2.

Descripción en variables de
estado de sistemas lineales
2.1 Representación de sistemas en
variables de estado
El tipo de sistemas que estudiaremos son aquellos descritos
por las siguientes ecuaciones
•
x(t ) = h( x(t ), u (t ), t )
y (t ) = g ( x(t ), u (t ), t ),

1
  x1 
x 
donde x =  2  es el vector de estado, y sus componentes
⋮ 
 
 xn 
 y1 
y 
son las variables de estado, y =   es el vector de salida,
2

⋮ 
y 
 p
u1 
u 
y u =  2  es el vector de entrada.
⋮ 
 
um 

2
Usaremos la notación
{x(t0 ), u[ t0 ,∞ ) } → {x[ t0 ,∞ ) , y[ t0 ,∞ ) }
para indicar que el estado inicial x(t0 ) y la entrada u[ t0 ,∞ )
producen el estado x(t) y la salida y(t), para t ≥ t0 .

3
Definición 2.1 El sistema se dice lineal si, dado que

{x1 (t0 ), u1[ t0 ,∞ ) } → {x1[ t0 ,∞ ) , y1[ t0 ,∞ ) }

{x 2 (t0 ), u 2[ t0 ,∞ ) } → {x 2[ t0 ,∞ ) , y 2[ t0 ,∞ ) }
entonces se cumple que
{α1 x1 (t0 ) + α 2 x 2 (t0 ),α1u1[ t0 ,∞ ) + α 2u 2[ t0 ,∞ ) }
→ {α1 x1[ t0 ,∞ ) + α 2 x 2[ t0 ,∞ ) ,α1 y1[ t0 ,∞ ) + α 2 y 2[ t0 ,∞ ) }
donde α1 y α 2 son números reales cualquiera.

4
La respuesta de un sistema lineal puede separarse en 2 partes:
Respuesta debida a {x(t0 ), u[ t0 ,∞ ) } =
respuesta debida a {x(t0 ),0} + respuesta debida a {0, u[ t0 ,∞ ) }.

resp. a entrada cero resp. a estado cero

5
Si el sistema es lineal, las funciones h y g serán funciones
lineales de x y u, es decir
•
x(t ) = A(t ) x(t ) + B(t )u (t )
y (t ) = C (t ) x(t ) + D (t )u (t )
donde A(t), B(t), C(t) y D(t) son matrices, respectivamente, de
dimensiones nxn, nxm, pxn, y pxm.

6
Definición 2.2 El sistema se dice invariante en el tiempo si,
dado que
{x(t0 ), u[ t0 ,∞ ) } → {x[ t0 ,∞ ) , y[ t0 ,∞ ) }

entonces se cumple
{Qα x(t0 ), Qα u[ t0 ,∞ ) } → {Qα x[ t0 ,∞ ) , Qα y[ t0 ,∞ ) }
donde Qα es el operador de retraso, y α es un número real.

7
Para sistemas invariantes en el tiempo, las matrices A(.), B(.),
C(.) y D(.) no dependen del tiempo.
Por lo tanto, las ecuaciones en espacio de estado que
describen el comportamiento de un sistema lineal e
invariante en el tiempo son las siguientes

•
x(t ) = Ax(t ) + Bu (t ) 
 (2.1)
y (t ) = Cx (t ) + Du (t ) 

donde A,B,C y D son matrices constantes reales.

8
Tomando transformada de Laplace de (2.1) y denotando
x(0) = x0 , tenemos
sX ( s ) − x0 = AX ( s ) + BU ( s )
Y ( s ) = CX ( s ) + DU ( s ).

De lo anterior, tenemos que

( sI n − A) X ( s ) = x(0) + BU ( s )
X ( s ) = ( sI n − A) −1 x0 + ( sI n − A) −1 BU ( s )
Y ( s ) = C ( sI n − A) −1 x0 + C ( sI n − A) −1 BU ( s ) + DU ( s )
= C ( sI n − A) −1 x0 + [C ( sI n − A) −1 B + D ]U ( s ).

9
Si x0 = 0, entonces la salida estará dada por

Y ( s ) = [C ( sI n − A) −1 B + D ]U ( s ).
Haciendo una comparación con la descripción entrada-salida,
podemos ver que
G ( s ) = C ( sI n − A) −1 B + D (2.2)
es la función de transferencia del sistema.
La función de transferencia G(s) es una matriz cuyos
elementos son funciones racionales y tiene tantas filas como
salidas tiene el sistema y tantas columnas como entradas (es
de dimensiones pxm).

10
Definición 2.3 Una función racional g(s)=b(s)/a(s) se dice
propia si deg a( s ) ≥ deg b( s ), y estrictamente propia si
deg a ( s ) > deg b( s ).

