Analisis de Sistemas Dinamicos

An alisis de sistemas din amicos lineales
An alisis de sistemas din amicos lineales

Oscar G. Duarte V.
Profesor asociado del Departamento de Ingenier a El ectrica y Electr onica
A quienes trabajan por la democratizaci on del conocimiento
Contenido
Contenido Lista de guras Lista de tablas Prefacio 1. Introducci on al modelamiento de sistemas 1.1. Conceptos preliminares . . . . . . . . . . . . . . . 1.1.1. Sistemas . . . . . . . . . . . . . . . . . . . 1.1.2. Se nales . . . . . . . . . . . . . . . . . . . 1.1.3. Modelos . . . . . . . . . . . . . . . . . . . 1.1.4. Construcci on de los modelos matem aticos 1.1.5. Clasicaci on de los modelos matem aticos 1.1.6. Modelos matem aticos a utilizar . . . . . . 1.2. Sistemas f sicos . . . . . . . . . . . . . . . . . . . 1.3. Grafos de enlaces de potencia Bond Graphs . . . . . . . . . . . . . . . . . . . 1.3.1. Elementos b asicos . . . . . . . . . . . . . 1.3.2. Causalidad . . . . . . . . . . . . . . . . . 1.3.3. Obtenci on de las ecuaciones . . . . . . . . 1.3.4. Procedimientos espec cos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
IX XV XXI XXIII
. . . . . . . . . . . . . . . . . . . . . . .
1 1 1 2 2 3 4 8 9 11 11 17 18 20 21 21 21 22 23 24 27 27 29 31 32
2. Preliminares matem aticos 2.1. Ecuaciones diferenciales y de diferencia . . . . . . . . . . . 2.1.1. Ecuaciones diferenciales . . . . . . . . . . . . . . . 2.1.2. Ecuaciones de diferencias nitas . . . . . . . . . . 2.1.3. Ecuaciones diferenciales y de diferencias lineales . 2.1.4. M etodos de soluci on de E.D. lineales . . . . . . . . 2.2. Transformadas de Laplace y Z . . . . . . . . . . . . . . . 2.2.1. Deniciones . . . . . . . . . . . . . . . . . . . . . . 2.2.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . 2.2.3. Parejas de transformadas . . . . . . . . . . . . . . 2.2.4. Utilizaci on de la tabla de parejas de transformadas ix
OSCAR G. DUARTE
2.2.5. Transformadas inversas por expansi on de fracciones parciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Soluci on de E.D. lineales mediante transformadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. Introducci on al an alisis de sistemas din amicos 3.1. Respuestas de estado cero y de entrada cero . . 3.1.1. Sistemas continuos . . . . . . . . . . . . 3.1.2. Sistemas discretos . . . . . . . . . . . . 3.2. Funciones de transferencia . . . . . . . . . . . . 3.3. Diagramas de bloques . . . . . . . . . . . . . . 3.4. Diagramas de ujo de se nal . . . . . . . . . . . 3.4.1. Regla de Mason . . . . . . . . . . . . . 3.5. Respuesta al impulso . . . . . . . . . . . . . . . 3.5.1. Caso discreto . . . . . . . . . . . . . . . 3.5.2. Caso continuo . . . . . . . . . . . . . . . lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36 39 43 43 43 45 47 48 48 52 55 56 59 65 66 68 70 71 73 73 75 76 78 80 80 82 82 83 83 87 89
4. Sistemas de primer y segundo orden 4.1. Sistemas continuos de primer orden . . . . . . . . . 4.2. Sistemas discretos de primer orden . . . . . . . . . 4.3. Sistemas continuos de segundo orden . . . . . . . . 4.3.1. Regi on de estabilidad . . . . . . . . . . . . 4.3.2. Regi on de tiempo m aximo de asentamiento 4.3.3. Regi on de frecuencia m axima de oscilaci on 4.3.4. Regi on de sobrepico m aximo . . . . . . . . 4.3.5. Regi on de dise no . . . . . . . . . . . . . . . 4.4. Sistemas discretos de segundo orden . . . . . . . . 4.4.1. Regi on de estabilidad . . . . . . . . . . . . 4.4.2. Regi on de tiempo m aximo de asentamiento 4.4.3. Regi on de Frecuencia m axima de oscilaci on 4.4.4. Regi on de sobrepico m aximo . . . . . . . . 4.4.5. Regi on de dise no . . . . . . . . . . . . . . . 4.5. Efecto de los ceros. Sistemas de fase m nima . . . . 4.6. Polos dominantes . . . . . . . . . . . . . . . . . . .
5. Sistemas realimentados simples 5.1. Tipo de sistema y error de estado estacionario . . . . . . . . . . . . . . . . . . . . . . . 5.1.1. Caso continuo . . . . . . . . . . . . . . . . . . . . . . 5.1.2. Caso discreto . . . . . . . . . . . . . . . . . . . . . . 5.2. Estabilidad y criterios de estabilidad en sistemas continuos 5.2.1. Arreglo y criterio de Routh-Hurwitz . . . . . . . . . 5.2.2. Lugar geom etrico de las ra ces . . . . . . . . . . . . 5.2.3. Diagramas y criterio de Bode . . . . . . . . . . . . . 5.2.4. Diagrama y criterio de Nyquist . . . . . . . . . . . . 5.3. Estabilidad y criterios de estabilidad en sistemas discretos . x
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
91 91 92 93 94 101 107 112 122
CONTENIDO
5.3.1. 5.3.2. 5.3.3. 5.3.4. 5.3.5.
Transformaci on bilineal . . . . Arreglo y criterio de Jury . . . Lugar geom etrico de las ra ces Diagramas y criterio de Bode . Diagrama y criterio de Nyquist
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
122 124 128 129 133 137 137 140 140 144 146 154 157 159 163 165 172 176 180 181 183 183 184 185 185 186 186
6. Representaci on en variables de estado 6.1. Introducci on . . . . . . . . . . . . . . . . . 6.2. Algunos resultados de a lgebra lineal . . . . 6.2.1. Espacios vectoriales . . . . . . . . . 6.2.2. Valores y vectores propios . . . . . . 6.2.3. Forma can onica de Jordan . . . . . . 6.2.4. Funciones de matrices cuadradas . . 6.3. Variables de estado . . . . . . . . . . . . . . 6.3.1. El concepto de estado . . . . . . . . 6.3.2. Representaci on de estado a partir de 6.4. Sistemas continuos libres . . . . . . . . . . . 6.4.1. Retratos de fase . . . . . . . . . . . 6.4.2. Espacio de estado . . . . . . . . . . 6.4.3. Matriz de transici on de estado . . . 6.5. Sistemas discretos libres . . . . . . . . . . . 6.5.1. Matriz de transici on de estado . . . 6.6. Sistemas continuos excitados . . . . . . . . 6.6.1. Matriz de funciones de transferencia 6.6.2. Variables de estado en el tiempo . . 6.7. Sistemas discretos excitados . . . . . . . . . 6.7.1. Matriz de funciones de transferencia 6.7.2. Variables de estado en el tiempo . . 6.8. Introducci on al control por variable de estado . . . . . . . . . . . . . . 6.8.1. Controlabilidad . . . . . . . . . . . . 6.8.2. Observabilidad . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . E.D. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . 187 . . . . . . . . . . . . 190 . . . . . . . . . . . . 191 195 197 199 201 201 203 204 205 206
7. Introducci on a los sistemas no lineales 7.1. P erdida de superposicici on y proporcionalidad . 7.2. M ultiples puntos de equilibrio . . . . . . . . . . 7.3. Estabilidad local . . . . . . . . . . . . . . . . . 7.4. Orbitas peri odicas no sinusoidales . . . . . . . . 7.5. Ciclos l mite . . . . . . . . . . . . . . . . . . . . 7.6. Orbitas homocl nicas . . . . . . . . . . . . . . . 7.7. Bifurcaciones . . . . . . . . . . . . . . . . . . . 7.8. Comportamientos ca oticos . . . . . . . . . . . . xi
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
OSCAR G. DUARTE
A. Demostraciones de las Transformadas de Laplace y Z A.1. Propiedades de la Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . A.1.1. Linealidad: . . . . . . . . . . . . . . . . . . . . . A.1.2. Diferenciaci on: . . . . . . . . . . . . . . . . . . . A.1.3. Desplazamiento en la frecuencia: . . . . . . . . . A.1.4. Multiplicaci on por t: . . . . . . . . . . . . . . . . A.1.5. Teorema de valor inicial: . . . . . . . . . . . . . . A.1.6. Teorema de valor nal: . . . . . . . . . . . . . . . A.1.7. Convoluci on: . . . . . . . . . . . . . . . . . . . . A.1.8. Desplazamiento en el tiempo: . . . . . . . . . . . A.2. Propiedades de la transformada Z . . . . . . . . . . . . A.2.1. Linealidad: . . . . . . . . . . . . . . . . . . . . . A.2.2. Diferencia positiva: . . . . . . . . . . . . . . . . . A.2.3. Escalamiento en la frecuencia: . . . . . . . . . . . A.2.4. Multiplicaci on por k : . . . . . . . . . . . . . . . . A.2.5. Teorema de valor inicial: . . . . . . . . . . . . . . A.2.6. Teorema de valor nal: . . . . . . . . . . . . . . . A.2.7. Convoluci on: . . . . . . . . . . . . . . . . . . . . A.3. Parejas de transformadas de Laplace . . . . . . . . . . . A.3.1. Escal on unitario . . . . . . . . . . . . . . . . . . A.3.2. Exponenciales . . . . . . . . . . . . . . . . . . . . A.3.3. Sinusoides . . . . . . . . . . . . . . . . . . . . . . A.3.4. Sinusoides amortiguadas . . . . . . . . . . . . . . A.3.5. Rampas, par abolas y monomios de t . . . . . . . A.3.6. Exponenciales por tn . . . . . . . . . . . . . . . . A.3.7. Sinusoides por t . . . . . . . . . . . . . . . . . . . A.3.8. Sinusoides amortiguadas multiplicadas por t . . . A.4. Parejas de transformadas Z . . . . . . . . . . . . . . . . A.4.1. Escal on unitario . . . . . . . . . . . . . . . . . . A.4.2. Series geom etricas . . . . . . . . . . . . . . . . . A.4.3. Sinusoides . . . . . . . . . . . . . . . . . . . . . . A.4.4. Sinusoides amortiguadas . . . . . . . . . . . . . . A.4.5. Rampas, y monomios de k . . . . . . . . . . . . . A.4.6. Series geom etricas por k n . . . . . . . . . . . . . A.4.7. Sinusoides por k . . . . . . . . . . . . . . . . . . A.4.8. Sinusoides amortiguadas por k . . . . . . . . . .
209 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209 209 210 211 212 213 213 214 215 215 216 216 218 218 219 219 220 221 221 221 221 222 222 223 223 223 223 223 224 224 226 226 226 227 228
B. Diagramas de Bode para sistemas continuos 229 B.1. Denici on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 B.2. Construcci on de los diagramas de Bode . . . . . . . . . . . . . . 230 C. Carta de Nichols 235 C.1. M -circunferencias . . . . . . . . . . . . . . . . . . . . . . . . . . . 236 C.2. N -circunferencias . . . . . . . . . . . . . . . . . . . . . . . . . . . 236 C.3. Carta de Nichols . . . . . . . . . . . . . . . . . . . . . . . . . . . 237 xii
CONTENIDO
D. Apuntes de algebra lineal D.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . D.1.1. Estructuras algebr aicas b asicas . . . . . . . . D.1.2. Denici on de espacio vectorial . . . . . . . . D.1.3. Bases . . . . . . . . . . . . . . . . . . . . . . D.1.4. Cambio de base . . . . . . . . . . . . . . . . . D.2. Transformaciones lineales . . . . . . . . . . . . . . . D.2.1. Transformaciones y cambios de base . . . . . D.3. Normas de vectores y matrices . . . . . . . . . . . . D.4. Sistemas de ecuaciones algebr aicas . . . . . . . . . . D.5. Valores y vectores propios . . . . . . . . . . . . . . . D.5.1. Valores propios diferentes . . . . . . . . . . . D.5.2. Valores propios repetidos . . . . . . . . . . . D.5.3. Obtenci on de vectores propios generalizados . D.6. Forma can onica de Jordan . . . . . . . . . . . . . . . D.7. Forma can onica real de Jordan . . . . . . . . . . . . D.7.1. Bloques de Jordan de tama no 1 . . . . . . . . D.7.2. Bloques de Jordan de tama no mayor que 1 . D.8. Funciones de matrices cuadradas . . . . . . . . . . . D.8.1. Polinomios de matrices . . . . . . . . . . . . D.8.2. Funciones como series de potencias . . . . . . D.8.3. Denici on de funciones mediante polinomios . Bibliograf a Indice anal tico
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . .
239 239 239 241 242 245 247 248 250 255 261 264 267 273 278 280 280 282 282 282 285 287 295 297
xiii
OSCAR G. DUARTE
xiv
Lista de guras
1.1. Sistema y Se nales . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Sistemas y Modelos . . . . . . . . . . . . . . . . . . . . . . . 1.3. Construcci on de Modelos . . . . . . . . . . . . . . . . . . . 1.4. Clasicaci on de los Modelos Matem aticos de Sistemas . . . 1.5. Sistema Din amico Continuo . . . . . . . . . . . . . . . . . . 1.6. Sistema Din amico Discreto . . . . . . . . . . . . . . . . . . 1.7. Elementos de un puerto para grafos de enlaces de potencia . 1.8. Elementos de dos puertos para grafos de enlaces de potencia 1.9. Elementos multipuerto para grafos de enlaces de potencia . 1.10. Grafos de enlace de potencia. Diagrama del ejemplo 1.1 . . 1.11. Grafos de enlace de potencia. Esquema del ejemplo 1.1 . . . 1.12. Grafo de enlaces de potencia del ejemplo 1.1 . . . . . . . . . 1.13. Enlaces con marcas de causalidad . . . . . . . . . . . . . . . 1.14. Grafo causal de enlaces de potencia del ejemplo 1.1 . . . . . 2.1. 2.2. 2.3. 2.4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 3 4 5 8 8 13 13 14 15 15 16 17 19 28 29 34 34 43 45 47 47 49 50 51 52 53 54 56 56 57
Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . Transformada Z . . . . . . . . . . . . . . . . . . . . . . . . . . . Funciones cont nuas seg un la ubicaci on de sus polos en el plano s Funciones discretas seg un la ubicaci on de sus polos en el plano s
3.1. Sistema Din amico Continuo . . . . . . . . . . . . . . . . . . . . . 3.2. Sistema Din amico Discreto . . . . . . . . . . . . . . . . . . . . . 3.3. Diagrama de bloques m nimo . . . . . . . . . . . . . . . . . . . . 3.4. Diagrama de ujo de se nal m nimo . . . . . . . . . . . . . . . . . 3.5. Equivalencias de los Diagramas de Bloques . . . . . . . . . . . . 3.6. Diagrama de Bloques del ejemplo 3.1 . . . . . . . . . . . . . . . . 3.7. Soluci on del ejemplo 3.1 . . . . . . . . . . . . . . . . . . . . . . . 3.8. Equivalencias de los Diagramas de de Flujo de Se nal . . . . . . . 3.9. Deniciones de Diagramas de Flujo de Se nal . . . . . . . . . . . . 3.10. Diagrama de Flujo de Se nal del ejemplo 3.3 . . . . . . . . . . . . 3.11. Funci on Impulso Unitario discreto . . . . . . . . . . . . . . . . . 3.12. Sistema Din amico Discreto estimulado con el impulso unitario . . 3.13. Relaci on entre la respuesta al impulso y la funci on de transferencia. Caso discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . xv
OSCAR G. DUARTE
3.14. Respuesta al Impulso discreto . . . . . . . . . . . . . . . . . . . . 3.15. Descomposici on de una se nal discreta . . . . . . . . . . . . . . . 3.16. Funci on d . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.17. Funci on Impulso Unitario Continuo . . . . . . . . . . . . . . . . . 3.18. Area bajo la curva f (t)d . . . . . . . . . . . . . . . . . . . . . . 3.19. Sistema Din amico Cont nuo estimulado con el impulso unitario . 3.20. Relaci on entre la respuesta al impulso y la funci on de transferencia. Caso cont nuo . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1. Respuesta al paso de un sistema continuo de primer orden . . . . 4.2. Regiones de estabilidad e inestabilidad para un sistema continuo de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.3. Respuesta al paso de un sistema continuo de primer orden, polo negativo en a . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4. Regi on de tiempo de asentamiento m aximo para un sistema continuo de primer orden . . . . . . . . . . . . . . . . . . . . . . . . 4.5. Respuesta al paso de un sistema discreto de primer orden . . . . 4.6. Regiones de estabilidad e inestabilidad para un sistema discreto de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.7. Regiones de tiempo de asentamiento m aximo para un sistema discreto de primer orden . . . . . . . . . . . . . . . . . . . . . . . 4.8. Ubicaci on de los polos de un sistema continuo de segundo orden, con polos complejos . . . . . . . . . . . . . . . . . . . . . . . . . 4.9. Respuesta al paso de un sistema continuo de segundo orden, wn = 1 4.10. Respuesta al paso de un sistema continuo de segundo orden, = 0.5 4.11. Respuesta al paso de un sistema continuo de segundo orden . . . 4.12. Regi on de Estabilidad para un sistema continuo de segundo orden 4.13. Regi on de Tiempo m aximo de asentamiento para un sistema continuo de segundo orden . . . . . . . . . . . . . . . . . . . . . . . 4.14. Regi on de Frecuencia m axima de oscilaci on para un sistema continuo de segundo orden . . . . . . . . . . . . . . . . . . . . . . . 4.15. Sobrepico en funci on de . . . . . . . . . . . . . . . . . . . . . . 4.16. Sobrepico en funci on de . . . . . . . . . . . . . . . . . . . . . . 4.17. Regi on de Sobrepico m aximo para un sistema continuo de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.18. Regi on de Dise no para un sistema continuo de segundo orden . . 4.19. Ubicaci on de los polos de un sistema discreto de segundo orden, con polos complejos . . . . . . . . . . . . . . . . . . . . . . . . . 4.20. Respuesta al paso de un sistema discreto de segundo orden, a = 1.2, b = 0.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.21. Respuesta al paso de un sistema discreto de segundo orden, a = 3, b = 0.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.22. Regi on de Estabilidad para un sistema discreto de segundo orden 4.23. Regi on de tiempo de asentamiento m aximo para un sistema discreto de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . xvi
58 60 61 61 62 62 63 66 67 67 68 69 69 70 71 72 72 72 73 74 74 76 77 77 78 79 80 81 81 82
LISTA DE FIGURAS
4.24. Regi on de Frecuencia m axima de oscilaci on para un sistema discreto de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . 4.25. Curvas de Amortiguamiento jo para un sistema discreto de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.26. Regi on de Amortiguamiento m nimo para un sistema discreto de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.27. Regi on de Dise no para un sistema discreto de segundo orden . . 4.28. Respuesta al paso de un sistema continuo de segundo orden, con cero real b = = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 4.29. Sistema continuo de orden 4 con polos dominantes . . . . . . . .
83 84 84 85 86 87
5.1. Sistema continuo retroalimentado simple . . . . . . . . . . . . . . 89 5.2. Sistema discreto retroalimentado simple . . . . . . . . . . . . . . 90 5.3. Arreglo de Routh. Primeras dos l neas . . . . . . . . . . . . . . . 95 5.4. Arreglo de Routh. Dos l neas gen ericas . . . . . . . . . . . . . . . 95 5.5. Arreglo de Routh del ejemplo 5.4. Primeras dos l neas . . . . . . 96 5.6. Arreglo de Routh del ejemplo 5.4 . . . . . . . . . . . . . . . . . . 96 5.7. Arreglo de Routh del ejemplo 5.5 . . . . . . . . . . . . . . . . . . 97 5.8. Arreglo de Routh del ejemplo 5.6 . . . . . . . . . . . . . . . . . . 98 5.9. Arreglo de Routh del ejemplo 5.7 . . . . . . . . . . . . . . . . . . 99 5.10. Arreglo de Routh con cero en la primera columna. Arreglo incompleto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 5.11. Arreglo de Routh con cero en la primera columna. Aproximaci on 100 5.12. Arreglo de Routh con cero en la primera columna. Arreglo completo100 5.13. Arreglo de Routh con terminaci on prematura. Arreglo incompleto 100 5.14. Arreglo de Routh con terminaci on prematura. Arreglo completo . 101 5.15. Root-ocus (en rojo) y root-locus complementario (en azul) del ejemplo 5.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 5.16. Diagramas de Root Locus para el ejemplo 5.10 . . . . . . . . . . 104 5.17. Root-locus (en rojo) y root-locus complementario (en azul) del ejemplo 5.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 5.18. Relaci on entre el root-locus y los diagramas de Bode . . . . . . . 110 5.19. Diagramas de Bode para un ejemplo . . . . . . . . . . . . . . . . 111 5.20. Determinaci on gr aca del valor de una funci on de transferencia racional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 5.21. Plano s y Plano F . . . . . . . . . . . . . . . . . . . . . . . . . . 114 5.22. Plano s y Plano F en una trayectoria cerrada que no encierra el cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115 5.23. Plano s y Plano F en una trayectoria cerrada que encierra el cero 116 5.24. Plano s y Plano F en una trayectoria cerrada que no encierra el polo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 5.25. Plano s y Plano F en una trayectoria cerrada que encierra el polo 117 5.26. Trayectoria de Nyquist para el caso general . . . . . . . . . . . . 118 5.27. Trayectoria de Nyquist con polos en el eje imaginario . . . . . . . 118 5.28. Diagrama de Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . 119 5.29. Diagrama de Nyquist para el ejemplo 5.13 . . . . . . . . . . . . . 121 xvii
OSCAR G. DUARTE
5.30. Transformaci on Bilineal . . . . . . . . . . . . . . . . . . . . . . . 5.31. Arreglo de Routh para el sistema transformado . . . . . . . . . . 5.32. Arreglo de Jury. Primeras dos l neas . . . . . . . . . . . . . . . . 5.33. Arreglo de Jury del ejemplo 5.15. Primeras dos l neas . . . . . . 5.34. Arreglo de Jury del ejemplo 5.15. Primeras cuatro l neas . . . . . 5.35. Arreglo de Jury del ejemplo 5.15. Arreglo completo . . . . . . . . 5.36. root-locus (en rojo) y root-locus complementario (en azul) para el ejemplo 5.18 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.37. Relaci on entre el root-locus y los diagramas de Bode para el caso discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.38. Diagramas de Bode para el ejemplo 5.19 . . . . . . . . . . . . . . 5.39. Trayectoria de Nyquist para el caso discreto general . . . . . . . 5.40. Trayectoria de Nyquist para el caso discreto con polos en la circunferencia unitaria . . . . . . . . . . . . . . . . . . . . . . . . . 5.41. Diagrama de Nyquist para el ejemplo 5.20 . . . . . . . . . . . . . 6.1. 6.2. 6.3. 6.4. 6.5. Sistema Continuo de m ultiples entradas y m ultiples salidas . . . Sistema Discreto de m ultiples entradas y m ultiples salidas . . . . Cambio de base de un Vector . . . . . . . . . . . . . . . . . . . . Diagrama de Matthew vacio simple . . . . . . . . . . . . . . . . . Diagrama de Bloques de un sistema cont nuo en representaci on de espacio de Estado . . . . . . . . . . . . . . . . . . . . . . . . . 6.6. Diagrama de Bloques de un sistema discreto en representaci on de espacio de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.7. Circuito RLC serie . . . . . . . . . . . . . . . . . . . . . . . . . . 6.8. Motor DC controlado por campo . . . . . . . . . . . . . . . . . . 6.9. Construcci on de una trayectoria en el Plano de Fase . . . . . . . 6.10. Retrato de Fase . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.11. Retratos de Fase Estables t picos . . . . . . . . . . . . . . . . . . 6.12. Retratos de Fase Inestables t picos . . . . . . . . . . . . . . . . . 6.13. Ejemplos Retratos de Fase . . . . . . . . . . . . . . . . . . . . . . 6.14. Retrato de Fase de un Ejemplo . . . . . . . . . . . . . . . . . . . 6.15. Retrato de Fase de un Ejemplo en la base de los vectores propios 6.16. Realimentaci on por Variable de Estado . . . . . . . . . . . . . . . 6.17. Realimentaci on por Variable de Estado de un sistema cont nuo . 6.18. Realimentaci on por Variable de Estado de un sistema discreto . . 6.19. Circuito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.20. Realimentaci on por Variable de Estado con Observador . . . . . 7.1. 7.2. 7.3. 7.4. 7.5. 7.6. No Linealidades Est aticas m as frecuentes . . . . . . . . . . . . . Sistema No Lineal con dos entradas escal on . . . . . . . . . . . . Sistema No Lineal con una entrada escal on y una sinusoide . . . Diagrama del p endulo simple . . . . . . . . . . . . . . . . . . . . Retrato de Fase del p endulo simple con a = b = 1 . . . . . . . . . Retrato de Fase del p endulo simple alrededor de un punto de equilibrio del tipo sif on . . . . . . . . . . . . . . . . . . . . . . . . xviii
123 124 125 126 126 126 130 131 132 133 134 136 138 138 143 151 158 159 160 161 173 173 174 175 177 180 181 188 188 189 191 192 196 198 198 200 200 202
LISTA DE FIGURAS
7.7. Retrato de Fase del p endulo simple alrededor de un punto de equilibrio del tipo punto de silla . . . . . . . . . . . . . . . . . . . 7.8. Retrato de Fase del Sistema de Lotka-Volterra . . . . . . . . . . 7.9. Retrato de Fase del Oscilador de Van der Pol con = 1 . . . . . 7.10. Retrato de Fase del Oscilador de Dung con k = 0 . . . . . . . . 7.11. Funci on discreta que origina un sistema ca otico . . . . . . . . . . 7.12. Respuesta de un sistema discreto ca otico a tres entradas diferentes: xa = 0.445 + 1 1011 (negro), xb = 0.445 + 3 1011 (azul) y xc = 0.445 + 5 1011 (rojo) . . . . . . . . . . . . . . . . . . . . B.1. Resumen de los diagramas de Bode aproximados para sistemas continuos de primer orden (los cuatro primeros casos son exactos) B.2. Resumen de los diagramas de Bode aproximados para sistemas continuos de segundo orden . . . . . . . . . . . . . . . . . . . . . B.3. Diagrama de Bode de magnitud para un sistema continuo de segundo orden con distintos factores de amortiguamiento . . . . . B.4. Diagrama de Bode de fase para un sistema continuo de segundo orden con distintos factores de amortiguamiento . . . . . . . . .
202 203 204 205 207
207 231 232 233 234
C.1. Diagrama de Nichols en coordenadas rectangulares . . . . . . . . 238 C.2. Diagrama de Nichols en coordenadas polares . . . . . . . . . . . 238 D.1. Cambio de base de un Vector . . . . . . . . . . . . . . . . . . . . D.2. Rotaci on de 90o en sentido horario . . . . . . . . . . . . . . . . . D.3. Circunferencias Unitarias para diferentes normas . . . . . . . . . D.4. Norma de una matriz basada en 1 . . . . . . . . . . . . . . . D.5. Norma de una matriz basada en 2 . . . . . . . . . . . . . . . D.6. Norma de una matriz basada en . . . . . . . . . . . . . . . D.7. Codominio y rango de un operador lineal . . . . . . . . . . . . . D.8. Codominio y Rango del Operador Lineal del ejemplo D.27 . . . . D.9. Codominio y Rango del Operador Lineal del ejemplo D.27 . . . . D.10.Codominio, espacio nulo, rango y nulidad de un operador lineal . D.11.Espacios Nulos de (A I)i y cadenas de vectores propios generalizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . D.12.Espacios Nulos del ejemplo . . . . . . . . . . . . . . . . . . . . . D.13.Diagrama de Matthew vac o . . . . . . . . . . . . . . . . . . . . . D.14.Diagrama de Matthew vac o simple . . . . . . . . . . . . . . . . . D.15.Diagrama de Matthew lleno . . . . . . . . . . . . . . . . . . . . . 247 249 252 254 255 255 257 258 258 259 270 272 273 274 274
xix
OSCAR G. DUARTE
xx
Lista de tablas
1.2. Variables y par ametros de sistemas f sicos . . . . . . . . . . . . . 1.4. Variables F sicas empleadas en los grafos de enlaces de potencia . 2.1. Comparaci on entre ecuaciones diferenciales y de diferencia . . . . 2.2. M etodos elementales de soluci on de Ecuaciones diferenciales y de diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3. Comparaci on de las deniciones de las transformadas de Laplace yZ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4. Propiedades de las transformadas de Laplace y Z . . . . . . . . 2.5. Tabla de parejas de transformadas elementales . . . . . . . . . . 2.6. Tabla de parejas de transformadas elementales multiplicadas por el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7. Ubicaci on de los polos en los planos complejos y funciones en el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1. 5.2. 5.3. 5.5. 10 12 23 25 29 31 32 33 33
Error de estado estacionario para sistemas continuos . . . . . . . 92 Error de estado estacionario para sistemas discretos . . . . . . . 93 Polos de la funci on de transferencia del ejemplo 5.8 . . . . . . . 102 Reglas de construcci on para el root-locus y el root-locus complementario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 5.6. Transformaci on bilineal de algunos puntos sobre la circunferencia unitaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
xxi
OSCAR G. DUARTE
xxii
Prefacio
Este texto de an alisis de sistemas din amicos se ha preparado como material de apoyo para el curso de igual nombre impartido en la Facultad de Ingenier a de la Universidad Nacional de Colombia. Existe una versi on electr onica en la p agina del proyecto Universidad Virtual de la misma universidad (http://virtual.unal.edu.co) que est a acompa nada de aplicaciones de software, enlaces y documentaci on u tiles para la aprehensi on de los conceptos aqui presentados. Se ha supuesto un lector con conocimentos m nimos de ecuaciones diferenciales y cuyo inter es en el tema est e cercano al control de sistemas din amicos. En general, es adecuado como gu a para cursos de pregrado en ingenier a, aunque el ap endice D tiene un nivel m as avanzado. El cuerpo principal del texto se organiza asi: El cap tulo 1 delimita el tipo de sistemas que se estudiar an en el texto y presenta las ideas b asicas sobre c omo obtener las ecuaciones matem aticas que describen su comportamiento. Esta tarea (la obtenci on de las ecuaciones) es fundamental para el an alisis y control de sistemas, y amerita un estudio mucho m as profundo que el destinado en este cap tulo introductorio; en los restantes cap tulos se asume que ya se cuenta con las ecuaciones de los sistemas a estudiar. Los fundamentos matem aticos para solucionar dichas ecuaciones se resumen en el cap tulo 2; especial enfasis se hace en los m etodos de las transformadas de Laplace y Z . Los herramientas m as usuales de an alisis de sistemas se presentan en el cap tulo 3 y el cap tulo 4 se dedica al estudio de los sistemas de primer y segundo, que resultan ser fundamentales pues presentan los comportamientos b asicos que pueden aparecer en cualquier sistema din amico. La realimentaci on, estrategia fundamental del control de sistemas din amicos, se explora en el cap tulo 5. Un enfoque diferente al an alisis de sistemas, el espacio de estado, se aborda en el cap tulo 6. Finalmente, el cap tulo 7 presenta algunos comportamientos que pueden aparecen en los sistemas no lineales, y que no pueden existir en los sistemas lineales. Adicionalmente, se han incluido cuatro ap endices: El ap endice A contiene las xxiii
OSCAR G. DUARTE
demostraciones de las propiedades y parejas de las transformadas de Laplace y Z que se enuncian en el cap tulo 2 y se emplean a lo largo del texto. Los ap endices B y C est an dedicados a los diagramas de Bode y a la carta de Nichols, respectivamente. El ap endice D es una presentaci on rigurosa de los conceptos de a lgebra lineal que se enuncian en el cap tulo 6. Este texto no habr a sido posible sin la colaboraci on directa e indirecta de muchas personas. Quiero agradecer en primer lugar a los alumnos de los cursos de pregrado y posgrado de an alisis de sistemas din amicos cuyas observaciones y sugerencias han sido extremadamente valiosas; ellos han sido adem as la principal motivaci on de este trabajo; a los profesores Hernando Diaz y Estrella Parra por sus aportes y permanente est mulo. Agradezco tambien a la Universidad Nacional de Colombia por su apoyo en la publicaci on del texto; a la comunidad A de desarrolladores y usuarios del programa L TEX sin cuyo aporte este y muchos libros ser an quimeras; a Alfredo Duplat Ayala por sus comentarios en el campo editorial; por u ltimo, pero no menos importante, a Tatiana y a Laura por su cari no y paciencia.
Oscar G. Duarte
xxiv
Cap tulo 1 Introduccio n al modelamiento de sistemas
1.1.
Conceptos preliminares
Iniciamos el estudio del an alisis de sistemas din amicos lineales con la presentaci on de los siguientes conceptos b asicos:
1.1.1.
Sistemas
No es f acil encontrar una denici on exacta de sistema, quiz as porque el t ermino es utilizado en muy diversos contextos. En un sentido amplio, podemos entender por sistema aquello que se va a estudiar. Tal denici on es extremadamente vaga pero pone de maniesto la necesidad de delimitar el objeto de estudio, de imponerle unas fronteras precisas. Dividimos el universo en dos partes: El sistema y todo lo dem as; esto u ltimo lo denominamos el Entorno del Sistema. Podemos imaginar sistemas de tipos muy diferentes de acuerdo a qu e es lo que se va a estudiar; si se desea conocer c omo se nutre un determinado animal estariamos deniendo un sistema biol ogico, mientras que si lo que se quiere es conocer la variaci on de la poblaci on en una determinada ciudad a trav es de los a nos deniriamos un sistema sociol ogico. Pueden plantearse tambi en sistemas abstractos, como por ejemplo el conjunto de los n umero enteros o las estrategias de comunicaci on ling u sticas. El prop osito de este curso no es, por supuesto, abordar cualquier tipo de sistema, sino que se limita al estudio de un tipo espec co de sistemas que suelen denominarse en el contexto de la f sica, la matem atica y la ingenier a Sistemas 1
OSCAR G. DUARTE
Din amicos Lineales. Para precisar qu e tipo de sistemas son estos requerimos primero de la presentaci on de los conceptos dese nales y modelos.
1.1.2.
Se nales
Las se nales son el medio a trav es del cual el sistema interact ua con su entorno. En la gura 1.1 se visualiza esta interacci on: El sistema, est a representado por un rect angulo, lo que da a entender que tiene sus fronteras denidas en forma precisa; este sistema recibe del entorno unas se nales de entrada, representadas por echas, y entrega a su entorno unas se nales de salida, tambi en representadas por echas. En las aplicaciones t picas de ingenier a, las se nales de entrada y salida son variables (f sicas o abstractas) que camb an en el tiempo, como por ejemplo, fuerzas, velocidades, temperaturas, etc.
Entradas
Sistema
Salidas
Figura 1.1: Sistema y Se nales
Cuando un sistema recibe una u nica se nal de entrada y produce una u nica se nal de salida, se dice que es un sistema SISO (del ingl es Single Input Single Output ), mientras que si recibe varias entradas y produce varias salidas, se dice que es un sistema MIMO (del ingl es Multiple Input Multiple Output ). Tambi en existen las denominaciones MISO para sistemas de varias entradas y una s ola salida, y SIMO para el caso con una entrada y varias salidas, este u limo poco frecuente.
1.1.3.
Modelos
Para entender un sistema debemos hacer una representaci on abstracta de el; tal representaci on es el modelo del sistema. La gura 1.2 visualiza la diferencia que existe entre sistema y modelo. El sistema existe, y de el hacemos una o varias abstracciones para poder comprenderlo. Las representaciones abstractas pueden ser de muchos tipos (ecuaciones, gr acas, etc.) algunos de los cuales son:
Modelos mentales: son representaciones presentes en nuestro cerebro; tenemos, por ejemplo, una representaci on mental de nuestro cuerpo que nos permite controlarlo para caminar, saltar, etc. Modelos ling u sticos: son representaciones con palabras; este p arrafo, por ejemplo intenta explicar con palabras qu e es el sistema denominado modelo ling u stico. 2
1.1. CONCEPTOS PRELIMINARES
Modelos gr acos: en ocasiones empleamos tablas y/o gr acas como modelos; los cat alogos de productos de ingenier a suelen contener muchos ejemplos de este tipo de modelo. Modelos matem aticos: estos modelos son ampliamente usados en a reas como la f sica, la ingenier a, la econom a, etc.; generalmente se trata de ecuaciones que muestra las relaciones existentes entre las variables que afectan un sistema; Modelos de software: en ocasiones es posible desarrollar programas de computador que representen a sistemas complejos.
Modelo1
Modelo4
Sistema
Modelo2
Modelo3
Figura 1.2: Sistemas y Modelos
Es importante destacar que un mismo sistema puede ser representado por muchos modelos diferentes. Este hecho plantea el interrogante cu al es el mejor modelo de un sistema dado? No es sensato aspirar a obtener un modelo perfecto de un sistema real, porque existir an siempre fen omenos que se escapen a nuestra capacidad de abstracci on, por lo tanto, la respuesta debe darse en t erminos de la utilizaci on del modelo; el mejor modelo es aquel que sea u til para nuestros prop ositos particulares, y dentro de todos los modelos u tiles, preferiremos el m as sencillo. La utilidad del modelo tambi en determinar a el grado de sosticaci on que se requiera.
1.1.4.
Construcci on de los modelos matem aticos
En general, la construcci on de modelos se basa en la observaci on del sistema. Existen algunos caminos b asicos para obtener un modelo (ver gura 1.3): Modelamiento de sistemas: Esta estrategia consiste en descomponer (abstractamente) el sistema en subsistemas m as simples, cuyos modelos sean 3
OSCAR G. DUARTE
factibles de obtener gracias a la experiencia previa. Una vez obtenidos estos submodelos, se buscan las relaciones que existen entre ellos, para interconectarlos y obtener el modelo del sistema original. Esta estrategia busca una descripci on desde adentro del sistema, generalmente basada en el conocimiento de las leyes que rigen los sistemas simples. El modelo asi obtenido se conoce como modelo de caja blanca o modelo interno. Identicaci on de Sistemas: Esta estrategia consiste en acumular un n umero suciente de observaciones sobre las se nales de entrada y salida del sistema, con el prop osito de emplearlas para construir un modelo del mismo. No se centra en lo que existe al interior del sistema, sino en su comportamiento respecto al entorno. El modelo asi obtenido se conoce como modelo de caja negra o modelo entrada - salida. Estrategia h brida: Existe una tercera estrategia, que realmente es una combinaci on de las anteriores: Al igual que en la estrategia de modelamiento, se emplea el conocimiento que est e a la mano acerca de la estructuta interna del sistema y las leyes que rigen su comportamiento, y se emplean observaciones para determinar la informaci on que haga falta. El modelo asi obtenido se conoce como modelo de caja gris.
Modelamiento de Sistemas c Modelos de caja blanca d d Modelos de caja gris
Identicaci on de Sistemas c Modelos de caja negra
Figura 1.3: Construcci on de Modelos
1.1.5.
Clasicaci on de los modelos matem aticos
En el a mbito de este texto se emplear an modelos de tipo matem atico, es decir, nuestros modelos ser an ecuaciones y el an alisis de los sistemas asi modelados estar a ligado a la soluci on de dichas ecuaciones. Las siguientes deniciones ayudar an a puntualizar qu e tipo de modelos matem aticos son los que se pretenden estudiar, seg un se observa en la gura 1.4. Modelos causales y no causales: El estado de un sistema causal depende s olo de las condiciones presentes y pasadas, pero no de las futuras, es decir hay una relaci on de causalidad. Los sistemas f sicos son causales, pero se pueden concebir modelos de ciertos sistemas que no lo sean. En el texto se estudiar an s olo sistemas causales 4
Modelos Matem aticos
c
No Causales
c
Causales
c
Est aticos
c
Din amicos
c
Estoc asticos
c
Determin sticos
Par ametros Par ametros Distribuidos Concentrados
c
No Lineales
c
Lineales
Variantes en tiempo
Invariantes en tiempo
c
Discretos
c
Continuos
Figura 1.4: Clasicaci on de los Modelos Matem aticos de Sistemas
OSCAR G. DUARTE
Modelos est aticos y din amicos: El estado de un sistema est atico depende s olo de las condiciones presentes y no de las pasadas. En contraposici on, el estado de un sistema din amico depende de lo que haya sucedido en el pasado, generalmente debido a que en el sistema hay alg un tipo de almacenamiento de energ a. Los sistemas din amicos tambi en se conocen como sistemas con memoria. Los modelos de sistemas din amicos son ecuaciones diferenciales o de diferencia. En el texto se estudiar an s olo sistemas din amicos. Modelos estoc asticos y determin sticos: En ocasiones se sabe que existen variables que afectan el sistema, pero no es posible predecir el valor que estas puedan tomar; una de las alternativas para hacer frente a estos casos consiste en considerar que esa variable es aleatoria y buscar t ecnicas basadas en la teor a de probabilidades para analizar el sistema. Un modelo que incluya variables aleatorias es un modelo estoc astico, mientras que mode los exentos de aleatoridad se denominan modelos determin sticos. Estos u ltimos ser an los que se estudien en este texto. Modelos de par ametros concentrados y distribuidos: La mayor a de los fen omenos f sicos ocurren en una regi on del espacio, pero en muchas ocasiones es posible representar ese fen omeno como algo puntual; por ejemplo, para estudiar la atracci on entre el sol y la tierra es posible representar toda la masa de cada uno de esos cuerpos concentrada en un u nico punto (su centro de gravedad). Sin embargo, otros fen omenos como la transmisi on de ondas electromagn eticas o las olas en el mar requieren una representaci on que considere qu e est a sucediendo en cada punto del espacio, en este caso se necesita un modelo de par ametros distribuidos en el espacio, en contraposici on de los modelos de par ametros concentrados. Los modelos de par ametros distribuidos implican ecuaci ones diferenciales con derivadas parciales y no ser an estudiados en este texto; por su parte los modelos de par ametros concentrados, requieren ecuaciones con derivadas o ecuaciones de diferencia ordinarias. Modelos lineales y no lineales: La linealidad es una propiedad que pueden tener o no las funciones; realmente se trata de dos propiedades agrupadas bajo un mismo nombre. Dada una funci on y = f (x) est as propiedades son: 1. Proporcionalidad: Es igual calcular la funci on en un argumento amplicado por un factor que calcularla sobre el argumento y luego amplicar el resultado por ese mismo factor: f (x) = f (x) En t erminos pr acticos, esto signica que en los modelos lineales al duplicar las entradas se duplican las salidas. 6
2. Superposici on: Es igual calcular la funci on en la suma de dos argumentos que calcularla por separado en cada uno de los argumentos y sumar los resultados. f (x1 + x2 ) = f (x1 ) + f (x2 ) En t erminos pr acticos, esto signica que en los modelos lineales de varias entradas, las salidas pueden conocerse calculando por separado el efecto de cada entrada y sumando los resultados. En este texto se estudiar an los modelos lineales, y tan s olo en el cap tulo 7 se mencionar an algunos comportamientos especiales que pueden ocurrir en los sistemas no lineales. Modelos variantes e invariantes en el tiempo: Un modelo se dice invariante en el tiempo cuando las propiedades del sistema modelado se consideran constantes en el tiempo. En caso contrario se dice variante en el tiempo. N otese que la variaci on se reere a las propiedades (par ametros) del sistema, no de las se nales que le afectan (variables). En la mayor parte de este curso se considerar an sistemas invariantes en el tiempo. Modelos continuos y discretos: Para describir el comportamiento de sistema din amicos es posible denir la variable tiempo en dos formas distintas: Tiempo continuo: Se considera que el tiempo t es una variable continua que puede tomar cualquier valor real, aunque generalmente se restringe a los valores positivos (t R+ ). Las variables resultan ser descritas por funciones que van de los reales positivos a los reales (f : R+ R). Tiempo discreto: Se considera que el tiempo k es una variable discreta, es decir, que s olo toma valores en ciertos puntos de la recta real. Usualmente estos instantes est an espaciados de forma regular en un intervalo T . En este texto se considera adem as T = 1, en unidades de tiempo adecuadas, que pueden ser a nos, d as, microsegundos, etc. De esta forma k es una variable entera, generalmente positiva (k Z+ ). Las variables resultan ser descritas por funciones que van de los enteros positivos a los reales (f : Z+ R), es decir, son sucesiones. En este texto se considerar an ambos tipos de modelos, pero en forma independiente, es decir, no se considerar an sistemas h bridos que tengan una parte descrita en forma continua y otra en forma discreta. Estos sistemas son de amplio inter es en las aplicaciones de control digital y en tratamiento digital de se nales (particularmente el efecto del periodo T del tiempo discreto resulta ser importante), pero no son tratados en este texto.
OSCAR G. DUARTE
1.1.6.
Modelos matem aticos a utilizar
De acuerdo con lo presentado en la secci on 1.1.5, y resumido en la gura 1.4, en este curso se emplear an modelos matem aticos causales, din amicos, determin sticos, de par ametros concentrados, lineales, invariantes en el tiempo, para dos casos diferentes: tiempo continuo y tiempo discreto. Para un sistema continuo de una u nica entrada y una u nica salida, como el de la gura 1.5, el modelo empleado corresponde a una ecuaci on diferencial ordinaria de coecientes constantes : an dn y dy + + a1 + a0 y (t) = dtn dt bm
du dm u + + b1 + b0 u(t) n m (1.1) m dt dt
Por su parte, un sistema discreto de una u nica entrada y una u nica salida, como el de la gura 1.6, tendr a por modelo una ecuaci on de diferencias nitas ordinaria de coecientes constantes : an y (k + n) + + a1 y (k + 1) + a0 y (k ) = bm u(k + m) + + b1 u(k + 1) + b0 u(k ) n m (1.2) E E y (t)
u(t)
Sistema
Figura 1.5: Sistema Din amico Continuo
u(k )
Sistema
E y (k )
Figura 1.6: Sistema Din amico Discreto
La condici on n m de las ecuaciones (1.1) y (1.2) asegura modelos causales. En efecto, podemos suponer una ecuaci on de diferencias que viole esta condici on, por ejemplo y (k ) = u(k + 1) ; es obvio que para cualquier k la salida del sistema depende de una condici on futura de la entrada, (por ejemplo para k = 0 se tiene y (0) = u(1)), lo que viola la condici on de causalidad. Otro tipo de ecuaciones diferenciales que se emplear an relacionan vectores de variables mediante matrices. Para el caso continuo se muestra un ejemplo en (1.3) y para el caso discreto en (1.4) a11 x 1 x 2 = a21 a31 x 3 a12 a22 a32 8 x1 a13 a23 x2 x3 a33
(1.3)
1.2. SISTEMAS F ISICOS
a11 x1 (k + 1) x2 (k + 1) = a21 a31 x3 (k + 1)
a12 a22 a32
a13 x1 (k ) a23 x2 (k ) a33 x3 (k )
(1.4)
1.2.
Sistemas f sicos
Los modelos matem aticos de las ecuaciones (1.1) y (1.2) pueden ser u tiles para representar el comportamiento de diversos tipos de sistemas en a reas de la f sica, ingenier a, biolog a, econom a, sociolog a, etc. Por lo tanto las t ecnicas de an alisis que se explicar an en este texto son de amplia aplicabilidad. No obstante, centramos aqui nuestra atenci on en los fundamentos necesarios para obtener modelos continuos de cierto tipo de sistemas frecuentes en la ingenier a. La tabla 1.2 resume las Variables y Par ametros de algunos de estos sistemas. Para cada caso se han identicado dos variables que permiten analizar algunos fen omenos; estas variables se han identicado como Esfuerzo E y Flujo F , y pueden interpretarse como las variables que causan un fen omeno y la forma en que este fen omeno se maniesta; dicha interpretaci on, sin embargo, es arbitraria y corresponde tan s olo a la met afora que se haya empleado para entender el fen omeno f sico. Para resaltar este hecho, en la tabla 1.2 se presentan los sistemas el ectricos con dos posibles interpretaciones. De todos los posibles fen omenos f sicos existentes, en la tabla 1.2 se presentan aquellos que tienen un modelo matem atico que corresponde a uno de los siguientes casos: Resistencia: El Esfuerzo es directamente proporcional al Flujo, resultando en una ecuaci on de la forma E = RF Inductancia: El Esfuerzo es directamente proporcional a la variaci on del Flujo, resultando en una ecuaci on de la forma E = L dF dt Capacitancia: El Esfuerzo es directamente proporcional a la acumulaci on del Flujo, resultando en una ecuaci on de la forma E = C F dt N otese que las variables de Esfuerzo y Flujo que aparecen en la tabla 1.2 han sido seleccionadas tomando como u nico criterio el que permitan escribir los modelos matem aticos de ciertos fen omenos f sicos de acuerdo con alguno de los tres casos anteriores; podr an seleccionarse otras variables para describir otros fen omenos. Dado que las descripciones matem aticas de estos fen omenos son semejantes, es posible establecer analog as entre los tipos de sistemas que depender an de las variables seleccionadas como Esfuerzo y Flujo; por ejemplo, ser a posible establecer una analog a entre los resortes lineales de los sistemas traslacionales y las inductancias de los sistemas el ectricos (columnas 2 y 4 tabla 1.2), pero tambi en puede establecerse una analog a entre el mismo tipo de resorte y las capacitancias de los sitemas el ectricos (columnas 3 y 4 tabla 1.2).
OSCAR G. DUARTE
El ectrico A Esfuerzo E Flujo F Resistencia 10 E = RF Inductancia E = L dF dt Capacitancia E = C F dt i = Ge Capacitancia i = C de dt Inductancia i=

1 L
El ectrico B Tensi on e Corriente i Resistencia
Corriente i Tensi on e Conductancia
Mec anico traslacional Fuerza f Velocidad v Amortiguamiento viscoso f = Bv Masa de inercia f = M dv dt Resorte f =K vdt
Mec anico rotacional Torque Velocidad angular Amortiguamiento viscoso rotacional = B Momento de inercia = J d dt Resorte torsional = KT dt
Hidra ulico (Tanques) Caudal q Nivel de l quido h Resistencia Hidra ulica
T ermico Diferencia de temperatura Flujo de calor qc Resistencia t ermica
e = Ri Inductancia
di e = L dt Capacitancia 1 e= C idt
q = RH h Area de tanque q = A dh dt
= RT qc
edt
Capacitancia t ermica = CT qc dt
Tabla 1.2: Variables y par ametros de sistemas f sicos
1.3. GRAFOS DE ENLACES DE POTENCIA BOND GRAPHS
1.3.
Grafos de enlaces de potencia Bond Graphs
La construcci on de modelos matem aticos a partir de las relaciones de la tabla 1.2 puede ser una tarea complicada para sistemas complejos en los que existan combinaciones de sistemas de diferente tipo. Una de las estrategias que facilita la construcci on de tales modelos se denomina t ecnica de los Bond Graphs. Los Bond Graphs son grafos basados en las relaciones de potencia que existen en los sistemas f sicos, y por esa raz on los llamaremos grafos de enlaces de potencia, aunque esta no es una traducci on literal, ni es ampliamente empleada. La representaci on de las relaciones de potencia se hace en funci on de una pareja de variables, Esfuerzo e(t) y Flujo f (t) que se seleccionan adecuadamente seg un el tipo de sistema a modelar, de tal manera que la potencia p(t) se calcule como p(t) = e(t)f (t) (1.5)
Las variables empleadas se relacionan en la tabla 1.41 . Adicionalmente, se consideran las integrales respecto al tiempo del Esfuerzo y el Flujo, P y Q respectivamente. En los ejemplos de este cap tulo se considerar an u nicamente ejemplos de sistemas el ectricos y mec anicos.
1.3.1.
Elementos b asicos
Los siguientes son los elementos b asicos de un grafo de enlaces de potencia: Elementos de 1 puerto: Estos elementos representan sistemas en donde s olo interviene una variable de Esfuerzo y una variable de Flujo. La gura 1.7 muestra los distintos elementos de un puerto, su s mbolo y la relaci on existente entre las variables de Esfuerzo y Flujo. Los tres primeros elementos, R, C , I , son elementos pasivos, ya que no contienen fuentes de energ a, mientras que los dos u ltimos, Se y Sf , son elementos activos que suministran energ a (son fuentes de Esfuerzo y Flujo respectivamente). Elementos de 2 puertos: Estos elementos son conversores de potencia, es decir, reciben potencia, la transforman y la entregan sin p erdida alguna. Por uno de los puertos reciben potencia y por el otro la entregan; en cada puerto hay una variable de Esfuerzo y una de Flujo. La gura 1.8 muestra los dos tipos de elementos de dos puertos que existen, sus s mbolos y las relaciones matem aticas que los rigen. Elementos multipuerto (Uniones): Estos elementos representan la ley de continuidad de potencia, y sirven para describir las relaciones topol ogicas del sistema y as relacionar elementos de uno o dos puertos entre s . La
1 n otese que no necesariamente son las mismas variables Esfuerzo y Flujo relacionadas en la tabla 1.2, aunque algunas coinciden
11
OSCAR G. DUARTE
Sistema El ectrico Mec anico traslacional Mec anico rotacional Hidra ulico T ermico A T ermico B Qu mico A Qu mico B Magn etico
Esfuerzo Tensi on el ectrica Fuerza Torque Presi on Temperatura Presi on Potencial qu mico Entalp a Fuerza magnetomotriz
e v F P T P m h em
Flujo Corriente el ectrica Velocidad Velocidad angular Variaci on de ujo volum etrico Variaci on de diferencia de entrop a Variaci on de cambio de volumen Variaci on de ujo molar Variaci on de ujo m asico Flujo magn etico
f i dQ/dt ds/dt dV /dt dN/dt dm/dt
Tabla 1.4: Variables F sicas empleadas en los grafos de enlaces de potencia
gura 1.9 muestra los dos tipos de uniones existentes, sus s mbolos y las relaciones matem aticas que los rigen.
Ejemplo 1.1 La gura 1.10 muestra el diagrama de un elevador, compuesto por un motor el ectrico, un eje, una polea, un cable y un vag on. En el motor hay un circuito el ectrico que incluye una resistencia, una inductancia y la tensi on contraelectromotriz; el eje se considera r gido, sin masa y con fricci on viscosa; la polea tiene un momento de inercia; el cable es el astico y el vag on est a directamente acoplado al cable. La gura 1.11 muestra el sistema en forma esquematica, resaltando la existencia de diferentes dominios de energ a: el ectrico, rotacional y traslacional. La gura 1.12 muestra el grafo de enlaces de potencia del sistema completo: en la primera uni on se representa el circuito el ectrico en serie (uni on tipo 1 porque el ujo es com un); el rotador representa la conversi on de energ a el ectrica en rotacional; la siguiente uni on representa el comportamiento de la polea; el transformador muestra el cambio del dominio de energ a rotacional al traslacional; y la u ltima uni on representa los fen omenos mec anicos en el vag on, incluida la atracci on de la gravedad. En este grafo se han numerado todos los enlaces, para facilitar su identicaci on. 12
Tipo de Elemento
S mbolo
Relaciones e = Rf R f= e=C C f=
e R
Elemento R
e f
Elemento C
e f
f dt
1 de C dt
Elemento I
e f
e = I df dt f=
1 I
edt
Fuente de Esfuerzo
Se
e f
e = Se
Fuente de Flujo
Sf
e f
f = Sf
Figura 1.7: Elementos de un puerto para grafos de enlaces de potencia
Tipo de Elemento
S mbolo e1 f1 e2 f2
Relaciones e1 = ke2 f1 =
f2 k
Transformador
TF : k
Rotador
e1 f1
GY : k
e2 f2
e1 = kf2 f1 =
e2 k
Figura 1.8: Elementos de dos puertos para grafos de enlaces de potencia
13
OSCAR G. DUARTE
Tipo de Elemento
S mbolo
Relaciones
e2 f2 Uni on Tipo 0 e1 f1 0 f4 e4 e3 f3 e1 = e 2 = e 3 = e 4 f1 = f 2 + f 3 + f 4
e2 f2 Uni on Tipo 1 e1 f1 f4 1 e4 e3 f3 e1 = e 2 + e 3 + e 4 f1 = f 2 = f 3 = f 4
Figura 1.9: Elementos multipuerto para grafos de enlaces de potencia
14
+ v (t)
Figura 1.10: Grafos de enlace de potencia. Diagrama del ejemplo 1.1
Re
L k Rb
Dominio Rotacional J D/2 Dominio Traslacional
us
Dominio El ectrico
Ce
mg
Figura 1.11: Grafos de enlace de potencia. Esquema del ejemplo 1.1
15
OSCAR G. DUARTE
I :L e2 f2 S.. e us e1 f1 e3 f3 GY .. k e5 f5
I:J e6 f6 e7 f7 TF : D 2
1 f4 e4 R : Re
1 f8 e8
f9 e9 R : Rb C : Cel f10 e10 0 f11 e11 Se : mg e13 f13
1 f12 e12 I:m
Figura 1.12: Grafo de enlaces de potencia del ejemplo 1.1
16
Salida de Flujo e f f = g (e)
Salida de Esfuerzo e f e = g (f )
Figura 1.13: Enlaces con marcas de causalidad
1.3.2.
Causalidad
En las guras 1.7 y 1.8 se observa que las relaciones entre esfuerzo y ujo pueden escribirse de dos formas diferentes para algunos de los elementos: Salida de Esfuerzo: se calcula e en funci on de f , por ejemplo e = g (f ). Salida de Flujo: se calcula f en funci on de e, por ejemplo f = g (e). La gura 1.13 muestra c omo se modica el s mbolo del enlace cuando se toma cada una de las dos alternativas, agregando unas marcas de causalidad en alguno de los extremos del enlace. El an alisis de causalidad permite determinar cu al de los dos tipos de relaciones debe emplearse en cada enlace. Para ello, es necesario denir las siguientes relaciones de causalidad: Causalidad ja: En ocasiones s olo es posible un tipo de causalidad, como por ejemplo en las fuentes de Esfuerzo y Flujo; en estas situaciones la causalidad est a predeterminada. Causalidad condicionada: En los elementos de m as de un puerto la causalidad est a condicionada por las siguientes reglas: En un rotador cada uno de sus puertos debe tener una causalidad diferente En un transformador ambos puertos deben tener la misma causalidad En las uniones tipo 0 s olo hay una marca de causalidad en el lado de la uni on. En las uniones tipo 1 s olo hay una marca de causalidad que no est e del lado de la uni on. Causalidad preferida: En los elementos cuya relaci on esfuerzo-ujo puede ser una integral o una derivada, en este texto se preere la relaci on de derivaci on2 , por lo tanto se tiene que
2 La
integraci on es preferible para la utilizaci on de m etodos num ericos.
17
OSCAR G. DUARTE
Para elementos tipo C se preere la causalidad de salida de ujo. Para elementos tipo I se preere la causalidad de salida de esfuerzo. Causalidad Indiferente: En las relaciones est aticas, como la de los elementos R se obtiene el mismo tipo de ecuaci on con cualquiera de las dos causalidades, y por lo tanto esta es indiferente. Para determinar la causalidad de un grafo, se emplea el siguiente procedimiento: 1. Asignar una causalidad ja y propagarla a trav es de las causalidades condicionadas. Repetir el procedimiento con todas las causalidades jas. 2. Asignar una causalidad preferida y propagarla a trav es de las causalidades condicionadas. Repetir el procedimiento con todas las causalidades preferidas. 3. Asignar una causalidad indiferente y propagarla a trav es de las causalidades condicionadas. Repetir el procedimiento con todas las causalidades indiferentes. Ejemplo 1.2 Retomando el ejemplo 1.1, cuyo grafo de enlaces de potencia se muestra en la gura 1.12, el procedimiento de asignaci on de causalidades permite obtener el grafo causal de la gura 1.14
1.3.3.
Obtenci on de las ecuaciones
A partir de un grafo causal se pueden derivar las ecuaciones diferenciales que describen el sistema con el siguiente procedimiento: 1. Obtener las ecuaciones diferenciales y las ecuaciones algebr aicas de cada uno de los elementos del grafo. 2. Eliminar las ecuaciones algebr aicas. Ejemplo 1.3 Las ecuaciones del grafo causal de la gura 1.14 (Ejemplos 1.1 y 1.2) se obtienen asi: Enlace 1: e1 = us Enlace 2: e2 = Ldf2 /dt Enlace 4: f4 = e4 /Re Primera uni on: f1 = f2 = f3 = f4 Rotador: e3 = Kf5 Enlace 6:e6 = Jdf6 /dt Enlace 8:f8 = e8 /Rb 18 f3 =
1 K e5
e1 = e 2 + e 3 + e 4
I :L e2 f2 S.. e us e1 f1 e3 f3 GY .. k e5 f5
I :J e6 f6 e7 f7 TF : D 2
1 f4 e4 R : Re
1 f8 e8
f9 e9 R : Rb C : Cel f10 e10 0 f11 e11 Se : mg e13 f13
1 f12 e12 I:m
Figura 1.14: Grafo causal de enlaces de potencia del ejemplo 1.1
19
OSCAR G. DUARTE
Segunda uni on: f5 = f6 = f7 = f8 Transformador: e7 = D 2 e9 Enlace 10: f10 = Cel de10 /dt Tercera uni on: e9 = e10 = e11 Enlace 12: e1 2 = mde12 /dt Enlace 13: f13 = mg Cuarta uni on: f11 = f12 = f13
e5 = e 6 + e 7 + e 8
2 f7 = D f9
f9 = f10 + f11
e12 = e11 + e13
1.3.4.
Procedimientos espec cos
Se consignan aqui dos procedimientos espc cos, u tiles para la obtenci on de grafos de enlaces de potencia para circuitos el ectricos y sistemas mec anicos traslacionales, respectivamente. Circuitos el ectricos 1. Crear una uni on tipo 0 por cada nodo del circuito. 2. Para cada elemento del circuito crear una uni on tipo 1, adicionarle a esa uni on un enlace que represente al elemento y enlazar la uni on con las dos uniones tipo 0 correspondientes a los nodos entre los que est a conectado el elemento. 3. Asignar las direcciones de potencia a los enlaces. 4. Si hay un nodo de referencia, eliminar la uni on tipo 0 correspondiente y los enlaces adyacentes. 5. Simplicar el grafo. Sistemas traslacionales 1. Crear una uni on tipo 1 para cada velocidad diferente (absolutas y relativas). 2. Para cada fen omeno que genere una fuerza, crear una uni on tipo 0, adicionarle a esa uni on un enlace que represente al fen omeno y enlazar la uni on con las dos uniones tipo 1 correspondientes; considerar las inercias. 3. Asignar las direcciones de potencia a los enlaces. 4. Eliminar la uni on tipo 1 correspondiente a velocidad cero. 5. Simplicar el grafo.
20
Cap tulo 2 Preliminares matem aticos
2.1.
2.1.1.
Ecuaciones diferenciales y de diferencia

