 e10s )F (s) = f (t) f (t 10) (7.59)
Es decir:
1 1
y(t) = 1 e 2 t cos 23 t + sen 23 t (t)
3
1 1
1 e 2 (t10) cos 23 (t 10) + sen 23 (t 10) (t 10)
3
(7.60)
En la Figura 7.5 se muestra el pulso de entrada u(t) y la salida del sistema,
y(t), ante esta excitacion.
170CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
1.5
u(t) y(t)
0.5
0.5
0 2 4 6 8 10 12 14 16 18 20
t [seg]
Figura 7.5: Pulso de entrada y respuesta del sistema del ejemplo 7.6.
d 2 y(t) d y(t)
+ + y(t) = u(t) (7.61)
dt 2 dt
Con esto y con ayuda de Maple podemos llegar de manera directa a una
expresion para la transformada de Laplace de la salida y aplicarle transformacion
inversa:
Maple
>with(inttrans):
>assume(omega>0):
>U(s):=laplace(cos(omega*t),t,s);
>H(s):=1/(s^2+s+1);
>Y(s):=H(s)*U(s);
>y(t):=invlaplace(Y(s),s,t);
7.5. ESTABILIDAD 171
respuesta en frecuencia
estabilidad
s
U (s) = (7.63)
s2 + 2
1
H(s) = 2 (7.64)
s +s+1
s 1
Y (s) = 2 2
2 (7.65)
s + s +s+1
1 2
y(t) = cos(t) + sen(t) + {modos naturales}
+ 1 + 4
2 2 + 1 + 4
(7.66)
Los modos naturales del sistema decaen a cero cuando t , por tanto
podemos concentrarnos solo en la componente particular de la salida. Las com-
ponentes seno y coseno pueden combinarse en un solo termino:
1
A() = (7.68)
2
+ 1 + 4
() = arctan (7.69)
1 2
Matlab
222
7.5. Estabilidad
Hasta aqu hemos visto que la respuesta de un sistema que tiene una funcion
de transferencia H(s) es de la forma:
172CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
Magnitud
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
50
Fase
100
150
200
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Frecuencia [rad/s]
p X
nk
X ki
Y (s) = H(s)U (s) + (7.70)
(s k )i
k=1 i=1
Ejemplo 7.8. Consideremos el sistema del ejemplo 7.1. Los polos de su funcion
de transferencia estan ubicados en s = 2 y s = 0. Estos no estan en el SPI
abierto (el 0 esta en el SPI cerrado). Por tanto el sistema no es estable. Se
7.5. ESTABILIDAD 173
deja al lector el verificar, usando la transformada de Laplace, que una entrada Hurwitz!polinomio
constante (diferente de cero) produce una salida que crece indefinidamente.
222
n
X
an1 = i (7.73)
i=1
n
Y
p(s) = (s i ) (7.74)
i=1
174CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
n
Y
a0 = (1)n i (7.75)
i=1
Note que esta propiedad es necesaria para que p(s) sea un polinomio estri-
camente Hurwitz, pero no suficiente, excepto en el caso en que n = 1
y n = 2.
Propiedad 4 Si alguno de los coeficientes es negativo o cero, entonces una
o mas races de p(s) tiene parte real negativa o cero. Esta propiedad se
deduce directamente de la propiedad anterior.
7.5. ESTABILIDAD 175
Ademas de los criterios que nos entregan las propiedades anteriores, uno de Routh!algoritmo
los metodos clasicos para determinar la naturaleza Hurwitz de un polinomio es
el algoritmo de Routh, tambien conocido como algoritmo o criterio de Routh-
Hurwitz, que a continuacion se explica.
Consideremos un polinomio p(s) de grado n, definido como
n
X
p(s) = ai s i (7.79)
i=0
Y (s) 1
H(s) = = 3 2
(7.84)
U (s) s + s + 2s + 3
Por tanto, para la estabilidad debemos analizar las races del polinomio de-
nominador:
p(s) = s3 + s2 + 2s + 3 (7.85)
El arreglo de Routh en este caso es:
s3 1 2
s2 1 3
23
s1 1 = 1 0
s0 3 0
Matlab
ans =
0.1378 + 1.5273i
0.1378 - 1.5273i
-1.2757
222
7.6. POLOS, CEROS Y LA RESPUESTA TEMPORAL 177
7.6.1. Polos
Como el lector recordara de sus cursos de matematicas, una funcion racional
siempre puede descomponerse en fracciones parciales, tal es el caso tambien de
la funcion de transferencia de un sistema en la variable s. Cada uno de los
terminos de esta expansion contiene ya sea un polo real simple, un par de polos
complejos conjugados o multiples combinaciones de polos repetidos. Por tanto,
para conocer el efecto de los polos en la respuesta transiente de un sistema
basta conocer el efecto ocasionado por los polos de primer y segundo orden y
su interaccion.
4 En ocasiones, por abuso de lenguaje, los ceros de fase no mnima tambies se les denomina
ceros inestables, dado que se encuantran al la region del plano s en que los polos son inestables.
178CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
1
H1 (s) = (7.89)
sp
para los polos ubicados sobre el eje real, y
1
H2 (s) = (7.90)
s (a + bj) s (a bj)
para los polos complejos, que aparecen emparejados con su conjugado.
Tanto la ubicacion en el plano complejo de los polos de un sistema, como las
caractersticas por esta determinada, estan en directa relacion con las frecuencias
naturales que se pueden obtener a partir de la EDS del sistema.
En virtud de estas analogas es que nos referiremos, en general, como polos
rapidos a aquellos que se encuentran mas alejados del lmite de estabilidad que
los demas polos del sistema. Esto es equivalente que considerar que la respuesta
transiente asociada a estos polos desaparece mas rapido que aquella asociada
a los otros polos, tal como puede apreciarse en la Figura 7.7 al comparar la
respuesta a impulso de un sistema con un polo en p2 = 4 con las demas.
Por otro lado llamaremos polos dominantes o polos lentos a aquellos que se
encuentran en el SPI abierto, pero mas cercanos al lmite de estabilidad que el
resto de los polos de sistema. Esto equivale a decir que el transiente asociado
a los polos dominantes decae mas lento que los demas modos naturales, como
tambien puede apreciarse en la figura 7.7, para el polo en p1 .
Por ejemplo, si tenemos un sistema cuyos polos estan ubicados en (1; 2
j6; 4; 5 j3), podemos decir que el polo dominante es 1 y los polos rapidos
son los que se encuentran en 5 j3.
7.6. POLOS, CEROS Y LA RESPUESTA TEMPORAL 179
p2 p1 p0 p3 p4
K
s+1
U (s) Y (s)
K
s+2
K K
Y (s) = + U (s) (7.91)
s+1 s+2
(1 + )s + (2 + )
G(s) = K (7.92)
(s + 1)(s + 2)
7.6. POLOS, CEROS Y LA RESPUESTA TEMPORAL 181
(s + 1,909)
G(s) = 1,1K (7.94)
(s + 1)(s + 2)
En esta puede observarse la cercana del cero al polo en s = 2. La respuesta
a impulso sera en este caso:
K
G(s) = (7.96)
(s + 1)
Invitamos al lector a estudiar el caso analogo cuando alcanza valores muy
grandes y cual es su efecto sobre el otro modo natural del sistema. Ademas
puede analizarse que sucede con el sistema cuando el parametro toma valores
negativos. Que pasa si = 1 o = 2 ?
222
undershoot 6
contrarespuesta c=0.1
respuesta!inversa 4
c=0.25
2
Respuesta
c=10
0
c=10
2 c=0.25
4 c=0.1
6
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo [s]
Algo analogo sucede para el segundo modo a medida que c se acerca a 2. Esta
situacion de cuasi cancelaciones tambien fue mencionada en el ejemplo anterior
La situacion mas general se aprecia en la figura 7.9. En esta, se indica el
valos de c al lado de cada una de las respuestas graficadas. Podemos apreciar que
un cero rapido, i.e. |c| 1, no afecta significativamente la respuesta transiente.
Cuando el cero es lento y estable obtenemos un gran overshoot, mientras que
cuando es lento, pero inestable, el undershoot es el que crece en magnitud. El
efecto de los ceros puede parecer demasiado crtico en este ejemplo, en que ambos
superan el 400 %, sin embargo, el lector puede verificar que puede ser aun mayor
si el cero es mas cercano el origen.
222
definida para <{s} 0 y, por otro lado, por el hecho que la respuesta a un factor de amortiguamiento
frecuencia natural!no
escalon esta bien definida para <{s} > 0. En consecuencia, la region de conver- amortiguada
gencia para y(t) es <{s} > 0. frecuencia natural!amortiguada
Si ahora, en la ecuacion (7.99), hacemos s = c (note que, por ser c > 0,
esta en la region de convergencia) obtenemos, aplicando el hecho que H(c) = 0:
Z
K
H(c) = y(t)ect dt = 0 (7.100)
c 0
Como la integral es cero, y ect > 0, t, necesariamente y(t) debe ser nega-
tiva en uno o mas intervalos de tiempo.
222
1.5
1 1
Respuesta a escaln
Respuesta a escaln
0.5
0.5 0
0.5
0 1
1.5
0.5 2
0 5 10 15 0 2 4 6
Tiempo [s] Tiempo [s]
n2
H(s) = (7.101)
s2 + 2n s + n2
donde (0 < < 1) es conocido como el factor de amortiguamiento y n , como
la frecuencia natural no amortiguada. Tambien definimos, para uso futuro, la
frecuencia natural amortiguada, d , como:
p
d = n 1 + 2 (7.102)
Este sistema tiene dos polos complejos conjugados, s1 y s2 , definidos por:
184CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
n2 n2
Y (s) = = (7.104)
(s2 + 2n s + n2 )s [(s + n )2 + d2 ] s
Realizando una expansion en fracciones parciales se llega a:
1 s + n n
Y (s) = 2 (7.105)
2
s (s + n ) + d (s + n )2 + d2
p
1 1 s + n d
= p 1 2
s 1 2 (s + n )2 + d2 (s + n )2 + d2
(7.106)
en t
y(t) = 1 p sen(d t + ) (7.107)
1 2
Las caractersticas principales de esta respuesta aparecen in la Figura 7.11,
donde y = 1 y Td = 2/d .
jd y+Mp
n
y
Td
n
jd
tr tp
en tr
p sen(d tr + ) = 0 (7.108)
1 2
De aqu se llega a:
tr = (7.109)
d
dy(t) en t
= p [n sen(d t + ) + d cos(d tr + )] (7.110)
dt 1 2
Aunque este sistema canonico parece ser un caso muy particular, ocurre que
con frecuencia, y en distintas aplicaciones, el sistema bajo estudio esta dominado
por un par de polos complejos conjugados. Aunque las formulas desarrolladas
para calcular los indicadores de la respuesta a escalon no son aplicables a sis-
temas no canonicos, los conceptos asociados tiene igual validez.
186CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
d 2 y(t) d y(t)
(i) + 6y(t) = u(t)
dt 2 dt
d 3 y(t) d 2 y(t) d y(t) d u(t)
(ii) +3 + + 3y(t) = u(t)
dt 3 dt 2 dt dt
d 2 y(t) d y(t)
(iii) + 6y(t) = u(t)
dt 2 dt
d 2 y(t) d y(t)
(iv) + 16 + 100y(t) = 100u(t)
dt 2 dt
7.2.1 Determine su funcion de transferencia,
7.4.3 Repita los dos puntos anteriores, pero para el modo rapido del sistema.
+ R
e(t) vc (t)
L C
d 2 y(t) d y(t)
2
+ [2 + 0,1u(t)2 ] + 6y(t) = u(t) + 0,1eu(t)
dt dt
Linealice el sistema en torno a un punto de operacion (uQ ,yQ ), determine
su funcion de transferencia y analice la evolucion de los polos cuando u Q
[0,5, 0,5].
188CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
s2 + 13s + 30
H(s) =
s3 + 4s2 7s 10
7.8.1 Haga un esquema con la ubicacion de todos los polos y ceros del sistema
en el plano complejo s, clasificandolos de acuerdo a su velocidad (lentos y
rapidos).
7.8.3 Determine la salida del sistema si las condiciones iniciales son y(0) = 1,
y(0) = 0 e y(0) = 2.
K(s + 1)
G(s) =
s2 s + 1 + K(s + 1)
7.9.1 Determine para que rango de valores del parametro K los el sistema es
estable.
s + b2
G(s) =
s2 + bs + b2
K(s + a)
(i) G1 (s) =
(s + a)(s + K)
K(s + a)(s + b)
(ii) G2 (s) =
(s + a)(s + b)(s + K)
K(s + a)(s + b)(s + c)
(iii) G3 (s) =
(s + a)(s + b)(s + c)(s + K)
Que puede decir del efecto de los ceros sobre la respuesta del sistema?
dp(t)
=0 grado relativo de G(s) 2
dt t=0
190CAPITULO 7. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA DE LA
transformada Zeta|textbf
Zeta!transformada
transformada Zeta!inversa
Captulo 8
X
Z {f [t]} = F (z) = f [t]z t (8.1)
t=0
I
1 1
Z {F (z)} = f [t] = F (z)z t1 dz (8.2)
2j
191
192CAPITULO 8. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA ZETA
funcion de transferencia La curva cerrada sobre la que se calcula integral compleja que define la
condiciones iniciales
transformada Zeta inversa (E.2) es tal que debe encerrar a todas las singulari-
dades de Y (z) [17]. La fundamentacion de estas expresiones se desarrolla en el
Apendice E. Tambien se incluyen en ese apendice las propiedades mas impor-
tantes de la Transformacion Zeta.
En este captulo nos concentraremos en el uso de esta transformacion para
el analisis de sistemas lineales de tiempo discreto.
Nota 8.1. Note tambien que se ha supuesto que u[1] = u[2] = . . . = fracciones parciales
u[m] = 0. Esto no es restrictivo, porque siempre es posible encontrar una se-
cuencia de entrada u[t], no nula t < m, tal que y[t] satisfaga las condiciones
iniciales establecidas.
222
Para ilustrar estas ideas, consideramos un ejemplo en donde ademas analizare-
mos algunas alternativas para el calculo de la transformacion inversa.
Y (z) 0, 7 z 1 Y (z) + y[1] + 0, 1 z 2 Y (z) + z 1 y[1] + y[2]
= 0, 8z 1 U (z) (8.8)
Esto lleva a:
y[1]
f (z 1 , xo ) = [p(z 1 )]T xo = 0, 7 0, 1z 1 0, 1 (8.10)
y[2]
0, 8z 1, 5z 2 0, 2z
Y (z) = U (z) + 2 (8.11)
z2 0, 7z + 0, 1 z 0, 7z + 0, 1
| {z } | {z }
Yu (z) Yx (z)
0, 8z z 4 4 2
Yu (z) = = + (8.12)
(z 0, 5)(z 0, 2) z 1 3(z 0, 2) 3(z 0, 5) z 1
As, podemos utilizar la Tabla E.2 en la pagina 434 para obtener la trans-
formacion inversa:
4
yu [t] = (0, 2)t1 (0, 5)t1 [t 1] + 2[t 1] ; t 0 (8.13)
3
Analogamente:
1, 5z 2 0, 2z 3 1 11
Yx (z) = = + (8.14)
(z 0, 5)(z 0, 2) 2 15(z 0, 2) 12(z 0, 5)
Aplicando transformacion inversa se llega a:
3 1 11
yx [t] = K [t] (0, 2)t1 [t 1] + (0, 5)t1 [t 1] ; t 0 (8.15)
2 15 12
Finalmente, la respuesta completa es y[t] = yu [t] + yx [t].
Sin embargo, una forma alternativa para calcular y[t] es la siguiente:
0, 8z 1, 5z 0, 2
Y (z) = z + (8.16)
(z 0, 5)(z 0, 2)(z 1) (z 0, 5)(z 0, 2)
5 5 2
=z + (8.17)
15(z 0, 2) 6(z 0, 5) z 1
z 5z 2z
= + (8.18)
3(z 0, 2) 6(z 0, 5) z 1
Al aplicar ahora transformacion inversa se llega a
1 5
y[t] = 2 + (0, 2)t (0, 5)t ; t 0 (8.19)
3 6
Lo que se ha hecho en esta segunda forma de calcular Z 1 {} es aprovechar
la presencia de un factor z en el numerador. As las fracciones parciales pueden
despues recibir de vuelta ese factor z, de modo que en la transformacion inversa
no aparece corrimiento en el tiempo, ya que, como puede verse en el Apendice
E:
1 z t 1 1
Z = a [t] 6= Z = at1 [t 1] (8.20)
za za
El lector puede comprobar que ambas expresiones obtenidas previamente para
y[t] son equivalentes y corresponden a la senal en la Figura 8.1.
8.2. APLICACION A SISTEMAS LINEALES: LA FUNCION DE TRANSFERENCIA195
2.5
2
y[t]
1.5
0.5
0
0 5 10 15
t
222
Volvamos ahora a considerar la forma general de la ERS y supongamos
condiciones iniciales iguales a cero. Entonces tenemos que:
B(z)
H(z) = (8.22)
A(z)
que se forma con los polinomios que contienen los coeficientes de la ecuacion
(8.3) original:
z 3 (0, 2z 0, 7) 0, 2z 0, 7
H(z) = = (8.26)
z 4 (z 3 2
0, 8z + 0, 4z 0, 1) z(z 0, 8z 2 + 0, 4z 0, 1)
3
196CAPITULO 8. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA ZETA
z 3 (0, 2z 0, 7) 0, 2z 0, 7
H(z) = 3 3 2
= 3 (8.28)
z (z 0, 8z + 0, 4z 0, 1) z 0, 8z 2 + 0, 4z 0, 1
222
Ejemplo 8.4 (Caso n > m). Sea la ERS:
z 3 (0, 2z 0, 7) z(0, 2z 0, 7)
H(z) = = 3 (8.30)
z 2 (z 3 0, 8z 2 + 0, 4z 0, 1) z 0, 8z 2 + 0, 4z 0, 1
222
(i) Las m races de la ecuacion B(z) = 0 son los ceros del sistema. Ellos funcion de
transferencia!ceros
hacen ademas que H(z) = 0. funcion de
transferencia!polos
(ii) Las n races de la ecuacion A(z) = 0 son los polos del sistema. Ellos hacen multiplicidad!polos
funcion de transferencia!grado relati
ademas que H(z) . grado relativo
funcion de
(iii) Si A(z) = 0 tiene nt races en z = t , decimos que el polo t tiene transferencia!estrictamente pro
funcion de transferencia!bipropia
multiplicidad nt .
funcion de transferencia!propia
polinomio caractrerstico
(iv) La diferencia de grado entre A(z) y B(z), es decir, m n se denomina el
grado relativo del sistema.
En que:
h[t] = Z 1 {H(z)} (8.32)
delta de Dirac!en
frecuencia
La funcion de transferencia H(z) de un sistema de tiempo discreto, definida
en (8.22), es igual a la transformada Zeta de la respuesta h[t] del sistema
a un Delta de Kronecter en la entrada, cuando las condiciones iniciales son
cero.
ERS
impulso!respuesta a 222
escalon!respuesta a
respuesta! a impulso
respuesta!a escalon
La relacion entre la transformacion de Fourier y transformacion Zeta puede
valor final ser resumida en la siguiente afirmacion:
Y (z) 0, 2z 2 + 0, 25z
H(z) = = 2 (8.43)
U (z) z 1, 75z + 0, 8
Matlab
Transfer function:
-0.2 z^2 + 0.25 z
------------------
z^2 - 1.75 z + 0.8
222
0.3
0.2
Respuesta a impulso
0.1
0.1
0.2
0 5 10 15 20 25 30 35 40
t
1.5
Respuesta a escalon
0.5
0.5
0 5 10 15 20 25 30 35 40
t
Bf (z)
F (z) = (8.44)
Af (z)
donde Af (z) y Bf (z) son polinomios de la forma:
Af (z) = z p + p1 z p1 + . . . + 1 z + 0 (8.45)
q q1
Bf (z) = q z + q1 z + . . . + 1 z + 0 ; q 6= 0 (8.46)
para numeros enteros p y q no negativos. Observe que dado que F (z) debe poder
expresarse en serie de potencias no positivas de z, es necesario que p q.
La expansion de F (z) en potencias de z 1 se obtiene dividiendo Bf (z) por
Af (z), esto lleva a:
Esta ecuacion demuestra que el primer valor de f [t] distinto de cero ocurre grado relativo
en el instante t = p q, con f [p q] = q . El resultado principal se puede
resumir en el siguiente lema:
222
Cuando este lema se aplica a la respuesta a escalon unitario, con condiciones
iniciales iguales a cero, se deduce que esta es cero en los primeros d instantes,
donde d es el grado relativo de la funcion de transferencia H(z). En rigor, el
z
Lema 8.1 se aplica al producto H(z)U (z), pero en este caso U (z) es z1 , es
decir, su grado relativo es cero, por lo tanto el grado relativo de H(z)U (z) es
igual al grado relativo de H(z).
lo cual lleva a:
b1 z + b 0 (a1 y[1] + a2 y[2])z 2 a2 y[1]z
Y (z) = U (z) + (8.50)
z 2 (z 2 + a1 z + a2 ) z 2 + a1 z + a2
| {z } | {z }
Yu (z)=Z{Thh0,u[t]ii} Yx (z)=Z{Thhxo ,0ii}
222
retardo (i) Tanto la respuesta a entrada, yu [t] como la respuesta a condiciones ini-
respuesta!estacionaria
ciales, yx [t], contienen los modos naturales del sistema.
(ii) El denominador de Yu (z) difiere del de Yx (z), no solo debido al denomi-
nador de U (z), sino que ademas en un conjunto de polos en z = 0. Estos
no son frecuencias naturales del sistema, sino que corresponden ex-
actamente al retardo con que se aplica la excitacion.
(iii) La transformada Yu (z) contiene los polos de U (z); estos explican la pres-
encia de modos forzados, lo cual es consistente con lo planteado en la
subseccion 4.3.6 en la pagina 73.
(iv) Si el grado relativo de H(z) es mayor que cero (como ocurre usualmente),
entonces yu [0] = 0.
(v) Salvo para especiales valores de las condiciones iniciales, el grado relativo
de Yx (z) es cero, as yx (0) 6= 0, lo cual lleva, salvo para esos valores
especiales, a que y(0) 6= 0.
Un caso especial de interes es cuando la excitacion u[t] es una sinusoide de
frecuencia o , t 0, es decir, u[t] = 0, 5(ejo t + ejo t ).
Consideremos primero el caso de una excitacion u[t] = ejo t [t], y un sistema
estable, con funcion de transferencia H(z), entonces:
z
U (z) = (8.51)
z ejo
z
Y (z) = H(z) + Yx (z) (8.52)
z ejo
Dado que el sistema es estable, solo el modo forzado permanece, ya que la
frecuencia forzante esta sobre la circunferencia unitaria. As, si denotamos como
0
Yee (z) la transformada Zeta de la componente estacionaria de la salida, tenemos
que:
0 zH(ejo ) jo
Yee (z) = ; H(ejo ) = |H(ejo )| ejH(e )
(8.53)
z ejo
y, por tanto:
jo
0
yee [t] = ejo t H(ejo ) = |H(ejo )| ej(o t+H(e ))
(8.54)
00 zH(ejo ) jo
Yee (z) = ; H(ejo ) = |H(ejo )| ejH(e )
(8.55)
z ejo
y, por tanto:
jo
00
yee [t] = ejo t H(ejo ) = |H(ejo )| ej(o t+H(e ))
(8.56)
8.5. ESTABILIDAD 205
0 00
yee [t] = 0, 5 (yee [t] + yee [t]) = |H(ejo )| cos(to + H(ejo )) (8.57)
8.5. Estabilidad
Hasta aqu hemos visto que la respuesta de un sistema que tiene una funcion
de transferencia H(z) es de la forma:
p X
nt
X ti
Y (z) = H(z)U (z) + (8.58)
t=1 i=1
(z t )i
Donde el valor de cada ti depende de las condiciones iniciales, y donde
hemos supuesto que cada polo ubicado en z = t , tiene multiplicidad nt . Esta
suposicion implica a su vez que n1 + n2 + . . . + np = n, donde n es el orden de
la ERS, es decir, es el numero de autovalores del sistema.
Si recordamos la definicion de estabilidad, tenemos que un sistema es estable
cuando cualquier entrada acotada produce una salida tambien acotada, para
cualquier condicion inicial acotada. Si observamos la ecuacion (8.58) podemos
afirmar que la condicion necesaria y suficiente para que el sistema sea estable
es que los polos de este, que aparecen en las fracciones del segundo termino
de la ecuacion, den origen a senales que decaigan exponencialmente. Esto se
traduce en que los polos del sistema deben tener magnitud estrictamente menor
que uno, es decir, deben estar ubicados sobre el disco unitario abierto del
plano complejo z . Es decir, para sistemas discretos, el lmite de estabilidad en
el plano complejo z en que se ubican sus polos, es la circunferencia unitaria.
Ejemplo 8.8. Consideremos un sistema con funcion de transferencia:
(z 0, 2)
H(z) = (8.59)
z 3 (z 1)(z 0, 8)
Esta funcion tiene tres polos en el origen, que se originan en los retardos y
en la estructura de la ERS (vea ecuaciones (8.23) y (8.24)). Estos polos solo
introducen retardos en los modos naturales. Los otros polos de su funcion de
transferencia estan ubicados en z = 1, y z = 0, 8. Estos ultimos polos correspon-
den a frecuencias naturales del sistema. Uno de estos, el ubicado en z = 1, no
esta en el disco unitario abierto, sino que justo sobre el lmite de estabilidad.
206CAPITULO 8. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA ZETA
sistemas discretos!estabilidad Por tanto el sistema no es estable. Se deja al lector el verificar que una entrada
constante, diferente de cero, produce una salida que crece indefinidamente.
