UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA

FACULTAD DE INGENIERÍA

INGENIERIA EN SISTEMAS COMPUTACIONALES EN HARDWARE

SIMULACION DE SISTEMAS

“Diferenciadores”

Derivada Sucia, Alta Ganancia, No Lineal, Exacto y Equivalente.

Alumno: Jesús José Navarrete Baca (301429)

Profesor: PhD. Aldo Jonathan Muñoz Vazquez

Grupo: 8HW1

Fecha de Entrega: 06/04/2019

Chihuahua, Chihuahua, México

 INTRODUCCIÓN

A continuación se presenta el reporte de los diferenciadores presentados en clase:

Derivada sucia
Alta ganancia
No Lineal (Utkin-Drakunov)
Exacto (Levan)
Equivalente (Muñoz-Vázquez)

Todos ellos vistos en la materia simulación de sistemas I dirigida por el PhD. Aldo
Jonathan Muñoz Vázquez.

La esencia del cálculo es la derivada. La derivada es la tasa instantánea de cambio de una

función con respecto a una de sus variables. Esto es equivalente a encontrar la pendiente de
la línea tangente a la función en un punto.

Por lo cual el proceso matemático de Diferenciación en esencia cumple el objetivo de

suministrar una salida proporcional a la derivada de la entrada con respecto a una o más
variables. Los muchos ejemplos comunes de diferenciadores mecánicos en los que un
desplazamiento se diferencia con respecto al tiempo incluyen velocímetros y generadores.
En tales dispositivos, la derivada se mide con frecuencia por las desviaciones de los
elementos cargados.
2
 Derivada Sucia

La derivada sucia “Dirty Derivative Method” se puede clasificar como un filtro estable
pasa altas de primer orden con grado relativo cero, cuya salida tiende al valor de la
derivada de la entrada. Este método de diferenciación es aproximado. Se ha
comprobado que con la derivada sucia se obtiene un mejor desempeño que con el
enfoque tradicional de diferenciación numérica, por lo que es comúnmente utilizada en
aplicaciones que requieren regulación de velocidad.

“Código en Matlab y Explicación del Método”

Como se puede observar en el presente código las variables base son h, tf, t y n.

h= Variable que se usa para determinar el incremento entre los valores en el vector
“t” y en la subrutina del código como variable maximizante ya que divide el
resultado del proceso del cálculo entre este incremento.
t= Vector inicial unidimensional cuyos valores oscilan de 0 hasta 5 en incrementos
de .002, siendo “tf” el límite superior y “h” el valor incremental.
n= Variable de control de los ciclos internos del método, este controlara el número
de veces que se ejecuta la fórmula del diferenciador para la señal con ruido y la
señal sin ruido, este valor comúnmente es en miles.
f1= Función de entrada al derivador en su estado primitivo. Es un vector
unidimensional de tamaño ‘t’ ya que la función seno se evalúa con cada valor
3

contenido en el vector “t” y lo almacena en “f1”.

 f2 = Función de entrada al derivador en su estado alterado, agregando ruido
aleatorio, se denomina ruido a toda señal no deseada que se mezcla con la señal útil
que se quiere transmitir. Es el resultado de diversos tipos de perturbaciones que
tiende a enmascarar la información cuando se presenta en la banda de frecuencias
del espectro de la señal, es decir, dentro de su ancho de banda. De igual forma es un
arreglo unidimensional de tamaño ‘t’, digamos que son los mismos resultados de la
función primitiva pero con ruido añadido.

Este segmento de código corresponde al primer grafico en el cual se muestran dos señales,
la primer señal es “t” vs “f2” , que es la función con ruido y el vector unidimensional
calculado con un incremento “h”, la segunda señal es “t” vs “f1”, que de igual forma
emplea el vector unidimensional “t” y la función inicial propuesta.

Para el presente ejemplo se usa la función “Seno”. A continuación se muestra el resultado

del primer gráfico.

Gráfico de Entrada

Visualización de las señales sin

alterar.
4
 ZOOM

La línea punteada en color rojo

muestra los valores de la
evaluación seno (t) mientras que
la línea azul muestra dichos
valores alterados con el ruido
inicialmente propuesto.

Filtro a la función
sin ruido.

Filtro a la función
con ruido.

