ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS

SISTEMAS DINAMICOS

UNIDAD 3: ETAPA 3 - IDENTIFICAR MODELOS DE SISTEMAS DINÁMICOS MEDIANTE

MATLAB

SISTEMAS DINAMICOS

Listado de conceptos desconocidos

Ident: Función de identificación de sistemas dinámicos incluida en Matlab a través de la caja de herramientas
“System Identification Toolbox”, la cual provee funciones de Matlab, bloques de Simulink, y una aplicación para
la construcción matemática de modelos de sistemas dinámicos a partir de datos medidos de entrada y salida.
Permite crear y usar modelos de sistemas dinámicos que no es posible obtener fácilmente a partir de los datos o
especificaciones iniciales. Es posible usar entradas y salidas de datos en el dominio del tiempo y/o de la frecuencia
para identificar funciones de transferencia en tiempo continuo y discreto, modelos de proceso y modelos de
espacio de estados. La herramienta también provee algoritmos para estimación de parámetros integrados en línea.

La caja de herramientas provee técnicas de identificación tales como máxima verosimilitud, minimización en la
predicción de errores (PEM), e identificación de sistema de subespacios. Para representar sistemas dinámicos no
lineales, es posible estimar modelos Hammerstein-Wiener y ARX no lineales con redes neuronales tipo wavelet,
partición en árbol, y las no-linealidades de la red sigmoide. Para la estimación de parámetros de un modelo
definido por el usuario, la herramienta realiza identificación de sistemas tipo grey-box.

ARX: Modelo autorregresivo con entrada exógena. En procesamiento de señales, un modelo autorregresivo (AR)
es una representación de un tipo de proceso aleatorio, que como tal, describe ciertos procesos variables en el
tiempo. El modelo autorregresivo especifica que la variable de salida depende linealmente de sus propios valores
anteriores. En un modelo ARX, simplemente se agrega una entrada exógena (externa) al modelo AR. Está dado
de la forma:

Donde na y nb determinan el orden de los polinomios siendo polos y ceros respectivamente, y nk es el número de
retrasos de la entrada a la salida. Es un modelo simple y lineal ampliamente utilizado. Supone que la señlar de
error (o ruido) siempre será cero. Gráficamente, podría representarse cómo:
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

ARMAX: Es similar al modelo ARX, sólo que ingresa una nueva variable C(q), la cual representa el ruido o error
en el sistema:

Gráficamente, podría representarse cómo:

Output-Error: Todos los modelos AR comparten el polinomio A(q) como dinámica en el denominador en la
función de transferencia de entrada y la función de transferencia del ruido. Esto corresponde a que el ruido no
influye directamente a la salida y(k) del modelo pero en cambio se introduce al modelo antes del filtro 1/A(q).
Estos modelos adoptados son razonables si verdaderamente el ruido se introduce al proceso primero, entonces
sus características de frecuencia son determinadas por la dinámica del proceso. Si el ruido es principalmente
medidas de ruido que típicamente y directamente perturba la salida, los llamados modelos output error (error de
salida) son más realistas.

Los modelos output error son caracterizados por modelos de ruido que no contienen la dinámica del proceso. Así,
el ruido se asume que afecta la salida del proceso directamente. El más evidente de los modelos output error es el
output error (error de salida), dado de la forma:
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Este modelo OE es un modelo especial en la clase de los modelos output error. Por simplicidad los procesos y los
modelos se asumen que no tienen tiempo muerto. Sin embargo, en cualquier ecuación el tiempo muerto puede ser
fácilmente introducido reemplazando la entrada u(k) con la entrada retrasada d pasos u(k-d). A demás, esto supone
que los procesos y los modelos no tienen camino directo desde la entrada a la salida, entonces u(k) no afecta
inmediatamente la salida. Gráficamente puede representarse cómo:

Box-Jenkins: La metodología Box-Jenkins se refiere a una serie de procedimientos para identificar, ajustar y
verificar los modelos de promedio móvil

autorregresivo (más conocido por sus siglas en inglés ARIMA) con los datos de serie de tiempo. Los pronósticos
proceden directamente de la forma del modelo ajustado, y es distinta de la mayoría de los métodos debido a que
no supone un patrón particular en los datos históricos de las series que han de pronosticarse ARIMA (Modelos
Autorregresivos Integrados de Medias Móviles). Si la variable endógena de un período t es explicada por las
observaciones de ella misma correspondientes a períodos anteriores añadiéndose, como en los modelos
estructurales, un término de error.