222
n
X
an1 = an i (8.61)
i=1
n
Y
p(z) = an (z i ) (8.62)
i=1
n
Y
a0 = (1)n an i (8.63)
i=1
La primera propiedad dice que para que el polinomio p(z) sea estable, en- desigualdad!triangular
bilineal!transformacion
tonces es necesario que |an1 | < n|an | ya que cada raz de p(z) debe tener Routh
magnitud menor que 1. El resultado se obtiene al utilizar la desigualdad trian-
gular: el modulo de la suma es menor que la suma de los modulos.
La segunda propiedad dice que la estabilidad de p(z) exige como condicion
necesaria que |a0 | < |an |. Este resultado se obtiene al considerar que cada factor
i en (8.63) debe tener magnitud menor que uno.
Las dos propiedades precedentes ayudan a descartar algunos polinomios bajo
analisis. El lector debe recordar que estas propiedades son necesarias pero no
suficientes para asegurar estabilidad. Tambien conviene tener presente que, a
diferencia del caso de tiempo continuo, un polinomio puede ser estable aunque
algunas de sus races sean positivas; esto implica que los coeficientes de un
polinomio p(z) estable pueden ser positivos, negativos o cero.
Una vez superada la etapa de la inspeccion se requiere un metodo de analisis
que proporcione una respuesta categorica sobre la estabilidad o inestabilidad del
polinomio. Una de las formas de realizar el estudio es transformar el problema
en uno en que podamos aplicar el algoritmo de Routh y, en general, todos los
resultados de la Seccion 7.5.1. Con este objetivo se puede usar, por ejemplo, la
transformacion bilineal:
w+1 z+1
z= w = (8.64)
w1 z1
donde w es una variable compleja auxiliar. Si expresamos la variable w en termi-
no de su parte real y su parte imaginaria , es decir w = + j entonces
(8.64) se puede escribir como:
s
w+1 + 1 + j ( + 1)2 + 2
z= = = |z| = (8.65)
w1 1 + j ( 1)2 + 2
De la ecuacion (8.65) se puede ver que > 0 si y solo si |z| < 1. Tambien
se puede ver w esta en el eje imaginario ( = 0) si y solo si z esta sobre la
circunferencia unitaria (|z| = 1). As, si definimos la funcion racional P w (w)
como:
Pw (w) = p (z) (8.66)
w+1
z= w1
entonces el polinomio p(z) tiene todas sus races al interior del disco unitario
si y solo si el polinomio numerador de Pw (w) tiene todas sus raices al interior
del semi-plano izquierdo. Por lo tanto, podemos usar el criterio de Routh para
probar el polinomio numerador de Pw (w) y as estudiar la estabilidad de p(z).
Jury
Jury!algoritmo
0, 15w3 + 1, 85w 2 + 4, 65w + 1, 35
Pw (w) = (8.67)
(w 1)3
Luego aplicamos Routh al numerador de Pw (w), construyendo el arreglo:
w3 0, 15 4, 65
w2 1, 85 1, 35
w1 4, 5405
w0 1, 35
(ii) La segunda fila se construye a partir de la primera fila con los mismos
coeficientes, pero en orden ascendente.
1 n,n n,`1
n1,n` = ` = 1, 2, . . . , n (8.68)
n,n n,0 n,n`+1
Note que esta fila tiene un elemento menos que las dos anteriores.
(iv) La cuarta fila se construye a partir de la tercera fila con los mismos coefi-
cientes, pero en orden inverso.
(v) La quinta fila se construye a partir de las dos filas precedentes usando
(8.68) con los coeficientes correspondientes. Esta regla de construccion se
aplica tambien a todas las filas impares que siguen, hasta la (2n + 1)-
esima, es decir, hasta calcular 0,0 . En cada una de estas filas, el numero
de coeficientes se reduce en uno.
(vi) La sexta fila, as como todas las filas pares que siguen, se construyen con
los mismos coeficientes de la fila impar inmediatamente anterior, pero en
orden inverso.
Teorema 8.1. El polinomio p(z) dado en (8.60), con an > 0, tiene todas
sus races estrictamente al interior del crculo unitario si y solo si `,` > 0
para ` = 0, 1, . . . , n 1. 222
1
1 0, 32 1
1 0, 64 1
1 0, 5
2,2 = 1
0, 32 ; 2,1 = 1
; 2,0 = 1
1 0, 32 0, 5 0, 32 0, 64
(8.69)
1
0, 8976 0, 48 1
0, 8976 0, 2952
1,1 = 0,8976 0, 48 0, 8976 ; 1,0 =
0,8976
0, 48 (8.70)
0, 2952
1 0, 6409 0, 4531
0,0 = (8.71)
0, 6409 0, 4531 0, 6409
210CAPITULO 8. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA ZETA
Al aplicar el teorema de Jury observamos que 3,3 = a3 > 0 y que `,` > 0,
` {0, 1, 2}. En consecuencia el polinomio p(z) tiene todas sus races dentro
del disco unitario.
222
Para apreciar el uso del algoritmo de Jury en estudios de estabilidad relativa
o condicional, consideraremos un ejemplo adicional.
Ejemplo 8.11. Sea un polinomio p(z) = z 2 + az + 0, 8. Se trata de estudiar
bajo que condiciones este polinomio tiene sus dos races con modulo menor que
uno. Note que n = 2 y an = a2 = 1 > 0.
Primero construimos el arreglo de Jury, el que aparece en la Tabla 8.3.
fase mnima
Qm ceros!fase no mnima
i=1 (z i )
H(z) = K d Q n (8.72) funcion de transferencia!estable
z l=1 (z l ) polos
donde l C y i C. Si suponemos que no hay valores de l y de i tales que
l = i entonces, 1 , 2 , . . . , m and 1 , 2 , . . . , n son los ceros y los polos de
la funcion de transferencia, respectivamente (a estos ultimos hay que agregar
los d polos en el origen).
Estaremos particularmente interesados en aquellos ceros ubicados sobre la
circunferencia unitaria o en su cercana, y en aquellos polos al exterior del disco
unitario. Los polos y ceros ubicados en estas regiones juegan un rol fundamental
en la dinamica del sistema.
Una clase especial de funcion de transferencia es aquella que tiene todos
sus ceros y sus polos al interior del disco unitario en el plano complejo z .
Tradicionalmente estas se denominan funciones de transferencia de fase
mnima . Sin embargo, a similitud de la nomenclatura usada en sistemas de
tiempo continuo, reservaremos ese nombre para referirnos simplemente a fun-
ciones de transferencia sin ceros fuera del disco unitario, que tengan o no polos
en el. Diremos que un cero tiene fase no mnima si tiene magnitud mayor o,
al menos, igual a uno, de otra forma se denominara cero de fase mnima. Si
hablamos de una funcion de transferencia estable nos referimos a que todos
sus polos se ubican sobre el disco unitario abierto; si decimos que inestable,
es porque al menos uno de sus polos se encuentra fuera del disco unitario, o
sobre el borde de este ultimo. Los polos en si mismos tambien se pueden de-
nominar estables o inestables , si se encuentran dentro o fuera del disco unitario
abierto,respectivamente 2 .
A continuacion examinaremos la influencia sobre la respuesta transiente de
un sistema de los polos y ceros de su funcion de transferencia.
8.6.1. Polos
Las funciones que se originan al aplicar la transformacion Zeta a las ERS
de sistemas lineales, son funciones racionales y siempre pueden descomponerse
en fracciones parciales. Cada uno de los terminos de esta expansion contiene
ya sea un polo real simple, un par de polos complejos conjugados o multiples
combinaciones de polos repetidos. Por tanto, para conocer el efecto de los polos
en la respuesta transiente de un sistema basta conocer el efecto ocasionado por
los polos de primer y segundo orden y su interaccion.
Un polo de primer orden contribuye a la descomposicion en fracciones par-
ciales, en general, con un termino de la forma:
K1 (1 a)
H1 (z) = (8.73)
za
donde K1 es la ganancia a continua.
2 En ocasiones, por abuso de lenguaje, a los ceros de fase no mnima tambien se les denomina
ceros inestables, dado que se encuentran en la region del plano z en que los polos son
inestables.
212CAPITULO 8. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA ZETA
modos naturales Mientras que un polo de segundo orden contribuye a la expansion con un
termino:
1 2 cos o + 2
H2 (s) = K2 (8.74)
z 2 2z cos o + 2
donde K2 es la ganancia a continua.
En el Captulo 4 se describio graficamente la relacion entre la ubicacion de
las frecuencias naturales (simples) y los modos naturales. Dado que los polos de
H(z), salvo aquellos ubicados en el origen, son iguales a las frecuencias naturales,
es conveniente repetir la descripcion grafica de esa relacion.
Figura 8.4: Relacion entre la ubicacion de los polos (de multiplicidad uno) y los
modos naturales (caso decreciente).
Cada polo genera un termino especfico que coincide justamente con cada uno
de los modos naturales en la respuesta del sistema a un impulso en la entrada.
Estos modos estan presentes tambien en la respuesta a cualquier entrada al
sistema (excepto en casos muy excepcionales cuando hay coincidencia de polos
8.6. POLOS, CEROS Y LA RESPUESTA TEMPORAL 213
polos!rapidos
z polos!dominantes
polos!lentos
Figura 8.5: Relacion entre la ubicacion de los polos (de multiplicidad uno) y los
modos naturales (caso no decreciente).
con ceros). El tipo de modo natural asociado a cada polo de un sistema depende
de la ubicacion de este sobre el plano complejo z , exactamente equivalente a la
ubicacion de cada frecuencia natural sobre un plano complejo, como se vio en
el Captulo 4. Para ilustrar esto podemos apreciar en la Figura 8.4 las diferentes
respuestas a impulso de un sistema de un unico polo.
En forma analoga a lo que ocurre con los sistemas continuos en el tiempo,
nos referiremos, en general, como polos rapidos a aquellos que se encuentran
mas cercanos al origen del plano z . Esto es equivalente que considerar que la
respuesta transiente asociada a estos polos desaparece mas rapido que aquella
asociada a los otros polos, tal como puede apreciarse en la figura 8.4. Por otro
lado, llamaremos polos dominantes o polos lentos a aquellos que se encuantran
al interior del disco unitario, pero mas cercanos al lmite de estabilidad (cir-
cunferencia unitaria) que el resto de los polos de sistema. Esto equivale a decir
que el transiente asociado a los polos dominantes decae mas lentamente que los
demas modos naturales.
214CAPITULO 8. ANALISIS BAJO EXCITACIONES ARBITRARIAS. LA TRANSFORMADA ZETA
ceros Por ejemplo, si tenemos un sistema cuyos polos estan ubicados en (0, 5; 0, 6
controlabilidad
observabilidad j0, 6; 0, 2; 0, 2+j0, 3), podemos decir que los polos dominantes es 0, 6j0, 6
y el polo mas rapido es el que se encuentra en 0, 2.
8.6.2. Ceros
En general, el efecto de la ubicacion de los polos en la dinamica de un sis-
tema puede entenderse sin demasiada dificultad dada su directa relacion con la
estabilidad y las caractersticas generales de la respuesta del sistema. De hecho
en la literatura sobre sistemas y su estabilidad se puede encontrar mucha mas
informacion que la aqu detallada. Por el contrario, a menudo se ha subestima-
do el efecto de los ceros en el analisis del comportamiento de un sistema. Sin
embargo, en los ultimos anos se ha vuelto a dar un vistazo al efecto de los ceros
sobre la respuesta de un sistema, que ahora son reconocidos por su importancia,
por ejemplo, al definir criterios de diseno de sistemas de control. Es asi como,
mientras que los polos de un sistema estan asociados a la presencia de sus modos
naturales aislados, los ceros reflejan de algun modo la interaccion entre estos,
por ejemplo, en el caso en que la salida de un sistema esta formada por la suma
de dos modos naturales diferentes. Ademas, a pesar que la ubicacion de los polos
determina los modos naturales de un sistema, es la ubicacion de los ceros la que
determina la proporcion en que los modos aparecen combinados en la salida. En
estas combinaciones los modos naturales toman diferente fuerza, pudiendo ser
su efecto, en algunos casos, casi imperceptible. De hecho, la ubicacion relativa
de polos y ceros tiene directa relacion con los conceptos de observabilidad y
controlabilidad, como se detalla en el Captulo 10.
Veamos esto a traves de un ejemplo.
z 0, 5
U (z) Y (z)
1
z 0, 8
Figura 8.6: Sistema discreto con interaccion aditiva entre dos estados.
3+1 cancelacion!cuasi-
Este sistema tiene sus polos en p1 = 0, 5 y p2 = 0, 8 y un cero en c1 = 3+2 .
undershoot
Es decir, la ubicacion esta directamente relacionada con el peso de cada uno contrarespuesta
de los modos naturales en la respuesta del sistema, por ejemplo, a un impulso respuesta!inversa
unitario en la entrada:
(z 0,5074)
H(z) = 0, 203 (8.77)
(z 0, 5)(z 0, 8)
En esta puede observarse la cercana del cero al polo en z = 0, 5. La respuesta
a impulso sera en este caso:
para |z| 1 y, por otro lado, por el hecho que la respuesta a un escalon esta bien
definida para |z| > 1. En consecuencia, la region de convergencia para y[t] es
|z| > 1.
Si ahora, en la ecuacion (8.80), hacemos z = c (note que, por ser c > 1,
esta en la region de convergencia) obtenemos, aplicando el hecho que H(c) = 0
K X
H(c) = y[t]ct = 0 (8.81)
c t=0
1
1
Respuesta a escaln
Respuesta a escaln
0.5
0.5
0 0
0.5 0.5
1
1
0 10 20 30 40 50 0 10 20 30 40 50
Tiempo [s] Tiempo [s]
Captulo 9
Representacion de sistemas
lineales
219
220 CAPITULO 9. REPRESENTACION DE SISTEMAS LINEALES
Bode!diagramas de
Bode|textbf
9.2. Diagramas de Bode
diagramas!de Bode
ejes logartmicos 9.2.1. Tiempo continuo
decada
octava Como ya hemos visto, un sistema de tiempo continuo puede ser caracterizado
decibel por la funcion H( ). El diagrama de Bode correspondiente a esta funcion
factores canonicos esta formado por dos graficos: uno que describe la evolucion de su magnitud
|H( )| como funcion de la frecuencia angular , y el otro describe el angulo
de la respuesta en frecuencia H( ), tambien como funcion de la frecuencia
angular .
Los diagramas de Bode son dibujados con ejes especiales:
[B1] K
[B2] (1 + T )q , q {1; 1}
9.2. DIAGRAMAS DE BODE 221
[B5] e , > 0
donde el exponente q {1; 1} describe las dos opciones para cada factor: su
presencia en el numerador o en el denominador de la funcion H( ) dada.
A continuacion se presente un ejemplo ilustrativo.
e0,1 ( + 2)
H( ) = 6 (9.2)
( + 1)(( )2 + + 4)
Que puede reescribirse como:
(3) (e0,1 ) (1 + 0, 5 )
H( ) = (9.3)
2
( ) (1 + ) 1 + 2 0, 25 +
2 2
222
n
X n
X
|H( )|dB = 20 log10 |H( )| = 20 log10 |F` ( )| = |F` ( )|dB (9.5)
`=1 `=1
n
X
H( ) = F` ( ) (9.6)
`=1
Es decir:
Bode!asntotas [B1]
En este caso F ( ) = K y su magnitud es exactamente:
[B2]
En este caso F ( ) = (1 + T )q , donde q {1; 1}. Entonces:
p
|F ( )|dB = 20 q log10 1 + T 2 2 = 10 q log10 (1 + T 2 2 ) (9.9)
F ( ) = q arctan(T ) (9.10)
1
= |F ( )|dB 0 [dB] (9.11)
|T |
1
= |F ( )|dB 20q log10 (|T |) (9.12)
|T |
Esto significa que la magnitud de la respuesta en frecuencia de una funcion
tipo [B2] puede aproximarse por dos asntotas: una de baja frecuencia, con
pendiente 0 [dB/dec] y otra de alta frecuencia, cuya pendiente es 20q [dB/dec].
Estas asntotas se intersectan en = 1/|T |. Cuando q = 1, a esta p frecuencia
la curva exacta pasa 3 [dB] mas abajo, ya que |F (j/|T |)| = 1/2 y basta
recordar que 20 log10 0, 5 3, 0103.
En la Figura 9.1 se muestra la aproximacion asintotica y la curva exacta para
una funcion tipo [B2], con q = 1, en termino de la frecuencia normalizada |T |.
La fase de la respuesta en frecuencia es mas difcil de aproximar de una
manera simple. Sabemos que para |T | 1 la fase es aproximadamente cero
y que para |T | 1, la fase es aproximadamente = 90 q signo(T ) [o ]. Una
aproximacion aceptable puede ser construida por tres rectas:
Una recta horizontal en 0 [o ] en el rango de frecuencia (; 0, 1/|T |), es
decir, hasta una decada antes de 1/|T |).
Una recta que une los puntos (0; 0, 1/|T |) y (10/|T |; ), es decir, desde
una decada antes hasta una decada despues de 1/|T |). Esta recta tiene
una pendiente de 0, 5 [o /dec] (para el caso con T > 0 y q = 1, esta
pendiente es 45 [o /dec]),
9.2. DIAGRAMAS DE BODE 223
10
0
Magnitud [dB]
10
20
30
40
50
2 1 0 1 2
10 10 10 10 10
|T|
Figura 9.1: Diagrama de Bode de magnitud para una funcion tipo [B2], con
q = 1
20
20
Fase []
40
60
80
100
2 1 0 1 2
10 10 10 10 10
T
Figura 9.2: Diagrama de Bode de fase para una funcion tipo [B2], con q = 1
[B3]
En este caso, F ( ) = ( )q , q {1; 1}. La magnitud, en decibeles, esta dada
por:
|F ( )|dB = 20q log10 || (9.13)
De esta forma, considerando que el eje de abscisas esta en escala logartmica, la
magnitud es una recta con pendiente 20q [dB/dec].
La fase, en tanto, es:
F ( ) = 90 q[o ] (9.14)
224 CAPITULO 9. REPRESENTACION DE SISTEMAS LINEALES
[B4]
En este caso, el factor canonico es de la forma:
" 2 # q
F ( ) = 1 + 2 + (9.15)
n n
40
20
Magnitud [dB]
20
40
1 0 1
10 10 10
/
n
Figura 9.3: Diagrama de Bode de magnitud para una funcion tipo [B4], con
q = 1 y dos valores de .
9.2. DIAGRAMAS DE BODE 225
As, en baja frecuencia, la magnitud (en [dB]) puede ser aproximada por una resonancia
asntota horizontal en 0 [dB]. En alta frecuencia, la aproximacion asintotica es
una recta de pendiente 40q [dB/dec] que pasa por el punto (n ; 0). Sin embargo,
la curva exacta puede ser muy distinta a la aproximacion asintotica, dependiendo
del valor del parametro . Esto puede se ilustra en la Figura 9.3, donde se
muestran las curvas exactas para = 0, 01 and = 0, 1. La flecha indica la
direccion en la que aumenta . Note que en el caso lmite, cuando = 0, el
diagrama tiende a [dB].
En general, el diagrama de magnitud exhibe, a la frecuencia r , un pico
de resonancia Mr , valor que puede calcularse usando los metodos clasicos del
Calculo. Para simplificar el desarrollo, usaremos la frecuencia normalizada =
/n y el hecho que para q = 1, |F ( )|dB alcanza el maximo a la misma
frecuencia r a la que g() = (1 2 )2 +4 2 2 alcanza el mnimo. As, derivando
y haciendo igual a cero se obtiene:
dg()
= 2(1 2 )(2) + 8 2 = 0 (9.20)
d
donde se observa que la resonancia ocurre exactamente en:
p p
r = 1 2 2 = r = n 1 2 2 (9.21)
n = F ( ) 0 [o ] (9.23)
n = F ( ) 180 q[o ] (9.24)
50
Fase [o]
100
150
200
1 0 1
10 10 10
/n
Figura 9.4: Diagrama de Bode de fase para una funcion tipo [B4], con q = 1
Maple
> assume(q,integer);
> assume(xi>0,omega>0,omega_n>0);
> interface(showassumed=0);
> H(omega):=(1+2*xi*I*omega/omega_n+(I*omega/omega_n)^2)^q;
> fase_H:=evalc(argument(H(omega)));
> d_fase_H:=factor(diff(subs(omega=10^phi,fase_H),phi));
> simplify(subs(phi=log10(omega_n),d_fase_H));
2 !q
2( )
H( ) = 1 + + (9.25)
n n
sen q arctan 2 n
2 2
f aseH ( ) = arctan n (9.26)
cos q arctan 2 n
2 2
n
d 2 q 10 ln(10)n n + (10 )2
2
f aseH = 2 2 (9.27)
d (n2 (10 )2 ) + (2(10 )n )
d q ln(10) 2, 3 q
f aseH = (9.28)
d =10n
9.2. DIAGRAMAS DE BODE 227
[B5] retardo
retardo!diagrama de Bode
En este caso, tenemos la funcion F ( ) = e , > 0, y por lo tanto: Bode!aproximacion asintotica
Bode!frecuencias de quiebre
|F ( )|dB = 1 (9.29)
F ( ) = (9.30)
Note que el retardo puro solo introduce un angulo de fase lineal en frecuen-
cia; sin embargo, dado que los diagramas de Bode usan una escala de frecuencia
logartmica, la fase no aparece como una recta, sino que como una curva expo-
nencial. Esto ultimo se debe a que la fase puede tambien escribirse como:
F ( ) = = 10log10 (9.31)
100
200
Fase [o]
300
400
500
600
1 0 1
10 10 10
Figura 9.5: Diagrama de Bode de fase para una funcion tipo [B5]
222
Con las aproximaciones para las clases [B1] a [B4], mas la representacion
exacta de la clase [B5], se puede construir una aproximacion global para una
funcion arbitraria H( ) usando (9.5)-(9.6). De esa forma, la aproximacion,
tanto para la magnitud (en [dB]) como para la fase (en [o ]) de H( ) se puede
calcular sumando las aproximaciones para cada uno de los factores canonicos.
A continuacion bosquejamos una forma sistematica de construir esas aprox-
imaciones. Esto requiere tener presente las aproximaciones asntoticas de los
factores [B1]-[B4], que resumimos en las Tablas 9.1 y 9.2.
Note que las asntotas son rectas que se encuentran en puntos o frecuencias
de quiebre.
Con estas asntotas se puede desarrollar un proceso constructivo, tanto para
magnitud como para fase. La contribucion de factores tipo [B1] y [B5] es agre-
gada al final en ambos diagramas. Lo mismo se aplica a la contribucion de un
factor tipo [B3] en el diagrama de fase. El procedimiento se desarrolla a traves
de los siguientes pasos:
228 CAPITULO 9. REPRESENTACION DE SISTEMAS LINEALES
K 0 [dB]
( )` 20` log10 [dB]
`
(1 + T ) 0 [dB] 20` log10 (|T |) [dB]
1
T R < |T |
> |T1 |
2 !`
1 + 2 + 0 [dB] 40` log10 [dB]
n n n
0<1 < n > n
Paso 3 Anote para cada factor, los puntos de quiebre de sus asntotas as como
la pendiente de ellas entre cada par de puntos de quiebre consecutivos.
Tome en inmediata consideracion los factores repetidos (tal como se ha
hecho en las Tablas 9.1 y 9.2).
como en fase
9.2. DIAGRAMAS DE BODE 229
K (1 signo(K))90 [o ]
`
( ) 90` [o ]
` o
(1 + T ) 0[ ] 45` log10 (10|T |) [o ] 90` [o ]
1 1 10 10
T >0 < |10T | |10T |
<< |T |
> |T |
8( 2)( + 1)
H( ) = (9.32)
( + 8)( 4)
Lo primero que debemos hacer es re-escribir H( ) como el producto de seis
factores (F1 ( ) a F6 ( )) canonicos del tipo [B1] a [B5]. As se obtiene
H( ) = 0, 5 (1 0, 5 ) (1 + ) ( )1 (1 + 0, 125 )1 (1 0, 25 )1
|{z} | {z } | {z } | {z } | {z }| {z }
F1 :[B1] F2 :[B2] F3 :[B2] F4 :[B3] F5 :[B2] F6 :[B2]
(9.33)
Diagrama de magnitud:
Supondremos luego que el rango de frecuencias de interes es [10 2 ; 102 ].
Los puntos de quiebre as como las pendientes entre dos puntos de quiebre
sucesivos se muestran en la Tabla 9.3. Observe que las pendientes se indican
como multiplos de 20 [dB/dec]. En la ultima fila del cuadro se indica el efecto
neto de la contribucion de los distintos factores entre dos puntos de quiebre
sucesivos. Con los resultados de esa lnea se pueden completar los Pasos 4 a 6 del
procedimiento bosquejado. Finalmente se incorpora el factor [B1], desplazando
verticalmente el diagrama en 20 log 10 (0, 5) 6 [dB].
230 CAPITULO 9. REPRESENTACION DE SISTEMAS LINEALES
Diagrama de fase:
A similitud del caso de la magnitud construimos un cuadro donde se especi-
fica la contribucion, en pendiente de la fase, de cada factor, entre dos puntos
sucesivos. Las pendientes son multiplos de 45 [o/dec]. El lector es invitado a re-
visar nuevamente la Tabla 9.2 para tener en mente las caractersticas asntoticas
de cada factor.
La ultima lnea de la Tabla 9.4 muestra el efecto acumulado de los factores F3
a F6 . Con esta informacion podemos ejecutar los Pasos 4 a 6 del procedimiento
bosquejado.
Para el Paso 8 apreciamos que el efecto del factor F1 sobre la fase es nulo,
ya que se trata de una ganancia positiva. En cambio, el factor F2 s afecta la
fase, desplazandola en 90 [o ].
El diagrama asintotico de fase resultante aparece en el grafico inferior de la
Figura 9.6 donde tambien se indica la curva exacta.