El presente segmento de código aplica la fórmula del segmento de derivador sucio, por inspección
se observa que la variable “i” empieza en 2 hasta el valor de “n” con incrementos por default de 1,
cabe señalar que el valor de “n” anteriormente lo describí.

Como podemos observar “df1” y “df2” son los vectores de resultados que arrogan las evaluaciones
del método tanto del vector de la función intacta y el vector de la función con ruido, básicamente
el método consiste en restar el valor de la posición con índice “uno” menos el valor de la posición
con índice “cero” y a esta diferencia dividirla entre el incremento inicial que se propone en este
caso contenido en la variable “h”, hasta llegar al último valor de la última posición del vector de
entrada.

𝑉𝑒𝑐𝑓𝑢𝑛𝑐𝑖𝑜𝑛(𝑛) − 𝑉𝑒𝑐𝑓𝑢𝑛𝑐𝑖𝑜𝑛(𝑛 − 1)
𝑉𝑒𝑐𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜(𝑛) =
𝑉𝑖𝑛𝑐𝑟𝑒𝑚𝑒𝑛𝑡𝑎𝑙

Observaciones de la fórmula:

“n” hace alusión a la posición actual de evaluación del índice del vector de valores de entrada,
5

por ende “n” tiene que integrar inicialmente el valor de inicio + 1 para poder evaluar en la
formula el valor inicial, esto es restarlo del valor siguiente.
 Este segmento de código grafica el resultado “df1” contra los valores del vector “t”, además de
graficar la derivada analítica de la función inicial seno(t) -> coseno(t) contra los valores del vector
“t”.

Gráfico de Salida de la función

propuesta

Visualización de la señal virgen

filtrada (Línea Azul) y su derivada
analítica (Línea Roja).

Por ultimo tenemos el bloque de código cuya función es graficar los resultados obtenidos del
método derivada sucia a la función inicial con ruido y la derivada analítica de la función inicial
propuesta.

Gráfico de Salida de la función

con ruido propuesta

Visualización de la señal con

ruido filtrado (Línea Azul) y su
derivada analítica (Línea Roja).
6
 Conclusiones del Método:

Se puede observar que el método es efectivo en el caso de que la función de entrada no tenga
ruido, o en su defecto tenga mucho muy poco ruido, de lo contrario el método se verá limitado
para cumplir su cometido que es lograr una diferenciación perfecta de la función, se realizaron
pruebas minimizando la cantidad del ruido de la función y se logró obtener un resultado con una
mejora considerable, pero en la vida real es prácticamente imposible encontrar señales sin ruido,
o señales perfectas, por lo cual desde mi óptica personal se descarta este método como la mejor
vertiente de diferenciación.

Se adhiere la presente evidencia en la cual se observa se minimizo considerablemente la cantidad

de ruido, y a primera impresión se observa una derivada casi muy apegada a la ideal, sin embargo
se adhiere un zoom para corroborar que en efecto hay discrepancias.

Gráfico de Salida de la función

con ruido + ZOOM

Visualización de la señal con

ruido filtrado (Línea Azul) y su
derivada analítica (Línea Roja).

Gráfico de Salida de la función

con ruido

Visualización de la señal con

ruido filtrado (Línea Azul) y su
derivada analítica (Línea Roja).
7
 Diferenciador de Alta Ganancia (Khalil)

El diferenciador de alta ganancia propuesto por el PhD. Hassan K. Khalil, considera el

control de realimentación de salida utilizando observadores de alta ganancia en
presencia de medición de ruido para una clase de sistemas no lineales. Estudia la
estabilidad en presencia del ruido de medición e ilustra la compensación cuando se
selecciona la ganancia del observador entre estados de velocidad de reconstrucción y
robustez para modelar la incertidumbre por un lado frente a la amplificación del ruido
por el otro.

“Código en Matlab y Explicación del Método”

Como se puede observar en el presente código, las explicación para las variables iniciales es la
misma, se contemplan los mismos dos vectores de evaluación: el de la función objetivo y el de
dicha función con el ruido añadido, sin embargo se observa que existen cuatro nuevas variables
que van a interactuar en si con la lógica del método cuyos nombres son: “z” , “dz”, “e”, “k”, los
valores de “z” y “e” deben de ser inicialmente cero, sin embargo para el valor de “k” se puede
experimentar ya que es un valor constante, “dz” es un valor de apoyo calculado que depende
8

directamente de “e” y “k”.