Ecuaciones diferenciales
Una ecuaci on diferencial es una ecuaci on en la que intervienen derivadas (y/o integrales). La variable que mide el tiempo (t) var a cont nuamente (t R). Un ejemplo sencillo es el siguiente dx = 2x(t) (2.1) dt La soluci on de una ecuaci on diferencial es una funci on f (t) t R que satizfaga la ecuaci on. Cualquiera de las siguientes funciones es soluci on de la ecuaci on (2.1): f1 (t) = e2t ya que
df1 dt
= 2e2t = 2f1 (t) = 4e2t = 2f2 (t) = 6e2t = 2f3 (t)
f2 (t) = 2e2t ya que f3 (t) = 3e2t ya que
df2 dt df3 dt
Para poder establecer una u nica soluci on de la ecuaci on, es preciso conocer unas condiciones auxiliares. El n umero de estas condiciones necesarias es igual al grado de la ecuaci on (n). Usualmente, en las aplicaciones de an alisis de sistemas din amicos, estas condiciones se determinan para el instante de tiempo t = 0, por lo que se denominan condiciones iniciales, y corresponden al valor de la funci on desconocida y de sus derivadas en t = 0 ... (0), f (0), , f (n) (0) f (0), f(0), f Por ejemplo, al establecer f (0) = 1 como condici on adicional para la ecuaci on (2.1), la u nica soluci on v alida es f1 (t) = e2t 21
OSCAR G. DUARTE
2.1.2.
Ecuaciones de diferencias nitas
Una ecuaci on de diferencias es una ecuaci on en la que intervienen diferencias nitas. La variable que mide el tiempo (k ) var a discretamente . En general, existen tres posibilidades para considerar la forma en que se produce esta variaci on discreta: k = 1, 2, 3, k = T, 2T, 3T, T Rk = k1 , k2 , k3 , ki R
En la primera opci on el tiempo es una variable entera (k Z), mientras que en la segunda es una variable real que s olo toma ciertos valores espaciados uniformemente. En este texto se adoptar a la primera opci on. No obstante, debe aclararse que la segunda opci on es muy empleada en aplicaciones de control digital y tratamiento de se nales, en las que la elecci on adecuada del valor de T resulta de extrema importancia1 . El siguiente es un ejemplo sencillo de una ecuaci on de diferencias x(k + 1) = 2x(k ) (2.2)
N otese la similitud con el ejemplo de la ecuaci on 2.1, en el que la derivada de primer orden ha sido remplazada por la diferencia nita de primer orden. Como el tiempo no es cont nuo, no tiene sentido hablar de derivadas e integrales de las funciones, pues las variables no son continuas en ning un punto. La soluci on de una ecuaci on de diferencias es una funci on f (k ) k Z que satizfaga la ecuaci on. Cualquiera de las siguientes funciones es soluci on de la ecuaci on (2.2): f1 (k ) = 2k = 1, 2, 4, ya que f1 (k + 1) = 2k+1 = 2f1 (k ) f2 (k ) = 2(2k ) = 2, 4, 8, ya que f2 (k + 1) = 2(2k+1 ) = 2f2 (k ) f3 (k ) = 3(2k ) = 3, 6, 12, ya que f2 (k + 1) = 3(2k+1 ) = 2f3 (k ) Para poder establecer una u nica soluci on de la ecuaci on, es preciso conocer unas condiciones auxiliares. El n umero de estas condiciones necesarias es igual al grado de la ecuaci on (n). Usualmente, en las aplicaciones de an alisis de sistemas din amicos, estas condiciones se determinan para el instante de tiempo k = 0, por lo que se denominan condiciones iniciales, y corresponden al valor de la funci on desconocida y de sus diferencias en k = 0: f (k ), f (k + 1), f (k + 2), f (k + 3), , f (k + n) es decir f (0), f (1), f (2), f (3), , f (n) Por ejemplo, al establecer f (0) = 1 como condici on adicional para la ecuaci on (2.2), la u nica soluci on v alida es f1 (k ) = 2k
1 En general el problema surge al considerar que un mismo sistema puede describirse por ecuaciones diferenciales y de diferencia en forma simult anea. En este texto se considerar an s olo sistemas continuos o discretos, pero nunca una mezcla de ambos.
con k = 0
22
2.1. ECUACIONES DIFERENCIALES Y DE DIFERENCIA
Ecuaciones diferenciales Intervienen derivadas El tiempo (t) var a cont nuamente (t R) La soluci on es una funci on f (t) t R que satizfaga la ecuaci on. Para poder establecer una u nica soluci on de la ecuaci on se emplean tantas condiciones iniciales como orden tenga la ecuaci on. Las condiciones iniciales son y (0), y (0), y (0),
Ecuaciones de diferencia Intervienen diferencias nitas. El tiempo (k ) var a discretamente (k Z). La soluci on es una funci on f (k ) k Z (una sucesi on) que satizfaga la ecuaci on. Para poder establecer una u nica soluci on de la ecuaci on se emplean tantas condiciones iniciales como orden tenga la ecuaci on. Las condiciones iniciales son y (0), y (1), y (2),
Tabla 2.1: Comparaci on entre ecuaciones diferenciales y de diferencia
La tabla 2.1 resume una comparaci on entre las ecuaciones diferenciales y de diferencia. Debido a las grandes semejanzas entre los dos tipos de ecuaciones, en ocasiones nos referiremos a ambas simult aneamente empleando la sigla E.D.
2.1.3.
Ecuaciones diferenciales y de diferencias lineales
Linealidad La linealidad es una propiedad de algunas funciones. Para poseer esta propiedad es necesario satisfacer dos condiciones. Sea la funci on f (x) : U V , para x1 , x2 U y a un escalar, las dos condiciones son: 1. superposici on: f (x1 + x2 ) = f (x1 ) + f (x2 ) 2. proporcionalidad: f (ax1 ) = af (x1 ) Las derivadas, las integrales y las diferencias nitas son operaciones lineales. La funci on f (x) = ax + b no es una funci on lineal, a menos que b sea cero 2 . E.D. lineales Las ecuaciones diferenciales lineales son de la forma an (t) dy dy n + a0 (t)y (t) = + + a1 (t) n dt dt dum du bm (t) m + + b1 (t) + b0 (t)u(t) (2.3) dt dt
2 Efectivamente, f (x + x ) = m(x + x ) + b es diferente de f (x ) + f (x ) = (mx + b) + 1 2 1 2 1 1 1 (mx2 + b)
23
OSCAR G. DUARTE
mientras que las ecuaciones de diferencia lineales son de la forma an (k )y (k + n) + + a1 (k )y (k + 1) + a0 (k )y (k ) = bm (k )u(k + m) + + b1 (k )u(k + 1) + b0 (k )u(k )
(2.4)
En este texto se estudian s olo ecuaciones con coecientes constantes, es decir, los casos en los que las ecuaciones (2.3) y (2.4) se convierten en (2.5) y (2.6), respectivamente. Estas ecuaciones representar an el comportamiento de sistemas din amicos como los de las guras 3.1 y 3.2 en los que la variable u estimula al sistema, y la respuesta de este se maniesta en la variable y . Adem as s olo se estudiar an aquellos casos en los que n m. an dy n dy dum du + + a + a y ( t ) = b + + b1 + b0 u(t) 1 0 m n m dt dt dt dt (2.5)
an y (k + n) + + a1 y (k + 1) + a0 y (k ) =
bm u(k + m) + + b1 u(k + 1) + b0 u(k ) (2.6)
2.1.4.
M etodos de soluci on de E.D. lineales

ycompleta (t) = yhomoge nea (t) + yparticular (t) y (t) = yh (t) + yp (t)
La soluci on de una E.D. lineal tiene dos componentes: (2.7)
o en el caso discreto ycompleta (k ) = yhomoge nea (k ) + yparticular (k ) y (k ) = yh (k ) + yp (k ) (2.8)
Existen varios m etodos de soluci on para las E.D. Lineales. Aunque en general emplearemos los m etodos de las transformadas de Laplace y Z , inicialmente presentamos uno m as elemental y dispendioso, resumido en la tabla 2.2: Ejemplo 2.1 Obtener la soluci on de la ecuaci on diferencial lineal: y + 3y + 2y = f(t) donde f (t) = t2 + 5t + 3 y las C.I. son y (0) = 2 y (0) = 3 1. Obtener la soluci on homog enea El polinomio caracter stico es: P () = 2 + 3 + 2 P () = ( + 2)( + 1) 24 (2.9)
2.1. ECUACIONES DIFERENCIALES Y DE DIFERENCIA
Ecuaciones diferenciales 1. Obtener la soluci on homog enea con el siguiente procedimiento: Se escribe el polinomio caracter stico de la ecuaci on. Se obtienen las ra ces i del polinomio caracter stico. Se construye la soluci on yh (t) = c1 e1 t + + c n e n t 2. Obtener una soluci on particular yp (t). Generalmente se procede probando una soluci on similar a la funci on de entrada, u(t) 3. Construir la respuesta completa y (t) = yh (t) + yp (t), remplazar las condiciones iniciales, y obtener los coecientes c1 , , c n
Ecuaciones de diferencia 1. Obtener la soluci on homog enea con el siguiente procedimiento: Se escribe el polinomio caracter stico de la ecuaci on. Se obtienen las ra ces i del polinomio caracter stico. Se construye la soluci on k yh (k ) = c1 k + + c n n 1 2. Obtener una soluci on particular yp (t). Generalmente se procede probando una soluci on similar a la funci on de entrada, u(k ) 3. Construir la respuesta completa y (k ) = yh (k ) + yp (k ), remplazar las condiciones iniciales, y obtener los coecientes c1 , , c n
Tabla 2.2: M etodos elementales de soluci on de Ecuaciones diferenciales y de diferencia
25
OSCAR G. DUARTE
La soluci on homog enea es
Las ra ces de P () son 1 = 1 2 = 2 yh (t) = c1 et + c2 e2t
(2.10)
2. Obtener una soluci on particular: Dado que f (t) es un polinomio de grado 2, probamos una soluci on particular de esa misma forma: yp (t) = 2 t2 + 1 t + 0 Calculamos y p (t), y p (t) y f(t): y p (t) = 22 t + 1 y p (t) = 22 f(t) = 2t + 5 Remplazamos en la E.D.: 22 + 3(22 t + 1 ) + 2(2 t2 + 1 t + 0 ) = 2t + 5 que podemos agrupar as : 22 t2 + (62 + 21 )t + (22 + 31 + 20 ) = 2t + 5 Al igualar coecientes, obtenemos un sistema de tres ecuaciones y tres inc ognitas: 22 =0 62 + 21 =2 22 + 31 + 20 = 5 cuya soluci on es 2 = 0 1 = 1 0 = 1, y por lo tanto la soluci on particular es: yp (t) = t + 1 (2.11)
3. Construir la respuesta completa, y obtener los coecientes de la respuesta homog enea La respuesta completa es: y (t) = yh (t) + yp (t) = c1 et + c2 e2t + t + 1 y su primera derivada es: y (t) = c1 et 2c2 e2t + 1 26
2.2. TRANSFORMADAS DE LAPLACE Y Z
Al evaluar en t = 0 obtenemos las condiciones iniciales y (0) = c1 e0 + c2 e0 + 0 + 1 = c1 + c2 + 1 = 2 y (0) = c1 e0 2c2 e0 + 1 = c1 2c2 + 1 = 3 Con estas dos ecuaciones se obtienen los valores de c 1 y c2 c1 = 4 c2 = 3 Por lo tanto, la soluci on completa de la ecuaci on diferencial es: y (t) = 4et 3e2t + t + 1 Ejemplo 2.2 Sea la Ecuaci on de diferencias: 2y (k + 2) 3y (k + 1) + y (k ) = f (k ) (2.13) (2.12)
en donde f (k ) = k 2 y las condiciones iniciales son y (0) = 2, y (1) = 1 Para obtener la soluci on de esta ecuaci on podriamos proceder con el m etodo propuesto; en lugar de ello, vamos a presentar una alternativa num erica, que consiste en despejar de la ecuaci on la diferencia m as grande, y calcularla iterativamente: De la ecuaci on podemos despejar y (k + 2) y (k + 2) = 1 (f (k ) + 3y (k + 1) y (k )) 2 y (k + 1) y (1) = 1 y (2) = 1/2 y (3) = 3/4 . . . y (k + 2) y (2) = 1/2 y (3) = 3/4 y (3) = 23/8 . . .
Con esta expresi on podemos construir la siguiente tabla k 0 1 2 . . . f (k ) 0 1 4 . . . y (k ) y (0) = 2 y (1) = 1 y (2) = 1/2 . . .
2.2.
2.2.1.
Transformadas de Laplace y Z
Deniciones
Transformada de Laplace Dada una funci on f (t) de los reales en los reales, f (t) : R R Existe una funci on L denominada transformada de Laplace que toma como argumento f (k ) y produce una funci on F (s) de los complejos en los complejos. F (s) : C C 27
OSCAR G. DUARTE
f (t) ' RR
L L
E
1
F (s)
CC
Figura 2.1: Transformada de Laplace
La funci on L1 denominada transformada inversa de Laplace toma como argumento F (s) y produce f (t), tal como se visualiza en la gura 2.1 La transformada de Laplace se dene3 como . F (s) = L {f (t)} =
0
f (t)est dt
(2.14)
Existe una denici on alternativa, conocida como la transformada bilateral de Laplace, cuyos l mites de integraci on son ( y ): . Fb (s) = L {f (t)} =

f (t)est dt
(2.15)
Debido a que nuestro inter es se centra en el comportamiento de las se nales a partir del instante de tiempo t = 0, trabajaremos con la versi on unilateral de la transformada. Transformada Z Dada una funci on f (t) de los enteros en los reales, f (k ) : Z R Existe una funci on Z denominada transformada Z que toma como argumento f (t) y produce una funci on F (s) de los complejos en los complejos. F (s) : C C La funci on Z 1 denominada transformada inversa Z toma como argumento F (z ) y produce f (k ), tal como se visualiza en la gura 2.2 La transformada Z se dene4 como . F (z ) = Z {f (k )} =
f (k )z k
(2.16)
k=0
3 La integral que dene la transformada de Laplace puede no converger para algunos valores de la variable compleja s,lo que establece una regi on de convergencia para la transformada de una determinada funci on. Este hecho es irrelevante para nuestras aplicaciones de soluciones de E.D. lineales. 4 De forma semejante al caso de la transformada de Laplace, la sumatoria que dene la transformada Z puede no converger para algunos valores de la variable compleja z , estableci endose asi una regi on de convergencia para cada funci on. Este hecho es irrelevante para nuestras aplicaciones de soluciones de E.D. lineales.
28
f (k ) ' ZR
Z Z
E
1
F (z )
CC
Figura 2.2: Transformada Z
Transformada de Laplace
Transformada Z f (k ) ' ZR Z Z E
1
f (t) ' RR
L L
E
1
F (s)
F (z )
CC
CC
La transformada de Laplace se dene como . F (s) = L {f (t)} F (s) = 0 f (t)est dt Transformada bilateral de Laplace : . Fb (s) = Lb {f (t)} Fb (s) = f (t)est dt
La transformada Z se dene como . F (z ) = Z {f (k )} k F (z ) = k=0 f (k )z Transformada bilateral Z :
. Fb (z ) = Zb {f (k )} Fb (z ) = k= f (k )z k
Tabla 2.3: Comparaci on de las deniciones de las transformadas de Laplace y Z
Existe una denici on alternativa, conocida como la transformada bilateral Z , cuyos l mites de integraci on son ( y ): . F (z ) = Z {f (k )} =
k=
f (k )z k
(2.17)
Debido a que nuestro inter es se centra en el comportamiento de las se nales a partir del instante de tiempo k = 0, trabajaremos con la versi on unilateral de la transformada. La tabla 2.3 muestra una comparaci on entre las deniciones de las transformadas de Laplace y Z
2.2.2.
Propiedades
Las transformadas de Laplace y Z satisfacen ciertas propiedades que son muy similares para una y otra transformada; algunas de estas transformadas se listan en la tabla 2.4, y sus demostraciones se presentan en el ap endice A. De estas propiedades destacamos los siguientes hechos: 29
OSCAR G. DUARTE
1. La propiedad de linealidad permite que la aplicaci on de estas transformadas a la soluci on de E.D. lineales sea bastante simple. Por el contrario, estas transformadas no suelen ser u tiles para solucionar E.D. No Lineales. 2. Las propiedades de diferenciaci on y diferencias positivas son las que permiten convertir Ecuaciones Diferenciales y Ecuaciones de Diferencia, respectivamente, en Ecuaciones Algebr aicas. 3. Hay una diferencia sutil pero importante entre las propiedades de diferenciaci on y diferencias positivas: las condici on inicial f (0) est a multiplicada por z en el caso discreto, mientras que en el caso cont nuo no est a multiplicada por s. Este hecho origina algunas diferencias en la forma de las parejas de funciones y sus transformadas (ver secci on 2.2.3) y en la forma en que se emplea la expansi on en fracciones parciales para calcular las transformadas inversas(ver secci on 2.2.5). 4. La propiedad de multiplicaci on por el tiempo tiene una expresi on directa en el caso continuo (multiplicaci on por tn ) mientras que en el caso discreto tiene una expresi on iterativa (multiplicaci on por k n ). Este hecho se ve reejado en la tabla 2.6 5. La propiedad de convoluci on pone de maniesto que la transformada del producto de dos funciones NO es el producto de las transformadas individuales. Transformada de Laplace Sean f (t), f1 (t), f2 (t) tres funciones cuyas Transformadas de Laplace son, respectivamente F (s), F1 (s), F2 (s), y a un escalar (real o complejo). Se cumplen las siguientes propiedades: Linealidad: L {f1 (t) + f2 (t)} = F1 (s) + F2 (s) L {af (t)} = aF (s) Diferenciaci on5 : L df (t) dt = sF (s) f (0+ ) Transformada Z Sean f (k ), f1 (k ), f2 (k ) tres funciones cuyas Transformadas Z son, respectivamente F (z ), F1 (z ), F2 (z ) y a un escalar (real o complejo). Se cumplen las siguientes propiedades: Linealidad: Z {f1 (k ) + f2 (k )} = F1 (z ) + F2 (z ) Z {af (k )} = aF (z ) Diferencia positiva: Z {f (k + 1)} = zF (z ) zf (0)
5 El
super ndice
(i)
indica la derivada de orden i: f (i) =
di f dti
30
dn f (t) = sn F (s) dtn n1 ni1 (i) + f (0 ) i=0 s
Z {f (k + n)} = z n F (z ) n1 ni i f (i) =0 z Escalamiento en la frecuencia: Z ak f (t) = F (z/a)
Desplazamiento en la frecuencia: L e f (t) = F (s a) Multiplicaci on por t: L {tn f (t)} = (1)n dn F (s) dsn
at
Multiplicaci on por k : Z {k n f (k )} = z d Z k (n1) f (k ) dz
Teorema de valor inicial:

t0+
Teorema de valor inicial: f (0) = l m F (z )

z
l m f (t) = l m sF (s)
s
Teorema de valor nal:

t

k
s0
l m f (k ) = l m (z 1)F (z )
z 1
Convoluci on: L {f1 (t) f2 (t)} = F1 (s)F2 (s) f1 (t) f2 (t) =

0
Convoluci on: Z {f1 (k ) f2 (k )} = F1 (z )F2 (z ) f1 (k ) f2 (k ) =

k=0
f1 (t )f2 ( )d
f1 (k )f2 (h k )
Tabla 2.4: Propiedades de las transformadas de Laplace y Z
2.2.3.
Parejas de transformadas
La tabla 2.5 muestra las parejas de transformadas para las funciones elementales m as importantes en el an alisis de sistemas din amicos. El contenido de la tabla se demuestra en el Ap endice A. De estas parejas destacamos los siguientes hechos: 1. En cada uno de los casos de las tablas 2.5 y 2.6, las transformadas (de 31
OSCAR G. DUARTE
Transformada de Laplace f (t) (t) eat sin t cos t e

t
F (s)
1 s 1 sa s2 + 2 s s2 + 2 (s )2 + 2 (s ) (s )2 + 2
f (k ) (k ) ak sin ak cos ak bk sin ak bk cos ak
Transformada Z F (z )
z z 1 z z a
sin t
et cos t
z sin a z 2 2z cos a+1 z 2 z cos a z 2 2z cos a+1 zb sin a z 2 2bz cos a+b2 2 z zb cos a z 2 2bz cos a+b2
Tabla 2.5: Tabla de parejas de transformadas elementales
Laplace o Z ) son fraccciones de polinomios en la variable compleja (s o z ). 2. Al comparar estos polinomios en funciones an alogas (por ejemplo eat y k a ) 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. Si centramos nuestra atenci on en la tabla 2.5, podemos notar que la ubicaci on de los polos de las funciones transformadas en el plano complejo determina el tipo de funci on en el dominio del tiempo. Este hecho se resalta en la tabla 2.7 y en las guras 2.3 y 2.4 4. Las funciones rese nadas en la tabla 2.6 tambi en est an asociadas a una ubicaci on espec ca de los polos en el plano complejo, pero cuando estos se repiten.
2.2.4.
Utilizaci on de la tabla de parejas de transformadas
Para emplear las tablas 2.5 y 2.6 para obtener la transformada inversa de una funci on, primero hay que expresar esta u ltima como alguno de los casos que aparecen en dichas tablas. Suele ser u til recordar que las transformaciones de Laplace y Z son funciones lineales. Ejemplo 2.3 Para obtener la transformada inversa de Laplace de F (s) = primero reescribimos la F (s) como: F (s) = 1 4 =4 s3 s3 32
4 s3 ,
Transformada de Laplace f (t) t(t) tn (t) te

at
F (s)
1 s2 n! s(n+1) 1 (sa)2 n! (sa)(n+1) 2s (s2 + 2 )2 s2 2 (s2 + 2 )2 2 (s ) ((s )2 + 2 )2 (s )2 2 ((ssigma)2 + 2 )2
f (k ) k(k ) k n (k ) ka
k
Transformada Z F (z )
z (z 1)2 az (z a)2 z 3 sin az sin a [z 2 2z cos a+1]2 [z 3 +z ] cos a2z 2 [z 2 2z cos a+1]2 z 3 b sin azb3 sin a [z 2 2bz cos a+b2 ]2 [bz 3 +b3 z ] cos a2b2 z 2 [z 2 2bz cos a+b2 ]2
iterar
tn eat t sin t t cos t te

t
k n ak k sin ak k cos ak kbk sin ak kbk cos ak
iterar
sin t
tet cos t
Tabla 2.6: Tabla de parejas de transformadas elementales multiplicadas por el tiempo Caso Cont nuo Ubicaci on de Funci on los polos Origen Semieje real positivo escal on exponenciales crecientes Caso Discreto Ubicaci on de Funci on los polos (1, 0) Intervalo (1, ) del eje real Intervalo (, 1) del eje real Intervalo (0, 1) del eje real Intervalo (1, 0) del eje real Eje imaginario Complejos en el semiplano derecho sinusoidales funciones sinusoidales amplicadas por una exponencial creciente sinusoidales amplicadas por una exponencial decreciente circunferencia unitaria Complejos fuera del c rculo unitario escal on series geom etricas crecientes no alternantes series geom etricas crecientes alternantes series geom etricas decrecientes no alternantes series geom etricas decrecientes alternantes sinusoidales. sinusoidales amplicadas por una serie geom etrica creciente sinusoidales amplicadas por una serie geom etrica decreciente
Semieje real negativo
exponenciales decrecientes
Complejos en el semiplano izquierdo
Complejos dentro del c rculo unitario
Tabla 2.7: Ubicaci on de los polos en los planos complejos y funciones en el tiempo
33
OSCAR G. DUARTE

Figura 2.3: Funciones cont nuas seg un la ubicaci on de sus polos en el plano s

Figura 2.4: Funciones discretas seg un la ubicaci on de sus polos en el plano s
34
1 La expresi on s 3 es de la forma e . Aplicando linealidad tenemos: at
1 sa ,
cuya transformada inversa de Laplace es
f (t) = L1 {F (s)} = L1 4
1 s3
= 4L1
1 s3
= 4e3t
+2 Ejemplo 2.4 Para obtener la transformada inversa de Laplace de F (s) = s2s +s+1 , primero destacamos que el denominador de F (s) es de segundo orden, y por tanto es similar al que aparece en las transformadas de Laplace de las sinusoides amortiguadas. Con esto presente, buscamos reescribir F (s) con el denominador en la forma (s )2 + 2 . Para ello, n otese que
(s )2 + 2 = s2 2s + 2 + 2 Igualando los coecientes podemos identicar 2 = 1 (y por tanto = 1/2) y 2 + 2 = 1 (y por tanto 2 = 3/4). En consecuencia, podemos reescribir F (s) como F (s) = s+ s+
3 1 2 + 2 1 2 3 +4 2
s+2 s+2 = 1 2 s2 + s + 1 s+ 2 + s+ s+
1 2 2 1 2 3 2 2 )
3 4 3 2 1 2 + 2
F (s) =
+(
s+
3 2 2 )
Los dos sumandos corresponden a transformadas de la forma e t cos(t) + sin(t), por lo tanto: f (t) = L
1
{F (s)} = e
1 2t
1t 3 3 t) + 3e 2 sin( t) cos( 2 2
Este resultado puede reescribirse utilizando la identidad trigonom etrica: A cos + B sin = C cos( + ) con C = A2 + B 2 y = tan1 f (t) = e 2 t cos
1
B A.
Por lo tanto, f (t) resulta ser:
3 3 t + 3 sin t 2 2 3 3 t tan1 2 1 3 t 60 2
f (t) = e 2 t
1 + 3 cos
f (t) = 2e 2 t cos
35
OSCAR G. DUARTE
2.2.5.
Transformadas inversas por expansi on de fracciones parciales
Una de las estrategias que pueden emplearse para obtener la transformada Inversa de Laplace (o Z ) de una funci on racional de polinomios en s (o z ): F (s) = m s m + + 1 s + 0 n s n + + 1 s + 0
consiste en reescribir F (s) (o F (z )) como suma de funciones m as sencillas, cuyas transformadas inversas sean posibles de obtener mediante la lectura de las tablas de parejas. Este procedimiento se conoce como la expansi on en fracciones parciales. El procedimiento general puede enumerarse como sigue: 1. Si m n entonces se realiza la divisi on hasta obtener una fracci on en la que el grado del polinomio del denominador sea mayor al del numerador; en los siguientes puntos se trabaja s olo con la fracci on. Ejemplo 2.5 F (s) = 3 2s2 + s + 2 = 2s 1 + s+1 s+1
2. Identicar las ra ces del polinomio del denominador (pi ), y cu antas veces se repite cada una de ellas (ri , o multiplicidad de la raiz). F (s) = N (s) N (s) = D(s) (s p1 )r1 (s p2 )r2 (s pk )rk
Evidentemente la suma de las multiplicidades ser a n, el grado del polinomio D(s) 3. Escribir la fracci on como suma de de fracciones parciales: F (s) = A11 A1r1 A21 Akrk N (s) = + + + ++ D(s) (s p1 ) (s p1 )r1 (s p2 ) (s pk )rk
4. Obtener los coecientes Aij Este sencillo procedimiento tiene dos puntos de dicultad, el primero de los cuales es c omo encontrar las ra ces de D(s), y el segundo c omo obtener los coecientes Aij . Para la obtenci on de las ra ces suponemos que disponemos de alg un tipo de procedimiento (anal tico o computacional) para ello. Para la obtenci on de los coecientes Aij , por su parte, pueden seguirse los siguientes procedimientos, seg un sea el caso: 1. Polos de multiplicidad 1 Si el polo pi tiene multiplicidad 1, el coeciente Ai1 de la expansi on podr a calcularse como: Ai1 = {(s pi )F (s)}|s=pi 36 (2.18)
Ejemplo 2.6 F (s) = 3s + 1 A11 A21 = + (s + 2)(s + 4) s+2 s+4 3s + 1 (s + 4) 3s + 1 (s + 2) 7 2 13 2
A11 = A21 =
(s + 2)
3s + 1 (s + 2)(s + 4)
=
s=2
=
s=2 s=4
3s + 1 (s + 4) (s + 2)(s + 4) F (s) =
=
s=4
7/2 13/2 3s + 1 = + (s + 2)(s + 4) s+2 s+4
2. Polos de multiplicidad mayor que 1 Si el polo pi tiene multiplicidad ri , el coeciente Aij de la expansi on podr a calcularse como: Aij = 1 dri j {(s pi )ri F (s)} (ri j )! dsri j (2.19)
s=pi
Esta expresi on tambi en es v alida para ri = 1, si se considera que 0! = 1, y que la derivada de orden cero es la misma funci on. Ejemplo 2.7 F (s) = 4s2 1 A11 A12 A13 = + + 3 2 (s + 2) (s + 2) (s + 2) (s + 2)3
A13 = A12 = A11 =
1 d0 (0)! ds0 1 d1 (1)! ds1 1 d2 (2)! ds2
(s + 2)3 (s + 2)3 (s + 2)3
4s2 1 (s + 2)3 4s2 1 (s + 2)3 4s2 1 (s + 2)3
s=2
= 4s2 1
s=2
= 15
s=2
= 8s|s=2 = 8(2) = 16 = 1 8| =4 2 s=2
s=2
F (s) =
4s2 1 4 16 16 = + + 3 2 (s + 2) (s + 2) (s + 2) (s + 2)3
El procedimiento anterior tambi en es v alido cuando las ra ces del denominador son complejas: 37
OSCAR G. DUARTE
Ejemplo 2.8 F (s) = 10 A11 A21 A31 = + + s(s2 + 4s + 13) s 0 s (2 + j 3) s (2 j 3) 10 + 4s + 13) =

s=0
A11 = A21 = A21 = A21 A31
(s)
s(s2
(s2
10 + 4s + 13)
s=2+j 3
=
s=0
10 13
10 (s (2 + j 3)) 2 s(s + 14s + 13)
10 s(s (2 j 3)) s=2+j 3 10 10 = = = 0.38 + j 0.26 (2 + j 3)(2 + j 3 (2 j 3)) (2 + j 3)(j 6) 10 = (s (2 j 3)) 2 s(s + 14s + 13) s=2j 3 10 s(s (2 + j 3))
s=2j 3
A31 = A31
10 10 = = = 0.38 j 0.26 (2 j 3)(2 j 3 (2 j 3)) (2 j 3)(j 6) F (s) = 10/13 0.38 + j 0.26 0.38 j 0.26 10 = + + + 4s + 13) s s (2 + j 3) s (2 j 3)
s(s2
Las fracciones complejas pueden sumarse (n otese que los numeradores y denominadores de una fracci on son los conjugados de la otra): F (s) = Otra estrategia Existe otra posibilidad para obtener los coecientes Aij . Consiste en efectuar la suma de las fracciones parciales e igualar coecientes. Tambi en pueden combinarse las dos estrategias. Adem as, puede emplearse el hecho seg un el cual la suma de las fracciones debidas a polos complejos conjugados ser an de la forma As + B s2 + Cs + D Ejemplo 2.9 F (s) = A11 A21 3s + 1 = + (s + 2)(s + 4) s+2 s+4 38 s(s2 10 10/13 0.77s + 3.08 = 2 + 4s + 13) s s + 4s + 13
2.3. SOLUCION DE E.D. LINEALES MEDIANTE TRANSFORMADAS
Al sumar las fracciones parciales se tiene: F (s) = A11 s + 4A11 + A21 s + 2A21 3s + 1 = (s + 2)(s + 4) (s + 2)(s + 4) (A11 + A21 )s + (4A11 + 2A21 ) = (s + 2)(s + 4)
Al igualar coecientes se genera un sistema de dos ecuaciones lineales con dos inc ognitas: A11 + A21 = 3 4A11 + 2A21 = 1 F (s) = Ejemplo 2.10 F (s) = s(s2 10 A11 As + B = + 2 + 4s + 13) s s + 4s + 13 A11 = 7/2 A21 = 13/2
7/2 13/2 3s + 1 = + (s + 2)(s + 4) s+2 s+4
Obtenemos el primer coeciente con 2.18: A11 = (s) s(s2 10 + 4s + 13) =

s=0
(s2
10 + 4s + 13)
=
s=0
10 13
Reescribimos la expansi on e igualamos coecientes: F (s) = As + B s2 + 4s + 13 10 2 10 10 s + 4 13 s + 3 13 + As2 + Bs F (s) = 13 2 s(s + 4s + 13) s + 0 0 A = 10/13 B = 40/13
10 13
10 13 + A = 10 4 13 +B =
F (s) =
40 10 10 10/13 13 s 13 = + s(s2 + 4s + 13) s s2 + 4s + 13 10/13 0.77s + 3.08 10 = 2 F (s) = s(s2 + 4s + 13) s s + 4s + 13
2.3.
Soluci on de E.D. lineales mediante transformadas
La soluci on de Ecuaciones Diferenciales (o de diferencia) mediante transformadas emplea el siguiente procedimiento: 39
OSCAR G. DUARTE
1. Aplicar la transformada (de Laplace o Z seg un sea el caso) a cada lado de la Ecuaci on. 2. Despejar la transformada de la funci on desconocida. 3. Aplicar la transformada inversa (de Laplace o Z seg un sea el caso) a la funci on desconocida. Para la aplicaci on del u ltimo paso, suele ser conveniente utilizar la expansi on en fracciones parciales. Ejemplo 2.11 Resolver la ecuaci on diferencial y (k + 2) + 3y (k + 1) + 2y (k ) = 5(k ) Con las condiciones iniciales : y (0) = 1, y (1) = 2. 1. Al aplicar la Transformada Z a cada lado de la ecuaci on se tiene: Z {y (k + 2) + 3y (k + 1) + 2y (k )} = Z {5(k )} Debido a la propiedad de linealidad se tiene Z {y (k + 2)} + 3Z {y (k + 1)} + 2Z {y (k )} = 5Z {(k )} Si denominamos por Y (z ) a Z {y (k )}, y empleamos la propiedad de diferencias positivas, tenemos z 2 Y (z ) z 2 y (0) zy (1) + 3 [zY (z ) zy (0)] + 2Y (z ) = 5 Reemplazando los valores de las condiciones iniciales, tenemos: z 2 Y (z ) + z 2 2z ) + 3 [zY (z ) + z ] + 2Y (z ) = 5 z z1 z z1
2. Para despejar la transformada de la funci on desconocida Y (z ) escribimos: Y (z ) z 2 + 3z + 2 + z 2 2z + 3z = 5 Y (z ) z 2 + 3z + 2 = 5 Y (z ) = z z1
z 3 + 6z z z2 z = z1 z1
z 3 + 6z z 3 + 6z = 2 (z 1)(z + 3z + 2) (z 1)(z + 1)(z + 2) 40
2.3. SOLUCION DE E.D. LINEALES MEDIANTE TRANSFORMADAS
3. Para aplicar la transformada inversa Z primero efectuamos una expansi on en (z ) fracciones parciales de Y z Y (z ) z 2 + 6 A11 A21 A31 = = + + z (z 1)(z + 1)(z + 2) z1 z+1 z+2 Los coecientes se pueden calcular como A11 = z 2 + 6 (z + 1)(z + 2) z 2 + 6 (z 1)(z + 2) z 2 + 6 (z 1)(z + 1) =
z =1
5 6 5 2 2 3
A21 =
=
z =1
A31 = Por lo tanto
=
z =2
5 5 2 Y (z ) z 2 + 6 = = 6 + 2 + 3 z (z 1)(z + 1)(z + 2) z1 z+1 z+2
Y (z ) =
5 6z
z1
5 2 z
z+1
2 3z
z+2
La transformada inversa Z se puede obtener ahora en forma directa: y (k ) = Z 1 {Y (z )} = 5 2 5 (k ) + (1)k + (2)k 6 2 3
41
OSCAR G. DUARTE
42
Cap tulo 3 Introduccio n al an alisis de sistemas din amicos lineales
En este cap tulo se presentan algunas herramientas b asicas del an alisis de sistemas din amicos. La secci on 3.1 muestra c omo puede descomponerse la respuesta de cualquier sistema din amico en las respuesta de entrada cero y de estado cero; a partir de esta u ltima se presenta en la secci on 3.2 la denici on de funci on de transferencia; con esta denici on se desarrollan en las secciones 3.3 y 3.4 se presentan dos herramientas gr acas; la respuesta al impulso se analiza en la secci on 3.5.
3.1.
3.1.1.
Respuestas de estado cero y de entrada cero

Sistemas continuos
u(t) E Sistema E y (t)
Figura 3.1: Sistema Din amico Continuo
Sup ongase un sistema din amico lineal continuo como el de la gura 3.1, cuya relaci on entre la entrada u(t) y la salida y (t) est a descrita por la siguiente ecuaci on diferencial gen erica: an dy dm u du dn y + + a1 + a0 y (t) = bm m + + b1 + b0 u(t) n dt dt dt dt 43 (3.1)
OSCAR G. DUARTE
o en forma resumida:
n m
ai y (i) (t) =
i=0 i=0
bi u(i) (t)
Al aplicar la transformada de Laplace a esta ecuaci on se tiene:

n m
L
n i=0
ai y (i) (t)
i=0
=L
m
bi u(i) (t)
i=0
ai L y (i) (t) =
i=0
bi L u(i) (t)
ai
i=0
si Y (s)
i1 k=0
sik1 y (k) (0+ )
=
m
bi
i=0
si U (s)
i1 k=0
sik1 u(k) (0+ )
n i=0
ai si Y (s)
i1 k=0
sik1 y (k) (0+ )

m i=0
=
m i1 k=0
i=0
bi si U (s)
sik1 u(k) (0+ )
i=0
De esta ecuaci on podemos despejar Y (s) como:

n m
ai si Y (s) =
i=0 i=0
bi si U (s)+
n i=0 i1 k=0 m
sik1 y (k) (0+ )
i1 k=0
sik1 u(k) (0+ )
i=0
Y (s) =
m i i=0 bi s U (s) + n i i=0 ai s i1 ik1 (k) + n y (0 ) k=0 s i=0 n i i=0 ai s
m i=0
i1 ik1 (k) + u (0 ) k=0 s n i i=0 ai s
o de otra forma: 44
3.1. RESPUESTAS DE ESTADO CERO Y DE ENTRADA CERO
Y (s) =
m i i=0 bi s U (s)+ n i i=0 ai s i1 ik1 (k) + n y (0 ) k=0 s i=0
n i=0
m i=0
i1 ik1 (k) + u (0 ) k=0 s
ai si
(3.2)
La ecuaci on (3.2) muestra que la respuesta de un sistema din amico continuo puede descomponerse en dos partes1 : Respuesta de estado cero: Es la primera parte de la ecuaci on (3.2). Depende de la entrada U (s) y no de las condiciones iniciales; de hecho, es la respuesta que tiene el sistema si las condiciones iniciales son cero, es decir, si su estado inicial es cero (de all su nombre). Respuesta de entrada cero: Es la segunda parte de la ecuaci on (3.2). Depende de las condiciones iniciales y no de la entrada U (s); de hecho, es la respuesta que tiene el sistema si la entrada es cero (de all su nombre).
3.1.2.
Sistemas discretos
u(k ) E Sistema E y (k )
Figura 3.2: Sistema Din amico Discreto
Sup ongase un sistema din amico lineal discreto como el de la gura 3.2, cuya relaci on entre la entrada u(k ) y la salida y (k ) est a descrita por la siguiente ecuaci on de diferencias gen erica: an y (k + n) + + a1 y (k + 1) + a0 y (k ) = o en forma resumida:
n m
bn u(k + n) + + b1 y (k + 1) + b0 u(k ) (3.3)
ai y (k + i) =
i=0 i=0
bi u(k + i)
Al aplicar la transformada Z a esta ecuaci on se tiene:

n m
ai y (k + i)
i=0
=Z
bi u(k + i)
i=0
1 Otra clasicaci on corresponde a respuesta forzada (con la forma de la entrada) y respuesta natural (con la forma debida al polinomio caracter stico)
45
OSCAR G. DUARTE
n i=0
ai Z {y (k + i)} =
i1 j =0
i=0
bi Z {u(k + i)}
i1 j =0
n i=0
ai z i Y (z )
n i
z ij y (j ) = z
ij
m i=0
bi z i U (z ) bi z U (z )
i
z ij u(j )
i1 k=0
n i=0
ai z Y (z )
i=0
i1 j =0
De esta ecuaci on podemos despejar Y (z ) como:

n m n
y (j ) =
m i=0
m i=0
z ij u( j )
ai z i Y (z ) =
i=0 i=0
bi z i U (z ) +
i=0
i1 j =0
z ik y (j )
m i=0
i1 j =0
z ik u(j )
Y (z ) =
m i i=0 bi z U (z ) + n i i=0 ai z n i1 ik1 (k) + y (0 ) i=0 k=0 s n i i=0 ai z
m i=0
i1 ik1 (k) + u (0 ) k=0 s n i i=0 ai z
o de otra forma:
m i i=0 bi z n i i=0 ai z
Y (z ) =
U (s)+
n i=0 i1 j =0
j ik y (j )
n i=0
m i=0
i1 j =0
z ik u(j )
ai z i
(3.4)
De forma semejante al caso continuo, la ecuaci on 3.4 muestra que la respuesta de un sistema din amico continuo puede descomponerse en dos partes: Respuesta de estado cero: Es la primera parte dela ecuaci on 3.4. Depende de la entrada U (z ) y no de las condiciones iniciales; de hecho, es la respuesta que tiene el sistema si las condiciones iniciales son cero, es decir, si su estado inicial es cero (de all su nombre). Respuesta de entrada cero: Es la segunda parte dela ecuaci on 3.4. Depende de las condiciones iniciales y no de la entrada U (z ); de hecho, es la respuesta que tiene el sistema si la entrada es cero (de all su nombre). 46
3.2. FUNCIONES DE TRANSFERENCIA
3.2.
Funciones de transferencia
Se dene la funci on de transferencia de un sistema continuo o discreto como la relaci on en el dominio de la frecuencia compleja entre salida y entrada con condiciones iniciales nulas F (s) = Y (s) U (s) F (z ) =
C.I.=0
Y (z ) U (z )
C.I.=0
De acuerdo con las ecuaciones 3.2 y 3.4, la funci on de transferencia ser a, para los casos continuo y discreto, respectivamente: F (s) = Las expresiones Y (s) = F (s)U (s) Y (z ) = F (z )U (z )
m i i=0 bi s m i i=0 ai s
F (z ) =
m i i=0 bi z m i i=0 ai z
s olo son v alidas si las condiciones iniciales son nulas. En este caso, es posible representar gr acamente la relaci on entrada-salida del sistema mediante dos tipos de diagramas: Diagramas de bloque: La gura 3.3 muestra un sistema como un bloque denido por la funci on de transferencia F (s) o F (z ), que recibe una se nal de entrada U (s) o U (z ) y entrega una se nal de salida Y (s) o Y (z ). Estos diagramas se explican en la secci on 3.3. Diagramas de ujo de se nal: La gura 3.4 muestra un sistema como dos se nales U (s) y Y (s) (o U (z ) y Y (z )) relacionadas entre s por la funci on de transferecia F (s) o F (z ). Estos diagramas se explican en la secci on 3.4
U (s) E F (s)
E Y (s)
U (z ) E F (z )
E Y (z )
Figura 3.3: Diagrama de bloques m nimo
F (s) E U (s) s sY (s) U (z ) s
F (z ) E sY (z )
Figura 3.4: Diagrama de ujo de se nal m nimo
47
OSCAR G. DUARTE
3.3.
Diagramas de bloques
Un sistema complejo puede representarse por distintos subsistemas interrelacionados. Estas relaciones pueden visualizarse mediante un Diagrama de Bloques. La gura 3.5 muestra algunas de las equivalencias que rigen el a lgebra de los diagramas de bloques. Estas se emplean para obtener diagramas de bloques equivalentes reducidos, y asi encontrar la funci on de transferencia de sistemas complejos. Ejemplo 3.1 2 Para obtener la funci on de transferencia equivalente del diagrama de la gura 3.6 inicialmente intentariamos efectuar reducciones de bloques en cascada o en paralelo, pero en el diagrama no se identica ninguno de estos bloques. No obstante, podemos efectuar una reducci on con el siguiente procedimiento: Desplazamos el sumador que recibe la se nal de b 1 (ver gura 3.7(a)) Intercambiamos el orden de los dos sumadores contiguos, ya que la suma es conmutativa (ver gura 3.7(b)) Efectuamos una reducci on del bloque en retroalimentaci on resultante (ver gura 3.7(c)) Efectuamos una reducci on del bloque en cascada resultante (ver gura 3.7(d)) Identicamos un bloque en paralelo (ver gura 3.7(e)) Efectuamos la reducci on del bloque en paralelo (ver gura 3.7(f)) Efectuamos un desplazamiento del segundo sumador (ver gura 3.7(g)) Identicamos un bloque en paralelo y un bloque en retroalimentaci on (ver gura 3.7(h)) Efectuamos la reducci on de los bloques identicados (ver gura 3.7(h)) Efectuamos la reducci on del bloque en cascada nal (ver gura 3.7(i))
3.4.
Diagramas de ujo de se nal
La gura 3.8 presenta las relaciones b asicas de un diagrama de ujo de se nal. N otese que el enfasis se pone en la se nal y no en el sistema, a diferencia de los diagramas de bloques. Este es un texto de an alisis de sistemas y no de an alisis de se nales, por esa raz on preferimos los diagramas de bloques a los de ujo de se nal.
2 Adaptado
de [9]
48
3.4. DIAGRAMAS DE FLUJO DE SENAL
Suma de se nales X2 (s) X1 (s) c + E E X1 (s) X2 (s) Conexi on en cascada E E F1 (s)F2 (s) E
E F1 (s)
E F2 (s)
Conexi on Paralelo E F1 (s) E F2 (s) + c kE + T E F1 (s) + F2 (s) E
Retroalimentaci on + k E G(s) E T E E
G(s) 1G(s)H (s)
H (s) ' Traslado del sumador
X1 (s) X2 (s)
E F1 (s) E F2 (s) +c YE (s) + k E Y1 E (s) Y2 E (s)
X1 (sE ) X2 (s)
F1 (s) F2 (s)
+c + k E E F2 (s)
Y (s) E
Traslado del punto de salida X (s) E F1 (s) E F2 (s) X (s) E F (s) 1 E

F2 (s) F1 (s)
Y1 E (s) Y2 E (s)
Figura 3.5: Equivalencias de los Diagramas de Bloques
49
OSCAR G. DUARTE
b2 b1 +
+ +
+ 1/s +
1/s
a1 a0
Figura 3.6: Diagrama de Bloques del ejemplo 3.1
No obstante lo anterior, el ejemplo 3.1 pone de maniesto que para la obtenci on de la funci on de transferencia de un sistema a partir de su diagrama de bloques es necesario desarrollar una habilidad espec ca debido a que no existe un algoritmo para ello. Por el contrario, si se utilizan diagramas de ujo de se nal s se cuenta con un procedimiento para la obtenci on de la funci on de transferencia conocido como la regla de Mason. La regla de Mason, que se explica en la secci on 3.4.1, emplea las deniciones que se presentan a continuaci on y que se ilustran en el ejemplo 3.2. Camino directo Conjunto de ramas que llevan de la entrada a la salida, sin repetirse. Ganancia de camino directo Producto de las ganancias de las ramas que forman el camino directo. Lazo cerrado Conjunto de ramas que parten de un nodo y llegan a el mismo nodo, sin repetir ning un otro nodo. Ganancia de lazo cerrado Producto de las ganancias de las ramas que forman un lazo. Lazos adyacentes Lazos que comparten al menos un nodo. Lazos no adyacentes Lazos que no comparten ning un nodo. Ejemplo 3.2 Consid erese el diagrama de ujo de se nal de la gura 3.9(a) Camino directo Las guras 3.9(b) y 3.9(c) muestran los caminos directos. 3.2 Ganancia de camino directo Las ganancias de camino directo Son: Figura 3.9(b): T1 = G1 (s)G2 (s)G3 (s)G4 (s)G5 (s)G6 (s) 50
b2 sb1
b2 + sb1 ++
+ 1/s
+ 1/s
1/s
1/s
a1 a0
a1 a0
(a) Primer paso
(b) Segundo paso
b2 sb1 +
b2 + sb1 +
+ 1 s+a1 a0 1/s +
+ 1 s(s+a1 ) a0 +
(c) Tercer paso
(d) Cuarto paso
b2 sb1

b2 + + + 1 s(s+a1 ) +

+ sb1 + 1 + 1 s(s+a1 ) +

a0
a0
(e) Quinto paso
(f) Sexto paso
b2 s(s + a1 ) + sb1 + 1

b2 s(s + a1 ) + 1 s(s+a1 )

sb1 + 1
1 s(s+a1 )

a0
a0
(g) S eptimo paso
(h) Octavo paso
b2 s(s + a1 ) + sb1 + 1
1 s(s+a1 )+a0
(b2 s(s + a1 ) + sb1 + 1)
1 s(s+a1 )+a0
(i) Noveno paso
(j) D ecimo paso
Figura 3.7: Soluci on del ejemplo 3.1
51
OSCAR G. DUARTE
Nodos y Ramas F (s) X (s)

Y (s)
Y (s) = F (s)X (s)
Suma de Se nales X3 (s) F2 (s) X2 (s) X1 (s) F1 (s) F3 (s) Y (s) Y (s) = F1 (s)X1 (s)+ F2 (s)X2 (s) F3 (s)X3 (s)
Figura 3.8: Equivalencias de los Diagramas de de Flujo de Se nal
Figura 3.9(c): T2 = G1 (s)G2 (s)G3 (s) G12 (s)G6 (s). Lazo cerrado Las guras 3.9(d) a 3.9(f) muestran los lazos del ejemplo. Ganancia de lazo cerrado Las ganancias de lazo cerrado son: Figura 3.9(d): L1 = G4 (s)G9 (s)G10 (s) Figura 3.9(e): L2 = G6 (s)G7 (s)G8 (s) Figura 3.9(f): L3 = G2 (s)G3 (s)G4 (s)G12 (s)G13 (s) Lazos adyacentes Los lazos mostrados en las guras 3.9(e) y 3.9(f) son adyacentes. Lazos no adyacentes Los lazos mostrados en las guras 3.9(d) y 3.9(e) son no adyacentes.
3.4.1.
Regla de Mason
El c alculo de la funci on de transferencia F (s) de un diagrama de ujo de se nal esta dado por: F (s) = Donde: p= N umero de caminos directos de X (s) a Y (s) Tk = Ganancia del camino directo n umero k 52 Y (s) = X (s)
p k=1
T k k
G11 (s)
G1 (s)
G2 (s)
G3 (s)
G4 (s)
G5 (s)
G6 (s)
G9 (s) G10 (s) G12 (s)
G8 (s) G7 (s)
G13 (s)
(a) Ejemplo
(b) Camino Directo 1
(c) Camino Directo 2
(d) Lazo Cerrado 1
(e) Lazo Cerrado 2
(f) Lazo Cerrado 3
Figura 3.9: Deniciones de Diagramas de Flujo de Se nal
53
OSCAR G. DUARTE
G1 (s) X (s)
G2 (s)
G3 (s)
G4 (s)
G5 (s) Y (s)
H1 (s) H5 (s) G6 (s) H3 (s)
H2 (s) H4 (s)
Figura 3.10: Diagrama de Flujo de Se nal del ejemplo 3.3
= 1 - (Suma de ganancias de lazos cerrados) + (Suma de ganancias de lazos no adyacentes tomados de a 2) - (Suma de ganancias de lazos no adyacentes tomados de a 3) + (Suma de ganancias de lazos no adyacentes tomados de a 4) k : para el diagrama eliminando los lazos que tocan el camino n umero k Ejemplo 3.3 Para el sistema de la gura 3.10 la aplicaci on de la regla de Mason es como sigue: S olo existe un camino directo (p = 1), cuya ganancia es: T1 = G 1 G 2 G 3 G 4 G 5 Existen cuatro lazos cerrados, cuyas ganancias son: L1 =G2 H1 L2 =G4 H2 L3 =G6 H3 L4 =G2 G3 G4 G5 H4 G6 H5 Como existen 4 lazos, hay 6 posibles grupos de 2 lazos (L 1 L2 , L1 L3 , L1 L4 , L2 L3 , L2 L4 , L3 L4 ), pero de ellos, s olo son no adyacentes los siguientes: L1 L2 =G2 H1 G4 H2 L1 L3 =G2 H1 G6 H3 L2 L3 =G4 H2 G6 H3 54
3.5. RESPUESTA AL IMPULSO
Como existen 4 lazos, hay 4 posibles grupos de 3 lazos (L 1 L2 L3 , L1 L2 L4 , L1 L3 L4 , L2 L3 L4 ), pero de ellos, s olo hay uno que es no adyacentes: L 1 L 2 L 3 = G 2 H1 G 4 H2 G 6 H3 Como existen 4 lazos, s olo hay un posible grupo de 4 lazos (L 1 L2 L3 L4 ), pero estos son adyacentes. De acuerdo con lo anterior, el valor de es: 1 (L + L + L + L3) 1 2 3 = +(L1 L2 + L1 L3 + L2 L3 ) (L1 L2 L3 )
Al eliminar los lazos que tocan el u nico camino directo s olo subsiste el lazo L3 . Por lo tanto resulta: 1 = 1 (G6 H3 ) Dado que s olo hay un camino directo, la funci on de transferencia se calcula como: p T k k T 1 1 Y (s) = k=1 = F (s) = X (s) F (s) = G1 G2 G3 G4 G5 (1 (G6 H3 )) 1(G2 H1 +G4 H2 +G6 H3 +G2 G3 G4 G5 H4 G6 H5 ) +(G2 H1 G4 H2 +G2 H1 G6 H3 +G4 H2 G6 H3 ) (G2 H1 G4 H2 G6 H3 )
1 (G H + G H + G H + G G G G H G H ) 2 1 4 2 6 3 2 3 4 5 4 6 5 = +(G2 H1 G4 H2 + G2 H1 G6 H3 + G4 H2 G6 H3 ) (G2 H1 G4 H2 G6 H3 )
3.5.
Respuesta al impulso
La funci on de transferencia presentada en la secci on 3.2 permite caracterizar un sistema din amico lineal invariante en el tiempo, en situaci on de reposo, mediante una expresi on en el dominio de la frecuencia compleja s o z . La respuesta al impulso logra esa misma caracterizaci on, pero en el dominio del tiempo t o k , mediante el estudio del comportamiento del sistema cuando se estimula con una se nal especial: el impulso unitario3 .
3 Pese a que en todo el texto se presentan los temas primero para el caso continuo y luego para el discreto, en esta secci on se ha hecho una excepci on, debido a que el caso discreto es notablemente m as f acil de presentar que el continuo.
55
OSCAR G. DUARTE
Figura 3.11: Funci on Impulso Unitario discreto
3.5.1.
Caso discreto
La funci on impulso unitario discreto Dado un sistema como el de la gura 3.2 la respuesta al impulso es la respuesta del sistema cuando la entrada es el impulso unitario (k ), con condiciones iniciales nulas. La respuesta al impulso suele denotarse por h(k ), y su transformada Z por H (z ) La funci on (k ) (ver gura 3.11) se dene como: (k ) = 1 k=0 0 k=0
Una de las caracter sticas importantes de la funci on (k ) es que su transformada Z es 1, tal como se muestra a continuaci on: Z{ (k )} =
k=
(k )z k = (0)z 0 = 1
Sup ongase un sistema discreto con condiciones iniciales nulas, con funci on de transferencia F (z ), que se excita con el impulso unitario (gura 3.12). La respuesta del sistema, en el dominio de la frecuencia z ser a el producto de la entrada por la funci on de transferencia: H (z ) = U (z )F (z ) = 1F (z ) = F (z )
Z{ (k )} = 1
F (z )
E H (z )
Figura 3.12: Sistema Din amico Discreto estimulado con el impulso unitario
Este hecho pone de maniesto la relaci on que existe entre la respuesta al impulso y la funci on de transferencia (ver gura 3.13): la funci on de transferencia es la transformada Z de la respuesta al impulso 56
Z Respuesta al Impulso Z 1
Figura 3.13: Relaci on entre la respuesta al impulso y la funci on de transferencia. Caso discreto
Funci on de Transferencia
La respuesta a un impulso gen erico Sup ongase un sistema discreto lineal, que es excitado con la funci on impulso (k ), y cuya salida es la respuesta al impulso h(k ), tal como el de la gura 3.14(a). Si ese mismo sistema se excita con la funci on impulso, pero retrasada en 1, la salida debe ser la misma respuesta al impulso retrasada en 1, como se muestra en la gura 3.14(b) ya que se supone que el sistema es invariante en el tiempo. Por otra parte, debido a que el sistema es lineal, al multiplicar la entrada por un escalar c la salida se multiplicar a por el mismo escalar c; por lo tanto, si el sistema recibe como entrada la se nal impulso c (k i), la salida ser a ch(k i) (ver gura 3.14(c)). Convoluci on Una se nal discreta cualquiera x(k ) es un conjunto de valores en el tiempo, que puede representarse como la suma de innitos impulsos individuales yi , tal como se muestra en la gura 3.15. Adem as, cada uno de los pulsos individuales wi puede representarse como un impulso aplicado en el instante de tiempo i, cuya amplitud es justamente x(i) Dicho de otra forma, cualquier se nal puede escribirse como: x(k ) = + x(1) (k (1)) + x(0) (k 0) + x(1) (k 1) + x(k ) =
i=
x(i) (k i)
Debido a que el sistema es lineal, podemos aplicar el principio de superposici on, y obtener la respuesta del sistema y (k ) cuando la entrada es x(k ) como la suma debida a cada uno de los impulsos wi (suponiendo condiciones iniciales nulas). Estas respuestas son de la forma que se muestra en la gura 3.14(c), y por tanto la respuesta y (k ) ser a de la forma: y (k ) = + x(1)h(k (1)) + x(0)h(k 0) + x(1)h(k 1) + 57
OSCAR G. DUARTE
(k) 1 F (z ) 1 1 2 3 4 5
h(k) 1
1 2 3 4 5
(a) Respuesta al Impulso discreto
(k 1) 1 F (z ) 1 1 2 3 4 5
h(k 1) 1
1 2 3 4 5
(b) Respuesta al Impulso discreto retrasado
c (k i)
F (z )
ch(k i)
(c) Respuesta al Impulso discreto gen erica
Figura 3.14: Respuesta al Impulso discreto
58
y (k ) =
i=
x(i)h(k i) = x(k ) h(k )
Esta u ltima sumatoria corresponde a la convoluci on discreta de las se nales x(k ) y h(k ), representada por el operador El resultado anterior no debe sorprender, ya que al aplicar transformada Z a cada lado de la igualdad se tiene: Z{y (k )} = Z{x(k ) h(k )} = Z{x(k )}Z{h(k )} = X (z )H (z )
y la transformada Z de la respuesta al impulso resulta ser la funci on de transferencia del sistema, tal como se hab a mostrado ya en la gura 3.13
3.5.2.
Caso continuo
La funci on impulso unitario continuo Para obtener con sistemas continuos un resultado similar el mostrado para sistemas discretos en la secci on 3.5.1 es necesario contar con una funci on continua cuyas propiedades sean an alogas a las de la funci on impulso discreto; es decir, se necesita una funci on cuya transformada de Laplace sea 1. Dicha funci on es la funci on impulso o delta de Dirac, generalmente representado por (t). Para presentar la funci on (t), primero consideramos la funci on d (t), cuya gr aca se muestra en la gura 3.16: d (t) = 1/ t [0, ] 0 t / [0, ] >0
N otese que el a rea bajo la gr aca de la funci on d (t) es 1, independientemente del valor de , es decir,

d (t)dt = 1
>0
Se dene la funci on delta de Dirac como la funci on que resulta al disminuir progresivamente, hasta llevarlo al l mite en que tiende a cero: (t) = l m d (t)
0
Esta funci on, cuya gr aca se muestra en la gura 3.17 conserva la propiedad seg un la cual el a rea bajo la gr aca es 1