(; 0, 1] (0, 1; 0, 2] (0, 2; 0, 4] (0, 4; 0, 8] (0, 8; 10] (10; 20] (20; 40] (40; 80] (80; 100]
F3 0 1 1 1 1 0 0 0 0
F4 0 0 -1 -1 -1 -1 0 0 0
F5 0 0 0 1 1 1 1 0 0
F6 0 0 0 0 -1 -1 -1 -1 0
Ac. 0 1 0 1 0 -1 0 -1 0
222
La complejidad de los sistemas, as como la necesidad de precision hacen que
el procedimiento descrito tenga un valor limitado. Por ello, es tambien impor-
9.2. DIAGRAMAS DE BODE 231
8( )2 8 16
H( ) = (9.34)
( )3 + 4( )2 32
Entonces, los diagramas de Bode obtienen con el codigo Matlab :
Matlab
40
30
20
Magnitud [dB]
10
10
20
30
2 1 0 1 2
10 10 10 10 10
55
60
65
Fase [o]
70
75
80
85
90
2 1 0 1 2
10 10 10 10 10
Frecuencia [rad/s]
Maple
> H:=0.2/(exp(2*I*theta)-1.5*exp(I*theta)+0.7);
> abs(H);
> argument(evalc(H));
0,2
|H(ej )| = p (9.36)
( cos 2 + 1, 5 cos 0, 7)2 + ( sen 2 + 1, 5 sen )2
j sen 2 1, 5 sen
H(e ) = arctan (9.37)
cos 2 1, 5 cos + 0, 7
Se puede apreciar que las expresiones obtenidas no son simples de aproximar,
ya sea en baja o alta frecuencia, usando o no escala logaritmica en la frecuencia.
Sin embargo, en Matlab , resulta muy simple obtener el grafico de la magnitud
y el angulo de la funcion H(ej ), usando el comando bode. Note que este es el
mismo que se usa para tiempo continuo, por tanto se debe tener el cuidado
de definir la funcion de transferencia en tiempo discreto. Con los siguientes
comandos, Matlab entrega los graficos de la Figura 9.7, donde se aprecia una
lmite de la banda de frecuencia en = , producto de la periodicidad inherente
al analisis en frecuencia en tiempo discreto:
9.3. DIAGRAMAS POLARES 233
diagrama polar
polar!diagrama
Matlab
Bode Diagram
5
5
Magnitude (dB)
10
15
20
25
90
Phase (deg)
180
270
360
1 0
10 10
Frequency (rad/sec)
222
1
H( ) = (9.38)
( + 3)(( )2 + 0, 4 + 1)
Si se evalua H( ) en un rango de frecuencias 0 < < y dibujamos
el resultado en en plano cartesiano se obtiene el resultado que aparece en el
diagrama polar de la Figura 9.8. Esta figura se obtiene con el siguiente codigo
Matlab :
Matlab
>>H=tf(1,conv([1 3],[1 0.4 1]));
>>w=logspace(-2,1,1000);h=freqresp(H,w);
>>plot(real(h(1,:)), imag(h(1,:)))
Matlab
0.1
4 = =0
0
0.1
0.2
1
Parte imaginaria
0.3
0.4
0.5
2
0.6
0.7
0.8 3
0.9
0.5 0.4 0.3 0.2 0.1 0 0.1 0.2 0.3 0.4 0.5
Parte real
[P1] K
1
[P2]
T + 1
[P3] ( )q , q {1; 1}
" 2 #1
[P4] + 2 +1 0 < 1, n > 0.
n n
236 CAPITULO 9. REPRESENTACION DE SISTEMAS LINEALES
90
1
120 60
0.8
0.6
150 30
0.4
0.2
4 =0
180 0
210 2 330
3
240 300
270
[P5] e , > 0
1
[P6] ,T >0
(T + 1)
e
[P7]
T + 1
1
[P8]
( )2 o2
[P1]
En este caso el diagrama polar es un unico punto, R. Este punto corre-
sponde a (K, 0).
9.3. DIAGRAMAS POLARES 237
[P2]
Podemos determinar la descomposicion cartesiana (partes real e imaginaria) y
la descomposicion polar (magnitud y fase). As:
1 T
F ( ) = j 2 2 (9.39)
2 T 2 + 1 T +1
1
|F ( )| = (9.40)
T2 + 1
2
(
arctan(|T |) T > 0
F ( ) = (9.41)
arctan(|T |) T <0
Entonces, examinando la caracterstica de fase, se observa que el diagrama
polar recorre el cuarto cuadrante para T > 0 y el primer cuadrante si T < 0. Por
otro lado la magnitud es monotonicamente decreciente, desde 1 (para = 0)
hasta cero (para = ); sin embargo, en este caso particular se puede decir algo
mas, porque es facil demostrar, usando (9.39) que las partes real e imaginaria
de F ( ) cumplen con
(<{F ( )} 0, 5)2 + (={F ( )} = 0, 25 (9.42)
lo cual indica que el diagrama polar es una semi-circunferencia centrada en
(0, 5; 0) con radio 0, 5. Esta semi-circunferencia esta en el cuarto cuadrante para
T > 0 y en el primero para T < 0.
Note ademas que el valor absoluto de T no afecta el diagrama, pues solamente
equivale a re-escalar la frecuencia, la cual se encuentra implcita como parametro
que hace recorrer la curva.
Ademas, de (9.41) vemos que la fase tiende a 0, 5signo(T ). Es decir,
cuando tiende a infinito, el diagrama polar tiende al origen, apegandose al eje
imaginario por abajo (T > 0) o al al eje imaginario por arriba (T < 0).
Los diagramas polares correspondientes a T > 0 y a T < 0 se muestran en
la Figura (9.10).
Parte imaginaria
0.4
0.2
0.2
0.4
1 0
3
0.6 2 = =0
0.2
0 0.5 1 0 0.5 1
Parte real Parte real
[P3]
En este caso, F ( ) = ( )q . Esta funcion tiene parte real cero para q {1; 1}.
238 CAPITULO 9. REPRESENTACION DE SISTEMAS LINEALES
[P4]
En este caso conviene descomponer la funcion F ( ) en sus partes real e imag-
inaria en la forma
n2
F ( ) = =
( )2 + 2n + n2
( 2 n2 )n2 2 n3
j (9.43)
( 2 n2 )2 + 4 2 n2 2 ( 2 n2 )2 + 4 2 n2 2
= =0
0
0,25
2
Parte Imaginaria
0,15
4
0,1
6
=0,05
10
12
6 4 2 0 2 4 6
Parte Real
Figura 9.11: Diagrama polar de una funcion tipo [P4] para distintos valores de
de la respuesta en frecuencia para el sistema elemental [B4] (ver Figura 9.4 en retardo!diagrama polar
crculo unitario
la pagina 226). Observamos que la fase decae monotonicamente a medida que
crece. Un aspecto de interes es que, cuando , el diagrama polar se acerca
al origen asintoticamente siguiendo el eje real negativo.
La Figura 9.11 muestra los diagramas polares de F ( ) tipo [P4], para dis-
tintos valores de . Note que el valor de n no altera los diagramas, porque este
parametro solo produce escalamiento de la frecuencia (ojo, esta afirmacion es
solo valida si n > 0; el lector es invitado a investigar el caso n < 0).
[P5]
La respuesta en frecuencia del retardo puro, e , tiene magnitud unitaria,
R, y con fase igual a , en consecuencia el diagrama polar es una
circunferencia unitaria con centro en el origen.
[P6]
La funcion F ( ), en este caso, puede descomponerse en sus partes real e imag-
inaria, en la forma:
1 T + 1 T 1
F ( ) = = = j (9.44)
(T + 1) (1 + 2 T 2 ) (1 + 2 T 2 ) (1 + 2 T 2 )
La descomposicion en magnitud y fase esta dada por:
1
|F ( )| = (9.45)
2 T 2 + 1
F ( ) = 0, 5 arctan(T ) (9.46)
De la ecuacion (9.44) se observa que la parte real es siempre negativa, y que
la parte imaginaria tambien es siempre negativa. Por lo tanto, el diagrama polar
de F ( ) esta confinado al cuarto cuadrante. De la ecuacion (9.45) se ve que
la magnitud decrece montonicamente a medida que la frecuencia aumenta. Esto
es consistente con la ecuacion (9.44), ya que de all sabemos que tanto la parte
real como la parte imaginaria decaen monotonicamente a cero.
De la ecuacion (9.46) se ve tambien que para = 0 la fase es 0, 5; sin
embargo, esto no implica que a esa frecuencia la parte real sea cero. De hecho,
de la ecuacion (9.44) se ve que la parte real, para = 0, es igual a T . Para
= la fase tiende a ; esto implica que el diagrama polar tiende al origen
acercandose asintoticamente al eje real negativo.
En la Figura 9.12 se muestra el diagrama polar de una funcion tipo [P6] con
T = 1. Se observa que la parte real viene desde (1; ) cuando = 0.
[P7]
La funcion en este caso es el producto de una funcion tipo [P5] y una funcion
tipo [P6]. Por lo tanto la magnitud resultante es el producto de las magnitudes
de los factores y la fase es la suma de la fase de los factores, es decir:
1
|F ( )| = ; F ( ) = 0, 5 arctan(T ) (9.47)
2 T 2 + 1
240 CAPITULO 9. REPRESENTACION DE SISTEMAS LINEALES
espiral
0
=
0
10
12
1.5 1 0.5 0 0.5
La magnitud es la misma de una funcion tipo [P6], lo cual implica que decae
monotonamente a medida que la frecuencia crece. Por su parte, la fase exhibe
un crecimiento monotono, en la direccion negativa; esta caracterstica se debe
al termino . Dado que la magnitud decae monotonamente, el crecimiento
de la fase genera una espiral hacia el origen.
1 0.02
0 0.01
Parte imaginaria
Parte imaginaria
0
1
0.01
0
2
0.02
3 0.03
0
4 0.04
3 2 1 0 1 0.04 0.02 0 0.02 0.04
Parte real Parte real
a) b)
[P8]
En este caso, F ( ) = 1/(( )2 o2 ). Para esta funcion el diagrama polar
9.3. DIAGRAMAS POLARES 241
1
H( ) = (9.48)
(0, 5 + 1)(( )2 + 1)
1
H( ) = j (9.49)
(0, 25 2 2
+ 1)( + 1) (0, 25 + 1)( 2 + 1)
2
y en magnitud y fase:
1
|H( )| = p (9.50)
0, 25 2 + 1 | 2 1|
(
arctan(0, 5) < 1
H( ) = (9.51)
arctan(0, 5) > 1
El diagrama polar para este ejemplo aparece en la Figura 9.14. Note que se
ha dibujado con lnea delgada la asntota del diagrama polar para 1 y para
1+ .
1.5
+
1
1
0.5
Parte imaginaria
0
=0
=
0.5
1
1
1.5
2 1.5 1 0.5 0 0.5 1 1.5 2 2.5
Parte real
222
( + 5)2 ( + 0, 1)
H( ) = 0, 001 (9.52)
( + 0, 5)( + 0, 2)( + 0, 1)2
Para una funcion tan compleja como esta, podemos deducir algunas rasgos
del diagrama polar:
Matlab
4
x 10
1 2
0.8 0
Parte imaginaria
Parte imaginaria
0.6 2
0.4 4
0.2 6
0 8
0.2 10
0.4 12
2 1.5 1 0.5 0 0.5 0 1 2 3 4
Parte real Parte real 3
x 10
a) b)
>> w2=logspace(0.3,3,4000);h2=freqresp(H,w2);
>> subplot(222);plot(h2(1,:));
222
ej
= =0
po
ej zo
F (ej ) = = 1 zo ej ; 0 < zo < 1 (9.55)
ej
Las caractersticas del diagrama polar pueden ser construidas a partir de la
Figura 9.17.
ej
= =0
zo
|ej zo |
|F (ej )| = = |ej zo | (9.56)
|ej |
F (ej ) = (ej zo ) ej = (9.57)
bloques , que en el caso de Ejemplo 9.7 los siguientes comandos dan como resultado el
diagramas de bloques
sistema!interconexion grafico de la Figura 9.18.
interconexion
Matlab
0.8
0.7
0.6
Parte imaginaria
0.5
0.4
0.3
0.2
0.1
=0 =
0
1zo 1+zo
0.1
0.2
0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Parte real
V2 ( ) R2
H1 ( ) = = (9.58)
V1 ( ) C3 R1 R2 + R1 + R2
V4 ( ) C4 R5
H2 ( ) = = (9.59)
V3 ( ) C4 R5 + 1
R1 C4
V2 ( ) R2 (R5 C4 + 1)
=
V1 ( ) R1 R2 R5 C3 C4 2 + (R1 R2 C4 + R1 R5 C3 + R2 R5 C4 ) + R1 + R2
(9.60)
V4 ( ) V4 ( ) R5 C4
= = (9.61)
V2 ( ) V3 ( ) R 5 C4 + 1
R1 C4
+
H1 ( ) H2 ( ) H1 ( )H2 ( )
H1 ( )
+
H1 ( ) + H2 ( )
+
H2 ( )
+
H1 ( ) H2 ( ) H1 ( )H2 ( )
1 H1 ( )H2 ( )
+
H1 ( )
H1 ( )
1 H1 ( )H2 ( )
H2 ( )
H3 ( )
+ (H1 ( ) + H3 ( ))H2 ( )
H1 ( ) H2 ( ) 1 + H1 ( )H2 ( )
+ +
+
H1 ( ) H2 ( ) H3 ( ) H1 ( )H2 ( )H3 ( )
+
1 + H2 ( ) + H1 ( )H2 ( )H3 ( )
Problema 9.3. Dados los diagramas de Bode de la Figura 9.21, proponga una
funcion de transferencia H(s) que pueda ser representada aproximadamente por
ellos.
Problema 9.4. Con los diagramas de Bode de G(s) que aparecen en la Figura
9.22, determine en forma aproximada los diagramas de Bode para e2s G(s),
s+1 G(s)
s+1 G(s) y s .
20
20
40
60
80
100
50
0
Fase (grados)
50
100
150
200
2 1 0 1 2 3
10 10 10 10 10 10
Frecuencia (rad/seg.)
10
20
30
40
50
50
Fase (grados)
100
150
200
2 1 0 1
10 10 10 10
Frecuencia (rad/seg.)
10
15
20
25
20
Fase (grados)
40
60
80
100
1 0 1 2
10 10 10 10
Frecuencia (rad/seg.)
Captulo 10
Representacion en variables
de estado.
253
254 CAPITULO 10. REPRESENTACION EN VARIABLES DE ESTADO.
sistema!dinamico vez, sino que se construye en un proceso iterativo, que considera la calidad de
sistema!hbrido
muestreo los resultados obtenidos con el en las diferentes etapas, por ejemplo, para hacer
estado!del sistema control sobre un sistema o predecir su comportamiento.
estado!variables de En este captulo, nos interesa introducir una clase especial de modelos, util
variables!de estado
para describir sistemas dinamicos. Como ya hemos visto, estos sistemas se car-
estado!vector de
vector!de estado acterizan por la interaccion de sus variables en el tiempo, y se describen, en
estado!espacio de tiempo continuo, a traves de ecuaciones diferenciales (EDS en Cap. 3), y en
estado!trayectoria tiempo discreto, a traves de ecuaciones recursivas (ERS en Cap. 4).
Ademas de estos dos tipos de sistemas dinamicos, en el dominio del tiempo
continuo y en el del tiempo discreto, se introducen sistemas hbridos en los que se
establece una relacion entre tiempo continuo y discreto a traves del muestreo.
En este captulo hemos enfatizado los conceptos, propiedades fundamentales,
interpretaciones fsicas y ejemplos, sin embargo, para un estudio en mayor pro-
fundidad de los topicos aqu presentados el lector puede consultar, por ejemplo,
las referencias [5], [8], [15], [18], [19], [20], [21].
por la definicion dada, se pueden obtener a partir del estado del sistema.
Esto sugiere ademas que podemos pensar el estado de un sistema de forma
mas general, ya que las variables de estado pueden ser cualquier funcion de
variables del sistema. Esta observacion resulta muy importante pues establece
que el estado del sistema no necesariamente esta formado por variables reales
del sistema, permitiendo de esta forma un analisis mas general. Es mas, esta
misma observacion hace evidente que la eleccion de las variables de estado no
es unica.
roce viscoso
Con esta eleccion, se pueden aplicar las leyes de Newton para obtener:
dv(t)
f (t) = M + Kd(t) + Dv(t) = M x2 (t) + Kx1 (t) + Dx2 (t) (10.7)
dt
donde D es el coeficiente de roce viscoso, o constante de proporcionalidad.
De esta forma podemos escribir las ecuaciones de estado del sistema:
Para esto se utilizan modelos de estado sin excitaciones o senales de entrada. se~
nal!de tiempo continuo
se~
nal!de tiempo discreto
Por tanto, la senal que se obtiene como salida del sistema solo depende de la sistema!tiempo continuo
condicion inicial del vector de estado.
Este tipo de sistemas sin senal de entrada se denominan homogeneos o
autonomos:
dx(t)
= Ax(t) (10.12)
dt
y(t) = Cx(t) (10.13)
Esta esta formada por una sinusoide mas una constante, y puede interpre-
tarse como la solucion de la ecuacion diferencial homogenea:
d 3 f (t) d f (t)
+ 25 = 0; sujeta a f (0) = 6; f(0) = 5 and f(0) = 100
dt 3 dt
(10.17)
Si ahora escogemos como variables de estado x1 (t) = f (t), x2 (t) = f(t) y
x3 (t) = f(t), entonces el modelo el espacio de estado de esta senal es:
0 1 0
dx(t)
= 0 0 1 x(t) y(t) = [1 0 0] x(t) (10.18)
dt
0 25 0
222
10.3.1. Linealizacion
Si consideramos el modelo de un sistema invariante en el tiempo, las ecua-
ciones (10.1)-(10.2) se reducen a:
dx
= F(x(t), u(t)) (10.19)
dt
y(t) = G(x(t), u(t)) (10.20)
0 = F(xQ , uQ ) (10.21)
yQ = G(xQ , uQ ) (10.22)
dx(t)
= Ax(t) + Bu(t) (10.25)
dt
y(t) = Cx(t) + Du(t) (10.26)
i(t)
R +
L e(t)
mg
K1
f (t) = i(t) (10.29)
h(t) + K2
di(t)
e(t) = Ri(t) + L (10.30)
dt
dh(t)
v(t) = (10.31)
dt
K1 dv(t)
f (t) = i(t) = mg + m (10.32)
h(t) + K2 dt
260 CAPITULO 10. REPRESENTACION EN VARIABLES DE ESTADO.
222
10.3. MODELOS DE ESTADO PARA SISTEMAS CONTINUOS 261
De aqui en adelante omitiremos el prefijo , pero el lector debe tener en matriz!de transicion
exponencial!de una matriz
mente que los modelos obtenidos mediante linealizacion relacionan el estado
incremental, las entradas incrementales y las salidas incrementales, en
torno al punto de equilibrio.
! n !
At
X 1 k k X
x(t) = e xo = I+ A t ` v`
k!
k=1 `=1
n
X
X 1 n
X
= ` v` + Ak v ` t k = ` e ` t v` (10.53)
k! | {z }
`=1 k=1 `=1
k
` v`
det(I A) = 0 (10.54)
la velocidad de respuesta.
1 Todo conjunto de n vectores l.i. en Rn forman una base para Rn
10.3. MODELOS DE ESTADO PARA SISTEMAS CONTINUOS 263
plano de fase Para ilustrar estas tres situaciones podemos utiliar Matlab , que permite
definir facilmente definir sistemas en variables de estado a traves del coman-
do ss. La respuesta a una condicion inicial se obtiene a traves del comando
initial. Para estas simulaciones consideramos tres diferentes valores para la
constante de roce viscoso D, mientras que los otros parametros son:
hmi
N
M = 2 [kg]; K = 0, 1 d(0) = 0, 3 [m]; and v(0) = 0, 05
m s
(10.58)
Usando codigo Matlab como el siguiente se obtienen los graficos de la Figu-
ra 10.3.
Matlab
0.4
D=0
0.2 D=0.2
D=2
Amplitud
0.2
0.4
0 10 20 30 40 50 60 70
Tiempo (seg.)
Matlab
>> [y,t,x]=initial(S,x_o);
>> plot(x(:,1),x(:,2))
10.3. MODELOS DE ESTADO PARA SISTEMAS CONTINUOS 265
0.06
0.04
0.02
velocidad v(t)
0.02
0.04
0.06
D=0
D=0.2
0.08 D=2
0.1
0.5 0.4 0.3 0.2 0.1 0 0.1 0.2 0.3 0.4 0.5
distancia d(t)
Note que, excepto en el caso en que no existe roce (D = 0), la masa llegara a
detenerse asintoticamente, es decir, llega al origen del espacio de estado.
222
Esta parte del estado tambien incluye modos naturales, pero ademas contiene
los modos forzados o soluciones particulares, los cuales como hemos visto en
captulos precedentes, no dependen del sistema, sino que exclusivamente de la
senal de entrada u(t). En general, los modos forzantes presentes en la entrada
apareceran tambien en el estado. Sin embargo, es importante mencionar que un
caso especial sucede cuando los modos forzantes en la entrada coinciden con
alguno de los modos naturales del sistema.
equilibrio inestable Por definicion, todas las variables de un sistema pueden expresarse como
punto de equilibrio
modo natural!dominante funciones lineales de su estado y su entrada. Cuando la entrada al sistema u(t)
resonancia es un vector de funciones temporales acotadas, entonces las variables del sistema
seran acotadas si su estado lo es.
Tenemos entonces el siguiente resultado:
Teorema 10.1. Considere el sistema con la descripcion en variables de estado
(10.44)-(10.45) donde los elementos de A, B, C y D estan acotados. Entonces el
estado del sistema, y por tanto su salida, es acotado para toda entrada acotada
si, y solo si, los autovalores de la matriz A tienen parte real estrictamente
negativa.
222
Para apreciar la aplicacion de este teorema en la practica, retomemos el
sistema del levitador magnetico del Ejemplo 10.3. Para dicho sistema la matriz
A (en el modelo linealizado) esta dada por la expresion:
R
0 0
L
A= 0 0 1
(10.60)
Rg Rmg 2
0
EQ K 1 EQ
y sus autovalores o valores propios son las races de la ecuacion
s ! s !
R Rmg 2 Rmg 2
det(I A) = + + (10.61)
L K 1 EQ K 1 EQ
En sistemas mecanicos, la energa cinetica de una masa en movimiento y la en- transformacion del estado
estado!transformacion
erga potencial debida a diferencia de nivel o a la compresion de un resorte. Los similaridad
principales problemas con este tipo sistemas ocurren cuando la senal de entrada
contiene energa en la banda de frecuencias cercana a la frecuencia con que el
sistema oscila en forma natural. En la practica, este problema puede traducirse
en oscilaciones de magnitud que el sistema simplemente no esta preparado para
soportar. Para ilustrar esta situacion examinaremos un ejemplo que ilustra el
fenomeno:
Con lo cual los autovalores del sistema son las soluciones de:
det(I A) = 2 + D
M + K
M = 2 + 31 + 1 = 0 (10.63)
q
1,2 = 16 1
2
35
9 61 j (10.64)
Por tanto, los modos naturales son de la forma e0,1667t cos(t+). Cualquier
excitacion que posea energa a frecuencias cercanas a = 1[rad/s] hara que el
sistema entre en resonancia, haciendo que en la salida del sistema aparezcan
oscilaciones de magnitud significativa.
Se desarrolla una simulacion del comportamiento del sistema bajo dos ex-
citaciones distintas: en el primer caso, la entrada es una sinusoide de frecuencia
= 1 [rad/s], y en el segundo caso, la excitacion una senal cuadrada de frecuen-
cia fundamental o = 0, 333 [rad/s]. En ambos casos las condiciones iniciales
del sistema son cero. Los resultados se muestran en la Figura 10.5.
Podemos apreciar que, en el primer caso, se genera un fenomeno de reso-
nancia debido a que la frecuencia de la sinusoide es aproximadamente igual a
la frecuencia de oscilacion de los modos naturales del sistema. En el segundo
caso, tambien aparece un fenomeno de resonancia; sin embargo, ahora se debe
a la tercera armonica de la excitacion , ya que la frequencia angular de ella
es 3o = 0, 999[rad/s], es decir, coincide casi exactamente con la frecuencia
natural de oscilacion del sistema.
222
matriz!de transformacion 3
y(t)
2 u(t)
3
0 5 10 15 20 25 30 35 40
tiempo
3
y(t)
2 u(t)
3
0 5 10 15 20 25 30 35 40
tiempo
Lema 10.2. Dado un sistema cuyo vector de estado es x(t) y sus matrices son
{A, B, C, D}, entonces, dada la matriz de transformacion T Rnn no
singular, tenemos un nuevo vector de estado:
Demostracion
Dada la transformacion (10.65), en que T es no singular y, por tanto, in-
vertible, tenemos que:
x(t) = T1 x(t) (10.67)
Si reemplazamos entonces el vector de estado x(t) en las ecuaciones de estado
del sistema (10.44)-(10.45), obtenemos:
i (t) i2 (t)
R1
+
vf (t)
C L R2 vC (t)
iL (t)
funcion de transferencia
polos
autovalores Una eleccion alternativa del vector de estado puede ser x(t) = [x 1 (t) x2 (t)]T =
[i(t) i2 (t)]T . Donde puede probarse sin problema que
1 R2 1
x(t) = x(t) (10.77)
R2 0 1
| {z }
T
222
Por otro lado, para obtener los polos de la transferencia H(s) podemos ree- cancelacion
scribir la inversa de (sI A) usando las propiedades en el Apendice F. De esta
forma:
Lo que pone de manifiesto que todos los polos de H(s) son autovalores de la
matriz A.