 Por inspección se omite la explicación de los bloques de código repetidos, esto es las instrucciones
que manipulan la graficación de los vectores propuestos, dicho bloque se explicó inicialmente en
el método de derivada sucia.

Gráfico de Entrada

Visualización de las señales sin

alterar.

Aplicación del método a

los valores del vector de la
función sin ruido “f1”.

Aplicación del método a

los valores del vector de
la función con ruido “f2”.

Al igual que el método de derivada sucia, cada ciclo se emplea para el cálculo del vector con los
nuevos valores resultado de la metodología del método en cuestión, como podemos observar la
variable “e” contiene el resultado de la diferencia de la posición “i” del vector de la función base
en cuestión y la variable “z”, “dz” es el resultado del producto entre la constante “k” y
propiamente la variable de juego “e”, el resultado que tendrá el nuevo vector en la posición actual
es el valor que se calculó en la variable “dz”. Por último la variable “z” se auto incrementa con su
propio valor “+=” más el resultado del producto de la variable “dz” y la constante de incremento
“h” cuyo valor se propone a consideración desde las primeras líneas del script.
9
 A continuación se presentan los resultados obtenidos con los valores propuestos por default:

Gráfico de Salida de la función

con ruido propuesta

Visualización de la señal con

ruido filtrado (Línea Azul) y su
derivada analítica (Línea Roja).

Gráfico de Salida de la función

propuesta

Visualización de la señal virgen

filtrada (Línea Azul) y su derivada
analítica (Línea Roja).

Conclusiones del Método:

Se logra observar en ambos escenarios un desfase en la onda, además de un transitorio muy

visible tanto para el vector de la función sin ruido y el vector de la función con ruido, sin embargo
se logra apreciar una mejora sustancial al momento de pasar por el proceso de diferenciación los
valores de la señal con ruido al compararlos con su derivada analitica, sin embargo
lamentablemente al someter la función primitiva es decir la función sin ruido obtiene como
resultado un desfase con su respectiva derivada analítica, esto considerando un valor de k = “10”,
sin embargo al realizar modificaciones de esta constante se obtuvo un resultado mayoritariamente
bueno con k=”100”, anexo la evidencia del proceso.
10
 Gráfico de Salida de la función
propuesta

Visualización de la señal virgen filtrada

(Línea Azul) y su derivada analítica (Línea
Roja) empleando una constante k=”100”.

Gráfico de Salida de la función con ruido

propuesta

Visualización de la señal con ruido filtrado

(Línea Azul) y su derivada analítica (Línea
Roja) empleando una constante “k=100”.

Se observa una notoria mejora comparando con k=10, por lo cual se deduce que es un método
interesante para señales que incorporan poco ruido, sin embargo no es ideal para aplicaciones de
la vida real que mezclan ruido en sus valores, ya que realice pruebas otorgando mayor ruido .002 y
11

se veía un resultado poco favorable.

 Diferenciador No Lineal (Utkin-Drakunov)

La diferenciación de señales es un problema antiguo y bien conocido y ha atraído más

atención en años recientes. La obtención rápida y precisa de las velocidades y
aceleraciones de los objetivos rastreados es crucial para varios tipos de sistemas con
resultados correctos y oportunos, como los sistemas de intercepción de misiles en
sistemas de defensa y sistemas de vehículos submarinos. En la presente se introduce
una breve demostración del método diferenciador no lineal, desarrollado por Vadim
Utkin y Sergey V. Drakunov.

“Código en Matlab y Explicación del Método”

Siguiendo de manera cronológica la descripción de los métodos, se observan de igual forma

fuertes similitudes con el método anterior, en esencia se usa la misma estructura de datos para
interactuar con el paradigma, los dos vectores lineales de información que integran los datos de la
evaluación de la función propuesta y los datos con ruido añadido. Sin embargo se añade una
nueva constante denominada “beta” que permite realizar ajustes debido a que se integra en el
12

cuerpo de la implementación del método.

 Con el objeto de reflejar la idea de obtención del conocimiento de manera más mesurada se
omiten de igual forma los bloques de código repetidos en los métodos previamente descritos.

Gráfico de Entrada

Visualización de las señales sin alterar (Azul = vector con

ruido), (Rojo = vector con función en su estado nominal.).

Aplicación del método a

los valores del vector de la
función sin ruido “f1”.

Aplicación del método a

los valores del vector de
la función con ruido “f2”.