(t)dt = 1
Adem as, si calculamos el a rea bajo la gr aca desde hasta un valor t el resultado es la funci on escal on unitario (t)
t
(t)dt = (t) =
0
0 t (, 0) 1 t (0, )
59
OSCAR G. DUARTE
x(k ) 1
=
3 2 1 1 2 3
. . +
w1 1
3 2 1
1 2 3
+
w0 1
3 2 1
1 2 3
+
w1 1
3 2 1
1 2 3
+ . .
Figura 3.15: Descomposici on de una se nal discreta
60
d (t) 1/ t
Figura 3.16: Funci on d
(t)
Figura 3.17: Funci on Impulso Unitario Continuo
Por otra parte, consideremos el producto de la funci on d (t) desplazada en el tiempo, con una funci on f (t) cualquiera, y calculemos el a rea bajo la gr aca de ese producto (ver gura 3.18)
+
f (t)d (t )dt =
f (t)
1 dt
Para valores de sucientemente peque nos, el a rea puede hacerse equiva1 lente a la de un rect angulo de base y altura f ( ) , por lo tanto, 1 = f ( ) 0 El l mite puede introducirse en la integral, con lo que se obtiene l m f (t)d (t )dt = f ( )

f (t) l m d (t )dt =
0
f (t) (t )dt = f ( )
(3.5)
Es posible demostrar que la transformada de Laplace del impulso es 1, es decir que L { (t)} =
est (t)dt = 1
Para ello, puede aplicarse directamente el resultado de la ecuaci on 3.5 o considerar la propiedad de la transformada de Laplace seg un la cual
t
x(t)dt
0
X (s) L {x(t)} = s s
61
OSCAR G. DUARTE
f (t)
1/ t +
Figura 3.18: Area bajo la curva f (t)d
f (t)d (t) t +
Observese que la transformada de Laplace de (t), que es 1/s puede escribirse como t 1 L { (t)} = (t)dt = L {(t)} = L s s 0 por lo tanto L { (t)} = 1 Respuesta al impulso Dado un sistema como el de la gura 3.1 la respuesta al impulso es la respuesta del sistema cuando la entrada es el impulso unitario (t), con condiciones iniciales nulas. La respuesta al impulso suele denotarse por h(t), y su transformada de Laplace por H (s) Si el sistema continuo tiene una funci on de transferencia F (s), (gura 3.19), la respuesta del sistema, en el dominio de la frecuencia s ser a el producto de la entrada por la funci on de transferencia: H (s) = U (s)F (s) = 1F (s) = F (s) Este hecho pone de maniesto la relaci on que existe entre la respuesta al impulso y la funci on de transferencia (ver gura 3.20):La funci on de transferencia es la transformada de Laplace de la respuesta al impulso L{ (t)} = 1 E F (s) E H (s)
Figura 3.19: Sistema Din amico Cont nuo estimulado con el impulso unitario
De manera semejante al caso discreto (ver secci on 3.5.1) puede argumentarse que debido a que el sistema es lineal e invariante en el tiempo, la respuesta del sistema a una se nal impulso gen erica c (t ) ser a ch(t ) 62
L Respuesta al Impulso L1
Figura 3.20: Relaci on entre la respuesta al impulso y la funci on de transferencia. Caso cont nuo
Funci on de Transferencia
Convoluci on La ecuaci on 3.5 muestra que una se nal cualquiera x(t) puede representarse como la convoluci on cont nua entre x(t) y (t) identicada con el operador (se han intercambiado las variables t y , lo que no altera el resultado): x(t) =

x( ) (t )d = x(t) (t)
La integral es la suma de innitos t erminos (t erminos innitesimales), y por tanto podemos emplear el principio de superposici on para obtener la respuesta del sistema y (t) cuando la entrada es x(t) como la suma debida a cada uno de los t erminos innitesimales (suponiendo condiciones iniciales nulas), es decir: y (t) =

x( )h(t )d = x(t) h(t)
Al igual que en al caso discreto, la respuesta del sistema a una entrada cualquiera x(t) se puede obtener como la convoluci on (cont nua) de esa entrada con la respuesta al impulso. Este resultado concuerda con una armaci on previa, ya que al aplicar transformada de Laplace a cada lado de la igualdad se tiene: L{y (t)} = L{x(t) h(t)} = Lx(t)L{h(t)} = X (s)H (s) y la transformada de Laplace de la respuesta al impulso resulta ser la Funci on de Transferencia del sistema, tal como se hab a mostrado ya en la gura 3.20
63
OSCAR G. DUARTE
64
Cap tulo 4 Sistemas de primer y segundo orden
Los sistemas de primer y segundo orden merecen especial atenci on, ya que ellos presentan los comportamientos b asicos que pueden aparecer en cualquier sistema din amico. Dicho de otra forma, en general un sistema din amico presentar a un comportamiento que puede descomponerse en los comportamientos m as simples de los sistemas de primer y segundo orden. Este hecho puede explicarse observando el m etodo de soluci on de E.D. que emplea expansi on en fracciones parciales (ver secci on 2.2.5): una fracci on se descompone en fracciones m as simples en donde los denominadores son polinomios de primer o segundo orden. La excepci on a esta regla la constituyen los sistemas con polos repetidos, en donde adem as aparecen los mismos comportamientos b asicos multiplicados por tn o k n (ver tablas 2.5 y 2.6). En este cap tulo se estudian los sistemas continuos de primer y segundo orden. En todos los casos se proceder a de la misma forma: se seleccionar a una funci on de transferencia prototipo, se calcular a su respuesta al escal on unitario 1 con condiciones iniciales nulas, y se analizar a la relaci on existente entre esa respuesta y el valor de los polos dela funci on de transferencia. Las secciones 4.5 y 4.6 buscan resaltar que los resultados presentados en este cap tulo son estrictamente v alidos para las funciones prototipo seleccionadas.
1 Tambien
denominado paso unitario.
65
OSCAR G. DUARTE
y (t)
2 1
a=2
y (t)
2 1
a=3
y (t)
2 1
a = 1 t
y (t)
2 1
a=1
Figura 4.1: Respuesta al paso de un sistema continuo de primer orden
4.1.
Sistemas continuos de primer orden
Sup ongase un sistema continuo de primer orden, cuya funci on de transferencia sea 1 (4.1) F (s) = s+a Al estimular el sistema con un paso unitario (t), con condiciones iniciales nulas, la respuesta y (t) puede calcularse como sigue: Y (s) = F (s)U (s) = y (t) = L1 {Y (s)} = 1 1 1/a 1/a = + (s + a) s s s+a
1 1 1 (t) eat (t) = (1 eat )(t) a a a 1 (1 eat )(t) a (4.2)
y (t) =
La expresi on (4.2) muestra que la respuesta del sistema depender a del valor de a. Este hecho se constata en la gura 4.1, que muestra las gr acas de y (t) para distintos valores de a. Al cambiar el valor de a tambien cambia el valor del u nico polo de la funci on de transferencia (4.1), que es a. Para cualquier valor real positivo de a el polo es un real negativo a, y viceversa. Cuando el polo es positivo, la respuesta del sistema tiende a innito, y se dice que el sistema es inestable. La gura 4.2 muestra cuales son las regiones de estabilidad e inestabilidad con referencia a la recta real, es decir, en qu e lugares debe estar ubicado el polo de la funci on de transferencia para que el sistema sea, respectivamente, estable o inestable. 66
4.1. SISTEMAS CONTINUOS DE PRIMER ORDEN
Regi on de Estabilidad
Regi on de Inestabilidad
Figura 4.2: Regiones de estabilidad e inestabilidad para un sistema continuo de primer orden
y (t) 1/a 67 %
y=t
1/a
Figura 4.3: Respuesta al paso de un sistema continuo de primer orden, polo negativo en a
Para un polo negativo cualquiera a, la respuesta es como la que se muestra en la gura 4.3. El valor a determina qu e tan empinada es la respuesta (y cu al ser a el valor nal de la respuesta); para valores grandes de a, la respuesta es m as empinada, debido a que la respuesta natural eat se extingue m as r apido. Para medir qu e tan r apido decae una respuesta natural, podemos denir el tiempo de asentamiento o tiempo de estabilizaci on, como el tiempo a partir del cual la respuesta natural (su valor absoluto) no supera un porcentaje de su valor m aximo, por ejemplo el 5 %. Para el caso del sistema continuo de primer orden, este tiempo tas satisface: eatas = 0.05 tas = ln 0.05 a tas 3/a
En general, al alejar el polo del origen (al desplazarlo hacia la izquierda) disminuye el tiempo de asentamiento, es decir, la respuesta es m as empinada. Esto nos permite denir una regi on de tiempo de asentamiento m aximo, como la que se muestra en la gura 4.4. Si el polo de la funci on de transferencia (4.1) cae en esa regi on podemos asegurar que su tiempo de asentamiento satisface tas 3/a. N otese que la regi on de tiempo de asentamiento m aximo est a contenida dentro de la regi on de estabilidad; esto es l ogico, ya que la denici on de tiempo de asentamiento s olo tiene sentido para sistemas estables. 67
OSCAR G. DUARTE
tas 3/a a 0
Figura 4.4: Regi on de tiempo de asentamiento m aximo para un sistema continuo de primer orden
4.2.
sea
Sistemas discretos de primer orden

1 z+a
Sup ongase un sistema discreto de primer orden, cuya funci on de transferencia F (z ) = (4.3)
Al estimular el sistema con un paso unitario (k ), con condiciones iniciales nulas, la respuesta y (k ) puede calcularse como sigue: Y (z ) = F (z )U (z ) = y (k ) = Z 1 {Y (z )} = 1 z z/(1 + a) z/(1 + a) = (z + a) (z 1) (z 1) z+a
1 1 1 (k ) (a)k (k ) = (1 (a)k )(k ) 1+a 1+a (1 + a) y (k ) = 1 (1 (a)k )(k ) (1 + a) (4.4)
La expresi on (4.4) muestra que la respuesta del sistema depender a del valor de a. Este hecho se constata en la gura 4.1, que muestra las gr acas de y (k ) para distintos valores de a. Al cambiar el valor de a tambien cambia el valor de el u nico polo de la funci on de transferencia (4.3), que es a. Para cualquier valor real positivo de a el polo es un real negativo a, y viceversa. Cuando el polo es negativo, la respuesta del sistema es de signo alternante (P.ej. (1/2)k = 0, 1/2, 1/4, 1/8, ); por el contrario, si el polo es positivo la respuesta siempre ser a del mismo signo. Por otra parte, si el valor absoluto de a es mayor que 1, el valor absoluto de la respuesta tiende a innito, y se dice que el sistema es inestable. La gura 4.6 muestra cuales son las regiones de estabilidad e inestabilidad con referencia a la recta real, es decir, en qu e lugares debe estar ubicado el polo de la funci on de transferencia para que el sistema sea, respectivamente, estable o inestable; tambi en se muestra en la misma gura cuando la respuesta es alternante o no. Para medir qu e tan r apido decae una respuesta natural en los sistemas estables podemos denir el tiempo de asentamiento o tiempo de estabilizaci on, como el tiempo a partir del cual la respuesta natural (su valor absoluto) no supera 68
4.2. SISTEMAS DISCRETOS DE PRIMER ORDEN
y (k )
2 1

y (k ) a = 0.5

2 1

a = 1.5
1 2
k
1 2
y (k )
y (k ) a = 1.5
2

2 1

1 2
k
1 2
a = 0.5
1 2 3 4
Figura 4.5: Respuesta al paso de un sistema discreto de primer orden
Inestabilidad
Estabilidad
Inestabilidad
1 Alternante
1 No Alternante
0
Figura 4.6: Regiones de estabilidad e inestabilidad para un sistema discreto de primer orden
69
OSCAR G. DUARTE
kas 3/ ln |a| a 1 0 a
Figura 4.7: Regiones de tiempo de asentamiento m aximo para un sistema discreto de primer orden
un porcentaje de su valor m aximo, por ejemplo el 5 %. Para el caso del sistema discreto de primer orden, este tiempo ser a el menor entero kas tal que: (| a|)kas 0.05 En consecuencia, kas satisface kas ln 0.05 ln(|a|) kas 3/ ln(|a|)
En general, al alejar el polo del origen (al acercarlo a 1 o 1) aumenta el tiempo de asentamiento, es decir, la respuesta es m as lenta. Esto nos permite denir una regi on de tiempo de asentamiento m aximo, como la que se muestra en la gura 4.7. Si el polo de la funci on de transferencia (4.3) cae en esa regi on podemos asegurar que su tiempo de asentamiento satisface kas 3/ ln(|a|). Al igual que en el caso continuo, en el caso discreto la regi on de tiempo de asentamiento m aximo est a contenida dentro de la regi on de estabilidad.
4.3.
Sistemas continuos de segundo orden
Sup ongase un sistema continuo de segundo orden, cuya funci on de transferencia sea n F (s) = 2 (4.5) 2 s + 2n s + n Los polos de la funci on de transferencia ser an: p1,2 = 2n
2 4 2 4 2 n n = n 2
2 1
La gura 4.8 muestra la ubicaci on de los polos complejos. N otese que la distancia de los polos al origen (la magnitud del complejo) es justamente n : d=
2 (1 2 ) = (n )2 + n n
En caso de que | | < 1, el radical es negativo, y los polos resultan ser complejos conjugados: p1,2 = n jn 1 2
70
4.3. SISTEMAS CONTINUOS DE SEGUNDO ORDEN
Im(s)
n
n
jn
1 2
Re(s)
n
jn 1 2
Figura 4.8: Ubicaci on de los polos de un sistema continuo de segundo orden, con polos complejos
Adem as, el coseno del a ngulo formado con el semieje real negativo, es justamente : n cos = = n Al estimular el sistema (4.5) con un paso unitario (t), con condiciones iniciales nulas, la respuesta y (t) puede calcularse como sigue: Y (s) = F (s)U (s) = 1 1 2 n 1 2 s s2 + 2s + n 1 2t + (t) (4.6)
y (t) = L1 {Y (s)} = donde,
en t sin n
= cos1 Las guras 4.9 a 4.11 muestran la gr aca de (4.6) en varias condiciones: en la gura 4.9 se ha jado n = 1, y se ha variado . En la gura 4.10 se ha jado = 0.5 y se ha variado n . La gura 4.11 muestra la forma gen erica de (4.6) con (0, 1).
4.3.1.
Regi on de estabilidad
Al evaluar (4.6) se observa que para valores positivos de n el t ermino exponencial crece indenidamente, y por tanto la respuesta se har a innita. El t ermino n coincide con la parte real de los polos de (4.5), tal como se muestra en la gura 4.8, por lo tanto, la regi on de estabilidad, aquella en la que 71
OSCAR G. DUARTE
y (t) 2 1
: = 0.1 : = 0.5 : = 0.9
Figura 4.9: Respuesta al paso de un sistema continuo de segundo orden, wn = 1
y (t) 2 1
: n = 1 : n = 0.5 : n = 2
Figura 4.10: Respuesta al paso de un sistema continuo de segundo orden, = 0.5
y (t) ymax yf inal
tc
Figura 4.11: Respuesta al paso de un sistema continuo de segundo orden
72
Im(s)
Estabilidad
Inestabilidad Re(s)
Figura 4.12: Regi on de Estabilidad para un sistema continuo de segundo orden
deben ubicarse los polos para que el sistema sea estable, resulta ser el semiplano izquierdo. Esto se muestra en la gura 4.12
4.3.2.
Regi on de tiempo m aximo de asentamiento

1 2 t + , es decir, su amplitud es menor o igual
La respuesta transitoria de (4.5) es el producto de una exponencial en t por una sinusoidal sin n que en t . Si tomamos el tiempo de asentamiento como el tiempo a partir del cual la respuesta natural (su valor absoluto) no supera el 5 % de su valor m aximo, en el caso del sistema continuo de segundo orden este tiempo tas satisface: en tas = 0.05 tn s = ln 0.05 n tas 3/n
Debido a que n es la parte real de los polos de (4.5) , tal como se muestra en la gura 4.8, la regi on de tiempo de asentamiento m aximo es la que se muestra en la gura 4.13
4.3.3.
Regi on de frecuencia m axima de oscilaci on
La frecuencia de oscilaci on de la respuesta es la frecuencia de la sinusoidal de (4.5), es decir es n 1 2 , que corresponde a la parte imaginaria de los polos de (4.5) (ver gura 4.8). Por esta raz on, la regi on de frecuencia m axima de oscilaci on es la que se muestra en la gura 4.14 73
OSCAR G. DUARTE
Im(s)
tas
3 a
tas > a
3 a
Re(s)
Figura 4.13: Regi on de Tiempo m aximo de asentamiento para un sistema continuo de segundo orden
Im(s) w > w w w jw
Re(s)
w>w
jw
Figura 4.14: Regi on de Frecuencia m axima de oscilaci on para un sistema continuo de segundo orden
74
4.3.4.
Regi on de sobrepico m aximo
Uno de los par ametros m as importantes de la respuesta gracada en la gura 4.11, es el sobrepico m aximo, sp, que indica qu e tanto llega a valer la respuesta en relaci on con su valor nal: sp = ymax yf inal 100 % yf inal
donde ymax es el valor m aximo, y yf inal el valor nal (estacionario) de y (t). Para calcular el sobrepico m aximo, primero derivamos y (t) e igualamos a cero para obtener los instantes tc en los que suceden los m aximos y m nimos de y (t): dy 1 2 n en t sin n 1 2 t + + dt =
1
1 2 en t cos n
1 2t +
=0
n sin n
1 2 t + = n 1 2 = tan n n
1 2 cos n 1 2t +
1 2t +
1 2 Para obtener el valor de la arcotangente en la ecuaci on anterior, obs ervese en la gura (4.8) el valor de tan : 1 2 t + = tan1 tan = n 1 2 = n 1 2
La funci on tan1 (x) es peri odica, de periodo , por lo tanto n 1 2 t + = tan1 t= n n 1 2 1 2 = + n
n = 0, 1, 2,
Existen innitos instantes en los que la derivada de y (t) es nula, que corresponden a los m aximos y m nimos locales que se observan en la gura 4.11. Para n = 0 resulta t = 0, por lo tanto la respuesta y (t) es pr acticamente horizontal en su inicio. El sobrepico m aximo sucede en tc , que corresponde a n = 1: tc = n 1 2
El valor de y (t) en tc es el valor m aximo de y (t), es decir ymax = y (tc ) ymax = 1 1 1 2 e

n
n 12
sin n
1 2
n 1 2
75
OSCAR G. DUARTE
100 80 60 40 20 0 0
sp( %)
0.2 0.4 0.6 0.8 1.0
Figura 4.15: Sobrepico en funci on de
ymax = 1
1 1 2 1
12
sin( + )
Dado que sin( + x) = sin(x), podemos escribir ymax = 1 + ymax = 1 + e

1 2
12
12
sin()
= 1 + e cot
El valor nal de y (t) es 1, por lo tanto sp = e

12
100 % = e cot 100 %
Las guras 4.15 y 4.16 muestran c omo var a el sobrepico m aximo en funci on de el factor de amortiguamiento y el a ngulo , respectivamente. Es interesante observar que el sobrepico depende del a ngulo que forman los polos con el semieje real negativo (gura 4.8), lo que nos permite establecer una regi on de sobrepico m aximo, tal como la que se muestra en la gura 4.17
4.3.5.
Regi on de dise no
Las regiones que se muestran en las guras 4.12, 4.13, 4.14 y 4.17 pueden resumirse en una u nica regi on de dise no, como la que se muestra en la gura 4.18. Reri endonos a esta gura, la regi on de dise no puede interpretarse asi: Dado un sistema de segundo orden como el de la ecuaci on (4.5) con condiciones iniciales nulas, cuyos polos est an ubicados dentro de la regi on de dise no, puede asegurarse que: 76
100 80 60 40 20 0 0
sp( %)
18 36 54 72 90
Figura 4.16: Sobrepico en funci on de
Im(s)
sp ecot
sp > ecot Re(s)
Figura 4.17: Regi on de Sobrepico m aximo para un sistema continuo de segundo orden
77
OSCAR G. DUARTE
Im(s) jw
Re(s)
jw
Figura 4.18: Regi on de Dise no para un sistema continuo de segundo orden
el sistema es estable el tiempo de asentamiento es menor o igual que 3/a la frecuencia m axima de oscilaci on de la respuesta natural es w al estimularlo con un escal on unitario el sobrepico m aximo es menor que e cot 100 %
4.4.
Sistemas discretos de segundo orden
Sup ongase ahora un sistema discreto de segundo orden, cuya funci on de transferencia sea 1 2b cos a + b2 F (z ) = 2 (4.7) z 2bz cos a + b2 Los polos de la funci on de transferencia ser an: 2b cos a 4b2 cos2 a 4b2 p1,2 = = b cos a 2
cos2 a 1
El t ermino del radical ser a menor o igual que cero; en caso de que sea menor, los dos polos ser an los complejos conjugados: p1,2 = b cos a j 1 cos2 a = b (cos a j sin a)
La gura 4.19 muestra la ubicaci on de los polos en el plano complejo. 78
4.4. SISTEMAS DISCRETOS DE SEGUNDO ORDEN
Im(z ) jb sin a
b
a a Re(z )
b cos a
b sin a
Figura 4.19: Ubicaci on de los polos de un sistema discreto de segundo orden, con polos complejos
Al estimular el sistema (4.7) con un paso unitario (k ), con condiciones iniciales nulas, la respuesta y (k ) puede calcularse como sigue: Y (z ) = F (z )U (z ) = 1 2b cos a + b2 z 2 2bz cos a + b2 z z1
Y (z ) A Bz + C = + 2 z z 1 z 2bz cos a + b2 sumando e igualando coecientes se obtiene A=1 Y (z ) = Y (z ) = B = 1 C = 1 + 2b cos a
z 2 bz cos a z (1 2z cos a) z 2 2 2 z 1 z 2bz cos a + b z 2bz cos a + b2 1 bk cos ak
z z 2 + (1 2bz cos a) 2 z1 z 2bz cos a + b2
y (k ) = Z 1 {Y (z )} =
(1 b cos a) k b sin ak (k ) b sin a
Finalmente, las dos sinusoidales se pueden agrupar en una sola, para obtener: y (k ) = Z 1 {Y (z )} = 1 Cbk sin (ak + ) (k ) donde C= 1 + b2 2b cos a 1 = b sin a sin 79 = tan1 b sin a 1 b cos a (4.8)
OSCAR G. DUARTE
y (k ) 2

Figura 4.20: Respuesta al paso de un sistema discreto de segundo orden, a = 1.2, b = 0.8
La gura 4.20 muestra la gr aca de y (k ) para unos valores espec cos de a y b. Aunque y (k ) s olo tiene sentido en los valores enteros de k , se ha trazado tambi en en punteado la curva que se obtendr a para valores reales de k . Podr a plantearse que para estudiar la secuencia y (k ) (los puntos en la gura 4.20) ser a v alido analizar el sistema continuo que la genera ((la curva punteada en la gura 4.20)); sin embargo, en ocasiones los resultados pueden ser muy enga nosos: consid erese el caso en que a = 3 y b = 0.7, que se graca en la gura 4.21; si se analiza la curva cont nua, se concluye que el m aximo valor (absoluto) de y (k ) ser a cercano a 14, pero al ver la secuencia de puntos observamos que esta nunca supera (en valor absoluto) a 4. No obstante, dado que un an alisis de la curva cont nua arrojar a valores mayores o iguales que la secuencia, puede utilizarse para establecer cotas superiores de los valores de la secuencia, y asi establecer regiones de dise no.
4.4.1.
Regi on de estabilidad
Al evaluar (4.8) se observa que para valores de b mayores que 1 el t ermino exponencial crece indenidamente, y por tanto la respuesta se har a innita. El t ermino b coincide con la magnitud de los polos de (4.7), tal como se muestra en la gura 4.19, por lo tanto, la regi on de estabilidad, aquella en la que deben ubicarse los polos para que el sistema sea estable resulta ser el c rculo unitario centrado en el origen, tal como se ve en la gura 4.22.
4.4.2.
Regi on de tiempo m aximo de asentamiento
La respuesta transitoria de (4.7) es el producto de la exponencial bk por la sinusoide sin (ak + ), es decir, su amplitud es menor o igual que bk . Si tomamos el tiempo de asentamiento como el tiempo a partir del cual la respuesta natural (su valor absoluto) no supera el 5 % de su valor m aximo en el 80
4.4. SISTEMAS DISCRETOS DE SEGUNDO ORDEN
y (k ) 10 5

1 5 10
Figura 4.21: Respuesta al paso de un sistema discreto de segundo orden, a = 3, b = 0.7
Im(z ) j Inestabilidad
Estabilidad 1 1
Re(z )
Figura 4.22: Regi on de Estabilidad para un sistema discreto de segundo orden
81
OSCAR G. DUARTE
Im(z ) 1 jb
tas < 1 b jb
3 ln b
Re(z ) b 1
Figura 4.23: Regi on de tiempo de asentamiento m aximo para un sistema discreto de segundo orden
caso del sistema discreto de segundo orden, este tiempo kas satisface: 3 ln b Debido a que b es la magnitud de los polos de (4.7) , tal como se muestra en la gura 4.19, la regi on de tiempo de asentamiento m aximo es la que se muestra en la gura 4.23. bkas 0.05 ln bkas ln 0.05 kas ln b ln 0.05 kas
4.4.3.
Regi on de Frecuencia m axima de oscilaci on
La frecuencia de oscilaci on de la respuesta es la frecuencia de la sinusoidal de (4.7), es decir es a, que corresponde al a ngulo de los polos de (4.7) respecto a la horizontal (ver gura 4.19). Por esta raz on, la regi on de frecuencia m axima de oscilaci on es la que se muestra en la gura 4.24.
4.4.4.
Regi on de sobrepico m aximo
Al comparar las respuestas a escalones unitarios de los sistemas continuos y discretos de segundo orden, que aparecen en las ecuaciones (4.6) y (4.8) respectivamente, podemos ver las semejanzas de estas respuestas. k Si reescribimos bk como eln b = ek ln b , podemos asimilar los coecientes de los exponentes y las sinusoides: n = ln b De tal manera que ln b = a 1 2 82 n 1 2 = a = cot
4.5. EFECTO DE LOS CEROS. SISTEMAS DE FASE M INIMA
Im(z )
a a
f rec a Re(z )
Figura 4.24: Regi on de Frecuencia m axima de oscilaci on para un sistema discreto de segundo orden
b = ea cot = e
12
(4.9)
La ecuaci on 4.9 permite denir, para el caso discreto, curvas an alogas a las que generan la regi on de sobrepico m aximo de los sistemas continuos (gura 4.17). La gura 4.25 muestra las curvas generadas por la ecuaci on (4.9) para distintos valores de . Por su parte, la gura 4.26) muestra la regi on denida por (4.9) al jar un valor de (o de ), es decir, al establecer un factor de amortiguamiento. Esta regi on no es la regi on de sobrepico m aximo, sino la regi on de amortiguamiento m nimo. El sobrepico m aximo es m as dif cil de obtener debido a que el tiempo es discreto.
4.4.5.
Regi on de dise no
Al combinar las regiones denidas en las guras 4.22 a 4.26 se obtiene la regi on de dise no que se muestra en la gura 4.27. Su signicado es an alogo a la regi on de dise no del caso continuo.
4.5.
Efecto de los ceros. Sistemas de fase m nima
Pese a que en las secciones anteriores se ha hecho enfasis en el efecto que tiene sobre la respuesta natural la ubicaci on de los polos en el plano, no debe desconocerse que los ceros tambi en inuyen en la respuesta. 83
OSCAR G. DUARTE
Im(z ) j
: = 0.1 : = 0.5 : = 0.9 Re(z )
Figura 4.25: Curvas de Amortiguamiento jo para un sistema discreto de segundo orden
Im(z ) j
Re(z ) 1 1
Figura 4.26: Regi on de Amortiguamiento m nimo para un sistema discreto de segundo orden
84
4.5. EFECTO DE LOS CEROS. SISTEMAS DE FASE M INIMA
Im(z ) j
Re(z ) 1 1
Figura 4.27: Regi on de Dise no para un sistema discreto de segundo orden
Sup ongase un sistema continuo de segundo orden, con un cero real: F (s) =
(b2 + 2 ) (s + a) a (s + b)2 + 2
(4.10)
La gura 4.28 muestra la gr aca de (4.11), para tres valores distintos de a, con unos valores jos de b = 1 y = 1; es decir, lo que se est a modicando es la posici on del cero de la funci on de transferencia. Alli puede verse que la ubicaci on del cero afecta directamente la forma de la respuesta. Es importante resaltar que las regiones de dise no de las guras 4.18 y 4.27 fueron desarrolladas para sistemas prototipo de segundo orden, sin ceros. Estas regiones pueden emplearse para el an alisis y control de sistemas de segundo orden con ceros, pero s olo como una gu a de car acter general. M as importante a un es resaltar que para ceros en el semiplano derecho (este es el caso a = 1 en la gura 4.28) la respuesta al escal on presenta en sus inicios valores de signo contrario a los de la respuesta de estado estacionario; este fen omeno, conocido como subpico (en ingl es undershoot ) puede llegar a ser muy peligroso en algunos sistemas f sicos, y constituye una gran dicultad para su control. Los sistemas que no poseen ceros en el semiplano derecho, se conocen como sistemas de fase m nima, o simplemente minifase 2 .
2 Esta
La respuesta al escal on del sistema denido por (4.10) es : 1 + 1 (b2 + 2 )[(a b)2 + 2 ]ebt sin (t + ) (t) a y (t) = w 1 = tan1 w b + tan ab
(4.11)
denominaci on est a relacionada con la respuesta de frecuencia del sistema
85
OSCAR G. DUARTE
y (t)
: a == 0.5 :a=1 : a = 1
Figura 4.28: Respuesta al paso de un sistema continuo de segundo orden, con cero real b = = 1
La presencia de subpicos ante una entrada escal on es f acil de demostrar para un sistema de segundo orden con polos reales y un cero real3 , tal como F (s) = La respuesta al escal on ser a: Y (s) = a/(b + c) (a b)/(c b)(b) (a c)/(c b)(c) (s + a) + + s(s + b)(s + c) s (s + b) (s + c) y (t) = (a b) (a c) ct a (t) + ebt + e bc (c b)(b) (c b)(c) (s + a) (s + b)(s + c) (4.12)
El signo de la derivada de y (t) evaluada en t = 0 nos indica si la respuesta crece o decrece en ese momento: dy dt =
t=0
ab ac cb = = =1 cb cb cb
La derivada siempre es positiva, por lo tanto, para valores cercanos a t = 0, y (t) ser a siempre positiva. Por otra parte, la respuesta de estado estacionario de y (t) ser a a/bc; para sistemas estables, tanto b como c son positivos, y por lo tanto el signo de la respuesta estacionaria es el mismo signo de a. En conclusi on, para valores negativos de a (ceros positivos), la respuesta en sus inicios tendr a un signo diferente al de la respuesta de estado estacionario y suceder a el subpico.
3 Para
otro tipo de sistemas la demostraci on es m as complicada, y se omite aqui
86
4.6. POLOS DOMINANTES
: 0.25e10t y(t) 1 y(t) 1 : 0.25e15t : 0.5et cos 2t
t 1 2 3 4 1 2 3 4
(a) respuesta exacta
(b) componentes de la respuesta natural
y(t) 1
: y(t) : yaprox (t)
t 1 2 3 4
(c) respuesta exacta y aproximada
Figura 4.29: Sistema continuo de orden 4 con polos dominantes
4.6.
Polos dominantes
Supongamos ahora un sistema continuo de orden superior a 2, como por ejemplo uno cuya funci on de transferencia sea F (s) = 6.75s3 + 102.5s2 + 318.75s + 750 (s + 10)(s + 15)(s2 + 2s + 5)
Al estimular ese sistema con un escal on unitario la respuesta ser a Y (s) = F (s) Y (s) = 6.75s3 + 102.5s2 + 318.75s + 750 1 = s s(s + 10)(s + 15)(s2 + 2s + 5)
0.25 0.25 0.5(s + 1) 1 2 s (s + 10) (s + 15) (s + 2s + 5) (4.13)
y (t) = 1 0.25e10t 0.25e15t 0.5et cos 2t (t)
La gura 4.29(a) muestra la gr aca de y (t), mientras que la gura 4.29(b) muestra por separado los tres componentes de la respuesta natural, 0.25e 10t, 0.25e15t y 0.5et cos 2t. En la gura 4.29(b) se observa que el aporte a la respuesta natural debido a los polos p1 = 10 y p2 = 15 es considerablemente m as peque no que el 87
OSCAR G. DUARTE
debido a los polos p3,4 = 1 j 2. Lo anterior se debe a que los aportes de p1 y p2 decaen mucho m as r apidamente que el aporte de p3,4 , ya que e10t y e15t decaen m as r apidamente que et . Se dice entonces que los polos p3,4 dominan el comportamiento del sistema, o simplemente que son los polos dominantes. La gura 4.29(c) compara la respuesta exacta y (t) calculada seg un (4.13) y una respuesta aproximada y aprox (t) que se obtendr a eliminando de y (t) los aportes de los polos p1 y p2 , es decir: y (t) = 1 0.5et cos 2t (t) Se observa c omo el aporte de los polos p1 y p2 s olo es signicativo al comienzo de la respuesta, cuando la componente de la respuesta natural asociada a ellos a un no ha decaido, pero este aporte se desvanece r apidamente, y la respuesta aproximada resulta ser pr acticamente la misma respuesta exacta. En conclusi on, se dice que un sistema continuo estable tiene (1 o 2) polos dominantes si la parte real de dichos polos es sucientemente mayor (est a m as hacia la derecha, en el semiplano izquierdo) que la de los dem as polos del sistema, como para que el aporte de estos u ltimos se desvanezca mucho antes de que haya desaparecido el aporte debido a los polos dominantes. En estos casos, las regiones de dise no, que fueron desarrolladas para sistemas de segundo orden, pueden ser una herramienta muy u til para analizar el sistema, aunque este sea de un orden superior. Algo an alogo sucede con los sistemas discretos, s olo que aqui el tiempo de decaimiento no depende de la parte real de los polos, sino de su distancia al origen. En conclusi on, se dice que un sistema discreto estable tiene (1 o 2) polos dominantes si la magnitud de dichos polos es sucientemente mayor (est a m as lejos del origen, dentro del c rculo unitario) que la de los dem as polos del sistema, como para que el aporte de estos u ltimos se desvanezca mucho antes de que haya desaparecido el aporte debido a los polos dominantes.
88
Cap tulo 5 Sistemas realimentados simples
En este cap tulo centramos nuestro inter es en sistemas continuos y discretos como los que se muestran en las guras 5.1 y 5.2, respectivamente. Este tipo de sistemas se denominan realimentados o retroalimentados, debido a que la se nal de salida Y es retornada para ser comparada con la entrada U mediante una resta. El resultado de esta comparaci on es la se nal de error E . Esta es una estructura t pica de control; G es la planta que se desea controlar, y U el comportamiento que se desea que tenga G. Y es el comportamiento real de G, que es medido y comparado con U a trav es de H . Si el comportamiento real diere del deseado, existir a un error E , que se amplica por K como entrada directa a G Denimos la funci on de transferencia del sistema realimentado como la relaci on entre la salida y la entrada con condiciones iniciales nulas. En el caso continuo ser a F (s) = y en el discreto: F (z ) = Y (z ) KG(z ) = U (z ) 1 + KG(z )H (z ) E G(s) H (s) ' Y (s) E (5.2) Y (s) KG(s) = U (s) 1 + KG(s)H (s) (5.1)
U (s) E (s) E k E K + T
Figura 5.1: Sistema continuo retroalimentado simple
89
OSCAR G. DUARTE
U (z ) E (z ) E k E K + T
E G(z ) H (z ) '
Y (z ) E
Figura 5.2: Sistema discreto retroalimentado simple
Tambi en se dene la funci on de transferencia del error o transmitancia del error como la relaci on entre el error y la entrada. En el caso continuo: FE (s) = y en el discreto: FE (z ) = 1 E (z ) = U (z ) 1 + KG(z )H (z ) (5.4) E (s) 1 = U (s) 1 + KG(s)H (s) (5.3)
Adem as, a los productos G(s)H (s) y G(z )H (z ) se les denomina ganancia de lazo abierto. Si escribimos G y H como dos fracci on de polinomios NG /DG y NH /DH respectivamente, las expresiones (5.1), (5.2), (5.3) y (5.4) se convierten en: Funci on de transferencia del sistema realimentado, caso continuo: F (s) =
NG (s) KD Y (s) KNG (s)DH (s) G (s) = = NG (s) NH (s) U (s) D ( s ) D G H (s) + KNG (s)NH (s) 1 + K DG (s) DH (s) (5.5)
Funci on de transferencia del sistema realimentado, caso discreto:

NG (z ) KD Y (z ) KNG (z )DH (z ) G (z ) F (z ) = = = N ( z ) N ( z ) G H U (z ) DG (z )DH (z ) + KNG (z )NH (z ) 1 + K DG (z) DH (z) (5.6)
Funci on de transferencia del error, caso continuo: FE (s) = 1 E (s) DG (s)DH (s) = = N ( s ) N ( s ) G H U (s) DG (s)DH (s) + KNG (s)NH (s) 1 + K DG (s) DH (s) (5.7)
Funci on de transferencia del error, caso discreto: FE (z ) = DG (z )DH (z ) E (z ) 1 = = NG (z ) NH (z ) U (z ) D ( z ) D (z ) + KNG (z )NH (z ) G H 1 + K DG (z) DH (z) (5.8) 90
5.1. TIPO DE SISTEMA Y ERROR DE ESTADO ESTACIONARIO
5.1.
5.1.1.
Tipo de sistema y error de estado estacionario

Caso continuo
Uno de los objetivos de los esquemas de control como el que se muestra en las gura 5.1 suele ser el asegurar que la se nal de error sea nula, al menos despues de que las respuestas transitorias hayan desaparecido. Por ese hecho, se estudia la respuesta de estado estacionario de la se nal de error, comunmente denominada el error de estado estacionario. Bajo la suposici on de que el sistema realimentado es estable1 , se puede argumentar que despues de un cierto tiempo la respuesta transitoria se habr a hecho lo sucientemente peque na como para considerar que no existe, y por lo tanto s olo queda la respuesta estacionaria, es decir eee = l m e(t)
t
(5.9)
donde eee es el error de estado estacionario, y e(t) es la se nal de error en el dominio del tiempo, es decir e(t) = L1 {E (s)} El teorema de valor nal de la transformada de Laplace provee una forma de calcular eee : eee = l m e(t) = l m {sE (s)}
t s0
(5.10)
Combinando (5.10) con (5.3) se obtiene: eee = l m {sFE (s)U (s)}

s0
(5.11)
Al observar (5.11), se encuentra que el error de estado estacionario podr a ser 0, o un valor nito, dependiendo del n umero de polos y ceros en s = 0 que tengan FE (s) y U (s), como se muestra en los siguientes ejemplos. Ejemplo 5.1 Sea FE (s) = estado estacionario ser a eee = l m
s0 (s+4) (s+3)(s+5)
y U (s) =
1 (s2 +4) .
Seg un (5.11) el error de
1 (s + 4) (s + 3)(s + 5) (s2 + 4)
(s+4) (s+3)(s+5)
=0
(0 + 4) 1 =0 (0 + 3)(0 + 5) (02 + 4)
Ejemplo 5.2 Sea FE (s) = estacionario ser a eee = l m

s0
y U (s) = 1 un (5.11) el error de estado s . Seg (s + 4) (s + 3)(s + 5) 4 (0 + 4) = (0 + 3)(0 + 5) 15
1 (s + 4) (s + 3)(s + 5) s
= l m
s0
1 La determinaci on de la estabilidad de los sistemas realimentados continuos se estudia en la secci on 5.2
91
OSCAR G. DUARTE
Tipo de sistema 0 1 2 . . .
u(t) = (t) U (s) = 1/s l ms0 {FE (s)} 0 0 . . .
u(t) = t(t) U (s) = 1/s2 0 . . .
u(t) = t2 (t)/2 U (s) = 1/s3 . . . l ms0

FE (s) s2
.. .
l ms0
FE (s) s
Tabla 5.1: Error de estado estacionario para sistemas continuos
Ejemplo 5.3 Sea FE (s) = estacionario ser a
s(s+4) (s+3)(s+5)
y U (s) =
1 s3 .
Seg un (5.11) el error de estado
eee = l m eee = l m
s0
s(s + 4) 1 (s + 3)(s + 5) s3 = (0 + 4) 4 1 = = (0 + 3)(0 + 5) 0 0
s0
1 (s + 4) (s + 3)(s + 5) s
En los ejemplos anteriores puede observarse que el valor de eee depende de si la s que aparece en (5.11) puede o no cancelarse con otros t erminos s que aparezcan en FE (s)U (s). Con esto en mente, denimos el tipo de sistema como el n umero de ceros en s = 0 que tenga FE (s) y construimos la tabla 5.1. N otese que las entradas u(t) que se han empleado son aquellas cuyas transformadas de Laplace tienen t erminos sn en el denominador. De acuerdo con (5.7) los ceros de FE (s) son los valores de s que hacen que DG (s)DH (s) sea cero, es decir son iguales a los polos de G(s)H (s). Por esta raz on tambi en podemos denir el tipo de sistema como el n umero de polos en s = 0 que tenga G(s)H (s).
5.1.2.
Caso discreto
Consideraciones similares pueden hacerse para el caso discreto. Si el sistema realimentado es estable2 , el error de estado estacionario de un sistema como el de la gura 5.2 ser a eee = l m e(k ) (5.12)
k
donde eee es el error de estado estacionario, y e(k ) es la se nal de error en el dominio del tiempo, es decir e(k ) = Z 1 {E (z )} El teorema de valor nal de la transformada Z provee una forma de calcular eee : eee = l m e(k ) = l m {(z 1)E (z )}
k z 1
(5.13)
2 La determinaci on de la estabilidad de los sistemas realimentados discretos se estudia en la secci on 5.3
92
5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS
Tipo de sistema
u(k ) = (k )
u(k ) = k(k )
u(k ) = k 2 (k )
0 1 2 . . .
l mz1 {zFE (z )}
U (z ) = z/(z 1) 0 0 . . .
l mz1
U (z ) = z/(z 1)2 n 0 . . .
z F (z ) (z 1) E
U (z ) = z (z + 1)/(z 1)3
l mz1 n
z (z +1) F (z ) (z 1)2 E
. . .
.. .
Tabla 5.2: Error de estado estacionario para sistemas discretos
o lo que es igual, eee = l m e(k ) = l m {(z 1)FE (z )U (z )}

k z 1
(5.14)
Ahora el valor de eee depende del numero de ceros y polos en z = 1 que tengan FE (z ) y U (z ). Por lo tanto, denimos tipo de sistema como el n umero de ceros en z = 1 que tenga FE (z ) y construimos la tabla 5.2. N otese que las entradas u(k ) que se han empleado son aquellas cuyas transformadas de Laplace tienen t erminos (z 1)n en el denominador. De acuerdo con (5.8), los ceros de FE (z ) son los valores de z que hacen que DG (z )DH (z ) sea cero, es decir son iguales a los polos de G(z )H (z ). Por esta raz on tambi en podemos denir el tipo de sistema como el n umero de polos en z = 1 que tenga G(z )H (z ).
5.2.
Estabilidad y criterios de estabilidad en sistemas continuos
En este cap tulo empleamos la denici on de estabilidad de entrada acotada - salida acotada 3 , tambien conocida como estabilidad BIBO por sus siglas en ingl es (Bounded Input - Bounded Output). Un sistema din amico es BIBO estable si cualquier entrada acotada produce una salida acotada. En otras palabras, si ante entradas de valor ninto la respuesta (su valor absoluto) no tiende a innito. La gura 2.3 muestra que las funciones continuas cuyos valores absolutos crecen indenidamente tienen sus polos en el semiplano derecho. Si una funci on de transferencia tiene uno de sus polos en esa zona la respuesta natural tender a a innito, independientemente del valor de la entrada, y por tanto el sistema sera inestable.
3 Existen varias deniciones de estabilidad de sistemas din amicos; afortunadamente para los sistemas lineales todas ellas son equivalentes y podemos adoptar indistintamente cualquiera de ellas.
93
OSCAR G. DUARTE
En consecuencia, para asegurar que un sistema din amico lineal sea estable, todos los polos de su funci on de transferencia deben estar en el semiplano izquierdo. Basta con que un polo est e en el semiplano derecho para que el sistema sea inestable. Si existe un polo en el eje imaginario, es decir, en la frontera entre los semiplanos derecho e izquierdo, se dice que el sistema es marginalmente estable.
5.2.1.
Arreglo y criterio de Routh-Hurwitz
Dado que la estabilidad de un sistema din amico est a determinada por la ubicaci on de los polos de su funci on de transferencia, es decir por la ubicaci on de las ra ces de un cierto denominador, planteamos ahora el siguiente problema: C omo determinar si las ra ces de un polinomio como (5.15) est an ubicadas todas en el semiplano izquierdo? p(s) = an sn + an1 sn1 + + a1 s + a0 Antes de contestar esta pregunta, hacemos notar lo siguiente: Si (5.15) tiene coecientes de signos diferentes, o coecientes cero, entonces tiene al menos una raiz en el semiplano derecho o en el eje imaginario. Si (5.15) tiene todos sus coecientes del mismo signo, no podemos extraer conclusiones a priori sobre la ubicaci on de sus ra ces. Para demostrar lo anterior, sup ongase primero que (5.15) tiene s olo ra ces reales, y por tanto puede factorizarse asi: p(s) = A(s 1 )(s 2 ) (s n ) (5.16) (5.15)
Si las ra ces i son todas negativas, los t erminos i ser an todos positivos, y en general el producto (s 1 )(s 2 ) (s n ) tendr a todos los coecientes positivos. De esta forma, los coecientes de (5.15) ser an todos positivos o todos negativos, dependiendo del signo de A en (5.16). Por esta raz on, si p(s) tiene coecientes de signos diferentes o cero, necesariamente al menos un t ermino i debe ser negativo, lo que implicar a que tendr a al menos una raiz positiva (en el semiplano derecho). Ahora sup ongase que (5.15) tiene dos ra ces complejas conjugadas: p(s) = A(s ( + j ))(s ( j ))(s 3 ) (s n ) (s ( + j ))(s ( j )) = s2 2s + ( 2 + 2 ) (5.17)
El producto de los t erminos que tienen que ver con las ra ces complejas es: (5.18)
Si < 0, es decir si las ra ces est an en el semiplano izquierdo, ( 5.18) tendr a s olo coecientes positivos, y por tanto (5.15) tendr a todos sus coecentes del mismo signo (positivos si A es positiva y negativos si A es negativa). 94
sn sn1 sn2 . . . s1 s0
an an1
an2 an3
a1 a0
Figura 5.3: Arreglo de Routh. Primeras dos l neas
. . . si+2 si+1 si . . .
a1 b1 c1
a2 b2 c2
a3 b3 c3
Figura 5.4: Arreglo de Routh. Dos l neas gen ericas
Como consecuencia de lo anterior, si (5.15) tiene coecientes de signos diferentes, o cero, podemos asegurar que tiene una o m as ra ces en el semiplano derecho o en el eje imaginario. Si por el contrario tiene todos los coecientes de igual signo, es necesario realizar otro tipo de pruebas antes de establecer la ubicaci on de sus ra ces. Una de esas pruebas se conoce como la prueba de Routh-Hurwitz, para lo cual es necesario primero construir un arreglo espec co con los coecientes de (5.15) Construcci on del arreglo de Routh Dado un polinomio p(s) como (5.15) Es posible construir el arreglo de Routh de p(s) a partir de los coecientes ai que aparecen en (5.15). Para ello, inicialmente construimos el arreglo que se muestra en la gura 5.3. A continuaci on, se completa el arreglo de Routh l nea por l nea, siguiendo las siguientes indicaciones. Cada nueva l nea se construye con informaci on de las dos l neas inmediatamente anteriores. Para calcular el t ermino j esimo de una l nea (cj en la gura 5.4) se efect ua la operaci on a1 aj +1 b1 bj +1 (5.19) cj = b1 Ejemplo 5.4 Considere el polinomio p(s) = s5 + s4 + 3s3 + 9s2 + 16s + 10 95 (5.20)
OSCAR G. DUARTE
s5 s4 s3 s2 s1 s0
1 1 c1 d1 e1 f1
3 9 c2 d2 e2 f2
16 10 c3 d3 e3 f3
Figura 5.5: Arreglo de Routh del ejemplo 5.4. Primeras dos l neas
s5 s4 s3 s2 s1 s0
1 1 6 10 12 10
3 9 6 10
16 10
Figura 5.6: Arreglo de Routh del ejemplo 5.4
La gura 5.5 muestra las dos primeras l neas del arreglo de routh para (5.20) Los valores de la l nea correspondiente a s3 se calculan asi: 1 3 1 9 c1 = = 6 1 1 16 1 10 c2 = =6 1
No es necesario calcular c3 , porque ya no hay m as columnas en las dos primeras l neas, y por lo tanto el resultado ser a 0. Para la l nea correspondiente a s2 se tiene: 1 9 6 6 d1 = = 10 6 Para la l nea correspondiente a s1 : 6 6 10 10 e1 = = 12 10 Y para la l nea correspondiente a s0 : 10 10 12 0 = 10 f1 = 12 El resultado es el arreglo que se muestra en la gura 5.6 Es conveniente resaltar algunos aspectos de la construcci on del arreglo 96 1 10 6 0 d2 = = 10 6
s2 s1 s0
1 3 K +2
K +2
El n umero de las del arreglo disminuye progresivamente: cada dos las se disminuye una columna. El t ermino que est a en la u ltima columna justo antes de desaparecer esta es siempre el mismo (es 10 en la gura 5.6), debido a que este se calcular a siempre como a b c 0 =b c Criterio de Routh-Hurwitz El criterio de Routh-Hurtwiz puede expresarse asi: Criterio de Routh-Hurwitz El n umero de ra ces de (5.15) en el semiplano derecho es igual al n umero de cambios de signo que se suceden en la primera columna del arreglo de Routh de dicho polinomio. Retomando el ejemplo 5.20, el polinomio (5.20) tiene dos ra ces en el semiplano derecho, ya que su arreglo de Routh (gura 5.6) tiene dos cambios de signo en la primera columna: uno al pasar de 1 a 6, y otro al pasar de 6 a 10. Miremos ahora el sistema realimentado de la gura 5.1. La funci on de transferencia, y por lo tanto sus polos, dependen de la variable K , como claramente se establece en (5.5). La utilizaci on del criterio de Routh-Hurwitz permite establecer condiciones en la varible K para que el sistema realimentado sea estable. Esto podemos verlo mediante los ejemplos 5.5, 5.6 y 5.7: Ejemplo 5.5 Sup ongase que en el sistema de la gura 5.1 se tiene que G(s) = 1 s+2 H (s) = 1 s+1
La funci on de transferencia del sistema realimentado es F (s) = KG(s) K (s + 1) = 2 1 + KG(s)H (s) s + 3s + (K + 2)
El arreglo de Routh para el polinomio del denominador s 2 + 3s + (k + 2) se muestra en la gura 5.7. 97
OSCAR G. DUARTE
s3 s2 s1 s0
1 6 6+K
60K 6
11 6+K
Para que todas las ra ces est en en el semiplano izquierdo, y por lo tanto el sistema sea estable, se necesita que todos los signos de la primera columna sean iguales, y por lo tanto: K+2>0 K > 2 Podemos concluir que para cualquier valor de k superior a 2 el sistema ser a estable, y para cualquier valor menor que 2 ser a inestable. Justo cuando k = 2 el sistema tendr a estabilidad Marginal. Ejemplo 5.6 Sup ongase que en el sistema de la gura 5.1 se tiene que G(s) = 1 (s + 1)(s + 2) H (s) = 1 s+3
La funci on de transferencia del sistema realimentado es F (s) = K (s + 3) KG(s) = 3 1 + KG(s)H (s) s + 6s2 + 11s + (6 + K ) (5.21)
El arreglo de Routh para el polinomio del denominador s 3 + 6s2 + 11s + (6 + K ) se muestra en la gura 5.8. Para que todas las ra ces est en en el semiplano izquierdo, y por lo tanto el sistema sea estable, se necesita que todos los signos de la primera columna sean iguales, y por lo tanto: 60 K > 0 y 6+K >0
Podemos concluir que para cualquier valor de K en el intervalo (6, 60) el sistema ser a estable, y para cualquier valor por fuera de ese intervalo ser a inestable. Justo cuando K = 6 o K = 60 el sistema tendr a estabilidad Marginal. Ejemplo 5.7 Sup ongase que existe un sistema din amico continuo cuya funci on de transferencia tiene el siguiente denominador DF (s) = s3 + 3Ks2 + (K + 2)s + 4 El arreglo de Routh correspondiente se muestra en la gura 5.9. Para que el sistema sea estable se necesita que todos los t erminos de la primera columna sean del mismo signo, por lo tanto deben cumplirse las siguientes dos condiciones 3K > 0 3K 2 +6K 4 >0 3K 98
s3 s2 s1 s0
1 3K
3K 2 +6K 4 3K
K +2 4
s4 s3 s2 s1 s0
1 1 0
2 2 3
Figura 5.10: Arreglo de Routh con cero en la primera columna. Arreglo incompleto
La segunda condici on podr a darse si tanto numerador como denominador son del mismo signo, sin embargo descartamos la opci on de que ambos sean negativos, porque la primera condici on impone que el denominador sea positivo, es decir las dos condiciones son: K>0 3K 2 + 6K 4 > 0 La segunda condici on se cumple si K < 2.52 o K > 0.52. De estas dos posibilidades descartamos la primera, debido a que K debe ser positivo. Por lo tanto, aseguramos que el sistema sea estable si y s olo si K > 0.52 Problemas en la construcci on del arreglo de Routh Debido a que los t erminos del arreglos de Routh se calculan como est a indicado en (5.19), surge una dicultad cuando en la primera columna aparece un cero, pues para calcular los t erminos de las columnas siguientes ser a necesario dividir por cero. Tal es el caso del polinomio p(s) = s4 + s3 + 2s2 + 2s + 3 cuyo arreglo de Routh se muestra (parcialmente) en la gura 5.10. Para calcular los t erminos de la siguiente columna ser a necesario dividir por cero. Una estrategia para obviar este problema consiste en remplazar 0 por , completar el arreglo, y luego analizar el l mite cuando tiende a cero por la derecha. En esas condiciones, el arreglo de Routh ser a como el que se muestra en la gura 5.11. Cuando 0+ , el arreglo resulta ser como el de la gura 5.12, y por lo tanto el polinomio tiene dos ra ces en el semiplano derecho. Una dicultad mayor surge cuando todos los t erminos de una la se hacen cero. Este hecho se conoce como la terminaci on prematura del arreglo, y est a relacionada con polinomios cuyas ra ces est an ubicadas en forma sim etrica respecto al origen, como por ejemplo cuando existen ra ces en el eje imaginario. 99
OSCAR G. DUARTE
s4 s3 s2 s1 s0
1 1 2 3
2 2 3
3
Figura 5.11: Arreglo de Routh con cero en la primera columna. Aproximaci on
s4 s3 s2 s1 s0
1 1 0+ 3
2 2 3
Figura 5.12: Arreglo de Routh con cero en la primera columna. Arreglo completo
Tal es el caso del polinomio p(s) = s5 + s4 + 5s3 + 5s2 + 4s + 4 cuyo arreglo de Routh se muestra (parcialmente) en la gura 5.13. La estrategia a emplear en este caso consiste en escribir el polinomio p (s) que se obtiene con los coecientes de la la inmediatemente superior a la que qued o con ceros; el orden del primer monomio est a dado por el t ermino a la izquierda de la l nea vertical (s4 en el ejemplo) y el de los dem as monomios se decrementa en dos: p (s) = s4 + 5s2 + 4 Este polinomio resulta ser un divisor exacto de p(s) (puede comprobarse que p(s) = p (s)(s + 1)). El arreglo de Routh lo continuamos remplazando la la de ceros por los coecientes de la derivada de p (s): dp (s) = 4s3 + 10s ds El arreglo resultante se muestra en la gura 5.14 s5 s4 s3 s2 s1 s0 1 1 0 5 5 0 4 4
Figura 5.13: Arreglo de Routh con terminaci on prematura. Arreglo incompleto
100
s5 s4 s3 s2 s1 s0
1 1 4 2.5 3.6 4
5 5 10 4
4 4
Figura 5.14: Arreglo de Routh con terminaci on prematura. Arreglo completo
5.2.2.
Lugar geom etrico de las ra ces
De acuerdo con la ecuaci on (5.5) los polos de la funci on de transferencia de un sistema como el de la gura5.1 dependen del valor de K . El lugar geom etrico de las ra ces, o simplemente root-locus es el gr aco en el plano s de la ubicaci on de los polos de (5.5) conforme K varia de cero a innito (K : 0 ). Se dene tambi en el root-locus complementario como el gr aco en el plano s de la ubicaci on de los polos de (5.5) conforme K varia de menos innito a cero (K : 0) Ejemplo 5.8 Sup ongase que en el sistema de la gura 5.1 los bloques G(s) y H (s) son: 1 1 G(s) = H (s) = (s + 1) (s + 3) De tal manera que la funci on de transferencia del sistema realimentado es F (s) = K (s + 3) s2 + 4s + (3 + K ) (5.22)
Los polos de 5.22 estar an dados por p1,2 = 4 16 4(3 + K ) = 2 1 K 2 (5.23)
La tabla 5.3 muestra el valor de p1,2 para diversos valores positivos de K , seg un (5.23). La gura 5.15 muestra c omo var a la ubicaci on de los polos de (5.22): en rojo se muestra qu e sucede al variar K de 0 a es decir, lo que corresponde al root-locus; en azul se muestra el efecto de variar K de menos innito a cero, lo que corresponde al root-locus complementario. Determinaci on de la estabilidad Si nos referimos a la ecuaci on (5.5), encontramos que la condici on para los polos de F (s) ser a DG (s)DH (s) + KNG (s)NH (s) = 0 1 NG (s)NH (s) = DG (s)DH (s) K 101 G(s)H (s) = 1 K (5.24)
OSCAR G. DUARTE
K 8 3 0 0.75 1 2 5
p1 5 4 3 2.5 2 2 + j 2 + 2j
p2 1 0 1 1.5 2 2 j 2 2j
Tabla 5.3: Polos de la funci on de transferencia del ejemplo 5.8
Im(s) 2 1 Re(s) 5 4 3 2 1 1 1 2 2 3 4
Figura 5.15: Root-ocus (en rojo) y root-locus complementario (en azul) del ejemplo 5.8
102
Es importante hacer notar que la condici on expresada en (5.24) est a dada en t erminos de la ganancia de lazo abierto G(s)H (s) en lugar de la funci on de transferencia del sistema realimentado (5.5). Dado que G(s) es un complejo, (5.24) puede escribirse en t erminos de su magnitud y a ngulo: |G(s)H (s)| = 1 |K | arg[G(s)H (s)] = 180o 0o K>0 K<0 (5.25)
De acuerdo con (5.25), si un valor s0 forma parte del root-locus, entonces arg [G(s0 )H (s0 )] = 180o ; adem as, podemos saber cu al es el valor de K que hace que la rama del root-locus pase justamente por s0 , pues |K | = |G(s0 )1 H (s 0 )| ; como K es positiva (estamos suponiendo que s0 est a en el root-locus) entonces K = |G(s0 )1 H (s0 )| . Si por el contrario, s0 forma parte del root-locus complementario, entonces. arg [G(s0 )H (s0 )] = 0o ; el valor de K que hace que la rama del root-locus pase justamente por s0 , ser a tal que pues |K | = |G(s0 )1 H (s0 )| ; como K es negativa (estamos suponiendo que s0 est a en el root-locus complementario) entonces K = |G(s0 )1 . H (s0 )| Ejemplo 5.9 Si tomamos el ejemplo de la gura 5.15, podemos conocer cu al es el valor de K que hace que la rama del root-locus complementario que viene desde llegue a 0. Este valor ser a justamente: K= 1 1 = 3 = 1 |G(s0 )H (s0 )| (0+1)(0+3)
De esta manera, podemos concluir que para valores de K menores que 3 siempre habr a un polo en el semiplano derecho, y por lo tanto el sistema ser a inestable. Para valores K mayores que 3 todas las ramas del root-locus est an en el semiplano izquierdo, y por lo tanto el sistema ser a estable. Ejemplo 5.10 Sup ongase que en la gura 5.1 los valores de G(s) y H (s) son G(s) = 1 (s + 1)(s + 2) H (s) = 1 (s + 3) (5.26)
La gura 5.16 muestra los diagramas de Root-Locus y Root-Locus complementario para (5.26). N otese como una rama del root locus complementario (en azul) viene desde + por el eje real, y pasa del semiplano derecho al semiplano izquierdo. Esto signica que para valores de K muy negativos el sistema realimentado tiene un polo en el semiplano derecho y por lo tanto es inestable. Sin embargo, conforme K aumenta y se acerca a 0 el polo que origina la inestabilidad se desplaza a la izquierda, y en alg un momento pasa al semiplano izquierdo y por lo tanto el sistema realimentado deja de ser inestable. Para determinar cu al es el valor de K en el que sucede esta transici on, observamos que la rama cruza el eje imaginario justo en s = 0 + j 0. De acuerdo con 5.25 tenemos: 103
OSCAR G. DUARTE
Imag. axis 4
Evans root locus
0 + j 3.316
0 + j0
3
0 j 3.316
4 4 3 2 closedloop poles loci 1 0 1 2
Real axis
root locus open asymptotic loop poles directions open loop asymptotic poles directions root locus complementario
Figura 5.16: Diagramas de Root Locus para el ejemplo 5.10
104
|G(s)H (s)| =
1 1 1 = = |K | |(0 + j 0 + 1)(0 + j 0 + 2)(0 + j 0 + 3)| 6 |K | = 6
(5.27) (5.28)
La ecuaci on (5.28) establece cu al es el valor absoluto de K que hace que la rama del root-locus complementario pase del semiplano derecho al izquierdo. Como sabemos que se trata de valores negativos de K podemos establecer que para K < 6 el sistema realimentado es inestable, mientras que para 6 < K 0 es estable. Si observamos ahora el diagrama de root-locus (en rojo) observamos que existen dos ramas (sim etricas respecto al eje horizontal) que nacen en el semiplano izquierdo y pasan al semiplano derecho. Esto signica que para valores peque nos de K el sistema realimentado es estable, pero a partir de alg un valor positivo de K se torna en inestable. Las dos ramas cruzan el eje imaginario simultaneamente, asi que para determinar el momento en el que sucede la transici on basta con estudiar una de ellas. Tomemos por ejemplo la rama superior, que cruza el eje imaginario en 0 + j 3.316. El valor de K en el que esto sucede puede determinarse empleando 5.25: 1 1 1 = = |K | |(0 + j 3.316 + 1)(0 + j 3.316 + 2)(0 + j 3.316 + 3)| 60 |K | = 60
(5.29) (5.30)
Seg un la ecuaci on (5.30) para 0 K < 60 el sistema retroalimentado es estable, y para K > 60 es inestable. Combinando esta informaci on con la que se obtuvo al analizar el root-locus complementario puede concluirse que el sistema realimentado es estable si y s olo si K (6, 60) Reglas de construcci on de los diagramas La gura 5.15 ha sido construida a partir de la expresi on exacta de la ubicaci on de los polos, dada por (5.23). No obstante, podr a haberse empleado un m etodo diferente, ya que existen varias reglas constructivas, que permiten trazar manualmente el root-locus y el root-locus complementario de funciones de transferencia de orden superior, con un alto grado de precisi on. Estas reglas constructivas, algunas de las cuales se han resumido en la tabla 5.54 , se basan en la ecuaci on (5.5). En el ejemplo 5.11 se muestra c omo se emplean estas reglas. Ejemplo 5.11 Trazar el root-locus y el root-locus complementario de G(s)H (s) =
4n
s+1 s(s + 4)(s2 + 2s + 2)
= n umero de polos de G(s)H (s); m = n umero de ceros de G(s)H (s)
105
OSCAR G. DUARTE
Regla R1 : R2 : R3 : R4 : n umero de ramas Inicio de las ramas Fin de las ramas Intervalos del eje real N umero de ramas que van hacia (o vienen desde) Angulos de las rectas as ntotas Centroide de las rectas as ntotas
root-locus n Polos de G(s)H (s) (o en ) Ceros de G(s)H (s) (o en ) A la izquierda de un n umero impar de polos y ceros de G(s)H (s) |n m|
root-locus complementario n Ceros de G(s)H (s) (o en ) Polos de G(s)H (s) (o en ) A la izquierda de un n umero par de polos y ceros de G(s)H (s) |n m|
R5 :
R6 :
2i+1 o i = |n m| 180 0, 1, , |n m|
i =
2i o i = |n m| 180 0, 1, , |n m|
i =
R7 :
Pn
P polos de G(s)H (s) m ceros de G(s)H (s) |nm|
Tabla 5.5: Reglas de construcci on para el root-locus y el root-locus complementario
106
Para trazar el diagrama de root-locus, comenzamos por ubicar en el plano complejo los polos y ceros de G(s)H (s) (gura 5.17(a)). De acuerdo con la Regla R 4 , podemos denir qu e intervalos del eje real forman parte del root locus y cuales del root locus complementario (gura 5.17(b)). Las reglas R 2 y R3 nos permiten determinar si las ramas del eje real llegan o salen de los ceros y polos de G(s)H (s) (gura 5.17(c)) Seg un la regla R5 , deber an existir 4 1 = 3 ramas que van al innito en el root locus, y otras 3 ramas que vienen desde el innito en el root locus complementario. Estas ramas ser an as ntotas a unas rectas que cruzan el eje real en el centroide , que seg un la regla R7 ser a: = ((0) + (4) + (1 + j ) + (1 j ) (1) 5 = 41 3
Podemos calcular los angulos de esas rectas siguiendo la regla R 6 (gura 5.17(d)) i 0 1 2 RL i+1 o o 0 = 2 41 180 = 60 2i+1 o 1 = 41 180 = 180o i+1 o o 2 = 2 41 180 = 300 RLC i o o 0 = 42 1 180 = 0 2i o 1 = 41 180 = 120o i o o 2 = 42 1 180 = 240
Con esta informaci on podriamos trazar parte de las ramas que van o vienen al innito (gura 5.17(e)), pero ser a necesario emplear otras reglas, o programas de simulaci on, para obtener los diagramas completos (gura 5.17(f))
5.2.3.
Diagramas y criterio de Bode
El an alisis del lugar geom etrico de las ra ces permite establecer la ubicaci on de los polos de un sistema como el de la gura 5.1 conforme cambia el valor de K . Si estamos interesados en estudiar la estabilidad del sistema, debemos analizar los puntos en los cuales las ramas del root-locus y el root locus complementario cruzan el eje imaginario, pues es en ese punto en donde los polos pasan del semiplano izquierdo al derecho, o viceversa, y por lo tanto son los puntos en donde puede cambiar la estabilidad del sistema realimentado. Adem as, el root-locus es sim etrico respecto al eje horizontal, por lo cual basta con estudiar en qu e momento las ramas atraviesan una de las dos mitades del eje imaginario, generalmente la mitad positiva. Este hecho sugiere otra posibilidad de estudiar la estabilidad de los sistemas realimentados: En lugar de estudiar en d onde est an ubicadas las ramas del rootlocus en todo el plano complejo, centrar nuestra atenci on u nicamente en el eje imaginario positivo, y detectar cu ando es atravesado por alguna rama del rootlocus. Recordemos que de acuerdo con (5.25) los puntos del plano complejo que forman parte del root-locus son tales que al evaluar en ellos la funci on G(s)H (s) el a ngulo del n umero complejo resultante debe ser 180o o 0o . 107
OSCAR G. DUARTE
Im(s)
Im(s) Re(s)
Re(s)
(a) Primer paso
(b) Segundo paso
Im(s)
Im(s) Re(s)
Re(s)
(c) Tercer paso
(d) Cuarto paso
Im(s)
Im(s) Re(s)

