Unidad 1.

Fundamentos del
control
1.1. Introducción a los sistemas de control
1.2. Fundamentos matemáticos del control
1.3. Modelación e identificación de sistemas

Docente: Phd. Secundino Marrero

Unidad 1.
1.1. Introducción a los sistemas de control
1.2. Fundamentos matemáticos del control
1.3. Modelación e identificación de sistemas
1.4. Funciones de transferencia y algebra de diagramas de bloque
1.5. Sistemas de control realimentados y análisis de estabilidad
1.6. Sistemas de control discreto. Aplicación del PID discreto
1.7. Sistemas no lineal
1.1. Introducción a los sistemas de control

Tipos de sistemas de control

Sistema de
Control

Sistema a Sistema a
Lazo Abierto Lazo Cerrado
 COMPONENTES DEL PROCESO DE
CONTROL
• MEDICIÓN
• DECISIÓN
• ACCIÓN

Variables del proceso de control

El lazo de control de un proceso es diseñado para tener todas las variables bajo
control.
El termino utilizado para llamar a la variable que a sido manipulada, es el de
“VARIABLE MANIPULADA”. A las variables que han sido medidas con anterioridad se
les denomina “VARIABLE MEDIDA”. De la misma manera, el termino utilizado para
expresar el valor de ajuste, es “SET POINT”, y la diferencia entre el valor actual de la
variable y el set point, se denomina “DESVIACIÓN”.
Ej. Sistema de Control a Lazo Abierto
 Componentes de los Sistemas de Control

r: Referencia d1,d2: Perturbaciones

b: Realimentación m: Variable manipulada
e: Error = (r-b) c: Salida
Sistema de control multivariable
Objetivos del control
 Sensores

Actuadores
Las comunicaciones
Sistema de control moderno
Configuración de interfaces
Algoritmos
Procesos fundamentales de los Sistemas de
Control.

• Estado transitorio o Dinámico: El error y las

demás señales varían en función del tiempo.
• Estado estable, estacionario o de régimen
permanente: Las variables se estabilizan en un
determinado comportamiento y la señal de
error queda definida.
Regímenes fundamentales de los Sistemas de
Control.
Requerimientos correspondientes a cada uno
de los estados
En estado estable:
• Error en estado estacionario: Diferencia
entre el valor deseado y la salida al
alcanzarse este estado.
• Intervalo de regulación de la salida: Rango
de valores de la variable de salida para los
cuales se debe garantizar el control
Requerimientos correspondientes a cada uno
de los estados
En régimen transitorio:
• Rapidez de respuesta: Duración del periodo
transitorio ante una variación de la referencia o
ocurrencia de una perturbación.
• Oscilatoriedad: Nivel y frecuencia de las
oscilaciones de la variable de salida.
• Estabilidad: Tendencia a regresar siempre a un
estado de equilibrio.
 Ej.: Sistema de Control de la tensión de
Salida de un Generador de Corriente
Continua
Principio de funcionamiento de un Generador de CC:

 Un generador de CC no es mas que una Máquina Eléctrica

Rotatoria que convierte energía mecánica en energía eléctrica.

 Al moverse un conductor en un campo magnético con

determinada velocidad, se genera en él una Fuerza Electromotriz
que depende de la velocidad del conductor y de la inducción o
densidad de flujo magnética en la región del campo.
Sistema de Control de la tensión de Salida
de un Generador de Corriente Continua
Sistema de Control de la tensión de Salida de un
Generador de Corriente Continua

Característica de vacío
Sistema de Control de la tensión de Salida de un
Generador de Corriente Continua

Característica Externa
Sistema de Control de la tensión de Salida de un
Generador de Corriente Continua
Sistema de Control de la tensión de Salida de un
Generador de Corriente Continua
Sistema de Control de Velocidad de un
Motor de Corriente Continua
Sistema de Control de Velocidad de un
Motor de Corriente Continua
Sistema de Control de Velocidad de un
Motor de Corriente Continua
Control de Velocidad de un Motor de CC
Alimentado por un Generador de CC
Ej.: Proceso de colada continua
Ej.: Proceso de colada continua
Componentes del proyecto de
automatización
Fases del proyecto
• Definición y análisis de objetivos
• Descomposición en subsistemas y problemas de control
• Elaboración de modelos
• Simulación para validación
• Diseño de sistemas de control
• Coordinación y optimización
• Realización del diseño
Proyecto de control en ingeniería
1.2. Fundamentos matemáticos del control
Ecuaciones diferenciales (E.D.)
La variable que mide el tiempo (t) varía continuamente (t Є R).

(1)

La solución de una ecuación diferencial es una función f(t), t Є R que satisfaga la

ecuación donde cualquiera de las siguientes funciones es solución de la ecuación
(1)

Para poder establecer una única solución de la ecuación, son necesarias las condiciones
iniciales, que corresponden al valor de la función desconocida y de sus derivadas en t = 0
 Ecuaciones de diferencia finita

Es una ecuación en la que intervienen diferencias finitas. La variable

que mide el tiempo (k) varia discretamente. (Tres formas de
representación)

Ejemplo: (2)
La solución de una ecuación de diferencias es una función f(k), k Є Z que satisfaga la ecuación.
Cualquiera de las siguientes funciones es solución de la ecuación

Para establecer una única solución de la ecuación, es preciso conocer unas condiciones
auxiliares. El número de estas condiciones necesarias es igual al
grado de la ecuación (n) . Para K = 0 se obtiene

Si, f(0) = 1 como condición adicional para la ecuación (2), entonces la única solución
valida es f1(k) = 2k
Comparación entre ecuaciones diferenciales y de diferencia
Ecuaciones diferenciales y de diferencia lineales

Las condiciones de linealidad de para x1, x2 Є U

son:

Ecuación diferencial lineal de la forma:

Si consideramos la ecuación con coeficientes constantes y n >m, entonces :

 Métodos de solución de E.D. lineales

Existen varios métodos de solución para las E.D. Lineales. Aunque en general
emplearemos los métodos de las transformadas de Laplace y Z,
Métodos para la solución de ecuaciones diferenciales y en diferencias
Ejemplo 1: Hallar la solución de la siguiente ecuación en
diferencia

Donde f(k) = k2 y las condiciones iniciales son y(0) = 2, y(1) = 1

Si se despeja de la ecuación a y(k + 2) obtenemos:

Con el cálculo iterativo se obtiene la siguiente tabla:

 Transformada de Laplace (TL)
• Dada una función f(t) de los reales en los reales,

Existe una función L denominada transformada de Laplace que toma como

argumento f(t) y produce una función F(s) de los complejos en los complejos.