222
Para interpretar este hecho en la practica, volvamos una vez mas al levita-
dor magnetico del Ejemplo 10.3 en la pagina 259. Si consideramos la corriente
i(t) como salida, vemos de inmediato que la funcion de transferencia desde la
entrada e(t) a esta salida tiene solo un polo, a pesar que el vector de estado
tiene dimension tres. La explicacion de esto es que, en nuestro modelo fsico
simplificado, la corriente i(t) no es afectada por la posicion ni por la velocidad
vertical de la esfera. Note que la situacion seria diferente si consideraramos en
el modelo el efecto del cambio de posicion de la esfera en la inductancia del
electroiman.
dv`1 (t)
v` (t) = ` {2, . . . , n} (10.90)
dt
Xn
Y (s) = b`1 V` (s) (10.91)
`=1
n
Ao (s) sn X s`1
U (s) = U (s) = U (s) + a`1 U (s) (10.92)
Ao (s) Ao (s) Ao (s)
| {z } `=1 | {z }
sVn (s) V` (s)
4s 10 4s 10
H(s) = = 3 (10.95)
(s + 2)2 (s 1) s + 3s2 4
10.4. MODELOS DE ESTADO PARA SISTEMAS DISCRETOS Y MUESTREADOS273
xQ = Fd (xQ , uQ ) (10.100)
yQ = Gd (xQ , uQ ) (10.101)
retentor de orden cero 4 . Es importante considerar que existen otras formas ZOH|seeretentor
muestreo!perodo de
de generar una senal de actuacion continua a partir de la secuencia discreta perodo!de muestreo
(vease, por ejemplo, [3]).
Ademas de la senal de actuacion, es necesario medir las variables que nos
interesan de un sistema en los instantes de tiempo especficos que se requiera.
Es decir, debemos muestrear las senales de salida.
En la Figura 10.7 se describe la discretizacion de un sistema continuo. Si
suponemos un muestreo periodico, con periodo , nos interesa el valor de las
variables solo en los instantes k, en que k N. En las secciones posteriores
omitiremos el perodo de muestreo del argumento de las senales, usando
u(k) = u[t] para la entrada, y(k) = y[t] para la salida, y x(k) = x[t] para
el estado del sistema, donde ahora t representa los instantes de tiempo discreto.
exponencial!de una matriz Por lo tanto, dado un sistema de tiempo continuo con un modelo en variables
de estado con matrices {A, B, C, D}, si muestreamos sus entradas y salidas cada
segundos, entonces, el sistema muestreado equivalente queda descrito por el
modelo de estado en tiempo discreto:
donde f (t) es la fuerza externa, y donde podemos escoger como salida del sistema
ya sea la posicion de la masa, x1 (t), o su velocidad, x2 (t).
Para simplificar las expresiones, supongamos algunos valores para los paramet-
ros del sistema. Se fija la masa M = 1 [kg], la constante de roce viscoso D = 1, 2
[Ns/m] y la constante del resorte K = 0, 32 [N/m].
10.4. MODELOS DE ESTADO PARA SISTEMAS DISCRETOS Y MUESTREADOS277
La matriz Ad se obtiene usando (10.113), aplicando transformada de Laplace matriz!de transicion! discreta
inversa:
" #1
s 1
Ad = L1
0, 32 s + 1,2
t=
" #
0,4
2e e0,8 2,5(e0,4 e0,8 )
= 0,4
(10.115)
0, 8(e e0,8 ) e0,4 + 2e0,8
Z
2e0,4 e0,8 2,5(e0,4 e0,8 ) 0
Bd = d
0 0, 8(e0,4 e0,8 ) e0,4 + 2e0,8 1
0,4 0,8
6,25e + 3,125e + 3,125
= (10.116)
2,5(e0,4 e0,8 )
(tto )1
X
x[t] = Ad (tto ) xo + Ad (tto )i1 Bd u[i + to ] t to (10.119)
i=0
(tto )1
X
(tto )
y[t] = Cd Ad xo + C d Ad (tto )i1 Bd u[to + i] + Dd u[t]
i=0
(10.123)
x[t] = Ad t xo (10.126)
10.4. MODELOS DE ESTADO PARA SISTEMAS DISCRETOS Y MUESTREADOS279
det(I Ad ) = 0 (10.129)
Estabilidad
La estabilidad de un sistema lineal, de tiempo discreto e invariante en el
tiempo tambien puede ser analizada a traves de la matriz Ad . Ya hemos es-
tablecido que todas las variables del sistema se pueden expresar como funciones
lineales del estado y la entrada. Cuando la entrada u[t] es un vector acotado en
el tiempo, entonces las variables del sistema permaneceran acotadas si y solo si
el estado esta acotado. Tenemos entonces el siguiente resultado:
Teorema 10.2. Dado un sistema descrito en variables de estado por las ecua-
ciones (10.117)-(10.118), donde Ad , Bd , Cd y Dd tienen elementos acotados.
Entonces, el estado del sistema estara acotado para toda entrada acotada si y
solo si los autovalores de la matriz Ad se encuentran en el interior del disco
unitario, i.e. |` | < 1 ; `.
222
A pesar que los modos naturales de un sistema estable decaen a cero, ellos
determinan la respuesta transiente del sistema. Para apreciar esto, generalmente
se utiliza la respuesta!a escalon del sistema, con condiciones iniciales cero.
perodo!de muestreo
muestreo!perodo de 1
0.8
0.6
y[k]
= 0.2
0.4 = 0.6
= 0.8
0.2
0
0 1 2 3 4 5 6 7 8 9 10
tiempo discreto k
5
y[k]
u[k]
5
0 5 10 15 20 25 30 35 40
tiempo discreto k
3
y[k]
2 u[k]
3
0 5 10 15 20 25 30 35 40
tiempo discreto k
Demostracion
La matriz del sistema de tiempo continuo A puede ser diagonalizada uti-
lizando sus autovalores:
A = T1 diag{1 , . . . , n }T (10.145)
x1[k]
0.5
0
0 2 4 6 8 10 12 14 16 18 20
Tiempo de muestreo =1
1
x1[k]
0.5
0
0 2 4 6 8 10 12 14 16 18 20
Tiempo de muestreo =2
1
x1[k]
0.5
0
0 2 4 6 8 10 12 14 16 18 20
tiempo discreto k
Ejemplo 10.13. Para ilustrat una mala eleccion de , supongamos una senal
f (t) = A sen(o t) que es muestreada cada segundos, con = 2`/, ` N.
Entonces, la senal discreta resultante es f [t] = 0, t Z, es decir, una constante
!
222
Calefactor y(t)
u(t)
Sensor
flujo
entregue al fludo la fuente de calor. Esta es controlado por una senal de control
u(t). Los cambios en u(t) producen cambios en la temperatura y(t), pero con un
retardo de tiempo no despreciable. El sistema linealizado se representa mediante
la funcion de transferencia:
Y (s) e s K
= H(s) = (10.147)
U (s) s+
Donde U (s) e Y (s) son las transformadas de Laplace de u(t) e y(t) respec-
tivamente.
Supongamos luego que las senales de entrada y salida son muestreadas cada
[s]. El retardo , tambien en segundos, es funcion de la velocidad del flujo y
podemos suponer, por simplicidad, que es un multiplo del intervalo de muestreo
, es decir, = m, m Z+ . Este retardo se convierte en un factor z m en el
denominador de la funcion de transferencia en el dominio de la transformada
Zeta. Es decir, el retardo se convierte en un conjunto de m polos en el origen.
Ademas, en base a la ecuacion (10.144), el autovalor del sistema continuo en
s = se transforman en un autovalor del sistema discreto en z = e . La
funcion de transferencia resultante es:
Y [z] K 1 e
= H[z] = (10.148)
U [z] z m (z e )
que puede expresarse mediante el modelo de estado discreto:
x1 [t + 1] = x2 [t] (10.149)
x2 [t + 1] = x3 [t] (10.150)
.. ..
. .
xm [t + 1] = xm+1 [t] (10.151)
K
xm+1 [t + 1] = e xm+1 [t] + (1 e )u[t] (10.152)
y[t] = x1 [t] (10.153)
Aun mas, podemos interpretar las variables de estado xm+1 [t], . . . , x1 [t] co-
mo la temperatura en puntos equiespaciados entre el calefactor y el sensor de
temperatura (suponiendo un caudal de velocidad constante).
222
286 CAPITULO 10. REPRESENTACION EN VARIABLES DE ESTADO.
transformacion del estado Cuando el retardo no es multiplo exacto del perodo de muestreo , en la
estado!transformacion
similaridad funcion de transferencia aparecen un polo y un cero adicionales (consulte, por
funcion de transferencia ejemplo, [6]).
matriz!adjunta
Yi [z]
Y[z] = H[z]U[z]; where [H[z]]ij = (10.154)
Uj [z]
que se reduce a:
Cd (zI Ad )1 Bd + Dd = H[z] (10.157)
En adelante, nos concentraremos en los sistemas escalares o SISO, i.e. m =
p = 1, Bd , Cd T son vectores columna, y Dd = H[]. Podemos apreciar que en
este caso H[z] es un cuociente de polinomios en la variable z, i.e.
Cd Adj(zI Ad ) Bd + Dd det(zI Ad )
H[z] = (10.158)
det(zI Ad )
Analogamente al caso de tiempo continuo, podemos observar que los polos cancelacion
realizacion mnima
de la funcion de transferencia pertenecen al conjunto de autovalores de la ma- sistema!interconexion
triz Ad . Sin embargo, como se aprecia en el Ejemplo 10.7 en la pagina 271,
para el caso continuo, puede suceder que algunos de los autovalores de A d no
aparezcan como polos de la funcion de transferencia. Esto implica la existencia
de cancelaciones entre polos y ceros de la funcion de transferencia (ver Secciones
10.6.1 y 10.6.2, mas adelante).
2z 2 z + 1 1,8z + 0, 04
H[z] = = 2 +2 (10.160)
(z 0, 8)(z 0, 6) z 1,4z + 0, 48
Una realizacion mnima para este sistema esta dada por las matrices:
0 1 0
Ad = ; Bd = (10.161)
0, 48 1,4 1
Cd = 0, 04 1,8 ; Dd = 2 (10.162)
222
conexion!serie(cascada) estos casos nos interesa obtener un modelo en variables de estado del sistema
serie!conexion
cascada|seeconexion completo resultante.
conexion!paralelo Para el analisis que sigue consideramos dos sistemas, definidos mediante su
paralelo!conexion modelo en variables de estado:
dx1 (t)
= A1 x1 (t) + B1 u1 (t)
Sistema 1: dt (10.163)
y1 (t) = C1 x1 (t) + D1 u1 (t)
dx2 (t)
= A2 x2 (t) + B2 u2 (t)
Sistema 2: dt (10.164)
y (t) = C x (t) + D u (t)
2 2 2 2 2
Conexion en serie
La interconexion de sistemas que se muestra en la Figura 10.12 se denomina
conexion en serie o en cascada. Para obtener el modelo de estado deseado,
observamos que y2 (t) = u1 (t). Ademas, el sistema completo tiene como entrada
u(t) = u2 (t), y como salida y(t) = y1 (t). Con esto se obtiene:
x1 (t) A1 B1 C2 x1 (t) B1 D 2
= + u(t) (10.165)
x2 (t) 0 A2 x2 (t) B2
x1 (t)
y(t) = C1 D1 C2 + D1 D2 u(t) (10.166)
x2 (t)
Conexion en paralelo
La interconexion de sistemas que se muestra en la Figura 10.13 se denomina
conexion en paralelo. Para obtener el modelo de estado deseado, observamos
que la entrada es u(t) = u1 (t) = u2 (t) y que la salida para el sistema se expresa
como y(t) = y1 (t) + y2 (t). De esta forma, se obtiene:
x1 (t) A1 0 x1 (t) B1
= + u(t) (10.167)
x2 (t) 0 A2 x2 (t) B2
x1 (t)
y(t) = C1 C2 + D1 + D2 u(t) (10.168)
x2 (t)
10.5. MODELOS DE ESTADO PARA SISTEMAS INTERCONECTADOS289
conexion!realimentacion
u1(t) y1(t) realimentacion
x1(t) feedback!seerealimentacion
lazo de control
u(t) + y(t) planta
controlador
+
x2(t)
u2(t) y2(t)
Conexion en realimentacion
La interconexion de sistemas que se muestra en la Figura 10.14 se denomina
conexion en realimentacion o feedback (con realimentacion negativa unitaria), y
aparece normalmente asociada a la estructura basica del lazo de control reali-
mentado, donde S1 es la planta y S2 es el controlador. Para obtener el modelo en
variables de estado del sistema en su conjunto, podemos apreciar que la entrada
al sistema completo satisface la ecuacion u(t) = u2 (t) + y1 (t), y que la salida
del sistema es y(t) = y1 (t). Si suponemos ademas que el sistema S1 (la planta)
es estrictamente propia, es decir, D1 = 0, se obtiene:
x1 (t) A1 B1 D2 C1 B1 C2 x1 (t) B1 D 2
= + u(t) (10.169)
x2 (t) B2 C1 A2 x2 (t) B2
x1 (t)
y(t) = C1 0 (10.170)
x2 (t)
sistema!propiedades
control
10.6. Propiedades de los sistemas
controlabilidad
sistema!controlable 10.6.1. Controlabilidad, Alcanzabilidad y Estabilizabilidad
estado!controlable
alcanzabilidad Una cuestion de interes, en especial pensando en el control de sistemas, es
sistema!alcanzable bajo que condiciones es posible llevar el vector de estado a un punto especfico
estado!alcanzable
del espacio de estado, a traves de las senales de entrada al sistema. Debemos
recordar que el estado de un sistema a menudo esta formado por variables
internas de este, tales como temperatura, presion, el nivel de algun estanque
u otras, que en pueden ser crticas e interesa mantenerlas controladas entre
algunos valores especficos. En esta seccion se revisan conceptos relacionados
con este objetivo.
Controlabilidad
Dado un estado inicial [x1 (0), x2 (0)]T , la entrada u(t) puede ser elegida para
llevar x1 (t) a cero, mientras que x2 (t) no sufre ningun cambio. Diremos que
este sistema no es completamente controlable.
222
Alcanzabilidad
Un concepto relacionado con la controlabilidad es la alcanzabilidad, usado
en general para sistemas de tiempo discreto. Formalmente se define como:
Test de controlabilidad
Dado que no siempre es posible, a priori, determinar si un sistema es o no
controlable, se presenta a continuacion una manera sistematica para determinar
la completa controlabilidad de un sistema. Los conceptos involucrados sobre
matrices pueden ser consultados en el Apendice F.
Teorema 10.3. Considere el modelo de estado lineal e invariante en el tiempo,
donde A Rnn :
x(t) = Ax(t) + Bu(t) (10.173)
y(t) = Cx(t) + Du(t) (10.174)
(i) El conjunto de todos los estados controlables es el espacio rango de la
matriz de controlabilidad c [A, B] donde:
4
c [A, B] = B AB A2 B ... An1 B (10.175)
c [ A, B ] = T1 c [A, B] (10.179)
Perdida de controlabilidad
La falta de controlabilidad en un sistema en ocasiones puede originarse en la
estructura misma del sistema, sin embargo, en otras ocasiones depende del valor
numerico de ciertos parametros. Esto se ilustra a traves del siguiente ejemplo.
Ejemplo 10.19. Considere el circuito en la Figura 10.15 en la pagina siguiente.
En primer lugar, nos interesa obtener un modelo de el en variables de estado.
Eligiendo como variables de estado x1 (t) = iR1 (t) y x2 (t) = vC3 (t), y usando
leyes basicas de redes electricas para la parte izquierda del circuito, tenemos que:
d vi v + v+
iC1 = C1 (vi v+ ); iR1 = ; iR2 = ; iC1 = iR2 iR1 (10.180)
dt R1 R2
Lo que permite obtener:
iR1(t) R1 Op.Amp.
v+ (t)
+ v (t) R3
vi (t) C1 R2 C3
vC3(t) vo (t)
dvC3 (t) 1 1
= vC3 (t) + v (t) (10.183)
dt R3 C3 R3 C3
vo (t) = vC3 (t) (10.184)
y su determinante es igual a:
R2
det (c [A, B]) = (R1 C1 + R3 C3 ) (10.188)
(R1 R2 R3 C1 C2 )2
R1 C1 6= R3 C3 (10.189)
294 CAPITULO 10. REPRESENTACION EN VARIABLES DE ESTADO.
cancelacion Esta condicion tiene una interpretacion muy importante desde el punto de
gramiano!controlabilidad
controlabilidad!gramiano vista de la funcion de transferencia del sistema. Si se aplica transformada de
Laplace a las ecuaciones (10.181)(10.184), la funcion de transferencia desde
Vi (s) a Vo (s), recordando que V+ (s) = V (s), esta dada por:
1 1
s+
Vo (s) Vo (s) V+ (s) R 3 C3 R1 C1
= = (10.190)
Vi (s) V (s) Vi (s) 1 R1 + R 2
s+ s+
R3 C3 R 1 R2 C1
Gramiano de controlabilidad
El test de controlabilidad da una respuesta afirmativa o negativa sobre la
(completa) controlabilidad de un sistema dado. Sin embargo, el saber que un
sistema es completamente controlable no dice nada respecto a que grado de
controlabilidad el sistema posee, es decir, que tan difcil es controlar un estado
del sistema.
Para sistemas estables es posible cuantificar el esfuerzo de control a traves
de la energa involucrada en la senal de entrada u(t) aplicada desde t =
para alcanzar el estado x(0) = x0 en t = 0:
Z 0 Z 0
2
J(u) = ku(t)k dt = u(t)T u(t)dt (10.191)
donde
Z
T
P= eAt BBT eA t dt (10.193)
0
Ad P d Ad T P d + B d B d T = 0 (10.199)
Matlab
0,2778 0,2586 1,4616 1,5660
P= P1 = 103 (10.205)
0,2586 0,2414 1,5660 1,6820
Los autovalores de P son 1 = 0,0003 y 2 = 0,5188 con sus correspondientes
autovectores v1 = [0,6818 0,7315]T y v2 = [0,7315 0,6818]T .
As podemos calcular, usando la ecuacion (10.192), la mnima energa de
control necesaria para llevar el estado x(t), from 0 in t = , to x0 in t = 0.
Suponemos que x0 is colineal con los autovectores:
Lema 10.6. Considere un sistema para el cual rango{c [A, B]} = t < n,
entonces existe una transformacion de similaridad x = T1 x, en que las nuevas
matrices de estado tienen la forma:
Ac A12
A = T1 AT = (10.209)
0 Anc
Bc
B = T1 B = (10.210)
0
Este resultado establece cuales estados pueden y cuales no pueden ser lleva-
dos a cero. Para apreciar mejor este hecho, expresemos el estado y la salida de
la forma:
xc Ac A12 xc Bc
= + u (10.211)
xnc 0 Anc xnc 0
xc
y = Cc Cnc + Du (10.212)
xnc
donde:
n + n1 n1 + + 1 + 0 = det(I A) (10.215)
es el polinomio caracterstico de A.
222
donde:
n + n1 n1 + + 1 + 0 = det(I A) (10.217)
es el polinomio caracterstico de A.
222
10.6. PROPIEDADES DE LOS SISTEMAS 299
Observabilidad
Podemos apreciar que y(t) queda determinada por x1 (t), mientras que la otra
variable de estado x2 (t) no tiene influencia alguna sobre la salida. Por tanto el
sistema no es completamente observable, es decir, existe una parte del estado
de la cual nunca se obtendra informacion alguna.
222
Se puede formalizar la definicion de observabilidad de la siguiente forma:
Definicion 10.3. El estado xo 6= 0 se dice no observable si dado x(0) = xo ,
y u(t) = 0 para t 0, entonces y(t) = 0 para t 0, es decir, la condicion
inicial xo no tiene efecto alguno sobre la salida del sistema.
El sistema se dice completamente observable si no existe estado inicial,
diferente de cero, que sea no observable.
Reconstructibilidad
Otro concepto estrechamente relacionado al de observabilidad, es el que se
denomina reconstructibilidad. Este, para sistemas de tiempo discreto, se re-
fiere a que se puede decir de x(K), habiendo observado valores pasados de la
salida y[t], durante 0 t K.
Para sistemas de tiempo continuo, lineales e invariantes, no es necesario hacer
distincion entre observabilidad y reconstructibilidad. Sin embargo, el siguiente
ejemplo ilustra que para sistemas de tiempo discreto, estos conceptos son difer-
entes.
Ejemplo 10.22. Considere el modelo en espacio de estado:
Test de observabilidad
Para contar con un criterio que permita determinar si un sistema es o no
observable, se presenta a continuacion el siguiente teorema.
Teorema 10.4. Considere el sistema en variables de estado, continuo, lineal e
invariante en el tiempo:
donde A Rnn .
222
Este test de observabilidad puede aplicarse indistintamente a sistemas de
tiempo discreto y continuo.
Ejemplo 10.23. Considere el siguiente modelo en espacio de estado:
3 2 1
A= ; B= ; C = 1 1 (10.224)
1 0 0
1 0
A= ; C= 1 0 (10.226)
1 1
Perdida de observabilidad
La observabilidad de un sistema queda determinada basicamente por car-
actersticas propias de su estructura. Sin embargo, tambien es posible que la
observabilidad de un modelo se vea afectada por valores numericos particulares
en algunos de sus parametros, de manera analoga a lo que sucede con la con-
trolabilidad, tal como se analizo en la Seccion 10.6.1. Es esperable que los
parametros afecten la completa observabilidad de un modelo de una manera
similar. Para esto se propone el siguiente ejemplo, que es el dual del Ejemp-
lo 10.19 en la pagina 292.
Ejemplo 10.25. Consideremos el circuito de la Figura 10.16 en la pagina
siguiente. Este corresponde al mismo de la Figura 10.15, pero en que se han
intercambiado las redes electricas a la derecha e izquierda del amplificador op-
eracional. Por tanto, podemos utilizar ecuaciones similares a las antes obtenidas
para describir el sistema en variables de estado. En particular, se escoge x 1 (t) =
vC3 (t) y x2 (t) = iR1 (t).
Para la parte izquierda del circuito, tenemos:
dvC3 (t) 1 1
= vC3 (t) + vi (t) (10.228)
dt R3 C3 R3 C3
v+ (t) = vC3 (t) (10.229)
Op.Amp.
iR1(t) R1
R3 v+ (t)
+ v (t)
vi (t) vC3(t) C3
C1 R2 vo (t)
Gramiano de observabilidad
El test de observabilidad planteado en el Teorema 10.4 en la pagina 300
permite determinar si un sistema es o no es completamente observable. sin
embargo, en ocasiones puede ser de interes determinar el grado de observabilidad
de un sistema dado. Para el caso de sistemas estables, podemos cuantificar la
energa en la senal de salida y(t), en ausencia de senal de entrada (u(t) = 0), y
cuando el estado inicial es x(0) = x0 , mediante:
Z Z
2
E(x0 ) = ky(t)k dt = y(t)T y(t)dt (10.237)
0 0
Es posible demostrar que la energa en la salida del sistema esta dada por:
Z
E(xo ) = ky(t)k2 dt = xo T Qxo (10.238)
0
donde
Z
T
Q= eA t CT C eAt dt (10.239)
0
AT Q + QA + CT C = 0 (10.243)
Ad T Q d Ad Q d + C d T C d = 0 (10.245)
Matlab
0,2414 0,2328
Q= (10.250)
0,2328 0,2250
Los autovalores de Q son 1 = 0,0003 y 2 = 0,4661 con sus correspondi-
entes autovectores v1 = [0,6946 0,7194]T y v2 = [0,7194 0,6946]T .
Ahora podemos evaluar el efecto de ciertos estados iniciales en la salida del
sistema. Consideraremos x0 = v1 y x0 = v2 para calcular la energa, tal como
se define en la ecuacion (10.238):
x0 = v 1 E(x0 ) = 0,000287 (10.251)
x0 = v 2 E(x0 ) = 0,4661 (10.252)
donde se observa que la energa debida el estado inicial x0 = v2 es tres ordenes
de magnitud mayor, lo que indica que existen ciertos estados que son poco ob-
servables en la salida.
La perdida de observabilidad tambien puede ser apreciado en la funcion de
transferencia del sistema:
Vo (s) s + 1 + 19 1
= 20
(10.253)
Vi (s) s+ 9 (s + 1)
donde se aprecia que existe una cuasi-cancelacion entre un polo y un cero.
222
Principio de Dualidad
Podemos notar un paralelo notable entre los resultados del Teorema 10.3 en
la pagina 291 y del Teorema 10.4 en la pagina 300, y tambien entre las defini-
ciones de los gramianos (10.193) y (10.239). Esto de pie a lo que se conoce como
el principio de dualidad, el cual se formaliza a continuacion:
306 CAPITULO 10. REPRESENTACION EN VARIABLES DE ESTADO.
222
(ii) El subsistema:
Aco 0 B1
, , C1 0 (10.262)
A21 A22 B2
es completamente controlable.
(iii) El subsistema:
Aco A13 B1
, , C1 C2 (10.263)
0 A33 0
es completamente observable.
222
x(t)
u(t) y(t)
xno (t)
xnc (t)
xncno (t)
10.7. Observadores
Cuando las variables de estado de un sistema deben ser medidas para mon-
itoreo, control u otros propositos, existen importantes aspectos tanto tecnicos
como economicos a considerar.
u(t) y(t)
Sistema
+ -1 x^ (t) +
B (sI-A) C -
+
dx(t)
= Ax(t) + Bu(t) + J(y(t) Cx(t)) (10.267)
dt
Una pregunta natural es: si contamos con un modelo del sistema y conocemos
su entrada, porque es necesario entonces usar la salida para estimar el estado?
no bastara con simular el sistema? La clave aqu es que no conocemos el
estado inicial del sistema, y por tanto no podramos obtener la trayectoria
del estado.
Si consideramos el error de estimacion del estado x(t) = x(t) x(t), su
dinamica se obtiene restando (10.267) de (10.44). Esto es:
dx(t)
= (A JC)x(t) (10.268)
dt
donde observamos que el error de estimacion converge a cero si y solo si todos los
autovalores de la matriz A JC tienen parte real negativa, i.e., si el polinomio
del observador:
E(s) = det(sI A + JC) (10.269)
es estrictamente Hurwitz.
Discusion
La ecuacion (10.268) es valida solo si el modelo es un representacion exacta
del sistema bajo analisis. Errores de modelado tendran consecuencias sobre
el observador, tales como error de estimacion diferente de cero.