Re(s)
(e) Quinto paso
(f) Sexto paso
Figura 5.17: Root-locus (en rojo) y root-locus complementario (en azul) del ejemplo 5.11
108
De acuerdo con lo anterior, los puntos en donde puede cambiar la estabilidad del sistema realimentado coincide con aquellos puntos j del eje imaginario en donde arg {G(j )H (j )} = 180o 0o (5.31)
El valor de |G(j )H (j )| puede leerse (en decibeles) en el diagrama de bode de magnitud, tal como se muestra en la gura 5.18. A partir de ese valor, y empleando (5.32) puede determinarse los valores de K para los cuales una rama del root-locus atraviesa el eje imaginario (Kc en la gura 5.18). M argenes de estabilidad
Para encontrar cu ales son los valores de que satisfacen (5.31) pueden trazarse los diagramas de bode 5 de G(s)H (s) y buscar gr acamente en el diagrama de fase cu ales son los puntos en donde el a ngulo de G(j )H (j ) vale 180o o 0o , tal como se muestra en la gura 5.186. Para determinar los valores de K en los cuales la rama del root-locus atraviesa el eje imaginario, puede emplearse nuevamente (5.25): 1 (5.32) |G(j )H (j )| = |K |
Las ecuaciones (5.31) y (5.32) establecen dos condiciones que deben cumplir los puntos j del plano complejo para formar parte del root-locus o del rootlocus complementario; una de las condiciones hace referencia a la gananacia de G(s)H (s) y la otra a su fase. La idea de los m argenes de estabilidad consiste en suponer que k = 1, y explorar qu e margen se tiene cuando se cumple una de esas condiciones: Margen de ganancia: El margen de ganancia consiste en el menor valor por el que se debe amplicar la ganancia de G(s)H (s) cuando se satisface la condici on (5.31), para que simult aneamente se cumpla la condici on (5.32). Para el caso en que K > 0, el margen de ganancia puede leerse (en decibeles) en los diagramas de bode como el valor negativo de la ganancia a la frecuencia en la que la fase es de 180o.
Para el caso en que K < 0, el margen de ganancia puede leerse (en decibeles) en los diagramas de bode como el valor negativo de la ganancia a la frecuencia en la que la fase es de 0o .
Margen de fase: El margen de fase consiste en el menor valor que se le debe sumar al a ngulo de G(s)H (s) cuando se satisface la condici on (5.32), para que simult aneamente se cumpla la condici on (5.31)
ap endice B un m etodo gr aco caido en desuso para calcular F (j ) a partir de G(j ) cuando K = H (s) = 1. Ese m etodo se basa en las cartas de Nichols, presentadas en el ap endice C
6 Existe 5 ver
109
OSCAR G. DUARTE
Diagrama de Bode de magnitud j root-locus: K > 0 K < 0

1 |Kc |
j 0o j 180o Diagrama de Bode de fase

Figura 5.18: Relaci on entre el root-locus y los diagramas de Bode
Para el caso en que K > 0, el margen de fase puede leerse en los diagramas de bode como 180o , donde es el a ngulo a la frecuencia en la que la ganancia es de 0db. Para el caso en que K < 0, el margen de fase puede leerse en los diagramas de bode como , donde es el a ngulo a la frecuencia en la que la ganancia es de 0db. Ejemplo 5.12 Sup ongase que en el sistema de la gura 5.1 los bloque G(s) y H (s) son: 1 1 H (s) = (5.33) G(s) = (s + 1)(s + 2) (s + 3) La gura 5.19 muestra los Diagramas de Bode de G(s)H (s). Seg un (5.31) los puntos en los cuales puede cambiar la estabilidad del sistema realimentado son aquellos en los que el angulo de G(j )H (j ) es 0o o es 180o. Al observar la gura 5.19 notamos que el angulo de G(j )H (j ) es 180 o para una frecuencia de 0.528Hz, es decir para = 2 0.528 = 3.316rad/s. En esa frecuencia el valor de la magnitud de G(j )H (j ) es de 35.56db, lo que signica que la magnitud de K , en decibeles, para la cual una rama del root-locus atraviesa el eje imaginario es tal que |K |1 = 35.56, lo que equivale a: en db
|K |en db 1 = 10 20 |K |
|K | = 10
|K |en db 20
|K | = 10
35.56 20
= 60
110
10 15.56db 30 35.56db 70 110 150 190 230 10

. 3
db
Magnitude
Hz
2 1 0 1 2 3
10
10
10
0.528Hz Phase
10
10
10
20 20 60 100 140 180o180 220 260 300 10

. 3
degrees
Hz
2 1 0 1 2 3
10
10
10
10
10
10
Figura 5.19: Diagramas de Bode para un ejemplo
111
OSCAR G. DUARTE
como K > 0 (hemos encontrado una rama del root locus) entonces K = 60. Tambi en debemos buscar los puntos para los cuales el angulo de G(j )H (j ) es 0o . En la gura 5.19 se observa que el diagrama de fase es asint otico a 0 o , es o decir, que para = 0 el angulo de G(j )H (j ) es 0 . El diagrama de magnitud de G(j )H (j ) es asint otico a 15.56db, lo que signica que la magnitud de K , en decibeles, para la cual una rama del Root-Locus complementario atraviesa el eje imaginario es tal que |K |1 = 15.56, lo que equivale a: en db
|K |en db 1 = 10 20 |K |
|K | = 10
|K |en db 20
|K | = 10
15.56 20
=6
como K < 0 (hemos encontrado una rama del root locus complementario) entonces K = 6. Hemos encontrado los valores de K para los cuales un polo cruza el eje imaginario, y han resultado ser 6 y 60. Esto signica que al variar K desde hasta , la estabilidad del sistema realimentado s olo puede cambiar en 6 y 60. En consecuencia, podemos denir tres intervalos para K en los cuales la estabilidad es constante; para conocer la estabilidad de cada intervalo basta con determinar la de uno de sus puntos: K (, 6): Seleccionamos K = 10 de tal manera que el denominador de (5.21) se convierte en s3 + 6s2 + 11s 4 Como el denominador tiene coecientes de signos diferentes al menos tiene una raiz en el semiplano derecho, y en consecuencia el sistema realimentado es inestable. K (6, 60): Seleccionamos K = 0 de tal manera que el denominador de (5.21) se convierte en s3 + 6s2 + 11s + 6 = (s + 1)(s + 2)(s + 3) Las raices del denominador son negativas (1, 2 y 3) , y en consecuencia el sistema realimentado es estable. K (60, ): Seleccionamos K = 100 de tal manera que el denominador de (5.21) se convierte en s3 + 6s2 + 11s + 106 cuyas raices son 6.71 y .36 j 3.96, es decir que tiene dos raices en el semiplano derecho y en consecuencia el sistema realimentado es inestable.
5.2.4.
Diagrama y criterio de Nyquist
Para poder presentar el criterio de Nyquist, es conveniente recordar antes el principio del argumento, que puede explicarse a partir de la metodolog a gr aca para calcular el valor de una funci on compleja racional. 112
c1
p1 p3
(s0 c1 )
s0
c1 s0
p2
c2
Figura 5.20: Determinaci on gr aca del valor de una funci on de transferencia racional
Determinaci on gr aca del valor de una funci on compleja racional Sup ongase una funci on compleja F (s) que puede escribirse como una raz on de polinomios: a0 + a 1 s1 + + a m sm (5.34) F (s) = b0 + b 1 s1 + + b n sn Al factorizar los polinomios, la ecuaci on (5.34) podr a escribirse como F (s) = A (s c1 )(s c2 ) (s cm ) (s p1 )(s p2 ) (s pn )
(5.35)
Si se quiere calcular el valor de F (s) para un valor espec co de s, digamos s0 , es decir, si se quiere calcular F (s0 ), basta con remplazar s por s0 : F (s0 ) = A (s0 c1 )(s0 c2 ) (s0 cm ) (s0 p1 )(s0 p2 ) (s0 pn ) (5.36)
Cada uno de los par entesis que aparecen en (5.36) puede determinarse de forma gr aca, tal como se explica a continuaci on: La gura 5.20 muestra el diagrama de polos y ceros de una funci on de transferencia F (s) hipot etica; en dicho diagrama se observa que el vector (s0 c1 ) corresponde al vector que va desde c1 hasta s0 . La magnitud y el a ngulo de dicho vector pueden medirse en la gr aca, y corresponder a al primero de los par entesis de (5.36). De forma similar podr a procederse con cada uno de los par entesis de (5.36), de tal manera que una forma de calcular la magnitud y el a ngulo de F (s0 ) ser a:
m
|F (s0 )| = |A|
Magnitudes de los vectores que van de ceros a s0 Magnitudes de los vectores que van de polos a s0 113
(5.37)
OSCAR G. DUARTE
Plano s
2 1

Plano F s0 F (s)
2 1 F (s0 )
1 1 2
1 1 2
Figura 5.21: Plano s y Plano F
m arg F (s0 ) = arg A + Angulos de los vectores que van de ceros a s0 n Angulos de los vectores que van de polos a s0 (5.38) siendo arg A = 0o si A > 0 o arg A = 180o si A < 0
Principio del argumento Para presentar el principio del argumento, supongamos inicialmente que la funci on F (s) a que se reere la ecuaci on (5.34) es F (s) = s + 1 (5.39)
es decir, tiene un u nico cero en s = 1 y no tiene polos. Supongamos tambi en que deseamos calcular F (s0 ), para s0 = 1 + j . La gura 5.21 muestra dos planos complejos: en el primero de ello se ha dibujado el diagrama de polos y ceros de (5.39); este plano lo denominaremos plano s. En el segundo plano se ha dibujado el resultado de calcular F (s0 ), y por eso lo denominaremos plano F. Para obtener F (s0 ) y poder gracarlo en el plano F se ha empleado el m etodo gr aco en el plano s, y el resultado se ha trasladado, tal como se se nala en la gura 5.21. Si ahora quisieramos calcular F (s) no en un u nico punto s0 sino en todos los puntos de una trayectoria cerrada del plano s, podriamos repetir el procedimiento anterior en cada uno de los puntos de la trayectoria. Las guras 5.22 y 5.23 muestran los resultados para dos trayectorias diferentes que se han recorrido en el sentido horario. En ambos casos se produce en el plano F otra trayectoria cerrada en sentido horario. 114
Plano s
Plano F
F (s) 1
1 1
Figura 5.22: Plano s y Plano F en una trayectoria cerrada que no encierra el cero
La principal diferencia entre las dos trayectorias seleccionadas es que la primera de ellas (gura 5.22) no encierra al cero de F (s) mientras que la segunda (gura 5.22) s lo hace. Como consecuencia de esto, en el primer caso la trayectoria cerrada que aparece en el plano F no encierra al origen, mientras que en el segundo s lo hace. Las guras 5.24 y 5.25 muestran cu al habr a sido el resultado si F (s) tuviera un polo en s = 1 en lugar de un cero, es decir si F (s) = 1/(s + 1). En el plano F aparecen trayectorias cerradas que s olo encierran al origen si la trayectoria del plano s encierra al polo. Sin embargo, debe resaltarse que el sentido de la trayectoria que encierra al origen es antihorario, lo que se explica observando que en la ecuaci on (5.38) el a ngulo de los vectores que van de polos a s 0 tiene signo negativo. Ahora bien, si la trayectoria hubiese encerrado varios ceros y varios polos, cada uno de estos ceros habr a contribuido en 5.36 con un t ermino que habr a variado 360o en sentido horario, mientras que cada polo lo har a con otro t ermino que habr a variado 360o en sentido antihorario. Otro detalle a tener en cuenta, es que si la trayectoria pasa por un polo de F (s), al calcularla en ese punto el resutado ser a , y por lo tanto la trayectoria generada en el plano F no necesariamente ser a cerrada. Estos hechos pueden consignarse en el principio del argumento, que se presenta a continuaci on: 115
OSCAR G. DUARTE
Plano s
Plano F
F (s) 1
1 2
Figura 5.23: Plano s y Plano F en una trayectoria cerrada que encierra el cero
Plano s
Plano F
2 1

F (s)
1 2
Figura 5.24: Plano s y Plano F en una trayectoria cerrada que no encierra el polo
116
Plano s
Plano F
F (s) 1
1 2
Figura 5.25: Plano s y Plano F en una trayectoria cerrada que encierra el polo
Principio del argumento Dada una funci on F (s), calculada en una trayectoria cerrada , que no pasa por ning un polo de F (s), recorrida en sentido horario, el resultado es tambi en una trayectoria cerrada que encierra al origen en sentido horario un n umero de veces : = n m n = N umero de ceros de F(s) encerrados por m = N umero de polos de F(s) encerrados por (5.40)
Trayectoria de Nyquist La trayectoria de Nyquist para un sistema continuo realimentado como el de la gura 5.1 es una curva cerrada que abarca todo el semiplano derecho, y que no contiene ning un polo de G(s)H (s). La gura 5.26 muestra la trayectoria de nyquist para el caso general. N otese que la trayectoria de Nyquist recorre todo el eje emaginario y regresa por una semicircunferencia de radio , abarcando todo el semiplano derecho. Para el caso especial en que G(s)H (s) tiene polos en el eje imaginario es necesario modicar la trayectoria, tal como se muestra en la gura 5.26, mediante peque nas semicircunferencias de radio arbitrariamente peque no Diagrama de Nyquist Para un sistema continuo como el de la gura 5.1, el diagrama de Nyquist es la trayectoria orientada que resulta de calcular G(s)H (s) a trav es de la tra117
OSCAR G. DUARTE
r=
Figura 5.26: Trayectoria de Nyquist para el caso general
r=
Figura 5.27: Trayectoria de Nyquist con polos en el eje imaginario
118
Plano s
r=
Plano GH G(s)H (s)
Figura 5.28: Diagrama de Nyquist
yectoria de Nyquist (ver gura 5.28). Criterio de Nyquist Para el sistema continuo realimentado de la gura 5.1, con K = 1 denamos la funci on R(s) = 1 + G(s)H (s) = 1 + NG (s) NH (s) = DG (s) DH (s) DG (s)DH (s) + NG (s)NH (s) DG (s)DH (s)
(5.41)
Si calculamos R(s) a lo largo de la trayectoria de Nyquist , el resultado es una curva . El criterio de Nyquist se deriva de aplicar el principio del argumento a esta curva. Aplicando (5.40) se tiene: N umero de veces N umero de ceros N umero de polos que encierra al = de R(s) encerrados de R(s) encerrados origen por por
(5.42)
La ecuaci on (5.42) puede escribirse de otra forma, si se tiene en cuenta que: La curva encierra todo el semiplano derecho Los polos de R(s) son los mismos polos de G(s)H (s), como se puede vericar en (5.41) Los ceros de R(s) son los mismos polos del sistema realimentado (con K = 1) como puede verse al comparar (5.41) con (5.5) 119
OSCAR G. DUARTE
Con estas consideraciones la ecuaci on (5.42) se convierte en N umero de polos N umero de veces N umero de polos de del sistema realique encierra al = G(s)H (s) en el sementado en el semiorigen miplano derecho plano derecho
(5.43)
es la curva que resulta de calcular R(s) a lo largo de la trayectoria de Nyquist , pero como R(s) = 1 + G(s)H (s), es igual al diagrama de Nyquist de G(s)H (s) desplazado a la derecha una unidad; de tal manera que evaluar cu antas veces encierra al origen es igual que evaluar cu antas veces encierra el diagrama de Nyquist de G(s)H (s) el punto (1, 0). Por esta raz on podemos convertir (5.43) en la forma conocida como el criterio de Nyquist: Criterio de Nyquist El n umero de polos en el semiplano derecho que tiene un sistema continuo realimentado como el de la gura 5.1 , con K = 1 puede determinarse a partir de la ecuaci on N umero de veces N umero de polos que el diagrama N umero de polos de del sistema realide Nyquist de = G(s)H (s) en el se- (5.44) mentado en el semiG(s)H (s) encierra miplano derecho plano derecho al punto (1, 0) Para que el sistema realimentado sea estable debe tener cero polos en el semiplano derecho. El criterio de Nyquist tambi en permite determinar qu e valores puede tener K en la gura 5.1, para que el sistema realimentado sea estable. Para ello debe notarse que el diagrama de Nyquist de kG(s)H (s) diere del diagrama de Nyquist de G(s)H (s) s olo en la escala, es decir tienen la misma forma, pero el primero est a amplicado respecto al segundo K veces. Observando el diagrama de Nyquist puede determinarse qu e tanto debe amplicarse G(s)H (s) para asegurar que no haya polos en el semiplano derecho. Para estudiar los valores negativos de K que har an que el sistema fuera estable, podr amos trazar el diagrama de Nyquist de G(s)H (s); sin embargo esto no es necesario, ya que ese diagrama s olo puede diferir del de G(s)H (s) en una rotaci on de 180o , por lo tanto es suciente con averiguar qu e tantas veces se encierra el punto (1, 0). Ejemplo 5.13 La gura 5.29 muestra el diagrama de Nyquist correspondiente a un sistema realimentado con G(s) = 1 (s + 1)(s + 2) 120 H (s) = 1 (s + 3) (5.45)
Nyquist plot Im(h(2i*pi*f)) 0.15
0.11 0.190 0.07
0.132
0.093 0.059
0.024 0.03 1000 0.01
1 60
1 6
0.05 0.229
0.034
0.09 0.151 0.103 0.13 0.05 0.01 0.03 0.07 0.11 0.15 0.068 Re(h(2i*pi*f))
0.19
Figura 5.29: Diagrama de Nyquist para el ejemplo 5.13
En esa gura se han destacado los puntos en los que el Diagrama de Nyquist cruza el eje real (1/60 y 1/6). El n umero de polos que G(s)H (s) tiene en el semiplano derecho es cero, de acuerdo con (5.45). De esta forma, el criterio de Nyquist, ecuaci on (5.44), establece que: N umero de polos del sistema realimenta0= 0 (5.46) do en el semiplano derecho y por lo tanto el sistema realimentado es estable para K = 1. Adem as, en el diagrama de Nyquist se observa que este se puede amplicar hasta 60 veces sin que cambie el n umero de veces que encierra al punto (1, 0), lo que signica que para 0 < k < 60 el sistema sigue siendo estable. Si se amplica por un valor superior a 60 el punto (1, 0) resulta encerrado dos veces por el diagrama, y por lo tanto el sistema realimentado tendr a dos polos en el semiplano derecho, es decir, ser a inestable. Evaluamos ahora la estabilidad para valores negativos de K Remiti endonos nuevamente a la gura 5.29, observamos que podemos amplicar 6 veces el diagrama sin que cambie el n umero de veces que encierra al punto (1, 0), lo que signica que para 6 > K > 0 el sistema sigue siendo estable. Si se amplica por un valor mayor a 6 el punto (1, 0) resulta encerrado una vez por el diagrama, y por lo tanto el sistema realimentado tendr a un polo en el semiplano derecho, es decir, ser a inestable. En resumen, el sistema ser a estable para K (6, 60). 121
OSCAR G. DUARTE
5.3.
Estabilidad y criterios de estabilidad en sistemas discretos
Por razones an alogas a las expresedas en la secci on 5.2, la estabilidad de sistemas din amicos lineales discretos tambi en est a determinada por la ubicaci on de sus polos. La condici on de estabilidad consiste en que estos deben estar ubicados en el interior del c rculo unitario. Debido a que esta condici on es diferente a la que existe para los sistemas continuos, las herramientas presentadas en la secci on 5.2 no pueden emplearse directamente, sino que es necesario efectuar alg un tipo de adecuaci on. Existen en general tres estrategias: Adecuar el sistema discreto para que parezca un sistema continuo. Este es el caso de la transformaci on bilineal que se explica en la secci on 5.3.1. Dise nar estrategias espec cas para sistemas discretos. El criterio de Jury que se presenta en la secci on 5.3.2 corresponde a este caso. Adecuar las estrategias de an alisis para que funcionen con sistemas discretos. Las secciones 5.3.3, 5.3.4 y 5.3.5 explican como adecuar las estrategias de root-locus, Bode y Nyquist, respectivamente (ver secci on5.2), para aplicarlas en el caso discreto.
5.3.1.
Transformaci on bilineal
r=
z+1 (5.47) z1 Se conoce como la transformaci on bilineal, ya que al despejar r en (5.47) resulta una expresi on similar: r+1 z= (5.48) r1 La transformaci on bilineal tiene la propiedad de transformar la circunferencia unitaria en el eje imaginario. Para demostrarlo, supongamos un valor de z que est a en la circunferencia unitaria, es decir z = cos + j sin para alg un valor de . Al aplicar (5.47) observamos que z se transforma en r= que puede escribirse como r= 1 + cos + j sin (1 + cos + j sin ) (1 + cos j sin ) = 1 + cos + j sin (1 + cos + j sin ) (1 + cos j sin ) sin j 2 sin =j 2 2 cos cos 1 122 cos + j sin + 1 cos + j sin 1
La transformaci on
Al efectuar las operaciones se obtiene que r es un imaginario puro: r= (5.49)
5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS
z 1 + j0 0.707 + j 0.707 0 + j1 0.707 + j 0.707 1 + j 0 0.707 j 0.707 0 j1 0.707 j 0.707
r indenido 0 j 2.4142 0 j1 0 j 0.4142 0 + j0 0 + j 0.4142 0 + j1 0 + j 2.4142
Tabla 5.6: Transformaci on bilineal de algunos puntos sobre la circunferencia unitaria
Plano z
2 1

Plano r r=
z +1 z 1
2 1

1 2
Figura 5.30: Transformaci on Bilineal
La tabla 5.6 muestra c omo se transforman algunos puntos sobre la circunferenca unitaria. Esta transformaci on se visualiza en la gura 5.30. Ejemplo 5.14 Sup ongase que en el sistema de la gura 5.2 se tiene que G(z ) = 1 z + 0.3 H (z ) = 1 z + 0.7 (5.50)
La funci on de transferencia del sistema realimentado es F (z ) = KG(z ) K (z + 0.7) = 2 1 + KG(z )H (z ) z + z + (K + 0.21) (5.51)
Al aplicar la transformaci on bilineal a F (z ) se obtiene (r) = F

r +1 r 1
K
2
r +1 r 1 r +1 r 1
+ 0.7 = + (K + 0.21) 123 r2 (2.21
K (r2 1.4r 0.3) + K ) + r(1.58 2K ) + 0.21
OSCAR G. DUARTE
r2 r1 r0
(2.21 + K ) (1.58 2K ) (0.21 + K )
(0.21 + K )
Figura 5.31: Arreglo de Routh para el sistema transformado
Los valores de K que hacen que todas las ra ces de F (z ) est en dentro del c rculo (r ) unitario en el plano z son los mismos valores que hacen que todas las ra ces de F est en en el semiplano izquierdo del plano r. Estos u ltimos pueden determinarse por medio del criterio de Routh Hurwitz. El arreglo correspondiente se muestra en la gura 5.31 de donde se deduce que las condiciones para que el sistema del ejemplo sea estable son: 2.21 + K > 0 O lo que es equivalente: 0.21 < K < 0.79 (5.53) 1.58 2K > 0 0.21 + K > 0 (5.52)
5.3.2.
Arreglo y criterio de Jury
El criterio de Jury 7 permite determinar cu antas ra ces tiene un polinomio en el interior del c rculo unitario. Cumple, para el caso discreto, un papel an alogo al que cumple el criterio de Routh-Hurwitz en el caso continuo. Construcci on del arreglo de Jury Dado un polinomio p(z ) p(z ) = an sn + an1 sn1 + + a2 s2 + a1 s1 + a0 (5.54)
en donde los coecientes ai son reales y an es positivo, es posible construir el Arreglo de Jury de p(z ) a partir de los coecientes ai que aparecen en (5.54). Para ello, inicialmente se construye el arreglo que se muestra en la gura 5.32: la primera l nea contiene los coecientes de p(z ) en orden, desde a0 hasta an , y en la segunda l nea en orden inverso. En general, cada l nea par contiene los mismos coecientes que la l nea inmediatamente anterior pero en el orden inverso. Los elementos de las l neas impares se construyen asi: a0 an b0 ank ck = bn1 ak c0 bn1k dk = cn2 bk cn2k ck
bk =
(5.55)
Es decir, el primer elemento de una la impar se calcula como el determinate de la matriz construida tomando de las dos l neas inmediatamente anteriores la
7 Existen
versiones diferentes del criterio de Jury a las presentadas en estas notas
124
Fila 1 2 3 4 5 6 . . . 2n 5 2n 4 2n 3
z0 a0 an b0 bn1 c0 cn2 . . . p0 p3 q0
z1 a1 an1 b1 bn2 c1 cn3 . . . p1 p2 q1
z2 a2 an2 b2 bn3 c2 cn4 . . . p2 p1 q2
p3 p0
z nk ank ak bnk bk1 cnk ck2
z n2 an2 a2 bn2 b1 cn2 c0
z n1 an1 a1 bn1 b0
zn an a0
Figura 5.32: Arreglo de Jury. Primeras dos l neas
primera y la u ltima columna; el segundo elemento de forma similar pero con la primera y la pen ultima columnas; el tercero con la primera y la antepen ultima, y asi sucesivamente. Dado que el u ltimo elemento ser a el determinante de la matriz formada con dos columnas iguales (la primera dos veces), este valor ser a siempre cero, y por tanto no se escribe en el arreglo (se ha eliminado). Ejemplo 5.15 Consid erese el polinomio p(z ) = 1 + 2z + 3z 2 + 4z 3 + 5z 5 (5.56)
Las primeras dos l neas del arreglo de Jury para p(z ) se muestran en la gura 5.33. S olo es necesario construir 5 l neas, porque n = 4 y 2n 3 = 5. La tercera l nea se construye asi: b0 = 1 5 = 24 5 1 1 3 = 12 5 3 b1 = 1 4 = 18 5 2 1 2 = 6 5 4
b2 =
b3 =
El arreglo con las cuatro primeras l neas su muestra en la gura 5.34.La quinta l nea se construye asi: c0 = 24 6 = 504 6 24 c2 = c1 = 24 12 = 360 6 18
24 18 = 180 6 12
Criterio de Jury El Criterio de Jury puede expresarse asi: 125
OSCAR G. DUARTE
Fila 1 2 3 4 5
z0 1 5 b0 b3 c0
z1 2 4 b1 b2 c1
z2 3 3 b2 b1 c2
z3 4 2 b3 b0
z4 5 1
Figura 5.33: Arreglo de Jury del ejemplo 5.15. Primeras dos l neas
Fila 1 2 3 4 5
z0 1 5 24 6 c0
z1 2 4 18 12 c1
z2 3 3 12 18 c2
z3 4 2 6 24
z4 5 1
Figura 5.34: Arreglo de Jury del ejemplo 5.15. Primeras cuatro l neas
Fila 1 2 3 4 5
z0 1 5 24 6 504
z1 2 4 18 12 360
z2 3 3 12 18 180
z3 4 2 6 24
z4 5 1
Figura 5.35: Arreglo de Jury del ejemplo 5.15. Arreglo completo
126
Criterio de Jury Las condiciones necesarias y sucientes para que p(z ) en (5.54) tenga todas sus ra ces en el interior del c rculo unitario del plano z son: p(1) > 0 p(1) |a0 | < |b0 | > |c0 | > . . . |q0 | > >0 si n es par < 0 si n es impar an |bn1 | |cn2 | n 1 condiciones |q2 | (5.57a) (5.57b)
(5.57c)
N otese que este criterio se reduce a unas condiciones muy simples para el caso de polinomios de segundo orden (n = 2): p(1) > 0 p(1) > 0 |a0 | < a2 (5.58a) (5.58b) (5.58c)
Ejemplo 5.16 Sup ongase el polinomio p(z ) de la ecuaci on (5.56) en el Ejemplo 5.15, cuyo arreglo de Jury se muestra en la gura 5.35. Las condiciones (5.57) se convierten en: p(1) = 1 + 2(1)1 + 3(1)2 + 4(1)3 + 5(1)4 = 15 > 0 p(1) = 1 + 2(1)1 + 3(1)2 + 4(1)3 + 5(1)4 = 3 > 0 1 = |a0 | < a4 = 5 24 = |b0 | > |b3 | = 6 504 = |c0 | > |c2 | = 180 (5.59a) (5.59b) (5.59c)
Por lo que p(z ) tiene todas su ra ces en el interior del c rculo unitario. Efectivamente, las ra ces de p(z ) son: r12 = 0.1378 i0.6782 |r12 | = 0.692 < 1 r3,4 = 0.5378 i0.3583 |r3,4 | = 0.646 < 1
Ejemplo 5.17 Sup ongase ahora un sistema como el del ejemplo 5.14, es decir un sistema realimentado como el de la gura 5.2 con G(z ) = 1 z + 0.3 127 H (z ) = 1 z + 0.7 (5.60)
OSCAR G. DUARTE
La funci on de transferencia del sistema realimentado es F (z ) = K (z + 0.7) KG(z ) = 2 1 + KG(z )H (z ) z + z + (K + 0.21) (5.61)
Para que el denominador de F (z ) tenga todas sus ra ces en el c rculo unitario, y por tanto el sistema realimentado sea estable, se deben satisfacer (5.57); como el denominador es de segundo orden, estas condiciones se convierten en las que muestra (5.58), es decir: p(1) = 1 + 1 + (0.21 + K ) > 0 p(1) = 1 1 + (0.21 + K ) > 0 |0.21 + K | = |a0 | < a2 = 1 Estas condiciones se convierten en K > 2.21 K > 0.21 1.21 < K < 0.79 o lo que es equivalente: 0.21 < K < 0.79 que coincide con lo obtenido en (5.53) Problemas en la construcci on del arreglo de Jury Es posible que algunos o todos los elementos de una la en el arreglo de Jury sean cero, en cuyo caso se considera que el arreglo ha terminado de forma prematura. La soluci on ha este inconveniente se considera fuera del alcance del curso y por lo tanto se ha omitido en estas notasfootnotev ease [22]. (5.64) (5.63a) (5.63b) (5.63c) (5.62a) (5.62b) (5.62c)
5.3.3.
Lugar geom etrico de las ra ces
El root-locus y el root-locus complementario muestran c omo var a la ubicaci on de los polos de la ecuaci on (5.5) al variar K . Como la forma de (5.5) y la de (5.6) son id enticas, pueden emplearse estos diagramas en forma an aloga a como se emplean en el caso continuo para determinar la estabilidad de un sistema discreto realimentado como el de la gura 5.2: deben encontrarse las condiciones para que todas las ramas del root-locus y el root-locus complementario est en en el interior del c rculo unitario. Ejemplo 5.18 Tomemos el mismo sistema analizado en los ejemplos 5.14 y 5.17. Se trata de un sistema realimentado como el de la gura 5.2 con G(z ) = 1 z + 0.3 128 H (z ) = 1 z + 0.7 (5.65)
El root-locus y el root-locus complementario de G(z )H (z ) se muestra en la gura 5.36. Se ha dibujado all tambi en el c rculo unitario, para facilitar la determinaci on de la estabilidad. El root-locus cruza el circulo unitario en 0.5 j 1 0.52 = 0.5 j 0.86, Estos puntos corresponden a una ganancia Kc1 positiva tal que Kc1 = 1 = 0.79 (0.5 + j 0.86 + 0.3)(0.5 + j 0.86 + 0.7) (5.66)
El root-locus complementario cruza el c rculo unitario en 1 y en 1.Estos puntos corresponden a unas ganancias Kc2 y Kc3 negativa tales que Kc2 = 1 = 0.21 (1 + 0.3)(1 + 0.7) 1 = 2.21 (1 + 0.3)(1 + 0.7) (5.67)
Kc3 =
(5.68)
De las ecuaciones (5.66), (5.67) y (5.68) se desprenden las condiciones para que el root-locus y el root locus complementario est en en el interior del c rculo unitario: Para el root-locus se necesita que K < 0.79 y para el root-locus complementario que K > 0.21 y K > 2.21. Estas condiciones se pueden resumir en una s ola 0.21 < K < 0.79 que coincide con las encontradas en (5.53) y (5.64) (5.69)
5.3.4.
Diagramas y criterio de Bode
En la secci on 5.2.3 se muestra c omo pueden emplearse los Diagramas de Bode para estudiar la estabilidad de sistemas realimentados cont nus como los de la gura 5.1. La gura 5.18 muestra la relaci on entre el cruce por el eje real de las ramas del root-locus y el root-locus complementario con los diagramas de bode de G(s)H (s). Para estudiar la estabilidad de los sistemas discretos ya no es importante el cruce por el eje imaginario, sino el cruce por la circunferencia unitaria. Por esta raz on, los diagramas de |G(j )H (j )| y arg G(j )H (j ) ya no son u tiles. Dicho de otra forma, ya no es interesante recorrer el eje imaginario j , sino la circunferencia unitaria. Esta u ltima se puede recorrer con la funci on ej , variando entre 0 y 2 . En efecto, podemos emplear la F ormula de Euler para escribir ej = cos + j sin (5.70)
La ecuaci on (5.70) muestra que ej es un n umero complejo de magnitud 1 y a ngulo , por lo tanto, si var a entre 0 y 2 se recorre la circunferencia unitaria. 129
OSCAR G. DUARTE
Im(z ) 1.5 1.0
1.5 1.0 0.5
0.5 1.0 1.5
0.5
Re(z ) 0.5 1.0 1.5
Figura 5.36: root-locus (en rojo) y root-locus complementario (en azul) para el ejemplo 5.18
Al igual que en el caso continuo, podemos argumentar la simetr a del rootlocus para recorrer unicamente la mitad de la circunferencia, es decir, tomar 0 . En resumen, podemos trazar los diagramas de magnitud y a ngulo para 1 . G(ej )H (ej ) con 0 , o lo que es igual, para G(jf )H (jf ) con 0 < f < 2 Estos son los diagramas de bode para sistemas discretos y emplean las mismas escalas que los diagramas de bode para sistemas continuos. La relaci on que existe entre los diagramas de root-locus y root-locus complementario, por una parte, y los diagramas de bode, por otra, para sistemas discretos se muestra en la gura 5.37. De esta forma, la determinaci on de la estabilidad de sistemas realimentados discretos es completamente an aloga al caso continuo, y se ilustra con el ejemplo 5.19 Ejemplo 5.19 Retomemos el mismo sistema analizado en los ejemplos 5.14, 5.17 y 5.18. Se trata de un sistema realimentado como el de la gura 5.2 con G(z ) = 1 z + 0.3 H (z ) = 1 z + 0.7 (5.71)
Los diagramas de bode de G(z )H (z ) se muestran en la gura 5.38 (N otese que 1 f var a de 0 a 2 ). Se observa que el angulo de G(ej )H (ej ) es 180o para una frecuencia de 0.3338Hz, es decir para = 2 0.3338 = 2.094rad/s. En esa frecuencia el valor 130
Diagrama de Bode de magnitud ej root-locus: K > 0 K < 0

ej ej 1 |Kc |
0o
ej
e
j
180o Diagrama de Bode de fase

Figura 5.37: Relaci on entre el root-locus y los diagramas de Bode para el caso discreto
de la magnitud de G(ej )H (ej ) es de 2.04db, lo que signica que la magnitud de K , en decibeles, para la cual una rama del Root-Locus atraviesa la circunferencia 1 unitaria es tal que |Kc1 |en db = 2.04, lo que equivale a:
|Kc1 |en db 1 = 10 20 |Kc1 |
|Kc1 | = 10 = 0.79
|Kc1 |en db 20
|Kc1 | = 10
2.04 20
Kc1 = 0.79
(5.72)
Para estudiar los cruces por la circunferencia unitaria de ramas del root-locus complementario, observamos que el diagrama de fase es asint otico a 0 o , es decir j j o que para = 0 el angulo de G(e )H (e ) es 0 . Tambi en se observa que para una frecuencia de 1 angulo es de 360o, que es igual a 0o . 2 Hz, es decir = el Lo anterior signica que dos ramas del root locus complementario cruzan la circunferencia unitaria en Kc2 y Kc3 que se pueden calcular como: |Kc2 | = 10 |Kc3 | = 10
6.89 20
= 2.21 = 0.21
.555 1320
Kc2 = 2.21 Kc3 = 0.21
(5.73) (5.74)
Los resultados de las ecuaciones (5.72) a (5.74) son coherentes con los obtenidos en (5.53), (5.64) y (5.69).
131
OSCAR G. DUARTE
17
13.555db 13
db
Magnitude
9 5
2.04db
1 3
6.89db 7 .
Hz
2 1 0
10
10 Phase
10
0.3338Hz
10
0 40 80 120 160 180o 200 240 280 320 360 10

. 3
degrees
Hz
2 1 0
10
10
10
Figura 5.38: Diagramas de Bode para el ejemplo 5.19
132
Figura 5.39: Trayectoria de Nyquist para el caso discreto general
5.3.5.
Diagrama y criterio de Nyquist
El criterio de Nyquist para sistemas realimentados continuos de la ecuaci on (5.44) se construye empleando las trayectorias de Nyquist que se muestran en las guras 5.26 y 5.27. Estas trayectorias han sido dise nadas en forma tal que encierran todo el semiplano derecho y asi poder emplear el principio del argumento (ecuaci on (5.40)) en forma conveniente. Para sistemas discretos realimentados como los de la gura 5.2 es necesario modicar la trayectoria de Nyquist para que encierre toda la porci on del plano complejo que est a por fuera del c rculo unitario. La trayectoria seleccionada se muestra en la gura 5.39; en caso de que G(z )H (z ) tenga polos exactamente sobre la circunferencia unitaria, es necesario modicar la trayectoria como se muestra en la gura 5.40. Denominaremos al diagrama obtenido con estas trayectorias Diagrama de Nyquist para sistemas discretos, o simplemente Diagrama de Nyquist discreto. En estas condiciones, el Criterio de Nyquist para sistemas discretos puede enunciarse asi: 133
OSCAR G. DUARTE
Figura 5.40: Trayectoria de Nyquist para el caso discreto con polos en la circunferencia unitaria
Criterio de Nyquist para sistemas discretos El n umero de polos por fuera del c rculo unitario que tiene un sistema discreto realimentado como el de la gura 5.2 , con K = 1 puede determinarse a partir de la ecuaci on N umero de veces umero de polos que el diagrama de N N umero de polos de del sistema realiNyquist discreto de = G(z )H (z ) por fuera (5.75) G(z )H (z ) encierra mentado por fuera del c rculo unitario del c rculo unitario al punto (1, 0) Para que el sistema realimentado sea estable debe tener cero polos por fuera del c rculo unitario. Ejemplo 5.20 Retomemos el mismo sistema analizado en los ejemplos 5.14, 5.17, 5.18 y 5.19. Se trata de un sistema realimentado como el de la gura 5.2 con G(z ) = 1 z + 0.3 H (z ) = 1 z + 0.7 (5.76)
El diagrama de Nyquist de G(z )H (z ) se muestra en la gura 5.41; puede observarse que el diagrama de Nyquist encierra una vez el punto (1, 0). Adem as, G(z )H (z ) tiene cero polos por fuera del c rculo unitario. Seg un (5.75) se tiene que 134
N umero de polos del sistema realimenta1= 0 (5.77) do por fuera del c rculo unitario y por lo tanto el sistema realimentado con K = 1 es inestable. Sin embargo el n umero de veces que se encierra el punto (1, 0) puede ser 0 si el diagrama se amplica por un valor positivo menor que 0.79. En estas condiciones el sistema realimentado ser a estable. Por lo tanto, para que el sistema realimentado sea estable con valores positivos de K , se necesita que 0 < K < 0.79 Para estudiar los valores negativos de K que har an que el sistema fuera estable, podr amos trazar el diagrama de Nyquist de G(z )H (z ); sin embargo esto no es necesario, ya que ese diagrama s olo puede diferir del de G(z )H (z ) en una rotaci on de 180o , por lo tanto es suciente con averiguar qu e tantas veces se encierra el punto (1, 0). En la gura 5.41 se observa que el n umero de veces que el diagrama de Nyquist puede encerrar al punto (1, 0) es 0, 1 o 2 en las siguientes condiciones: Si se amplica por una cantidad menor que 0.21 lo encierra 0 veces. Si se amplica por una cantidad mayor que 0.21 y menor que 2.21 lo encierra 1 vez. Si se amplica por una cantidad mayor que 2.21 lo encierra 2 veces. Por lo tanto, para que el sistema realimentado sea estable con valores negativos de K , se necesita que 0.21 < K < 0 Al combinar los resultados obtenidos para valores positivos y negativos de K se tiene que 0.21 < K < 0.79 (5.78) que coincide con (5.53), (5.64), (5.69) y (5.72).
135
OSCAR G. DUARTE
Nyquist plot Im(h(exp(2i*pi*f*dt))) 4 0.451 3 0.479 2 0.466
0.4
1 0.135 0 0.5
0.1 79
0.388
1 2.21
1 0.21
0.488
2 0.425 3 0.447 0.463 0.476 Re(h(exp( 2i*pi*f*dt)))
4 2 1 0 1 2 3 4 5
Figura 5.41: Diagrama de Nyquist para el ejemplo 5.20
136
Cap tulo 6 Representacio n en variables de estado
6.1.
Introducci on
En los cap tulos anteriores se han presentado distintas estrategias para modelar el comportamiento de sistemas din amicos continuos y discretos, entre ellas: Ecuaciones diferenciales o de diferencia Funciones de transferencia Respuestas al impulso Diagramas de bloque Diagramas de ujo de se nal En este cap tulo se estudia una nueva alternativa que emplea un conjunto de variables denominadas variables de estado. Puede pensarse que estas son tan s olo variables matem aticas auxiliares, aunque en ocasiones tienen un sentido f sico. Algunas de las ventajas que se obtienen con esta nueva representaci on son las siguientes: La representaci on de sistemas de m ultiples entradas y m ultiples salidas es m as sencilla. Toda la din amica del sistema se representa por ecuaciones diferenciales o de diferencia de primer orden. 137
OSCAR G. DUARTE
u1 (t) u2 (t) up (t) . . .
Sistema Din amico
y1 (t) y2 (t) . . . yq (t)
Figura 6.1: Sistema Continuo de m ultiples entradas y m ultiples salidas
u1 (k ) u2 (k ) up (k ) . . .
Sistema Din amico
y1 (k ) y2 (k ) . . . yq (k )
Figura 6.2: Sistema Discreto de m ultiples entradas y m ultiples salidas
Permite el desarrollo de m etodos computacionales m as ecientes para la simulaci on de sistemas din amicos. Brinda una nueva perspectiva sobre la din amica de los sistemas. Algunas de las t ecnicas de control moderno (como el control robusto) se basan en este tipo de representaci on. Vale la pena aclarar que si bien las ecuaciones que se emplean son de primer orden, estas operan sobre vectores. Reri endonos a las guras 6.1 y 6.2, si se trata de un sistema continuo ser an: x (t) =f (x(t), u(t), t) y(t) =g(x(t), u(t), t) y si se trata de un sistema discreto ser an: x(k + 1) =f (x(k ), u(k ), k ) y(k ) =g(x(k ), u(k ), k ) (6.2) (6.1)
En las ecuaciones (6.1) y (6.2) u es un vector que contiene cada una de las p entradas al sistema, y es un vector que contiene cada una de las q salidas del sistema, x es un vector que contiene cada una de las n variables de estado del 138
6.1. INTRODUCCION
sistema, es decir: u1 u2 u= . . . up y1 y2 y=. . . yq x1 x2 x= . . . xn
(6.3)
n1
p1
q 1
Las ecuaciones vectoriales (6.1) y (6.2) son en realidad un conjunto de ecuaciones. Por ejemplo, las ecuaciones (6.1) corresponden a algo de la forma: x 1 (t) = f1 (t) (x1 (t), x2 (t), , xn (t), u1 (t), u2 (t), , up (t), t) x 2 (t) = f2 (t) (x1 (t), x2 (t), , xn (t), u1 (t), u2 (t), , up (t), t) . . . x n (t) = fn (t) (x1 (t), x2 (t), , xn (t), u1 (t), u2 (t), , up (t), t) y 1 (t) = g1 (t) (x1 (t), x2 (t), , xn (t), u1 (t), u2 (t), , up (t), t) y 1 (t) = g2 (t) (x1 (t), x2 (t), , xn (t), u1 (t), u2 (t), , up (t), t) . . . y q (t) = gq (t) (x1 (t), x2 (t), , xn (t), u1 (t), u2 (t), , up (t), t) En general, estudiaremos sistemas din amicos lineales invariantes en el tiempo, de m ultiples entradas y m ultiples salidas. Si el sistema es continuo, como el de la gura 6.1 su modelo corresponder a a las ecuaciones Matriciales x (t) = Ax(t) + Bu(t) y(t) = Cx(t) + Du(t)
(6.4)
Si el sistema es discreto, como el de la gura 6.2 su modelo corresponder aa las ecuaciones matriciales x(k + 1) = Ax(k ) + Bu(k ) y(k ) = Cx(k ) + Du(k ) (6.5)
En las ecuaciones (6.4) y (6.5) A, B, C y D son matrices de tama no adecuado: x (t)n1 = Ann x(t)n1 + Bnp u(t)p1 y(t)q1 = Cqn x(t)n1 + Dqp u(t)p1 x(k + 1)n1 = Ann x(k )n1 + Bnp u(k )p1 y(k )q1 = Cqn x(k )n1 + Dqp u(k )p1 (6.6)
(6.7)
Para encontrar la soluci on de las ecuaciones (6.4) y (6.5) y efectuar su an alisis, pero sobre todo para buscarle un signicado a las variables de estado, se emplean algunos conceptos de Algebra Lineal. Con el prop osito de recordar esos conceptos, se presenta en la secci on 6.2 los resultados necesarios m as importantes. Una presentaci on formal de estos se encuentra en el ap endice D, de donde se han extraido algunos apartes y ejemplos. 139
OSCAR G. DUARTE
6.2.
6.2.1.
Algunos resultados de algebra lineal