Una matriz racional G(s) se dice propia (estrictamente propia)

si todos sus elementos son funciones racionales propias
(estrictamente propias).

11
La función de transferencia G(s) puede escribirse como
1
G (s) = C[Adj( sI − A)]B + D.
det( sI − A)

Cada elemento de Adj( sI − A) es de grado estrictamente

menor que el grado de det ( sI − A), por lo tanto C ( sI − A) −1 B
es una matriz estrictamente propia.
Si D es diferente de cero, entonces
C ( sI − A) −1 B + D
es una matriz propia.

12
Comparaciones entre las descripciones entrada-salida
(descripción externa) y espacio de estado (descripción
externa).
• La descripción entrada-salida muestra como están
relacionadas las entradas y salidas del sistema. No es aplicable
si el sistema no está relajado, y no proporciona información
sobre el comportamiento interno del sistema.
• Para algunos sistemas, puede ser muy complicado obtener la
descripción en espacio de estado. La función de transferencia
puede obtenerse por mediciones directas.

13
• Los resultados obtenidos para sistemas multivariables usando
espacio de estado pueden también obtenerse usando el enfoque
de función de transferencia.
• Espacio de estado permite estudiar sistemas no lineales y
sistemas variantes en el tiempo.
• Ambas descripciones tienen sus méritos y pueden utilizarse
de manera conjunta.

14
Sistemas discretos
Para este tipo de sistemas, las señales involucradas toman
valores en ciertos instantes de tiempo.
La salida de un sistema lineal discreto, causal, invariante en el
tiempo y relajado, está dada por
k
y(k ) = ∑ g (k − m)u (m), k = 0,1,2,...
m =0

donde g(k-m) es la respuesta del sistema debido a la entrada

1, i = m
u (i ) = 
0, i ≠ m.

15
La descripción en variables de estado para sistemas discretos
está dada por

x(k + 1) = Ax(k ) + Bu ( k )
y ( k ) = Cx (k ) + Du (k ).

16
2.2 Solución de la ecuación de estado

Nos interesa encontrar la solución x(t ), t ≥ 0 de la ecuación

de estado
•
x(t ) = Ax(t ) + Bu (t ).
•
Parte homogénea, caso escalar: x(t ) = ax(t ).
Solución:
1 22 1 k k
x(t ) = (1 + at + a t + ⋯ + a t + ⋯) x(0) = e at x(0).
 2  k!
∞ 1 k k
e at = ∑ a t
k =0 k !

17
 •
Parte homogénea, caso matricial: x(t ) = Ax(t ).
Solución:

1 1
x(t ) = ( I + At + A2t 2 + ⋯ + Ak t k + ⋯) x(0)
2k !  
e At

⇒ x(t ) = e At x(0), (2.3)

donde
∞ 1 k k
e := ∑ A t
At
(2.4)
k =0 k!

es una matriz de dimensiones nxn, que por analogía con el

caso escalar es conocida como matriz exponencial.

18
Propiedades de la matriz exponencial:

d At
i) e = Ae At = e At A
dt
ii ) e A( t +r ) = e At e Ar
iii ) (e At ) −1 = e − At , ⇒ e At es no singular
iv ) e ( A+ B ) t = e At e Bt si AB = BA.

19
Matriz exponencial en forma “cerrada”
e At = L−1{( sI − A) −1}. (2.5)

Métodos para encontrar la matriz exponencial e At :

1) Por la formula de expansión.
2) Por transformada inversa de Laplace.
3) Por diagonalización o reducción a forma de Jordan de la
matriz A.
4) Por interpolación de Sylvester.
5) Por programas computacionales.

20
Observe que en la matriz exponencial e At aparecen términos
λt
de la forma e , donde λ es raíz de det( sI − A).
Definición 2.4 Las raíces de det( sI − A), las cuales
corresponden a los valores propios de la matriz A, se conocen
como los modos del sistema.

21
Matriz de transición de estados
•
Podemos escribir la solución de la ecuación x(t ) = Ax(t )
como
x(t ) = Φ (t ) x(0),

donde Φ (t ) es una matriz de dimensiones nxn, conocida como

la matriz de transición de estados del sistema, y es la solución
única de
•
Φ (t ) = AΦ (t ), Φ ( 0) = I .
De lo que hemos visto anteriormente,
Φ (t ) = e At = L−1{( sI − A) −1}.