Transformada de Laplace

Existe una defición alternativa, conocida como la transformada bilateral de Laplace, cuyos
límites de integración son (- ∞ y + ∞):
Si solo nos interesa la solución para
t=0, entonces podemos trabajar con
la versión unilateral de la
transformada
 Transformada Z (TZ)
La Transformada Zeta (TZ) es un modelo matemático que se emplea entre otras
aplicaciones en el estudio del Procesamiento de Señales Digitales.
Dada una función f(t) de los enteros en los reales,

Existe una función Z denominada transformada Z que toma como argumento f(k) y
produce una función F(s) de los complejos en los complejos.

La función Z-1 denominada transformada inversa toma como argumento

F(z) y produce f(k).
Entonces la transformada Z se define como:

La importancia del modelo de la Transformada Z radica en que permite reducir Ecuaciones en

Diferencias o ecuaciones recursivas con coeficientes constantes a Ecuaciones Algebraicas
lineales.
Transformada Z (TZ)
Existe una definición alternativa, conocida como la transformada
bilateral Z, cuyos límites de integración son (- ∞, + ∞)

Como nuestro interés se centra en el comportamiento de las señales a partir del instante
de tiempo k = 0, trabajaremos con la versión unilateral de la transformada.
Comparación de las definiciones de las Trans. de Laplace y Z
 Propiedades de la transformadas
• La propiedad de linealidad permite que la aplicación de estas transformadas a
la solución de E.D. lineales sea bastante simple. Por el contrario, estas
transformadas no suelen ser útiles para solucionar E.D. no Lineales.

• Las propiedades de diferenciación y diferencias positivas, permiten convertir

Ecuaciones Diferenciales y Ecuaciones de Diferencia, respectivamente, en
Ecuaciones Algebraicas.

• Hay una diferencia sutil pero importante entre las propiedades de

diferenciación y diferencias positivas: las condición inicial f(0) esta
multiplicada por z en el caso discreto, mientras que en el caso continuo no
esta multiplicada por S.
 Propiedades de la transformadas

• La propiedad de multiplicación por el tiempo tiene una expresión

directa en el caso continuo (multiplicación por tn) mientras que
en el caso discreto tiene una expresión iterativa (multiplicación
por kn).

• La propiedad de convolución pone de manifiesto que la

transformada del producto de dos funciones NO es el producto
de las transformadas individuales.
Propiedades de las transformadas
Propiedades de las transformadas
Parejas de transformada para funciones elementales
Parejas de transformadas elementales multiplicadas por el
tiempo
 Parejas de transformada para funciones elementales

1. Las transformadas (de Laplace o Z) son fracciones de polinomios en la

variable compleja (s o z).

2. Al comparar estos polinomios en funciones análogas notamos que el

orden del denominador es el mismo; en el numerador, sin embargo,
sucede que el orden de los polinomios de la transformada Z siempre
es superior en 1 al de su contraparte en la transformada de Laplace.

3. La ubicación de los polos de las funciones transformadas en el plano

complejo determina el tipo de función en el dominio del tiempo.

4. Las funciones reseñadas están asociadas a una ubicación especifica

de los polos en el plano complejo, pero cuando estos se repiten.
Ubicación de los polos en los planos complejos y
funciones del tiempo
Funciones continuas según la ubicación de sus polos
en el plano s
Funciones discretas según la ubicación de sus
polos
Ejercicio 2. Obtener la transformada inversa de Laplace
de la función
Ejemplo 3. Obtener la transformada inversa de Laplace de
la función

• El denominador de F(s) es de segundo orden, y por tanto es similar al que

parece en las transformadas de Laplace de las sinusoides amortiguadas.
• Reescribimos F(s) con el denominador en la forma mostrada a continuación y
obtenemos:
Solución
 Solución de E.D. y en diferencias lineales a través de las transformadas.

Procedimientos:
1. Aplicar la transformada (de Laplace o Z según sea el caso) a cada lado
de la ecuación.

2. Despejar la transformada de la función desconocida.

3. Aplicar la transformada inversa (de Laplace o Z según sea el caso) a la

función desconocida.

Ejercicio 4. Hallar la solución de la ecuación en diferencia siguiente.

Con las condiciones iniciales:

Solución
1. Aplicar la Transformada Z a cada lado de la
ecuación

Por la propiedad de linealidad se obtiene

Si denominamos y empleamos la propiedad de

diferencias positivas

Reemplazando los valores de las condiciones iniciales, tenemos:

Solución
2. Para despejar la transformada de la función desconocida Y (z)
planteamos:
Solución
3. Para aplicar la transformada inversa Z primero efectuamos una expansion
en fracciones parciales de Y (z) / z
Señales y sistema de tiempo continuo y
discreto
1.- De tiempo continuo (funciones continuas) que son las llamadas señales
analógicas.

2.- De tiempo discreto (sucesiones) que son las llamadas señales digitales.

Para el procesamiento de Señales y Resolución de Sistemas se considera:

1.- Tiempo Continuo (se emplean las Transformadas de Laplace o la de Fourier ).