Espacios vectoriales
Sea un conjunto y F : (, , ) un campo (usualmente F se trata de R o C con las operaciones usuales de suma y multiplicaci on). A los elementos de se les denomina Vectores, y a los elementos de Escalares. tiene estructura de Espacio Vectorial sobre F si est a dotado de una operaci on binaria + (suma vectorial) y una operaci on entre elementos de y (Producto por escalar) que cumplen las siguientes propiedades: Para la suma vectorial V.1 Clausurativa: x, y x + y V.2 Asociativa: x, y, z (x + y ) + z = x + (y + z ) V.3 Modulativa: 0 | x x + 0 = x V.4 Invertiva: x (x) | x + (x) = 0 V.5 Conmutativa: x, y x + y = y + x Para el producto por escalar V.6 Clausurativa: x , x V.7 Asociativa: x , , ( ) x = ( x) V.8 Modulativa: x , 1 x = x. 1 es el m odulo de V.9 Anulativa: x , 0 x = 0. Donde 0 es el m odulo de , y 0 es el m odulo de + Para las dos operaciones V.10 Distributiva respecto a +: x, y , (x+y ) = ( x)+( y ) V.11 Distributiva respecto a : x , , ( )x = (x)+( x) Ejemplo 6.1 Uno de los espacios vectoriales m as conocidos, y que servir a para futuros ejemplos en este cap tulo es el formado por R 2 sobre el campo R con las operaciones usuales. En general, Cn sobre el campo C con las operaciones usuales forma un espacio vectorial. Ejemplo 6.2 El conjunto de todos los polinomios sobre el campo R con las operaciones usuales entre polinomios forma un espacio vectorial. Ejemplo 6.3 El conjunto de todas las funciones continuas a trozos sobre el campo C con la operaci on + denida como la suma punto a punto forma un espacio vectorial. 140
6.2. ALGUNOS RESULTADOS DE ALGEBRA LINEAL
Ejemplo 6.4 El conjunto de todas las matrices de tama no jo m n sobre el campo C con las operaciones usuales entre matrices forma un espacio vectorial. Los siguientes son algunos conceptos asociados a los espacios vectoriales: Subespacio: Es un espacio vectorial contenido dentro de otro espacio vectorial, por ejemplo una recta que cruce por el origen dentro del plano. Combinaci on lineal: Es una expresi on de la forma
n
1 x1 + 2 x2 + + n xn =
i xi
i=1
en donde los i son escalares y los xi son vectores Independencia lineal: Un conjunto de vectores es lineamente independiente si la u nica combinaci on lineal de ellos cuyo resultado es 0 es la que tiene todos los coecientes iguales a 0. Conjunto generado: Es el conjunto de todas las posibles combinaciones lineales de los vectores de un cierto conjunto, al que se denomina conjunto generador. Dimensi on: Es el m aximo n umero de vectores linealmente independientes que puede haber en un espacio vectorial. Base: Es cualquier conjunto de vectores linealmente independiente que adem as genera el espacio vectorial. En R2 la base est andar est a formada por los vectores (1, 0) y (0, 1) Coordenadas de un vector: Un vector x de un espacio vectorial puede escribirse como una u nica combinaci on lineal de su base B = {b1 , b2 , , bn }: x = 1 b1 + 2 b2 + + n bn Los coecientes i de esa combinaci on lineal son las coordenadas de x en la base B . Cambios de base: Un mismo vector tendr a diferentes coordenadas en dos bases diferentes. Sean A = {a1 , a2 , , an } y B = {b1 , b2 , , bn } dos bases del mismo espacio vectorial V de dimensi on n. Denimos las matrices A y B como las matrices que tienen en sus columnas cada uno de los elementos de las bases A y B respectivamente: A = a1 B = b1 a2 b2 an bn
141
OSCAR G. DUARTE
Un vector x tendra coordenadas i en la base A y i en la base B . Denimos los vectores columna y que contienen las coordenadas: 1 1 2 2 = . = . . . . . n n Las expresiones que permiten encontrar las coordenadas de x en una base a partir de sus coordenadas en la otra son las siguientes: A = B = A1 B = B1 A (6.8)
En caso de que A sea la base est andar, la matriz A resulta ser la matriz identidad de orden n y (6.8) se convierte en = B = B1 (6.9)
Transformaciones lineales: Dado un espacio vectorial V de dimensi on n, entenderemos por transformaci on lineal, en el contexto de este cap tulo, una funci on V V que puede representarse por una matriz cuadrada A de dimensi on n n: y = Ax En otras palabras, una transformaci on lineal toma un vector x V y produce un vector y V mediante la operaci on y = Ax. Transformaciones y cambios de base: Sea T una transformaci on lineal, que en la base est andar se representa por la matriz T . La misma transformaci on se representar a en otra base B = {b1 , b2 , , bn } por T = B1 T B en donde B = [b1 b2 bn ] Ejemplo 6.5 La funci on T : R2 R2 consistente en la rotaci on de vectores 90o en sentido horario es una transformaci on lineal representada por la matriz A: A= 0 1 1 0 (6.10)
Un vector x de coordenadas (a, b) se convertir a en un vector y cuyas coordenadas se calculan asi: 0 1 a b y = Ax = = 1 0 b a 142
1 =1 2 =3 2 =2 1 =-1 : base : vector x
1 =1 2 =-2
Figura 6.3: Cambio de base de un Vector
Ejemplo 6.6 En R2 puede denirse una base con cualquier pareja de vectores no paralelos. Denamos por ejemplo A = {(1, 0), (0, 1)}, B = {(3, 1), (2, 2)} y C = {(1, 1)(1, 1)} (vectores rojos en la gura 6.3). Consideremos ahora el vector x en la gura 6.3. Sus coordenadas en la base est andar A ser an 1 = 1 = 3 2 Para obtener las coordenadas de x en las bases B y C construimos las matrices B y C y empleamos (6.9) B= 3 2 1 2 C= 1 1 1 1 1 1 = 3 2 1 1 = 3 2
= =
1/2 1/2 1 = B1 = 1/4 3/4 2 1 1/2 1/2 = C1 = 2 1/2 1/2
Puede vericarse que las coordenadas en las bases B y C satisfacen las relaciones (6.8) = B1 C = C1 B Ejemplo 6.7 En el ejemplo 6.5 se mostr o que la rotaci on de 90 o en sentido horario estaba representada en la base est andar por la matriz T = 0 1 1 0
La misma transformaci on se representar a en la base B = {(3, 1), (2, 2)} por la matriz T = B1 T B 143
OSCAR G. DUARTE
T =
1/2 1/2 1/4 3/4
0 1 1 0
3 2 2 2 = 1 2 2.5 2
Sup ongase ahora el vector x, cuyas coordenadas en la base est andar son x = (1, 3) y en la base B son x = (1, 2) (ejemplo 6.6). Al efectuar la rotaci on de 90 o en sentido horario se obtendr a un vector y cuyas coordenadas en la base est andar ser an y y en la base B ser an y : 0 1 1 0 1 3 = 3 1 2 2 2.5 2 1 2 = 2 1.5
y =
y =
6.2.2.
Valores y vectores propios
Sea A una transformaci on lineal Rn Rn . Un escalar es un valor propio o valor caracter stico de A si existe un vector no nulo v tal que Av = v. Cualquier vector no nulo v que satizfaga Av = v (6.11)
es un vector propio asociado con el valor propio 1 . La relaci on (6.11) implica que para un vector propio v el efecto de aplicarle la transformaci on lineal A es igual que amplicarlo por el escalar . Esto implica que un vector y el vector transformado son colineales o paralelos y por lo tanto linealmente dependientes. Para calcular los valores propios de una matriz A puede reescribirse la ecuaci on (6.11) como Av v = 0 (A I)v = 0 En donde I es la matriz identidad de igual orden que A, es decir n n. Para que exista una vector v = 0 tal que (A I)v = 0 debe cumplirse que det(I A) = 0 (6.12)
El lado izquierdo de la ecuaci on (6.12) corresponde a un polinomio de orden n en la variable conocido como el polinomio caracter stico de A y denotado por (). Dicho de otra forma, los valores propios de A son las raices de su polinomio caracter stico (). Por tanto, la matriz A tiene n valores propios 1 , 2 , , n ; estos valores podr an ser reales o complejos y podr an ser diferentes o repetidos.
1 La denici on (6.11) se reere estrictamente a valores y vectores propios por derecha, para distinguirlos de los valores y vectores propios por izquierda, que deben satisfacer v t A = vt . En este texto s olo se consideran los primeros, y por tanto se hace referencia a ellos simplemente como valores y vectores propios.
144
Ejemplo 6.8 Obtener los valores y vectores propios de la matriz A= 4 1 2 1
Construimos la matriz B = (I A) y hallamos su determinante: B = (I A) = 1 0 4 1 ( 4) 1 = 0 1 2 1 2 ( 1)
() = det(B) = ( 4)( 1) + 2 = 2 5 + 6 = ( 2)( 3) Los valores propios de A ser an las ra ces de () 1 = 2 2 = 3
Los vectores propios asociados a 1 = 2 deben cumplir (6.11): Av1 = 1 v1 4 1 2 1 v v11 = 2 11 v21 v21 4v11 + v21 2v11 + v21 2v11 4v11 + v21 = 2v21 2v11 + v21 = 2v11 = 2v21
Se crea entonces un sistema de ecuaciones con innitas soluciones:
Para obtener un vector propio asociado a 1 = 2 podemos escoger arbitrariamente un valor para v11 o para v21 . Por ejemplo, si escogemos v11 = 1 obtenemos v21 = 2. En consecuencia, un vector propio asociado a 1 = 2 ser a v1 = 1 2 en general v1 = a 2a
Los vectores propios asociados a 2 = 3 tambi en deben cumplir (6.11): Av2 = 1 v2 4 1 2 1 v12 v = 3 12 v22 v22 4v12 + v22 3v12 = 2v12 + v22 3v22 = 3v12 = 3v22
Se crea entonces un segundo sistema de ecuaciones con innitas soluciones: 4v12 + v22 2v12 + v22
Para obtener un vector propio asociado a 2 = 3 podemos escoger arbitrariamente un valor para v12 o para v22 . Por ejemplo, si escogemos v12 = 1 obtenemos v22 = 1. En consecuencia, un vector propio asociado a 2 = 3 ser a v2 = 1 1 en general v2 = 145 a a
OSCAR G. DUARTE
Ejemplo 6.9 Obtener los valores y vectores propios de la matriz A= 2 1 1 2 1 ( 2)
Construimos la matriz B = (I A) y hallamos su determinante: B = (I A) = ( 2) 2 1 1 0 = 1 1 2 0 1
() = det(B) = ( 2)2 + 1 = 2 4 + 5 Los valores propios de A ser an las ra ces de () 1,2 = 2 j
Al aplicar (6.11) para 1 y 2 se obtienen dos sistemas de ecuaciones con innitas soluciones 2v11 + v21 v11 + 2v21 = (2 + j )v11 = (2 + j )v21 2v12 + v22 v12 + 2v22 1 j a ja = (2 j )v12 = (2 j )v22
Seleccionando arbitrariamente v11 = 1 y v12 = 1 se obtiene v1 = o en general v1 = a ja v2 = 1 j v2 =
6.2.3.
Forma can onica de Jordan
Matrices con valores propios diferentes Sean 1 , 2 , , n los n valores propios de una matriz A de orden n n, todos diferentes, y sea vi un vector propio asociado a i con i = 1, 2, , n. El conjunto V = {v1 , v2 , , vn } es linealmente independiente, y por lo tanto sirve como una base para el espacio vectorial. Si se efectua un cambio de base a la nueva base V , la matriz A se transforma en la matriz de acuerdo con (6.10): = M1 AM (6.13)
La matriz es la matriz diagonalizada, o la forma can onica de Jordan de A, y se dene asi: 1 0 0 0 2 0 = . . . .. . . . . . . . 0 0 n 146
La matriz M se denomina la matriz modal, y se dene asi: M = v1 v2 vn
Esta armaci on puede demostrarse facilmente al comprobar que M = AM: 1 0 0 0 2 0 M = v1 v2 vn . = 1 v 1 2 v 2 n v n . . .. . . . . . . . 0 0 n AM = A v1 v2 vn = Av1 Av2 Avn Como Avi = i vi entonces las ecuaciones anteriores se reducen a M = AM o lo que es igual = M1 AM Ejemplo 6.10 La transformaci on lineal representada por la matriz A= 4 1 2 1
cuyos valores propios son (Ejemplo 6.8) 1 = 2, 2 = 3 con vectores propios v1 , v2 : 1 1 v1 = v2 = 2 1 Tiene una representaci on en la base {v1 v2 } dada por la matriz diagonal = M1 AM = 1 1 2 1 4 1 2 1 1 1 2 0 = = 1 2 1 0 3 0 0 2
Ejemplo 6.11 La transformaci on lineal representada por la matriz A= 2 1 1 2
cuyos valores propios son (Ejemplo 6.9) 1,2 = 2 j con vectores propios v1 , v2 : v1 = 1 j v2 = 1 j
Tiene una representaci on en la base {v1 v2 } dada por la matriz diagonal = M1 AM = j/2 j/2 j/2 j/2 2 1 1 2 1 j 1 2+j = j 0 147 0 = 1 2j 0 0 2
OSCAR G. DUARTE
Matrices con valores propios repetidos Al intentar efectuar la diagonalizaci on de una matriz A que tenga valores propios repetidos puede encontrarse un tropiezo debido a que los vectores propios no necesariamente son linealmente independientes; de hecho, lo usual es que no lo sean aunque existen casos en que lo son. Al no contar con un n umero suciente de vectores propios linealmente independientes no es posible construir una base que diagonalice la matriz. No ser a posible obtener M1 y no se podr a calcular = M1 AM. Pese a ello, siempre se podr a obtener una diagonalizaci on por bloques. Dada una transformaci on lineal A de orden n n, de valores propios 1 , 2 , , n , se dene la degeneracidad del valor propio i , denotada por di , como el n umero de vectores propios de linealmente independientes asociados a un valor propio i , y se calcula asi: di = n (i I A) en donde (X) es el rango de la matriz X, que equivale al n umero de columnas (o las) linealmente independientes de X Ejemplo 6.12 Obtener los valores y vectores propios de la matriz A y diagonalizarla A= 1 2 2 5 2 ( 5)
Construimos la matriz B = (I A) y hallamos su determinante: B = (I A) = ( 1) 1 2 1 0 = 2 2 5 0 1
() = det(B) = ( 1)( 5) + 4 = 2 6 + 9 = ( 3)2 Los valores propios de A ser an las ra ces de () 1 = 2 = = 3 La degeneracidad de = 3 se obtiene asi: d1 = 2 (3I A) d1 = 2 31 2 2 35 =2 2 2 2 2 =21=1
Lo anterior signica que aunque tiene multiplicidad 2, s olo es posible encontrar un vector linealmente independiente. Este se obtiene empleando (6.11), y resulta ser 1 a v1 = en general v1 = 1 a No es posible construir una base para el espacio de dimensi on 2 con un s olo vector, por lo tanto no es posible diagonalizar A 148
Construimos (I A):
Ejemplo 6.13 Obtener los valores y vectores propios de la matriz A y diagonalizarla 3 0 1 A = 1 2 1 1 0 3 ( 3) I A = 1 1 0 ( 2) 0 1 1 ( 3)
Su polinomio caracter stico resulta ser
() = ( 3)2 ( 2) ( 2) = 3 82 + 20 16 Las ra ces del polinomio son 1 = 2 = 2, 3 = 4. Para determinar la degeneracidad de 1 calculamos 1 I A 1 0 1 (2 3) 0 1 (2 2) 1 = 1 0 1 I A = 1 1 0 1 1 0 (2 3) d1 = n (I A) d1 = 3 1 = 2 Lo anterior signica que existen dos vectores propios linealmente independientes asociados a 1 = 2 = 2. Estos dos vectores junto con el vector propio asociado a 3 = 4 pueden formar una base y por tanto es posible diagonalizar A. Para obtener los tres vectores propios empleamos (6.11): d d 3 0 1 a 3 0 1 a 1 2 1 e = 4 e 1 2 1 b = 2 b f f 1 0 3 c c 1 0 3 Se originan los sistemas de ecuaciones 3a c = 2a a + 2b c = 2b a + 3c = 2c Que se convierten en a=c 3d f = 4a d + 2e f = 4e d + 3f = 4f d = e = f
Podemos construir dos vectores linealmente independientes v 1 , v2 que satisfacen a = c y un tercero v3 que satisface d = e = f , por ejemplo 1 1 1 v3 = 1 v2 = 1 v1 = 0 1 1 1 149
OSCAR G. DUARTE
En la base {v1 v2 v3 } la transformaci on A se representa por : 3 0 1 1 1 1 1 1 0 = M1 AM = 1/2 1 1/2 1 2 1 0 1 1 1 1 1 1/2 0 1/2 1 0 3 1 2 0 0 = M1 AM = 0 2 0 = 0 0 0 0 4 0 2 0 0 0 3
Cada bloque de Jordan est a asociado a un valor propio de la matriz A. Para conocer la forma exacta de la matriz J es necesario responder estas preguntas: Cu antos bloques tiene asociados cada valor propio no repetido de la matriz A? De qu e tama no es cada uno de los bloques de Jordan asociados a cada valor propio no repetido de la matriz A? El siguiente algoritmo permite obtener las respuestas. Se plantea para un valor propio , y deber a aplicarse para cada valor propio diferente: 1. Se dene la matriz B = A I. 150
en donde cada t ermino Ji es una submatriz la forma j 1 0 0 j 1 . . .. . . . . Ji = . 0 0 0 0 0 0
Cuando no se puede encontrar un conjunto de vectores propios linealmente independiente lo sucientemente grande para diagonalizar la matriz, debe acudirse al concepto de vectores propios generalizados para lograr una diagonalizaci on por bloques. El concepto de vector propio generalizado, y la forma de calcularlos se sale del a mbito de este texto, aunque una presentaci on detallada puede encontrarse en el ap endice D. No obstante, es posible determinar en forma sencilla cu al es la forma de la matriz diagonalizada por bloques, o forma can onica de Jordan de una matriz, seg un se explica a continuaci on. En general, se representa la forma can onica de Jordan de la matriz A por J, y es de la forma J1 0 0 0 J2 0 J= . . . .. . . . . . . . 0 0 J2 cuadrada (un bloque de Jordan ) de 0 0 0 .. . 1 j
r 2 1
Figura 6.4: Diagrama de Matthew vacio simple
2. Se calcula (B0 ), (B1 ), (B2 ), , (B)r hasta que no haya cambio al incrementar el exponente. 3. Se calculan las nulidades 0 , 1 , 2 , , r , en donde i = n (Bi ). 4. Se calcula i = i i1 , para i = 1, 2, , r. 5. Se construye el diagrama de Matthew con la forma que se presenta en la gura 6.4: el n umero de celdas de cada la del diagrama de Matthew est a determinado por i . 6. Utilizar las siguientes convenciones: a) b) Identicar el n umero de columnas del diagrama como q . Identicar las columnas del diagrama como c1 , c2 , , cq de izquierda a derecha.
c ) Identicar el tama no de cada columna como h1 , h2 , , hq . 7. En esas condiciones el n umero de bloques de Jordan asociados al valor propio es q , y el tama no de cada uno de esos bloques es h1 , h2 , , hq . En general, la forma can onica de Jordan ser a entonces: J11 0 . . . 0 J= 0 J12 . . . 0 .. . 0 0 . . . .. . Jm1 0 . . . 0 151 0 Jm2 . . . .. . 0 0 0 . . . Jmqm 0
J1q1
OSCAR G. DUARTE
j 0 . . Jji = . 0 0
1 j . . . 0 0
0 1 .. . 0 0
Ejemplo 6.14 Sea A la matriz 3 1 1 1 0 0 A= 0 0 0 0 0 0
0 0 0 .. . 1 j h
ij hij
Para calcular los valores propios de A hacemos
1 1 0 0 1 1 0 0 2 0 1 1 0 2 1 1 0 0 1 1 0 0 1 1
det (A I) = [(3 )(1 ) + 1]( 2)2 [(1 )2 1] = ( 2)5 = 0 Es decir, A tiene un valor propio 2 de multiplicidad 5 y un valor propio 0 de multiplicidad 1. Nos proponemos encontrar el diagrama de Matthew de los vectores propios asociados a 1 = 2. Para ello denimos B = (A 2I) y calculamos B0 , B1 , B2 , B3 , , sus rangos y nulidades B0 = I (A 2I)0 = 6 0 = 6 6 = 0 1 1 1 1 0 0 1 1 1 1 0 0 0 0 (A 2I) = 4 0 0 1 1 B= 0 0 0 0 1 1 1 =64=2 0 0 0 0 1 1 0 0 0 0 1 1 0 0 2 2 0 0 0 0 2 2 0 0 0 0 0 0 0 0 (A 2I)2 = 2 B2 = 0 0 0 0 0 0 2 = 6 2 = 4 0 0 0 0 2 2 0 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 (A 2I)3 = 1 0 0 0 0 0 0 3 B = 3 = 6 1 = 5 0 0 0 0 0 0 0 0 0 0 4 4 0 0 0 0 4 4
2 adaptado
de [5, pp.: 43]
152
Al calcular B4 encontramos 4 = 3 y por tanto no es necesario continuar. Con la informaci on anterior podemos calcular i : 3 2 1 = 3 2 = 2 1 = 1 0 = 54= 1 = 42= 2 = 20= 2
Con esta informaci on podemos construir el diagrama de Matthew
De donde se deduce que q = 2, h1 = 3 y h2 = 2; en otras palabras, el valor propio 2 tendr a 2 bloques de Jordan, uno de tama no 3 3 y otro de tama no 2 2. Adicionalmente, el valor propio 0 tendr a un u nico bloque de Jordan de tama no 1 1, por ser un valor propio de multiplicidad 1. En consecuencia la forma can onica de Jordan de la matriz A ser a 2 1 0 0 0 0 2 1 0 0 0 0 0 2 1 0 0 0 0 2 1 0 0 0 0 0 2 0 0 0 0 0 2 0 0 0 1 J = M AM = = 0 0 0 2 1 0 0 0 0 2 1 0 0 0 0 0 2 0 0 0 0 0 2 0 0 0 0 0 0 0 0 0 0 0 0 0 Matrices con valores propios complejos Dado que los valores propios de una matriz pueden ser complejos, en general las matrices de Jordan y Modal, J y M, ser an complejas. No obstante, cuando existen valores propios complejos es posible efectuar otro cambio de coordenadas diferente que produce tambi en una matriz diagonal por bloques, pero real, conocida como la forma can onica real de Jordan. La nueva matriz modal MR reemplaza cada pareja de vectores propios complejos conjugados de M por dos vectores reales, uno con la parte real y otro con la parte imaginaria de los vectores reemplazados. Para un valor propio complejo = a jb que no se repite, el bloque de Jordan asociado tendr a la forma Ji = Ejemplo 6.15 Sea la matriz A 0 0.5 0 A = 0 0 2 1 1 2 153 a b b a
OSCAR G. DUARTE
Los valores propios de A son 1 = 1 2,3 = 0.5 j 0.866
Para obtener la forma can onica real de Jordan de A construimos la matriz real MR remplazando las columnas complejas por columnas con la parte real e imaginaria de estas, y vericamos. 0.408 0.015 0.408 0.721 0.382 MR = 0.816 0.408 0.346 0.217 1 0 0 1 0 0.5 0.866 JR = M R AMR = 0 0.866 0.5
La forma can onica de Jordan de A y la matriz modal que la producen son: 1 0 0 0 J = 0 0.5 + j 0.866 0 0 0.5 j 0.866 0.408 (0.015 j 0.408) (0.015 + j 0.408) (0.721 + j 0.382) (0.721 j 0.382) M = 0.816 0.408 (0.346 j 0.217) (0.346 + j 0.217)
6.2.4.
Funciones de matrices cuadradas
Sea f ( ) una funci on que opera sobre un escalar, y sea A una matriz cuadrada n n. En esta secci on se aborda el problema de c omo calcular f (A), es decir, como extender f ( ) de los escalares a las matrices. Si f ( ) es un polinomio, la extensi on a las matrices se fundamenta en la denici on A0 = I (6.14) Ak = AA A
k veces
Si la matriz A tiene una representaci on can onica de Jordan J obtenida con la matriz modal M, es decir, si A = MJM1 entonces Ak = (MJM1 )(MJM1 ) (MJM1 ) = M (J J) M1
k veces k veces
Ak = MJk M1
k
(6.15)
Como J es un a matriz diagonal por bloques, el c alculo de J puede efectuarse como sigue: k J1 0 0 J1 0 0 0 J2 0 0 Jk 0 2 k J= . J = . . . . . . .. . . . . . . . . . . . . . . . 0 0 Jn 0 0 Jk n 154
Empleando la denici on (6.14), un polinomio gen erico f ( ) = a0 + a1 + a2 2 + + an n puede calcularse en A como f (A) = a0 I + a1 A + a2 A2 + + an An o en funci on de las matrices M y J: f (A) = a0 MIM1 + a1 MJM1 + a2 MJ2 M1 + + an MJn M f (A) = Mf (J)M1 Ejemplo 6.16 Calcular Ak 1 0 0 2 A= . . . . . . 0 0 cuando A es una matriz diagonal: k 1 0 0 0 k 0 2 Ak = . . . .. .. . . . . . . . . n 0 0 (6.16)
0 0 . . .
k n
Ejemplo 6.17 Calcular Ak cuando A es una matriz con la forma de los bloques reales de Jordan para el caso en que los valores propios son imaginarios puros A= 0 b b 0 b3 0 0 b6
calculamos los primeros t erminos A1 , A2 , A3 , A4 , A5 y A6 : A1 = A4 = 0 b b 0 0 b4 A2 = A5 = b2 0 0 b5 0 b2 b5 0 A3 = A6 = 0 b3 b6 0
b4 0
Tambi en es posible extender una funci on f ( ) que no sea un polinomio de los escalares a las matrices empleando la representaci on de f ( ) en series de Taylor expandidas alrededor de 0 (series de MacLaurin): f ( ) =
k=0
Observando la secuencia se puede inferir que k (1) 2 bk 0 k 2 bk 0 ( 1) Ak = k1 0 (1) 2 bk k+1 (1) 2 bk 0
si k es par
si k es impar
k dk f ( ) k ! d k
(6.17)
155
OSCAR G. DUARTE
Empleando (6.17) se puede expresar f ( ) como un polinomio de . Si A es una matriz cuadrada, puede calcularse f (A) empleando ese polinomio. Las siguientes son las expansiones de algunas funciones comunes: et = 1 + t 2 t2 3 tk 4 tk + + + + 1! 2! 3! 4! 2 t2 4 t4 6 t6 8 t8 + + + 2! 4! 6! 8! (6.18)
cos t = 1 sin t =
(6.19) (6.20)
5 t5 7 t7 t 3 t3 + + 1! 3! 5! 7!
Ejemplo 6.18 Sea A una matriz diagonal como la del ejemplo 6.16. Para calcular eAt podemos emplear (6.18) eAt = I + que de acuerdo con 1 0 0 1 eAt = . . . .. . . . . At A2 t2 A3 t k A4 t k + + + + 1! 2! 3! 4!
los resultados del ejemplo 6.16 se calcular a asi: 2 1 0 0 1 0 0 0 2 0 t 0 2 0 t2 0 2 0 + . + . + . . . . . . . . .. . . .. . . . . . 2! . . . . . 1! . 0 0 n 0 0 2 0 0 1 n eAt g1 (t) 0 = . . . 0 0 0 g2 (t) 0 . . .. . . . . . 0 gn (t)
Ejemplo 6.19 Sea A una matriz con la forma de los bloques reales de Jordan para el caso en que los valores propios son imaginarios puros, como la del ejemplo 6.17. Para calcular eAt podemos emplear (6.18) eAt = I + A3 t k A4 t k At A2 t2 + + + + 1! 2! 3! 4! 156
i t 2 t2 3 t 3 + i + i +) 1! 2! 3! Cada uno de los t erminos de la diagonal, gi (t), corresponde a la expansi on en series de Taylor de una exponencial como las de (6.18), por lo tanto e At ser a: t e 1 0 0 0 e 2 t 0 At e = . . . . . . . . . . . . 0 0 e n t gi (t) = (1 +
6.3. VARIABLES DE ESTADO
que de acuerdo con los resultados del ejemplo 6.17 se calcular a asi: eAt = t2 b2 t 0 b 1 0 + + 0 1 1! b 0 2! 0
2 2 4 4
t3 0 0 + b2 3! b3
3 3
t4 b 4 b3 + 0 4! 0
5 5
0 + b4
eAt =
b b t b b (1 t 2! + t 2! +) ( tb + t 5! +) 1! 23! tb t 3 b3 t 5 b5 t b2 t 4 b4 ( 1! + 3! 5! + ) (1 2! + 2! + )
Cada uno de los t erminos de la matriz corresponde a la expansi on de Taylor de una sinusoide como las de (6.19) y (6.20), por lo tanto e At puede calcularse como eAt = cos(bt) sin(bt) sin(bt) cos(bt)
Ejemplo 6.20 Sea A una matriz con la forma de los bloques reales de Jordan A= a b b a
Patra calcular eAt escribimos A como la suma de dos matrices: A= a b a 0 0 b =B+C= + b a 0 a b 0
De tal manera que eAt = eBt eCt . Empleando los resultados de los ejemplos 6.18 y 6.19 se tiene que eBt = y por lo tanto eAt = eat 0 0 eat cos(bt) sin(bt) eat cos(bt) eat sin(bt) = sin(bt) cos(bt) eat sin(bt) eat cos(bt) eat 0 0 eat eCt = cos(bt) sin(bt) sin(bt) cos(bt)
6.3.
Variables de estado
De acuerdo con la presentaci on de la secci on 6.1, se estudiar an en este cap tulo sistemas din amicos de m ultiples entradas y m ultiples salidas como los de las guras 6.1 y 6.2. El modelo matem atico de estos sistemas ser an las ecuaciones (6.21) y (6.22) para los casos continuos y discretos, respectivamente; en ambos casos la primera ecuaci on, que contiene la din amica del sistema, se denomina ecuaci on de estado y la segunda ecuaci on de salida. x (t) = Ax(t) + Bu(t) y(t) = Cx(t) + Du(t) 157 (6.21)
OSCAR G. DUARTE
D +
u(s) B
+ +
sx(s)
1/s
x(s) C
y(s)
Figura 6.5: Diagrama de Bloques de un sistema cont nuo en representaci on de espacio de Estado
x(k + 1) = Ax(k ) + Bu(k ) y(k ) = Cx(k ) + Du(k )
(6.22)
En las ecuaciones (6.21) y (6.22) A, B, C y D son matrices reales cuyas dimensiones est an especicadas en (6.6), mientras que u, y, x son los vectores denidos en (6.3), que contienen las variables de entrada, salida y estado respectivamente. N otese que la din amica del sistema est a representada en la ecuaci on de estado, pues es all en donde aparecen las derivadas o las diferencias, mientras que la ecuaci on de salida es algebr aica. Las guras 6.5 y 6.6 muestran dos diagramas de bloques que representan las ecuaciones 6.21 y 6.22 respectivamente. Para interpretar adecuadamente estos diagramas es necesario tener en cuante que: 1. Las echas representan vectores de se nales y los bloques A, B, C y D matrices. 2. El bloque 1/s en la gura 6.5 corresponde a la funci on de transferencia de t un integrador y (t) = 0 x(t)dt que opera sobre cada una de las se nales de entrada de forma independiente. 3. El bloque 1/z en la gura 6.6 corresponde a la funci on de transferencia de un bloque de retardo y (k ) = x(k 1) que opera sobre cada una de las se nales de entrada de forma independiente. 4. Como en todo diagrama de bloques con funciones de transferencia, se han supuesto condiciones iniciales nulas.
158
D +
u(z ) B
+ +
z x(z )
1/z
x(z ) C
y(z )
Figura 6.6: Diagrama de Bloques de un sistema discreto en representaci on de espacio de Estado
6.3.1.
El concepto de estado
Qu e son las variables de estado? una posible aproximaci on es pensar en ellas como variables matem aticas auxiliares que permiten representar el comportamiento de sistemas mediante ecuaciones como (6.1) y (6.2), que en el caso de sistemas lineales invariantes en el tiempo se convierten en (6.21) y (6.22). No obstante, existe otra posible interpretaci on: Los sistemas din amicos se rigen por ecuaciones diferenciales y de diferencia; este tipo de ecuaciones tienen una u nica soluci on unicamente si se establece un conjunto de condiciones, denominadas condiciones auxiliares ; usualmente estas determinan en el instante de tiempo considerado como inicial, y por tanto se denominan condiciones iniciales. De lo anterior se desprende que para conocer el comportamiento de un sistema din amico se necesita cierta informaci on adicional a la s ola ecuaci on diferencial. Este hecho justica la siguiente denici on: Denici on 6.1 Estado El Estado de un sistema en el tiempo t0 (o en k0 si es discreto) es la cantidad de informaci on necesaria en ese instante de tiempo para determinar de forma u nica, junto con las entradas u, el comportamiento del sistema para todo t t 0 (o para todo k k0 si es discreto) De acuerdo con la denici on 6.1, las variables de estado ser an variables que muestran c omo evoluciona el estado del sistema, es decir, ser an variables que contienen la informaci on necesaria para predecir la evoluci on del comportamiento del sistema en forma u nica. Tambi en suelen denirse las variables de estado como cualquier conjunto de variables que describa el comportamiento del sistema, siempre y cuando ese conjunto sea del menor tama no posible. 159
OSCAR G. DUARTE
R + vR (t)
L iL (t) + vC (t)
v (t)
Figura 6.7: Circuito RLC serie
Cualquiera que sea la interpretaci on que se adopte, debe tenerse presente que: Las variables de estado pueden tener o no sentido f sico. Las variables de estado pueden o no ser medibles. Para un mismo sistema din amico las variables de estado no son u nicas; de hecho, se pueden denir innitos conjuntos de variables que sirvan como variables de estado. Ejemplo 6.21 Para conocer el comportamiento de un circuito RLC serie como el de la gura 6.7 es necesario establecer los valores de i L (0+ ) y vC (0+ ), por esta raz on, las variables iL (t) y vC (t) sirven como variables de estado. La aplicaci on de las leyes de Kirchho en el circuito da como resultado diL (t) RiL (t) + L + vC (t) = v (t) dt i (t) = C dvC (t) L dt Estas ecuaciones pueden organizarse de la siguiente forma R 1 1 diL (t) = iL (t) vC (t) + v (t) dt L L L dvC (t) = 1 i (t) L dt C O en forma matricial: diL (t)/dt R/L 1/L = dvC (t)/dt 1/C 0
iL (t) 1/L + vC (t) 0
v (t)
Sup ongase que en el circuito se quiere estudiar el comportamiento de las variables vR (t) e iL (t), es decir, que seleccionamos estas variables como las salidas del sistema. Dado que vR (t) = RiL (t), podremos escribir la ecuaci on vR (t) R 0 = iL (t) 1 0 160 iL (t) vC (t)
En resumen, una representaci on en variable de estado del circuito estar a dada por las ecuaciones 1/L R/L 1/L iL (t) diL (t)/dt v (t) + = 0 vC (t) 1/C 0 dvC (t)/dt que son de la forma x (t) = Ax(t) + Bu(t) y(t) = Cx(t) + Du(t) en donde u(t) = v (t) A= R/L 1/L 1/C 0 y(t) = B= vR (t) iL (t) 1/L 0 x(t) = C= R 1 iL (t) vC (t) 0 0 D= 0 vR (t) iL (t) = R 0 1 0 iL (t) vC (t) + 0 0 v (t)
Ejemplo 6.22 Sup ongase un motor el ectrico de corriente continua controlado por campo, como el que se muestra en la gura 6.8, con corriente de armadura constante, que mueva una carga de momento de inercia J , con coeciente de fricci on viscosa B a una velocodad angular (t). Rf Lf J, B if (t) (t)
vs (t)
Figura 6.8: Motor DC controlado por campo
La ecuaci on del circuito el ectrico de campo es Rf if (t) + Lf dif (t) = vs (t) dt (6.23)
Al considerar que la corriente de armadura es constante, se tiene que el par motor T (t) generado es directamente proporcional a la corriente de campo con una cierta constante de proporcionalidad KT , es decir T (t) = KT if (t) La aplicaci on de las leyes de newton al sistema dan la ecuaci on T (t) B (t) = J 161 d (t) dt (6.25) (6.24)
OSCAR G. DUARTE
que en forma matricial se convierten en dif (t)/dt Rf /Lf = d (t)/dt KT /J 0 B/J
Las ecuaciones (6.23), (6.24) y (6.25) pueden escribirse como Rf 1 dif (t) = if (t) + vs (t) dt Lf Lf d (t) = KT if (t) B (t) dt J J if (t) 1/Lf + (t) 0 vs (t)
(6.26)
(6.27)
No obstante, esta no es la u nica representaci on posible; podemos, por ejemplo, seleccionar como variables de estado T (t) y (t), en cuyo caso la representaci on en variable de estado ser a dT (t)/dt Rf /Lf 0 T (t) KT /Lf vs (t) = + 1/J B/J (t) 0 d (t)/dt (6.29) T ( t ) (t) 0 1 0 vs (t) = + (t) Ejemplo 6.23 A continuaci on se presenta un modelo lineal simple del crecimiento demogr aco de una sociedad. Se ha distribuido el total de la poblaci on por franjas de edad: x1 (k ) x2 (k ) . . . xn (k ) : : : Poblaci on con edades entre 0 y 10 a nos Poblaci on con edades entre 10 y 20 a nos . . . Poblaci on con edades entre (n 1) 10 y n 10 a nos
n
Si seleccionamos como variable de salida la velocidad angular, obtenemos una representaci on en variable de estado del sistema: Rf /Lf 0 if (t) 1/Lf dif (t)/dt vs (t) = + KT /J B/J (t) 0 d (t)/dt (6.28) i ( t ) f 0 vs (t) (t) 0 1 + = (t)
Si denotamos por y (k ) la poblaci on total de la sociedad en el periodo k se tendr a: y (k ) = x1 (k ) + x2 (k ) + + xn (k ) = xi (k )

i=1
Si tomamos cada periodo como un intervalo de 10 a nos, en el periodo k + 1 las personas que en el periodo k est an en la franja i, estar an en la franja k + 1 en el periodo i + 1, salvo aquellos que mueran, es decir xi (k + 1) = xi1 (k ) i1 xi1 (k ) 162 i = 1, 2, 3, , n 1
en donde i es la rata de mortalidad para la franja de edades n umero i. Para encontrar x1 (k +1), es decir el n umero de personas que nacen en el periodo k , podemos suponer que cada franja de edades tiene una rata de reproductividad diferente i , es decir
n
x1 (k + 1) = 1 x1 (k ) + 2 x2 (k ) + + n xn (k ) =
i xi (k )
i=1
De esta manera podemos escribir las ecuaciones matriciales x1 (k + 1) 1 2 3 n1 x2 (k + 1) 1 0 0 0 1 x3 (k + 1) 0 1 0 0 2 = . . . . . . . . . . .. . . . . . . xn1 (k + 1) 0 0 0 1 n1 xn (k + 1) x1 (k ) x2 (k ) x3 (k ) . . .
Adem as, podriamos considerar los fen omenos de migraci on como entradas al sistema. Denamos ui (k ) como la diferencia entre el numero de inmigrantes y emigrantes de la franja i en el periodo k ; con esta denici on el modelo se convierte en
8 2 1 2 > >2 x1 (k + 1) 3 > > 61 1 0 > > 7 6 > >6 6 x2 (k + 1) 7 6 0 1 2 > > = 7 6 6 . > > . 5 6 . 4 . > .. . > . 4 . > . . . > > xn (k + 1) < 0 0 > > > > > > > > > > > > y (k) = 1 1 > > > > > : 2 3 3 0 n 2 x 1 (k ) 61 07 7 6 x2 (k) 7 6 7 60 6 07 7+6 76 . 74 . 5 6. . . . 4. 5 . . xn (k) 0 0 3 x1 (k) 7 6 6 x2 (k) 7 1 6 . 7 4 . . 5 2 xn (k) 0 0 1 . . . 0 .. . 3 3 0 2 u1 (k) 07 7 6 u2 (k) 7 7 6 07 7 76 . 74 . 5 . . . 5 . un (k) 0
y (k ) = 1 1 1 1 1 xn1 (k ) xn (k )
x (k ) n 1 x2 (k ) 0 x3 (k ) 0 . . . . . . xn1 (k ) 0 xn (k )
6.3.2.
Representaci on de estado a partir de E.D.
Existe un procedimiento sencillo para obtener una representaci on en variables de estado de sistemas de una entrada y una salida de los cuales se conoce la ecuaci on diferencial o de diferencia que lo rige. 163
OSCAR G. DUARTE
Sup ongase un sistema din amico continuo descrito por la ecuaci on diferencial an dn y (t) dn1 y (t) dy (t) + a + + a1 + a0 y (t) = u(t) n 1 dtn dtn1 dt (6.30)
El comportamiento del sistema queda u nivocamente determinado si se conocen las condidiones iniciales y (0), y (0), , y (n1) (0), por lo tanto podemos seleccionar las siguientes variables de estado: x1 (t) x2 (t) x3 (t) . . . = = = y (t)
dy dt d2 y dt2
= =
. . .
x 1 (t) x 2 (t) . . .
(6.31)
xn1 (t) = xn (t) =
dn2 y dtn2 dn1 y dtn1
= x n2 (t) = x n1 (t)
De tal manera que (6.30) puede escribirse como an x n (t) + an1 xn (t) + + a1 x2 (t) + a0 x1 (t) = u(t) x n (t) = a1 an1 1 a0 x1 (t) x2 (t) xn (t) + u(t) an an an an
(6.32)
Las ecuaciones (6.31) y (6.32) se 0 1 0 x 1 (t) x 0 0 1 ( t ) 2 x 0 0 0 ( t ) 3 = . . . . . . . . . . . . x 0 0 0 n1 (t) a1 a2 a0 a a a x n (t) n n n
escriben en forma matricial asi: 0 0 x1 (t) x2 (t) 0 0 0 x3 (t) 0 + . u(t) . . .. . . . . . . . 0 1 xn1 (t) an1 1 an xn (t) an x1 (t) x2 (t) x3 (t) . . .
De forma an aloga puede obtenerse una representaci on en variables de estado de sistemas discreto de una entrada y una salida a partir de su ecuaci on de diferencias Sup ongase un sistema din amico discreto descrito por la ecuaci on de diferencias an y (k + n) + an1 y (k + n 1) + + a1 y (k + 1) + a0 y (k ) = u(k ) 164 (6.33)
y (t) = 1 0 0 0 0 + 0 xn1 (t) xn (t)
u(t)
6.4. SISTEMAS CONTINUOS LIBRES
Podemos seleccionar las variables de estado: x1 (k ) x2 (k ) x3 (k ) . . . = = = y (k ) y (k + 1) y (k + 2) . . . = = x1 (k + 1) x2 (k + 1) . . .
(6.34)
xn1 (k ) = y (k + n 2) = xn2 (k + 1) xn (k ) = y (k + n 1) = xn1 (k + 1) de tal manera que la ecuaci on (6.33) se convierte en xn (k + 1) = a1 an1 1 a0 x1 (k ) x2 (k ) xn (k ) + u(k ) an an an an (6.35)
Las ecuaciones (6.34) y (6.35) se escriben en forma matricial asi: x1 (k + 1) x2 (k + 1) x3 (k + 1) . . . 0 0 0 . . . 1 0 0 . . . 0 a1 a n 0 1 0 . . . 0 a2 a n .. . 0 0 0 . . . x1 (k ) x2 (k ) x3 (k ) . . . 0 0 0 . . .
= xn1 (k + 1) 0 a0 a xn (k + 1) n
+ u(k ) 1 xn1 (k ) 0 1 1 an xn (k ) an an x1 (k ) x2 (k ) x3 (k ) . . .
y (k ) = 1 0 0 0 0 + 0 u(k ) xn1 (k ) xn (k )
6.4.
Sistemas continuos libres
Como un primer paso para el an alisis de la ecuaci on (6.21), en esta secci on se estudia la ecuaci on de estado con el sistema libre (sin entradas), es decir estudiamos la ecuaci on x (t) = Ax(t) (6.36) La ecuaci on matricial (6.36) recuerda la ecuaci on escalar dx = ax(t) dt cuya soluci on es x(t) = eat x(0) 165 (6.37)
OSCAR G. DUARTE
d eat = aeat ea0 x(0) = x(0) (6.38) dt Resulta entonces natural preguntarse si al reemplazar el escalar a por la matriz A, y la variable x por el vector de variables x se mantienen las relaciones (6.38) y asi encontrar una soluci on de (6.36) similar a (6.37). Es posible demostrar que d eAt = AeAt dt eA0 x(0) = x(0) (6.39)
debido a que
Para ello, empleamos la expansi on en series de Taylor (6.18) eAt = I + A3 t 3 A4 t 4 At A2 t2 + + + + 1! 2! 3! 4!
de donde se observa que eA0 = I, y por lo tanto x(0)eA0 = x(0). Adem as, podemos calcular la derivada de eAt : d d eAt = dt dt I+ At A2 t2 A3 t 3 A4 t 4 + + + + 1! 2! 3! 4!
A2 t A3 t 2 A4 t 3 A5 t 4 d eAt =0+A+ + + + + dt 1! 2! 3! 4! d eAt At A2 t2 A3 t 3 A4 t 4 =A I+ + + + + dt 1! 2! 3! 4! d eAt = AeAt dt De esta forma hemos demostrado (6.39), y por lo tanto tambi en hemos demostrado que la soluci on de (6.36) es x(t) = eAt x(0) (6.40)
En (6.40) x(0) es el vector que contiene las condiciones iniciales de x(t). Por otra parte, es posible calcular eAt por diversos m etodos, de los cuales destacamos los siguientes3 : Series de Taylor: Podemos emplear la expansi on en series de Taylor (6.18) directamente: eAt = I + At A2 t2 A3 t 3 A4 t 4 + + + + 1! 2! 3! 4! (6.41)
Este m etodo no es pr actico, debido a la dicultad de calcular Ak ; sin embargo, en algunos casos especiales este c alculo es sencillo, como se muestra en los ejemplos 6.18, 6.19 y 6.20
3 Los ejemplos 6.18, 6.19 y 6.20 ponen de maniesto que si A = {a } entonces eAt = ij {eaij t }.
166
Forma can onica de Jordan: Si se ha obtenido la forma can onica de Jordan de la matriz A, entonces se tienen dos matrices J y M tales que J = M1 AM A = MJM1
y por lo tanto eAt puede calcularse asi: eAt = MIM1 + (MJM1 )t (MJM1 )2 t2 (MJM1 )3 t3 + + + 1! 2! 3! MJM1 t MJ2 M + 1! 2!
1 2
eAt = MIM1 +
MJ3 M 3!
1 3
eAt = M I +
J3 t 3 Jt J2 t2 + + + 1! 2! 3! eAt = MeJt M1
M1 (6.42)
La ventaja de emplear (6.42) radica en que J es una matriz diagonal por bloques, y por lo tanto eJt es m as f acil de calcular, especialmente si J es completamente diagonal Transformada de Laplace: Podemos obtener la soluci on de (6.36) empleando la transformada de Laplace, y asi deducir el valor de eAt . L {x } = L {Ax} sx(s) x(0) = Ax(s) sx(s) Ax(s) = x(0) (sI A)x(s) = x(0) x(s) = (sI A)1 x(0) x(t) = L1 {x(s)} = L1 (sI A)1 x(0) x(t) = L1 (sI A)1 x(0) = eAt x(0) eAt = L1 (sI A)1 (6.43)
Jordan y Laplace: Pueden combinarse (6.42) y (6.43) para obtener eAt = ML1 (sI J)1 M1 (6.44)
167
OSCAR G. DUARTE
sujeta a las condiciones iniciales x1 (0) = 2, x2 (0) = 1, x3 (0) = 1 La ecuaci on es de la forma x = Ax, por lo tanto la soluci on ser a x(t) = e At x(0). At El c alculo de e es muy simple, debido a que A es una matriz diagonal (Ejemplo 6.18): 2t e 0 0 eAt = 0 e1t 0 0 0 e3t Este resultado tambi en se habr a podido obtener mediante la transformada de Laplace: 1 0 0 s2 0 0 s2 1 0 s+1 0 sI A = 0 (sI A)1 = 0 s+1 1 0 0 s3 0 0 s3 eAt = L1 (sI A)1 e2t = 0 0 0 e1t 0 0 0 e3t
Ejemplo 6.24 Obtener la soluci on de la ecuaci on x 1 (t) 2 0 0 x1 (t) x 2 (t) = 0 1 0 x2 (t) x 3 (t) 0 0 3 x3 (t)
por lo tanto la soluci on de la ecuaci on diferencial ser a 2t e 0 0 2 At 1t 0 e 0 1 x(t) = e x(0) = 0 0 e3t 1 2t 2e x1 (t) x(t) = x2 (t) = et e3t x3 (t)
En un caso como este en el que la matriz A es diagonal, realmente la ecuaci on diferencial matricial representa un conjunto de ecuaciones diferenciales sencillas en el que las variables est an desacopladas ; La ecuaci on matricial y las condiciones iniciales pueden escribirse como: 1 (t) = 2x1 (t) x1 (0) = 2 x x 2 (t) = 1x2 (t) x2 (0) = 1 x 3 (t) = 3x3 (t) x3 (0) = 1 cuyas soluciones son x1 (t) = 2e2t x2 (t) = et x3 (t) = et 168
Ejemplo 6.25 Obtener la soluci on de la ecuaci on 4 1 x 1 (t) = 2 1 x 2 (t) x1 (t) x2 (t)
sujeta a las condiciones iniciales x1 (0) = x10 y x2 (0) = x20 En el ejemplo 6.10 se ha obtenido la forma can onica de Jordan de la matriz A, que ha resultado ser la matriz , perfectamente diagonal; es decir se han encontrado las matrices M y tales que = M1 AM M= lo que permite calcular eAt : eAt = Met M1 eAt = 1 1 2 1 e2t 0 0 e3t 1 1 (e2t + 2e3t ) = 2 1 (2e2t 2e3t ) (e2t + e3t ) (2e2t e3t ) 1 (s 4) + +
1 (s3) 1 (s3)
1 1 2 1
2 0 0 3
Tambi en podemos obtener este resultado mediante la Transformada de Laplace: sI A = (sI A)1 = s 4 1 2 s1
s1 (s2)(s3) 2 (s2)(s3)
(sI A)1 =
1 (s2)(s3) s4 (s2)(s3)
1 (s 1) 2 s2 5s + 6 + +
2 (s3) 2 (s3) 1 (s2) 2 (s2)
1 (s2) 2 (s2)
eAt = L1 (sI A)1 =
(e2t + 2e3t ) (2e2t 2e3t )
(e2t + e3t ) (2e2t e3t ) x10 x20
por lo tanto la soluci on de la ecuaci on diferencial ser a x(t) = eAt x(0) = (e2t + 2e3t ) (e2t + e3t ) (2e2t 2e3t ) (2e2t e3t )
x(t) = x(t) =
x1 (t) (e2t + 2e3t )x10 + (e2t + e3t )x20 = x2 (t) (2e2t 2e3t )x10 + (2e2t e3t )x20 e2t (x10 x20 ) + e3t (2x10 + x20 ) x1 (t) = 2t e (2x10 + 2x20 ) + e3t (2x10 x20 ) x2 (t)
Ejemplo 6.26 Obtener la soluci on de la ecuaci on x 1 (t) 1 4 = x 2 (t) 1 1 x1 (t) x2 (t)
sujeta a las condiciones iniciales x1 (0) = x10 y x2 (0) = x20 169
OSCAR G. DUARTE
son
Los valores propios de A son 1,2 = 1 j 2, y dos vectores propios asociados v1 = j 2 1 v2 = j2 1
Debido a que los valores propios son complejos, es conveniente encontrar la forma can onica real de Jordan de A.
1 JR = M R AMR
MR = lo que permite calcular eAt :
0 2 1 0
JR =
1 2 2 1
1 eAt = MR eJR t M R
Empleando el resultado del ejemplo 6.20 eAt = 0 2 1 0 eAt = et cos 2t et sin 2t et sin 2t et cos 2t et cos 2t 2et sin 2t 1 t 2 e sin 2t et cos 2t 1 (s + 1) 4 1 ( s + 4) + 2s + 5 0 1 1/2 0
Tambi en podemos obtener este resultado mediante la Transformada de Laplace: sI A = s+1 1 4 s+1 (sI A)1 =
s+1 (s+1)2 +22 1 (s+1)2 +22
s2
(sI A)1 =
4 (s+1)2 +22 s+1 (s+1)2 +22
eAt = L1 (sI A)1 =
et cos 2t 2et sin 2t 1 t 2 e sin 2t et cos 2t x10 x20
por lo tanto la soluci on de la ecuaci on diferencial ser a x(t) = eAt x(0) = et cos 2t 2et sin 2t 1 t 2 e sin 2t et cos 2t
x(t) =
x1 (t) x10 et cos 2t + 2x20 et sin 2t = 10 t x2 (t) x2 e sin 2t + x20 et cos 2t
Ejemplo 6.27 Obtener la soluci on de la ecuaci on x 1 (t) 3 4 = x 2 (t) 1 1 x1 (t) x2 (t)
sujeta a las condiciones iniciales x1 (0) = x10 y x2 (0) = x20 170
Los valores propios de A son 1 = 2 = 1. Adem as se puede comprobar que no es posible diagonalizar A. En consecuencia, la forma can onica de Jordan de A ser a un u nico bloque de tama no 2. La obtenci on de los vectores propios generalizados con los que se obtiene la forma can onica de Jordan escapa al alcance de este texto. No obstante, vamos a suponer que se han encontrado las matrices M y J: J = M1 AM M= 2 1 1 0 J= 1 1 0 1
de tal manera que se puede calcular eAt :
eAt = MeJt M1 No obstante, como J no es diagonal, debemos calcular e Jt mediante la transformada de Laplace. sI J = s + 1 1 0 s+1 (sI J)1 = et 0
1 (s+1) 1 (s+1)2 1 (s+1)
0 tet et
eJt = L1 (sI J)1 = Retomando el c alculo de eAt eAt = 2 1 1 0 s+3 1 et 0 tet et
0 1 et 2tet = 1 2 tet
4tet e + 2tet
t
Tambi en podemos obtener este resultado mediante la Transformada de Laplace: sI A = 4 s1 (sI A)1 =
1 (s+1)
eAt = L1 (sI A)1 =
(sI A)1 =
2 (s+1)2
1 (s+1)2
1 (s 1) 4 2 1 ( s + 3) (s + 1)
4 (s+1)2 1 (s+1)
2 (s+1)2
por lo tanto la soluci on de la ecuaci on diferencial ser a x(t) = eAt x(0) = x(t) = x(t) = et 2tet tet
t
et 2tet tet
4tet e + 2tet
t
4tet e + 2tet
x10 x20
x1 (t) (x10 )et + (2x10 + 4x20 )tet = x2 (t) (x20 )et + (x10 + 2x20 )tet 171
x1 (t) (et 2tet )x10 + 4x20 tet = x2 (t) x10 tet + (et + 2tet )x20
OSCAR G. DUARTE
6.4.1.
Retratos de fase
Sup ongase ahora un sistema como (6.36) de dimensi on dos, es decir, sup ongase x (t) x 1 (t) (6.45) =A 1 x2 (t) x 2 (t) Una vez solucionada (6.45) es posible trazar las curvas x1 (t) vs t y x2 (t) vs t. Tambi en es posible trazar una curva x1 (t) vs x2 (t), en un plano x1 x2 conocido como el plano de fase (ver Ejemplo 6.28). La curva resultante es un trayectoria de (6.45), y puede visualizarse como una curva param etrica denida por (x1 (t), x2 (t)) con el par ametro t variando de 0 a . La soluci on de (6.45) depende de las condiciones iniciales, por lo tanto la trayectoria depende de las condiciones iniciales. Sobre el mismo plano de fase se pueden trazar diferentes trayectorias obtenidas con distintas condiciones iniciales; el resultado es el retrato de fase de (6.45). Ejemplo 6.28 La soluci on de la ecuaci on 1 4 x 1 (t) = 1 1 x 2 (t) x1 (t) x2 (t)
sujeta a las condiciones iniciales x1 (0) = 0 y x2 (0) = 2 es (Ejemplo 6.26) x(t) = x1 (t) 4et sin 2t = x2 (t) 2et cos 2t
La gura 6.9 muestra las gr acas de x1 (t) vs t, x2 (t) vs t, a partir de las cuales se ha trazado x1 vs x2 tomando para cada tiempo el valor de x1 ( ) y x2 ( ) y traslad andolos al plano de fase. La curva resultante es una trayectoria de la ecuaci on diferencial.La echa roja indica el sentido en el que se recorre la trayectoria cuando el tiempo avanza. Se ha repetido el procedimiento para varios juegos de condiciones iniciales, con el n de obtener el retrato de fase que se muestra en la gura 6.10. Las condiciones iniciales seleccionadas han sido: xa (0) = 0 2 xb (0) = 0 2 xc (0) = 2 1.5 xd (0) = 2 1.5
La gura 6.11 muestra los retratos de fase t picos de sistemas lineales estables 4 , mientras que la gura 6.12 muestra los retratos de fase t picos de los sistemas lineales inestables. Debemos resaltar que la forma de estos retratos depende de c omo son los valores propios de la matriz A. En general, un sistema lineal como (6.45) tendr a un retrato de fase semejante a alguno de los que se muestran en las guras6.11 y 6.12. No obstante, el retrato de fase no necesariamente ser a id entico. La semejanza a la que nos referimos aqui consiste en una equivalencia de forma (ser an topol ogicamente equivalentes ).
4 el
centro se considera como un sistema marginalmente estable
172
x1 ( ) x1 (t)
(, x1 ( )) Plano de Fase x2 t x2 ( ) (x1 ( ), x2 ( )) x1 ( )x1 (, x2 ( )) t
x2 (t) x2 ( )
Figura 6.9: Construcci on de una trayectoria en el Plano de Fase
x2
x1
Figura 6.10: Retrato de Fase
173
OSCAR G. DUARTE
Nombre
Retrato
e-valores
Ejemplo 1 0 0 2
Reales Negativos
A=
Estable x1 (t) = x10 et x2 (t) = x20 e2t

Reales Negativos Repetidos
A=
Estable de multiplicidad 2
1 1 0 1
x1 (t) = (x10 + tx20 )et x2 (t) = x20 et

Complejos de Parte Real Negativa
A=
1 2 2 1
Sif on x1 (t) = x10 e2t cos t + x20 e2t sin t x2 (t) = x10 e2t sin t + x20 e2t cos t
Imaginarios puros
A=
0 1 1 0
Centro x1 (t) = x10 cos t + x20 sin t x2 (t) = x10 sin t + x20 cos t
Figura 6.11: Retratos de Fase Estables t picos
174
Nombre
Retrato
e-valores
Ejemplo 1 0 0 2
Reales Positivos
A=
Inestable x1 (t) = x10 et x2 (t) = x20 e2t

Reales Positivos Repetidos
A=
1 1 0 1
Inestable de multiplicidad 2
x1 (t) = (x10 + tx20 )et x2 (t) = x20 et

Complejos de Parte Real Positiva
A=
1 2 2 1
Fuente x1 (t) = x10 e2t cos t + x20 e2t sin t x2 (t) = x10 e2t sin t + x20 e2t cos t
Reales de Signo Diferente
A=
1 0 0 1
Punto de Silla x1 (t) = x10 et x2 (t) = x20 et

Figura 6.12: Retratos de Fase Inestables t picos
175
OSCAR G. DUARTE
Ejemplo 6.29 La gura 6.13 muestra los retratos de fase de varios ejemplos. En cada caso se ha anotado la matriz A y su formacanonica de Jordan J. N otese la semejanza de forma con los ejemplos t picos de las guras 6.11 y 6.12. En las guras 6.11 y 6.12 se observa que el origen del plano de fase juega un papel importante, atrayendo o repeliendo todas las trayectorias (o siendo el centro de ellas en el caso especial en el que los valores propios son imaginarios puros). El origen del plano de fase es el punto de equilibrio de (6.45), que denimos a continuaci on. Denici on 6.2 Punto de Equilibrio de Sistemas Continuos x es un Punto de Equilibrio de un sistema descrito por la ecuaci on diferencial x = f (x) si derivada es cero, es decir, si f (x ) = 0 Si la matrix A en (6.45) es no singular, el u nico punto de equilibrio de (6.45) es el origen del plano de fase. Lo anterior se demuestra al notar que un punto de equilibrio x es la soluci on del sistema de ecuaciones A x = 0, que tiene una u nica soluci on en x = 0 si y s olo si A es no singular. Si la matriz A en (6.45) es singular pueden existir innitos puntos de equilibrio, y los retratos de fase ser an diferentes a los contemplados en las guras 6.11 y 6.12. Estos casos no se considerar an en este curso.
6.4.2.
Espacio de estado
Dada una ecuaci on de la forma (6.36), podemos denir el conjunto formado por todas las soluciones de (6.36). Este conjunto forma un espacio vectorial conocido como el espacio de estado, tal como se especica en el siguiente teorema. Teorema 6.1 Dada una ecuaci on de la forma (6.36), el conjunto de todas las soluciones forma un espacio vectorial sobre el campo C con las operaciones usuales. Demostraci on 6.1 El conjunto de todas las soluciones de (6.36) es un subconjunto del espacio vectorial formado por las funciones vectoriales continuas de orden n. Por lo tanto, s olo es necesario demostrar que el conjunto es cerrado bajo las operaciones usuales de suma de funciones y producto por escalar. Sup ongase dos funciones x1 (t) y x2 (t) que son soluci on de (6.36). x 1 (t) = Ax1 (t) x 2 (t) = Ax2 (t)
Podemos multiplicar estas ecuaciones por cualesquiera escalares 1 , 2 C y sumarlas 1 x 1 (t) = 1 Ax1 (t) 2 x 2 (t) = 2 Ax2 (t) d [1 x1 (t) + 2 x2 (t)] = A(1 x1 (t) + 2 x2 (t)) dt 176
1.0 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0
.
1.0 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0
.
A=
0 2
1 3
J=
1 0
0 2
1.0 0.8 0.6 0.4 0.2
A=
0 2
1 3
J=
1 0
0 2
1.0 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0
.
0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.0 -0.8 -0.6 -0.4 -0.2
0.2
0.4
0.6
0.8
1.0
A=
0 1
1 1
J=
0.5 0.87
0.87 0.5
A=
0 1
1 1
J=
0.5 0.87
0.87 0.5
1.0 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0
.
1.0 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0
.
A=
0 1
1 0
J=
j 0
0 j
A=
0 2
1 1
J=
1 0
0 2
Figura 6.13: Ejemplos Retratos de Fase
177
OSCAR G. DUARTE
Esta expresi on demuestra que cualquier combinaci on lineal de soluciones de (6.36) es tambi en una soluci on de (6.36), es decir, es cerrada bajo la suma y el producto por escalar, y por lo tanto forma un espacio vectorial. Los siguientes son algunos conceptos importantes asociados al Espacio de Estado. En todos los casos se ha supuesto que A es no singular y de tama no n n: Dimensi on del Espacio de Estado: El espacio vectorial tiene una dimensi on igual al rango de la matriz A en (6.36). La dimensi on de es n. Soluciones linealmente independientes: Las soluciones de (6.36) dependen de las condiciones iniciales. Si se utilizan dos condiciones iniciales linealmente independientes, las soluciones que se obtienen tambi en son linealmente independientes. Por el contrario, Si se utilizan dos condiciones iniciales linealmente dependientes, las soluciones que se obtienen tambi en son linealmente dependientes. Base del espacio de estado: Una base de estar a formada por n soluciones de (6.36) linealmente independientes. Denotemos estas funciones por 1 (t), 2 (t), , n (t). Estas soluciones pueden obtenerse seleccionando n condiciones iniciales linealmente independientes. Matriz Fundamental: Una matriz (t) que tenga n columnas formadas por n soluciones de (6.36) linealmente ndependientes se denomina una Matriz Fundamental de (6.36). (t) = 1 (t) 2 (t) n (t)
Bases y vectores propios: Si la matriz A en (6.36) tiene n vectores propios linealmente independientes, entonces estos pueden escogerse como el juego de n condiciones iniciales que se necesitan para construir una base de . Este cambio de base es equivalente a la obtenci on de la Forma can onica de Jordan de A. Ejemplo 6.30 Sup ongase el sistema din amico x 1 (t) 1.5 0.5 = x 2 (t) 0.5 1.5 x1 (t) x2 (t)
que es de la forma (6.36). Los valores propios de la matriz A son 1 = 1 y 2 = 2, y unos vectores propios asociados a ellos son: v1 = 1 1 v2 = 1 1 1 1 1 1
de tal manera que la forma can onica de Jordan y la matriz modal son J= 1 0 0 2 178 M=
La matriz eAt es la siguiente: eAt = (0.5et + 0.5e2t ) (0.5et 0.5e2t ) (0.5et 0.5e2t ) (0.5et + 0.5e2t )
y por lo tanto la soluci on de la ecuaci on diferencial, para unas condiciones iniciales x10 y x20 es x(t) = (0.5et + 0.5e2t )x10 + (0.5et 0.5e2t )x20 (0.5et 0.5e2t )x10 + (0.5et + 0.5e2t )x20 et (0.5x10 + 0.5x20 ) + e2t (0.5x10 0.5x20 ) et (0.5x10 + 0.5x20 ) + e2t (0.5x10 + 0.5x20 )
x(t) =
El retrato de fase del sistema se muestra en la gura 6.14. Cada trayectoria del retrato de fase es una soluci on de la ecuaci on diferencial para unas ciertas condiciones iniciales. De esas trayectorias se destacan 2 que corresponden a l neas rectas. No es casualidad que esas trayectorias rectas coincidan con los vectores propios v1 y v2 . Veamos: Si seleccionamos como condiciones iniciales las mismas coordenadas del vector propio v1 , es decir, si hacemos x10 = 1 y x20 = 1 la soluci on de la ecuaci on ser a 1 (t) = x1 (t) et (0.5 + 0.5) + e2t (0.5 0.5) et = t = t 2t x2 (t) e (0.5 + 0.5) + e (0.5 + 0.5) e
Es decir, se encuentra que x1 (t) = x2 (t) lo que corresponde a una recta en el plano de fase. Adem as, la din amica del sistema s olo depende de t erminos e t , es decir, s olo depende del valor propio 1 al cual est a asociado v1 . Al seleccionar como condici on inicial un punto del primer vector propio, toda la din amica del sistema depende exclusivamente del primer valor propio. Un resultado similar obtendremos si seleccionamos como condiciones iniciales las mismas coordenadas del vector propio v2 , es decir, si hacemos x10 = 1 y x20 = 1. La soluci on de la ecuaci on ser a 2 (t) = x1 (t) et (0.5 0.5) + e2t (0.5 + 0.5) e2t = t = 2t x2 (t) e (0.5 0.5) + e (0.5 0.5) e2t
Es decir, se encuentra que x1 (t) = x2 (t) lo que corresponde a otra recta en el plano de fase. Adem as, la din amica del sistema s olo depende de t erminos e 2t , es decir, s olo depende del valor propio 2 al cual est a asociado v2 . Al seleccionar como condici on inicial un punto del segundo vector propio, toda la din amica del sistema depende exclusivamente del segundo valor propio. Hay otra forma de comprender estos resultado: Sup ongase que en alg un instante (por ejemplo en t = 0) el vector de estado x es un vector propio del primer valor propio 1 ; su derivada podr a calcularse como x = Ax, pero como es un vector propio, entonces x = Ax = 1 x. En otras palabras, la derivada ser a un vector con la misma direcci on de x y por lo tanto el sistema evolucionar a en esa direcci on, que es justamente la del vector propio. 179
OSCAR G. DUARTE
1.0 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1.0 1.0 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1.0
.
Figura 6.14: Retrato de Fase de un Ejemplo
Las dos soluciones que se han obtenido 1 (t) y 2 (t) son linealmente independientes, y por lo tanto sirven como base del espacio de estado . Construimos la matriz fundamental (t) = 1 (t) 2 (t) = et et e2t e2t
Lo que se ha hecho es equivalente a efectuar un cambio de base en el plano de fase, tomando como nueva base la formada por los vectores propios. El nuevo retrato de fase se muestra en la gura 6.15
6.4.3.
Matriz de transici on de estado
Denimos la matriz de transici on de estado (t2 , t1 ) como la matriz quepermite obtener el estado en el tiempo t2 a partir del estado en el tiempo t1 mediante la expresi on 5 : x(t2 ) = (t2 , t1 )x(t1 ) (6.46) Para un sistema como (6.36) es posible obtener (t2 , t1 ) calculando x(t1 ) y x(t2 ): x(t1 ) = eAt1 x(0)
5 Una denici on alternativa que es equivalente emplea la matriz fundamental: (t 2 , t1 ) = (t1 )1 (t1 )
180
6.5. SISTEMAS DISCRETOS LIBRES
1.0 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1.0 1.0 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1.0
.
Figura 6.15: Retrato de Fase de un Ejemplo en la base de los vectores propios
x(t2 ) = eAt2 x(0) x(0) = (eAt1 )1 x(t1 ) = eAt1 x(t1 ) x(t2 ) = eAt2 eAt1 x(t1 ) x(t2 ) = eA(t2 t1 ) x(t1 ) (t2 , t1 ) = eA(t2 t1 ) (6.47)
6.5.
Sistemas discretos libres
Abordamos ahora el an alisis de la ecuaci on (6.22) con el sistema libre (sin entradas), es decir estudiamos la ecuaci on x(k + 1) = Ax(k ) La ecuaci on matricial (6.48) recuerda la ecuaci on escalar x(k + 1) = ax(k ) cuya soluci on es x(k ) = x(0)ak 181 (6.49) (6.48)
OSCAR G. DUARTE
debido a que ak+1 = aak x(0)a0 = x(0) (6.50) Al igual que en el caso continuo, nos preguntamos si al reemplazar el escalar a por lamatriz A, y la variable x por el vector de variables x se mantienen las relaciones (6.50) y asi encontrar una soluci on de (6.48) similar a (6.49). Evidentemente Ak+1 = AAk x(0)A0 = x(0) (6.51) En consecuencia la soluci on de (6.48) es x(k ) = Ak x(0) (6.52)
En (6.52) x(0) es el vector que contiene las condiciones iniciales de x(k ). Por otra parte, es posible calcular Ak por diversos m etodos, de los cuales destacamos los siguientes Denici on: Podemos emplear la denici on de Ak directamente: Este m etodo no es pr actico, debido a la dicultad de calcular Ak ; sin embargo, en algunos casos especiales este c alculo es sencillo (matrices diagonales) Forma can onica de Jordan: Si se ha obtenido la Forma can onica de Jordan de la matriz A, entonces se tienen dos matrices J y M tales que J = M1 AM A = MJM1 y por lo tanto Ak puede calcularse asi: Ak = MJk M1 (6.54) Ak = AAA A k veces (6.53)
La ventaja de emplear (6.54) radica en que J es una matriz diagonal por bloques, y por lo tanto Jk es m as f acil de calcular, especialmente si J es completamente diagonal Transformada Z : Podemos obtener la soluci on de (6.48) empleando la transformada Z , y asi deducir el valor de Ak . Z {x(k + 1)} = Z {Ax(k )} = z x(z ) Ax(z ) = z x(0) x(z ) = z (z I A)1 x(0) (z I A)x(z ) = z x(0) z x(z ) z x(0) = Ax(z )
x(k ) = Z 1 {x(z )} = Z 1 z (z I A)1 x(0) x(k ) = Z 1 z (z I A)1 x(0) = Ak x(0) Ak = Z 1 z (z I A)1 182 (6.55)
6.6. SISTEMAS CONTINUOS EXCITADOS
Jordan y Transformada Z : Pueden combinarse (6.54) y (6.55) para obtener Ak = MZ 1 z (z I J)1 M1 (6.56)
6.5.1.
Matriz de transici on de estado
Denimos la Matriz de Transici on de Estado (k2 , k1 ) como la matriz que permite obtener el estado en el tiempo k2 a partir del estado en el tiempo k1 mediante la expresi on x(k2 ) = (k2 , k1 )x(k1 ) (6.57) Para un sistema como (6.48) es posible obtener (k2 , k1 ) calculando x(k1 ) y x(k2 ): x(k1 ) = Ak1 x(0) x(k2 ) = Ak2 x(0) x(0) = (Ak1 )1 x(k1 ) = Ak1 x(k1 ) x(k2 ) = Ak2 Ak1 x(k1 ) x(k2 ) = A(k2 k1 ) x(k1 ) (k2 , k1 ) = A(k2 k1 )
6.6.
Sistemas continuos excitados
Estudiamos ahora el sistema continuo con excitaci on, es decir el sistema descrito por (6.58) x (t) = Ax(t) + Bu(t) y(t) = Cx(t) + Du(t) (6.58)
Para ello, aplicamos transformada de Laplace a cada lado de las ecuaciones sx(s) x(0) = Ax(s) + Bu(s) En la primera ecuaci on podemos despejar x(s) sx(s) Ax(s) = x(0) + Bu(s) (sI A)x(s) = x(0) + Bu(s) x(s) = (sI A)1 x(0) + (sI A)1 Bu(s) 183 (6.60) (6.59)
y(s) = Cx(s) + Du(s)
OSCAR G. DUARTE
Ahora podemos incorporar (6.60) en la segunda ecuaci on de (6.59) y(s) = C (sI A)