10.7. OBSERVADORES 311
Matlab
T
J = 4,5247 7,5617 4,1543 (10.270)
Para apreciar la dinamica del observador, asumiremos que el estado inicial
del sistema es x(0) = [1 2 1]T y que la entrada del sistema es una senal
cuadrada de amplitud 1, y frecuencia igual a 1 [rad/s]. El observador se inicia
con x(0) = 0. Entonces, la norma del error de estimacion, ||x(t)|| evoluciona
como se muestra en la Figura 10.19
Es importante notar que, en este ejemplo, la planta es inestable, lo que sig-
nifica que tanto el estado como su estimacion crecen indefinidamente. Sin em-
bargo, bajo el supuesto de un modelo exacto, el error de estimacion converge a
cero.
222
Para darle una interpretacion fsica a la filosofa del uso de observadores,
veamos a continuacion otro ejemplo.
Ejemplo 10.28. La Figura 10.20 muestra el esquema de un sistema rotacional
en que la entrada es el torque (t). La potencia en el sistema se transmite a
traves de un sistema de engranajes en dos ruedas de radios r1 y r2 y momentos
312 CAPITULO 10. REPRESENTACION EN VARIABLES DE ESTADO.
12
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tiempo [s]
D1 1
I
1 1 1
r1
D2
K2
r2
2 2 3
I2 2 3 I3
1 (t) r2
= ; and 1 (t)1 (t) = 2 (t)2 (t) (10.271)
2 (t) r1
10.7. OBSERVADORES 313
ruido En esta expresion podemos observar que la matriz o tiene rango completo,
filtro
pues claramente det o 6= 0, por tanto el sistema es completamente observable
desde la salida 1 (t).
Una vez que tenemos la estimacion del vector de estado, x(t), la estimacion
del estado 3 (t) para 3 , se obtiene a partir de:
222
Supongamos que queremos estimar una variable del sistema z(t) = T x(t),
donde T = [1 1]. Entonces, una estimacion de esta variable es z(t), que se
obtiene como:
z(t) = T x(t) (10.290)
10.7. OBSERVADORES 315
1,875s + 5,625
H1 (s) = T (sI A + J1 C)1 J1 = (10.293)
s2 + 1,25s + 0, 375
144s + 432
H2 (s) = T (sI A + J2 C)1 J2 = 2 (10.294)
s + 30s + 200
40
20 |H2(j)|
Magnitud [dB]
20
|H (j)|
40 1
60
1 0 1 2 3
10 10 10 10 10
Frecuencia [rad/s]
222
observador!de orden reducido Una forma sistematica de encarar este problema es usar la teora de filtro
observador!de orden completo
optimos, como los filtros de Kalman-Bucy. El lector interesado puede consultar,
por ejemplo, la referencia [2].
Existe una serie de otros observadores, incluso capaces de incorporar no-
linealidades presentes en el sistema a observar. Sin embargo, uno de particular
interes es el observador de orden reducido, que basicamente asocia direc-
tamente la salida del sistema a una parte del estado, reduciendo la parte del
estado a estimar. Dada esta diferencia, el observador clasico presentado en esta
seccion tambien se denomina de orden completo (ver [13, 7],yuz01?).
muestreo|textbf
quantum|textbf
sistemas!digitales
Captulo 11
Sistemas hbridos
11.1. Introduccion
Uno de los paradigmas mas ricos de la ingeniera moderna es el uso de la
tecnologa digital en el procesamiento de senales. Esto se refleja en campos
tan distintos como las telecomunicaciones, la bioingeniera, la automatizacion,
el control automatico, el procesamiento de imagenes, procesamiento de voz, re-
conocimiento de patrones, etc. La amplitud y velocidad con las que la aplicacion
de este paradigma se consolida y se extiende parecen no tener lmites; ello se
debe a la velocidad con que progresa la electronica digital.
Los sistemas digitales usados en procesamiento de senales, cualquiera sea
el proposito de este, manejan senales que son discretas en magnitud (con dis-
cretizacion determinada por el numero de bits) y discretas en tiempo (debido a
que existe una sincronizacion con un reloj o temporizador). Por ejemplo, en un
computador con registros de 16 bits y una unidad procesadora central (CPU)
de 1 [GHz], se pueden representar numeros enteros positivos con magnitud cuya
discretizacion corresponde a 216 veces el valor maximo representado. Esto es
el quantum de magnitud. A su vez, las operaciones que se realizan en la CPU y
las transferencias de datos solo pueden iniciarse en instantes que son multiplos
del perodo del reloj, es decir, multiplos de 1 [ns].
Muchas veces se usan como sinonimo las expresiones digital y tiempo dis-
creto. En rigor, no son sinonimos, ya que un registro digital tiene un valor que
esta definido en todo instante (tiempo continuo); lo que s ocurre es que solo
nos interesa analizar lo que pasa con ese valor almacenado en los instantes que
corresponden a multiplos del ciclo del reloj, que es cuando se puede producir
algun cambio. Por esta ultima razon aceptaremos la sinonimia; sin embargo
debemos tener presente que si el dispositivo digital tiene una discretizacion muy
gruesa, es decir, un quantum grande, debido a un numero reducido de bits, es
necesario hacer un analisis de este efecto en el procesamiento de las senales
Una fraccion muy significativa de las aplicaciones en el campo del proce-
samiento de senales involucran la interaccion o interconexion de sistemas y
317
318 CAPITULO 11. SISTEMAS HIBRIDOS
sistemas!hbridos senales de tiempo continuo con sistemas y senales de tiempo discreto. Cuan-
muestreo
reconstruccion do un sistema incluye componentes tanto de tiempo continuo como de tiempo
muestreo|textbf discreto, se habla de sistemas hbridos.
muestreo!perodo de La comunicacion de sistemas que procesan senales de distinta naturaleza re-
muestra quiere resolver dos problemas: el problema de muestreo, que permite transfor-
mar una senal de tiempo continuo en una senal de tiempo discreto y el problema
de reconstruccion, es decir, la transformacion de una senal de tiempo discreto
en una senal de tiempo continuo.
Si bien ya se abordo brevemente en la Seccion los modelos para sistemas
y senales muestreadas, en este captulo estudiaremos mas en profundidad la
solucion de esos problemas y su descripcion, tanto temporal como frecuencial.
Para una comprension acabada de los conceptos y resultados que se presentan
aca, se requiere que el lector tenga un dominio acabado de los captulos 3, 4 y
6.
t = t1
Conversor
A/D
f (t) f (t1 ) fd (t1 )
2 2 2
=1 [s] =0,5 [s] =0,05 [s]
1 1 1
0 0 0
1 1 1
2 2 2
0 0.5 1 0 0.5 1 0 0.5 1
Ejemplo 11.1. Suponga que f (t) = 2 cos(2t), es decir, se trata de una senal
sinuosidal de frecuencia 1 [Hz]. Consideremos ahora tres valores distintos para
la frecuencia de muestreo fm (m = 2fm )
4
x 10
2
0
Error
6
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Tiempo [s]
Matlab
>>tt=[0:1e-5:1];Delta=0.05;t=[0:Delta:1];
>>f=2*cos(2*pi*tt);fk=2*cos(2*pi*t);
>>faprox=spline(t,fk,tt); subplot(211);plot(tt,f-faprox);
Lema 11.1. Sea una senal de tiempo continuo f (t), muestreada periodicamente
con frecuencia angular de muestreo m [rad/s] (es decir, cada [s]), y sean
F ( ) y F [ej ] las transformadas de Fourier de f (t) y de la secuencia f [k] =
f (k) respectivamente. Entonces, se cumple que
11.3. ANALISIS EN FRECUENCIA DE SENALES MUESTREADAS 321
tren de impulsos
muestreo impulsivo
j 1 X 2` 1 X
F [e ] = F = F ( `m ) donde =
`= `=
(11.1)
Demostracion
Recordemos que
X
f [k] = f (k) = f (`)K [k `] (11.2)
`=
Por otro lado supongamos que la senal original, f (t) es multiplicada por un
tren de impulsos, es decir,
X
f (t) = f (t) D (t k) (11.4)
k=
| {z }
m (t)
Z
1 1 X 2`
F ( ) = F (j)M ( j) d = F (11.8)
2
`=
de donde se llega a
X
F ( ) = f (k)ejk (11.10)
k=
Captulo 12
Modelos
Dada una historia de datos del sistema (datos de entrada y salida, en tiempo
continuo o discreto), determinar un modelo matematico que pueda replicar
en la forma mas precisa posible (bajo algun criterio de optimalidad) la
historia de datos disponibles y otras historias de datos que se puedan obtener
del mismo sistema, para validar el modelo obtenido.
Note que exite un mecanismo generador de los datos, es decir, el sistema cuyo
comportamiento queremos modelar. Ademas la historia de datos del sistema
debe ser tal que permita observar los rasgos de interes del sistema. Por ejemplo,
323
324 CAPITULO 12. MODELOS
si el sistema que deseamos modelar es una red RC, no nos servira recolectar datos
del sistema cuando las fuentes que alimentan la red son constantes, porque en
ese caso sera imposible calcular los parametros de cualquier modelo dinamico.
Otra idea que aparece en la definicion del problema es que la construccion
del mejor modelo tiene asociado un criterio de calidad optima.
En la determinacion de un modelo existen pues, tres elementos
entonces
= arg mn J() (12.3)
R
Z t 1
6
p(t) = (u( )) d (12.5)
0
3
(t) = (u(t)) (12.6)
donde e(t) es el error que se comete al predecir la salida y(t) usando el modelo
y la entrada observada de la planta.
1 Note que se trata de datos experimentales de la planta
326 CAPITULO 12. MODELOS
regresion!vector de Las ecuaciones (12.8) y (12.9) permiten calcular (t) en tiempo real, como
regresores
se puede verificar en la simulacion implementada en el esquema SIMULINK
de la Figura 12.1. En esa figura, el sistema a modelar, o mecanismo generador
de datos aparece enmascarado. El lector puede verificar, al observar e(t) en el
oscilloscopio, que ese sistema pertenece a la clase M.
u(t) y(t)
SISTEMA
e
e (t)
p (0)
\phi (t)
(u(1))^3 K 1/s
p (t) p
1/s alfa
alfa (t)
alfa (0)
Antes de empezar la simulacin, defina el SISTEMA (haga un doble click en el bloque y edite) y asigne los
valores iniciales p(0) y alfa(0) en los bloques de integracin correspondientes
Note ademas que, para que este programa SIMULINK funcione se debe asig-
nar una condicion distinta de cero a p(0) (en el bloque integrador correspondi-
ente). Se invita al lector a observar el efecto de distintas elecciones para p(0).
En cambio, el valor inicial (0) puede ser cualquier valor, incluyendo cero.
222
Es importante repetir que, en el ejemplo precedente, se plantearon dos formas
de calcular un valor estimado para el parametro . En la primera, dada por la
ecuacion (12.4), se requiere conocer previamente un conjunto de datos en un
lapso no cero. En cambio, en la forma construida por las ecuaciones (12.8) y
(12.9), el valor estimado se va construyendo a medida que los datos se van
obteniendo.
Formularemos a continuacion el metodo general para sistemas de tiempo
continuo.
La clase de modelos a usar, M, esta definida por
Entonces, el modelo (12.11) puede ser puesto en la forma (12.10) con las
siguientes asociaciones
p
(t) = [ u(t) u(t) cos(u(t)) 1]T (12.12)
= [a b c d ]T (12.13)
Veremos ademas en una seccion siguiente que (12.10) puede describir sis-
temas dinamicos.
Para modelar un sistema con entrada u(t) y salida y(t), como miembro de
la clase M, debemos encontrar un estimado optimo, , para de modo que se
minimice Z tf
J( ) = (y( ) ( )T )2 d (12.14)
0
dP(t)
= P(t) (t)T P(t)
(t) (12.19)
dt
d (t)
(t)(y(t) (t) (t)) = P(t)
= P(t) (t)e(t) (12.20)
dt
Demostracion
Definamos previamente la matriz P(t) Rpp de la forma
Z t 1
P(t) = ( )T d
( ) (12.21)
0
3 Cuya deduccion escapa al marco de este texto.
12.3. MODELADO DE SISTEMAS DE TIEMPO CONTINUO. MODELOS LINEALES.329
y la matriz
Z t
Q(t) = P(t)1 = ( )T d
( ) (12.22)
0
entonces
Q(t)
(t)T
= (t) (12.25)
dt
Por otro lado, al usar (12.17)
Z tf
(t) = P(t) ( )y( ) d (12.26)
0
Z tf
d dP(t)
= ( )y( ) d + P(t) (t)y(t) (12.27)
dt dt 0
Z tf
dQ(t)
= P(t) P(t) (t)y(t)
( )y( ) d +P(t) (12.28)
dt 0
| {z }
(t)
dym (t)
+ a0 ym (t) = b0 u(t) (12.30)
dt
La primera opcion para contruir la forma (12.10) en este caso es (note la
sustitucion de ym (t) por y(t) en el vector (t))
hR Rt iT
t
(t) = u( )d
0
0
y( )d (12.31)
T
= b0 a 0 (12.32)
Sin embargo, esta forma de seleccion del vector de regresion (t) no es ra-
zonable, porque basta que las senales tengan un valor medio distinto de cero (por
pequeno que sea) para que el vector (t) crezca sin lmites.
Intentaremos otro enfoque, usando el operador de Heaviside (definido en
(3.2). El modelo (12.30) puede ser re-escrito como
222
El Ejemplo 12.2 permite inducir una metodologa general.
Definamos
A() B()
0= ym + u(t) (12.41)
E() E()
T
= bn1 bn2 b0 en1 an1 en2 an2 e0 a0
(12.44)
T
2 u(t) u(t) u(t) 2 y(t) y(t) y(t)
(t) = (12.45)
E() E() E() E() E() E()
T
= b2 b1 b 0 e 2 a 2 e 1 a 1 e 0 a 0 (12.46)
donde E() es cualquier polinomio de tercer grado cuyas races tenga parte real
menor que cero.
222
332 CAPITULO 12. MODELOS
entonces
= arg mn J() (12.49)
R
" N
#1
X
6
p[k] = (u[`]) (12.51)
`=1
3
[k] = (u[k]) (12.52)
4 Note que se trata de datos experimentales de la planta
12.4. MODELADO DE SISTEMAS DE TIEMPO DISCRETO. TEORIA BASICA.333
k
X
[k] = p[k] y[`][`] (12.53)
`=1
p[k 1]
p[k] = = p[k 1] p[k 1][k]2 p[k] (12.54)
1 + p[k 1][k]2
donde e[k] es el error que se comete al predecir la salida y[k] usando el modelo
y la entrada observada de la planta.
Las ecuaciones (12.54) y (12.55) permiten calcular [k] en tiempo real, como
se puede verificar en la simulacion implementada en el esquema SIMULINK de
la Figura 12.2. En esa figura, el sistema a modelar, o mecanismo generador
de datos aparece enmascarado. El lector puede verificar, al observar e[k] en el
oscilloscopio, que ese sistema pertenece a la clase M.
u[k] y[k]
e
SISTEMA
p [0]
1 e [k]
z
p [k]
u(1)/(1+u(1)*u(2)^2)
(u(1))^3
\phi [k]
p
alfa [0]
1
z
alfa
alfa [k]
Antes de empezar la simulacin, defina el SISTEMA (haga un doble click en el bloque y edite) y asigne los
valores iniciales p[0] y alfa[0] en los bloques de retardo correspondientes
Note ademas que, para que este programa SIMULINK funcione se debe asig-
nar una condicion distinta de cero a p[0] (en el bloque de retardo correspondi-
ente). Se invita al lector a observar el efecto de distintas elecciones para p[0].
En cambio, el valor inicial [0] puede ser cualquier valor, incluyendo cero.
334 CAPITULO 12. MODELOS
regresion!vector de 222
regresores
PEM Es importante repetir que, en el ejemplo precedente, se plantearon dos formas
errores en las variables de calcular un valor estimado para el parametro . En la primera, dada por la
ecuacion (12.50), se requiere conocer previamente un conjunto de datos en un
lapso no cero. En cambio, en la forma construida por las ecuaciones (12.54) y
(12.55), el valor estimado se va construyendo a medida que los datos se van
obteniendo.
Formularemos a continuacion el metodo general sistemas de tiempo discreto.
La clase de modelos a usar, M, esta definida por
Entonces, el modelo (12.57) puede ser puesto en la forma (12.56) con las
siguientes asociaciones
p
[k] = [ u[k] u[k] cos(u[k]) 1]T (12.58)
= [a b c d ]T (12.59)
Veremos ademas en una seccion siguiente que (12.56) puede describir sis-
temas dinamicos.
Para modelar un sistema con entrada u[k] y salida y[k], como miembro de
la clase M, debemos encontrar un estimado optimo, , para de modo que se
minimice
N
X
J( ) = (y[`] [`]T )2 (12.60)
0
es conocida como el error de prediccion (no confundir con los metodos PEM). El prediccion!error de
gradiente
metodo de estimacion cuadratica permite determinar cual de los elementos de
M es el que arroja la prediccion con menor error cuadratico acumulado. Esto
es equivalente a seleccionar el optimo .
La minimizacion de (12.60) se hace a traves del procedimiento tradicional:
derivando respecto de la incognita y luego haciendo esa derivada igual a cero.
Como se trata de la derivada de una funcion escalar respecto de un vector, la
derivada corresponde al gradiente . As el mejor estimado esta dado por
Demostracion
Definamos previamente la matriz P[k] Rpp de la forma
" k
#1
X
T
P[k] = [`]
[`] (12.67)
`=1
y la matriz
k
X
Q[k] = P[k]1 = [`]T = Q[k 1] + [k]
[`] [k]T (12.68)
`=1
k
X
P[k]1 [k] = [`]y[`] (12.69)
`=1
k1
X
P[k 1]1 [k 1] = [`]y[`] (12.70)
`=1
lo cual lleva a
222
El Teorema 12.2 establece un procedimiento a traves del cual la estimacion
de los parametros del modelo se va obteniendo a medida que se dispone de nueva
informacion.
ym [k] + an1 ym [k 1] + . . . + a1 ym [k n + 1] + a0 ym [k n] =
bm u[k] + bm1 u[k 1] + . . . + b1 u[k m + 1] + b0 u[k m] (12.72)
T
[k] = u[k] ym [k 1] (12.74)
T
= b0 a 0 (12.75)
A diferencia del caso de tiempo continuo, esta forma de seleccion del vector
de regresion [k] es razonable y la metodologa de la seccion anterior puede ser
aplicada sin mayores dificultades.
222
El Ejemplo 12.5 permite inducir una metodologa general, ya que podemos
expresar la ecuacion (12.72) como
Apendice A
Series de Taylor
d x 1 d 2 x 2 1 d 3 x
g(x) = g(xQ ) + (x xQ ) + (x xQ ) + (x xQ )3 + . . .
dt Q 2! dt 2 Q 3! dt 3 Q
(A.1)
X 1 d i x
= (x xQ )i (A.2)
i=0
i! dt i Q
n
donde ddt nx Q denota la derivada n-esima de g respecto de x y evaluada en
x = xQ .
A partir de esta expansion, podemos construir aproximaciones de primer,
segundo, tercer orden, etc. truncando la serie despues de la potencia de primer,
segundo, tercer grado, etc., respectivamente. Por ejemplo, la aproximacion de
primer orden es
d g
g1 (x) = k0 + k1 (x xQ ); k0 = g(xQ ); k1 = (A.3)
dx Q
Esta aproximacion de primer orden se puede apreciar graficamente, como se
muestra en la Figura A.1.
dg
En esta figura m = k1 = dx . Se observa que, en la medida que nos
Q
alejamos del punto de operacion, el error de modelado lineal aumenta.
339
340 APENDICE A. SERIES DE TAYLOR
g(x)
g1 (x)
m
1
g(xQ )
xQ x
Figura A.1: Aproximacion de primer orden para funcion no lineal de una varia-
ble.
g g 1 2 g
g(x1Q , yQ ) + (x1 x1Q ) + (x2 x2Q ) + (x1 x1Q )2 +
x1 Q x2 Q 2 x21 Q
1 2 g 2 2 f
(x 2 x 2Q ) + (x1 x1Q )(x2 x2Q ) + . . . (A.4)
2 x2
2 Q x1 x2
Q
1 i+j g
(x1 x1Q )i (x2 x2Q )j (A.5)
i!j! xi1 xj2
Q
En forma analoga al caso de una variable, podemos truncar esta serie para
tener aproximaciones de primer, segundo, tercer, etc. orden. Por ejemplo, la
aproximacion de primer orden esta dada por
A.3. EL CASO GENERAL 341
(A.10)
donde ni = i1 + i2 + . . . + in .
La aproximacion de primer orden, por truncamiento de la serie es entonces
n
X
g1 (x1 , x2 , . . . , xn ) = k0 + k1i (xi xiQ ) (A.11)
i=1
k0 = g(x1Q , x2Q , . . . , xnQ ) (A.12)
d g
k1i = (A.13)
dxi Q
(A.14)
Es importante senalar que los desarrollos precedentes siguen siendo validos
aunque las variable x1 , x2 , . . ., xn sean funciones de una variable temporal u
otra variable independiente.
d g(x)
[R1,1] g1 (x) = g(xQ ) + (x xQ )
dx Q
d h(x)
[R1,2] h1 (x) = h(xQ ) + (x xQ )
dx Q
!
\ d g(x) d h(x)
[R1,3]g(x) + h(x)1 = g(xQ ) + h(xQ ) + + (x xQ )
dx Q dx Q
!
\ = g(xQ )h(xQ ) + h(xQ ) d g(x) d h(x)
[R1,4] g(x)h(x) 1
+ g(xQ ) (x xQ )
dx Q dx Q
d ` x(t)
R2 La aproximacion de primer orden de g(x) = dt `
en torno al punto de
operacion x = xQ , g(xQ ) = 0 es
d ` (x(t) xQ )
g1 (x) = (A.15)
dt `
h ` ik
R3 La aproximacion de primer orden de g(x) = d dtx(t) ` , k > 1 en torno al
h ` ik1
punto de operacion x = xQ , d dtx(t)
` = 0 es
g1 (x) = 0 (A.16)
Apendice B
3. Si ~vi , ~vj , ~vk son vectores cualesquiera de V, entonces ~vi + (~vj + ~vk ) =
(~vi + ~vj ) + ~vk
4. Existe un vector ~0 V, tal que para todo ~vi V se cumple ~vi + ~0 = ~vi
5. Para cada ~vi V existe un vector ~vi V, tal que ~vi + (~vi ) = ~0
343
344APENDICE B. BASES MATEMATICAS PARA LAS SERIES DE FOURIER
10. Existe el escalar 1 tal que 1~vi = ~vi , para todo ~vi V
El espacio Cn en que los escalares pueden ser numeros reales o bien com-
plejos,
~v = 1~v1 + . . . + n~vn
Es decir, ~v es una combinacion lineal de ~v1 , . . . , ~vn .
1~v1 + . . . + n~vn = 0
se cumple solo para los escalares 1 = 2 = . . . = n = 0. En caso contrario
se dice que los vectores son linealmente dependientes.
Definicion B.5. Dados dos vectores cualesquiera ~vi y ~vj en un espacio vectorial
V con escalares en C, entonces diremos que h~vi , ~vj i es un producto interno,
producto escalar o producto punto si cumple las siguientes propiedades:
1. h~vi , ~vj i es un escalar
2. h~vi , ~vj + ~vk i = h~vi , ~vj i + h~vi , ~vk i
Ademas puede definirse el coseno del angulo entre dos vectores como
h~vi , ~vj i
cos (~vi , ~vj ) =
~vi
~vj
346APENDICE B. BASES MATEMATICAS PARA LAS SERIES DE FOURIER
Definicion B.8. De la definicion del angulo entre dos vectores es claro que
podemos decir que dos vectores son ortogonales bajo el producto interno h, i,
si este producto es igual a cero. Es decir:
h~vi , ~ui
i = (B.4)
h~vi , ~vi i
Demostracion
La representacion (B.3) se deduce de inmediato del hecho de tener un con-
junto de n vectores linealmente independientes en un espacio vectorial V de
dimension n. Lo central que nos atane en este caso es el calculo de los coefi-
cientes (B.4).
Tomemos la ecuacion (B.3), y apliquemosle producto interno con alguno de
los vectores de la base (B.1):
Demostracion
Primero se observa que esta desigualdad es inmediata si cualquiera de los
vectores, vi o vj , es el vector cero. As es suficiente considerar el caso en ambos
son no nulos.
Consideremos un vector (vi vj ), cuya norma es no negativa
De donde
2hvi , vj i 2 hvi , vi i + 2 hvj , vj i (B.11)
p p
Ahora, si tomamos = hvj , vj i y = hvi , vi i entonces
2 hvj , vj i hvi , vi ihvi , vj i 2hvi , vi ihvj , vj i (B.12)
hvi , vj i hvj , vj i hvi , vi i (B.13)
Definicion B.9. Se dice que una sucesion de funciones {fk (x)} de funciones,
cada una definida en un intervalo I = [a, b], converge (puntualmente) en I, si
Definicion B.10. Se dice que una sucesion {fk (x)} de funciones, definidas en
un intervalo I = [a, b], converge uniformemente a una funcion f (x) en el
intervalo I si
converge. Note que por comparacion de los terminos generales, si una serie
converge absolutamente, entonces tambien converge en el sentido usual 2
Tales que
|fk (x)| Mk (B.22)
P
Para cada k y para cada x I , entonces la serie de funciones k=1 fk (x)
converge uniforme y absolutamente en el intervalo I.