2.- Tiempo Discreto (se emplean las Transformadas Zeta o la transformada de

Fourier Discreta (basada en la Serie de Fourier Exponencial)).
Señales analógicas y discretas
 Relación entre la TL y la TZ
La aproximación entre la función continua y la función discreta correspondiente
también establece la relación entre las Transformadas de Laplace y Zeta

Cambiando de variables y pasando al límite para T → 0+ se obtiene la TL

Región de convergencia

Donde:
ROC- Región de convergencia
Como se observa en el gráfico la ROC de la TL es un semiplano de s a la derecha de
la abscisa α y se transforma en la ROC de la TZ unilateral en un círculo con centro
en el ∞ y radio R = eaT
 Solución de sistemas de tiempo discreto lineales e invariantes
. (TDLI)

Ejemplo 4. Resolver el sistema de la figura

Ecuación del sistema

Al aplicar la TZ se obtiene
Solución de sistemas de tiempo discreto lineales e
invariantes . (TDLI)

Se antitransforma y se obtiene;
Solución de sistemas de tiempo discreto lineales e
invariantes . (TDLI)
1.3. Modelación e identificación de
sistemas
Modelo. " Conjunto de relaciones matemáticas que
determinan el comportamiento dinámico de un
sistema

" Descripción matemática (Ec. Diferencial) de las

relaciones existentes entre las variables de salida
y las de entrada
Modelos dinámicos
Al conformar las ecuaciones de objetos y
procesos de la producción, los cuales son
sistemas dinámicos complejos, es
necesario despreciar una serie de
factores secundarios y considerar solo los
factores de entrada, salida y
perturbaciones fundamentales que
influyen en la dinámica de los procesos
Principios de la modelación
• No debe elaborarse un modelo complicado cuando uno simple es suficiente.
• El problema no debe ajustarse al modelo o método de solución.
• La fase deductiva de la modelación debe realizarse rigurosamente.
• Los modelos deben validarse antes de su implantación.
• Nunca debe pensarse que el modelo es el sistema real.
• Un modelo debe criticarse por algo para lo que no fue hecho.
• No venda un modelo como la perfección máxima.
• Uno de los primeros beneficios de la modelación reside en el desarrollo del
modelo.
• Un modelo es tan bueno o tan malo como la información con la que trabaja.
• Los modelos no pueden reemplazar al tomador de decisiones.
Formulación directa de modelos

Función objetivo

Variables de decisión

Restricciones

Condición técnica
Influencia de las técnicas de computación
El desarrollo de las técnicas de computación ha influido en :

• Aplicación práctica de sistemas de medición y control complejos.

• Aparición de nuevas técnicas de control que que equieren máquinas
veloces y potentes para el análisis y diseño.

Influencia mutua de los conocimientos y el desarrollo de los sistemas

productivos.
Conceptos. Tipos de variables
Conceptos. Jerarquia
Fundamentos de la modelación y el control de procesos.

• Fronteras determinadas
• Interacción con el entorno a través de las señales
• Tipos de sistemas: Físicos, sociales, abstractos, etc.
• Un sistema está dotado de atributos que lo caracterizan. (pueden
ser medibles o no)
• A un atributo medible puede asignarse un número o un conjunto
de números, reales o complejos
• Un sistema físico puede tener varios modelos
Modelo de señales
Modelo Concepto

Determinista Las señales como funciones

Determinista Las señales como medidas

Determinista Las señales como distribuciones

Aleatorio Las señales como funciones aleatorias

Aleatorio Las señales como sistemas difusos

Clasificación general de sistemas físicos

• Según la naturaleza de los parámetros

• A partir de las variables.
• Según el dominio de definición de las
variables
Clasificación general de los sistemas
físicos
• Sistemas naturales Según origen
• Sistemas artificiales
• Sistemas determinísticos
Naturaleza del proceso
• Sistemas aleatorios
• Sistemas monovariables
• Sistemas multivariables
Las Variables
• Sistemas de variable continua
• Sistemas de variable discreta
• Sistemas de tiempo continuo
• Sistemas de tiempo discreto Continuidad del tiempo
Clasificación a partir del comportamiento espacial y
temporal de las variables

• Sistemas de variables concentradas: Los atributos no dependen de las coordenadas

espaciales, sino que se suponen concentrados en un punto del espacio y sólo dependen del
tiempo. Conducen a ecuaciones diferenciales ordinarias.

• Sistemas de variables distribuidas: Los atributos varían con la posición. Estos sistemas
conducen a ecuaciones diferenciales a derivadas parciales.

• Sistemas invariantes en el tiempo: Son aquellos cuyas propiedades características, los

parámetros, no se modifican con el transcurso del tiempo.

• Sistemas variables en el tiempo: Es aquel cuyas propiedades o características (parámetros) se

modifican con el tiempo
Señales y modelos
Representación de sistemas

Tipos de modelos
Gráficos
Matemáticos
Software
Lenguisticos, etc
Obtención de modelos
Modelación del sistema
Modelación del sistema
Modelo analítico
Modelos Estáticos Dinámicos

Determinísticos Ecuaciones algebraicas Ecuaciones

(predecibles) diferenciales

Estocásticos (Aleatorios, Relaciones de probabilidad Simulación de

probabilísticos) y estadística eventos discretos
Comparación de sistemas físiscos
Comparación de sistemas físicos
Estimación de parámetros

Una vez determinada la estructura del modelo es preciso calcular

sus parámetros. Este procedimiento de cálculo se denomina
estimación y se hace en base a la información disponible de las
variables de entrada y salida del sistema.
El proceso de estimación es normalmente un proceso de ajuste
entre la salida del proceso real y la salida del modelo
Técnicas de modelación
• Métodos empíricos: Consisten en excitar el proceso con entradas
conocidas, luego medir las salidas (y aquellas variables internas que sean
accesibles) y finalmente correlacionar tales entradas y sus respuestas
respectivas.

• Métodos Analíticos: Estos métodos se basan en el proceso de abstracción

(idealización), suponen un cabal conocimiento del proceso en estudio y se
traducen en una serie de relaciones entre las variables internas y externas
del sistema.
Simulación
• Experimentación:
• Extrapolación: Con adecuados modelos matemáticos es posible
examinar los extremos de los rangos de las variables de operación
• Estudio de conmutabilidad y evaluación de políticas alternativas:
Pueden introducirse nuevos factores o elementos y examinar el
comportamiento del proceso
• Análisis de sensibilidad: Examinar sensibilidad con respecto a
parámetros básicos.
• Optimización: Permite determinar una adecuada relación de variables
del proceso
• Estudio de estabilidad: Analizar la estabilidad del sistema frente
 Ecuaciones de balance

a) Ley de conservación macroscópica.