1
x(0) + C ((sI A)
Bu(s) + Du(s) (6.61)
y(s) = C(sI A)1 x(0) + C(sI A)1 B + D u(s)

Rta de entrada cero Rta de estado cero
En (6.61) se observa que la respuesta y(s) tiene dos componentes6 : Respuesta de estado cero: Es la primera parte de la ecuaci on (6.61). Depende de las entradas u(s) y no de las condiciones iniciales; de hecho, es la respuesta que tiene el sistema si las condiciones iniciales son cero, es decir, si su estado inicial es cero (de all su nombre). Respuesta de entrada cero: Es la segunda parte de la ecuaci on (6.61). Depende de las condiciones iniciales y no de las entradas u(s); de hecho, es la respuesta que tiene el sistema si las entradas son cero (de all su nombre).
6.6.1.
en
Matriz de funciones de transferencia
Si se consideran condiciones iniciales nulas, la ecuaci on (6.61) se convierte y(s) = C(sI A)1 B + D u(s)
Podemos denir la Matriz de Funciones de Transferencia como la matriz de relaciona las entradas y las salidas, cuando las condiciones iniciales son nulas: y(s) = G(s)u(s)| C.I.=0 G(s) = C(sI A)1 B + D (6.62)
El elemento Gij (s) de la matriz G(s) muestra c omo afecta la entrada uj (s) a la salida yi (s). En general, una entrada uj (s) afectar a a todas las salidas y (s). No obstante, existe un caso especial en que esto no es as : sup ongase que existe el mismo n umero de entradas que de salidas p, y que la matriz de funciones de transferencia es diagonal: y1 (s) G11 (s) 0 0 u1 (s) y2 (s) 0 G22 (s) 0 u2 (s) = . . . . . . . .. . . . . . . . . . yp (s) 0 0 Gpp (s) up (s)
6 Comp arese
La matriz G(s) en (6.62) es una matriz G11 (s) G12 (s) y1 (s) y2 (s) G21 (s) G22 (s) = . . . . . . . . . yq (s) Gq1 (s) Gq2 (s)
q p (p entradas y q salidas): u1 (s) G1p (s) G2p (s) u2 (s) . . .. . . . . . Gqp (s) up (s)
con las deniciones de la p agina 45 para sistemas de una entrada y una salida
184
6.7. SISTEMAS DISCRETOS EXCITADOS
En este caso especial, la entrada uj (s) s olo afecta la salida yj (s). Se dice entonces que el sistema es desacoplado.
6.6.2.
Variables de estado en el tiempo
Podemos obtener el comportamiento en el tiempo de las variables de estado aplicando la transformada inversa de Laplace a (6.60) x(t) = L1 [x(s)] = L1 (sI A)1 x(0) + L1 (sI A)1 Bu(s) La primera de las transformadas corresponde a eAt = (t, 0) como puede verse en (6.43) y (6.47). N otese que la segunda transformada incluye el producto de dos funciones de s. El resultado es:
t
x(t) = (t, 0)x(0) +

0
(t, )Bu( )d
(6.63)
En la secci on 6.7.2 buscaremos aproximarnos a una interpretaci on de (6.63) apoy andonos en el caso discreto.
6.7.
Sistemas discretos excitados
Estudiamos ahora el sistema discreto con excitaci on, es decir el sistema descrito por (6.64) x(k + 1) = Ax(k ) + Bu(k ) y(k ) = Cx(k ) + Du(k ) Para ello, aplicamos transformada Z a cada lado de las ecuaciones z x(z ) z x(0) = Ax(z ) + Bu(z ) En la primera ecuaci on podemos despejar x(z ) z x(z ) Ax(z ) = z x(0) + Bu(z ) x(z ) = z (z I A)1 x(0) + (z I A)1 Bu(z ) (z I A)x(z ) = z x(0) + Bu(z ) (6.66) y(z ) = Cx(z ) + Du(z ) (6.65) (6.64)
Ahora podemos incorporar (6.66) en la segunda ecuaci on de (6.65) y(z ) = C z (z I A)1 x(0) + (z I A)1 Bu(z ) + Du(z ) y(z ) = Cz (z I A)1 x(0) + C(z I A)1 B + D u(z )
Rta de entrada cero Rta de estado cero
(6.67)
De forma an aloga al caso continuo, (6.67) muestra que la respuesta y(z ) tiene dos componentes7 :
7 Comp arese
con las deniciones de la p agina 46 para sistemas de una entrada y una salida
185
OSCAR G. DUARTE
Respuesta de estado cero: Es la primera parte de la ecuaci on (6.67). Depende de las entradas u(z ) y no de las condiciones iniciales; de hecho, es la respuesta que tiene el sistema si las condiciones iniciales son cero, es decir, si su estado inicial es cero (de all su nombre). Respuesta de entrada cero: Es la segunda parte de la ecuaci on (6.67). Depende de las condiciones iniciales y no de las entradas u(z ); de hecho, es la respuesta que tiene el sistema si las entradas son cero (de all su nombre).
6.7.1.
en
Matriz de funciones de transferencia
Si se consideran condiciones iniciales nulas, la ecuaci on (6.67) se convierte y(z ) = C(z I A)1 B + D u(z )
Podemos denir la Matriz de Funciones de Transferencia como la matriz de relaciona las entradas y las salidas, cuando las condiciones iniciales son nulas: y(z ) = G(z )u(z )|C.I.=0 G(z ) = C(z I A)1 B + D (6.68)
El elemento Gij (z ) de la matriz G(z ) muestra c omo afecta la entrada uj (z ) a la salida yi (z ). En general, una entrada uj (z ) afectar a a todas las salidas y (z ). No obstante, existe un caso especial en que esto no es as : sup ongase que existe el mismo n umero de entradas que de salidas p, y que la matriz de funciones de transferencia es diagonal: u1 (z ) G11 (z ) 0 0 y1 (z ) y2 (z ) 0 G22 (z ) 0 u2 (z ) = . . . . . .. . . . . . . . . . . . yp (z ) 0 0 Gpp (z ) up (z )
La matriz G(z ) en (6.68) es una matriz y1 (z ) G11 (z ) G12 (z ) y2 (z ) G21 (z ) G22 (z ) . = . . . . . . . . yq (z )
Gq1 (z ) Gq2 (z ) Gqp (z )
q p (p entradas y q salidas): G1p (z ) u1 (z ) G2p (z ) u2 (z ) . . .. . . . . . up (z )
En este caso especial, la entrada uj (z ) s olo afecta la salida yj (z ). Se dice entonces que el sistema es desacoplado.
6.7.2.
Variables de estado en el tiempo
Podemos obtener el comportamiento en el tiempo de las variables de estado aplicando la Transformada inversa Z a (6.66) x(k ) = Z 1 [x(z )] = Z 1 z (z I A)1 x(0) + L1 (z I A)1 Bu(z ) 186
6.8. INTRODUCCION AL CONTROL POR VARIABLE DE ESTADO
La primera de las transformadas corresponde a Ak = (k, 0) como puede verse en (6.55) y (6.57). N otese que la segunda transformada incluye el producto de dos funciones de z . El resultado es: x(k ) = (k, 0)x(0) +
k1 l=0
(k, l + 1)Bu(l)
(6.69)
La ecuaci on (6.63) y (6.69) son an alogas; sin embargo, es m as f acil de analizar (6.69). Para ello, vamos a expandir la sumatoria: x(k ) = (k, 0)x(0) + (k, 1)Bu(0) + (k, 2)Bu(1) + + (k, k )Bu(k 1) x(k ) = (k, 0)x(0) + (k, 1)Bu(0) + (k, 2)Bu(1) + + Bu(k 1) (6.70) La ecuaci on (6.70) muestra que x(k ) esta formada por aportes de las condiciones iniciales x(0), y de las entradas u(k ). Adem as muestra cu al es el aporte exacto del valor de la entrada en un instante de tiempo espec co: por ejemplo, la entrada en k = 1, que es u(1) aporta a la construcci on de x(k ) justamente (k, 2)Bu(1). Un an alisis similar podr a hacerse para el caso continuo con la ecuaci on (6.63); para ello debe emplearse la funci on impulso (t ). Debido a que este an alisis no aporta ning un concepto nuevo, se ha omitido en este texto.
6.8.
Introducci on al control por variable de estado
El esquema b asico de control por variable de estado se muestra en la gura 6.16. La estrategia, que es igualmente v alida para sistemas continuos y discretos consiste en utilizar las variables de estado x para realimentar el sistema mediante una matriz K, y comparar el estado con unas se nales de referencia r, de donde se tiene que u = r + Kx (6.71) Para que (6.71) tenga sentido, las dimensiones de las variables involucradas deben ser las siguientes: up1 = rp1 + Kpn xn1 Podemos emplear los diagramas de bloques de la representaci on en variable de estado para sistemas continuos y discretos que se muestran en las guras 6.5 y 6.6 para complementar la gura 6.16. El resultado se muestra en las guras 6.17 y 6.18 Combinando las ecuaciones (6.21) y (6.22) con (6.71) se obtienen las ecuaciones de estado para sistemas continuos y discretos con realimentaci on por variable de estado: 187
OSCAR G. DUARTE
+ +
y Sistema
x K
Figura 6.16: Realimentaci on por Variable de Estado
D r(s)+ + u(s) B + + A sx(s) x(s) C + + y(s)
1/s
Figura 6.17: Realimentaci on por Variable de Estado de un sistema cont nuo
188
D r(z )+ + u(z ) B + + A z x(z ) x(z ) C + + y(z )
1/z
Figura 6.18: Realimentaci on por Variable de Estado de un sistema discreto
x (t) = Ax(t) + B[r(t) + Kx(t)] y(t) = Cx(t) + D[r(t) + Kx(t)] x(k + 1) = Ax(k ) + B[r(k ) + Kx(k )] y(k ) = Cx(k ) + D[r(k ) + Kx(k )] que pueden reescribirse como x (t) = [A + BK]x(t) + Br(t) y(t) = [C + DK]x(t) + Dr(t) x(k + 1) = [A + BK]x(k ) + Br(k ) y(k ) = [C + DK]x(k ) + Dr(k ) Se obtienen entonces unos nuevos sistemas para los que las entradas son r, las salidas son u y las variables de estado son x (ver gura 6.16). Si denimos = A + BK y C = C + DK las ecuaciones de estos nuevos sistemas ser A an (t) + Br(t) x (t) = Ax (t) + Dr(t) y(t) = Cx (k ) + Br(k ) x(k + 1) = Ax y(k ) = Cx(k ) + Dr(k ) = A + BK A = C + DK C = A + BK A C = C + DK (6.72)
(6.73)
Dado que el comportamiento de los sistemas descritos por (6.72) y (6.73) , se desprende que la estrategia de control dependen de los valores propios de A 189
OSCAR G. DUARTE
por variable de estado consiste en establecer un sistema como el de la gura 6.16 en (6.72) y (6.73) y seleccionar una matriz K tal que los valores propios de A sean los deseados. Como este no es un texto de control, no abordaremos el problema de c omo obtener esa matriz K. Sin embargo, resaltamos que esta estrategia plantea al menos dos interrogantes: ?, es decir, 1. Pueden asignarse con total libertad los valores propios de A dado un conjunto de valores propios deseados, existir a siempre una matriz dichos valores propios? K que permita asignarle a A 2. Dado que las variables de estado no necesariamente tienen sentido f sico, y en caso de tenerlo no necesariamente son medibles, Como pueden conocerse los valores de las variables de estado para implementar el esquema de la gura 6.16? Las secciones 6.8.1 y 6.8.2 intentan dar respuesta a estas preguntas.
6.8.1.
Controlabilidad
La noci on de controlabilidad de un sistema est a asociada con la posibilidad de hacer que sus variables de estado tomen cualquier valor deseado, no importa cuales sean las condiciones iniciales, en un tiempo nito. Denici on 6.3 Controlabilidad Un sistema din amico es controlable en t1 si para cualquier estado x(t1 ) y cualquier estado deseado xd es posible encontrar una entrada u(t) que aplicada entre t 1 y t2 produce x(t2 ) = xd , con t2 < Ejemplo 6.31 Consid erese el circuito de la gura 6.19, en el que la variable de entrada es v (t) y la variable de salida es vx (t). Es claro que para escribir las ecuaciones de estado de ese circuito podemos escoger como variable de estado la tensi on en el condensador vC (t). Debido a la simetr a del circuito, si las condiciones iniciales son nulas (v C (0) = 0), la tensi on en el condensador siempre ser a cero, sin importar qu e valor tome la fuente v (t). Por lo tanto, no es posible modicar a nuestro antojo el valor de la variable de estado, y en consecuencia el sistema es no controlable. La denici on 6.3 no brinda por s s ola un mecanismo f acil para determinar si un sistema es controlable o no. No obstante, podemos aplicar un test de controlabilidad para determinar si un sistema din amico lineal invariante en el tiempo es o no controlable. Test de controlabilidad Para determinar si un sistema como (6.21) o como (6.22) es o no controlable, con A una matriz n n y B una matriz n p, se construye la matriz de 190
1 v (t)
+
1 1F
Figura 6.19: Circuito
controlabilidad V y se verica su rango: V = B AB A2 B A3 B An1 B El sistema es controlable s y s olo si rank(V) = n Anotaciones al concepto de Controlabilidad 1. La denici on 6.3 es realmente la denici on de controlabilidad de estado, dado que se reere a la posibilidad de obtener cualquier estado. Existe una denici on semejante para la controlabilidad de salida, que no se aborda en este texto. 2. El test de controlabilidad (6.74) pone de maniesto que la controlabilidad s olo depende de las matrices A y B, es decir, s olo depende de la ecuaci on de estado y no de la ecuaci on de salida 3. Para determinar la controlabilidad de un sistema como(6.21) no es necesario resolver la ecuaci on diferencial. Se realiza un an alisis cualitativo de la ecuaci on. 4. Si un sistema es controlable, entonces con un esquema de control por realimentaci on de variable de estado como el de la gura 6.16 siempre es en (6.72) o en posible encontrar una matriz K real para que la matriz A (6.73) tenga los valores propios deseados8 . 5. El test es igualmente v alido para sistemas continuos y discretos. (6.74)
6.8.2.
Observabilidad
Al observar la estrategia de control por Realimentaci on de Variable de Estado sugerida en la gura 6.16 surge la cuesti on de c omo medir las variables de estado x, ya que es posible que estas no tengan sentido f sico, o que no sean medibles.
8 Se supone en esta armaci on que los valores propios deseados complejos aparecen en parejas conjugadas.
191
OSCAR G. DUARTE
+ +
y Sistema
Observador x K
Figura 6.20: Realimentaci on por Variable de Estado con Observador
Para solucionar este problema se plantea la utilizaci on de un estimador de estado, u observador de estado, que es un elemento que intenta estimar el estado del sistema a partir de mediciones de las entradas y salidas al sistema (se supone que estas s tienen sentido f sico y son medibles), tal como se observa en la gura 6.20, en la que x es la estimaci on que el observador hace del estado x La noci on de observabilidad de un sistema est a asociada con la posibilidad de determinar el estado del sistema a partir de mediciones de sus entradas y salidas durante un tiempo nito, es decir, con la posibilidad de construir un observador. Denici on 6.4 Observabilidad Un sistema din amico es observable en t1 si es posible conocer el estado x(t1 ) a partir de mediciones de las entradas u(t) y las salidas y(t) durante el periodo comprendido entre t1 y t2 , con t2 < Ejemplo 6.32 Consid erese nuevamente el circuito de la gura 6.19, en el que la variable de entrada es v (t), la variable de salida es v x (t) y la variable de estado la tensi on en el condensador vC (t). Es claro que a partir de mediciones de v (t) y vx (t) (que son iguales) no es posible conocer las condiciones iniciales del condensador y en consecuencia el sistema es no observable. La denici on 6.4 no brinda por s s ola un mecanismo f acil para determinar si un sistema es observable o no. No obstante, podemos aplicar un test de observabilidad para determinar si un sistema din amico lineal invariante en el tiempo es o no observable. Test de observabilidad Para determinar si un sistema como (6.21) o como (6.22) es o no observable, con A una matriz n n y C una matriz q n, se construye la matriz de 192
observabilidad C CA CA2 S = CA3 . . . CAn1
S y se verica su rango: El sistema es observable s y s olo si rank(S) = n (6.75)
Anotaciones al concepto de observabilidad 1. El test de observabilidad (6.75) pone de maniesto que la controlabilidad s olo depende de las matrices A y C. 2. Para determinar la observabilidad de un sistema como(6.21) no es necesaro resolver la ecuaci on diferencial. Se realiza un an alisis cualitativo de la ecuaci on. 3. Si un sistema es observable, entonces puede construirse un observador como el que se sugiere en la gura 6.20. En este texto no se aborda el problema de c omo construir dicho observador. 4. El test es igualmente v alido para sistemas continuos y discretos. Ejemplo 6.33 Tomemos nuevamente el circuito de la gura 6.19. Para escribir las ecuaciones que rigen el sistema, n otese que el equivalente Th evenin del circuito visto por el condensador es una resitencia de valor R, de tal manera que: vC = RiC = RC d vC dt
d 1 vC (t) = vC (t) dt RC La ecuaci on de salida es trivial: vx (t) = v (t) De tal manera que la representaci on en variable de estado para el circuito es:
1 vC v C = RC vx = v (t)
Es decir, es un sistema como (6.21) con A = 1/RC , B = 0, C = 0, y D = 1. Las matrices de controlabilidad y observabilidad denidas en (6.74) y (6.75) son: V = [0] S = [0]
y por lo tanto tienen rango 0, lo que signica que el sistema es no controlable y no observable 193
OSCAR G. DUARTE
194
Cap tulo 7 Introduccio n a los sistemas no lineales
Si bien el objetivo de este curso es el an alisis de los sistemas din amicos lineales invariantes en el tiempo, en este cap tulo se hace una breve presentaci on de los sistemas no lineales, con el prop osito principal de resaltar: Que los resultados y las t ecnicas presentadas en cap tulos anteriores tienen una aplicabilidad limitada a los sistemas lineales. Que el comportamiento de los sistemas lineales es limitado a un cierto tipo de respuestas, mientras que los sistemas no lineales pueden tener un comportamiento de mayor riqueza. Para ello, hacemos inicialmente una distinci on entre dos tipos de funciones no lineales: No linealidades est aticas: Se trata de sistemas no lineales sin memoria, es decir, aquellos cuyas salidas y (t) s olo dependen de las entradas en ese mismo instante u(t). La gura 7.1 resume algunas de las no linealidades est aticas m as frecuentes. Algunos de los elementos que se pueden modelar con este tipo de no linealidades est aticas son: V alvulas de apertura gradual. Transformadores y motores en regiones de saturaci on magn etica. Materiales ferromagn eticos en general. Huelgos en engranajes. Cilindros hidra ulicos y neum aticos con cambio de direcci on. Linealizaciones de elementos el ectricos y electr onicos. 195
OSCAR G. DUARTE
Saturaciones
Rel es
Hist eresis
Zonas Muertas
Zonas Muertas
Trazos Rectos
Figura 7.1: No Linealidades Est aticas m as frecuentes
196
7.1. PERDIDA DE SUPERPOSICICION Y PROPORCIONALIDAD
No linealidades din amicas: Se trata de sistemas no lineales con memoria, es decir, aquellos cuyas salidas y (t) dependen no s olo de las entradas en ese mismo instante u(t), sino tambi en de sus derivadas o diferencias nitas. Es decir, consideramos ecuaciones diferenciales y de diferencia de la forma x (t) = f (x(t), u(t), t) x(k + 1) = f (x(k ), u(k ), k )
En donde el vector u contiene las entradas al sistema, x las variables de estado, y f es un funci on vectorial no lineal (no necesariamente lineal). Las secciones 7.1 a 7.8 se reeren a este tipo de no linealidades
7.1.
P erdida de superposicici on y proporcionalidad
Las propiedades de superposici on y proporcionalidad son inherentes a los sistemas lineales. Estas dos propiedades se pierden en los sistemas no lineales. Ejemplo 7.1 Consideremos un sistema continuo descrito por la ecuaci on (7.1) que no es lineal debido al t ermino x2 x + x2 = u(t) (7.1)
En la gura 7.2 se muestra el comportamiento del sistema con = 1 y condiciones iniciales nulas ante dos entradas diferentes: Se ha simulado la salida y1 (t) con una entrada u1 (t) = (t). Se ha simulado la salida y2 (t) con una entrada u2 (t) = 4(t). N otese que aunque se ha multiplicado por 4 la entrada, la salida no est a multiplicada por 4; de hecho, el valor estacionario tan s olo se ha duplicado, con lo que se demuestra que el sistema no tiene la propiedad de proporcionalidad. Ahora trabajamos con el sistema suponiendo = 0.1 (es decir, haciendo m as peque no el efecto no lineal) y manteniendo condiciones iniciales nulas. Se ha simulado el comportamiento del sistema en tres condiciones diferentes: Se ha simulado la salida y3 (t) con una entrada u3 (t) = (t). Se ha simulado la salida y4 (t) con una entrada u4 (t) = sin(t)(t). Se ha simulado la salida y5 (t) con una entrada u5 (t) = (t) + sin(t)(t). La gura 7.3 muestra y3 (t), y4 (t), y3 (t) + y4 (t) y y5 (t). Se destaca como la suma y3 (t) + y4 (t) es diferente de la salida que se obtiene cuando la entrada es u3 (t) + u4 (t), con lo que se demuestra que el sistema no tiene la propiedad de superposici on. 197
OSCAR G. DUARTE
3.0
2.5
2.0
y2 (t)
1.5
1.0
y1 (t)
0.5
0.0 0 1 2 3 4 5 6 7 8 9 10
Figura 7.2: Sistema No Lineal con dos entradas escal on
y3 (t) + y4 (t)
y3 (t)
y5 (t)
y4 (t)
0 1 2 3 4 5 6 7 8 9 10
Figura 7.3: Sistema No Lineal con una entrada escal on y una sinusoide
198
7.2. MULTIPLES PUNTOS DE EQUILIBRIO
7.2.
M ultiples puntos de equilibrio
Un punto de equilibrio de un sistema continuo es un punto x0 tal que x (t) en ese punto valga cero, ya que en esas condiciones el sistema no cambiar a nunca de estado. Por otra parte, un punto de equilibrio de un sistema discreto es un punto x0 tal que x(k + 1) = x(k ) en ese punto valga cero, ya que en esas condiciones el sistema no cambiar a nunca de estado. Si consideramos un sistema continuo lineal libre de la forma x = Ax, es claro que el u nico punto de equilibrio que existe1 corresponde a x = 0, sin embargo, pueden existir sistemas no lineales con m as de un punto de equilibrio. Ejemplo 7.2 Tomemos como ejemplo un p endulo simple de barra r gida como el de la gura 7.4 cuyas ecuaciones din amicas son x 1 = x2 x 2 = a sin(x1 ) bx2 en donde x1 representa el angulo de giro del p endulo medido respecto a la vertical en el punto de giro. x2 representa la velocidad angular. a = g/l, b = k/m g es la aceleraci on de la gravedad. l es la distancia del punto de giro al centro de gravedad del p endulo. k es el coeciente de fricci on viscosa del punto de giro. m es la masa del p endulo. Para que x 1 y x 2 sean cero en (7.2) se necesita que x2 = 0 y sin(x1 ) = 0, es decir que los puntos de equilibrio son: 0 , 0 , 0 2 , 0 3 , 0 (7.2)
Este resultado corresponde a nuestra experiencia: el p endulo est a en reposo s olo en direcci on vertical, bien sea hacia arriba o hacia abajo; si est a hacia abajo el angulo x1 es 0 (que es igual a 2, 4, ) y si est a hacia arriba el angulo x 1 es (que es igual a , 3, ), y en ambos casos la velocidad angular x 2 es 0. Para mostrar gr acamente la presencia de varios puntos de equilibrio se ha trazado el retrato de fase del p endulo simple en la gura 7.5 con a = b = 1.
1 Salvo
en los casos especiales en que A es singular.
199
OSCAR G. DUARTE
x1
Figura 7.4: Diagrama del p endulo simple
2.0 1.6 1.2 0.8 0.4
0 0.4 0.8 1.2 1.6 2.0 1
11
Figura 7.5: Retrato de Fase del p endulo simple con a = b = 1
200
7.3. ESTABILIDAD LOCAL
7.3.
Estabilidad local
El concepto de estabilidad est a asociado con los puntos de equlibrio, es decir se dice que un punto de equilibrio puede tener un cierto tipo de estabilidad (ser estable, inestable, un punto de sila, etc.). Como los sistemas lineales s olo tienen un punto de equilibrio, se dice que la estabilidad del sistema es la de ese punto de equilibrio. Debido a que los sistemas no lineales pueden tener m as de un punto de equilibrio, ya no es v alido hablar de la estabilidad del sistema como un todo, sino que es necesario estudiar la establidad de cada punto de equilibrio. A este tipo de estabilidad se le denomina estabilidad local. Ejemplo 7.3 Consid eremos de nuevo el caso del p endulo simple descrito por (7.2) y cuyo retrato de fase se muestra en la gura 7.5. Para conocer el comportamiento del sistema en todos los puntos de equilibrio basta con analizarlo en dos de ellos (un angulo es igual a un angulo 2n ): xa = 0 0 xb = 0
La gura 7.6 muestra una ampliaci on del retrato de fase de la gura 7.5 cerca al punto de equilibrio xa . El retrato de fase resultante es similar al de un sif on de un sistema lineal, por lo tanto diremos que xa es un punto de equilibrio del tipo sif on, y por lo tanto estable. Por otra parte, la gura 7.7 muestra una ampliaci on del retrato de fase de la gura 7.5 cerca al punto de equilibrio xb . El retrato de fase resultante es similar al de un punto de silla de un sistema lineal, por lo tanto diremos que x b es un punto de equilibrio del tipo punto de silla, es decir, es inestable.
7.4.
Orbitas peri odicas no sinusoidales
En un sistema lineal la u nica posibilidad de tener soluciones peri odicas se da cuando los valores propios son imaginarios puros; en estos casos las trayectorias del retrato de fase son elipses y se denominan o rbitas cerradas del sistema. En los sistemas no lineales hay otras posibilidades de tener soluciones peri odicas, que no necesariamente corresponder an a elipses en los retratos de fase. Ejemplo 7.4 Sup ongase un sistema descrito por las ecuaciones de Lotka-Volterra x 1 x 2 = x1 + x1 x2 = x 2 x 1 x2 (7.3)
La ecuaci on (7.3) sirve como un modelo simplicado para predecir el crecimiento de las poblaciones de dos especies en un ambito cerrado en la que una de ellas es el predador de la otra (la presa). x1 representa la poblaci on del predador y x2 la de la presa. La variaci on de la poblaci on est a afectada por cu antas veces se cruzan 201
OSCAR G. DUARTE
0.7
0.5
0.3
0.1
0.1
0.3
0.5
0.7 4.8
5.2
5.6
6.0
6.4
6.8
7.2
7.6
8.0
Figura 7.6: Retrato de Fase del p endulo simple alrededor de un punto de equilibrio del tipo sif on
0.7
0.5
0.3
0.1
.
0.1
0.3
0.5
0.7 2.1
2.5
2.9
3.3
3.7
4.1
4.5
Figura 7.7: Retrato de Fase del p endulo simple alrededor de un punto de equilibrio del tipo punto de silla
202
7.5. CICLOS L IMITE
1 1 0 1 2 3 4 5
Figura 7.8: Retrato de Fase del Sistema de Lotka-Volterra
miembros de una especie con los de la otra, que se supone que es proporcional al producto x1 x2 . La gura 7.8 muestra el retrato de fase del sistema descrito por (7.3). Se nota un punto de equilibrio en (1, 1) que es un centro, y otro punto de equilibrio en (0, 0) que es un punto de silla. Adem as, se destacan innitas soluciones peri odicas que no tienen forma de elipse ni est an centradas en (0, 0)
7.5.
Ciclos l mite
En ocasiones las trayectorias del sistema tienden a formar una o rbita cerrada; cuando esto sucede se dice que existe un ciclo l mite estable. Tambi en se da el caso en el que las trayectorias se desprenden de una o rbita cerrada, en cuyo caso se dice que se existe un ciclo l mite inestable. Ejemplo 7.5 Sup ongase un sistema descrito por las ecuaciones: x 1 x 2 = x2 = (1 x2 1 )x2 x2 (7.4)
La ecuaci on (7.4) representa al Oscilador de Van der Pol, y corresponde a un oscilador con un amortiguamiento no lineal correspondiente al t ermino proporcional a x2 1 x2 . 203
OSCAR G. DUARTE
4 3 2 1 0 1 2 3
Figura 7.9: Retrato de Fase del Oscilador de Van der Pol con = 1
La gura 7.9 muestra el retrato de fase del sistema descrito por (7.4) con = 1. N otese que todas las trayectorias tienden a formar una o rbita cerrada (marcada en rojo); est ao rbita corresponde a un ciclo l mite del sistema.
7.6.
Orbitas homocl nicas
En un sistema lineal, cuando el punto de equilibrio es del tipo punto de silla, una trayectoria que inicie en el vector propio inestable viajar a por ese vector hasta el innito. En algunos sistemas no lineales puede darse un comportamiento especial: una trayectoria que inicie en un punto de equilibrio del tipo punto de silla puede llegar a terminar en el mismo punto de equilibrio. Cuando esto sucede, la trayectoria descrita se denomina una o rbita homocl nica Ejemplo 7.6 Sup ongase un sistema descrito por las ecuaciones: x 1 x 2 = x2 = kx2 + x1 x3 1 (7.5)
La ecuaci on (7.5) representa al Oscilador de Dung, y corresponde a un oscilador con una excitaci on adicional; por ejemplo, (7.5) puede representar a un p endulo simple como el de la gura 7.4 cuando el angulo es peque no, y adicionalmente se ejerce una fuerza proporcional a x3 1. 204
7.7. BIFURCACIONES
2.0 1.6 1.2 0.8 0.4 0 0.4 0.8 1.2 1.6 2.0 2.0
.
1.6
1.2
0.8
0.4
0.4
0.8
1.2
1.6
2.0
Figura 7.10: Retrato de Fase del Oscilador de Dung con k = 0
La gura 7.10 muestra el retrato de fase del sistema descrito por (7.5) con k = 0 (sin amortiguamiento). El sistema tiene tres puntos de equilibrio: en (1, 0) y en (1, 0) hay unos puntos de equilbrio del tipo centro; en (0, 0) hay un punto de equilibrio del tipo punto de silla. En este punto hay dos trayectorias especiales (en rojo): una de ellas inicia en la direcci on (1, 1) y despues de dar una vuelta hacia la derecha regresa al punto (0, 0) desde la direcci on (1, 1); la otra inicia en la direcci on (1, 1) y despues de dar una vuelta hacia la izquierda regresa al punto (0, 0) desde la direcci on (1, 1). Estas dos trayectorias son o rbitas homocl nicas del sistema.
7.7.
Bifurcaciones
Si las ecuaciones de un sistema din amico dependen de un par ametro, es l ogico pensar que el comportamiento de dicho sistema dependa del valor de ese par ametro. Esto es cierto tanto para sistemas lineales como no lineales. Sin embargo, las variaciones de comportamiento que puede tener un sistema lineal son menores en comparaci on con las que pueden suceder en sistemas no lineales. Si al variar un par ametro el comportamiento del sistema cambia estructuralmente (de forma muy notoria), se dice que el par ametro ha tomado un valor de bifurcaci on. 205
OSCAR G. DUARTE
Ejemplo 7.7 Consideremos el sistema descrito por la ecuaci on x = ( x2 )x (7.6)
Para valores negativos de el sistema tendr a un u nico punto de equilibrio en x = 0, porque es la u nica condici on en la que x = 0 . Sin embargo, si 0 existir an tres puntos de equilibrio en x1 = 0, x2 = + a, x3 = a. Este cambio es muy importante, y por lo tanto decimos que en = 0 hay una bifurcaci on del sistema, o lo que es igual, que el valor de bifurcaci on para el par ametro es 0.
7.8.
Comportamientos ca oticos
El comportamiento de un sistema din amico, lineal o no lineal, depende de las condiciones iniciales. En los sistemas lineales esta dependencia es suave, es decir, que si se escogen dos condiciones iniciales cercanas el comportamiento del sistema ser a muy parecido. Existen algunos sistemas no lineales en los que peque nas variaciones en las condiciones iniciales desencadenan comportamientos muy diferentes; tales sistemas se denominan ca oticos. Ejemplo 7.8 Consideremos el sistema discreto de primer orden descrito por la ecuaci on: (2 x)/4 x [0, 18/41) 10x 4 x [18/41, 1/2) x(k + 1) = f (x(k )) f (x) = (7.7) 10x 5 x [1/2, 23/41) (3 x)/4 x [23/41, 1] f (x) se muestra en la gura 7.11. En la gura 7.12 se muestra el comportamiento del sistema para tres condiciones iniciales muy cercanas: x a (0) = 0.445 + 1E 11 (en negro), xb (0) = 0.445 + 3E 11 (en azul) y xc (0) = 0.445 + 5E 11 (en rojo). N otese c omo a partir de k = 35 el comportamiento del sistema diere notablemente aun cuando las tres condiciones iniciales se asemejan mucho. Este tipo de comportamiento es ca otico.
206
7.8. COMPORTAMIENTOS CAOTICOS
1.00 0.75 0.50 0.25 0 0 0.25 0.50 0.75 1.00
Figura 7.11: Funci on discreta que origina un sistema ca otico
1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 10 20 30 40 50
Figura 7.12: Respuesta de un sistema discreto ca otico a tres entradas diferentes: xa = 0.445 + 1 1011 (negro), xb = 0.445 + 3 1011 (azul) y xc = 0.445 + 5 1011 (rojo)
207
OSCAR G. DUARTE
208
Ap endice A Demostraciones de las Transformadas de Laplace y Z
A.1.
Propiedades de la Transformada de Laplace
La transformada de Laplace de una funci on f (t) f : R R es una funci on F (s) F : C C calculada como F (s) = L {f (t)} =
f (t)est dt
(A.1)
Sean f (t), f1 (t), f2 (t) tres funciones cuyas Transformadas de Laplace son, respectivamente F (s), F1 (s), F2 (s), y a un escalar (real o complejo). Se cumplen las siguientes propiedades:
A.1.1.
Linealidad:
L {f1 (t) + f2 (t)} = F1 (s) + F2 (s) L {af (t)} = aF (s) (A.2) (A.3)
Demostraci on A.1 La propiedad de Linealidad de la Trasformada de Laplace se desprende de la propiedad de Linealidad de la integraci on. Demostramos primero la propiedad de superposici on (A.2). La Transformada de Laplace de f1 (t) + f2 (t) es, seg un la denici on (A.1): L {f1 (t) + f2 (t)} =
0
[f1 (t) + f2 (t)]est dt
209
OSCAR G. DUARTE
Debido a que la Integraci on es una operaci on lineal, podemos separar la integral de una suma en la suma de las integrales: L {f1 (t) + f2 (t)} =
0
f1 (t)est dt +
0
f2 (t)est dt
Las dos integrales corresponden a las transformadas de Laplace de f 1 (t) y f2 (t), respectivamente, con lo que queda demostrada (A.2) L {f1 (t) + f2 (t)} = F1 (s) + F2 (s) Para demostrar A.3 tambi en acudimos a la propiedad de linealidad de la integraci on. La Transformada de Laplace de af (t) es L {af (t)} =
0
[af (t)]est dt = a
0
f (t)est dt = aF (s)
A.1.2.
Diferenciaci on:
L L dn f (t) dtn df (t) dt = sF (s) f (0+ )
n1 i=0
(A.4)
= sn F (s)
sni1 f (i) (0+ )
(A.5)
Demostraci on A.2 Para demostrar A.4 calculamos la Transformada de Laplace de la derivada df dt df (t) df st L = dt e dt dt 0 Esta integral puede resolverse por partes, haciendo u = e st y dv = por lo tanto du = se L
st df dt
dt y
dt y v = f (t) : = f (t)est
0
df (t) dt
(s)est f (t)dt
La integral es respecto a t, y por tanto s es constante y puede salir de la integral L df (t) dt L = f (t)est df (t) dt
0
+s
0
est f (t(dt = f (t)est
+ sF (s)
= l m f (t)est f (0+ )es0 + sF (s)

t
El valor del l mite no est a determinado, hasta tanto no se conozca f (t). Sin embargo, para todas aquellas funciones que decrezcan, sean constantes, o que crezcan 210
A.1. PROPIEDADES DE LA TRANSFORMADA DE LAPLACE
m as lentamente que est el valor del l mite ser a 0. Este tipo de funciones son las que empleamos en An alisis de Sistemas Din amicos, y en consecuencia podemos escribir L df (t) dt = f (0+ ) + sF (s)
Esto concluye la demostraci on de (A.4). Para demostrar (A.5), hacemos notar que para n = 1 se reduce a (A.4), y por tanto podemos emplear el m etodo de inducci on para la demostraci on: Calculemos d(k+1) f la transformada de dt(k+1) empleando (A.4): L L d(k+1) f dt(k+1) =L d df k d dtk
k1 i=0
= sL
df k dtk
df k dtk
t=0+
d(k+1) f dt(k+1) d(k+1) f dt(k+1)
= s sk F (s)
ski1 f (i) (0+ )
df k dtk
=
t=0
= s(k+1) F (s)
k1 i=0
s(k+1)i1 f (i) (0+ ) f (k) (0)
El t ermino f k (0) puede escribirse como s((k+1)i1) f (k) (0) cuando i = k , e incorporarlo en la sumatoria L L d(k+1) f dt(k+1) d(k+1) f dt(k+1)
k
= s(k+1) F (s) = s(k+1) F (s)
s(k+1)i1 f (i) (0+ )

i=0
(k+1)1 i=0
Esta expresi on corresponde a (A.5) para (k +1) lo que completa la demostraci on por inducci on.
s(k+1)i1 f (i) (0+ )
A.1.3.
Desplazamiento en la frecuencia:
L eat f (t) = F (s a) (A.6)
Demostraci on A.3 La Transformada de Laplace de eat f (t) es L eat f (t) =

0
est [eat f (t)]dt =

0
e(sa)t f (t)dt
La integral corresponde a la denici on de la Transformada de Laplace (A.1), pero evaluada en s a en lugar de s, es decir L eat f (t) = F (s a) 211
OSCAR G. DUARTE
A.1.4.
Multiplicaci on por t:
L {tf (t)} = dF (s) ds dn F (s) dsn (A.7) (A.8)
L {tn f (t)} = (1)n
Demostraci on A.4 Para demostrar (A.7) calculamos la derivada de F (s) respecto as dF (s) d est f (t)dt = ds ds 0 La derivada se hace respecto a s y la integral respecto a t, por lo tanto la derivada puede incorporarse dentro de la integral dF (s) = ds
0
d est f (t) dt ds
Como la derivada es respecto a s, t y f (t) son constantes: dF (s) = ds

0
tf (t)est dt =
[tf (t)]est dt
La integral corresponde a la Transformada de Laplace de tf (t), lo que completa la demostraci on de (A.7). Para demostrar (A.8) resaltamos que cuando n = 1 se convierte en (A.7), y por tanto podemos emplear el m etodo de inducci on. Al evaluar (A.8) en n = k se obtiene L tk f (t) = (1)k La derivada k + 1 de F (s) respecto a s es d d(k+1) F (s) = ds ds(k+1) d d(k+1) F (s) = ds ds(k+1) d(k+1) F (s) 1 d = ( k +1) (1)k ds ds 1 d(k+1) F (s) = (1)k ds(k+1) d(k+1) F (s) 1 = (1)k ds(k+1) dk f dsk dk F (s) dsk
1 L tk f (t) (1)k
est tk f (t) dt
Como la integral es respecto a t y la derivada respecto a s se tiene

0 0
d st k e t f (t) dt ds tk f (t) d st e dt ds
212
A.1. PROPIEDADES DE LA TRANSFORMADA DE LAPLACE
La integral corresponde a la transformada de Laplace de t (k+1) f (t), es decir d(k+1) F (s) = L t(k+1) f (t) ds(k+1) Esta expresi on resulta ser igual a (A.8) evaluada en n = k + 1 con lo que se completa la demostraci on.
d(k+1) F (s) 1 = ds(k+1) (1)(k+1)
t(k+1) f (t)est dt
A.1.5.

t0+
s
(A.9)
Demostraci on A.5 Para demostrar (A.9) consideremos primero la propiedad de diferenciacion (A.4) y calculemos el l mite cuando s a cada lado de la igualdad: L
s
df (t) dt df (t) dt
= sF (s) f (0+ ) = l m sF (s) f (0+ )

s
l m L
0
l m
est
df (t) dt = l m sF (s) f (0+ ) s dt
Cuando s la integral de hace cero, y por lo tanto tenemos

s
l m sF (s) f (0+ )
Dado que f (0+ ) es independiente de s, y adem as f (0+ ) = limt0+ f (t) se tiene

s
l m sF (s) = f (0+ ) = l m f (t) +

t0
A.1.6.

t
s0
(A.10)
Demostraci on A.6 Para demostrar (A.10) consideremos primero la propiedad de diferenciacion (A.4) y calculemos el l mite cuando s 0 a cada lado de la igualdad: L
s0
df (t) dt df (t) dt
= sF (s) f (0+ ) = l m sF (s) f (0+ )

s0
l m L
213
OSCAR G. DUARTE
s0
l m
est
df (t) dt = l m sF (s) f (0+ ) s0 dt
Cuando s 0 la integral se simplica

0
df (t) m sF (s) f (0+ ) dt = l m f (t) f (0+ ) = l t s0 dt
Con lo que resulta

t
s0
A.1.7.
Convoluci on:
L {f1 (t) f2 (t)} = f1 (t) f2 (t) =
0
F1 (s)F2 (s) f1 (t )f2 ( )d
(A.11)
Demostraci on A.7 Para demostrar (A.11) calculemos la transformada de Laplace de la convoluci on entre f1 (t) y f2 (t): L {f1 (t) f2 (t)} = L L {f1 (t) f2 (t)} = L {f1 (t) f2 (t)} =
0 0 0 0 0
f1 (t )f2 ( )d
f1 (t )f2 ( )d est dt f1 (t )est f2 ( )d dt
Podemos interambiar el orden de integraci on y reagrupar: L {f1 (t) f2 (t)} = L {f1 (t) f2 (t)} =
0 0 0
f1 (t )est f2 ( )dtd
0
f2 ( )
f1 (t )est dt d
Ahora efectuamos un cambio de variable = t de tal manera que d = dt y t=+ L {f1 (t) f2 (t)} = L {f1 (t) f2 (t)} =
0 0
f2 ( ) f2 ( )es
f1 ( )es(+ ) d d

f1 ( )es d d
Como es independiente de podemos sacar la integral L {f1 (t) f2 (t)} =

f1 ( )es d
0
f2 ( )es d
214
A.2. PROPIEDADES DE LA TRANSFORMADA Z
Adem as, consideramos de f1 (t) vale cero para valores negativos de t, y por tanto podemos modicar los l mites de la integral, completando asi la demostraci on L {f1 (t) f2 (t)} =
0
f1 ( )es d
0
f2 ( )es d
L {f1 (t) f2 (t)} = F1 (s)F2 (s)
A.1.8.
Desplazamiento en el tiempo:
L {f (t T )} = esT F (s) (A.12)
Demostraci on A.8 La transformada de Laplace de f (t T ) es L {f (t T )} =

0
f (t T )est dt
Efectuando el cambio de variable = t T de tal manera que dt = d y t = + T se tiene L {f (t T )} =

T
f ( )es( +T ) d =
f ( )es esT d
Como la intergal es respecto a y T es constante, puede sacarse de la integral el t ermino esT L {f (t T )} = esT f ( )es d Si asumimos que f (t) vale cero para todo valor negativo de t, entonces los l mites de la integral pueden modicarse asi: L {f ( )} = esT
0 T
f ( )es d
La integral corresponde a la transformada de Laplace de f , en d onde la variable en la que se calcula se ha denominado ahora en lugar de t, es decir L {f ( )} = esT F (s)
A.2.
Propiedades de la transformada Z
La transformada Z de una funci on f (k ) f : Z R es una funci on F (z ) F : C C calculada como F (z ) = Z {f (k )} = z k f (k ) (A.13)

k=0
Sean f (k ), f1 (k ), f2 (k ) tres funciones cuyas Transformadas Z son, respectivamente F (z ), F1 (z ), F2 (z ) y a un escalar (real o complejo). Se cumplen las siguientes propiedades: 215
OSCAR G. DUARTE
A.2.1.
Linealidad:
Z {f1 (k ) + f2 (k )} = F1 (z ) + F2 (z ) Z {af (k )} = aF (z ) (A.14) (A.15)
Demostraci on A.9 La propiedad de Linealidad de la Trasformada Z se desprende de la propiedad de Linealidad de la sumatoria. Demostramos primero la propiedad de superposici on (A.14). La Transformada de Z f1 (k ) + f2 (k ) es, seg un la denici on (A.13): Z {f1 (k ) + f2 (k )} =
k=0
z k [f1 (k ) + f2 (k )]
Debido a que la sumatoria es una operaci on lineal, podemos separarla en la suma de dos sumatorias: Z {f1 (k ) + f2 (k )} =
k=0
z k f1 (k ) +
k=0
z k f2 (k )
Las dos integrales corresponden a las transformadas Z de f 1 (k ) y f2 (k ), respectivamente, con lo que queda demostrada (A.14) Z {f1 (k ) + f2 (k )} = F1 (z ) + F2 (z ) Para demostrar A.15 tambi en acudimos a la propiedad de linealidad de la sumatoria. La Transformada Z de af (k ) es Z {af (k )} =
k=0
z k [af (k )] = a
k=0
z k [f (k )] = aF (z )
A.2.2.
Diferencia positiva:
Z {f (k + 1)} = zF (z ) zf (0) Z {f (k + n)} = z n F (z )
n1 i=0
(A.16)
z ni f (i)
(A.17)
Demostraci on A.10 Para demostrar A.16 calculamos la Transformada Z de la diferencia f (k + 1) Z {f (k + 1)} =

k=0
z k f (k + 1) = z 0 f (1) + z 1 f (2) + z 2 f (3) + 216
Si dividimos a cada lado de la ecuaci on por z tenemos z 1 Z {f (k + 1)} = z 1 f (1) + z 2 f (2) + z 3 f (3) + Si sumamos a cada lado de la ecuaci on z 0f (0) = f (0) z 1 Z {f (k + 1)} + f (0) = z 0 f (0) + z 1 f (1) + z 2 f (2) + = La sumatoria resulta ser la Transformada Z de f (k ), es decir z 1 Z {f (k + 1)} + f (0) = F (z ) De donde se deduce que z 1 Z {f (k + 1)} = F (z ) f (0) Esto concluye la demostraci on de (A.16). Para demostrar (A.17) calculamos la Transformada Z de f (k + n) Z {f (k + n)} =
k=0 k=0
z k f (k )
Z {f (k + 1)} = zF (z ) zf (0)
z k f (k + n) = z 0 f (n) + z 1 f (n + 1) + z 2 f (n + 2) +
Si dividimos a cada lado de la ecuaci on por z n tenemos z n Z {f (k + n)} = z n f (n) + z n1 f (n + 1) + z n2 f (n + 2) + Si sumamos a cada lado de la ecuaci on z 0 f (0)+ z 1f (1)+ + z n+1f (n 1) z n Z {f (k + n)} + z 0 f (0) + z 1 f (1) + + z n1 f (n + 1) = z n f (n) + z n1 f (n + 1) + z n2 f (n + 2) + = La sumatoria resulta ser la Transformada Z de f (k ), es decir De donde se deduce que z n Z {f (k + n)} = F (z ) f (0) z 1 f (1) z n+1 f (n 1) Z {f (k + n)} = z n F (z ) z n f (0) z n1 f (1) z 1 f (n 1) Z {f (k + n)} = z n F (z ) Esto concluye la demostraci on de (A.17). 217
n1 i=0
z 0 f (0) + z 1 f (1) + + z n+1 f (n 1)+
k=0
z k f (k )
z n Z {f (k + n)} + f (0) + z 1 f (1) + + z n+1 f (n 1) = F (z )
z ni f (i)
OSCAR G. DUARTE
A.2.3.
Escalamiento en la frecuencia:
Z ak f (t) = F (z/a) (A.18)
Demostraci on A.11 La Transformada Z de ak f (k ) es Z ak f (k ) =

k=0
z k [ak f (k )]dt =
k=0
z a
f (k )
La integral corresponde a la denici on de la Transformada Z (A.13), pero evaluada en z/a en lugar de z , es decir Z ak f (t) = F (z/a)
A.2.4.
Multiplicaci on por k :
Z {kf (k )} = z Z {k n f (k )} = z d {F (z )} dz (A.19) (A.20)
d Z k (n1) f (k ) dz
Demostraci on A.12 Para demostrar (A.19) calculamos la derivada de F (z ) respecto a z dF (z ) d z k f (k ) = dz dz

k=0
dF (z ) = dz
k=0
(k )z k1 f (k )
Multiplicando por z a cada lado de la ecuaci on se tiene z dF (z ) = dz

k=0
z k kf (k )
La sumatoria corresponde a la Transformada Z de kf (k ), lo que completa la demostraci on de (A.19) Para demostrar (A.20) denamos una funci on g (k ) = k (n1) f (k ) y apliquemos (A.19) d Z {kg (k )} = z {G(z )} dz d Z k [k (n1) f (k )] = z {Z {g (k )}} dz d Z k (n1) f (k ) Z {k n f (k )]} = z dz Lo que completa la demostraci on de (A.20) 218
A.2.5.

f (0) = l m F (z )
z
(A.21)
Demostraci on A.13 La demostraci on de (A.21) se desprende de la denici on de transformada Z (A.13) F (z ) = F (z ) = z

0
z k f (k )
k=0
f (0) + z 1 f (1) + z 2 f (2) +
F (z ) = f (0) + z 1 f (1) + z 2 f (2) + Cuando z cada uno de los t erminos de la derecha se hace cero, salvo f (0) lo que completa la demostraci on
z
l m F (z ) = f (0)
A.2.6.

l m f (k ) = l m (z 1)F (z )
z 1
(A.22)
Demostraci on A.14 Para demostrar (A.22) calculemos la transformada Z de la expresi on f (k + 1) f (k ) y apliquemos la propiedad de diferencia positiva (A.16) Z {f (k + 1) f (k )} =
k=0
[f (k + 1) f (k )] z k
j
zF (z ) zf (0) F (z ) = l m (z 1)F (z ) zf (0) = l m
k=0 j
[f (k + 1) f (k )] z k
k=0
[f (k + 1) f (k )] z k
Al tomar el l mite cuando z 1 se obtiene

j z 1
l m (z 1)F (z ) f (0) = l m
k=0
[f (k + 1) f (k )]
z 1
l m (z 1)F (z ) f (0) =
j
l m [f (1) f (0) + f (2) f (1) + + f (j ) f (j 1) + f (j + 1) f (j )] 219
OSCAR G. DUARTE
z 1
l m (z 1)F (z ) f (0) = l m [f (0) + f (j + 1)]

j
Como f (0) es independiente de j puede salir del l mite, con lo que se completa la demostraci on
z 1
l m (z 1)F (z ) f (0) = f (0) + l m f (j + 1)

j z 1
l m (z 1)F (z ) = l m f (j + 1) = l m f (j )
j j
A.2.7.
Convoluci on:
Z {f1 (k ) f2 (k )} = F1 (z )F2 (z ) f1 (k ) f2 (k ) = k=0 f1 (k )f2 (h k ) (A.23)
Demostraci on A.15 Para demostrar (A.23) calculemos la transformada Z de la convoluci on entre f1 (k ) y f2 (k ): Z {f1 (k ) f2 (k )} = Z Z {f1 (k ) f2 (k )} =
h=0 k=0 k=0
f1 (k )f2 (h k )
f1 (k )f2 (h k ) z h
h=0
Podemos intercambiar el orden de las sumatorias y reagrupar los t erminos: Z {f1 (k ) f2 (k )} =

k=0
f1 (k )
f2 (h k )z h
Efectuamos el cambio de variable r = h k que implica h = r + k Z {f1 (k ) f2 (k )} = Z {f1 (k ) f2 (k )} = Z {f1 (k ) f2 (k )} =
f1 (k )
f2 (r)z r z k
r =k r =k
k=0 k=0
r =k
f1 (k )z k
f2 (r)z r f2 (r)z r
f1 (k )z k
k=0
Si consideramos s olo funciones f (k ) que valgan cero para valores negativos de k podemos cambiar los l mites de la sumatoria, con lo que se completa la demostraci on Z {f1 (k ) f2 (k )} =
k=0
f1 (k )z k
r =0
f2 (r)z r
Z {f1 (k ) f2 (k )} = F1 (z )F2 (z ) 220
A.3. PAREJAS DE TRANSFORMADAS DE LAPLACE
A.3.
A.3.1.
Sea
Parejas de transformadas de Laplace

Escal on unitario
f1 (t) = (t) = 1 si t 0 0 si t < 0
0
La transformada de Laplace de f1 (t) ser a L {(t)} =