22
Propiedades de la matriz de transición de estados:
i ) Φ (0) = e A( 0 ) = I
ii ) Φ (t ) = e At = (e − At ) −1 = [Φ (−t )]−1 ⇒ Φ (t ) −1 = Φ (−t )
iii ) Φ (t1 + t 2 ) = e A( t1 +t2 ) = e At1 e At2 = Φ (t1 )Φ (t 2 ) = Φ (t 2 )Φ (t1 )
iv ) [Φ (t )]n = Φ (nt )
v) Φ (t 2 − t1 )Φ (t1 − t0 ) = Φ (t 2 − t0 ) = Φ (t1 − t0 )Φ (t 2 − t1 ).

23
 •
Solución de la ecuación de estado x(t ) = Ax(t ) + Bu (t ) :
Usando transformada de Laplace, tenemos que
X ( s ) = ( sI − A) −1 x(0) + ( sI − A) −1 BU ( s ),
y como ( sI − A) −1 = L{e At }, entonces
X ( s ) = L{e At }x(0) + L{e At }BU ( s ).
Tomando transformada inversa de Laplace y usando
convolución

⇒ x(t ) = e x(0) + ∫0 e A( t −τ ) Bu (τ )dτ (2.6)

At t

y (t ) = Cx (t ) + Du (t ).

24
2.3 Realizaciones canónicas

Problema: obtener una representación en espacio de estado de

la ecuación diferencial
… .. . . ..
y + a1 y + a2 y + a3 y = b3u + b2 u + b1 u . (2.7)

Introduciendo una variable auxiliar ξ , esta ecuación puede

escribirse de manera equivalente como
ξ + a1 ξ + a2 ξ + a3ξ = u + b2 u + b1 u 
… .. . . ..

 ( 2.8)
. ..
y = b3ξ + b2 ξ + b1 ξ 

25
Esquemáticamente, la ecuación (2.8) se puede representar como

y
… .. .
u ξ ξ ξ ξ

26
Moviendo las líneas de derivación hacia atrás, tenemos el
siguiente esquema

y
( x1c..) ( x2c.)
… ( x3c )
u ξ ξ ξ ξ

27
Forma canónica controlador:
•
x1c = − a1 x1c − a2 x2 c − a3 x3c + u
•
x 2 c = x1c
•
x 3 c = x2 c
y = b1 x1c + b2 x2 c + b3 x3c .

28
En forma matricial
•
x c = Ac xc + bc u
y = cc xc ,
donde

− a1 − a2 − a3  1 
Ac =  1 0 0 , bc = 0
   
 0 1 0  0

cc = [b1 b2 b3 ].

29
La ecuación (2.7)
… .. . . ..
y + a1 y + a2 y + a3 y = b3u + b2 u + b1 u
también puede escribirse como
… .. .
y + a1 y + a2 y + a3 y = m 

. ..  (2.9)
m = b3u + b2 u + b1 u. 

30
Esquemáticamente, la ecuación (2.9) se representa como

… .. .
y y y
y

31
Moviendo las líneas de derivación hacia adelante, tenemos

β3 β2 β1

x3ob x2 ob x1ob y

32
donde
β1 = b1
β 2 = b2 − a1b1
β 3 = b3 − a1b2 − a2b1 + a12b1 ,

o en forma matricial
−1
 β1   1 0 0  b1 
 β  =  a 1 0 b .
 2  1   2
 β 3  a2 a1 1 b3 

33
Forma canónica de observabilidad:
•
x ob = Aob xob + bobu
y = cob xob ,
donde
−1
 0 1 0   β1   1 0 0  b1 
Aob =  0 0 1 , bob =  β 2  =  a1 1 0 b2 
       
− a3 − a2 − a1   β 3  a2 a1 1 b3 

cob = [1 0 0].

34
Para obtener otras 2 representaciones
…
de la
..
ecuación
.
(2.7), en
lugar de implementar la ecuación ξ + a1 ξ + a2 ξ + a3ξ = u
como se hizo anteriormente, se utiliza el siguiente esquema

u ξ

de lo cual resultan las formas canónicas observador y

controlabilidad, que se muestran a continuación.
35
Esquema para la forma canónica observador

x3o x2 o x1o y

36
Forma canónica observador
•
x o = Ao xo + bou
y = co xo ,
donde
 − a1 1 0  b1 
Ao = − a2 0 1, bo = b2 
   
 − a3 0 0 b3 

co = [1 0 0].

37
Esquema para la forma canónica de controlabilidad

β1
y
β2
u x1co x2 co x3co
β3

38
Forma canónica de controlabilidad
•
x co = Aco xco + bcou
y = cco xco ,
donde

0 0 − a3  1 
Aco = 1 0 − a2 , bco = 0
   
0 1 − a1  0
−1
1 a1 a2 
cc = [β1 β2 β 3 ] = [b1 b2 b3 ] 0 1 a1  .
 
0 0 1 

39
Observe de estas representaciones canónicas, que

Ao = Ac , bo = cc , co = bc
T T T

Aob = Aco , bob = cco , cob = bco .