El proceso en cuestión se caracteriza por tener propiedades globales que
no presentan variaciones parciales. Así entonces F y G son sólo funciones
del tiempo (ecuaciones diferenciales ordinarias de primer orden.

b) Ley de conservación microscópica. El balance descrito anteriormente se

realiza en un elemento de volumen dV, resultando dependencia espacial de
F y G . (Conjunto de ecuaciones en derivadas parciales)
Dinámica del flujo de materiales

(a) (b) (c) (d)

Fig.1.- Colectores y líneas de transporte: a – tolva; b – autoclave; c –

transportador; d – tubería.
dM Se tienen tres variables: M, Q1 y Q2. Para la automatización Q1 y
 Q1  Q2
dt Q2 son entradas de control y M frecuentemente es la salida

donde M – reserva de material, l o m3;

Q1 y Q2 – flujos de entrada y salida respectivamente, l/h o m3/h.
La ecuación fundamental que describe la dinámica de los flujos de materiales en
la entrada y salida de las líneas de transporte es la ecuación de demora
donde tiempo de demora de transporte, min o h;
L – longitud de la línea, m;
V – velocidad de transportación, m/h o m/min
Dinámica del flujo de
materiales
• En la estabilización automática de la reserva de material debe ser medida la
magnitud M. Con frecuencia esta medición se realiza de manera indirecta a
través del nivel de material en el colector o por otros métodos.
• La magnitud de control del objeto puede ser el flujo de entrada Q1 o el de
salida Q2, la otra magnitud (Q1 o Q2) es una perturbación, la cual
generalmente se toma constante al plantear la ecuación fundamental del
objeto

dM
 Q1
dt
donde M – salida y - entrada.
Q1
Q1  Q1  Qmedia
o en forma operacional
M (S ) 1
 Wobj ( S ) 
Q1 ( S ) S
Dinámica de recipientes
• Con frecuencia el flujo que sale del colector no es una variable independiente,
sino que es una función de la reserva

Q2  Q 2 ( M )  f ( M )

dM
 Q1  Q2
dt dM 1 dM 1
 k M  Q1 Ó  M  Q1
dt k dt k
Q 2  Q2 ( M )
k - Coeficiente de autonivelación
Dinámica de recipientes
• Para el colector de líquido bajo presión
dM dH Q2  Q2 ( M )   2 gH
 Q1  Q2 M  H F F  Q1  Q2
dt dt
• donde F- área del recipiente;  - coeficiente de gasto (para el agua)
•  - densidad del líquido );  - área de la sección de la tobera;
 g - aceleración de la gravedad
  0,80

dH
F   2 gH  Q1
(a) (b)
dt
Ecuación líneal
Fig. 3. Recipientes: a – abierto b–
hermética-mente cerrado.
Dinámica de recipientes
• Si el recipiente es herméticamente cerrado (fig. 2 b) y la presión a la entrada

2( P1  P2 )
Q2   2 gH 


dH 2( P  P )
F   2 gH  1 2  Q1
dt 

Aquí las variables son Q1 (entrada) y H (salida); las restantes magnitudes son
constantes. Si estas constantes varían en el tiempo
Dinámica del intercambio de calor
Tres hipótesis distintas asumidas al plantear la ecuación de balance térmico:
• Las paredes del intercambiador de calor tienen aislamiento ideal y no hay
pérdidas de calor al medio externo;
• Se tiene transmisión de calor al medio externo;
• Las paredes del intercambiador son lo suficientemente grandes como para
almacenar calor.
d
1)  cV  H1  H 2
dt
donde ρ - densidad de la sustancia que entra al
intercambiador, kg/m3;
c – calor específico, J/(kg oK);
V – volumen del intercambiador de calor, m3;
θ - temperatura en la zona, K:
H1- flujo de calor que entra con el flujo de material Q1, J/s:
Fig.4.
H2- flujo de calor que sale con el flujo de material Q2, J/s;
Intercambiado
θ1 y θ2 - temperaturas del material en los flujos de entrada y
r de calor
Dinámica del intercambio de calor
• Sustituyendo H1 y H2
d
 cV  Q1  c1  Q2  c 2
dt

Q1  Q2  Q  const 2  

d
 cV  Q2  c  Q1  c1
dt

 cV d V d
   1     1
Q c dt Q dt
Considerando la transmisión de calor al medio externo y el flujo de calor al medio
H 3  hF (   m )
d d
 cV  H1  H 2  H 3  cV  Q c  hF (   m )  H 1
dt dt
Dinámica del intercambio de calor
• Influencia de las reacciones químicas en la dinámica de la transferencia de
masa, mezclado e intercambio de calor
dC1
  K1C1 C1 C 3
dt
Donde: C1, C2, C3 – concentraciones de los componentes que participan en la
reacción;
K1 - coeficiente de proporcionalidad;
α, β, γ – números que caracterizan el orden de la reacción
C i  C i (t )
dC i
  K ( )C i
dt

• K(θ) incluye las constantes de la ecuación anterior y se llama coeficiente de

velocidad de la reacción
Si C1i es la entrada y Ci es la salida
M dC i Qm
 Ci  C1i
Qm  MK ( ) dt Qm  MK ( )
Ejemplo No1 Para el tanque de calefacción de la fig. 1 hallar el modelo
dinámico

Fig. 1Tanque de calefacción

Ejemplo No1
Hipótesis simplificatorias

• Agitación ideal
• Área de sección constante 
• Densidad constante
• Calor disponible instantáneo e independiente de T
Ejemplo No1. Balance de masas

Dinámica de la masa en términos de las variables observables:

Ejemplo No1. Balance de energía

Donde: T* es la habitual T de referencia .

Si se trata de un líquido, entonces dh (entalpía total) se aproxima
bien a dE (energía total).

En función de las variables medibles obtenemos:

 Variables de estado. Espacios vectoriales
Sea un conjunto un campo (usualmente
F se trata de R o C con las operaciones usuales de suma y multiplicación). A los
elementos Γ se les denomina vectores y a los elementos de Φ escalares

Γ tiene estructura de Espacio Vectorial sobre F si está dotado de una operación

binaria de suma vectorial y una multiplicación entre elementos de Γ y Φ que
cumpla ciertas propiedades como:
• Suma vectorial
• Producto por escalar
 Espacios vectoriales
• Conjunto generado: Conjunto de todas las posibles
combinaciones lineales de los vectores de un cierto conjunto.