0
est (t)dt =
0
est dt =
est s
es0 es s s (A.24)
L {(t)} = 0 (
1 1 )= s s
A.3.2.
Exponenciales
Sea f2 (t) = eat (t). Para obtener la transformada de Laplace de f2 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la transformada del escal on (A.24) L eat (t) = L {(t)}sa = 1 s =
sa
1 sa
(A.25)
A.3.3.
Seno
Sinusoides
Sea f3 (t) = sin (t)(t). Para obtener la transformada de Laplace de f3 (t) empleamos la F ormula de Euler para reescribir la funci on: ejt ejt (t) 2j Al aplicar la transformada de Laplace a cada lado de la igualdad resulta f3 (t) = sin (t)(t) = L {sin (t)(t)} = L ejt ejt (t) 2j = 1 L ejt (t) L ejt (t) 2j
Cada una de las dos transformadas de Laplace pueden obtenerse empleando A.25: 1 1 1 L {sin (t)(t)} = 2j s j s + j Al efectuar la suma se obtiene L {sin (t)(t)} = 1 s + j s + j 1 2j = 2j s2 + 2 2j s2 + 2 s2 + 2 (A.26)
L {sin (t)(t)} = 221
OSCAR G. DUARTE
Coseno Sea f4 (t) = cos t. Para obtener la transformada de Laplace de f4 (t) podriamos emplear la f ormula de Euler; sin embargo, optamos por otra posibilidad: empleamos la propiedad de diferenciciaci on (A.4) y la aplicamos a la transformada de sin t, (A.26): f4 (t) = cos t = L {cos (t)(t)} = L {cos (t)(t)} = 1 L 1 d sin t dt d sin (t)(t) dt
1 [sL{sin (t)(t)} sin t|t=0 ] 1 s sin 0 s2 + 2 s s2 + 2 (A.27)
L {cos (t)(t)} =
L {cos (t)(t)} =
A.3.4.
Sinusoides amortiguadas
Sean f5 (t) = eat sin (t)(t) y f6 (t) = eat cos (t)(t) . Para obtener la transformada de Laplace de f5 (t) y f6 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a las transformadas de seno y coseno (A.26) y (A.27): L eat sin (t)(t) = L eat cos (t)(t) = (s a)2 + 2 sa (s a)2 + 2 (A.28) (A.29)
A.3.5.
Rampas, par abolas y monomios de t
Sea f7 (t) = tn (t). Para calcular la transformada de Laplace de f7 (t) aplicamos la propiedad de multiplicaci on por el tiempo (A.8) a la transformada del escal on unitario (A.24). L {f7 (t) = tn (t)} = (1)n n! dn 1 = n+1 dsn s s (A.30)
Para los casos particulares en que n = 1 y n = 2, la funci on tn (t) se convierte en las funciones rampa y par abola unitarias, respectivamente: L {f8 (t) = t(t)} = L f9 (t) = t2 (t) = 222 1 s2 2 s3 (A.31) (A.32)
A.4. PAREJAS DE TRANSFORMADAS Z
A.3.6.
Exponenciales por tn
Sea f10 (t) = tn eat (t). Para calcular la Transformada de Laplace de f10 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la transformada del tn (t) (A.30) L f10 (t) = tn eat (t) = n! (s a)n+1 (A.33)
A.3.7.
Sinusoides por t
Sea f11 (t) = t sin (t)(t). Para calcular la Transformada de Laplace de f11 (t) aplicamos la propiedad de multiplicaci on por el tiempo (A.7) a la transformada de sin(t)(t) (A.26) L {t sin (t)(t)} = d s = 2 2 2 ds s + (s + 2 )2 (A.34)
Sea f12 (t) = t cos (t)(t). Para calcular la Transformada de Laplace de f12 (t) aplicamos la propiedad de multiplicaci on por el tiempo (A.7) a la transformada de cos(t)(t) (A.27) L {t cos (t)(t)} = s d s2 2 = ds s2 + 2 (s2 + 2 )2 (A.35)
A.3.8.
Sinusoides amortiguadas multiplicadas por t
Sea f13 (t) = teat sin (t)(t). Para calcular la Transformada de Laplace de f13 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la transformada de t sin(t)(t) (A.34) L teat sin (t)(t) = (s a) ((s a)2 + 2 )2 (A.36)
Sea f14 (t) = teat cos (t)(t). Para calcular la Transformada de Laplace de f14 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la transformada de t cos(t)(t) (A.35) L teat cos (t)(t) = (s a)2 2 ((s a)2 + 2 )2 (A.37)
A.4.
A.4.1.
Sea
Parejas de transformadas Z
Escal on unitario
f1 (k ) = (k ) = 223 1 si k 0 0 si k < 0
OSCAR G. DUARTE
La transformada Z de f1 (k ) ser a Z {(k )} =

k=0
z k (k ) =
k=0
(z 1 )k (k ) =
k=0
k=0
(z 1 )k
1 1a
La sumatoria puede calcularse recordando que cuando la serie converja, es decir, con |a| < 1) Z {(k )} = 1 z = 1 z 1 z1
ak =
(siempre y
(A.38)
A.4.2.
Series geom etricas
Sea f2 (k ) = ak (k ). Para obtener la transformada Z de f2 (k ) aplicamos la propiedad de escalamiento en la frecuencia (A.18) a la transformada del escal on (A.38) z z1 z z/a = z/a 1 za
Z ak (k ) = Z {(k )}z/a =
=
z/a
(A.39)
A.4.3.
Seno
Sinusoides
Sea f3 (k ) = sin (ak )(k ). Para obtener la transformada Z de f3 (k ) empleamos la F ormula de Euler para reescribir la funci on: (eja )k (eja )k ejak ejak (k ) = (k ) 2j 2j
f3 (k ) = sin (ak )(k ) =
Al aplicar la transformada Z a cada lado de la igualdad resulta Z {sin (ak )(k )} = Z Z {sin (ak )(k )} = (eja )k (eja )k (k ) 2j =
1 Z (eja )k (k ) Z (eja )k (k ) 2j
Cada una de las dos transformadas Z pueden obtenerse empleando A.39: Z {sin (ak )(a)} = Al efectuar la suma se obtiene Z {sin (ak )(a)} = z 2 zeja z 2 + zeja 1 = 2 2j z zeja zeja + eja eja 224 1 z z ja 2j z e z eja
Z {sin (ak )(a)} =
z2
eja 2j eja +eja 2z 2
ze
ja
+1
Las fracciones que contienen exponenciales complejas pueden reescribirse empleando la f ormula de Euler: Z {sin (ak )(a)} = Coseno Sea f4 (k ) = cos (ak )(k ). Para obtener la transformada Z de f4 (k ) empleamos la F ormula de Euler para reescribir la funci on: (eja )k + (eja )k ejak + ejak (k ) = (k ) 2 2 z sin a 2z cos a + 1 (A.40)
z2
f4 (k ) = cos (ak )(k ) =
Al aplicar la transformada Z a cada lado de la igualdad resulta Z {cos (ak )(k )} = Z Z {cos (ak )(k )} = (eja )k + (eja )k (k ) 2 =
1 Z (eja )k (k ) + Z (eja )k (k ) 2
Cada una de las dos transformadas Z pueden obtenerse empleando A.39: Z {cos (ak )(a)} = Al efectuar la suma se obtiene Z {cos (ak )(a)} = 1 z s zeja + z 2 zeja = 2 z 2 zeja zeja + eja eja z2 z e
+eja 2 ja eja 2z e + + 2
ja
1 z z + ja 2 ze z eja
Z {cos (ak )(a)} =
z2
Las fracciones que contienen exponenciales complejas pueden reescribirse empleando la f ormula de Euler: Z {cos (ak )(a)} = z 2 z cos a z 2 2z cos a + 1 (A.41)
225
OSCAR G. DUARTE
A.4.4.
Sinusoides amortiguadas
Sean f5 (k ) = bk sin (ak )(k ) y f6 (k ) = bk cos (ak )(k ). Para obtener la transformada Z de f5 (k ) y f6 (k ) aplicamos la propiedad de escalamiento en la frecuencia (A.18) a las transformadas de seno y coseno (A.40) y (A.41): sin a zb sin a = 2 z 2 b cos a + b2 2z cos a + 1 b
z b
Z bk sin (ak )(k ) =
2 (z b)
(A.42)
Z bk cos (ak )(k ) =
z 2 z b b cos a z 2 z ( b ) 2 b cos a +
z 2 zb cos a z 2 2b cos a + b2
(A.43)
A.4.5.
Rampas, y monomios de k
Sea f7 (k ) = k(k ). Para calcular la transformada Z de f7 (k ) aplicamos la propiedad de multiplicaci on por el tiempo (A.19) a la transformada del escal on unitario (A.38). Z {k(k )} = z d z (z 1) z = z dz z 1 (z 1)2 z (z 1)2 (A.44)
Z {k(k )} =
Para obtener la transformada Z de k n (k ) es necesario aplicar en forma iterativa la propiedad de multiplicaci on por el tiempo (A.19).
A.4.6.
Series geom etricas por k n
Sea f8 (k ) = kak (k ). Para calcular la transformada Z de f8 (k ) aplicamos la propiedad de multiplicaci on por el tiempo (A.19) a la transformada de las series geom etricas (A.39). Z kak (k ) = z z (z a) z d = z dz z a (z a)2 az (z a)2 (A.45)
Z {k(t)} =
Para obtener la transformada Z de k n ak (k ) es necesario aplicar en forma iterativa la propiedad de multiplicaci on por el tiempo (A.19) 226
A.4.7.
Seno
Sinusoides por k
Sea f9 (k ) = k sin(ak )(k ). Para calcular la transformada Z de f9 (k ) aplicamos la propiedad de multiplicaci on por el tiempo (A.19) a la transformada de seno (A.40). Z {k sin(ak )(k )} = z Z {k sin(ak )(k )} = z sin a d = dz z 2 2z cos a + 1
(z 2 2z cos a + 1) sin a z sin a(2z 2 cos a) (z 2 2z cos a + 1)2
Z {k sin(ak )(k )} = z
z 2 sin a 2z cos a sin a + sin a 2z 2 sin a + 2z sin a cos a (z 2 2z cos a + 1)2 z 3 sin a + z sin a (z 2 2z cos a + 1)2 (A.46)
Z {k sin(ak )(k )} =
Para obtener la transformada Z de k n sin(ak )(k ) es necesario aplicar en forma iterativa la propiedad de multiplicaci on por el tiempo (A.19). Coseno Sea f10 (k ) = k sin(ak )(k ). Para calcular la transformada Z de f10 (k ) aplicamos la propiedad de multiplicaci on por el tiempo (A.19) a la transformada de coseno (A.41). Z {k cos(ak )(k )} = z Z {k cos(ak )(k )} = z d z 2 z cos a = 2 dz z 2z cos a + 1
(z 2 2z cos a + 1)(2z cos)a (z 2 z cos a)(2z 2 cos a) (z 2 2z cos a + 1)2
Z {k cos(ak )(k )} =
2z 3 z 2 cos a 4z 2 cos a + 2z cos2 a + 2z cos a 2z 3 + 2z 2 cos a + 2z 2 cos a 2z cos2 a z (z 2 2z cos a + 1)2 227
OSCAR G. DUARTE
Z {k cos(ak )(k )} = z Z {k cos(ak )(k )} =
(z 2 1) cos a + 2z (z 2 2z cos a + 1)2 (A.47)
Para obtener la transformada Z de k n cos(ak )(k ) es necesario aplicar en forma iterativa la propiedad de multiplicaci on por el tiempo (A.19).
(z 3 + z ) cos a 2z 2 (z 2 2z cos a + 1)2
A.4.8.
Sinusoides amortiguadas por k
Sean f11 (k ) = kbk sin (ak )(k ) y f12 (k ) = kbk cos (ak )(k ). Para calcular la Transformada Z de f11 (k ) y f12 (k ) aplicamos la propiedad de escalamiento en la frecuencia (A.18) a las transformadas de k sin(ak )(k ), (A.46) y k cos(ak )(k ), (A.47) Z kbk sin (ak )(k ) = (z/b)3 sin a + (z/b) sin a ((z/b)2 2(z/b) cos a + 1)2 bz 3 sin a + b3 z sin a (z 2 2bz cos a + b2 )2 (A.48)
Z kbk sin (ak )(k ) = Z kbk cos (ak )(k ) =
((z/b)3 + (z/b)) cos a 2(z/b)2 ((z/b)2 2(z/b) cos a + 1)2 (bz 3 + b3 z ) cos a 2b2 z 2 (z 2 2bz cos a + b2 )2 (A.49)
Z kbk cos (ak )(k ) =
Para obtener las transformadas Z de k n bk sin(ak )(k ) y k n bk cos(ak )(k )es necesario aplicar en forma iterativa la propiedad de multiplicaci on por el tiempo (A.19).
228
Ap endice B Diagramas de Bode para sistemas continuos
B.1.
Denici on
El valor de una funci on de transferencia F (s), para un s espec co, es un n umero complejo cuya amplitud es |F (s)| y cuyo a ngulo es arg {F (s)}. Los diagramas de Bode para sistemas continuos muestran c omo var a la amplitud y el a ngulo de ese n umero complejo, cuando s toma todos los posibles valores del eje imaginario positivo (s = j ; w (0, )). Espec camente se denen los siguientes diagramas: Diagrama de magnitud: La abscisa (eje horizontal) muestra el valor de en escala logar tmica. La ordenada (eje vertical) muestra la magnitud de F (j ) medida en decibeles : |F (j )|en db = 20 log10 |F (j )| Diagrama de fase: La abscisa (eje horizontal) muestra el valor de en escala logar tmica. La ordenada (eje vertical) muestra el a ngulo de F (j ) medida en grados o radianes. 229
OSCAR G. DUARTE
B.2.
Construcci on de los diagramas de Bode
Debido a las escalas empleadas en los diagramas de Bode, estos pueden ser construidos en forma aproximada mediante trazos rectos. La gura B.1 muestra los diagramas de Bode aproximados para funciones sencillas de orden 1. La gura B.2 muestra los diagramas de bode para funciones de orden 2; en estos casos, las aproximaciones pueden ser bastante lejanas de los diagramas exactos, dependiendo del factor de amortiguamiento . Por esta raz on se han trazado los diagramas exactos para una funci on de segundo orden (para el primer caso de la gura B.2), en las guras B.3 y B.4 Para funciones de transferencia m as sosticadas que las de las guras B.1 y B.2 se descompone la funci on de trasferencia como productos de t erminos m as sencillas, se trazan los diagramas de bode estas de funciones y luego se suman punto a punto para obtener los diagramas de la funci on original Ejemplo B.1 Consid erese la funci on de transferencia F (s) = (s + 10) (s + 1)(s + 100)
Esta funci on puede descomponerse como el producto de cuatro funciones de transfenecia m as sencillas: F (s) = 100 1 s + 10 1 10 s + 1 s + 100 10
FA (s) FB (s) FC (s) FD (s)
Cada una de las funciones FA (s), FB (s), FC (s) y FD (s) son de la forma que se muestra en las guras B.1 y B.2. Pueden trazarse los diagramas de bode aproximados de estas funciones, y luego sumarlos punto a punto para obtener los diagramas de F (s)
230
B.2. CONSTRUCCION DE LOS DIAGRAMAS DE BODE
F (s)
|F (jw)|
2
arg F (jw)
K>0
K<0 s 20db/dc 1
2
2
2
1 s
1 20db/dc 20db/dc a
2
2
s+a a
a>0
2
2
a 10
10a
a s+a
a>0
a 20db/dc
a 10
10a
2
2 a 10
sa a
a>0
20db/dc a
10a
2
2
a sa
a>0
a 20db/dc
a 10
10a
Figura B.1: Resumen de los diagramas de Bode aproximados para sistemas continuos de primer orden (los cuatro primeros casos son exactos)
231
OSCAR G. DUARTE
F (s)
|F (jw)|
arg F (jw)
2 n 2 s2 +2n s+n
n 10
n 10n
n 40db/dc
n > 0
2 n 2 s2 +2n s+n
n 10
n 40db/dc 40db/dc
n < 0
n 10n
2 s2 +2n s+n 2 n
n 10
n > 0
2 40db/dc
n 10n
2 s2 +2n s+n 2 n
n 10
n 10n
n < 0
Figura B.2: Resumen de los diagramas de Bode aproximados para sistemas continuos de segundo orden
232
B.2. CONSTRUCCION DE LOS DIAGRAMAS DE BODE
Diagrama de Bode de magnitud |F(jw)| 20
10
10
20
30
: : : : :
1
= 0.01 = 0.1 = 0.3 = 0.5 = 1.0

0 1
w/wn
40 10 0.01 0.1 0.3 10 0.5 1.0 10
Figura B.3: Diagrama de Bode de magnitud para un sistema continuo de segundo orden con distintos factores de amortiguamiento
233
OSCAR G. DUARTE
Diagrama de Bode de fase ang(F(jw)) 0
30
60
90
120
150
: : : : :
1
= 0.01 = 0.1 = 0.3 = 0.5 = 1.0

0 1
w/wn
180 10 0.01 0.1 0.3 10 0.5 1.0 10
Figura B.4: Diagrama de Bode de fase para un sistema continuo de segundo orden con distintos factores de amortiguamiento
234
Ap endice C Carta de Nichols
Sup ongase la funci on de transferencia (C.1), que corresponde a un sistema realimentado simple con realimentaci on unitaria, F (s) = G(s) 1 + G(s) (C.1)
Al evaluar F (s) en s = j la ecuaci on (C.1) se convierte en F (j ) = G(j ) 1 + G(j ) (C.2)
Podemos calcular la magnitud y el a ngulo de F (j ), a partir de la parte real y la parte imaginaria de G(j ): G(j ) = X + jY Al remplazar (C.3) en (C.2) se obtiene F (j ) = La magnitud de F (j ) ser a M = |F (j )| = El a ngulo de F (j ) ser a = arg F (j ) = tan1 Y X 235 tan1 Y (1 + X ) (C.6) X2 + Y 2 (1 + X )2 + Y 2 (C.5) X + jY 1 + X + jY (C.4) (C.3)
OSCAR G. DUARTE
La tangente del a ngulo de F (j ) ser a N = tan() = tan (arg F (j )) (C.7)
En las secciones C.1 y C.2 se muestra como (C.5) y (C.7) corresponden a las ecuaciones de unas circunferencias, para M y N constantes.
C.1.
M -circunferencias
X2 + Y 2 X2 + Y 2 = (1 + X )2 + Y 2 1 + 2X + X 2 + Y 2
Al elevar al cuadrado la ecuaci on (C.5) se tiene M2 = (C.8)
Que puede reescribirse como M 2 + 2XM 2 + X 2 M 2 + Y 2 M 2 = X 2 + Y 2 X 2 (1 M 2 ) 2M 2 X M 2 + (1 M 2 )Y 2 = 0 X2 + 2M 2 M2 X+ +Y2 =0 2 (M 1) (M 2 1) (C.9)
La ecuaci on C.9 es una cuadr atica, y para analizarla completamos el cuadrado en X : X2 + M4 M4 M2 2M 2 2 X + + Y = = (M 2 1) (M 2 1)2 (M 2 1)2 (M 2 1) M 4 M 2 (M 2 1) (M 2 1)2 X+ M2 (M 2 1)
2
(C.10)
+Y2 =
M2 = (M 2 1)2
M (M 2 1)
(C.11)
La ecuaci on (C.11) corresponde a la de una circunferencia con centro en

M y radio (M 2 1) , 0 circunferencias.
2
M (M 2 1) .
Estas circunferencias se conocen como las M-
C.2.
N -circunferencias
tan A tan B 1 + tan A tan B
Empleando (C.6) y la identidad trigonom etrica tan A B = la ecuaci on (C.7) se convierte en 236
C.3. CARTA DE NICHOLS
N= que puede reescribirse como N=
Y X
1+
Y 1+X Y Y X 1+X
Y +XY XY X (1+X ) X +X 2 +Y 2 X (1+X )
Y + XY XY X + X2 + Y 2
Y =0 (C.12) N La ecuaci on (C.12) corresponde a una cuadr atica y para analizarla completamos los cuadrados en X y en Y X2 + X + Y 2 1 Y +Y2 + 4 N X+ 1 2
2
X2 + X +
1 2N
1 + 4
2
1 2N =
N2 + 1 4N 2
(C.13)
+ Y
1 2N
N2 + 1 4N 2
(C.14)
La ecuaci on (C.14) corresponde a la de una circunferencia con centro en 1 1 2 , 2N y radio 21 2 N N + 1. Estas circunferencias se conocen como las Ncircunferencias.
C.3.
Carta de Nichols
Las ecuaciones (C.11) y (C.14) muestran que en un plano que tenga por ejes X y Y , es decir la parte real y la parte imaginaria de G(j ), el lugar geom etrico de las magnitudes y a ngulos de F (j ) constantes son las M-circunferencias y N-circunferencias respectivamente. En la gura C.1 se muestran algunas de estas circunferencias, para unos valores espec cos de la magnitud y el a ngulo de F (j ). Esta gura se conoce como la Carta de Nichols en coordenadas rectangulares. La principal utilidad de esta carta es la de poder determinar en forma gr aca el valor de F (j ) a partir de G(j ), es decir, calcular de forma gr aca la ecuaci on (C.2). Sin embargo, resulta m as sencillo conocer la magnitud y el a ngulo de G(j ) que sus partes real e imaginaria, empleando para ello los diagramas de Bode; por esta raz on se propone trabajar con la carta de Nichols en coordenadas polares que se muestra en la gura C.2, cuyos ejes corersponden a la magnitud y a ngulo de G(j ). En estos ejes las M-circunferencias y N-circunferencias se distorsionan, y pierden su forma de circunferencia.
237
OSCAR G. DUARTE
3.0
Im{G(j )}
2.4
30o
1.8 1.2 0.6 0.0 0.6 1.2 1.8 2.4 3.0 4.80
2db 3db 5db
60o 90o 5db 3db 2db
90o 60o
30o
Re{G(j )}
3.84 2.88 1.92 0.96 0.00 0.96 1.92 2.88 3.84 4.80
:|F (j )|en db
:arg {F (j )}
Figura C.1: Diagrama de Nichols en coordenadas rectangulares
20 16
|G(j )|en db
2db
12 2db
3db
8
3db 5db
4 0 4 8 12 16
5db
30o
60o
90o
90o 60o
30o
20 0 36 72 108 144 180 216 252 288 324 360
:|F (j )|en db
arg{G(j )} :arg {F (j )}
Figura C.2: Diagrama de Nichols en coordenadas polares
238
Ap endice D Apuntes de algebra lineal
D.1.
D.1.1.
Espacios vectoriales
Estructuras algebr aicas b asicas
Denici on D.1 Grupo Un conjunto dotado de una operaci on binaria tiene estructura de grupo si la operaci on satisface las siguientes propiedades: G.1 Clausurativa (Cerradura): x, y x y G.2 Asociativa: x, y, z (x y ) z = x (y z ) G.3 Modulativa: 0 | x x 0 = x G.4 Invertiva: x (x) | x (x) = 0 Denici on D.2 Grupo conmutativo Un conjunto dotado de una operaci on binaria tiene estructura de grupo conmutativo o grupo abeliano si la operaci on satisface las propiedades de grupo y: G.5 Conmutativa: x, y x y = y x Ejemplo D.1 El conjunto = {a, b, c} dotado con la operaci on descrita en la tabla a b c a a b c b b c a c c a b
239
OSCAR G. DUARTE
tiene estructura algebr aica de grupo conmutativo, en donde el m odulo 0 de es el elemento a Ejemplo D.2 El conjunto = {0, 1} dotado con la operaci on suma usual no tiene estructura de grupo porque no se satisface la propiedad clausurativa (1+1 = 2 ). Sin embargo, con la operaci on descrita en la tabla s tiene estructura de grupo 0 1 0 1 0 1 0 1
Denici on D.3 Anillo Un conjunto dotado de dos operaciones binarias y tiene estructura de anillo si las operaciones satisfacen las siguientes propiedades. Para la operaci on R.1 Clausurativa: x, y x y R.2 Asociativa: x, y, z (x y ) z = x (y z ) R.3 Modulativa: 0 | x x 0 = x R.4 Invertiva: x (x) | x (x) = 0 R.5 Conmutativa: x, y x y = y x R.6 Clausurativa: x, y x y R.7 Asociativa: x, y, z (x y ) z = x (y z ) Para las dos operaciones R.8 Distributiva respecto a : x, y, z x (y z ) = (x y ) (x z ) Denici on D.4 Anillo modulativo (anillo con unidad) Un conjunto dotado de dos operaciones binarias y tiene estructura de anillo modulativo o de anillo con unidad si las operaciones satisfacen las propiedades de anillo y adem as la operaci on satisface: Para la operaci on
R.9 Modulativa: 1 | x x 1 = 1 x = x
R.10 Conmutativa: x, y x y = y x
Denici on D.5 Anillo conmutativo Un conjunto dotado de dos operaciones binarias y tiene estructura de anillo conmutativo si las operaciones satisfacen las propiedades de anillo y adem as la operaci on satisface: Denici on D.6 Campo Un conjunto dotado de dos operaciones binarias y tiene estructura de campo si tiene estructura de anillo conmutativo con unidad.
Ejemplo D.3 Algunos de los campos m as conocidos son los reales R, los complejos C y el conjunto de las funciones racionales de s con coecientes reales R(s). 240
D.1. ESPACIOS VECTORIALES
D.1.2.
Denici on de espacio vectorial
Denici on D.7 espacio vectorial Sea un conjunto y F : (, , ) un campo. A los elementos de se les denomina vectores, y a los elementos de escalares. tiene estructura de espacio vectorial sobre F si est a dotado de una operaci on binaria + (suma vectorial) y una operaci on entre elementos de y (producto por escalar) que cumplen las siguientes propiedades: Para la suma vectorial V.1 Clausurativa: x, y x + y V.2 Asociativa: x, y, z (x + y ) + z = x + (y + z ) V.3 Modulativa: 0 | x x + 0 = x V.4 Invertiva: x (x) | x + (x) = 0 V.5 Conmutativa: x, y x + y = y + x Para el producto por escalar V.6 Clausurativa: x , x V.7 Asociativa: x , , ( ) x = ( x) V.8 Modulativa: x , 1 x = x. 1 es el m odulo de V.9 Anulativa: x , 0 x = 0.En donde 0 es el m odulo de , y 0 es el m odulo de + Para las dos operaciones V.10 Distributiva respecto a +: x, y , (x + y ) = ( x) + ( y ) V.11 Distributiva respecto a : x , , ( ) x = ( x) + ( x) Ejemplo D.4 Uno de los espacios vectoriales m as conocidos, y que servir a para futuros ejemplos en este cap tulo es el formado por R 2 sobre el campo R con las operaciones usuales. En general, Cn sobre el campo C con las operaciones usuales forma un espacio vectorial. Ejemplo D.5 El conjunto de todos los polinomios sobre el campo R con las operaciones usuales entre polinomios forma un espacio vectorial. Ejemplo D.6 El conjunto de todas las funciones cont nuas a trozos sobre el campo C con la operaci on + denida como la suma punto a punto forma un espacio vectorial. 241
OSCAR G. DUARTE
Ejemplo D.7 El conjunto de todas las matrices de tama no jo m n sobre el campo C con las operaciones usuales entre matrices forma un espacio vectorial. Denici on D.8 Subespacio Sea V : (, +, , F) un espacio vectorial sobre F; sea un subconjunto de . Si W : (, +, , F) forma un espacio vectorial sobre F se dice que W es un subespacio de V . Teorema D.1 Sea V : (, +, , F) un espacio vectorial sobre F; sea un subconjunto de . W : (, +, , F) es un subespacio de V si y s olo si +, son cerradas en . Demostraci on D.1 Si +, son cerradas en se satisfacen V.1 y V.6. Las dem as propiedades contenidas en la denici on D.7 se satisfacen porque V : (, +, , F) es un espacio vectorial; por lo tanto W (, +, , F) es un Espacio vectorial y de acuerdo con la denici on D.8, es un subespacio de V . Ejemplo D.8 (R2 , R) es un subespacio de (R3 , R), ya que la suma y el producto por escalar son operaciones cerradas en R2 . En general si n m se tiene que (Rn , R) es un subespacio de (Rm , R) Ejemplo D.9 Una l nea recta que cruce por el origen es un subsepacio de (R 2 , R), ya que: i) la suma de dos vectores que est en sobre una misma recta da otro vector sobre esa recta y ii) el producto por escalar de un vector da otro vector sobre la misma recta. Ejemplo D.10 El conjunto de los polinomios de orden 2, es un subespacio del conjunto de los polinomios de orden 4 (con las operaciones usuales y sobre R), ya que: i) la suma de dos polinomios de orden 2 da otro polinomio de orden 2 y ii) el producto de un polinomio de orden 2 por un escalar da otro polinomio de orden 2. Se entiende que un polinomio de orden n es un polinomio que no tiene monomios de orden superior a n.
D.1.3.
Bases
Denici on D.9 Combinaci on lineal Sea V : (, F) un espacio vectorial. Sean x1 , x2 , , xn cualesquiera vectores y 1 , 2 , , n cualesquiera escalares de F denominados coecientes. Una combinaci on lineal de x1 , x2 , , xn es la operaci on
n
1 x1 + 2 x2 + + n xn =
i xi
i=1
Denici on D.10 Independencia lineal Un conjunto de vectores {x1 , x2 , , xn } es linealmente independiente si la u nica combinaci on lineal nula se obtiene con coecientes nulos. Es decir, si 1 x1 + 2 x2 + + n xn = 0 242 1 = 2 = = n = 0
Denici on D.11 Dimensi on El m aximo n umero de vectores linealmente independientes en un espacio vectorial V se denomina la dimensi on de V . Denici on D.12 Conjunto generador Dado un conjunto de vectores X = {x1 , x2 , , xn }; S es un Conjunto generado por X si es el conjunto de todas las posibles combinaciones lineales de elementos de X ; se dice que X es un Conjunto generador de S y se denota por
n
S = span(X ) =
y | 1 , 2 , , n y =
i xi
i=1
Denici on D.13 Base de un espacio vectorial Un conjunto de vectores B = {b1 , b2 , , bn } es una base del espacio vectorial V : (, F) si B es linealmente independiente y genera a . Teorema D.2 En un espacio vectorial V de dimensi on n, cualquier conjunto de n vectores linealmente independientes es una base de V . Demostraci on D.2 Sea A = {a1 , a2 , , an } un conjunto arbitrario de n vectores linealmente independientes en V . Para demostrar que A es una base de V es necesario demostrar que cubre a V , es decir, que cualquier elemento x de V puede expresarse como una combinaci on lineal de los elementos de A. Debido a que A tiene n elementos, el conjunto {x, a1 , a2 , , an } es linealmente dependiente (tiene n +1 elementos y n es el m aximo n umero de vectores linealmente independientes) y por tanto existe una combinaci on lineal 0 x + 1 a 1 + 2 a 2 + + n a n = 0 1 a 1 + 2 a 2 + + n a n = 0 (D.1)
con algunos de los i = 0. Es claro que 0 = 0 por que de lo contrario se obtendr a (D.2)
lo que implica que todos los i deber an ser cero ya que los elementos de A son linealmente independientes (son una base). Como 0 = 0 podemos despejar x 1 2 n x= a1 + a2 + + an (D.3) 0 0 0 es decir, que existe una combinaci on lineal de los elementos de A cuyo resultado es x, y por lo tanto A genera el espacio vectorial V . Denici on D.14 Coordenadas de un vector Sea x un elemento del espacio vectorial V , y B = {b1 , b2 , , bn } una base de V . Si x = 1 b1 + 2 b2 + + n bn se dice que las coordenadas de x en la base B son los coecientes de esa combinaci on lineal { 1 , 2 , , n }. Usualmente se agrupan en un vector 1 2 = . . . n 243
OSCAR G. DUARTE
Teorema D.3 Todo elemento x de un espacio vectorial V tiene unas u nicas coordenadas en una determinada base B = {b1 , b2 , , bn } Demostraci on D.3 Seg un la denici on D.14 B genera a V y por lo tanto existe al menos una combinaci on lineal de los elementos de B cuyo resultado es x, es decir, existen al menos unas coordenadas de x en la base B . Para demostrar que estas coordenadas son u nicas, supongamos que existen dos juegos de coordenadas diferentes {1 , 2 , , n } y {1 , 2 , , n }. Seg un la denici on D.14 se tiene 1 b 1 1 b 1 + 2 b2 + 2 b2 + + n bn + + n bn =x =x
Al restar estas dos expresiones se obtiene (1 1 )b1 + (2 2 )b2 + + (n n )bn = 0 De acuerdo con la denici on D.13, el conjunto B = {b 1 , b2 , , bn } es linealmente independiente, y por lo tanto la u nica combinaci on lineal de sus elementos que es nula es la que tiene todos sus coecientes nulos, por lo tanto i = i para i = 1, 2, , n lo que signica que los dos juegos de coordenadas deben ser iguales. Teorema D.4 Al aumentar los elementos de una base el conjunto resultante es linealmente dependiente. Demostraci on D.4 Sea B = {b1 , b2 , , bn } una base de V y sea x un elemento cualquiera de V . Debido a que B genera a V es posible encontrar i tales que x = 1 b1 + 2 b2 + + n bn y por tanto puede escribirse 1 b 1 + 2 b 2 + + n b n x = 0 Esta es una combinaci on lineal nula con coecientes no nulos (al menos el coeciente de x es 1) y por tanto el conjunto {b1 , b2 , , bn , x} es linealmente dependiente. Teorema D.5 Todas las bases de un mismo espacio vectorial tienen el mismo n umero de elementos que coincide con la dimensi on del espacio vectorial. Demostraci on D.5 Por el teorema D.2 sabemos que pueden existir bases de taman o igual a la dimensi on. Seg un las deniciones D.11 y D.13 no puede haber bases con un n umero mayor de elementos, debido a que este conjunto ser a linealmente dependiente, por lo tanto s olo es necesario probar que no puede haber bases con un n umero de elementos inferior a la dimensi on del espacio. Sea V un espacio vectorial de dimensi on n. Supongamos dos bases B y A: B = {b1 , b2 , , bn } 244 A = {a1 , a2 , , ar }
con r < n. Seg un el teorema D.4 el conjunto C1 = {b1 , a1 , a2 , , ar } es linealmente dependiente y alguno de los elementos ai es una combinaci on lineal de los otros elementos de C1 ; supongamos que este ai es justamente ar , (en caso de que no lo sea, reorganizamos el conjunto y cambiamos los sub ndices). El espacio cubierto por C1 es el mismo espacio cubierto por A y por {b1 , a1 , a2 , , ar1 }, por lo tanto el conjunto C2 = {b2 , b1 , a1 , a2 , , ar1 } es linealmente dependiente; de nuevo podemos argumentar que alguno de los elementos a i es una combinaci on lineal de los otros elementos de C 2 ; supongamos que este ai es justamente ar1 . Efectuando este procedimiento podemos construir en forma consecutiva C 3 , C4 , , Cr , todos los cuales ser an conjuntos linealmente dependientes. Sin embargo, Cr es Cr = {br , br1 , , b2 , b1 } que es un subconjunto de la base B y por lo tanto no puede ser linealmente dependiente. De esta forma demostramos que r < n es una contradicci on. Como consecuencia, todas las bases del espacio vectorial deben tener el mismo tama no, que coincide con la dimensi on del espacio. Ejemplo D.11 Cualquier pareja de vectores no paralelos en el plano es una base del espacio vectorial R2 Ejemplo D.12 El conjunto formado por los polinomios {1, t, t 2 , t3 } forma una base del espacio vectorial de los polinomios de orden 3. Ejemplo D.13 El espacio vectorial de todos los polinomios tiene dimensi on innita. Una base de ese espacio es la formada por los polinomios {1, t, t 2 , t3 , }
D.1.4.
Cambio de base
Sean A = {a1 , a2 , , an } y B = {b1 , b2 , , bn } dos bases del mismo espacio vectorial V de dimensi on n. Denimos las matrices A y B como las matrices que tienen en sus columnas cada uno de los elementos de las bases A y B respectivamente: A = a1 a2 an B = b1 b2 bn Un vector x tendr a coordenadas i en la base A y i en la base B , de tal manera que x = 1 a1 + 2 a2 + + n an (D.4) x = 1 b1 + 2 b2 + + n bn Denimos los vectores columna y que contienen las coordenadas: 1 1 2 2 = . = . . . . . n n 245
OSCAR G. DUARTE
de tal manera que podemos reescribir (D.4) como 1 2 x = a1 a2 an . = A . . n x = b1 b2 bn 1 2 . = B . . n
Igualando estas dos expresiones se encuentran las expresiones que permiten encontrar las coordenadas de x en una base a partir de sus coordenadas en la otra: A = B = A1 B = B1 A (D.5) En caso de que A sea la base est andar, la matriz A resulta ser la matriz identidad de orden n y (D.5) se convierte en = B = B1 (D.6)
Ejemplo D.14 En R2 puede denirse una base con cualquier pareja de vectores no paralelos. Denamos por ejemplo A = {(1, 0), (0, 1)}, B = {(3, 1), (2, 2)} y C = {(1, 1)(1, 1)} (vectores rojos en la gura D.1). Consideremos ahora el vector x en la gura D.1. Sus coordenadas en la base est andar A ser an 1 = 1 = 2 3 Para obtener las coordenadas de x en las bases B y C construimos las matrices B y C y empleamos (D.6) B= 3 2 1 2 C= 1 1 1 1 1 1 = 2 3 1 1 = 2 3
1/2 1/2 1 = B1 = 1/4 3/4 2 1/2 1/2 1 = C1 = 1/2 1/2 2
Puede vericarse que las coordenadas en las bases B y C satisfacen las relaciones (D.5) = B1 C = C1 B
246
D.2. TRANSFORMACIONES LINEALES
1 =1 2 =3 2 =2 1 =-1 : base : vector
1 =1 2 =-2
Figura D.1: Cambio de base de un Vector
D.2.
Transformaciones lineales
Denici on D.15 Transformaci on Lineal Una transformaci on lineal es una funci on lineal entre dos espacios vectoriales. Sean V y W dos espacios vectoriales sobre el mismo campo F. Sea T una funci on que toma elementos de V y les asigna elementos de W T :V W y = T (x) x V yW
Si T satisface las condiciones de linealidad se dice que T es una transformaci on Lineal. T debe satisfacer: x1 , x2 V 1 , 2 F T (1 x1 + 2 x2 ) = 1 T (x1 ) + 2 T (x2 ) (D.7)
Ejemplo D.15 La funci on T : R3 R2 consistente en la proyecci on de los puntos en el plano xy es una transformaci on lineal. Esta funci on toma un punto (a, b, c) en R3 y le asigna la pareja (a, b) en R2 . Ejemplo D.16 La funci on T : R2 R2 consistente en la rotaci on de vectores t 90 exto en sentido horario es una transformaci on lineal. Ejemplo D.17 La funci on T : R3 P , en donde P es el espacio vectorial de los polinomios, consistente en la construcci on de polinomios a partir de sus coecientes es una transformaci on lineal. Esta funci on toma un punto (a, b, c) en R 3 y le asigna un polinomio a + bx + cx2 en P. Teorema D.6 Una transformaci on lineal T de un espacio V de dimensi on n a un espacio W de dimensi on m puede representarse por una matriz T de orden m n. La columna i esima de T contiene las coordenadas del resultado de aplicar T sobre el elemento i- esimo de la base de V . Demostraci on D.6 Sea x un elemento de V sobre el que se aplica la transformaci on T y = T (x) (D.8) 247
OSCAR G. DUARTE
Sea B = {b1 , b2 , , bn } una base sobre la cual x tiene coordenadas 1 , 2 , n , es decir, x puede escribirse como x = 1 b1 + 2 b2 + + n bn de tal manera que (D.8) es y = T (1 b1 + 2 b2 + + n bn ) (D.9)
Debido a que T es una operaci on lineal y satisfece (D.7), la ecuaci on (D.9) puede escribirse como y = 1 T (b1 ) + 2 T (b2 ) + + n T (bn ) o en forma matricial 1 2 . = T . . n (D.10)
y = T (b1 ) T (b2 ) T (bn )
(D.11)
Esto demuestra que La transformaci on lineal T se puede representar por T, una matriz cuyas columnas son el resultado de aplicar T en cada una de las bases b i . el tama no de cada columna debe ser m, ya que el resultado est a en W , que es de dimensi on m, por lo tanto el orden de T es m n. Debe destacarse que el resultado = u 1T realmente son las coordenadas de y en el espacio W en la base u. Ejemplo D.18 Podemos denir la transformaci on lineal T de R 2 a R2 consistente en la rotaci on de vectores 90t exto en sentido horario (gura D.2). Si empleamos la base est andar, podemos construir la matriz T calculando la transformaci on de cada uno de los vectores de la base: T= T 1 0 T 0 1 = 0 1 1 0
Si deseamos efectuar la rotaci on sobre un vector x de coordenadas (1, 3) debemos efectuar la operaci on y = Tx = 0 1 1 0 1 3 = 3 1
D.2.1.
Transformaciones y cambios de base
El teorema D.6 permite efectuar transformaciones lineales mediante productos matriciales. Al cambiar de base, la matriz T que representa la transformaci on lineal sufre unos cambios, seg un se presenta a continuaci on. Teorema D.7 Sea T una transformaci on lineal, que en la base est andar se representa por la matriz T . La misma transformaci on se representar a en otra base B = {b1 , b2 , , bn } por T = B1 T B en donde B = [b1 b2 bn ] 248
D.2. TRANSFORMACIONES LINEALES
: base
: vector
Figura D.2: Rotaci on de 90o en sentido horario
Demostraci on D.7 Sup ongase que el vector x se transforma en el vector y mediante la transformaci on T . Sean x y x las coordenadas de x en la base est andar y en la base B , respectivamente. Sean tambi en y y y las coordenadas de y en esas mismas bases. De acuerdo con el teorema D.6 T podr a representarse en cada una de esas bases como y = T x y = T x
Las coordenadas en la base B pueden escribirse en funci on de las coordenadas de la base est andar empleando (D.6) y = B1 y y por tanto B1 y = T B1 x y = BT B1 x de donde se deduce que T = BT B1 T = B1 T B (D.12) x = B1 x
Teorema D.8 Sea T una transformaci on lineal, que en la base estandar se representa por T . La misma transformaci on se representar a en otra base B = {b1 , b2 , , bn } por la matriz T . La misma transformaci on se representar a en otra base C = {c1 , c2 , , cn } por T = C1 BT B1 C en donde B = [b1 b2 bn ] y C = [c1 c2 cn ] Demostraci on D.8 Empleando D.12 podemos escribir T como T = BT B1 Igualando se tiene BT B1 = CT C1 T = C1 BT B1 C 249 T = CT C1
OSCAR G. DUARTE
Ejemplo D.19 En el ejemplo D.18 se mostr o que la rotaci on de 90 t exto en sentido horario estaba representada en la base est andar por la matriz T = 0 1 1 0
La misma transformaci on se representar a en la base B = {(3, 1), (2, 2)} por la matriz T = B1 T B T = 1/2 1/2 1/4 3/4 0 1 1 0 2 2 3 2 = 2.5 2 1 2
Sup ongase ahora el vector x, cuyas coordenadas en la base est andar son x = (1, 3) y en la base B son x = (1, 2) (ejemplo D.14). Al efectuar la rotaci on de 90t exto en sentido horario se obtendr a un vector y cuyas coordenadas en la base est andar ser an y y en la base B ser an y : y = 0 1 1 0 1 3 = 3 1 y = 2 2 2.5 2 1 2 = 2 1.5
D.3.
Normas de vectores y matrices
Denici on D.16 Producto interno Sea V : (, +, , F) un espacio vectorial sobre F : (, , ). Una operaci on P : F se denomina producto interno o producto interior si satisface las siguientes condiciones P.1 x1 P (x1 , x1 ) 0 La igualdad se cumple s olo si x1 = 0 P.2 x1 , x2 , x3 P (x1 + x2 , x3 ) = P (x1 , x3 ) P (x2 , x3 ) P.3 x1 , x2 F P (x1 , x2 ) = P (x1 , x2 ) P.4 x1 , x2 P (x1 , x2 ) = P (x2 , x1 ) Ejemplo D.20 El producto escalar usual es un producto interno. Se dene como
n
x, y =
i=1
xi y i
en donde xi , yi son las coordenadas de x, y respectivamente, y la dimension del espacio es n, Denici on D.17 Norma de un vector Sea V : (, +, , F) un espacio vectorial sobre F : (, , ). Una operaci on F es una funci on de Norma si satisface las siguientes condiciones N.1 x x 0 250 :
D.3. NORMAS DE VECTORES Y MATRICES
N.2 x = 0 si y s olo si x = 0 N.3 x F N.4 x1 , x2 x = || x x 1 + x2 x 1 x 2
Ejemplo D.21 Sea V : (, +, , F) un espacio vectorial sobre F, y sea P (x1 , x2 ) un producto interno de ese espacio. Si la cantidad x = + P (x, x) es una funci on de norma se dice que es una norma inducida por el producto interno P . El signo + resalta que se trata de la raiz positiva del producto interno de x consigo mismo. Ejemplo D.22 Sea V un espacio vectorial de dimensi on n, y sean x 1 , x2 , , xn las coordenadas del vector x. En esas condiciones, las siguientes funciones son funciones de normas: 1. 2. 3. 4. x x x x
1 2 p
= = =
p
n i=1
|xi | x2 i xp i
n i=1 n i=1
= m axi xi
Denici on D.18 Distancia entre vectores Sea V : (, +, , F) un espacio vectorial sobre F : (, , ), y sea una norma denida en ese espacio vectorial. Se dene la distancia entre los vectores x 1 y x2 como la operaci on d : F tal que d(x1 , x2 ) = x1 x2 Toda funci on de distancia satisface las siguientes propiedades: d.1 x1 , x2 d(x1 , x2 ) 0 d.2 d(x1 , x2 ) = 0 si y s olo si x1 = x2 d.3 x1 , x2 d(x1 , x2 ) = d(x2 , x1 ) d.4 x1 , x2 , x3 d(x1 , x2 ) d(x1 , x3 ) d(x3 , x2 ) Denici on D.19 Vector normal Un vector es normal si su norma es 1 Denici on D.20 Bola unitaria Sea V : (, +, , F) un espacio vectorial sobre F, y sea d(x1 , x2 ) una funci on de distancia denida en ese espacio vectorial. Se dene la bola unitaria como el conjunto de todos los vectores cuya distancia al origen sea 1. Tambi en puede denirse de forma equivalente como el conjunto de todos los vectores cuya norma sea 1, o lo que es igual, el conjunto de todos los vectores normales. 251
OSCAR G. DUARTE
Figura D.3: Circunferencias Unitarias para diferentes normas
Ejemplo D.23 La gura D.3 muestra las bolas unitarias para tres funciones de distancia diferentes, originadas las siguientes normas x 1 , x 2 y x denidas en el Ejemplo D.22, para el espacio vectorial R2 . Como se trata de un espacio de dimensi on 2 se emplea el t ermino circunferencia unitaria en lugar de bola unitaria Denici on D.21 Angulo entre vectores Sea V : (, +, , F) un espacio vectorial sobre F, sea P (x1 , x2 ) un producto interno denido en ese espacio, y la norma inducida por P . Se dene el angulo entre los vectores x1 y x2 mediante cos asi: cos = P (x1 , x2 ) x1 x 2
Denici on D.22 Vectores ortogonales Un conjunto de vectores x1 , x2 , , xk es ortogonal si P (xi , xj ) = 0 si i = j = 0 si i = j
Denici on D.23 Vectores ortonormales Un conjunto de vectores x1 , x2 , , xk es ortonormal si es ortogonal y todos sus vectores son normales, es decir, si P (xi , xj ) = ij = 0 si i = j 1 si i = j
en donde ij se conoce como la funci on delta de Kronecker Teorema D.9 Los elementos de un conjunto ortogonal de vectores son linealmente independientes. Demostraci on D.9 Sup ongase un conjunto ortogonal x 1 , x2 , , xk y construyamos una combinaci on lineal nula de ellos: 1 x1 + 2 x2 + + n xn = 0 252
D.3. NORMAS DE VECTORES Y MATRICES
Si seleccionamos un vector cualquiera xj y efectuamos el producto interno a cada lado de la ecuaci on tenemos 1 P (x1 , xj ) + 2 P (x2 , xj ) + + n P (xn , xj ) = 0 Como se trata de un sistema ortogonal el u nico P (xi , xj ) = 0 es P (xj , xj ) = Pi y por lo tanto j P (xj , xj ) = j Pi = 0 Y por tanto j = 0 Este conclusi on se puede obtener para todos los coecientes , por lo tanto la unica combinaci on lineal nula de los vectores es la que tiene coecientes nulos, es decir, los vectores son linealmente independientes. Denici on D.24 Proceso de ortonormalizaci on de Gram-Schmidt Sea V : (, +, , F) un espacio vectorial sobre F, sea P (x1 , x2 ) un producto interno denido en ese espacio, y la norma inducida por P .Dado un conjunto de vectores linealmente independientes x1 , x2 , , xk es posible encontrar un conjunto de vectores ortonormales y1 , y2 , , yk siguiendo el proceso de ortonormalizaci on de Gram-Schmidt : y1 = x1 x1 x2 P (x2 , y1 )y1 y2 = x2 P (x2 , y1 )y1 x3 P (x3 , y1 )y1 P (x3 , y2 )y2 y3 = x3 P (x3 , y1 )y1 P (x3 , y2 )y2 . . . .. . xk xk
j =1 j =1
yk =
k 1P (xk , yj )yj k 1P (xk , yj )yj
Denici on D.25 Norma de una matriz cuadrada Sea A una matriz que representa una transformaci on lineal A : C n Cn . Se dene la norma de la matriz A inducida por una norma vectorial como A = sup
x=0
Ax = sup Ax x x =1
Es decir, la norma de una matriz es la norma m as grande que se obtiene al aplicar la transformaci on lineal sobre los elementos de la bola unitaria. Ejemplo D.24 Sea A la matriz A= 2 1 0 3
253
OSCAR G. DUARTE
Figura D.4: Norma de una matriz basada en
Para calcular A 1 aplicamos la transformaci on A a la circunferencia unitaria de la norma 1 , tal como se muestra en la gura D.4. La mayor distancia al origen que resulta es, seg un la norma 1 , la correspondiente a los puntos (1, 3) y (1, 3), por lo tanto A Ejemplo D.25 Sea A la matriz A= 2 1 0 3
1
= |1| + |3| = 4
Para calcular A 2 aplicamos la transformaci on A a la circunferencia unitaria de la norma 2 , tal como se muestra en la gura D.5. La mayor distancia al origen que resulta es, seg un la norma 2 , la marcada en la gura D.5 como d. Es un ejercicio interesante demostrar que esta distancia corrresponde a los puntos (1.536, 2.871) y (1.536, 2.871) por lo tanto 1 A
2
1.5362 + 2.8712 = 3.256
Tambi en puede demostrarse que A