T T T

40
Parámetros de Markov
Sea
b( s ) b1s n−1 + b2 s n−2 + ⋯ + bn
H (s) = = n
a( s) s + a1s n−1 + ⋯ + an
una función de transferencia dada, y (A,b,c) una
representación en espacio de estado correspondiente, esto es,
∞
b( s )
H (s) = = c( sI − A) b = ∑ hi s −i .
−1

a( s) i =1

Los coeficientes {hi } son conocidos como los parámetros de

Markov del sistema.

41
Dado que
−1 I A A2
( sI − A) = + 2 + 3 + ⋯
s s s
2
−1 cb cAb cA b
c( sI − A) b = + 2 + 3 + ⋯
s s s
entonces tenemos que
hi = cAi−1b, i = 1,2,…
esto es,
h1 = cb
h2 = cAb
h3 = cA2b
⋮
42
Observe que:
• Los parámetros de Markov son propios de la función de
transferencia, esto es, no dependen de la representación (A,b,c)
de H(s).
• Los coeficientes β i , i = 1,…, n, que aparecen en las formas
canónicas de observabilidad y controlabilidad corresponden a
los primeros n parámetros de Markov del sistema, esto es,
hi = β i , i = 1,…, n.

43
Si hacemos una expansión en fracciones parciales de
b( s ) n g i
H (s) = =∑
a ( s ) i =1 s − λi

(suponiendo que las raíces de a(s) son distintas), podemos

obtener una representación en forma canónica diagonal, como
se muestra esquemáticamente en la siguiente figura.

44
 λ1

u y

λ2
⋮
⋮

λn

45
Forma canónica diagonal:
•
x d = Ad xd + bd u
y = c d xd ,
donde
Ad = diag{λ1 , λ2 ,…, λn },
bi ci = g i , i = 1,…, n.

46
2.4 Transformaciones de similitud

Sea
•
x(t ) = Ax(t ) + bu (t )
y (t ) = cx(t )

una representación cualquiera de un sistema en espacio de

estado, y hágase el cambio de variables
x(t ) = T x(t )
donde T es una matriz no singular.

47
Entonces, otra descripción en espacio de estado del mismo
sistema está dada por
•
x(t ) = T−
1
AT
 x (t ) + T −1
b u (t ) = A x(t ) + bu (t )
A b

y (t ) = cT
 x(t ) = c x(t )
c

lo cual se conoce como una transformación de similitud.

Entonces, 2 representaciones en espacio de estado
( A, b, c) y ( A, b, c) se dicen similares si existe unan matriz no
singular T tal que
A = T −1 AT , b = T −1b, c = cT .

48
Lema 2.1 Los modos de un sistema son invariantes bajo
transformaciones de similitud.

Lema 2.2 La función de transferencia de un sistema es

invariante bajo transformaciones de similitud.

49
2.5 Interpretación dinámica de polos y
ceros

Sea H(s) la función de transferencia del sistema

•
x(t ) = Ax(t ) + bu (t )
y (t ) = cx(t )
esto es,
−1 b( s )
H ( s ) = c( sI − A) b = .
a( s)

50
Definición 2.5 Un número λ (real o complejo) es un cero
de H(s) si H (λ ) = 0, y es un polo de H(s) si lim s→λ H ( s ) → ∞.
Definición 2.6 Dos polinomios a(s) y b(s) se dicen coprimos
o primos relativos si no tienen raíces en común.
Definición 2.7 La función de transferencia H(s)=b(s)/a(s) se
dice irreducible si a(s) y b(s) son coprimos.
Observe que si H(s) es irreducible, entonces cada raíz de b(s)
es un cero de H(s), y cada raíz de a(s) es un polo de H(s).

51
Teorema 2.1 Sea
•
x(t ) = Ax(t ) + bu (t )
y (t ) = cx(t )
una representación en espacio de estado de un sistema, con
función de transferencia H(s), y donde n = deg a ( s ). Si la
entrada aplicada al sistema es de la forma u (t ) = e λt , donde λ
no es un polo de H(s), entonces la salida del sistema debido a
esta entrada y a la condición inicial x(0) = −( A − λI ) −1 b está
dada por y (t ) = H (λ )e λt , t ≥ 0.
Corolario 2.1 Si λ es un cero de H(s), entonces la salida del
sistema debida a la entrada u (t ) = e λt y a la condición inicial
x(0) = −( A − λI ) −1 b es cero para t ≥ 0.

52
Teorema 2.2 El número λ es un polo de H(s) si y solo si
existe un estado inicial x(0), tal que la respuesta a entrada-cero
del sistema está dada por
y (t ) = re λt , t ≥ 0,
donde r es una constante diferente de cero.

53