• Dimensión: Es el máximo número de vectores linealmente

independientes que puede haber en un espacio vectorial.

• Base: Es cualquier conjunto de vectores linealmente

independiente que además genera el espacio vectorial.
Transformación lineal
Dado un espacio vectorial V de dimensión n, se entenderá por Transformación
Lineal, una función de V a V que puede representarse por una matriz cuadrada
A de dimensión n n:

Sea T es una transformación lineal, que en la base estándar se representa por

la matriz T∞. La misma transformación se representará en otra base B = {b1,
b2,,,, bn} por:

Donde B = {b1, b2, , , , bn}

Transformación lineal
La función T : R2 → R2 consistente en la rotación de vectores 90o en sentido
horario es una transformación lineal representada por la matriz A:

El vector x de coordenadas (a, b) se convierte en vector (y) cuyas coordenadas

se calculan como:
 Transformaciones y cambios de base

• Sea T una transformación lineal, que en la base estándar se

representa por la matriz T∞. La misma transformación se
representará en otra base B = {b1, b2,,,,bn} por:

Donde B = {b1, b2,,,,bn}

Valores y vectores propios
Sea A una transformación lineal Rn → Rn. Un escalar λ es un valor
propio de A si existe un vector no nulo v tal que:

• Cualquier vector no nulo v que satisfaga Av = λv es un vector

propio asociado con el valor propio λ.

• El vector inicial y el transformado son colineales o paralelos y

por lo tanto linealmente dependientes.
 Forma canónica de Jordán
• Sea A una matriz de orden n x n
• Sean λ1,, λ2 ,,,,λn, los n valores propios de A y todos diferentes
• Vi un vector característico asociado a λi con i = 1, 2,…., n

El conjunto ; es linealmente independiente, y por lo tanto

sirve como una base para el espacio vectorial.
Si se efectúa un cambio de base a la nueva base V , la matriz A se transforma
en la matriz Λ

La matriz Lambda es la matriz diagonalizada, o la Forma canónica de Jordán

de A, y se define como:

Donde M es la matriz Moda y se define como:

Funciones de matrices cuadradas
Sea f(λ) una función que opera sobre un escalar, y sea A una matriz
cuadrada n x n.
Entonces se puede calcular f(A)
Si f(λ) es un polinomio, la extensión a las matrices se fundamenta en la
definición

Si la matriz A tiene una representación canónica de Jordán J obtenida con la matriz

modal M, es decir, si A = MJM-1 entonces:
Variables de estado

Fig. Sistema continuo de múltiples salidas y estradas

Variables de estado

Fig. Sistema discreto de múltiples entradas y salidas

Variables de estado
1. u: Vector que contiene cada una de las p entradas al
sistema
2. y: Vector que contiene cada una de las q salidas al
sistema,
3. x: Vector que contiene cada una de las n variables de
estado del sistema:
Sistemas dinámicos lineales invariantes de múltiples
entradas y salidas

Sistemas continuos

Sistema discreto
 Variables de estado

Diagrama de bloque de un sistema continuo en variables de estado

Variables de estado

Diagrama de bloque de un sistema discreto en variables de estado

¿Qué es estado de un sistema?

• El Estado de un sistema en el tiempo t0

(o en K0 si es discreto) es la cantidad de
información necesaria en el instante de
tiempo para determinar de forma única
el comportamiento del sistema para
todo t > t0
(o para todo k > k0 si es discreto)
Variables de estado
• Las Variables de Estado pueden ser medibles o no

• Las Variables de Estado pueden tener o no sentido físico.

• Para un mismo sistema las variables de estado no son únicas.
Ejercicio 1.
. Hallar el modelo en variables de estado del circuito RLC serie de la figura 1
determinado por la fuente de tención v(t) y los valores de i L y y vc.

Fig. 1 Circuito serie RLC

Se asumen como variables de estado iL(t) y v (t)

Ejercicio1
Al aplicar las leyes de Kirchoff obtenemos:
Ejercicio 1
En forma matricial obtenemos la ecuación
Ejercicio 1
En conclusión hemos obtenido el modelo en variables de estado
siguiente
Ejercicio 2
Hallar el modelo en variables de estado del motor de CC controlado
por campo; donde:
• La corriente de armadura es constante.
• J - es la carga de momento de inercia
• B - coeficiente de ffricción viscosa
• w(t) - velocidad angular

Fig. 2 Circuito de motor de CC controlado por campo

Ejercicio 2
Circuito eléctrico del campo

El par motor T(t) es directamente proporcional a la corriente y se

expresa a través de una constante proporcional kT
Ejercicio 2
Se obtiene el siguiente sistema de ecuaciones

Al expresar el sistema en forma matricial tenemos la siguiente

ecuación:
Ejercicio 2
Si asumimos como variable de salida la velocidad angular w (t),
entonces el sistema en variable de estado tiene la siguiente
configuración.
Ejercicio 2
Si consideramos como variables de estado a T(t) y w(t) el
sistema será:
Representación de estado a partir de la ecuación diferencial
Si tenemos el sistema dinámico continuo descrito por
ecuación diferencial:

Y se conocen las condiciones iniciales

Entonces el comportamiento del sistema queda determinado unívocamente y se

puede expresar a través de las variables de estado
Representación de estado a partir de la
ecuación diferencial
La ecuación puede expresarse como:
Representación de estado a partir de la ecuación
diferencial
Finalmente se obtiene la ecuación matricial
Modelo determinístico versus modelo
probabilístico
• En los modelos determinísticos, una buena decisión es juzgada de
acuerdo a los resultados. Sin embargo, en los modelos
probabilísticos, el usuario no esta preocupado solamente por los
resultados, sino que también con la cantidad de riesgo que cada
decisión acarrea
Modelo probabilístico
Modelo probabilístico
El análisis de decisión proporciona un soporte cuantitativo a los
tomadores de decisiones en todas las áreas tales como ingenieros,
analistas en las oficinas de planificación, agencias publicas,
consultores en proyectos de gerencia, planificadores de procesos de
producción, analistas financieros, etc
Aproximación Progresiva al Modelado

• El modelado para la toma de decisiones envuelve a dos

partes diferentes, una es el tomador de decisiones y la
otra es el constructor del modelo (analista)

• Los modelos probabilísticos están ampliamente

basados en aplicaciones estadísticas para la evaluación
de eventos incontrolables (o factores), así como
también la evaluación del riesgo de sus decisiones
Modelo determinístico
• Las acciones están basadas en los resultados esperados. El centro de
interés se mueve desde un modelo determinístico a uno probabilístico
usando técnicas estadísticas subjetivas para estimación, prueba y
predicción.