Demostracion
Por comparacion entre los terminos de la serie numerica y la de funciones, se
sigue que para cada x0 en el intervalo I, la serie converge absolutamente. As la
serie converge puntualmente a una funcion lmite f (x) en a x b. Ahora
n
X X
f (x) fk (x) = fk (x) (B.23)
k=1 k=n+1
X
|fk (x)| (B.24)
k=n+1
X
Mk (B.25)
k=n+1
X n
X
= Mk Mk (B.26)
k=1 k=1
Demostracion
La norma al cuadrado del error que se comete, que se representa en la figura
5.8 a la derecha, es:
350APENDICE B. BASES MATEMATICAS PARA LAS SERIES DE FOURIER
en (t)
2 = hen (t), en (t)i (B.28)
= hen (t), y(t) yn (t)i (B.29)
= hen (t), y(t)i hen (t), yn (t)i (B.30)
n
X
2
en (t)
2 =
y(t)
2 k2
fk (t)
(B.35)
k=1
Z T Z T
" n #
2 2 X T T
e2n (t)dt = y 2 (t)dt A20 T + A2k + Bk2 0 (B.36)
T2 T2 2 2
k=1
Z T
2 2
lm Ak = lm y(t) cos(k0 t)dt = 0 (B.38)
k k T T2
Z T
2 2
lm Bk = lm y(t) sen(k0 t)dt = 0 (B.39)
k k T T2
B.2. CONVERGENCIA DE LAS SERIES DE FOURIER 351
Demostracion
Directa de la desigualdad de Parseval, ya que si la integral del lado izquierdo
existe, entonces la serie del lado derecho, cuyo termino general es no-negativo,
esta acotada superiormente. Esto permite afirmar que converge, lo que a su
vez implica que el termino general se hace cero cuando n , por tanto, los
coeficientes Ak y Bk se hacen cero cuando k . 222
Demostracion
La aproximacion n-esima puede escribirse utilizando las ecuaciones (5.27)
n
X
yn (t) = A0 + [Ak cos(k0 t) + Bk sen(k0 t)] (B.41)
k=1
Z T
1 2
= y( )d (B.42)
T T2
n
" Z T Z T
#
X 2 2 2 2
+ cos(k0 t) y( ) cos(k0 )d + sen(k0 t) y( ) sen(k0 )d
T T
2 T T2
k=1
(B.43)
Z T
" n
#
2 2 1 X
= y( ) + {cos(k0 t) cos(k0 ) + sen(k0 t) sen(k0 )} d
T T2 2
k=1
(B.44)
Z T
" n
#
2 2 1 X
= y( ) + cos(k0 ( t)) d (B.45)
T T2 2
k=1
s
1 1 0
sen k+ 0 s sen k 0 s = 2 sen cos (k0 s) (B.46)
2 2 2
s n
s X
1 0 0
sen n+ 0 s sen = 2 sen cos (k0 s) (B.47)
2 2 2
k=1
352APENDICE B. BASES MATEMATICAS PARA LAS SERIES DE FOURIER
O bien,
n
1 X sen n + 12 0 s
+ cos (k0 s) = (B.48)
2
k=1
2 sen 12 0 s
Reemplazando en la integral se obtiene
Z T
2 2 sen n + 12 0 ( t)
yn (t) = y( ) d (B.49)
T T2 2 sen 20 ( t)
y(t+
0 ) + y(t0 )
lm yn (t0 ) = (B.51)
n 2
En que y(t+
0 ) e y(t0 ) son los lmites por la derecha y por la izquierda de y(t)
en t0 .
Demostracion
Primero, y como resultado previo, observemos que si integramos a ambos
lados de la ecuacion (B.48), obtenemos
Z T2
sen n + 12 0 s T
1
= (B.52)
2T 2 sen
2 0 s 2
y(t+
0 ) + y(t0 ) g(t+
0 ) + g(t0 )
g(t0 ) = = (B.54)
2 2
Consideremos lo que sucede con el error en (t0 ), entre g(t) y su representacion
en serie de Fourier, a medida que n tiende a infinito. Si usamos la igualdad recien
mencionada y la expresion (B.40) para la n-esima suma parcial, el error puede
escribirse
lm en (t0 ) = 0 (B.59)
n
O, lo que es lo mismo,
g(t+
0 ) + g(t0 )
lm gn (t0 ) = g(t0 ) = (B.60)
n 2
G(t) + G(t)
Gpar (t) = (B.62)
2
g(t + t0 ) + g(t + t0 ) 2g(t0 )
= (B.63)
2
G(t) G(t)
Gimpar (t) = (B.64)
2
g(t + t0 ) g(t + t0 )
= (B.65)
2
Demostracion
Sean
X
A0 + [An cos(n0 t) + Bn sen(n0 t)] (B.68)
n=1
X
A00 + [A0n cos(n0 t) + Bn0 sen(n0 t)] (B.69)
n=1
Z T
1 2
A00 = y 0 (t)dt (B.70)
T T2
1
= [y(T /2) y(T /2)] (B.71)
T
=0 (B.72)
Z T
2 2
A0n = y 0 (t) cos(n0 t)dt (B.73)
T T2
" Z T2 #
2 T2
= y(t) cos(n0 t) T + n0 y(t) sen(n0 t)dt (B.74)
T 2 T2
Z T2
2
= n0 y(t) sen(n0 t)dt (B.75)
T T2
= n0 Bn (B.76)
Z T2
2
Bn0 = y 0 (t) sen(n0 t)dt (B.77)
T T2
" Z T2 #
2 T2
= y(t) sen(n0 t) T n0 y(t) cos(n0 t)dt (B.78)
T 2 T2
Z T2
2
= n0 y(t) sen(n0 t)dt (B.79)
T T2
= n0 An (B.80)
Tambien converge.
Si ahora usamos la desigualdad de Cauchy-Schwartz (B.8)
|h(An , Bn ); (cos(n0 t), sen(n0 t))i| k(An , Bn )k k(cos(n0 t), sen(n0 t))k
(B.84)
q p
An cos(n0 t) + Bn sen(n0 t) An 2 + Bn 2 cos2 (n0 t) + sen2 (n0 t)
(B.85)
q
= An 2 + B n 2 (B.86)
Demostracion
Es directa de (B.67), ya que si tomamos y(t) en el intervalo [ T2 , T2 ], y
denotamos por {t1 , t1 , . . . , tm } los puntos en que y(t) es discontinua dentro
de el, entonces, dado un > 0, para cada uno de los m + 1 subintervalos
( T2 , t1 ), . . . , (tk , tk+1 ), . . . , (tm , T2 ) existe una constante Nk tal que
B.2. CONVERGENCIA DE LAS SERIES DE FOURIER 357
Z T
2
ken (t)k2 = en 2 (t)dt (B.94)
T2
Z Z Z T
t1 tk+1 2
= en 2 (t)dt + . . . + en 2 (t)dt + . . . + en 2 (t)2 dt (B.95)
T2 tk tm
Demostracion
Es directa de la ecuacion (B.36), donde como consecuencia del lema anterior
(B.90), la norma del error, ademas de ser positiva, tiende asintoticamente a cero.
Por tanto la desigualdad (B.27) se transforma en la identidad (B.97).
Apendice C
La transformacion de
Fourier
Z
F [y(t)] = Y ( ) = y(t)e t dt (C.1)
Z
1
F 1 [Y ( )] = y(t) = Y ( )e t d (C.2)
2
Para que la transformada exista es suficiente que la funcion y(t) sea absolu-
tamente integrable en el intervalo < t < , es decir:
Z
y(t) dt <
359
360 APENDICE C. LA TRANSFORMACION DE FOURIER
Z /2
1 t
Y ( ) = e dt
/2
1
= e 2 e 2
sen
2
=
2
16 1
14
0.8
12
0.6
10
8 0.4
0.2
2 40 30 20 10 0 10 20 30 40
w
y (t) (t)
2 )
sen(
Y ( ) = Y ( ) = 1
2
Demostracion
Es directa de reemplazar Y (t) en la definicion de la transformada y recor-
dando la ecuacion que define a y(t) como transformada inversa de Y ( )
Z
F{Y (t)} = Y (t)e t dt
Z
1
= 2 Y (t)ejt() dt
2
= 2y( )
222
Ejemplo C.2. Consideremos una funcion constante y(t) = C. Esta funcion
no es absolutamente integrable, sin embargo, su transformada de Fourier puede
obtenerse en base a la transformada del Delta de Dirac:
F {y(t)} = F {C}
= C F {1}
= C 2()
= C 2()
F{y(t t0 )} = e t0 Y ( ) (C.4)
Demostracion
Aplicando la definicion de la Transformada de Fourier, para la funcion y(t)
desplazada en el tiempo, tenemos que
Z
F{y(t t0 )} = y(t t0 )e t dt
Z
t0
=e y(t t0 )e (tt0 ) dt
222
Ejemplo C.3. Si se aplica este lema al ejemplo 6.1, obtenemos que si el pulso
de amplitud A no esta centrado en el origen, sino que se ha desplazado a la
derecha, ubicandose en el intervalo [0, ] su transformada de Fourier sera
jw 2 sen 2
F{y[0, ] (t)} = e A
2
Demostracion
Si aplicamos la definicion de la transformada a la funcion y(t) multiplicada
por la exponencial periodica e 0 t tenemos que
Z
at
F{e y(t)} = eat y(t)e t dt
Z
= y(t)e( a)t dt
222
e 0 t + e 0 t
F {cos(0 t)} = F
2
1
= F e 0 t + F e 0 t
2
= [( + 0 ) + ( 0 )]
e 0 t e 0 t
F {sin(0 t)} = F
2j
j 0 t
= F e + F e 0 t
2
= j [( + 0 ) ( 0 )]
364 APENDICE C. LA TRANSFORMACION DE FOURIER
Demostracion
Esta es directa del lema anterior utilizando la ecuacion de Euler, es decir,
escribiendo cos(0 t) con exponenciales periodicas. Esto es
1 0 t
F{cos(0 t)y(t)} = F (e + e 0 t )y(t)
2
1
= F{e 0 t y(t)} + F{e 0 t y(t)}
2
1
= (Y ( 0 ) + Y ( + 0 ))
2
222
Se deja al lector la demostracion del corolario que se obtiene por analoga
en el caso que en vez de cos(0 t) se utiliza sen(0 t).
Ejemplo C.5. En ambos casos de modulacion planteados, cosenoidal y senoidal,
al hacer el producto de una senal con una sinusoide se logra desplazar el espectro,
o contenido de frecuencias de la senal. Esto permite llevar, por ejemplo, senales
de contenido de baja frecuencia (como la voz humana, en la banda de 04[kHz]),
a bandas de frecuencia para transmision radial (por ejemplo 1[MHz]).
Esta idea se muestra en la figura C.2
|F {y(t)cos(2106 t)}|
|F {y(t)}|
4[kHz]
1[M Hz]
(
)
X
n t
F {yT (t)} = F Cn e
n=
X
F {yT (t)} = Cn F e n t
n=
X
= Cn ( + n )
n=
y(t)
1
X
y(t) = An cos(nt)
n=1
Z
1
An = y(t) cos(nt)dt
n
X 4
y(t) = sen cos(nt)
n=1
n 2
Luego,
n
X 4
Y ( ) = sen [( + n) + ( n)]
n=1
n 2
n
X 4
= sen ( + n)
n=
n 2
n6=0
1.2 0.6
0.8 0.4
0.6
0.4 0.2
0.2
0 2 4 6 8 10 10 5 0 5 10
w
0.2
0.4 0.2
Figura C.4:
1
F{y(at)} = Y (j ) (C.7)
|a| a
Demostracion
Si reemplazamos la funcion escalada y(at) en la definicion de la integral,
podemos ah definir una nueva variable t = at, pero se debe tener en cuenta
que el signo de a determina si los lmites de la integral se mantienen o se deben
intercambiar:
Z
F{y(at)} = y(at)e t dt
Z
t dt
y(t )e a ; si a > 0
Z a
=
t dt
y(t )e a ; si a < 0
a
Dado que el cambio de orden en los lmites de la integral es un cambio de
signo, ambas expresiones pueden juntarse en una sola:
Z
signo(a)
F{y(at)} = y(t )ej a t dt
a
1
F{y(at)} = Y (j )
|a| a
222
A partir de este lema puede verificarse directamente que
F{y(t)} = Y ( ) (C.8)
Demostracion
d y(t)
Si se aplica la definicion de la transformada de Fourier a la derivada dt ,
y se integra por partes, se obtiene:
Z
d y(t) d y(t) t
F = e dt
dt dt
Z
= y(t)e t + y(t)e t dt
222
Demostracion
Demostracion
Para demostrar esta propiedad debemos en primer lugar observar que si
definimos 1 (t) como la integral definida de y(t), entonces
Z t
d 1 (t) d
= y( )d
dt dt
= y(t)
d
(1 (t) + k) = y(t)
dt
(1 ( ) + 2k()) = Y ( )
Z t
1 (t) = y( )d
Z Z t
= y( )d + y( )d
Z Z t
= y( )d y(x)dx
Z t
2 (t) = y(x)dx
1
2 ( ) = Y ( ) 2k()
Z
1 (t) = y( )d 2 (t)
Z
1 ( ) = 2 y( )d () 2 ( )
Z
1 1
Y ( ) 2k() = 2 y( )d () Y ( ) 2k()
Z
1
k= y( )d
2
Z
1
= y( )e d
2 =0
1
= Y (0)
2
Por tanto
1
1 ( ) = Y ( ) + Y (0)()
222
Z (
t
0 ;t < 0
( )d =
1 ;t > 0
= (t)
Por tanto,
Z t
F {(t)} = F ( )d
1
= F {(t)} + () F {(t)}|=0
1
= + ()
C.1. TRANSFORMACION DE FOURIER EN TIEMPO CONTINUO 371
Demostracion
Insertando la expresion de la convolucion en la transformada se obtiene
Z Z
F{y1 (t) y2 (t)} = y1 ( )y2 (t )d e t dt
222
1
F{y1 (t)y2 (t)} = Y1 ( ) Y2 ( ) (C.15)
2
372 APENDICE C. LA TRANSFORMACION DE FOURIER
Demostracion
Consideremos la transformada de Fourier inversa de la convolucion de fun-
ciones en
Z
1
F 1 {Y1 ( ) Y2 ( )} = Y1 ( ) Y2 ( )e t d
2
Z Z
1
= Y1 (j)Y2 ( j)d e t d
2
Donde si se define j =
Z Z
1 1 ( +j)t
F {Y1 ( ) Y2 ( )} = Y1 (j) Y2 ( )e d d
2
Z Z
1 jt 1 j t
= 2 Y1 (j)e d Y2 ( )e d
2 2
= 2y1 (t)y2 (t)
Demostracion
Esto se demuestra con ayuda del lema de convolucion en el tiempo (C.13).
Segun este tenemos que
Si evaluamos en t = 0, queda
Z Z
1
y1 ( )y2 ( )d = Y1 ( )Y2 ( )d
2
222
C.2.
transformada de Fourier discreta
transformada de Fourier discreta inversa
Transformada de Fourier en tiempo discre-
to
C.2.1. Definicion de la transformada
Dada una funcion definida en tiempo discreto y[k] , en que k Z , su
transformada de Fourier discreta Y (ej ) y su transformada de Fourier discreta
inversa quedan definidas por las ecuaciones
X
Fd {y(t)} = Y (ej ) = y[k]ejk (C.18)
k=
Z 2
1
1
Fd Y (ej ) = y[k] = Y (j)ejk d (C.19)
2 0
X
y[k] <
k=
Si bien existen funciones que no cumplen con esta condicion, a pesar de ello
poseen transformada de Fourier discreta.
A continuacion se muestran algunos ejemplos para ver como se obtiene la
transformada de Fourier discreta para un delta de Kronecker, para una secuencia
constante y para una exponencial decreciente discreta.
X
Y (ej ) = K [k]ejk
k=
= K [0]ej0
=1
y[k] = 1 k Z
Z T
1 2 2
Ck = f ()ej T k
T T2
k=
X
Y (ej ) = k ejk
k=0
X
= (ej )k
k=0
Que resulta ser una serie geometrica convergente ya que |e j | < 1. Por
tanto su suma es
1
Y (ej ) =
1 ej
Demostracion
Es directa de la definicion de la transformada (C.18), ya que
X
Fd {y1 [k] + y2 [k]} = (y1 [k] + y2 [k])ejk
k=
X
X
= y1 [k]ejk + y2 [k]ejk
k= k=
= Y1 (ej ) + Y2 (ej )
222
Demostracion
Consideremos la definicion de la transformada (C.18), y tomemos k0 Z,
entonces
X
Fd {y[k k0 ]} = y[k k0 ]ejk
k=
X
Fd {y[k k0 ]} = y[l]ej(l+k0 )
l=
X
= ejk0 y[l]ejl
l=
jk0
=e Y (ej )
378 APENDICE C. LA TRANSFORMACION DE FOURIER
222
Demostracion
Para demostrar la propiedad anterior podemos considerar directamente la
definicion (C.18)
X
Fd ej0 k y[k] = ej0 k y[k]ejk
k=
X
= y[k]ej(0 )k
k=
= Y (ej )
= Y (ej(0 ) )
0 = 0 + 2n
2 1 n j 2 k o 1 n j 2 k o
Fd cos k = Fd e 10 + Fd e 10
10 2 2
1 X 2 1 X 2
= 2 ( + 2n) + 2 ( + + 2n)
2 n= 10 2 n= 10
X 2 X 2
= ( + 2n) + ( + + 2n)
n=
10 n=
10
2
1.5
1.8
1
1.6
1.4
0.5
1.2
Y(e )
j
1
y[k]
0.8
0.5
0.6
0.4
1
0.2
1.5 0
15 10 5 0 5 10 15 0 1 2 3 4 5 6
k
Demostracion
Como se menciono anteriormente resulta de la aplicacion del lema anterior,
ya que tanto cos(0 k) como sen(0 k) pueden escribirse en terminos de exponen-
ciales periodicas.
Consideremos la ecuacion (C.23):
ej0 k + ej0 k
Fd {cos(0 k)y[k]} = Fd y[k]
2
1 j0 k 1
= Fd e y[k] + Fd ej0 k y[k]
2 2
1h j(0
i
= Y (e + Y (ej(+0 )
2
La demostracion de (C.24) resulta analoga, por lo tanto se deja como ejercicio
para el lector. 222
Demostracion
Para demostrar la propiedad usamos la ecuacion (C.18), que define la trans-
formada de Fourier discreta de una secuencia
X
Fd {y[k]} = y[k]ejk
k=
C.2. TRANSFORMADA DE FOURIER EN TIEMPO DISCRETO 381
Sea l = k, entonces
X
Fd {y[k]} = y[l]ej(l)
l=
X
= y[l]ej()l
l=
= Y (ej )
222
Corollario C.6. Note que si la secuencia y[k] esta compuesta solo por valores
reales, entonces
Fd {y[k]} = Y (ej ) (C.26)
En que () denota al complejo conjugado de ()
Demostracion
Se deja como ejercicio al lector. 222
x[k] = [k] [k 1]
(
1 ;k = 0
=
0 ; k 6= 0
x[k] = [k] + C
x[k] x[k 1] = K [k]
X
j
X(e ) = Fd {[k]} + C2 ( 2n)
n=
X(ej ) ej X(ej ) = 1
1 1
C S() = S() C S() +1
1 ej 1 ej
En que
X
S() = 2 ( 2n)
n=
1 1
C 2S() = S() + + +1
1 ej 1 ej
| {z }
0
C 2S() = S()
1
C=
2
Luego, la transformada de Fourier discreta del escalon [k] es
1 X
Fd {[k]} = + ( 2n)
1 ej n=
C.2. TRANSFORMADA DE FOURIER EN TIEMPO DISCRETO 383
Lema C.13. Sea y[k] una secuencia de tiempo discreto definida k Z, cuya
transformada es Y (ej ). Consideremos ahora la secuencia k y[k], su transfor-
mada, solo en el caso que exista, es igual a
d Y (ej )
Fd {k y[k]} = j (C.27)
d
Demostracion
Z 2
1 d Y (ej ) 1 d Y (ej ) jk
Fd j = j e d
d 2 0 d
Z 2
1 d Y (ej ) j d Y (ej )
Fd j = ejk
d
d 2 0 d
j jk 2 j Z 2
e Y (ej ) Y (ej )jkejk d
=
2 | {z 0
} 2 0
0
2 Z 2
j
= k Y (ej )ejk d
2 0
Z 2
1
=k Y (ej )ejk d
2 0
| {z }
y[k]
222
k d Fd k [k]
Fd k [k] = j
d
d 1
=j
d 1 ej
1
=j (jej )
(1 ej )2
ej
=
(1 ej )2
2 5
1.8 4.5
1.6 4
1.4 3.5
1.2 3
Y(e )
j
y[k]
1 2.5
0.8 2
0.6 1.5
0.4 1
0.2 0.5
0 0
5 0 5 10 15 20 25 0 1 2 3 4 5 6
k
Demostracion
Recordemos en primer lugar que la convolucion de dos secuencias de tiempo
discreto y1 [k] e y2 [k] se define como :
X
y1 [k] y2 [k] = y1 [l]y2 [k l]
l=
C.2. TRANSFORMADA DE FOURIER EN TIEMPO DISCRETO 385
!
X X
jk
Fd {y1 [k] y2 [k]} = y1 [l] y2 [k l]e
l= k=
X
= y1 [l]ejl Y2 (ej )
l=
X
= Y2 (ej ) y1 [l]ejl
l=
= Y2 (e )Y1 (ej )
j
222
Demostracion
Reemplazando el producto de las secuencias en la definicion (C.18) tenemos
que :
X
Fd {y1 [k]y2 [k]} = y1 [k]y2 [k]ejk
k=
Aqui podemos escribir una de las secuencias segun la ecuacion (C.19) que
la expresa como la transformada de Fourier inversa. Con esto e intercambiando
de orden la sumatoria con la integral que aparece tenemos que :
Z 2
X 1
Fd {y1 [k]y2 [k]} = Y1 (ej )ejk d y2 [k]ejk
2 0
k=
Z 2
!
1 j
X
jk
jk
= Y1 (e ) e y2 [k] e d
2 0
k=
386 APENDICE C. LA TRANSFORMACION DE FOURIER
222
Demostracion
En el lado izquierdo de la ecuacion (C.30) podemos reemplazar y1 [k], uti-
lizando la definicion de la transformada de Fourier discreta inversa dada por la
expresion (C.19) :
Z 2
X X 1
y1 [k]y2 [k] = Y1 (ej )ejk d y2 [k]
2 0
k= k=
Z
!
2
X 1 X
y1 [k]y2 [k] = Y1 (ej ) y2 [k]ejk d
2 0
k= k=
Z
!
2
1 X
= Y1 (ej ) y2 [k]ejk d
2 0 k=
Z 2
1
= Y1 (ej )Y2 (ej )d
2 0
222
Demostracion
Es directa de la ecuacion (C.30) ya que
222
388 APENDICE C. LA TRANSFORMACION DE FOURIER
l
X l
X
ai yi (t) ai Yi ( ) Linealidad
i=1 i=1
dy(t)
Y ( ) Derivacion
dt
dk y(t)
( )k Y ( ) Derivadas superiores
dtk
Z t
1
y( )d Y ( ) + Y (0)() Integracion
y(t ) e Y ( ) Retardo
1
y(at) Y j Escalamiento temporal
|a| a
1
y(t) cos(o t) {Y ( o ) + Y ( + o )} Modulacion (cosenoidal)
2
1
y(t) sen(o t) {Y ( o ) Y ( + o )} Modulacion (senoidal)
j2
f (t) t R F {f (t)}
1 2()
D (t) 1
1
(t) () +
1 e to
(t) (t to )
1
et (t) <{} R+
1
tet (t) <{} R+
( )2
2
e|t| R+
2 + 2
cos(o t) (( + o ) + ( o ))
sen(o t) j (( + o ) ( o ))
cos(o t)(t) (( + o ) + ( o )) +
2 2 + o2
j o
sen(o t)(t) (( + o ) ( o )) +
2 + o2
2
+
et cos(o t)(t) R+
( + )2 + o2
o
et sen(o t)(t) R+
( + )2 + o2
l
X l
X
i yi [k] i Yi (ej ) Linealidad
i=1 i=1
1h i
cos(0 k)y[k] Y (ej(+0 ) + Y (ej(0 ) Modulacion cosenoidal
2
jh i
sen(0 k)y[k] Y (ej(+0 ) Y (ej(0 ) Modulacion senoidal
2
d Y (ej )
ky[k] j
d
X
y1 [l]y2 [k l] Y1 (ej )Y2 (ej ) Convolucion
l=
Z 2
1
y1 [k]y2 [k] Y1 (ej )Y2 (ej() )d Producto en el tiempo
2 0
Z 2
X 1
y1 [k]y2 [k] Y1 (ej )Y2 (ej )d Teorema de Parseval
2 0
k=
Z 2
X 1
| y[k] |2 | Y (ej ) |2 d Teorema de Parseval
2 0
k=
K [k] 1
K [k k0 ] ejk0
X
1 (k Z) 2 ( 2n)
n=
1 X
[k] + ( 2n)
1 ej n=
1
k [k] (|| < 1)
1 ej
1
(k + 1)k [k] (|| < 1)
(1 ej )2
X
ej0 k 2 ( 0 + 2n)
n=
X
cos(0 k) [( + 0 + 2n) + ( 0 + 2n)]
n=
X
sen(0 k) j [( + 0 + 2n) ( 0 + 2n)]
n=
X
cos(0 k + ) ej ( + 0 + 2n) + ej ( 0 + 2n)
n=
sen(c k) X
Y0 (ej(+2n) )
k n=
(
1 ; || < c
Y0 (ej ) =
0 ; c < ||
(
2N +1
0 ; |k| N sen 2
y[k] =
1 ; |k| > N sen 21
ej
kk [k] (|| < 1)
(1 ej )2
Usualmente se define
2
WN = ejo = ej N (C.34)
y la funcion
N
X 1
Hn = N C n = y[k]WNnk (C.35)
k=0
precaucion al consultar la literatura para evitar confusion con la denominacion transformada rapida
de Fourier
que hemos usado en este texto.