El desarrollo del modelo de error de salida (OE) es para adicionar al modelo las propiedades del ruido en la
salida. Pero si describimos esto mismo en el marco de un modelo ARMA llegamos al siguiente resultado:
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Características Aplicación

ARX

[na nb nk]

[na nb nc
ARMAX nk]

OE [nb nf nk]

nk]
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

PARA EL SISTEMA LINEAL

Sistema Lineal – 6 polos, 1 cero

Mi función de transferencia para el sistema lineal con la cual debo comparar es:
Tf1 = 75.41
4.626𝑒7 𝑠 + 8.413𝑒8
𝑠5 + 84.55 𝑠5 + 1.012𝑒4 𝑠4 + 5.499𝑒5 𝑠 3 + 2.188𝑒07 𝑠 2 + 4.295𝑒8 𝑠 + 4.233𝑒9
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Para el modelo ARX tenemos:

Arx621 = 96.12 de aproximación a nuestra señal
𝐴(𝑧) = 1 − 0.2659 − 0.1581𝑧 −2 − 0.1848𝑧 −3 − 0.1923𝑧 −4 − 0.02365𝑧 −5 − 0.03509𝑧 −6
𝐵(𝑧) = 0.01666𝑧 −1 + 0.0118𝑧 −2
𝑩(𝒛)
𝒚(𝒕) = [ ]∙𝒖
𝑨(𝒛)
Reemplazamos:
0.01666𝑧 −1 + 0.0118𝑧 −2
𝑦(𝑡) = [ ]∙𝑢
1 − 0.2659 − 0.1581𝑧 −2 − 0.1848𝑧 −3 − 0.1923𝑧 −4 − 0.02365𝑧 −5 − 0.03509𝑧 −6
Invertir exponentes negativos:
0.01666 0.0118
+
𝑧 𝑧2
𝑦(𝑡) = 0.2659 0.1581 0.1848 0.1923 0.02365 0.03509
1− − − − − −
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6
0.01666𝑧+0.0118
1
𝑦(𝑡) = 𝑧 6 −0.2659𝑧 5 −0.1581𝑧 4 −0.1848𝑧 3 −0.1923𝑧 2 −0.02365𝑧−0.03509
𝑧4

0.01666𝑧 5 + 0.0118𝑧 4
𝑦(𝑡) = 6
𝑧 − 0.2659𝑧 5 − 0.1581𝑧 4 − 0.1848𝑧 3 − 0.1923𝑧 2 − 0.02365𝑧 − 0.03509
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Para el modelo ARMAX tenemos:

Amx2221 = 96.17 de aproximación a nuestra señal
𝐴(𝑧) = 1 − 1.935𝑧 −1 + 0.9925𝑧 −2 − 0.1137𝑧 −3 − 0.00502𝑧 −4 + 0.1401𝑧 −5 − 0.07821𝑧 −6
𝐵(𝑧) = 0.01224𝑧 −1 − 0.01203𝑧 −2
𝐶(𝑧) = 1 − 1.749𝑧 −1 + 0.7718𝑧 −2
𝑩(𝒛)
𝒚(𝒕) = [ ] + 𝑪(𝒛)
𝑨(𝒛)
Reemplazamos:
0.01224𝑧 −1 − 0.01203𝑧 −2
𝑦(𝑡) = [ ]+1
1 − 1.935𝑧 −1 + 0.9925𝑧 −2 − 0.1137𝑧 −3 − 0.00502𝑧 −4 + 0.1401𝑧 −5 − 0.07821𝑧 −6
− 1.749𝑧 −1 + 0.7718𝑧 −2
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Invertimos los exponentes negativos