La rutina de código demuestra la manera en la que la metodología de diferenciador no lineal

manipula los datos para producir los vectores de salida, de igual forma cada ciclo incorpora la
subrutina que plasma la esencia del contexto en el cual se basa el presente diferenciador. Las
variables “z” y “e” variaran en base a los cálculos internos de cada fragmento, “e” es igual al valor
en la posición “i” del vector que contiene los datos de entrada menos el valor de la variable “z”
13

que conforme avancen los ciclos de la estructura “for” hira tomando valores diferentes, “dz” es el
resultado de la multiplicación de la constante “k” por la tangente hiperbólica cuyos argumentos a
 los parámetros de esta función trigonométrica es el producto aritmético de la constante “beta”
por “e”, el nuevo valor calculado del vector saliente “df1(i)” es igual al valor numérico de “dz”,
para finalizar el algoritmo descrito se denota que la variable “z” se autoincrementa así misma y
además adhiere el resultado del producto de “dz” con la variable incremental “h” que vista desde
una perspectiva de programación estructurada, entra en la denominación de una constante
aritmetica. Cabe hacer mención de nueva cuenta que la variable controladora del ciclo en este
caso lleva por nombre “i” que empieza desde 1 hasta el valor de la variable “n” que depende del
valor incremental “h” y la variable de tiempo final “tf” en incrementos del valor unidad.

Sin más sincopas de usiría a continuación se presentan los resultados obtenidos con los valores
propuestos presentados en el script inicial:

Gráficos de Salida de la función con ruido

propuesta

Visualización de la señal con ruido una vez

tratada con el método (Línea Azul) y su derivada
analítica (Línea Roja).
14
 Gráficos de Salida de la función
propuesta

Visualización de la señal virgen filtrada

(Línea Azul) y su derivada analítica (Línea
Roja).

Conclusiones del Método:

Se logra observar que este método presenta una demora de tiempo en el transitorio, el proceso
de filtrado de la función original, es decir los valores que no incorporan ruido se nota un trabajo
decente observando el resultado, sin embargo no es lo mismo para la señal filtrada con ruido, ya
15

que dista demasiado de su derivada analitica. Jugando un poco con las constantes que fluctúan el
 rendimiento de este método se logró obtener pequeñas mejoras empleando “k=4” y “beta = 4”, a
continuación se añaden las evidencias correspondientes para Usía.

Gráfico de Salida de la función con ruido propuesta

Visualización de la señal con ruido filtrado (Línea Azul) y su

derivada analítica (Línea Roja) empleando “k=4” y “beta = 4”.

Gráfico de Salida de la función sin ruido propuesta

Visualización de la señal sin ruido filtrada (Línea Azul) y su derivada

analítica (Línea Roja) empleando “k=4” y “beta = 4”.
16
 Diferenciador Exacto (Arie Levant)

El principal problema en el diseño de un diferenciador es combinar la exactitud de la

diferenciación con la robustez numérica y con respecto a posibles errores de medición
y ruidos de entrada. El diferenciador que propone Arie Levant prevé la
proporcionalidad del error de diferenciación máximo a la raíz cuadrada de la
desviación máxima de la señal de entrada dista desde la señal base. Este orden de error
de diferenciación se muestra como el mejor posible cuando la única información
conocida en la señal base es un límite superior para la constante de Lipschitz de la
derivada.

“Código en Matlab y Explicación del Método”

El penúltimo método que se tratara en el presente reporte también comparte la misma estructura
de código que los métodos previos, este incorpora las variables especiales para su binomio de
17

interacción: “z” , “z1” , “e”, “L” , “k1” y “k0” al igual que “dz” y “dz1” estas dos últimas serán
tratadas como se puede observar dentro de la implementación de las instrucciones del método
 matemático, “L”, “k1” y “k0” son los parámetros constantes con los cuales se pueden realizar
ajustes para la optimización de los resultados del método en base a circunstancias presentes como
se puede observar inicialmente se plantea para “L=100”, para “k1 = 1.5” multiplicado por la raíz
cuadrada de “L” y para “k0” se tiene el valor de 1.1 multiplicado por “L”.

De igual forma se omite la explicación para los bloques de código repetidos.

Gráfico de Entrada

Visualización de las señales sin alterar (Azul = vector con

ruido), (Rojo = vector con función en su estado nominal.).