Si se observa la ecuacion (C.35) esta puede entenderse como un producto
matricial en que el vector Hn es igual al producto de la matriz {WN }n,k =
{WNnk } por el vector y[k]. Es decir
0(N 1)
H0 WN00 WN01 ... WN y[0]
1(N 1)
H1
WN10 WN11 ... WN y[1]
.. = . . . . ..
. .. .. .. ..
.
HN 1 WN
(N 1)0 (N
WN
1)1 (N
. . . WN
1)(N 1) y[N 1]
(C.37)
Hacer el producto matricial el lado derecho de la ecuacion anterior implica
N 2 multiplicaciones complejas, ademas de las sumas respectivas para el calculo
de cada Hn . Tambien se requieren algunas operaciones mas para el calculo de
las potencias de WN . Es decir, podemos apreciar que el calculo de la DFT es
un proceso O(N 2 ) 2 .
Sin embargo, la matriz involucrada en (C.37) esta formada por potencias de
2
WN = ej N , por tanto todos sus componentes son alguna de las races N -esimas
de la unidad, distribuida en torno a la circunferencia unitaria. Esta simetra de
hecho es el camino para reducir el numero de calculos necesarios para el calculo
de la DFT. Los algoritmos que hacen uso de estas simetras se comenzaron a
desarrollar mas fuertemente a partir de mediados de los anos 60 y reciben el
nombre generico de transformada rapida de Fourier o FFT por su denom-
inacion en ingles3 .
Para maximizar el aprovechamiento de las simetras es conveniente elegir
secuencias y[k] cuyo largo se una potencia de 2, es decir:
N = 2v para algun v Z+ (C.38)
Esto no implica perder generalidad, pues en los casos en que no pueden
tomarse mas valores de la secuencia original podemos completar con ceros hasta
la potencia de 2 mas cercana (aunque ello significa la introduccion de un grado
variable de inexactitud).
Consideremos la forma en que se calcula el coeficiente Hn , segun la ecuacion
(C.35). Si tenemos una secuencia de longitud N par, podemos separarla en una
que contenga los valores de y[k] cuando k es par y otra para los k impares. Es
decir:
N
X 1
Hn = y[k]WNnk (C.39)
k=0
N/21 N/21
X n(2r)
X n(2r+1)
= y[2r]WN + y[2r + 1]WN (C.40)
r=0 r=0
2 Del orden de N 2 , es decir, si se duplica N el numero de calculos se cuadruplica !
3 Fast Fourier Transform.
394 APENDICE C. LA TRANSFORMACION DE FOURIER
Pero podemos apreciar que las nuevas secuencias, y[2r] e y[2r + 1], son
secuencias de largo N/2, por lo que podra escribirse las sumatorias como la
serie de Fourier discreta modificada que les corresponde. Justamente esto sucede
en forma natural al observar que
n(2r) 2 2
WN = ej N n(2r) = ej N/2 nr = WN/2
nr
(C.41)
Es decir, en la sumatoria aparecen las armonicas para secuencias de longitud
N/2. Con esta observacion la expresion para Hn queda
N/21 N/21
X n(2r)
X n(2r)
Hn = y[2r]WN + y[2r + 1]WN WNn (C.42)
r=0 r=0
N/21 N/21
X X
nr
= y[2r]WN/2 + WNn nr
y[2r + 1]WN/2 (C.43)
r=0 r=0
= Hnpar + WNn Hnimpar (C.44)
Como antes mencionamos, para calcular los terminos Hn para una secuencia
de longitud N por el metodo directo, se requieren del aproximadamente N 2
multiplicaciones complejas en el producto matricial (C.37). Analogamente para
calcular cada uno de los terminos Hnpar y Hnimpar , que corresponden a secuencias
de largo N/2, requeriremos (N/2)2 multiplicaciones complejas para cada uno.
Y para poder formar cada uno de los N terminos Hn requerimos una unica
multiplicacion compleja mas, segun (C.44).
Es importante hacer notar que dado que las secuencias y[2r] e y[2r + 1] son
nr
N/2 periodicas en r, sus armonicas WN/2 , tambien lo son:
(l+N/2) 2 2 2
WN/2 = ej N/2 (l+N/2) = ej N/2 l ej2 = ej N/2 l = WN/2
l
(C.45)
2500
2000
1500
1000
500
0
0 5 10 15 20 25 30 35 40 45 50
N
H0p H0
W80
H1p H1
W81
H2p H2
W82
H3p H3
W83
H0i H4
W84
H1i H5
W85
H2i H6
W86
H3i H7
W87
H4p = H0p
H4i = H0i
Por lo tanto,
De manera analoga, para calcular los terminos de Hnp y Hni podemos aplicar
la misma idea
Donde ahora las series Hnpp , Hnpi , Hnip y Hnii estan formadas por subsecuen-
cias de largo 2, y tambien son periodicas de perodo 2. Como se ve en el esquema
de la figura C.9
Finalmente al subdividir nuevamente las secuencias quedan terminos indi-
viduales que corresponden a los 8 valores de la secuencia original considerada:
C.2. TRANSFORMADA DE FOURIER EN TIEMPO DISCRETO 397
H0pp H0
W80 W80
H1pp H1
W82 W81
H0pi W84
H2
W82
H1pi W86
H3
W83
H0ip W84
H4
W80
H1ip H5
W82 W85
H0ii H6
W84 W86
H1ii H7
W86 W87
y0 H0
W80 W80 W80
y1 H1
W84 W82 W81
y2 W84
H2
W80
W82
y3 W84
H3
W86
W83
y4 H4
W80 W80 W84
y5 H5
W84 W82 W85
y6 H6
W80 W84 W86
y7 H7
W84 W86 W87
Apendice D
La transformada de Laplace
Z
L {y(t)} = Y (s) = est y(t)dt (D.1)
0
Z +j
1
L1 {Y (s)} = y(t) = est Y (s)ds (D.2)
2j j
399
400 APENDICE D. LA TRANSFORMADA DE LAPLACE
Lema D.1. Sea H(s) una funcion racional estrictamente propia1 de la vari-
able s con region de convergencia <{s} > . SI denotamos como h(t) a su
correspondiente funcion temporal, i.e.
Demostracion
De la definicion de la transformada de Laplace tenemos que, para todo s en
la region de convergencia de la transformada, i.e. en <{s} >
Z
H(s) = h(t)est dt (D.6)
0
Por lo tanto se tiene que z0 esta en la region de convergencia de la transfor-
mada.
222
Corollario D.1. En la ecuacion D.5 se observa que como condicion necesaria
para la convergencia de la integral del lado izquierdo se debe cumplir que
lm h(t)est = 0 (D.7)
t
> y(t):=exp(2*t);
> with(inttrans):
Y(s) := laplace(y(t),t,s);
en el denominador
D.1. TRANSFORMADA DE LAPLACE 401
Ahora considere
Z
I(z0 ) = ez0 t y(t)dt (D.10)
0
Note que esto se podra haberse obtenido como consecuencia de lema D.1 ya
que
1
Y (3) = =1 (D.12)
32
Sin embargo, si tomamos z0 = 1, entonces Y (1) = 1. Entonces claramente
I(z0 ) es . Esto esta de acuerdo con el lema D.1 ya que z0 = 1 no esta en el
interior de la region de convergencia de la transformada.
222
Demostracion
Esta propiedad es directa dado que la transformada de Laplace esta definida
mediante la integral (D.1) :
Z
L {y1 (t) + y2 (t)} = (y1 (t) + y2 (t))est dt
0
Z Z
= y1 (t)dt + y2 (t)dt
0 0
= Y1 (s) + Y2 (s)
222
402 APENDICE D. LA TRANSFORMADA DE LAPLACE
Demostracion
Segun la definicion tenemos:
Z
d y(t) d y st
L = e dt
dt 0 dt
s laplace(y(t), t, s) y(0)
d n y(t) d n1 y(0 )
L = sn Y (s) sn1 y(0 ) n Z+ (D.16)
dt n dt n1
donde Y (s) = L {y(t)}. Este resultado sera usado repetidamente para conver-
tir ecuaciones diferenciales en ecuaciones algebraicas en la variable s. Ademas
en la ecuacion (D.16) se incluyen las condiciones iniciales de la funcion y sus
derivadas.
D.1. TRANSFORMADA DE LAPLACE 403
d 2 d
+2 = va (t) (D.17)
dt 2 dt
Si tomamos transformada de Laplace a ambos lados de la ecuacion y apli-
camos D.16 se obtiene
> theta(0):=0;
D(theta)(0):=0;
v_a(t):=Heaviside(t);
Theta(s):=solve(EDO,laplace(theta(t),t,s));
1
(s) = Va (s)
s2 + 2s
1 1
= 2
s + 2s s
Expandiendo en fracciones parciales obtenemos
> Theta(s):=convert(Theta(s),parfrac,s);
1 1 1
(s) = + (D.19)
4(s + 2) 2s2 4s
Aqu, aplicando los resultados de la Tabla D.2 (pagina 415 ), la salida para
t 0 es
> theta(t):=invlaplace(Theta(s),s,t);
1 2t 1 1
(t) = e + t (D.20)
4 2 4
404 APENDICE D. LA TRANSFORMADA DE LAPLACE
Demostracion
Si reemplazamos la integral en la definicion de la transfomada (D.1), pode-
mos hacer una integral por partes:
Z t Z Z t
L y( )d = y( )d e|st
{zdt}
0 0 0
| {z } dv
u
Z t Z
est est
= y( )d y(t) dt
0 s 0 0 s
Z
1
=0+ y(t)est dt
s 0
222
d n Y (s)
L {tn y(t)} = (1)n (D.22)
ds n
Demostracion
Este resultado se establece derivando ambos lados de la ecuacion
Z
Y (s) = y(t)est dt
0
y as obtenemos
Z
dY (s)
= y(t)est dt
ds 0 s
Z
= ty(t)est dt
0
= L {t y(t)}
D.1. TRANSFORMADA DE LAPLACE 405
d2
L t2 1 = (1)2 2 L {1}
ds
d2 1
=
ds 2 s
d 1
= 2
ds s
2
= 3
s
La propiedad en si y el ejemplo pueden realizarse en Maple , mediante los
siguientes comandos
>laplace(t*y(t),t,s);
laplace(y(t), t, s)
s
> y(t):= t^2;
laplace(y(t),t,s);
1
2
s3
Se deja al lector como ejercicio encontrar una expresion (no recursiva) para
L {tn }, usando el metodo de induccion.
Lema D.6. Desplazamiento en t.
Sea y(t a), a > 0 una version desplazada de la funcion y(t). Si (t a) es
la funcion escalon unitario que comienza en a, entonces
Demostracion
Dado que la funcion escalon unitario es igual a 0 antes de a y 1 despues, la
transformada de Laplace puede calcularse con la definicion
Z
L {u(t a)y(t a)} = (t a)y(t a)est dt
Z0
= y(t a)est dt
Za
= y(t)es(t+a) dt
0
Z
= esa y(t)est dt
0
sa
= e Y (s)
De donde se obtiene el resultado deseado.
222
Note que
1 ; si 0 t < a
p(t) =
0 ; si t a
Esta senal puede escribirse usando la funcion de Heaviside o escalon unitario
(t) sin necesidad de definirla por tramos. En Maple
> assume(a>0);
p(t):=Heaviside(t)-Heaviside(t-a);
p(t) = (t) (t a)
Y usando la propiedad (D.23), o calculano con Maple , se obtiene
> P(s):=laplace(p(t),t,s);
1 1 as
P (s) = e
s s
1
= 1 esa
s
D.1. TRANSFORMADA DE LAPLACE 407
Este ejemplo puede extenderse a cualquier funcion que este definida por
tramos, cuya transformada de otra forma se tendra que calcular separando la
integral (D.1) de la definicion.
Se deja al lector obtener una expresion para f (t)p(t) en que p(t) es el pulso
del ejemplo anterior, y f (t) es alguna funcion continua en el intervalo 0 < t < a.
A continuacion se presenta otro resultado relacionado con el desplazamiento
temporal de una funcion.
X
y(t) = yT (t nT ) (D.24)
n=0
en que yT (t) es cero fuera del intervalo [0, T ], es decir, yT (t) = [(t) (t
T )]y(t). Entonces la transformada de Laplace de y(t) es
1
L {y(t)} = YT (s) (D.25)
1 esT
en que YT (s) = L {yT (t)}.
Demostracion
Si se utiliza el resultado del lema D.6, al aplicar transformada de Laplace a
la ecuacion (D.24) tenemos por linealidad
X
L {y(t)} = enT s YT (s)
n=0
X
Y (s) = YT (s) enT s
n=0
1
Y (s) = YT (s)
1 esT
222
408 APENDICE D. LA TRANSFORMADA DE LAPLACE
Demostracion
De la definicion (D.1), tenemos que
Z
L eat y(t) = eat y(t)est dt
0
Z
= y(t)e(sa)t dt
0
= Y (s a)
222
En que
Z t
y1 (t) y2 (t) = y1 ( )y2 (t )d (D.28)
0
Demostracion
Si las senales son causales, es decir, su valor es cero t < 0, entonces podemos
reescribirlas
Z Z
L {y1 (t) y2 (t)} = y1 ( )( )y2 (t )(t )d est dt
0
Z Z
st
= y1 ( )( ) [y2 (t )(t )] e dt d
0
Z
L {y1 (t) y2 (t)} = y1 ( )( )es Y2 (s)d
Z
= Y2 (s) y1 ( )es d
0
= Y2 (s)Y1 (s)
222
Demostracion
Si reemplazamos el producto de las funciones dentro de la definicion de la
transformada, podemos demostrar la propiedad escribiendo una de ellas como
la transformada inversa de su transformada de Laplace:
Z
L {y1 (t)y2 (t)} = y1 (t)y2 (t)est dt
0
Z Z +j
1
= Y1 ()e d y2 (t)est dt
t
0 2j j
Z +j Z
1
L {y1 (t)y2 (t)} = Y1 () et y2 (t)est dt d
2j j 0
Z +j
1
= Y1 ()Y2 (s )d
2j j
222
Teorema D.1. . [Teorema del Valor Final y Teorema del Valor Inicial]
Las ecuaciones anteriores son validas solo en caso que ambos lmites ex-
istan.
Demostracion
Las demostraciones se basan en resultados anteriores
(i) Teorema del Valor Inicial.
Supongamos primero que y(t) es continua en t = 0, i.e. y(0 ) = y(0+ ) =
y = 0. Si usamos la ecuacion (D.14) tenemos
Z
d y(t) st
e dt = sY (s) y(0 )
0 dt
pero la integral del lado izquierdo puede acotarse y usar la ecuacion (D.3)
Z Z
d y(t) st d y(t) st
e dt dt e dt
0 dt 0
Z
ket est dt
0
e(s)t
=k
s + 0
k
y si s entonces s 0, de donde se obtiene
lm sY (s) = lm y(t)
s t0+
Z
d y(t) st
e dt = sY (s) y(0 )
0 dt
Z
d y(t)
dt = sY (s) y(0 ) (D.33)
0 dt
222
412 APENDICE D. LA TRANSFORMADA DE LAPLACE
Ejemplo D.5. Debe tenerse precaucion de utilizar estos teoremas en caso solo
en que ambos limites existan tanto en el tiempo como en la variable compleja s.
Consideremos por ejemplo la transformada de Laplace de cos(0 t)
s
L {cos(0 t)} =
s2 + 02
s2
lm =0
s0 s2 + 02
lm cos(0 t) = @
t
222
+
vf (t) C vc (t)
i(t)
d (t) d i(t) 1
=R + i(t)
dt dt C
D.1. TRANSFORMADA DE LAPLACE 413
Si aplicamos transformada de Laplace, y consideramos la condicion inicial igual Propiedades transformada de Laplace
a cero Tabla transformadas de Laplace
Tabla transformadas de Laplace invers
1 1
s = R sI(s) i(0 ) + I(s)
s C
y despejando se obtiene
1
I(s) = 1
sR + C
i(0+ ) = lm sI(s)
s
s
= lm 1
s sR + C
1
=
R
i(t) = L1 {I(s)}
1 1/R
=L
s + 1/RC
1
= et/RC (t)
R
l
X l
X
ai yi (t) ai Yi (s) Fi (s) = L {fi (t)}
i=1 i=1
dy(t)
sY (s) y(0 ) donde Y (s) = L {y(t)}
dt
dk y(t) k
Pk ki di1 y(t)
s Y (s) i=1 s donde Y (s) = L {y(t)}
dtk dti1 t=0
Z t
1
y( )d Y (s)
0 s
dY (s)
ty(t)
ds
dk Y (s)
tk y(t) (1)k k {1, 2, 3, . . .}
dsk
eat y(t) Y (s a)
Z t
y1 ( )y2 (t )d Y1 (s)Y2 (s) y1 (t) = y2 (t) = 0 t < 0
0
Z +j
1
y1 (t)y2 (t) Y1 ()Y2 (s )d Convolucion compleja
2j j
lm y(t) lm sY (s)
t0+ s
1
1 >0
s
D (t) 1 || <
es
(t ) s >0
1
t >0
s2
n!
tn n Z+ >0
sn+1
1
et C > <{}
s
1
tet C > <{}
(s )2
s
cos(o t) >0
s2 + o2
o
sen(o t) >0
s2 + o2
(sen )s + o2 cos sen
et sen(o t + ) > <{}
(s )2 + o2
2o s
t sen(o t) >0
(s2 + o2 )2
s2 o2
t cos(o t) >0
(s2 + o2 )2
1 es
(t) (t ) || <
s
As + B = ( + )s + 2 + 1 (D.41)
Estos polinomios son iguales si y solo si sus coeficientes son iguales:
+ = A
2 + 1 1 = B (D.42)
A1 B
=
1 2
A2 + B
= (D.43)
1 2
D.1. TRANSFORMADA DE LAPLACE 417
Como puede verse este metodo de multiplicar por cada uno de los polinomios
factores del denominador, para luego reemplazar la variable s por la respectiva
raz, permite llegar de manera mucho mas directa a los coeficientes de la de-
scomposicion (D.46). Con ayuda de la tabla D.2 se obtiene finalmente
1 7 3
1 4 20
y2 (t) = L + + 5
s s+4 s1
1 7 3
= e4t + et (D.47)
4 20 5
222
Se deja al lector verificar que la funcion obtenida es la misma que se obtiene
si se aplica el metodo del ejemplo D.7.
Cabe destacar que en el ejemplo D.8 se ha aprovechado que al multiplicar
por cada factor del denominador (s ) y reemplazar por s = todos los
terminos de la descomposicion en fracciones parciales se hacen cero, excepto el
1
coeficiente correspondiente a s . Sin embargo, en caso de existir races repeti-
das, aparecera una indefinicion al reeplazar (s = ).
Ejemplo D.9. En el caso de races repetidas, la descomposicion en fracciones
parciales no toma la forma (D.40), sino que se descompone como
As + B
Y3 (s) = = + (D.48)
(s )2 s (s )2
Note que en esta expresion solamente el coeficiente puede ser obtenido
como en el ejemplo D.8, Porque no puede obtenerse el coeficiente ? Como
podra obtenerse ?
Una manera simple de llegar a la forma (D.48) es forzando a que aparezca
el termino (s ) en el numerador, separar y luego simplificar como se muestra
a continuacion
A(s ) + (A + B)
Y3 (s) =
(s + )2
A A + B
= + (D.49)
s (s + )2
Con lo cual puede obtenerse de la tabla D.2
y3 (t) = Aet + (A + B)tet (D.50)
222
Cuando las races del polinomio denominador son numeros complejos, el
metodo visto en los ejemplos D.7,D.8 y D.9 puede aplicarse de igual forma. Los
coeficientes que se obtienen en este caso son complejos, pero ademas, dado que
el polinomio denominador tiene coeficientes reales, las races complejas apare-
cen siempre en pares complejos conjugados2 , los coeficientes de la expansion
2 Esto como resultado del Teorema Fundamental del Algebra
D.1. TRANSFORMADA DE LAPLACE 419
en fracciones parciales tambien son complejos conjugados. Esto asegura que las
funciones exponenciales complejas que se obtienen en (D.44) son iguales a sinu-
soidales multiplicadas por exponenciales reales. Se deja al lector como ejercicio
esta demostracion.
Ejemplo D.10. Cuando el denominador de una funcion racional de la forma
(D.39) tiene races complejas se suele escribir como
As + B
Y4 (s) = ; 0<1 (D.51)
s2 + 2n s + n2
Expresion en que se denomina factor de amortiguacion. Dado que en la tabla
D.2 tenemos solo expresiones en que el denominador es una suma de cuadrados,
podemos escribir la funcion de la forma
As + B
Y4 (s) = p (D.52)
(s + n )2+ (n 1 2 )2
Y en el numerador de esta expresion puede construrse el termino (s + n )
para luego separar en dos terminos
A(s + n ) + (An + B)
Y4 (s) =
D(s)
A(s + n ) (An + B)
= +
D(s) D(s)
p
A(s + n ) (An + B) (n 1 2 )
= + p (D.53)
D(s) (0 1 2 ) D(s)
en que el denominador es
p
D(s) = (s + n )2 + (n 1 2 )2 (D.54)
Y aplicando transformada de Laplace inversa se llega a
p (An + B) n t p
y4 (t) = Aen t cos n 1 2 t+ p e sen n 1 2 t (D.55)
(n 1 2 )
222
Con estos ejemplos y un poco de practica no debiera resultar difcil obtener
transformadas de Laplace inversa de funciones racionales. En realidad hoy en
da cualquier software es capaz de obtener la expansion en fraccines parciales de
una funcion racional3 , e incluso transformadas inversas de Laplace, por lo tanto,
estos calculos pueden dejarse para el computador cuando resulten demasiado
engorrosos.
Por ejemplo, si usamos Maple para obtener la transformada de Laplace
inversa de la funcion racional (D.39), tenemos las siguientes lneas de comando
que arrojan el resultado que se aprecia mas adelante
3 Use el comando residue de MATLAB
420 APENDICE D. LA TRANSFORMADA DE LAPLACE
1 1
1 e 2 Ct C 3 B cos( 12 4 D C 2 t) e 2 Ct DA cos( 12 4 D C 2 t)
h(t) = +4
2 (4 D C 2 ) D 4 D C2
1 1
e 2 Ct C 2 A cos( 12 4 D C 2 t) e 2 Ct AC sen( 12 4 D C 2 t)
4 D C2 4 D C2
21 Ct 1
1
e CB cos( 2 4 D C 2 t) e 2 B sen( 12 4 D C 2 t)
Ct
2 +2
4 D C2 4 D C2
1
1 e 2 Ct CB cos( 21 4 D C 2 t)
+
2 D
1 D (t)
e s , > 0 D (t )
1
(t)
s
1 tn1
, n {2, 3, . . .}
sn (n 1)!
k
ket
s+
e s
, > 0 e(t ) (t )
s+
a1 s + a 0
C1 e1 t + C2 e2 t
(s + 1 )(s + 2 )
1 a1 a0 2 a1 +a0
C1 = 1 2 ; C2 = 1 2
a1 s + a 0
a1 et + (a0 a1 )tet
(s + )2
a1 s + a 0 h i
et C1 cos(0 t) + C2 sen(0 t)
(s + )2 + 02
a0 a1
C1 = a 1 ; C 2 = 0
k k
1 et
s(s + ) a
a1 s + a 0 a0 h i
t
2 1 e C 1 cos( 0 t) + C 2 sen( 0 t)
s (s + )2 + 02 2 + 0
a0 a1 (2 +02 )
C1 = a 0 ; C 2 = 0
Apendice E
La Transformacion Zeta
X
Z {f [k]} = F (z) = f [k]z k (E.1)
k=0
I
1
Z 1 {F (z)} = f [k] = f (z)z k1 dz (E.2)
2j
423
424 APENDICE E. LA TRANSFORMACION ZETA
transformada de Fourier, pero si tiene transformada Zeta, para ello, basta elegir
|z| > 1, 5.
Para obtener (E.2), que describe la formula de la Transformacion Zeta inver-
sa, podemos recurrir a la idea de ortogonalidad. Si ambos lados de la ecuacion
(E.1) son multiplicados por z k = |z|k ejk , y luego integramos en el intervalo
[0; 2], se obtiene
Z 2
X Z 2
F (z)z k d = f [k]|z|k` ej(k`) d (E.4)
0 `=0 0
Por otra parte, sabemos que las exponenciales periodicas 1, ej , ej2 , ej3 , . . .
forman un conjunto de funciones ortogonales, ya que
Z 2 (
jk j` j(`k) 0 k 6= `
he , e i = e d = (E.5)
0 2 k = `
dz d |z|ej 1
= = jz = d = dz (E.7)
d d jz
X X 1 (z 1 )k
Z k [k] = k z k = (z 1 )k = lm (E.9)
k 1 (z 1 )
k=0 k=0
Demostracion
Esta propiedad se demuestra sin problema ya que la transformada Zeta se
define mediante la sumatoria (E.1) :
X
L {y1 [k] + y2 [k]} = (y1 [k] + y2 [k])z k
k=0
X
X
= y1 [k]z k + y2 [k]z k
k=0 k=0
= Y1 (z) + Y2 (z)
Demostracion
Segun la definicion tenemos:
z k z
X X
Z ak y[k] = ak y[k]z k = y[k] =Y (E.14)
a a
k=0 k=0
426 APENDICE E. LA TRANSFORMACION ZETA
z
Y2 (z) = Y1
1
= Y1 (z)
z
=
z
z
=
z1
Que converge si y solo si |z| > 1.
y[k] = r k cos(0 k)
Su transformada Zeta puede obtenerse escribiendo el coseno en terminos de
exponenciales complejas
1 j0 k
y[k] = (re ) + (rej0 )k )
2
Usando el teorema, tenemos que
1 j0 k
Y (z) = Z (re ) + Z (rej0 )k )
2
1 z z
= +
2 z rej0 z rej0
1 z(2z 2r cos 0 )
=
2 z 2 z2r cos 0 + r2
z(z r cos 0 )
= 2
z z2r cos 0 + r2
E.2. PROPIEDADES DE LA TRANSFORMADA ZETA 427
Z {y [k]} = Y (z ) (E.15)
Demostracion
Directa de la definicion (E.1)
X
Z {y [k]} = y [k]z k
k=0
!