0.01224 0.01203
− 1.749 0.7718
𝑧 𝑧2
𝑦(𝑡) = [ 1.935 0.9925 0.1137 0.00502 0.1401 0.07821] + 1− +
1− + − − + − 𝑧 𝑧2
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6

0.01224𝑧−0.01203
𝑧 2 − 1.749𝑧 + 0.7718
𝑦(𝑡) = [ 𝑧 6 −1.935𝑧 5 +0.9925𝑧 4 −0.1137𝑧13 −0.00502𝑧 2 +0.1401𝑧−0.07821 ] +
𝑧2
𝑧4

0.01224𝑧 5 − 0.01203𝑧 4
𝑦(𝑡) = [ 6 ]
𝑧 − 1.935𝑧 5 + 0.9925𝑧 4 − 0.1137𝑧 3 − 0.00502𝑧 2 + 0.1401𝑧 − 0.07821
𝑧 2 − 1.749𝑧 + 0.7718
+
𝑧2

Para el modelo OE tenemos:

Oe221 = 92.21 de aproximación a nuestra señal
𝐵(𝑧) = 0.009325𝑧 −1 − 0.0008828𝑧 −2
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

𝐹(𝑧) = 1 − 1.394𝑧 −1 + 0.5571𝑧 −2 − 0.08848𝑧 −3 − 0.5852𝑧 −4 + 0.9807𝑧 −5 − 0.4281𝑧 −6

Teniendo en cuenta que nf y nb serían los polos y ceros respectivamente.

𝑩(𝒛)
𝒚(𝒕) = [ ]∙𝒖
𝑭(𝒛)
Reemplazamos:
0.009325𝑧 −1 − 0.0008828𝑧 −2
𝑦(𝑡) = [ ]∙𝑢
1 − 1.394𝑧 −1 + 0.5571𝑧 −2 − 0.08848𝑧 −3 − 0.5852𝑧 −4 + 0.9807𝑧 −5 − 0.4281𝑧 −6
Invertir exponentes negativos:
0.009325 0.0008828
−
𝑧 𝑧2
𝑦(𝑡) = 1.394 0.5571 0.08848 0.5852 0.9807 0.4281
1− + − − + −
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6
0.009325𝑧−0.0008828
1
𝑦(𝑡) = 𝑧 6 −1.394𝑧 5 +0.5571𝑧 4 −0.08848𝑧 3 −0.5852𝑧 2 +0.9807𝑧−0.4281
𝑧4

0.009325𝑧 5 − 0.0008828𝑧 4
𝑦(𝑡) =
𝑧 6 − 1.394𝑧 5 + 0.5571𝑧 4 − 0.08848𝑧 3 − 0.5852𝑧 2 + 0.9807𝑧 − 0.4281
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Para el modelo BJ tenemos:

Bj22221 = 95.93 de aproximación a nuestra señal
𝐵(𝑧) = −0.01688𝑧 −1 − 0.01861𝑧 −2
𝐶(𝑧) = 1 + 0.1117𝑧 −1 − 0.8853𝑧 −2
𝐷(𝑧) = 1 − 0.2308𝑧 −1 − 1.121𝑧 −2 − 0.009743𝑧 −3 − 0.1233𝑧 −4 + 0.2363𝑧 −5 − 0.2484𝑧 −6
𝐹(𝑧) = 1 + 1.832𝑧 −1 + 1.633𝑧 −2 + 1.405𝑧 −3 + 0.79𝑧 −4 + 0.07426𝑧 −5 − 0.06129𝑧 −6
Teniendo en cuenta que nf y nd serían los polos y nb y nc serían los ceros.
𝑩(𝒛) 𝑪(𝒛)
𝒚(𝒕) = [ ]+[ ]
𝑭(𝒛) 𝑫(𝒛)
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