• La evaluación de riesgo cuantifica la brecha de información entre lo

que es conocido y lo que necesita saber para tomar una decisión
óptima
La teoría de la decisión propone que las decisiones deben
tomarse calculando la utilidad y la probabilidad de rangos
de opciones, y establece estrategias como:
Exactitud de un modelo estadístico Vs
nivel de mejoramiento en la toma de
decisión aumenta

Proceso de razonamiento estadístico basado en datos para construir los

modelos estadísticos en la toma de decisión bajo incertidumbre
Datos - Información
• Los datos son conocidos como información cruda y no como
conocimientos en sí.

• Los datos se convierten en información, cuando se hacen relevantes

para la toma de decisión a un problema
Procesos de toma de decisiones estadísticas
(pasos)
• Simplificar
• Construir un modelo de decisión
• Probar el modelo
• Usando el modelo para encontrar soluciones:
• El modelo es una representación simplificada de la situación real
• No necesita estar completo o exacto en todas las relaciones
• Se concentra en las relaciones fundamentales e ignora las
irrelevantes.
• Este es entendido con mayor facilidad que un suceso empírico
(observado), por lo tanto permite que el problema sea resuelto con
mayor facilidad y con un mínimo de esfuerzo y pérdida de tiempo.
• El modelo puede ser usado repetidas veces para problemas
similares, y además puede ser ajustado y modificado.
Marco racional de la toma de decisiones
La complejidad del mundo moderno, junto
con la cantidad de Información, la
Incertidumbre y el Riesgo, requieren un
marco racional para la toma de decisiones.

Metas del análisis de decisiones:

• Incorporar orientación
• Información
•Discernimiento y estructura al proceso de
toma de decisión
Modelos de análisis de decisión
• Las teorías y las técnicas matemáticas que se toman en
consideración en el análisis de decisiones se ocupan de
las teorías de elección prescriptivas (acción).

• El análisis de decisiones es un proceso que le permite al

decidor seleccionar una decisión (sólo una) entre un
conjunto de alternativas posibles de decisión, cuando
existe incertidumbre con respecto al futuro, con el
objetivo de optimizar
Toma de decisiones

• La complejidad del mundo moderno, junto con la

cantidad de Información, la Incertidumbre y el Riesgo,
requieren un marco racional para la toma de
decisiones
 Toma de decisiones

Fuentes de error en la toma de decisiones

La fuente principal de errores en los problemas de toma de

decisiones arriesgadas son las presunciones falsas, no tener
una estimación exacta de las probabilidades, depender de la
expectativa, dificultades en medir la función de utilidad, y
los errores de pronóstico.                                                              
Toma de decisiones

La probabilidad es la herramienta para comunicar la

incertidumbre y para manejar la incertidumbre (domar
el cambio).
En Estadística la calidad de la información y la variación
están inversamente relacionadas. Una variación mayor
de los datos implica una disminución en la calidad de los
datos (es decir, de la información)
Ejemplo 1 Decisión de inversión
Los estados de la naturaleza son los estados de la economía durante un
año. El problema es decidir que acciones tomar entre los tres cursos
posibles, con las tasas de retorno dadas tal y como son mostradas en la
tabla.

Estados de la Naturaleza
Crecimiento Sin
Crecimiento Bajo
medio cambio
C CM SC B
Bonos 12% 8 6 3
Cursos de
Acciones 15 7 3 -2
Acción
Depósito 7 7 7 7
 Análisis de incertidumbre
Los modelos de análisis de decisiones está entre los siguientes dos casos
extremos, dependiendo del grado de conocimiento que tenemos sobre el
resultado de nuestras acciones que se expresan en la tabla:

Ignorancia Situación de Conocimiento

riesgo completo

Modelo de Modelo Modelo

incertidumbre probabilístico determinista
pura

Cuando se usa probabilidad se expresa la incertidumbre, el lado determinista

tiene una probabilidad de 1 (o cero), mientras que el otro extremo tiene una
probabilidad plana (todas igualmente probables)
Modelos de decisión
• Decisión tomada con pura incertidumbre.

• Decisión tomada con riesgo.

• Decisión tomada comprando información (empujando

el problema hacia el "polo" determinista)
Incertidumbre en la toma de decisión

Ejemplo ¿En qué estado estará la economía el año próximo?

Supongamos que limitamos las posibilidades a: Crecimiento (G), Igualdad
(S), o Declinación (D); entonces, una representación típica de nuestra
incertidumbre podría ilustrarse de la siguiente manera:
Solución Ejemplo. 1
Beneficio esperado (El resultado real no será igual al valor)
a) Con cada acción, multiplique la probabilidad y el beneficio y
luego sume: Elija el número más grande y adopte esa acción.

b) Agregue el resultado por fila.

c) Seleccione el número más grande y tome esa acción.

C(0,4) CM (0,2) SC (0,3) B (0,1) Valor

esperado

Bonos 0,4(12) + 0,2(8) + 03(6) + 0,1(3) = 8,5*

Acciones 0,4(15) + 0,2(7) + 0,3(3) + 0,1(-2) = 8,1

Depósito 0,4(7) + 0,2(7) + 0,3(7) + 0,1(7) = 7

Solución Ejemplo. 1
Los estados más probables de la naturaleza:
(apropiado para decisiones no repetitivas)

a) Tome el estado de la naturaleza que tiene la

probabilidad más alta (rompa los empates
arbitrariamente),

• b) En esa columna, elija la acción que tiene el mayor

beneficio,

• En nuestro ejemplo numérico, el Crecimiento tiene una

chance del 40%, por eso debemos comprar Acciones
Solución Ejemplo. 1
Si todos los estados de la naturaleza tiene el mismo valor.
a) Para cada estado de la naturaleza ponga una probabilidad
igual (es decir, probabilidad plana).
b) Multiplique cada número por la probabilidad.
c) Añada filas de cursos de acción y complete la columna Beneficio Esperado,.
d) Elija el número máximo en Paso c, y adopte ese curso de acción.