X
= y[k](z )k = {Y (z )}
k=0
222
Demostracion
Consideremos primero el caso en que la secuencia ha sido retrasada en k 0 ,
es decir, la ecuacion (E.16). Si usamos la definicion de la transformada (E.1), y
la escribimos por extension, tenemos que
X
Z {y[k k0 ]} = y[k k0 ]z k
k=0
X
= y[k0 ] + y[k0 + 1]z 1 + . . . + y[1]z k0 +1 + y[k k0 ]z k
k=k0
X
Z {y[k k0 ]} = y[l]z (l+k0 ) + y[1]z k0 +1 + . . . + y[k0 + 1]z 1 + y[k0 ]
l=0
!
X
k0 l
=z y[l]z + y[1]z k0 +1 + . . . + y[k0 + 1]z 1 + y[k0 ]
l=0
X
Z {y[k + k0 ]} = y[k + k0 ]z k
k=0
X
= y[l]z (lk0 )
l=k0
"
#
X
k0 l 1 k0 +1
=z y[l]z y[0] + y[1]z + . . . + y[k0 1]z
l=0
X
= y[l]z l y[0]z k0 + y[1]z k0 1 + . . . + y[k0 1]z
l=0
z k0
Y (z) =
z
Esta transformada se puede reescribir de manera de poder aplicar la ecuacion
(E.18)
z
Y (z) = z (k0 +1)
z
y[k] = k(k0 +1) [k (k0 + 1)]
E.2. PROPIEDADES DE LA TRANSFORMADA ZETA 429
d Y (z)
Z {k y[k]} = z (E.19)
dz
Demostracion
De la definicion (E.1), tenemos que
X
Z {k y[k]} = ky[k]z k
k=0
X
= ky[k]z k
k=0
X
= z (k)y[k]z k1
k=0
d Y (z)
= z
dz
222
y[k] = k[k]
Segun (E.19) su transformada sera
d z
Z {k[k]} = z
dz z 1
(z 1) z
= z
(z 1)2
z
=
(z 1)2
En que
k
X
y1 [k] y2 [k] = y1 [l]y2 [k l] (E.21)
l=0
Demostracion
Si las senales son causales, es decir, su valor es cero k < 0, entonces podemos
reescribirlas
!
X X
L {y1 [k] y2 [k]} = y1 [l][l]y2 [k l][k l] z k
k=0 l=
!
X X
k
= y1 [l][l] y2 [k l][k l]z
l= k=0
X
L {y1 [k] y2 [k]} = y1 [l][l]z l Y2 (z)
l=
X
= Y2 (z) y1 [l]z l
l=0
= Y2 (z)Y1 (z)
222
E.2. PROPIEDADES DE LA TRANSFORMADA ZETA 431
Teorema E.1 (Teorema del Valor Final y Teorema del Valor Inicial).
Existen dos resultados que relacionan el comportamiento asintotico de la funcion
y[k] y su tranformada Y (z). Estos se conocen como el teorema del Valor Inicial
y teorema del Valor Final en tiempo discreto.
Las ecuaciones anteriores son validas solo en el caso que los lmites
existen, tanto en k como en z.
Demostracion
X
Y (z) = y[k]z k
k=0
= y[0] + y[1]z 1 + . . . + y[k]z k + . . .
k
X
Z {y[k + 1] y[k]} = lm (y[l + 1] y[l])z l
k
l=0
432 APENDICE E. LA TRANSFORMACION ZETA
l
X l
X
ai yi [k] ai Yi (z)
i=1 i=1
z
k y[k] Y C, <{} > 0
y [k] Y (z ) Conjugacion
dY (z)
ky[k] z
dz
k
X
y1 [l]y2 [k l] Y1 (z)Y2 (z) Convolucion en k
l=0
K [k] 1 z C
z
1 |z| > 1
z1
z
k |z| > 1
(z 1)2
z
k |z| > ||
z
z
ej0 k |z| > 1
z ej0
z(z cos 0 )
cos(0 k) |z| > 1
z 2 2z cos 0 + 1
z sen 0
sen(0 k) |z| > 1
z2 2z cos 0 + 1
z(z cos 0 )
k cos(0 k) |z| > ||
z 2 2z cos 0 + 2
z sen 0
k sen(0 k) |z| > ||
z2 2z cos 0 + 2
z 2 cos z cos cos 0 + sen sen 0
cos(0 k + ) |z| > 1
z 2 2z cos 0 + 1
(
k ;0 k < N 1 (z 1 )N
|z| > 0
0 ;k N 1 z 1
Apendice F
Matrices. Definiciones y
Propiedades
11 de septiembre de 2003
435
436 APENDICE F. MATRICES. DEFINICIONES Y PROPIEDADES
matriz!cuadrada
a11 a11 ... a1m
a21 a22 ... a2m
A = {aij } =
(F.1)
. .. .. ..
.. . . .
an1 an2 ... anm
Vectores
Una matriz formada por n filas y 1 columna se denomina vector columna.
En base a esta definicion podemos afirmar que una matriz de nm esta formada
por m vectores columna, cada uno con n elementos.
Una matriz formada por 1 fila y m columnas se denomina vector fila.
Analogamente, en base a esta definicion podemos decir que una matriz de n m
esta formada por n vectores fila, cada uno con m elementos.
En general, cuando se defina un vector de dimension p nos referiremos a un
vector columna formado por p elementos.
Matrices especiales
Definicion F.4. Dada A = {aij } Knm , la matriz traspuesta de A, que
denotamos por AT , es la que resulta de intercambiar sus filas con sus columnas,
es decir,
A = {aij } AT = {aji } (F.5)
Una consecuencia natural de esta definicion es que toda matriz real y simetri-
ca es hermitiana.
Para matrices cuadradas, tenemos las siguientes definiciones:
438 APENDICE F. MATRICES. DEFINICIONES Y PROPIEDADES
matriz!diagonal Definicion F.6. Dada una matriz A = {aij } Knn , diremos que:
matriz!triangular superior
matriz!triangular inferior la matriz A es diagonal si y solo si aij = 0 i 6= j , es decir, todos sus
matriz!identidad elementos fuera de la diagonal principal de la matriz son cero.
determinante
matriz!determinante la matriz A es triangular superior si y solo si aij = 0 i > j, es decir,
todos los elementos bajo la diagonal principal son cero.
la matriz A es triangular inferior si y solo si AT es triangular superior.
Dentro del conjunto de matrices diagonales, la matriz identidad es de
especial interes y su denominacion se justifica en base a las propiedades del
producto matricial definido mas adelante. Esta se define como:
Definicion F.7. La matriz identidad de dimension n, que denotamos por I n ,
se define como una matriz diagonal, cuyos elementos no nulos son iguales a 1,
es decir:
1 0 ... 0
0 1 ... 0
In = Knn (F.7)
.. .. .. ..
.
. . .
0 0 ... 1
Expansion de Laplace1
El calculo del determinante puede ser definido por induccion. Sin embargo,
previo a su definicion presentamos dos conceptos previos necesarios:
1 Roger A. Horn & Charles R. Johnson, Matrix Analysis, Cambridge University Press, 1990,
pag. 7
F.2. DETERMINANTE DE UNA MATRIZ 439
se define el escalar:
" #
det a11 = a11 = a11 (F.12)
a11 a12
= a11 a22 a12 a21 (F.13)
a21 a22
a11 a12 a13
a22 a23 a21
a23 a21
a22
a21 a22 a23 = a11 a12
+ a13
(F.14)
a32 a33
a31 a33 a31 a32
a31 a32 a33
..
. (F.15)
440 APENDICE F. MATRICES. DEFINICIONES Y PROPIEDADES
singular Existe una serie de reglas que pueden facilitar el calculo del determinante de
matriz!singular
matriz!no singular una matriz que estan mas alla del objetivo de este apendice. Sin embargo, una
matriz!rango observacion util para reducir el numero de calculos necesarios para obtener el
rango determinante de una matriz es elegir la fila (o columna) que contenga el mayor
rango!columna numero de ceros, para hacer el desarrollo en (F.10).
rango!columna
matriz!rango Podemos ademas hacer las siguientes observaciones:
rango
rango completo Si la matriz A tiene una fila o una columna formada solo por ceros, en-
tonces det(A) = 0.
Si det(A) = 0 se dice que la matriz es singular. En caso contrario, se dice
que la matriz es no singular.
Si la matriz A de n n es diagonal o triangular (superior o inferior),
entonces det(A) = a11 a22 . . . ann
tiene rango fila igual a 2, pues la tercera fila es la suma de las dos primeras,
mientras que tiene rango columna igual a 3, pues las 3 columnas a la izquierda
son linealmente independientes, y en R3 estas conforman una base, es decir,
cualquier otro vector se puede escribir como combinacion lineal de elementos de
esta base. Su rango, por ende, es igual a 2, y no es de rango completo.
F.3. OPERACIONES CON MATRICES 441
222 matrices!suma
espacio!vectorial
Una matriz cuadrada es de rango completo si y solo si es no singular.
>> A+c
Producto matricial
El producto de matrices puede entenderse como una extension del producto
punto o producto interno usual dos vectores v, w Kn , definido como:
n
X
hv, wi = v w = vk wk (F.19)
k=1
Note que:
AA1 = A1 A = I (F.23)
donde I representa la matriz identidad.
Si esta matriz A1 existe, diremos que la matriz A es invertible o no
singular.
Note que:
(a) A es no singular.
(b) A1 existe.
(c) rango A = n.
(f ) det A 6= 0.
1
A1 = Adj A (F.25)
det A
Demostracion:
Usando la expansion de Laplace (F.10), entonces se puede probar que:
222
Matrices particionadas
Toda matriz puede ser particionada de forma tal que se expresa como una
matriz de macro elementos, cada uno de ellos es en si mismo otra matriz. Se
dice, en estos casos que la matriz esta definida por bloques. Considere una matriz
A Cnm , entonces:
F.4. INVERSA DE UNA MATRIZ 445
A11 A12 A13 A1q
A21 A22 A23 A2q
A = {aij } =
(F.27)
. .. .. ..
.. . . ... .
Ap1 Ap2 Ap3 Apq
Por ejemplo, si
1 2 0 7
0 3 2 5
A=
(F.29)
1 1 2 3
2 2 2 4
1 2 0 7
" #
A11 = 0 3 2 ; A12 = 5 ; A21 = 2 2 2 ; A22 = 4 (F.30)
1 1 2 3
inversion matricial
matriz!particionada
A11 A12
A= C(p+q)(p+q) (F.31)
A21 A22
en que:
11 = A11 A12 A1
22 A21 (F.33)
22 = A22 A21 A1
11 A12 (F.34)
A1 1 1 1
11 + A11 A12 22 A21 A11 A1 1
11 A12 22
A1 = (F.35)
1 1
22 A21 A11 1
22
o bien:
1
11 1 1
11 A12 A22
A1 = (F.36)
A1 1
22 A21 11 A1 1 1 1
22 + A22 A21 11 A12 A22
1 1 1 1 1
11 = A11 + A11 A12 22 A21 A11 (F.37)
Ademas, dadas submatrices como las que forman la matriz (F.31), se tiene
que:
A1 1 1 1
11 A12 22 = 11 A12 A22 (F.38)
Finalmente, el determinante de la matriz definida en (F.31), se puede cal-
cular como:
o bien:
Demostracion:
La matriz A puede reescribirse en la forma:
Ip 0 A11 A12
A= (F.41)
A21 A11 1 Iq 0 22
y de la forma:
Ip A12 A22 1 11 0
A= (F.42)
0 Iq A21 A22
y, ademas:
1
Ip 0 Ip 0
= (F.44)
A21 A11 1 Iq A21 A11 1 Iq
Estas dos ecuaciones se pueden utilizar cuando se aplica inversion matricial
en la ecuacion (F.41):
1 1
A11 A12 Ip 0
A1 = (F.45)
0 22 A21 A11 1 Iq
Demostracion:
222
A v = v ; v 6= 0 (F.51)
n
en que interesa encontrar el (o los) vector(es) v K y escalar(es) K que
permiten reemplazar el producto matriz-vector al lado izquierdo de (F.51), por
un producto escalar-vector (lado derecho). Naturalmente, nos interesa encontrar
soluciones no triviales de la ecuacion (F.51).
Definicion F.15. Valores y vectores propios
Dada una matriz A Knn y la ecuacion (F.51), entonces:
Las soluciones de la ecuacion (F.51) vienen dadas por el siguiente lema: polinomio caracterstico
espectro
Lema F.8. Ecuacion caracterstica radio espectral
Cada autovalor de la matriz A en (F.51) satisface la ecuacion caracterstica:
det(I A) = 0 (F.52)
El lado izquierdo de esta ecuacion es el polinomio caracterstico, p(),
de orden n, y posee n raices complejas.
Demostracion:
La ecuacion (F.51) puede reescribirse como:
v Av = 0 (F.53)
(I A) v = 0 (F.54)
Entonces el resultado se prueba por contradiccion: si la ecuacion (F.52) no
se cumple, entonces la matriz (I A) es no singular, y al multiplicar por su
inversa al lado izquierdo se tiene:
(A) = {1 , 2 , . . . , n } (F.56)
Asimismo, se define el radio espectral de A como:
matrices!similares Diagonalizacion
similaridad!transformacion de
congruencia Cuando los autovectores vi de la matriz A que satisfacen la ecuacion (F.51),
son linealmente independientes, pueden agruparse en una matriz T no singular:
" #
T = v1 v2 ... vn (F.58)
T1 AT = P (F.59)
en que P es la matriz diagonal formada por los autovalores de A, es decir:
P = diag{1 , 2 , . . . , n } (F.60)
Demostracion
" #
AT = A v v2 ... vn (F.61)
1
" #
= Av1 Av2 ... Avn (F.62)
" #
= 1 v1 2 v2 ... n vn (F.63)
= T diag{1 , 2 , . . . , n } (F.64)
T
congruentes si y solo si existe una matriz no singular S tal que B = multiplicidad!autovalores
autovectores!generalizados
ST AS. Jordan!forma de
matriz!forma de Jordan
Naturalmente estos conceptos son equivalentes si S es una matriz real.
Forma de Jordan
En el caso que una matriz A posea autovalores repetidos, es decir, con mul-
tiplicidad, pueden darse dos situaciones diferentes respecto a la digonalizacion.
Supongamos que un autovalor i con multiplicidad ni 2, entonces:
(A i I)vi,0 = 0
(A i I)vi,1 = vi,0 (F.65)
(A i I)vi,2 = vi,1
..
.
T = v1 . . . vi,k vi,k1 . . . vi,0 . . . vn (F.66)
| {z }
asociados a i
autovectores!generalizados
1 0 ... 0
.. ..
0
. .
P = JA = Ji (F.67)
. ..
.. . 0
0 ... 0 n
(
2 1 = 2 (multiplicidad 2)
det(I A) = ( 2) ( + 1) = 0 (F.71)
2 = 1
Caso 1 : a = 0
0 0 0 1 1
(1 I A)v1 = 0 0 0 =0 v1 = (F.72)
1 1
1 1 3 1 (1 + 1 )/3
3 0
0 2
0
(2 I A)v2 = 0 3 0 =0 v2 = 0 (F.73)
2
1 1 0 2 2
1
3
0
1
1 1 1
v1 = 1 = + = v1, + v1, (F.74)
3 0 3 3 3 3
(1 + 1 )/3 1 1
3 0 0
" #
T= v v1, v2 = 0 3 0 (F.75)
1,
1 1 1
2 0 0
1
T AT = 0 2 0 =P (F.76)
0 0 1
Caso 2 : a 6= 0
0 0 0 0
(1 I A)v1 = a 0 0 v =0 v1 = 3 = v1,0 (F.77)
1
1 1 3 1
3 0 0 0
(2 I A)v2 = a 3 0 v2 = 0 v 2 = 0 (F.78)
1 1 0 1
n
X
tr(A) = i (F.83)
i=1
Yn
det(A) = i (F.84)
i=1
Demostracion
Primero observamos que siempre existe una matriz no singular T, tal que
T1 AT = diag{J1 , J2 , . . . , Jq } (F.85)
456 APENDICE F. MATRICES. DEFINICIONES Y PROPIEDADES
es decir, tr(T1 AT) es igual a la suma de todos los autovalores de A. Por otro
lado
Demostracion
Si A y B son similares, entonces existe T no singular tal que B = T1 AT.
Entonces, los autovalores de B son las races de det(I B) = 0. Si ahora
usamos la similaridad tenemos que
det(I B) = det(T1 T T1 AT) = det T1 (I A)T (F.90)
= det (I A)TT1 = det(I A) (F.91)
Esta es la norma mas comun, pues representa la distancia usual dos puntos
en Cn . Note que tambien se deriva del producto punto usual (F.19) en Cn ,
es decir, kvk22 = hv, vi = v v
Norma de matrices
Para definir la norma de una matriz, o equivalentemente, la distancia entre
dos matrices, una primera forma seria considerar simplemente el isomorfismo
entre espacio Mnm (K) y el espacio vectorial Knm . Sin embargo, al considerar
simplemente la norma en un espacio vectorial de mayores dimensiones, no es
posible establecer relaciones con propiedades caractersticas de las matrices,
como son el producto matricial, el determinante y el espectro, entre otras. Por
esto, tenemos la siguiente definicion, mas adecuada:
Definicion F.19. Una norma matricial es una funcion que va de M(K) R
talque, para A, B de dimensiones adecuadas, satisface:
kAvk
kAk = max kAvk = max kAvk = max (F.102)
kvk=1 kvk1 kvk6=0 kvk
Varias de las normas antes definidas, pueden expresarse en terminos de la
norma inducida, eligiendo la norma vectorial adecuada. Sin embargo, existe una
serie de normas matriciales independientes de esta definicion. Entre ellas, una
de las mas importantes es:
Note que (A) = kAk kA1 k kAA1 k kIk 1 para toda matriz A.
De esta forma, cuando (A) es grande, la matriz se dice mal condiciona-
da. Si (A) es cercano a 1, la matriz se dice bien condicionada, y si (A) =
1, entonces la matriz A se dice perfectamente condicionada.
460 APENDICE F. MATRICES. DEFINICIONES Y PROPIEDADES
matriz!unitaria Cuando una matriz es mal condicionada, el calculo del inverso puede tener
teorema de Schur
errores muy grandes, y es aconsejable recurrir a metodos de inversion numeri-
camente robustos.
Un caso especial de numero de condicion de una matriz real es cuando se
usa la norma spectral en (F.104). En ese caso
|max |
(A) = (F.105)
|min |
UH AU = P (F.106)
UH AU = T = {tij } (F.107)
pA (A) = 0 (F.108)
Matrices normales
Definicion F.24. Una matriz A Knn se dice normal, si y solo si AH A =
AAH , es decir, A conmuta con su matriz hermitiana o compleja conjugada.
Con ayuda del Teorema de Schur, puede probarse que una matriz A es
normal si y solo si es unitaria diagonalizable, es decir, si existe una matriz
unitaria U talque UH AU es diagonal.
Recuerde ademas, del Lema F.12 que toda matriz hermitiana (simetrica, en
el caso de matrices reales) es normal y, por tanto unitaria diagonalizable, es
decir:
A = AH A = UH DU (F.109)
Matrices positivas
Una clase de matrices hermitianas (real simetricas) que aparece en multiples
aplicaciones son aquellas que poseen (o no) la propiedad de ser positivas.
Consideremos, por ejemplo, la expansion en serie de Taylor de una funcion
en dos variables (apendice A, p.317) en torno a un punto (xo , yo ):
462 APENDICE F. MATRICES. DEFINICIONES Y PROPIEDADES
hessiano
matriz!positiva definida
x
f (x, y) (xo ,yo )
= f (xo , yo ) + f
(xo ,yo )
y
" # x
1
+ H(f ) + ... (F.110)
2 x y (xo ,yo )
y
donde los autovectores tienen largo unitario (en norma-2). Entonces al mul-
tiplicar (F.112), por la izquierda, por v`H , y, por la derecha, por v` se tiene
que
Lema F.15. Si una matriz hermitiana A tiene todos sus elementos sobre la
diagonal principal positivos y es estricamente diagonal dominante, entonces es
definida positiva.
Otras matrices
Definicion F.27. Dada una matriz A Knn , se defina la matriz exponen-
cial de A, usando la expansion en serie de Taylor usual, es decir:
1 2 X 1 n
eA = I + A + A + ... = A (F.117)
2! n=0
n!
Aq = 0 (F.118)
Definicion F.29. Una matriz A Knn se dice idempotente, si y solo si :
A2 = A (F.119)
nn
Definicion F.30. Una matriz A K se dice diagonal por bloques, si y
solo si sus unicos elementos distintos de cero pueden ser agrupados en subma-
trices Ai Kni ni sobre su diagonal, es decir:
A1 0 . . . 0
0 A2 . . . 0
A= . .. .. .. (F.120)
.. . . .
0 0 ... Ak
Pk
en que i=1 ni = n
De manera analoga puede extenderse el concepto de matriz triangular (tanto
superior como inferior), a matrices triangulares por bloques.
Definicion F.31. Una matriz P Knn se denomina matriz de permutacion
si uno y solo uno de los elementos sobre cada fila y columna es igual a 1, y el
resto son 0.
Ejemplo F.3. Considere la matriz de permutacion:
0 1 0
P = 1 0 0 (F.121)
0 0 1
La denominacion resulta natural pues multiplicar cualquier vector por esta ma-
triz equivale a permutar sus elementos, por ejemplo:
F.7. TIPOS ESPECIALES DE MATRICES 465
matriz!circulante
matriz!Toeplitz
1 2
P 2 = 1 (F.122)
3 3
Definicion F.32. Una matriz A Knn se denomina matriz circulante si
cada una de sus filas resulta de la rotacion de la primera, es decir:
a1 a2 . . . an
an a1 . . . an1
.. .. . . .. (F.123)
. . . .
a2 a3 . . . a1
Note que una matriz circulante puede ser escrita en terminos de la matriz
de permutacion circular :
0 1 0 ... 0
0 0 1 . . . 0 n1
X
.. .. . . . . ak+1 Ck
. .
C = . . . . . A= (F.124)
0 ... 1 k=0
1 0 ... 0
En que C0 = Cn = I y {a1 , . . . , ak } son los elementos de la primera fila de
la matriz A.
Definicion F.33. Una matriz A Knn se denomina matriz Toeplitz si
todos los elementos sobre cada diagonal son iguales, es decir:
a0 a1 a2 . . . an
a1 a0 a1 . . . an1
.. . .. . .. ... ..
A= . . (F.125)
an+1 ... . . . a0 a1
an an+1 . . . a1 a0
Note que una matriz Toeplitz puede ser escrita en terminos de las matrices
un paso adelante F y un paso atras B:
0 1 ... 0 0 ... 0 0
.. .. .. .. ..
. . . . 1
T . 0
F= y B=F =
.
.. (F.126)
..
.. .. ..
0 . 1 . . .
0 0 ... 0 0 ... 1 0
entonces:
n
X n
X
A= ak Fk + ak Bk (F.127)
k=1 k=1
466 APENDICE F. MATRICES. DEFINICIONES Y PROPIEDADES
A = VWH (F.134)
en que:
F.8. VALORES SINGULARES 467
ij = 0 i 6= j (F.135)
11 22 . . . kk > k+1,k+1 = . . . = qq = 0 (F.136)
los elementos {ii } = {i } = { i }, en i son los autovalores de AH A,
que quedan por tanto unicamente determinados;
Si n m y AAH no tiene autovalores repetidos, entonces diferentes ma- Chequear si es necesario que
trices V en la representacion (F.134) quedan relacionados por una matriz sean diferentes
diagonal D = diag{ej1 , . . . , ejn } con i R. Esto es:
3. Finalmente, W = AH V1
q
!1/2
X
kAk2 = i2 (F.138)
i=1
1. AA y A A son hermitianas,
2. AA A = A, y
3. A AA = A .
[1] B.D.O. Anderson and John Moore. Linear Optimal Control. Prentice Hall,
Englewood Cliffs, N.J., 1971.
[2] B.D.O. Anderson and John Moore. Optimal filtering. Prentice Hall, En-
glewood Cliffs, N.J., 1979.
[4] H.W. Bode. Network analysis and feedback amplifier design. Van Nostrand,
New York, 1945.
[5] R.C. Dorf and R. Bishop. Modern Control Systems. Prentice Hall, Engle-
wood Cliffs, New Jersey, 9th edition, 1997.
[6] G.F. Franklin and J.D. Powel. Digital Control of Dynamics Systems.
Addison-Wesley, second edition, 1990.
[8] G.C. Goodwin, S. Graebe, and M.E. Salgado. Control System Design.
Prentice Hall, New Jersey, 2001.
[10] E. Jury. Sample Data Control Systems. John Wiley and Sons, 1958.
[12] D.L. Kreider, R.G. Kuller, D.R. Ostberg, and F.W. Perkins. Introduccion
al analisis lineal. Fondo Educativo Interamericano S.A., 1971.
[14] R.H. Middleton and G.C. Goodwin. Digital Control and Estimation. A
Unified Approach. Prentice Hall, Englewood Cliffs, New Jersey, 1990.
469
470 BIBLIOGRAFIA
[16] A.V. Oppenheim and R.W. Schafer. Discrete - Time Signal Processing.
Prentice-Hall International, Inc., 2nd edition, 1999.
[19] D.G. Schultz and J.L. Melsa. State Function and Linear Control Systems.
McGraw Hill Book Company, New York, 1967.
[20] D.W. Wiberg. Theory and Problems of State Space and Linear Systems.
McGraw Hill Book Company, New York, 1971.
[21] Lotfi A. Zadeh and Charles A. Desoer. Linear System Theory: the state
space approach. McGraw Hill Book Company, New York, 1963.
[23] K. Zhou, G. Salomon, and E. Wu. Balanced realization and model reduc-
tion for unstable systems. International Journal of Robust and Nonlinear
Control, 9:183198, 1999.
Index
471
472 INDEX