−0.01688𝑧 −1 − 0.01861𝑧 −2
𝑦(𝑡) = [ ]
1 + 1.832𝑧 −1 + 1.633𝑧 −2 + 1.405𝑧 −3 + 0.79𝑧 −4 + 0.07426𝑧 −5 − 0.06129𝑧 −6
1 + 0.1117𝑧 −1 − 0.8853𝑧 −2
+[ ]
1 − 0.2308𝑧 −1 − 1.121𝑧 −2 − 0.009743𝑧 −3 − 0.1233𝑧 −4 + 0.2363𝑧 −5 − 0.2484𝑧 −6

0.01688 0.01861
− −
𝑧 𝑧2
𝑦(𝑡) = [ 1.832 1.633 1.405 0.79 0.07426 0.06129]
1+ + + + + −
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6

0.1117 0.8853
1+ −
𝑧 𝑧2
+[ 0.2308 1.121 0.009743 0.1233 0.2363 0.2484]
1− − − − + −
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6

−0.01688𝑧 − 0.01861
𝑦(𝑡) = [ ]
𝑧6 + 1.832𝑧 5 + 1.633𝑧 4 + 1.405𝑧 3 + 0.79𝑧 2 + 0.07426𝑧 − 0.06129
𝑧 2 − 0.1117𝑧 − 0.8853
+[ 6 ]
𝑧 − 0.2308𝑧 5 − 1.121𝑧 4 − 0.009743𝑧 3 − 0.1233𝑧 2 + 0.2363𝑧 − 0.2484
ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

PARA EL SISTEMA NO LINEAL

Sistema No Lineal – 6 polos, 1 cero

Mi función de transferencia para el sistema no lineal con la cual debo comparar es:
Tf1 = -34.17
−8.234𝑒5 − 4.701𝑒5
𝑠 6 + 42.23 𝑠 5 + 2360 𝑠 4 + 7.144𝑒4 𝑠 3 + 1.286𝑒6 𝑠 2 + 1.165𝑒7 𝑠 + 2.461𝑒6
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Para el modelo ARX tenemos:

Arx621 = 64.78 de aproximación a nuestra señal
𝐴(𝑧) = 1 − 0.4522𝑧 −1 − 0.2799𝑧 −2 − 0.2374𝑧 −3 − 0.1753𝑧 −4 + 0.05673𝑧 −5 + 0.1029𝑧 −6
𝐵(𝑧) = 0.01277𝑧 −1 − 0.01109𝑧 −2
𝑩(𝒛)
𝒚(𝒕) = [ ]∙𝒖
𝑨(𝒛)
Reemplazamos:
0.01277𝑧 −1 − 0.01109𝑧 −2
𝑦(𝑡) = [ ]∙𝑢
1 − 0.4522𝑧 −1 − 0.2799𝑧 −2 − 0.2374𝑧 −3 − 0.1753𝑧 −4 + 0.05673𝑧 −5 + 0.1029𝑧 −6
Invertir exponentes negativos:
0.01277 0.01109
−
𝑧 𝑧2
𝑦(𝑡) = 0.4522 0.2799 0.2374 0.1753 0.05673 0.1029
1− − − − + +
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6
0.01277𝑧−0.01109
𝑧2
𝑦(𝑡) = 𝑧 6 −0.4522𝑧 5 −0.2799𝑧 4 −0.2374𝑧 3 −0.1753𝑧 2 +0.0567𝑧+0.1029
𝑧6

(0.01277𝑧 − 0.01109) ∙ 𝑧 4
𝑦(𝑡) =
𝑧 6 − 0.4522𝑧 5 − 0.2799𝑧 4 − 0.2374𝑧 3 − 0.1753𝑧 2 + 0.0567𝑧 + 0.1029

0.01277𝒛𝟓 − 0.01109𝒛𝟒
𝒚(𝒕) = 6
𝑧 − 0.4522𝑧 5 − 0.2799𝑧 4 − 0.2374𝑧 3 − 0.1753𝑧 2 + 0.0567𝑧 + 0.1029
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Para el modelo ARMAX tenemos:

Amx6221 = 87.76 de aproximación a nuestra señal
𝐴(𝑧) = 1 − 1.896𝑧 −1 + 0.9781𝑧 −2 − 0.1131𝑧 −3 + 0.01262𝑧 −4 + 0.06666𝑧 −5 + 0.01292𝑧 −6
𝐵(𝑧) = 0.00712𝑧 −1 − 0.007106𝑧 −2
𝐶(𝑧) = 1 − 1.692𝑧 −1 + 0.7337𝑧 −2
𝑩(𝒛)
𝒚(𝒕) = [ ] + 𝑪(𝒛)
𝑨(𝒛)
Reemplazamos:
0.00712𝑧 −1 − 0.007106𝑧 −2
𝑦(𝑡) = [ ]+1
1 − 1.896𝑧 −1 + 0.9781𝑧 −2 − 0.1131𝑧 −3 + 0.01262𝑧 −4 + 0.06666𝑧 −5 + 0.01292𝑧 −6
− 1.692𝑧 −1 + 0.7337𝑧 −2
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Invertimos los exponentes negativos:

0.00712 0.007106
− 1.692 0.7337
𝑧 𝑧2
𝑦(𝑡) = [ 1.896 0.9781 0.1131 0.01262 0.06666 0.01292] +1− +
1− + − + + + 𝑧 𝑧2
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6

0.00712𝑧−0.007106
2 𝑧 2 − 1.692𝑧 + 0.7337
𝑦(𝑡) = [ 𝑧 6 −1.896𝑧 5 +0.9781𝑧 4 −0.1131𝑧𝑧3 +0.01262𝑧 2 +0.06666𝑧+0.01292 ] +
𝑧2
𝑧6

(0.00712𝑧 − 0.007106) ∙ 𝑧 3
𝑦(𝑡) = [ 6 ]
𝑧 − 1.896𝑧 5 + 0.9781𝑧 4 − 0.1131𝑧 3 + 0.01262𝑧 2 + 0.06666𝑧 + 0.01292
𝑧 2 − 1.692𝑧 + 0.7337
+
𝑧2

Para el modelo OE tenemos:

Oe261 = -206.5 de aproximación a nuestra señal
𝐵(𝑧) = −0.0002348𝑧 −1 − 0.0002347𝑧 −2
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

𝐹(𝑧) = 1 − 2.381𝑧 −1 + 1.798𝑧 −2 + 0.05366𝑧 −3 − 1.884𝑧 −4 + 2.328𝑧 −5 − 0.9138𝑧 −6

Teniendo en cuenta que nf y nb serían los polos y ceros respectivamente.

𝑩(𝒛)
𝒚(𝒕) = [ ]∙𝒖
𝑭(𝒛)
Reemplazamos:
−0.0002348𝑧 −1 − 0.0002347𝑧 −2
𝑦(𝑡) = [ ]∙𝑢
1 − 2.381𝑧 −1 + 1.798𝑧 −2 + 0.05366𝑧 −3 − 1.884𝑧 −4 + 2.328𝑧 −5 − 0.9138𝑧 −6
Invertir exponentes negativos:
−0.0002348 0.0002347
−
𝑧 𝑧2
𝑦(𝑡) = 2.381 1.798 0.05366 1.884 2.328 0.9138
1− − − − + −
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6
−0.0002348𝑧−0.0002347
1
𝑦(𝑡) = 𝑧 6 −2.381𝑧 5 +1.798𝑧 4 +0.05366𝑧 3 −1.884𝑧 2 +2.328𝑧−0.9138
𝑧3

(−0.0002348𝑧 − 0.0002347) ∙ 𝑧 3
𝑦(𝑡) =
𝑧 6 − 2.381𝑧 5 + 1.798𝑧 4 + 0.05366𝑧 3 − 1.884𝑧 2 + 2.328𝑧 − 0.9138
−0.0002348𝒛𝟒 − 0.0002347𝒛𝟑
𝒚(𝒕) =
𝑧 6 − 2.381𝑧 5 + 1.798𝑧 4 + 0.05366𝑧 3 − 1.884𝑧 2 + 2.328𝑧 − 0.9138
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

Para el modelo BJ tenemos:

Bj22661 = 93.43 de aproximación a nuestra señal
𝐵(𝑧) = 0.01126𝑧 −1 + 0.008592𝑧 −2
𝐶(𝑧) = 1 − 0.5931𝑧 −1 − 0.2607𝑧 −2
𝐷(𝑧) = 1 − 0.6892𝑧 −1 − 0.2152𝑧 −2 − 0.05627𝑧 −3 − 0.06726𝑧 −4 + 0.05527𝑧 −5 − 0.02729𝑧 −6
𝐹(𝑧) = 1 + 0.02393𝑧 −1 − 0.7317𝑧 −2 + 0.4637𝑧 −3 − 0.8266𝑧 −4 − 0.4896𝑧 −5 + 0.6658𝑧 −6
Teniendo en cuenta que nf y nd serían los polos y nb y nc serían los ceros.
𝑩(𝒛) 𝑪(𝒛)
𝒚(𝒕) = [ ]+[ ]
𝑭(𝒛) 𝑫(𝒛)
 ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

0.01126𝑧 −1 + 0.008592𝑧 −2
𝒚(𝒕) = [ ]
1 + 0.02393𝑧 −1 − 0.7317𝑧 −2 + 0.4637𝑧 −3 − 0.8266𝑧 −4 − 0.4896𝑧 −5 + 0.6658𝑧 −6
1 − 0.5931𝑧 −1 − 0.2607𝑧 −2
+[ ]
1 − 0.6892𝑧 −1 − 0.2152𝑧 −2 − 0.05627𝑧 −3 − 0.06726𝑧 −4 + 0.05527𝑧 −5 − 0.02729𝑧 −6

0.01126 0.008592
+
𝑧 𝑧 −2
𝒚(𝒕) = [ 0.02393 0.7317 0.4637 0.8266 0.4896 0.6658]
1+ − + − − +
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6

0.5931 0.2607
1− −
𝑧 𝑧2
+[ 0.6892 0.2152 0.05627 0.06726 0.05527 0.02729]
1− − − − + −
𝑧 𝑧2 𝑧3 𝑧4 𝑧5 𝑧6

0.01126𝑧+0.008592
1
𝒚(𝒕) = [ 𝑧 6 +0.02393𝑧 5 −0.7317𝑧 4+0.4637𝑧 3 −0.8266𝑧 2 −0.4896𝑧+0.6658 ]

𝑧3
𝑧 2 −0.5931𝑧−0.2607

+ [ 𝑧 6 −0.6892𝑧 5 −0.2152𝑧 4−0.05627𝑧13 −0.06726𝑧 2 +0.05527𝑧−0.02729 ]

𝑧3

(0.01126𝑧 + 0.008592) ∙ 𝑧 3
𝒚(𝒕) = [ 6 ]
𝑧 + 0.02393𝑧 5 − 0.7317𝑧 4 + 0.4637𝑧 3 − 0.8266𝑧 2 − 0.4896𝑧 + 0.6658
(𝑧 2 − 0.5931𝑧 − 0.2607) ∙ 𝑧 3
+[ 6 ]
𝑧 − 0.6892𝑧 5 − 0.2152𝑧 4 − 0.05627𝑧 3 − 0.06726𝑧 2 + 0.05527𝑧 − 0.02729
0.01126𝒛𝟒 + 0.008592𝒛𝟑
𝒚(𝒕) = [ 6 ]
𝑧 + 0.02393𝑧 5 − 0.7317𝑧 4 + 0.4637𝑧 3 − 0.8266𝑧 2 − 0.4896𝑧 + 0.6658
𝒛𝟓 − 0.5931𝒛𝟒 − 0.2607𝒛𝟑
+[ 6 ]
𝑧 − 0.6892𝑧 5 − 0.2152𝑧 4 − 0.05627𝑧 3 − 0.06726𝑧 2 + 0.05527𝑧 − 0.02729
ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

SIMULACION MODELO LINEAL EN MATLAB

ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS
ESCUELA DE CIENCIAS BASICAS, TECNOLOGIAS E INGENIERIAS
SISTEMAS DINAMICOS

SIMULACION MODELO NO LINEAL EN MATLAB