Aplicación del método a los

valores del vector de la
función sin ruido “f1”.

Aplicación del método a los

valores del vector de la
función con ruido “f2”.
18
 Pues bien, dando pie a la descripción del método, son seis pasos a considerar para la formulación
de la nueva función de salida, esto es considerando desde luego como en los otros métodos un
ciclo que se ejecute “n” número de veces siendo “n” el número de elementos que conforman el
vector de entrada, esto para realizar el cálculo de los cinco pasos siguientes a cada valor.
Recordemos que para cada valor de entrada le corresponde uno de salida con la modificación
numérica que el método aplica para hacia tal elemento. A continuación describo la metodología
presentada en el código previo, la variable “e” obtiene el valor del elemento (i) del vector de
entrada menos el valor de la variable “z”, “dz” adhiere el valor de la multiplicación de la constante
“k1” por la raíz del valor absoluto de la variable “e” (valor absoluto se refiere a un número con
signo positivo) y secuencialmente por el resultado de la evaluación “sign” de la variable “e” (cabe
hacer mención que la función “sign” devuelve un “1” si el argumento es mayor a “0”, si el
argumento es “0” devuelve “0” y si es menor a “0” devuelve un “-1”) más el valor de la variable
“z1”. La variable “dz1” contendrá el resultado de la constante “k0” por el resultado de la
evaluación “sign” de la variable “e”. El valor actual de salida que contendrá el vector nuevo es el
valor de la variable “z1”. La variable “z” se autoincrementa a sí misma y se adhiere el resultado del
producto de la variable “dz” por “h” que es la variable de incremento. Finalmente la variable “z1”
se autoincrementa a sí misma y adhiere el resultado del producto “dz1” por “h”.

Al haber descrito esta serendipia de oxímoron doy paso a mostrar los resultado obtenidos con los
valores iniciales propuestos:

Gráficos de Salida de la función con ruido

propuesta

Visualización de la señal con ruido una vez

tratada con el método (Línea Azul) y su derivada
analítica (Línea Roja).
19
 Gráficos de Salida de la función
propuesta

Visualización de la señal virgen filtrada

(Línea Azul) y su derivada analítica (Línea
Roja).

Conclusiones del Método:

Con los valores iniciales que se presentan de facto en el código de introducción se obtienen
resultados interesantes, tanto en el vector sin ruido y en el que incorpora ruido, pero sin lugar a
duda en el que se observa una aproximación bastante buena y respetable de su diferencial es en el
resultado filtrado del vector sin ruido, básicamente se logra apreciar un escalonado que hace
alusión a la buena aproximación del proceso de diferenciación numérico al analítico, el proceso en
el cual se obtiene el nuevo vector de salida de los valores con ruido se aprecia que se pudo mitigar
un poco las atenuaciones fluctuantes que radican en los picos paralelos de la derivada analitica, sin
20

embargo modificando los argumentos a los parámetros del método establecido se logró mejorar
 palpablemente tal resultado, a continuación se muestra evidencia del proceso junto con los
valores nuevos de chequeo, se advierte que existe un desfase en el transitorio aun con el ajuste.

Gráfico de Salida de la función sin ruido propuesta

Visualización de la señal sin ruido filtrada (Línea Azul) y su derivada

analítica (Línea Roja) empleando los valores de ajuste L.

Gráfico de Salida de la función con ruido propuesta

Visualización de la señal con ruido filtrado (Línea Azul) y su derivada

analítica (Línea Roja) empleando el nuevo valor de ajuste L.

Por ende hasta el momento para los valores de la función seno(t) y el ruido propuesto, este
método por inspección ha mostrado los mejores resultados, el ajuste a “L=50” debidamente
21

mitigo bastante el ruido de salida comparado con la derivada de la función de entrada.

 Diferenciador Equivalente

El método titulado Diferenciador Equivalente es construido por el Phd. Aldo Jonathan

Muñoz Vázquez en una maniobra altamente acertada, ya que en base a la inspección de
los métodos existentes creo un derivado altamente interesante, no cuenta con una
documentación formal pero los resultados en la praxis son altamente buenos.