Beneficio
C CM SC B esperado

Bonos 0,25(12) 0,25(8) 0,25(6) 0,25(3) 7,25 *

Acciones 0,25(15) 0,25(7) 0,25(3) 0,25(-2) 5,75

Depósito 0,25(7) 0,25(7) 0,25(7) 0,25(7) 7

Arbol de Decisiones y Diagrama de Influencia
El árbol de decisiones es una representación
cronológica del proceso de decisión, mediante una
red que utiliza dos tipos de nodos:
• Nodos de decisión, representados por medio de una
forma cuadrada (el nodo de elección).
• Nodos de estados de la naturaleza, representados por
círculos (el nodo de probabilidad
Pasos para construir el árbol de decisiones
• Dibujar el árbol de decisiones usando cuadrados para
representar las decisiones y círculos para representar la
incertidumbre.
• Evaluar el árbol de decisiones, para verificar que se han
incluido todos los resultados posibles.
• Calcular los valores del árbol trabajando en retroceso,
del lado derecho al izquierdo.
• Calcular los valores de los nodos de resultado incierto
multiplicando el valor de los resultados por su
probabilidad (es decir, los valores esperados).
 Árbol de decisiones
•Podemos calcular el valor de un nodo del árbol cuando tenemos el valor de todos los
nodos que siguen.
• El valor de un nodo de elección es el valor más alto de todos los nodos que le siguen
inmediatamente.
•El valor de un nodo de probabilidad es el valor esperado de los valores de los nodos
que le siguen, usando la probabilidad de los arcos.
•Retrocediendo en el árbol, desde las ramas hacia la raíz, se puede calcular el valor de
todos los nodos, incluida la raíz del árbol.

Al poner estos resultados

numéricos en el árbol de
decisiones se obtiene como
resultado el gráfico:
Diagramas de Influencia
Como puede ser observado en el ejemplo del árbol de decisiones, la descripción
de las ramas y nudos el problema de decisiones secuenciales normalmente se
hace bastante complicado.

En ciertas ocasiones es mas fácil dibujar el árbol de tal forma que preserve las
relaciones que realmente manejan las decisiones.

Las probabilidades y valores requeridos para calcular los valores esperados de las
siguientes ramas están expresamente definidos en cada nudo.
Los Diagramas de Influencia
Son utilizados para el desarrollo de modelos de decisión y como una
alternativa de representación grafica de árboles de decisión
Diagrama de influencia
• En el diagrama de influencia anterior, los nudos
de decisión y los nudos de oportunidad son
ilustrados similarmente con cuadrados y círculos.
Los arcos (flechas) implican relaciones,
incluyendo probabilísticas
El árbol de decisión y el diagrama de influencia proporcionan
métodos de tomas de decisiones efectivas ya que:

• Claramente relaja el problema, por lo tanto todas las

opciones pueden ser consideradas.
• Nos permiten ampliamente analizar las posibles
consecuencias de una decisión.
• Proporcionan un esquema para cuantificar los valores de
los resultados y las probabilidades para lograr los
mismos.
• Nos ayudan a tomar mejores decisiones basadas en la
información existente, así como también hacer mejores
adivinanzas
MODELOS MATEMÁTICOS ORIENTADOS AL COMPUTADOR
Sistema continuo conectado a un computador por convertidores
A-D y D- A

Señales del computador: son de secuencias U(tk ) y Y (tk ) el problema radica en

encontrar la relación entre ellas.

Muestreo de un sistema continuo: encontrar el equivalente discreto de un sistema

continuo.
 MODELO OSTROBOSCÓPICO Da la relación entre las variables del sistema
solo en los instantes de muestreo

Estos modelos son simples, la variables que representan la señal MEDIDA y de CONTROl
cambian en unos instantes de tiempo indicados por el reloj.

Para un sistema continuo vienen dado en el espacio de estados en la siguiente forma:

dx / dt  Ax (t )  Bu (t )
y (t )  Cx(t )  Du (t )
Este sistema tiene R entradas, P salidas y es de orden n

Convertidor D-A mantiene constante la señal hasta que se ordene una nueva conversión
 La señal de CONTROL es Es preciso especificar su comportamiento durante las
discontinua discontinuidades

Dado el estado en el instante de muestreo tk el estado en el tiempo futuro t se obtiene

resolviendo la ecuación.

t
x(t )  e A( t  t k )
x(t )   e A(t  s ) Bu ( s)ds
tk
El estado en el siguiente instante de muestreo tk+1viene dado por:
t k 1
A( t k 1  t k ) 
x( k  1)  e x(t k )   e A(t k 1  s ) Bu ( s)d
tk
t k 1 U es constante en los
t k )  s )
 e A( t k 1
x(t k )   e A(t k 1
dS Bu (t k ) instante de muestreo
tk
t k 1
( t k 1 , t k )  ( t k 1 , t k )
 x (t k )   U (t k )
tk
El vector en el instante tk+1 es una función lineal de x(tk) y u(tk)
 Si los convertidores AD y Da de la Fig.1 están bien sintonizados y los tiempos de
conversión son despreciables.

Puede considerarse que la entrada u y la salida y se muestrean en el mismo instante.

La ecuación del sistema muestreado será igual

Expresa la relación
x(t k 1 )   (t k 1, t k )  (t k 1, t k )U (t k ) entre las señales y se
1 denomina MODELO
y (t k )  Cx ( t k )  Du (t k ) de MUESTREO
Con mantenedor
t k )
 (t k 1, t k )  e A(t k 1 orden cero

2 t k 1
 (t k 1, t k )   e AS ds B
0
En la mayor parte de los casos D = 0
Para un muestreo periódico con periodo h tk=kh

Entonces el modelo 1 se simplifica al sistema invariante

x(kh  h)   x(kh)  U (kh)

3
y (kh)  Cx(kh)  Du (kh)
Donde:

  e Ah
44
h
   e As dsB
0
 Solución de la ecuación del sistema

Para sistemas discretos invariantes se puede desarrollar mediante la ecuación en diferencia

4.1 x(k  1)   x(k )  U (k )

y (k )  Cx(k )  Du (k )
Si se considera el período de muestreo como la unidad de tiempo h=1
Suponiendo que la señal x(k0) como las señales U(k0), U(k0+D),...
están dada, entonces es posible resolver (4.1) por simple interacción.

x(k0  1)   x(k0 )  U (k0 )

La solución consta de dos
x(k0  2)   x(k0  1)  U (k0  1) partes.

 1. Depende condiciones
iniciales.
K K0 K  K 0 1
x(k )   x(k0 )    U (k0 )  U (k  1) 2. Es una suma
K  K0 k 1 k  j 1 ponderada de la señal de
 x(k0 )    U ( j )
j  k0 entrada
 MODELO ENTRADA- SALIDA

Modelo INTERNO

SISTEMAS DINAMICOS

Modelo EXTERNO

Modelo INTERNO: Modelo de espacio de estados que describen acoplamiento interno

entre las variables del sistema.

Modelo EXTERNO: Modelo que solo dan la relación entre la entrada y la salida del
sistema.
 MODELOS ORIENTADOS A PROCESOS

La mayoría de los problemas de análisis y diseño de sistemas muestrados puede tratarse

mediante modelos OSTROBOSCOPICOS
(Sistemas invariantes y discretos en el tiempo)

Este modelo da una completa descripción del sistema mientras que sea observado desde el
computador.
Cuando se requiere hacer una descripción mas detallada del modelo fundamentalmente
cuando el sistema controlado por computador se observa desde el proceso, se requiere de
modelos más complicados que los OSTROBOSCOPICOS debido a que debe tratarse
explícitamente la NATURALEZA PERIODICA DEL SISTEMA
 Sistema controlado con computador

Algoritmo seguido por el PC

1. Esperar hasta que ocurra un pulso del reloj
2. Realizar una conversión analógica a digital
3. Calcular las variables de control
4. Realizar una conversión digital a analógica
5. Actualizar el estado del regulador
6. Volver de nuevo al punto 1
 Modelo de Modulación

Se emplea cuando no resulta suficiente modelar las señales como secuencias,sino que
tienen que ser modeladas como funciones continuas.

Como un modulador de
Este MODELO describe la señal amplitud seguido de un
sistema lineal

La señal de modulación es un tren de pulsos. Una idealización adicional se obtiene

aproximando los pulsos por IMPULSO.

Origen Primeros trabajos sobre sistemas

del muestreados por
MODELO Mc Coll 1945 y linvil 1951
La acción combinada
Se describe como un SISTEMA que
MUESTREA la señal ANALOGICA y produce
Convertidor A-D otra señal ANALOGICA.
Computador
A este sistema se le denomina
Convertidor D-A
Muestrador y Mantenedor

El mantenedor conserva constante el voltaje analógico durante la conversión a una

representación digital

Este circuito tienen un amplificador de

muy alta impedancia en la entrada

Cuando se cierra el interruptor de muestreo el condensador se carga al voltaje de entrada

a través de R. Cuando el interruptor de muestreo se abre el condensador mantiene su
voltaje hasta el siguiente período de muestreo.
Para describir el sistema se introduce una función m que describe la apertura y cierre
del interruptor de muestra

1 interruptor abierto
m(t)= 2 interruptor cerrado

U y
La corriente i esta dada por
i m
R
La corriente i se modela por la función m, y se denomina FUNCION DE
MODULACION

Si la entrada del circuito que sigue al muestrador y mantenedor es grande, el voltaje

del CONDENSADOR esta definido por:

dy(t ) U (t )  y (t )
C  i (t )  m(t ) 4.2
dt R
La ecuación 4.2 es un sistema lineal que varía con el tiempo, la misma es causada por el
modulador.
Si el período de muestreo es h y el interruptor permanece cerrado t segundo en cada
muestreo la función m tiene entonces la forma

Una vez que se ha obtenido el modelo matemático del circuito, puede estudiarse
su respuesta a una señal de entrada U

Cuando el interruptor se cierra, el voltaje y alcanza la señal de entrada U como un sistema

dinámico de primer orden con una constante de tiempo R c que debe ser menoir que la
anchura de pulso.
El circuito mantenedor puede representarse como un integrador que se anula
automáticamente después de un período de muestreo.

Para ese sistema la función de transferencia es:

1
G ( s )  (1  e  sh )
s
 RELACIONES ENTRADA Y SALIDA

Si utilizamos la representación para un muestrador y mantenedor el sistema

quedara de la siguiente forma

1 s (1  e  sh ) G (s )
 MODELO ENTRADA - SALIDA

Muestreo multiperíodo: Es necesario en sistemas con transmisión especial de datos o

sensores y actuadores especiales y son útiles para mejorar la respuesta de sistemas en los
que las muestras se toman a baja frecuencia (Ejemplo: Cuando se usa instrumento de
laboratorio)

En sistemas multivariables es ventajosa tomar diferentes f de muestreo en diferentes

lazos para reducirla carga de cálculo del computador y mejorar la precisión
 x1 (k  1)  1 x1 ( k )  1U1 (k )

 y1 ( k )  C1 x1 ( k )

 x2 (k  1)   2 x2 (k )  2U 2 (k )

 y 2 ( k )  C 2 x2 ( k )
 Procesamiento de interruptores

Si toma un muestrador con período

h
que obtiene
2 combinando un muestrador de
período h con otro muestrador de períodos de períodops h retrasado

h
2


 

Si la relaciones entre los períodos de muestra son números no racionales no es

posible obtener un sistema períodico, y es necesario utilizar técnicas diferentes.
La función de transferencia F de la combinación del mantenedor de orden ceroo y el
proceso es igual a:

1
F ( s )  (1  e  sh )G ( s )
S

La transformada de Laplace de es: U

   skh
  st 
U ( s )   e U (t )dt   e U (kh)
0 k 0
La transformada de Laplace de la señal de salida se define por:


Y ( s )  F ( s )  e  skhU (kh)
k 0