“Código en Matlab y Explicación del Método”

En este quinto y último método se destaca una complejidad mesuradamente mayor a los 4
métodos anteriormente descritos, como se ha venido planteando este método también se basa en
la estructura básica de Diferenciación y se apoya de igual forma en los valores propuestos para
todos los métodos a excepción de que añade variables de control nuevas, este es el método que
incorpora una mayor cantidad de parámetros, dichos parámetros son: “z”,”z1”, “e”, “k1”, “k2”,
“beta1”, “beta2”, “k3” y “k4” además de “u1”, “u2”, “dz”, “dz1”, que más adelante se describirá la
manera en la que se interactúa con los mismos.
22
 Gráfico de Entrada

Visualización de las señales sin alterar (Azul = vector con

ruido), (Rojo = vector con función en su estado nominal.).

Aplicación del método a los valores

del vector de la función sin ruido
“f1”.

Aplicación del método a los valores

del vector de la función con ruido
“f2”.

La metodología de manejo de los datos de los vectores de entrada es la misma se requiere un ciclo
por vector que itere el número de veces que equidista al número de posiciones que contiene el
vector, son ocho pasos que se deben de seguir acabo para cada valor del vector de entrada, a
continuación se describen tales pasos de manera litera: la variable “e” integra el valor de la
23

posición “i” del vector de entrada ( recordemos que “i” es el índice de iteración del arreglo
controlador por el bucle for) menos el valor de la variable “z”, el segundo paso radica en asignarle
 el valor a la variable “u1” del producto de la variable “k1” multiplicado por la función tangente
hiperbólica que toma como argumentos la multiplicación de la variable “beta1” por “e” a este
resultado arrogado se le agrega de igual forma el valor del producto “k3” por la variable “e”, el
tercer paso es asignar el valor del producto “k2” por la tangente hiperbólica del resultado “beta2
por u1”, además añadiéndoles el resultado de la multiplicación de la variable “k4” por “u1”. El
cuarto paso es asignarle a la variable “dz” el valor de la suma de “z1” mas “u1”. El quinto paso es
usar una bandera y asignarle a la variable “dz1” el valor de la variable “u2”, El sexto paso es
autoincrementar la variable “z1” y añadirle el valor del resultado del producto de “dz1”” por “h”
que es la constante de incremento. El séptimo y último pasó pues es asignar el nuevo valor de
salida calculado a la posición del vector salida actual. Cabe señalar que los valores de las variables
“z”, “z1” y “e” deben de estar en ceros antes de realizar una evaluación a un conjunto de datos
dados. Proteicas de platón descritas se procede a presentar los resultados para los valores
iniciales.

Gráficos de Salida de la función con ruido

propuesta

Visualización de la señal con ruido una vez

tratada con el método (Línea Azul) y su derivada
analítica (Línea Roja).
24
 Gráficos de Salida de la función
propuesta

Visualización de la señal virgen filtrada

(Línea Azul) y su derivada analítica (Línea
Roja).

Conclusiones del Método:

Empleando el presente método se obtuvieron resultados satisfactorios desde la primer corrida de

programa, al igual que el método Exacto de Levan tiene excelente resultados para la función
propuesta tanto para la versión con ruido y la que no integra el ruido, una de las cosas que si se
puede apreciar muy mínimamente es que el transitorio de este método es un poco más visible,
además de que la gráfica de salida muestra una serie de interlocuciones triangulares para la
función de salida que transforma la función sin ruido, el método de levan en lugar de apreciarse
este tipo de patrones se muestran escalones, desde una perspectiva personal y muy sincera creo
que este método es ligeramente mejor al de Levan, dado que te permite maniobrar de manera
más contundente para los resultados que se requieren dado sus múltiples parámetros que se
puede decir funcionan como limites dicho de una manera coloquial.

Es cuánto.
25
 Bibliografía
Community, C. (s.f.). wikipedia. Obtenido de
https://es.wikipedia.org/wiki/Ruido_(comunicaci%C3%B3n)

Drakunov, S. V. (2009). Rapid-convergent nonlinear differentiator. ResearchGate.

Jeffrey H. Ahrens, H. K. (2008). High-Gain Observers in the Presence of Measurement Noise: A

Switched-Gain Approach. ScienceDirect. Obtenido de High-Gain Observers in the Presence
of

Levant, A. (1998). Robust exact differentiation via sliding mode technique. XIEEE.

Perez, P. G. (2012). UNAM. Obtenido de

http://www.ptolomeo.unam.mx:8080/xmlui/bitstream/handle/132.248.52.100/2888/Tesi
s.pdf?sequence=1
26