2
13 + 7 = 3.256
Ejemplo D.26 Sea A la matriz A= 2 1 0 3
1 Un punto de (cos , sin ) de la circunferencia unitaria se transforma en (2 cos + sin , 3 sin ); su distancia al origen r es tal que r 2 = (2 cos + sin )2 + (3 sin )2 , que puede escribirse como r 2 = 2 sin 2 3 cos 2 + 7. Los puntos cr ticos corresponden a dr 2 /d = 0, 1 es decir a = 2 tan1 ( 2 ); el m aximo corresponde a = 73.15t exto 3
254
D.4. SISTEMAS DE ECUACIONES ALGEBRAICAS
A 1
Para calcular A aplicamos la transformaci on A a la circunferencia unitaria de la norma , tal como se muestra en la gura D.6. La mayor distancia al origen que resulta es, seg un la norma , la correspondiente a cualquiera de los puntos cuya segunda coordenada es 3 o 3, por ejemplo (1, 3), por lo tanto A = m ax{1, 3} = 3
D.4.
Sistemas de ecuaciones algebr aicas
El prop osito de esta secci on es el de presentar algunas propiedades de las matrices. Para ello, consideramos el sistema de ecuaciones algebr aicas: a11 x1 + a12 x2 + + a1n xn = y1 a21 x1 + a22 x2 + + a2n xn = y2 . . . am1 x1 + am2 x2 + + amn xn = ym 255
(D.13)
OSCAR G. DUARTE
que puede escribirse en forma matricial como a11 a21 A= . . . a12 a22 . . . am2 .. . a1n a2n . . . x1 x1 x= . . . xn y1 y1 y= . . . ym
Ax = y
(D.14)
am1
amn
La ecuaci on (D.14) puede interpretarse como el sistema de ecuaciones algebra cas (D.13), como una transformaci on lineal A : Rn Rm , o en general como una transformaci on lineal de un espacio vectorial de dimensi on n a otro espacio vectorial de dimensi om m A : V W con dim(V) = n y dim(W) = m. Empleamos esta m ultiple interpretaci on para hacer algunas deniciones y obtener ciertas conclusiones acerca de la existencia y unicidad del sistema de la soluci on del sistema de ecuaciones algebr aicas. Denici on D.26 Codominio El Codominio de un operador lineal A es el conjunto R(A) denido como R(A) = {y|x, y = Ax} Teorema D.10 El codominio de un operador lineal A : V W es un subespacio de W. Demostraci on D.10 Es claro que el codominio A es un subconjunto de W, es decir R(A) W. Sup onganse dos vectores y1 , y2 de R(A). Seg un la denici on D.26 existen dos vectores x1 , x2 en V tales que y1 = Ax1 y2 = Ax2
Gracias a la linealidad de A cualquier combinaci on lineal de y 1 , y2 puede escribirse como 1 y1 + 2 y2 = 1 Ax1 + 2 Ax2 = A(1 x1 + 2 x2 ) es decir, para cualquier combinaci on lineal de y 1 , y2 es posible encontrar un elemento x V tal que y = Ax y por lo tanto seg un el teorema D.1 R(A) es un subespacio de W. Denici on D.27 Rango El rango de una matriz A, denotado por (A) es la dimensi on del codominio del operador lineal representado por A (ver gura D.7).
Teorema D.11 El rango de una matriz A es igual el n umero de columnas linealmente independientes de A. 256
dim(V) = n V A
dim(W) = m W R(A)
(A) = dim(R(A))
Figura D.7: Codominio y rango de un operador lineal
Demostraci on D.11 Si denotamos la i esima columna de A como a i , es decir A = [a1 a2 an ] la ecuaci on D.14 puede escribirse como y = x 1 a1 + x 2 a2 + + x n an es decir, y es una combinaci on lineal de las columnas de A cuyos coecientes son x1 , x2 , , xn . El codominio de A ser a entonces el conjunto de todas las posibles combinaciones lineales de las columnas de A, es decir R(A) = span{a 1 , a2 , , an }; por lo tanto la dimensi on de R(A), que es (A), ser a igual al n umero de elementos linealmente independientes en el conjunto {a 1 , a2 , , an }. Ejemplo D.27 Consid erese la transformaci on lineal de R 2 en R2 representada por y = Ax en donde A es la matriz A= 1 1 0 0
Esa transformaci on toma un punto (x1 , x2 ) en el plano y lo convierte en un punto sobre el eje horizontal (gura D.8): y= 1 1 0 0 x1 (x1 + x2 ) = x2 0
El codominio de A, que denotamos por R(A) resulta ser el eje horizontal, es decir, un subespacio de R2 . La dimensi on de R(A), que es el rango de A, denotado por (A) es entonces 1. N otese que el n umero de columnas linealmente independientes de A tambi en es 1. Ejemplo D.28 Consid erese la transformaci on lineal de R 2 en R2 representada por y = Ax en donde A es la matriz A= 1 2 1 2
257
OSCAR G. DUARTE
} }
y= 1 2 1 2
(A) = 1
Figura D.8: Codominio y Rango del Operador Lineal del ejemplo D.27
(A) = 1
Figura D.9: Codominio y Rango del Operador Lineal del ejemplo D.27
Esa transformaci on toma un punto (x1 , x2 ) en el plano y lo convierte en un punto sobre la recta de pendiente 1 (gura D.9): (x1 + 2x2 ) x1 = (x1 + 2x2 ) x2
El codominio de A, que denotamos por R(A) resulta ser la recta identidad, es decir, un subespacio de R2 . La dimensi on de R(A), que es el rango de A, denotado por (A) es entonces 1. N otese que el n umero de columnas linealmente independientes de A tambi en es 1. En el teorema D.14 se demuestra que el rango de una matriz no se altera al premultiplicarla o posmultiplicarla por matrices no singulares. Esto signica que las operaciones elementales sobre matrices no alteran el rango de una matriz y por lo tanto puede comprobarse que el rango tambi en es igual el n umero de las linealmente independientes de la matriz, es decir, para una matriz A de dimensiones m n se tiene que (A) (A) (A) = N umero de columnas L.I. = N umero de las L.I. m n (m, n) 258 (D.15)
dim(V) = n V N (A) A
dim(W) = m W R(A)
A (A) = dim(N (A)) (A) = dim(R(A))
Figura D.10: Codominio, espacio nulo, rango y nulidad de un operador lineal
Adem as, puede demostrarse que una matriz es no singular si y s olo si todas sus las y todas sus columnas son linealmente independientes, Teorema D.12 El sistema de ecuaciones (D.14) donde A es una matriz m n tiene soluci on para todo y en W si y solo si R(A) = W, o lo que es equivalente, si y s olo si (A) = m Demostraci on D.12 La demostraci on se desprende directamente de las deniciones D.26 y D.27 Denici on D.28 Espacio Nulo El Espacio Nulo de un operador lineal A : V W es el conjunto N (A) denido como N (A) = {x V| Ax = 0} La linealidad del operador permite demostrar que el Espacio Nulo es un Subespacio de V. Esto permite hacer la siguiente denici on Denici on D.29 Nulidad La Nulidad de un operador lineal A : V W, denotada por (a) es la dimensi on del espacio nulo de A El ejemplo D.29 muestra la relaci on existente entre el rango y la nulidad de un operador lineal A : V W, con dim(V) = n y dim(W) = m (gura D.10). (A) + (A) = n = dim(V) (D.16)
Teorema D.13 El sistema de ecuaciones Ax = 0 con A una matriz m n tiene una soluci on distinta de la trivial si y s olo si (A) < n. Si m = n esto es equivalente a decir si y s olo si det(A) = 0 Demostraci on D.13 De la denici on D.29 se desprende que el n umero de soluciones linealmente independientes de Ax = 0 es (A). Para que exista una soluci on no trivial se necesita que (A) 1. Empleando (D.16) esta condici on se convierte en (A) < n. Si m = n entonces A es cuadrada y la condici on es equivalente a det(A) = 0, ya que las columnas de A ser an linealmente dependientes. 259
OSCAR G. DUARTE
en donde las dos primeras columnas son linealmente independientes, pero las u ltimas tres no lo son ((A) = 2), ya que pueden escribirse como combinaciones lineales de las dos primeras: a3 = a 1 + a 2 a4 = 2a1 a5 = a 1 a 2 (D.17)
Ejemplo D.29 Sup ongase 53 0 1 A = 2 1 1 0
el sistema de ecuaciones Ax = 0 donde A es la matriz 1 0 1 3 4 1 = a1 1 2 1
a2
a3
a4
a5
El sistema de ecuaciones Ax = 0 puede escribirse como x 1 a1 + x 2 a2 + x 3 a3 + x 4 a4 + x 5 a5 = 0 1 0 0 1 1 0 x1 2 + x2 1 + x3 3 + x4 4 + x5 1 = 0 1 0 2 1 0 1 (D.18)
Empleando (D.17) la ecuaci on (D.18) se convierte en 0 1 0 (x1 + x3 + 2x4 + x5 ) 2 + (x2 + x3 x5 ) 1 = 0 1 0 0 (x1 + x3 + 2x4 + x5 )a1 + (x2 + x3 x5 )a2 = 0
(D.19)
(D.20)
Como a1 y a2 son linealmente independientes, (D.20) s olo puede cumplire si los coecientes son cero, es decir si x1 + x3 + 2x4 + x5 x2 + x 3 x 5 =0 =0 (D.21)
El sistema de ecuaciones (D.21) tiene 5 inc ognitas y 2 ecuaciones linealmente independientes, es decir, existen 3 grados de libertad para escoger los valores de xi . Dicho de otra forma, (A) = 3. N otese que (A) + (A) = n (2 + 3 = 5), cumpliendo con la ecuaci on (D.16). Podemos escoger arbitrariamente los valores de 3 de las inc ognitas x i y deducir el valor de las otras dos, para construir una base de N (A). Si seleccionamos x 1 , x2 y x3 como los trios (1, 0, 0), (0, 1, 0) y (0, 0, 1) tendremos los tres vectores base de N (A): 0 0 1 0 1 0 1 0 0 1 1/2 1/2 1 1 0 260
D.5. VALORES Y VECTORES PROPIOS
Teorema D.14 Sea A una matriz m n y C, D dos matrices no singulares cualesquiera n n y m m respectivamente. En esas condiciones se tiene que (AC) = (A) (DA) = (A) Demostraci on D.14 La demostraci on se apoya en la desigualdad de Sylvester, que establece que si existen dos matrices A y B de dimensiones q n y n p entonces (A) + (B) n (AB) m n((A), (B)) Al aplicar (D.22) a AC y DA se tiene que (A) + (C) n (AC) m n((A), (C)) como C y D son no singulares, sus rangos son n y m respectivamente: (A) + n n (AC) m n((A), n) Por (D.15) se sabe que (A) m n (m, n), por lo tanto (A) (AC) (A) Las desigualdades s olo pueden cumplirse simult aneamente si se tiene que (A) = (AC) (A) = (DA) (A) (DA) (A) m + (A) m (DA) m n(m, (A)) (D) + (A) m (DA) m n((D), (A)) (D.22)
D.5.
Valores y vectores propios
Denici on D.30 Valor propio y vector propio2 Sea A una transformaci on lineal (Cn , C) (Cn , C). Un escalar es un valor propio si existe un vector no nulo v tal que Av = v. Cualquier vector no nulo v que satizfaga Av = v (D.23) es un vector propio asociado al valor propio . La denici on D.30 implica que para un vector propio v el efecto de aplicarle la transformaci on lineal A es igual que amplicarlo por el escalar . Esto implica que un vector y el vector transformado son colineales o paralelos y por lo tanto linealmente dependientes. La denici on D.30 se reere estrictamente a valores y vectores propios por derecha, para distinguirlos de los valores y vectores propios por izquierda, que deben satisfacer vt A = vt . En este texto s olo se consideran los primeros, y por tanto se hace referencia a ellos simplemente como valores y vectores propios.
2 Tambi en se conocen como autovalores y autovectores o valores caracter sticos y vectores caracter sticos.
261
OSCAR G. DUARTE
Teorema D.15 es un valor propio de A si y s olo si satisface la ecuaci on det(I A) = 0 donde I es la matriz identidad de igual orden que A. Demostraci on D.15 Si es un valor propio de A entonces existe un vector v tal que Av = v Av v = 0 El t ermino v puede escribirse como Iv para facilitar la factorizaci on de v Av Iv = 0 (A I)v = 0 (D.24)
De acuerdo con el teorema D.13 esta ecuaci on tiene soluci on no trivial (existe un vector propio v) si y s olo si det(A I) = 0 Como el determinante de una matriz no se afecta al multilpicar esta por un escalar no nulo, podemos escribir det(I A) = 0 El teorema D.15 brinda una posibilidad para calcular los valores propios de A: podemos construir el polinomio caracter stico () = det(I A) y encontrar sus raices. Cada raiz de () ser a un valor propio de A. Los vectores propios pueden obtenerse directamente de (D.23). Debido a que los valores propios resultan ser las raices del polinomio caracter stico, estos pueden ser reales o complejos, diferentes o repetidos. Denici on D.31 Multiplicidad La multiplicidad ri de un valor propio i es el n umero de veces que este aparece como raiz del polinomio caracter stico. Ejemplo D.30 Obtener los valores y vectores propios de la matriz A= 4 1 2 1 1 ( 1)
Construimos la matriz B = (I A) y hallamos su determinante: B = (I A) = 1 0 4 1 ( 4) = 0 1 2 1 2
(A) = det(B) = ( 4)( 1) + 2 = 2 5 + 6 = ( 2)( 3) Los valores propios de A ser an las raices de (A) 1 = 2 2 = 3
Los vectores propios asociados a 1 = 2 deben cumplir (D.23): Av1 = 1 v1 262
Se crea entonces un sistema de ecuaciones con innitas soluciones: 4v11 + v21 2v11 + v21 = 2v11 = 2v21
4 1 2 1
v11 v = 2 11 v21 v21
4v11 + v21 2v11 = 2v11 + v21 2v21
Para obtener un vector propio asociado a 1 = 2 podemos escoger arbitrariamente un valor para v11 o para v21 . Por ejemplo, si escogemos v11 = 1 obtenemos v21 = 2. En consecuencia, un vector propio asociado a 1 = 2 ser a v1 = 1 2 en general v1 = a 2a
Los vectores propios asociados a 2 = 3 tambi en deben cumplir (D.23): Av2 = 1 v2 4 1 2 1 v12 v = 3 12 v22 v22 4v12 + v22 2v12 + v22 4v12 + v22 3v12 = 2v12 + v22 3v22 = 3v12 = 3v22
Se crea entonces un segundo sistema de ecuaciones con innitas soluciones:
Para obtener un vector propio asociado a 2 = 3 podemos escoger arbitrariamente un valor para v12 o para v22 . Por ejemplo, si escogemos v12 = 1 obtenemos v22 = 1. En consecuencia, un vector propio asociado a 2 = 3 ser a v2 = 1 1 en general v2 = a a
Ejemplo D.31 Obtener los valores y vectores propios de la matriz A= 2 1 1 2
Construimos la matriz B = (I A) y hallamos su determinante: B = (I A) = ( 2) 1 2 1 1 0 = 1 ( 2) 1 2 0 1
Los valores propios de A ser an las raices de () 1,2 = 2 j
() = det(B) = ( 2)2 + 1 = 2 4 + 5
Al aplicar (D.23) para 1 y 2 se obtienen dos sistemas de ecuaciones con innitas soluciones 2v11 + v21 v11 + 2v21 = (2 + j )v11 = (2 + j )v21 263 2v12 + v22 v12 + 2v22 = (2 j )v12 = (2 j )v22
OSCAR G. DUARTE
Seleccionando arbitrariamente v11 = 1 y v12 = 1 se obtiene v1 = o en general v1 = a ja v2 = a ja 1 j v2 = 1 j
D.5.1.
Valores propios diferentes
Teorema D.16 Sea A una transformaci on lineal con valores propios no repetidos, y sea vi un vector propio de A asociado al valor propio i . En esas condiciones vi es directamente proporcional a cualquier columna no nula de adj( i I A) Demostraci on D.16 La demostraci on se basa en que para una matriz P se tiene que PadjP = det (P)I (D.25) Al aplicar (D.25) a la matriz (i I A) se tiene (i I A)adj(i I A) = det (i I A)I Como vi es un vector propio de A asociado al valor propio i , entonces Avi = i vi o lo que es igual (i I A)vi = 0 (D.26) lo que implica que det (i I A) = 0 y por tanto (i I A)adj(i I A) = 0 (D.27)
Comparando (D.26) y (D.27) se concluye que vi es directamente proporcional a cualquier columna no nula de adj(i I A). Ejemplo D.32 Para obtener los vectores propios del ejemplo D.30 construimos a 1 1 2 1 v1 = = 2a 2 2 2 1 1 1 2 1 a = v2 = 2 2 2 1 a
adj(1 I A) = adj(2I A) = adj
adj(2 I A) = adj(3I A) = adj
Teorema D.17 Sean 1 , 2 , , r valores caracter sticos diferentes de A, y sea vi un vector caracter sitico asociado a i con i = 1, 2, , r. El conjunto {v1 , v2 , , vr } es linealmente independiente. 264
Demostraci on D.17 Efectuamos la demostraci on por contradicci on. Suponemos que los vi son linealmente dependientes, y por lo tanto existen i algunos de los cuales no son nulos, tales que
r
i vi = 0
i=1
Suponemos que 1 = 0, (si es necesario reordenamos los vectores) y multiplicamos r a cada lado de la ecuaci on por j =2 (A j I)
r j =2 r
(A j I)
i vi = 0
i=0
(D.28)
El producto (A j I)vi se puede calcular como (A j I)vi = Y por lo tanto (D.28) se convierte en 1 (1 2 )(1 3 ) (1 r )v1 = 0 Por hip otesis, todos los i son diferentes y v1 es no nulo (es un vector propio), lo que signica que 1 = 0. Con esta contradicci on se concluye la demostraci on. Teorema D.18 Sea A una transformaci on lineal A : Cn Cn ; sean i los valores propios de A y vi un vector propio asociado a i , con i = 1, 2, , n . Si todos los i son diferentes, entonces el conjunto {v1 , v2 , , vn } es una base de Cn . Demostraci on D.18 Seg un el teorema D.17 el conjunto es linealmente independiente. Como adem as tiene n elementos, seg un el teorema D.2 el conjunto es una base. Teorema D.19 Sea A una transformaci on lineal A : Cn Cn ; sean i los valores propios de A y vi un vector propio asociado a i , con i = 1, 2, , n. Si todos los i son diferentes, entonces la transformaci on lineal A se representa en la base {v1 , v2 , , vn } por una matriz diagonal en la que el elemento i esimo de la diagonal es i . = M1 AM M = v1 v2 vn (D.29) (i j )vi 0 si i = j si i = j
Demostraci on D.19 El teorema D.7 permite obtener la representaci on de A en la tendremos nueva base. Si denotamos esta representaci on por A = M1 AM A con M la matriz modal que contiene los vectores propios M = v1 v2 265 vn
OSCAR G. DUARTE
y AM: Calculamos por separado MA 1 0 0 2 = v1 v2 v n MA . . . . . . 0 0 AM = A v1 v2
= y demostramos A = MAM1 , o Para demostrar el teorema construimos A lo que es equivalente, MA = AM: 1 0 0 0 2 0 == A . . . .. . . . . . . . 0 0 n .. . 0 0 . . .
= 1 v 1 Av2
2 v 2
n vn (D.30) (D.31)
= Como Avi = i vi entonces las ecuaciones (D.30) y (D.31) se reducen a MA AM o lo que es igual = = M1 AM A Ejemplo D.33 La transformaci on lineal representada por la matriz A= 4 1 2 1
vn = Av1
Avn
cuyos valores propios son (Ejemplo D.30) 1 = 2, 2 = 3 con vectores propios v1 v2 : 1 1 v1 = v2 = 2 1 Tiene una representaci on en la base {v1 v2 } por la matriz diagonal = M1 AM = 1 1 2 1 4 1 2 1 2 0 1 1 = 1 = 0 0 3 2 1 0 2
Ejemplo D.34 La transformaci on lineal representada por la matriz A= 2 1 1 2
cuyos valores propios son (Ejemplo D.31) 1,2 = 2 j con vectores propios v1 v2 : v1 = 1 j v2 = 1 j
Tiene una representaci on en la base {v1 v2 } por la matriz diagonal = M1 AM = j/2 j/2 j/2 j/2 2 1 1 2 1 j 266 2+j 1 = 0 j 0 = 1 0 2j 0 2
D.5.2.
Valores propios repetidos
La diagonalizaci on planteada en el teorema D.19 no siempre es posible si existen valores propios repetidos. Esto se debe a que el teorema D.17 se reere a valores propios distintos, y sin ese resultado no puede asegurarse que el conjunto {v1 , v2 , , vn } sea una base. Esto se traduce en que la matriz modal M puede ser singular, y por tanto (D.29) no puede usarse debido a que M1 puede no existir. Denici on D.32 Degeneracidad El n umero de vectores propios de una transformaci on lineal A de orden n n linealmente independientes asociados a un valor propio i es la degeneracidad del valor propio i , denotada por di . Teorema D.20 La degeneracidad de i , un valor propio de una transformaci on lineal A de orden n n es igual a di = n (i I A) (D.32)
Demostraci on D.20 Un vector propio vi de A asociado a i debe cumplir Avi = i v (i I A)vi = 0
Seg un la denici on D.29, el n umero de vectores propios linealmente independientes ser an entonces la nulidad de la matriz que premultiplica al vector, di = (i I A) Podemos emplear (D.16) para escribir di = n (i I A) Ejemplo D.35 Obtener los valores y vectores propios de la matriz A y diagonalizarla 1 2 A= 2 5 Construimos la matriz B = (I A) y hallamos su determinante: B = (I A) = ( 1) 2 1 2 1 0 = 2 ( 5) 2 5 0 1
() = det(B) = ( 1)( 5) + 4 = 2 6 + 9 = ( 3)2 Los valores propios de A ser an las raices de (A) 1 = 2 = 1,2 = 3 La degeneracidad de 1,2 = 3 se obtiene con (D.32): d1 = 2 (3I A) 267
OSCAR G. DUARTE
d1 = 2
31 2
2 35
=2
2 2 2 2
=21=1
Lo anterior signica que aunque tiene multiplicidad 2, s olo es posible encontrar un vector linealmente independiente. Este se obtiene empleando (D.23), y resulta ser 1 a v1 = en general v1 = 1 a No es posible construir una base para el espacio de dimensi on 2 con un s olo vector, por lo tanto no es posible diagonalizar A. Ejemplo D.36 Obtener los valores y vectores zarla 3 0 A= 1 2 1 0 ( 3) I A = 1 1 propios de la matriz A y diagonali 1 1 3 1 1 ( 3)
Construimos (I A):
0 ( 2) 0
Su polinomio caracter stico resulta ser
() = ( 3)2 ( 2) ( 2) = 3 82 + 20 16 Las raices del polinomio son 1 = 2 = 2 3 = 4. Para determinar la degeneracidad de 1 calculamos 1 I A (2 3) 0 1 1 0 1 (2 2) 1 = 1 0 1 I A = 1 1 0 (2 3) 1 0 1 d1 = n (I A) d1 = 3 1 = 2 Lo anterior signica que existen dos vectores propios linealmente independientes asociados a 1 = 2 = 2. Estos dos vectores junto con el vector propio asociado a 3 = 4 pueden formar una base y por tanto es posible diagonalizar A. Para obtener los tres vectores propios empleamos (D.23): d d 3 0 1 a 3 0 1 a 1 2 1 e = 2 e 1 2 1 b = 2 b f f 1 0 3 c c 1 0 3 Se originan los sistemas de ecuaciones 3a c = 2a a + 2b c = 2b a + 3c = 2c 3d f = 4a d + 2e f = 4e d + 3f = 4f
268
Que se convierten en a=c d = e = f Podemos construir dos vectores linealmente independientes v 1 , v2 que satisfacen a = c y un tercero v3 que satisface d = e = f , por ejemplo 1 1 1 v3 = 1 v2 = 1 v1 = 0 1 1 1 En la base {v1 v2 v3 } la transformaci on A se representa por : 1 1 0 3 0 1 1 1 1 1/2 1 2 1 0 1 1 = M1 AM = 1/2 1 1/2 0 1/2 1 0 3 1 1 1 2 0 0 1 = M1 AM == 0 2 0 = 0 0 0 4 0 0 2 0 0 0 3
Denici on D.33 Vectores propios generalizados Sea A una transformaci on lineal A : Cn Cn y sea un valor propio de A. v es un vector propio generalizado de grado k de A asociado a si y s olo si (A I)k v (A I)k1 v =0 =0 (D.33)
N otese que para k = 1 la ecuaci on (D.33) se reduce a (A I) = 0 con v = 0, que coincide con la denici on D.30 de vector propio. Denici on D.34 Cadena de vectores propios generalizados Sea A una transformaci on lineal A : Cn Cn y sea v un vector propio generalizado de orden k asociado a . Los vectores vk , vk1 , vk2 , , v1 forman una cadena de vectores propios generalizados de longitud k si y s olo si vk vk1 vk2 v1 = = = . . . v (A I)v (A I)2 v . . . = (A I)vk = (A I)vk1 = (A I)v2
(D.34)
= (A I)k1 v
Teorema D.21 Sea Ni el espacio nulo de (A I)i . Ni es un subespacio de Ni+1 . Demostraci on D.21 Sea x un vector en Ni , por lo tanto (A I)i x = 0; al multiplicar a cada lado por (A I) se tiene que (A I) i+1 x = 0 y por lo tanto x est a en Ni+1 . Esto demuestra que Ni Ni+1 , y por lo tanto Ni es un subespacio de Ni+1 . 269
OSCAR G. DUARTE
. . .
vi
vi1 . . .
Ni1 Ni
Ni+1
Figura D.11: Espacios Nulos de (A I)i y cadenas de vectores propios generalizados
Teorema D.22 Sea Ni el espacio nulo de (A I)i . Sea vi el i esimo vector de una cadena como las denidas en (D.34). El vector vi est a en Ni pero no en Ni1 . Demostraci on D.22 La demostraci on se obtiene calculando (A I) i vi y (A i1 I) vi y utilizando (D.34) y (D.33): (A I)i vi = (A I)i (A I)ki v = (A I)k v = 0 (A I)i1 vi = (A I)i1 (A I)ki v = (A I)k1 v = 0 Los teoremas D.21 y D.22 se visualizan en la gura D.11. Cada subespacio nulo Ni est a embebido dentro del subespacio nulo Ni+1 , y el vector vi est a justo en la diferencia entre Ni y Ni1 . Teorema D.23 Los vectores de una cadena de vectores propios generalizados como los de la denici on D.34 son linealmente independientes. Demostraci on D.23 Dado que cada vector vi pertenece a un subespacio diferente, seg un se muestra en la gura D.11, estos vectores no pueden ser linealmente dependientes. Ejemplo D.37 Sea A la transformaci on 2 2 A= 1 2 2 5 270
que tiene un valor propio repetido = 3 Para encontrar los espacios nulos N 1 y N2 construimos las matrices B y B2 : B = (A I) = 2 2 2 2 B2 = 0 0 0 0
El espacio nulo N1 es el conjunto de los vectores v1 tales que Bv1 = 0, mientras que el espacio nulo N2 es el conjunto de los vectores v2 tales que B2 v2 = 0. Claramente se ve que v1 = a a v2 = b c
Es decir, el espacio nulo N1 es la recta de pendiente 1, mientras que el espacio nulo N2 corresponde a R2 , tal como se muestra en la gura D.12. Un vector propio generalizado de orden 2 debe estar en N 2 , pero no en N1 , por ejemplo v= 1 0
Lo que origina una cadena de vectores generalizados v2 v1 v2 = 1 0 = v = (A I)v2 v1 = 2 N1 2
Teorema D.24 Sea A una transformaci on lineal n n con un u nico valor propio repetido, 1 = 2 = = n = . Sea v un vector propio generalizado de orden n asociado a . En esas condiciones, se cumple que J = M 1 AM en donde M es la matriz modal formada por los vectores de la cadena de vectores propios generalizados creada por v y J es una matriz n n casi-diagonal que tiene a en la diagonal, 1 encima de la diagonal, y 0 en cualquier otro lugar. Es decir 1 0 0 0 J = . . . . . . 0 0 0 0 0 0 1 0 0 . . .. . . . . . 0 1 0
= v1
v2
vn
A v1
v2
vn
(D.35)
Demostraci on D.24 Demostrar (D.35) equivale a demostrar MJ = AM, por lo 271
OSCAR G. DUARTE
B 0
1 = dim(N1 ) = 1
2 = dim(N2 ) = 2
B2 0
Figura D.12: Espacios Nulos del ejemplo
tanto calculamos por separado MJ y AM y comparamos 1 0 0 1 0 0 MJ = v1 v2 v3 vn . . . . . . . . . 0 0 0 0 0 0 MJ = v1 AM = A v1 v2 v3 vn = Av1 Av2
los resultados: 0 0 0 . .. . . . 1 Av3 Avn
(v1 + v2 ) (v2 + v3 ) (vn1 + vn )
De acuerdo con la denici on D.34, el vector vi de la cadena se calcula como vi = (A I)vi+1 , por lo tanto Avi+1 = vi + vi+1 i = 1, 2, , n 1
lo que signica que las columnas 2, 3, , n de MJ son iguales a las de AM. Para demostrar que la primera columna tambi en es igual, empleamos el teorema D.22, seg un el cual v1 N1 , es decir (A I)1 v1 = 0 y por lo tanto Av1 = v1 , lo que concluye la demostraci on. 272
Nr
N2
N1 {
} 1
Figura D.13: Diagrama de Matthew vac o
Ejemplo D.38 Sea A la transformaci on 2 2 A= 1 2 2 5
que tiene un valor propio repetido = 3 y una cadena de vectores propios generalizados (ejemplo D.37): 1 2 v2 = v1 = 0 2 El resultado de calcular M1 AM es M1 AM = 2 1 2 0
1
1 2 2 5
3 1 2 1 = 0 3 2 0
D.5.3.
Obtenci on de vectores propios generalizados
El teorema D.24 supone que la matriz A de tama no n n tiene un vector propio generalizado de orden n asociado al valor propio , a partir del cual se construye una u nica cadena de vectores. Esto no siempre sucede, por lo tanto, es necesario contar con un procedimiento para encontrar el conjunto de vectores propios asociados a . Seg un el teorema D.21, Ni es un subespacio de Ni+1 , si denotamos por i la dimensi on de Ni , lo anterior signica que i < i+1 . Este hecho permite construir el diagrama de Matthew (gura D.13) en el que se muestran las nulidades 1 , 2 , , r mediante casillas de un arreglo (i ser a igual al n umero de casillas para Ni en el arreglo). Debido a que Ni es el espacio nulo de B = (A I)i , es posible calcular i empleando (D.16) y de esa manera establecer la forma del diagrama de Matthew i = n (Bi ) Si denimos i = i i1 el diagrama de Matthew tendr a la forma que se muestra en la gura D.14 Ejemplo D.39 Forma del arreglo 273
OSCAR G. DUARTE
r 2 1
Figura D.14: Diagrama de Matthew vac o simple
r r1 . . . 2 1
v1 Bv1 . . . Br1 2 v1 Br1 1 v1
v2 Bv2 . . . Br2 2 v2 Br1 1 v2 vq1 Bvq1 vq
Figura D.15: Diagrama de Matthew lleno
Cada casilla del diagrama de Matthew podr a contener un vector de la base para un Ni . Los vectores que sirven de base para Ni tambi en pueden formar parte de la base de Ni+1 , ya que Ni Ni+1 . Debido al teorema D.22, un vector vi de una cadena de vectores puede formar parte de una base para Ni que no pueden formar parte de una base para Ni1 . Esto permite dise nar una estrategia para buscar las bases de los Ni y asi llenar el diagrama de Matthew. Para ello empleamos las siguientes convenciones . 1. Identicar el n umero de columnas del diagrama como q . 2. Identicar las columnas del diagrama como c1 , c2 , , cq de izquierda a derecha. 3. Identicar el tama no de cada columna como h1 , h2 , , hq . 4. Identicar cada celda por los sub ndices i, j , con j = 1, 2, , q e i = 1, 2, , rj de arriba a abajo. 5. Identicar el vector de la celda i, j por xi,j . Para llenar el diagrama de Matthew deben buscarse q vectores propios generalizados v1 , v2 , , vq de orden h1 , h2 , , hq respectivamente. Cada uno de estos vectores estar a ubicado en la primera celda de las columnas, es decir xi,1 = vi . Cada columna se completa con la cadena de vectores propios generalizados creada por el primer elemento de la columna. La forma que adopta el diagrama de Matthew se muestra en la gura D.15. 274
Ejemplo D.40 Sea A la matriz3 3 1 1 1 0 0 1 1 1 1 0 0 0 0 2 0 1 1 A= 0 0 0 2 1 1 0 0 0 0 1 1 0 0 0 0 1 1 Para calcular los valores propios de A hacemos det (A I) = [(3 )(1 ) + 1]( 2)2 [(1 )2 1] = ( 2)5 = 0 Es decir, A tiene un valor propio 2 de multiplicidad 5 y un valor propio 0 de multiplicidad 1. Nos proponemos encontrar el diagrama de Matthew de los vectores propios asociados a 1 = 2. Para ello denimos B = (A 2I) y calculamos B0 , B1 , B2 , B3 , B0 = I 1 1 1 1 0 0 B1 = 0 0 0 0 0 0 0 0 0 0 0 0 2 B = 0 0 0 0 0 0 0 0 0 0 0 0 B3 = 0 0 0 0 0 0 3 2 1 (A 2I)0 = 6 1 1 0 0 1 1 0 0 (A 2I) = 4 0 0 1 1 0 0 1 1 1 =64=2 0 0 1 1 0 0 1 1 2 2 0 0 2 2 0 0 0 0 0 0 (A 2I)2 = 2 0 0 0 0 2 = 6 2 = 4 0 0 2 2 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 (A 2I)3 = 1 0 0 0 0 3 = 6 1 = 5 0 0 4 4 0 0 4 4 = 54= 1 = 42= 2 = 20= 2 0 = 6 6 = 0
Puede comprobarse que 4 = 3 = 5 y por tanto no es necesario continuar. Con la informaci on anterior podemos calcular i : = 3 2 = 2 1 = 1 0
Con esta informaci on podemos construir el diagrama de Matthew

3 adaptado
de [5, pp.: 43]
275
OSCAR G. DUARTE
v1 Bv1 B2 v 1
v2 Bv2
De donde se deduce que q = 2, h1 = 3 y h2 = 2. El algoritmo para encontrar v1 , v2 , , vq es el siguiente: 1. c = 1. 2. V una matriz vac a. 3. P una matriz vac a. 4. Encontrar Nhc , una base para Nhc . 5. Construir Q = P Bhc 1 Nhc . 6. Emplear el algoritmo izquierda-a-derecha para extraer las columnas de Q linealmente independientes y adicion arselas a P. Por cada columna que se extraiga de Q se extrae la columna correspondiente de Nhc y se adiciona a la matriz V. 7. Sea d la siguiente columna con hd < hc . Hacer c = d y repetir desde 4 hasta terminar las columnas 8. V es la matriz que contiene a v1 , v2 , , vq . Ejemplo D.41 Para obtener los vectores v1 y v2 del ejemplo D.40 identicamos q = 2, h1 = 3, h2 = 2, y empleamos el algoritmo siguiendo los siguientes pasos 1. Para c = 1 se tiene que hc = 3, por lo tanto buscamos N3 una base para N3 , es decir buscamos los vectores x tales que B3 x = 0: 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 N3 = 1 0 0 0 0 0 0 0 0 0.707 0 0 0 0 0.707 2. Construimos Q = B2 N3 2 2 0 Q= 0 0 0 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
276
3. Al aplicar el algoritmo izquierda-a-derecha s olo se extrae la primera columna de Q, por lo tanto las matrices P y V ser an: 0 2 0 2 0 0 V= P= 1 0 0 0 0 0
5. Construimos Q = P BN2 2 0.707 0.707 0 1 2 0.707 0.707 0 1 0 0 0 1 . 414 0 Q= 0 0 1.414 0 0 0 0 0 0 0 0 0 0 0 0
4. La siguiente columna de altura menor a 3 es la columna 2, con h 2 = 2, por lo tanto buscamos N2 una base para N2 , es decir buscamos los vectores x tales que B2 x = 0: 0 0 0 1 0.707 0.707 0 0 0.5 0.5 0 0 N2 = 0.5 0.5 0 0 0 0 0.707 0 0 0 0.707 0
6. Al aplicar el algoritmo izquierda-a-derecha s olo se extraen la primera y la cuarta columnas de Q, por lo tanto las matrices P y V ser an: 2 0 0 0 2 0 0 0 0 1.414 0 0 P= V= 0 0 1.414 1 0 0 0.707 0 0 0 0 0.707
7. La matriz V = v1 v2 contiene los dos vectores necesarios para construir el diagrama de Matthew, por lo tanto el conjunto completo de vectores propios generalizados de A asociados a 1 = 2 son los que aparecen en el diagrama de Matthew: 2 1 0 0 0 2 1 0 0 0 0 0 0 1.414 0 B2 v1 Bv1 v1 Bv2 v2 = 0 0 0 1 1.414 0 0 0 0 0.707 0 0 0 0 0.707 277
OSCAR G. DUARTE
D.6.
Forma can onica de Jordan
Sea A una transformaci on lineal A : Cn Cn . Sean 1 , 2 , , m los valores propios diferentes de A. Sea j uno de esos valor propios, de multiplicidad rj cuyo diagrama de Matthew, tiene qj columnas; la i esima columna tendr a altura hij ; adem as los vectores propios generalizados asociados a j obtenidos con este diagrama son vj 1 , vj 2 , , vjrj . En esas condiciones, es posible encontrar dos matrices M y J tales que J = M1 AM 0 .. . Jm1 0 . . . 0 j 0 . . Jji = . 0 0 v12 v1r1 1 j . . . 0 0 0 1 .. . 0 0 0 Jm2 . . . 0 0 0 .. . 1 j h vm2 .. . 0 0 0 . . . Jmqm (D.36)
J11 0 . . . 0 J=
0 J12 . . . 0
.. .
0 0 . . .
J1q1
(D.37)
(D.38)
ij hij
M = v11
vm1
vmrm
(D.39)
J es conocida como la forma can onica de Jordan de A. La ecuaci on D.37 muestra que la matriz J es diagonal por bloques, es decir, est a formada por bloques organizados en la diagonal. Por fuera de estos bloques s olo hay ceros en la matriz. M es la matriz modal, y est a formada por los vectores propios generalizados de A. La matriz modal no es u nica. Los bloques Jji que forman J tienen las siguientes propiedades: Cada valor propio diferente j tendr a asociados uno o varios bloques Jji . El n umero de bloques asociados a j ser a igual al n umero de columnas de su diagrama de matthew, qj . Los bloques Jji son cuadrados, y el tama no del bloque (el n umero de las o de columnas) es igual a la altura de la columna correspondiente en el diagrama de Matthew, hij . 278
D.6. FORMA CANONICA DE JORDAN
Cada bloque Jji tiene en la diagonal al valor propio j , tiene 1 por encima de la diagonal, y cero en las restantes casillas. Cada valor propio que no se repita tendr a asociado un u nico bloque de tama no 1. En el caso sencillo en que ning un valor propio se repita J ser a una matriz diagonal que tendr a en la diagonal a los valores propios 1 , 2 , , n . Ejemplo D.42 Para obtener la forma can onica de Jordan de la matriz A del ejemplo D.40, se necesita construir la matriz modal M con todos los vectores propios generalizados. En el ejemplo D.41 se calcularon los vectores asociados a 1 = 2. En vector propio asociado a 2 = 0 ser a: 0 0 0 v= 0 0.707 0.707 Por lo tanto la matriz modal 2 1 2 1 0 0 M= 0 0 0 0 0 0 ser a 0 0 0 0 0 0 0 0 0 1.414 0 0 1 1.414 0 0 0 0 0.707 0.707 0 0 0.707 0.707
La forma can onica de Jordan ser a 2 1 0 0 0 2 1 0 0 0 2 0 J = M1 AM = 0 0 0 2 0 0 0 0 0 0 0 0
0 0 0 1 2 0
0 0 0
2 0 0 = 0 0 0 0 0 0
1 2 0 0 0 0
0 1 2 0 0 0
0 0 0 2 0 0
0 0 0 1 2 0
0 0 0 0 0 0
N otese que el valor propio 1 = 2 tiene dos bloques de Jordan asociados de tama no 3 y 2 respectivamente, tal como se podr a infereir de su diagrama de Matthew: el diagrama tiene dos columnas, la primera de altura 3 y la segunda de altura 2. El valor propio 2 = 0 no se repite, y por tanto tiene un u nico bloque de jordan asociado de tama no 1. 279
OSCAR G. DUARTE
D.7.
Forma can onica real de Jordan
Dado que los valores propios de una matriz pueden ser complejos, en general las matrices J y M que aparecen en las ecuaciones (D.37), (D.38) y (D.39) ser an complejas. No obstante, cuando existen valores propios complejos es posible efectuar otro cambio de coordenadas diferente que produce tambi en una matriz diagonal por bloques, pero real, conocida como la forma can onica Real de Jordan.
D.7.1.
Bloques de Jordan de tama no 1
Sup ongase que la matriz A tiene dos valores propios complejos conjugados i = a + jb y i+1 = a jb, y que cada uno de estos valores tiene un bloque de Jordan de tama no 1 asociado a los vectores propios generalizados v k y vk+1 , que tambi en son complejos conjugados. Es decir, la forma can onica de Jordan de A es de la forma .. . a + jb 0 1 J = M AM = 0 a jb .. . M = vk vk+1 La forma can onica real de Jordan remplaza los dos bloques de tama no 1 por uno de tama no 2 de la forma a b b a Es decir, la forma can onica real de Jordan de A ser a .. . a b 1 JR = MR AMR = b a .. .
La matriz modal real MR se obtiene remplazando en M los vectores complejos conjugados vk y vk+1 por dos vectores reales con la parte real y la parte imaginaria de v, es decir MR = Re(vk ) Im(vk ) Ejemplo D.43 Sea la matriz A 0 0.5 0 A = 0 0 2 1 1 2 280
D.7. FORMA CANONICA REAL DE JORDAN
Los valores propios de A son 1 = 1 2,3 = 0.5 j 0.866
Para obtener la Forma Can onica Real de Jordan de A construimos la matriz real MR , y vericamos. 0.408 0.015 0.408 0.721 0.382 MR = 0.816 0.408 0.346 0.217 1 0 0 1 0 0.5 0.866 JR = M R AMR 0 0.866 0.5 Otra alternativa dado un bloque Ji = a + jb 0 0 a jb
La forma can onica de Jordan de A y la matriz modal que la producen son: 1 0 0 0 J = 0 0.5 + j 0.866 0 0 0.5 j 0.866 0.408 (0.015 j 0.408) (0.015 + j 0.408) (0.721 + j 0.382) (0.721 j 0.382) M = 0.816 0.408 (0.346 j 0.217) (0.346 + j 0.217)
existe una matriz N tal que NAN1 es real, con la forma can onica real de Jordan: (1 j ) (1 + j ) a b N= NAN1 = (1 + j ) (1 j ) b a Una interpretaci on Un bloque real de jordan Jr asociado a un valor propio a + jb puede reescribirse de la siguente forma: Ji = 0 b a 0 a b = aI + bL + = b 0 0 a b a
En donde I es la matriz identidad, y L es una matriz que cumple un papel similar a j = (1), ya que J= 0 1 1 0 J2 = I
De esta manera, un bloque de real de Jordan puede interpretarse como un n umero complejo matricial. 281
OSCAR G. DUARTE
D.7.2.
Bloques de Jordan de tama no mayor que 1

a + jb 1 0 0 0 a + jb 0 0 Ji = 0 0 a jb 1 0 0 0 a jb 1 0 0 1 a b b a
dado un bloque
En la diagonal est a la nueva presentaci on de los e-valores, como bloques reales de Jordan y sobre la diagonal est a la matriz identidad. Para obtener est a matriz puede procederse de forma similar a como se hace con los bloques de tama no 1, es decir, remplazar los vectores propios complejos conjugados por vectores con las partes real e imaginaria de estos. En general JRi ser a de la forma: (aI + bL) I 0 0 0 0 (aI + bL) I 0 0 . . . . . . . . . . . . (D.40) . . . . . . 0 0 0 (aI + bL) I 0 0 0 0 (aI + bL)
Su forma can onica real de Jordan es a b b a JRi = 0 0 0 0
D.8.
Funciones de matrices cuadradas
Sea f ( ) una funci on que opera sobre un escalar, y sea A una matriz cuadrada n n. En esta secci on se aborda el problema de c omo calcular f (A), es decir, c omo extender f ( ) de los escalares a las matrices.
D.8.1.
Polinomios de matrices
Si f ( ) es un polinomio, la extensi on a las matrices se fundamenta en la denici on A0 = I (D.41) Ak = AA A

k veces
Si la matriz A tiene una representaci on can onica de Jordan J obtenida con la matriz modal M, es decir, si A = MJM1 entonces Ak = (MJM1 )(MJM1 ) (MJM1 ) = M (J J) M1
k veces k veces
282
D.8. FUNCIONES DE MATRICES CUADRADAS
Ak = MJk M1
k
(D.42)
Como J es una matriz diagonal por bloques, el c alculo de J puede efectuarse como sigue: k J1 0 0 J1 0 0 0 Jk 0 J2 0 0 2 Jk = . J= . . . . . .. . . . .. . . . . . . . . . . . 0 0 Jn 0 0 Jk n Empleando la denici on (D.41), un polinomio gen erico f ( ) = a0 + a1 + a2 2 + + an n puede calcularse en A como f (A) = a0 I + a1 A + a2 A2 + + an An o en funci on de las matrices M y J: f (A) = a0 MM1 + a1 MJM1 + a2 MJ2 M1 + + an MJn M f (A) = Mf (J)M1 (D.43) Ejemplo D.44 Calcular Ak cuando A es una matriz diagonal: k 1 0 0 1 0 0 2 0 0 k 2 A= . Ak = . . . . . .. . .. . . . . . . . . . . 0 0 n 0 0
0 0 . . .
k n
Ejemplo D.45 Calcular Ak cuando A es una matriz con la forma de los bloques reales de Jordan para el caso en que los valores propios son imaginarios puros A= 0 b b 0 0 b2 b5 0 0 b3 b6 0 b3 0 0 b6
calculamos los primeros t erminos A1 , A2 , A3 , A4 , A5 y A6 : A1 = A4 = 0 b b 0 0 b4 A2 = A5 = b2 0 0 b5 A3 = A6 =
b4 0
Observando la secuencia se puede inferir que k 0 (1) 2 bk k 0 (1) 2 bk Ak = k1 0 (1) 2 bk (1) k+1 2 bk 0 283
si k es par
si k es impar
OSCAR G. DUARTE
Ejemplo D.46 Calcular Ak cuando A es una matriz con la forma de los bloques de Jordan; para ilustrar este caso supongamos una matriz de tama no 5 5 0 A= 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 1 2 2 4 62 43 4 0 203 154 65 6 0
Calculamos los primeros t erminos A1 , A2 , A3 1 0 A1 = 0 0 0 0 0 0 32 3 0 0 0 54 5 0 0 0 3 32 3 0 0 103 54 5 0 0 0 0 1 0 1 0 0 0 1 3 32 3 0 102 103 54 5 0 2 0 A2 = 0 0 0 2 2 0 0 0 1 2 2 0 0 43 4 0 0 0 65 6 0 0 0 0 1 2 2 0 62 43 4 0 0 154 65 6 0 0
3 0 A3 = 0 0 0 5 0 A5 = 0 0 0
0 1 3 32 3
Puede verse que Ak es una matriz triangular superior, en la que los elementos de la la i son los mismos elementos de la la i + 1 pero est an desplazados una casilla a la derecha. Los t erminos de la diagonal son k . Denotemos por aj un elemento que est e desplazado j casillas de la diagonal en cualquier la; a j ser a aj = 0
k! kj j !(kj )!
6 5 0 102 6 103 A =0 4 0 5 5 0
4 0 A4 = 0 0 0
1 4 62 43 4
152 203 154 6 5 6
si j < k si j k
aj =
k kj j
Este resultado se puede generalizar para una matriz n n con la forma de los bloques de Jordan: 1 0 0 0 1 0 . . . . .. . . . A = . . . . . . 0 0 1 0 0 0 284
En caso de que un exponente k j sea negativo, el t ermino correspondiente en D.44 ser a0
k 0 . Ak = . . 0 0
k! k1 1!(k1)! k
. . . 0 0
k! k2 2!(k2)! k! k1 1!(k1)!
..
. 0 0
. . . k 0
k! kn+1 (n1)!(kn+1)! k! kn+2 (n2)!(kn+2)!
. . .
k! k1 1!(k1)! k
(D.44)
D.8.2.
Funciones como series de potencias
Es posible extender una funci on f ( ) de los escalares a las matrices empleando la representaci on de f ( ) en series de Taylor expandidas alrededor de 0 (series de MacLaurin): f ( ) =
k=0
k dk f ( ) k ! d k
(D.45)
Empleando (D.45) se puede expresar f ( ) como un polinomio de . Si A es una matriz cuadrada, puede calcularse f (a) empleando ese polinomio. Las siguientes son las expansiones de algunas funciones comunes: et = 1 + t 2 t2 3 tk 4 tk + + + + 1! 2! 3! 4! 4 t4 6 t6 8 t8 2 t2 + + + 2! 4! 6! 8! (D.46)
cos t = 1 sin t =
(D.47)
t 3 t3 5 t5 7 t7 + + 1! 3! 5! 7!
(D.48)
Ejemplo D.47 Sea A una matriz diagonal como la del ejemplo D.44. Para calcular eAt podemos emplear (D.46) eAt = I + que de acuerdo con 1 0 0 1 eAt = . . . .. . . . . A3 t k A4 t k At A2 t2 + + + + 1! 2! 3! 4!
los resultados del ejemplo D.44 se calcular a asi: 2 0 1 0 0 1 0 0 2 0 t 0 2 0 t2 0 2 0 + . + . + . . . . . . . . .. . .. . . . . 1! . . 2! . . . . . . 0 0 1 0 0 n 0 0 2 n 285
OSCAR G. DUARTE
At
Cada uno de los t erminos de la diagonal corresponde a la expansi on de en series de Taylor de una exponencial como las de (D.46), por lo tanto e At ser a: t e 1 0 0 2 t 0 e 0 eAt = . . . . .. . . . . . . 0 0 e n t
(1 +
1 t 1!
+ 0 . . . 0
2 2 1t 2!
+)
(1 +
2 t 1!
0 2 2 2t + 2! + ) . .. . . . 0 (1 +
0 0 . . .
1 t 1!
+)
Ejemplo D.48 Sea A una matriz con la forma de los bloques reales de Jordan para el caso en que los valores propios son imaginarios puros, como la del ejemplo D.45. Para calcular eAt podemos emplear (D.46) eAt = I + At A2 t2 A3 t k A4 t k + + + + 1! 2! 3! 4! t3 0 0 + b2 3! b3
3 3
que de acuerdo con los resultados del ejemplo D.45 se calcular a asi: eAt = t2 b2 t 0 b 1 0 + + 0 1 1! b 0 2! 0
2 2 4 4
t4 b 4 b3 + 0 4! 0
5 5
0 + b4
At
Cada uno de los t erminos de la matriz corresponde a la expansi on de Taylor de una sinusoide como las de (D.47) y (D.48), por lo tanto eAt puede calcularse como eAt = cos(bt) sin(bt) sin(bt) cos(bt)
b t b b b + t 2! + ) ( tb + t 5! +) (1 t 2! 1! 23! = 3 3 5 5 2 4 4 t b t b t b t b tb ( 1! + 3! 5! + ) (1 2! + 2! + )
Ejemplo D.49 Sea A una matriz con la forma de los bloques de jordan como la del ejemplo D.46. Para calcular eAt podemos emplear (D.46) eAt = I + que de acuerdo con 1 0 0 0 1 0 At e = . . .. . . . . . eAt At A2 t2 A3 t k A4 t k + + + + 1! 2! 3! 4!
los resultados del ejemplo D.46 se calcular a asi: 2 1 1 1 0 2! 1! k t t 2! + + 0 1 + 0 1! 2! . . . . . . . .. .. . . . . . . . . . . . . . . . . kk k 1 k k 2 k t t t k=0 k! k=1 1!(k1)! k=2 2!(k2)! k k k 1 k t t 0 = k=0 k! k=1 1!(k1)! . . . .. . . . . . . . 286
Efectuando el cambio de variable m = k j se tiene kk m m 2

k=0
eAt =
k t k k=0 k!
t 1!
0 . . .
k1 tk1 k=1 (k1)! k t k k=0 k!
. . .
t2 2! t 1!
k2 tk2 k=2 (k2)! k1 tk1 k=1 (k1)!
..
. . .
Ejemplo D.50 Sea A una matriz con la forma de los bloques reales de Jordan A= a b b a
Cada una de las sumatorias corresponde a la expansi on de taylor de una exponencial como la de (D.46), por lo tanto t t t t2 t e 1! e 2! e t t et eAt = 0 (D.49) 1! e . . . .. . . . . . . .
eAt =
t k!
t 1!
0 . . .
t m=0 (m)! k t k k=0 k!
. . .
t 2! t 1!
m=0 m=0
m t m (m)! m t m (m)!
..
. . .
Para calcular eAt escribimos A como la suma de dos matrices: A= a b a 0 0 b =B+C= + b a b 0 b 0
De tal manera que eAt = eBt eCt . Empleando los resultados de los ejemplos D.47 y D.48 se tiene que eBt = y por lo tanto eAt = eat 0 0 eat cos(bt) sin(bt) eat cos(bt) eat sin(bt) = sin(bt) cos(bt) eat sin(bt) eat cos(bt) eat 0 0 eat eCt = cos(bt) sin(bt) sin(bt) cos(bt)
D.8.3.
Denici on de funciones mediante polinomios
Denici on D.35 Polinomio m nimo de una matriz Sea A una matriz cuadrada. El polinomio m nimo de A es el polinomio m onico ( ) de menor orden tal que (A) = 0 Teorema D.25 El polinomio m nimo de una matriz cuadrada A es el mismo polinomio m nimo de su representaci on can onica de Jordan J. 287
OSCAR G. DUARTE
Demostraci on D.25 En virtud de (D.43), es claro que (A) = 0 si y s olo si (J) = 0. Denici on D.36 Indice de una matriz Sea A una matriz cuadrada, cuya forma can onica de Jordan es J, de la forma de (D.37). Cada valor propio j es de multiplicidad rj y tiene asociados qj bloques de Jordan de la forma de (D.38). Cada bloque es de tama no h ij . Se dene el ndice del valor propio j , denotado por n j como el tama no m as grande de los bloques de jordan Jji asociados al valor propio j . Claramente n j rj y n j = m axi {hij }. Teorema D.26 Sean 1 , 2 , , m , los valores propios de una matriz A con ndices n 1, n 2, , n m respectivamente. El polinomio m nimo de A es
m
() =
j =1
j ( j )n
(D.50)
Demostraci on D.26 De acuerdo con el teorema D.25, basta con demostrar que (D.50) es el polinomio m nimo de J, la forma can onica de Jordan de A. Consideremos primero la matriz Jj con los bloques de Jordan asociados al valor propio j : Jj 1 0 0 0 Jj 2 0 Jj = . . . . . .. . . . . . 0 0 Jjqj
j como puede comprobarse al El polinomio m nimo de Jj es j () = ( j )n hij calcular (Jji j I) :
0 0 0 (Jji j I) = . . . 0 0 0 0 0 2 (Jji j I) = . . . 0 0
1 0 0 1 0 0 . . .. . . . . . 0 0 0 0 0 1 0 0 0 0 . .. . . . . . . 0 0 0 0 288
0 0 0 0 0 0 . . . . . . 0 1 0 0 h 0 0 0 0 0 0 . . . . . . 0 0 0 0
ij hij
hij hij
(Jji j I)hij 2
0 0 0 = . . . 0 0 0 0 0 = . . . 0 0
0 0 0 0 0 0 . . .. . . . . . 0 0 0 0 0 0 0 0 0 0 . . .. . . . . . 0 0 0 0
1 0 0 1 0 0 . . . . . . 0 0 0 0 0 1 0 0 0 0 . . . . . . 0 0 0 0
hij hij
(Jji j I)hij 1
hij hij
(Jji j I)hij = 0 De acuerdo con la denici on D.36 n j es el tama no del bloque de Jordan asociado j = 0 para todos los bloques de Jordan a j m as grande, es claro que (Jji j I)n asociados a j . Como Jj es diagonal por bloques, y sus bloques son Jji se desprende j j que (Jj j I)n = 0 es decir, que el polinomio m nimo de Jj es ( j )n . Siguiendo un argumento similar, como J es diagonal por bloques, y sus bloques son Jj , se tiene que el polinomio m nimo de J es
m
() =
i=j
j ( j )n
que est an en la forma can onica de Jordan, tienen todas el mismo polinomio caracter stico () = ( a)3 ( b). Sin embargo, el polinomio m nimo de cada una de ellas es diferente, debido a que el ndice de a es diferente: para A1 es 1 () = ( a)( b) para A2 es 2 () = ( a)2 ( b) para A3 es 3 () = ( a)3 ( b) Teorema D.27 (Teorema de Caley-Hamilton) Si ( ) es el polinomio caracter stico de una matriz cuadrada A, entonces (A) = 0 289
Ejemplo D.51 Las matrices, a 1 0 0 a 0 0 0 a 0 0 0 0 a 1 0 0 a 1 0 0 a 0 0 A1 = 0 0 a 0 A2 = 0 0 a 0 A3 = 0 0 a 0 0 0 0 b 0 0 0 b 0 0 0 b
OSCAR G. DUARTE
Demostraci on D.27 El polinomio m mino de A es

m
() =
i=j
j ( j )n
Mientras que el polinomio caracter stico es

m
() =
i=j
( j )nj
Como n j nj , y como (A) = 0, queda demostrado que (A) = 0 Denici on D.37 Valores de una funci on en el espectro de una matriz Sean 1 , 2 , , m , los valores propios de una matriz A con ndices n 1, n 2, , n m respectivamente. Sea el polinomio m nimo de A y sea f un polinomio cualquiera. El conjunto de valores de f en el espectro de A son los valores: f (l) (i ) para son n = l = 0, 1, 2, , n i 1; i = 1, 2, , m en donde f (l) (i ) =
m i=1 dl f ( ) d l = i
y en total
n i valores.
Teorema D.28 Sean 1 , 2 , , m , los valores propios de una matriz A con ndices n 1, n 2, , n m respectivamente. Sea el polinomio m nimo de A y sean f y g dos polinomios cualesquiera. En esas condiciones cualquiera de las siguientes armaciones es equivalente 1. f (A) = g (A) 2. Una de dos condiciones se cumple: o bien f = h1 + g o g = h2 + f para algunos polinomios h1 , h2 . 3. Los valores de f y de g en el espectro de A son iguales f (l) (i ) = g (l) (i ) para l = 0, 1, 2, , n i 1; i = 1, 2, , m. Demostraci on D.28 Dado que (A) = 0 es evidente la equivalencia de las armaciones 1 y 2. Para demostrar la equivalencia entre 2 y 3 basta recordar que m j () = j =1 ( j )n y calcular las derivadas f (l) (i ) y g (l) (i ). Denici on D.38 Funciones de matrices cuadradas Sea f () una funci on, no necesariamente un polinomio, denida en el espectro de A. Si g () es un polinomio que tiene los mismos valores en el espectro de A entonces se dene f (A) = g (A). La denici on D.38 brinda una posibilidad para extender a las matrices cuadradas una funci on f () denida para escalares. Es decir, permite calcular f (A) buscando un polinomio adecuado g y calculando g (A). El procedimiento completo puede resumirse asi: Sea f () una funci on, y sea A una matriz n n. Para calcular f (A) deben seguirse los siguientes pasos 290
1. Obtener el polinomio caracter stico de A

m
=
i=1
( i )ni
2. Denir el polinomio g () g () = 0 + 1 + 2 2 + + n1 n1 en donde 0 , , n1 son desconocidas. Cualquier otro polinomio de orden n 1 es igualmente v alido. 3. Plantear n ecuaciones igualando los valores de f y g en el espectro de A f (l) (i ) = g (l) (i ) para l = 0, 1, 2, , n i 1; i = 1, 2, , m 4. Obtener 0 , , n1 a partir de las n ecuaciones del punto anterior 5. Calcular f (A) = g (A) = 0 I + 1 A + 2 A2 + , +n1 An1 Ejemplo D.52 Calcular A50 con A= 1 3 0 1
El problema puede plantearse tambi en de la siguiente forma: dada f () = 50 calcular f (A). Empleamos el procedimiento propuesto: 1. El polinomio caracter stico de A es = ( 1)2 2. Denimos el polinomio g () = 0 + 1 3. Obtenemos las ecuaciones f (0) (1) = 150 = 1 f (1) (1) = 50 149 = 50 f (0) (1) = g (0) (1) f (1) (1) = g (1) (1) 4. obtenemos 0 y 1 : 0 + 1 = 1 1 = 50 291 0 = 49 1 = 50 g (0) (1) = 0 + 11 g (1) (1) = 1 0 + 1 = 1 1 = 50
OSCAR G. DUARTE
5. Calculamos f (A) = g (A) f (A) = g (A) = 49 1 0 1 3 1 150 + 50 = 0 1 0 1 0 1
Ejemplo D.53 Calcular f (A) cuando A es una matriz con la forma de los bloques de Jordan. Para ilustrar suponemos una matriz de orden 4 4 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 Empleamos el procedimiento propuesto: 1. El polinomio caracter stico es () = ( 1 )4 2. Denimos un polinomio de orden 3 g () = 0 + 1 ( 1 ) + 2 ( 1 )2 + 3 ( 1 )3 3. Obtenemos 4 ecuaciones f (1 ) = g (1 ) = 0 f (1) (1 ) = g (1) (1 ) = 1!1 f (2) (1 ) = g (2) (1 ) = 2!2 f (3) (1 ) = g (3) (1 ) = 3!3 4. Obtenemos los valores de i : 0 1 2 3 5. Calculamos f (A) = g (A) f (A) = f (1 )I +
= f (1 ) = f (1) (1 )/1! = f (2) (1 )/2! = f (3) (1 )/3!
f (2) (1 ) f (3) (1 ) f (1) (1 ) (A I)+ (A I)2 + (A I)3 1! 2! 3! 1 0 0 0 0 1 0 0 0 1 0 0 f (1) (1 ) 0 0 1 0 f (A) = f (1 ) 0 0 1 0 + 0 0 0 1 + 1! 0 0 0 1 0 0 0 0 292
0 0 f (2) (1 ) 0 0 0 0 2! 0 0 f (1 ) f (A) = 0 0 0
1 0 0 0
f (1) (1 ) 1!
0 0 (3) 0 f ( ) 1 1 + 0 0 3! 0 0
f (2) (1 ) 2! f (1) (1 ) 1!
0 0 0 0
f (1 ) 0 0
f (1 ) 0
f (3) (1 3! f (2) (1 ) 2! f (1) (1 ) 1! f (1 )
0 0 0 0 )
1 0 0 0
Siguiendo un procedimiento similar puede obtenerse f (A) cuando A es una matrix n n con la forma de los bloques de Jordan (1) (n1) (1 ) f (2) (1 ) (1 ) f (1 ) f 1! f (n1)! 2! (1) (n2) (1 ) (1 ) 0 f (1 ) f 1! f (n2)! f (n3) (1 ) (D.51) f (A) = 0 0 f (1 ) (n3)! . . . . .. . . . . . . . . . 0 0 0 f (1 ) Ejemplo D.54 Calcular f (A) cuando A es una matriz con la forma de los bloques de Jordan y f () = et . Empleando (D.51) se obtiene directamente eAt et 0 = . . .
t t 1! e t t2 t 2! e t t 1! e
eAt
. . .
..
. . .
(D.52)
N otese que las derivadas en (D.51) son respecto a . Vale la pena comparar los resultados (D.49) y (D.52) Ejemplo D.55 Calcular f (A) cuando A es una matriz con la forma de los bloques de Jordan y f () = (s )1 . Empleando (D.51) se obtiene directamente (sI A)1 : 1 1 1 (s1 ) (s1 )2 (s1 )3 0 1 1 (s1 ) (s1 )2 1 1 (sI A) = 0 (D.53) 0 (s1 ) . . . .. . . . . . . .
293
OSCAR G. DUARTE
294
Bibliograf a
[1] Fabiola Angulo. An alisis de Sistemas de Control No Lineales. Facultad de Ingenier a Universidad Nacional de Colombia, Sede Manizales, 1999. [2] Antsaklis y Michel. Linear Systems. Mc GrawHill. [3] Karl J. Astrom y Bjorn Wittenmark. Computer Controlled Systems. Theory and Design. Prentice Hall, 1997. [4] Thomas J. Cavicchi. Digital Signal Processing. John Wiley and Sons, 2000. [5] Chi-Tsong Chen. Linear System Theory and Design. Oxford Press. [6] Chi-Tsong Chen. Analog and Digital Control System Design. Saunders College Pubkishing, 1993. [7] John J. Dazzo y Constantine Houpis. Linear Control Systems Analysis and Design. Mc GrawHill, 1988. [8] Eronini, Umez, y Eronini. Din amica de Sistemas y Control. Thomson Learning, 2001. Frederick. The Control Handbook, chapter Graphical Modeles, pa[9] CloseN. ges 8598. CRC Press and IEEE Press, 1996. [10] John Guckemheimer y Philip Holmes. Nonlinear Oscillations, Dynamical Systems and Bifurcations of Vector Fields. Springer Verlag, 1983. [11] G.H. Hostetter, C.J. Savant, y R.T. Stefani. Sistemas de Control. Interamericana, 1987. [12] Benjamin Kuo. Digital Control Systems. Oxford press, 1992. [13] Benjamin Kuo. Sistemas Autom aticos de Control. Mc. GrawHill, 1995. [14] William S. Levine. The Control Handbook. CRC Press and IEEE Press, 1996. [15] Douglas K. Lindner. Introducci on a las se nales y los sistemas. Mc. Graw Hill, 2002. 295
OSCAR G. DUARTE
[16] Lennart Ljung. System Identication. Prentice hall. [17] William L. Luyben, Bjorn D. Tyreus, y Michel L. Luyben. Plantwide Process Control. Mc Graw Hill, 1999. [18] Adolfo Mora. Tecnolog a del Control de Procesos Industriales. Facultad de Ingenier a Universidad Nacional de Colombia, 1987. [19] Babatunde A. Ogunnaike y W. Harmon Ray. Process Dynamics, Modeling, and Control. Oxford Press, 1994. [20] Alan V. Oppenheim, Alan S. Willsky, y Hamid Nawab. Signals and Systems. Prentice Hall, 1996. [21] Alexander D. Poularikas. The Transforms and Applications Handbook. CRC Press and IEEE Press, 2000. [22] M..V.C Rao y A.K. Subramanian. Elimination of singular cases in jurys test. IEEE Transactions on Automatic Control, AC-21(Feb. 1976):114115. [23] Mathukumalli Vidyasagar. Nonlinear Systems Analysis. Prentice Hall, 1993.
296
Indice anal tico

Ak , 282285 a lgebra lineal, 140157, 239293 amortiguamiento viscoso, 11 amortiguamiento viscoso rotacional, 11 a ngulo entre vectores, 252 anillo, 240 con unidad, 240 conmutativo, 240 modulativo, 240 anulativa, 140, 241 a rea de tanque, 11 asociativa, 140, 239241 autovalor, v ease valores propios autovector, v ease vectores propios Caley-Hamilton, 289 campo, 140, 240 caos, 206 capacitancia, 9, 11 capacitancia t ermica, 11 carta de Nichols, 235237 coordenadas polares, 237 coordenadas rectangulares, 237 caudal, 11 causalidad, v ease modelos causales condicionada, 17 en grafos de enlace de potencia, 17 ja, 17 indiferente, 18 preferida, 17 base, 141, 178, 242246 centro, 172 cambio de, 141, 180, 245246 ceros, v ease funci on de transferencia, y transformaciones lineales, 248 efecto de los ceros 250 cerradura, v ease clausurativa bifurcaciones, 205 ciclos l mite, 203 Bode circunferencia unitaria, 252 caso continuo, 107112 clausurativa, 140, 239241 criterio, 109 codominio, 256 diagramas, 109, 229230 combinaci on lineal, 141, 242 caso discreto, 129131 condiciones auxiliares, 21, 22, 159 diagramas, 130 condiciones iniciales, 21, 22, 24, 159 bola unitaria, 251 conductancia, 11 Bond Graphs, v ease grafos de enlaces conjunto generado, 141, 243 de potencia conjunto generador, 141, 243 conmutativa, 140, 239241 caja blanca, v ease modelos de caja blancontinuos ca modelos, v ease modelos continuos caja gris, v ease modelos de caja gris caja negra, v ease modelos de caja ne- control por realimentaci on, 89 gra 297
OSCAR G. DUARTE
por variable de estado, 187193 controlabilidad, 190191 de estado, 191 de salida, 191 test de, 190 convoluci on, 214, 220 continua, 63 discreta, 57 coordenadas, 141, 243 unicidad, 244 corriente, 11 de armadura, 161 de campo, 161 crecimiento demogr aco, 162 degeneracidad, 148, 267 desigualdad de Sylvester, 261 desplazamiento en el tiempo, 215 desplazamiento en la frecuencia, 211 determin sticos, v ease modelos determin sticos diagonalizaci on, 146, 265 por bloques, 148, 150 diagrama de Matthew, 151, 273275 diagramas de bloques, 48 equivalencias, 48 diagramas de ujo de se nal, 4855 camino directo, 50 ganancia de camino directo, 50 ganancia de lazo cerrado, 50 lazo cerrado, 50 lazos adyacentes, 50, 52 lazos no adyacentes, 50, 52 regla de Mason, 52 diferencia de temperatura, 11 diferencia positiva, 216 diferenciaci on, 210 diferencias nitas, v ease ecuaciones de diferencias dimensi on, 141, 178, 243 din amicos, v ease modelos din amicos discretos modelos, v ease modelos discretos distancia entre vectores, 251 distributiva, 140, 240, 241 Dung, 204
eAt , 156, 157, 166, 285287 ecuaci on de estado, 157 de salida, 157 ecuaciones de diferencia, 2223 condiciones auxiliares, 22 condiciones iniciales, 22 lineales, 2324 m etodos de soluci on, 2427 ordinarias de coecientes constantes, 8 representaci on de estado, 163 soluci on mediante transformada Z , 3941 y sistemas discretos, 45 ecuaciones de diferencias nitas, v ease ecuaciones de diferencia ecuaciones diferenciales, 21 condiciones auxiliares, 21 condiciones iniciales, 21 lineales, 2324 m etodos de soluci on, 2427 ordinarias de coecientes constantes, 8 representaci on de estado, 163 soluci on mediante transformada de Laplace, 3941 y sistemas continuos, 43 entalp a, 11 entrada-salida, v ease modelos de entradasalida error de estado estacionario, 9193 escalamiento en la frecuencia, 218 escalares, 140 esfuerzo, 911 fuentes de, 12 espacio de estado, 176180 espacio vectorial, 140144, 176, 239 246 base, 141, v ease base, 243 cambio de, 141, 245246 denici on, 241 dimensi on, 141, 243 estabilidad BIBO, 93 de entrada-salida, 93
298
INDICE ANAL ITICO
forma can onica de Jordan, 146154, 167, local, 201 178, 182, 183, 278282 marginal, 98 forma real, 280282 merginal, 94 sistemas realimentados continuos, fracciones parciales, 3639 fuente, 172 93121 Bode, diagramas y criterio de, fuentes de esfuerzo, 12 v ease Bode, caso continuo de ujo, 12 lugar geom etrico de raices, v eafuerza, 11 se root-locus, caso continuo Nyquist, diagrama y criterio de, fuerza magnetomotriz, 11 on de transferencia, 47 v ease Nyquist, caso continuo funci efecto de los ceros, 8386 Root-Locus, v ease root-locus matriz de funciones, 184, 186 Routh-Hurwitz, arreglo y critey respuesta al impulso, 56, 62, 63 rio de, v ease Routh-Hurwitz funci o n impulso unitario, 56, 59 sistemas realimentados discretos, caso continuo, 59 122135 caso discreto, 56 Bode, diagramas y criterio de, funciones de matrices cuadradas, 154 v ease Bode, caso discreto 157, 282293 Jury, arreglo y criterio de, v ease Jury lugar geom etrico de ra ces, v ea- grafos de enlaces de potencia, 1120 aplicados a circuitos el ectricos, 20 se root-locus, caso discreto aplicados a sistemas traslacionaNyquist, diagrama y criterio de, les, 20 v ease Nyquist, caso discreto causalidad, v ease causalidad root-locus, v ease root-locus, caecuaciones, 18 so discreto transformaci on bilineal, v ease trans- elementos, 11 activos, 11 formaci on bilineal de 1 puerto, 11 estado, 137193 de 2 puertos, 11 denici on, 159 multipuerto, 11 ecuaciones de, 138139 pasivos, 11 ventajas, 137 transformadores de potencia, 11 est aticos, v ease modelos est aticos fuente, v ease fuentes estimador de estado, 192 rotador, 12 estoc asticos, v ease modelos estoc astitransformador, 12 cos uniones, 11, v ease uniones estrategia h brida, 4 variables, 11 estructuras algebr aicas, 239 Gram-Schmidt, 253 grupo, 239 fase m nima, v ease sistemas de fase minima identicaci on de sistemas, 4 ujo, 911 impulso, v ease respuesta al impulso fuentes de, 12 independencia lineal, 141, 178, 242 ujo de calor, 11 ndice de una matriz, 288 ujo magn etico, 11 inductancia, 9, 11 299
OSCAR G. DUARTE
integrador, 158 interno, v ease modelos interno invariantes, v ease modelos invariantes en el tiempo invertiva, 140, 239241
de entrada-salida, 4 de par ametros concentrados, 6 de par ametros distribuidos, 6 de sistemas, 2 de software, 3 denici on, 23 Jordan, v ease forma can onica de Jordetermin sticos, 6 dan discretos, 7 Jury, 124128 el mejor, 3 arreglo est aticos, 6 construcci on, 124 estoc asticos, 6 problemas, 128 gr acos, 3 criterio, 125 interno, 4 invariantes en el tiempo, 7 Laplace, v ease transformada de Laplalineales, 6 ce ling u sticos, 2 linealidad, 6, 23, 209, 216 matem aticos, 3 Lotka-Volterra, 201 mentales, 2 no causales, 4 M -circunferencias, 236 no estaticos, 6 MacLaurin, 155 no lineales, 6 m argenes de estabilidad, 109 perfectos, 3 margen de fase, 109 u tiles, 3 margen de ganancia, 109 utilizados, 89 masa de inercia, 11 variantes en el tiempo, 7 Mason, v ease regla de Mason modulativa, 140, 239241 matriz de funciones de transferencia, momento de inercia, 11 184, 186 motor el ectrico, 161 matriz de transici on de estado, 180 multiplicidad, 262 181, 183 matriz diagonalizada, 146, 265 N -circunferencias, 236237 matriz fundamental, 178, 180 Nichols, v ease carta de Nichols matriz modal, 147, 265 nivel de l quido, 11 Matthew, v ease diagrama de Matthew no linealidades migraci on, 163 din amicas, 197 MIMO, v ease sistemas MIMO est aticas, 195 MISO, v ease sistemas MISO norma modelamiento de sistemas, 4 de un vector, 250 modelos de una matriz, 253 causales, 4 inducida, 251 clasicaci on, 47 normas construcci on, 34 de matrices, 250255 continuos, 7 de vectores, 250255 de caja blanca, 4 nulidad, 151, 259, 269, 270 de caja gris, 4 Nyquist de caja negra, 4 casi discreto 300
INDICE ANAL ITICO
rango, 256, 257 regi on de estabilidad sistemas continuos de primer orden, 66 sistemas discretos de primer orden, 68 regi on de inestabilidad observabilidad, 191193 sistemas continuos de primer ortest de, 192 den, 66 observador de estado, 192 sistemas discretos de primer orden, o rbitas 68 homocl nicas, 204 regi on de tiempo de asentamiento m aperi odicas, 201 ximo ortogonalidad, 252 sistemas continuos de primer orortonormalidad, 252 den, 67 ortonormalizaci on sistemas siscretos de primer orden, proceso de Gram-Schmidt, 253 70 oscilador regla de Mason, 5255 de Dung, 204 representaci on de estado, v ease estado de Van der Pol, 203 representaci on en espacio de estado, v ease estado par ametros, 9, 11 representaci on en variables de estado, par ametros concentrados, v ease modev ease estado los de par ametros concentra- resistencia, 9, 11 dos resistencia hidra ulica, 11 par ametros distribuidos, v ease mode- resistencia t ermica, 11 los de par ametros distribuidos resorte, 11 p endulo, 199, 201 resorte torsional, 11 plano de fase, 172 respuesta polinomio al impulso, 5563 ubicaci on de las raices, 94 y funci on de transferencia, 56, polinomio caracter stico, 24, 144, 262 62, 63 polinomio m nimo, 287 de entrada cero, 4346, 184, 186 polinomios de matrices, 282 de estado cero, 4346, 184, 186 polos dominantes, 8788 retardo, 158 potencial qu mico, 11 retrato de fase, 179 presi on, 11 retratos de fase, 172176 principio del argumento, 114 root-locus producto caso continuo, 101107 interior, 250 caso discreto, 128129 interno, 250 complementario, 101 proporcionalidad, 6, 23 condiciones, 103 p erdida de 197 criterio, 101 punto de equilibrio, 176 reglas de construcci on, 105 m ultiples, 199 rotador, 12 punto de silla, 172 Routh-Hurwitz 301
trayectoria, 133 caso continuo, 112121 criterio, 119 diagrama, 117 trayectoria, 117 caso discreto, 133135
OSCAR G. DUARTE
frecuencia m axima de oscilaci on, 73 funci on de transferencia, 70 polos, 70 regi on de dise no, 76 regi on de estabilidad, 71 regi on de frecuencia m axima de oscilaci o n, 73 se nales regi on de sobrepico m aximo, 75 denici on, 2 regi o n tiempo m a ximo de asenseries de MacLaurin, 155, 285 tamiento, 73 series de potencias, 285 sobrepico m aximo, 75 series de Taylor, 155, 166, 285 tiempo m a ximo de asentamiensif on, 172 to, 73 SIMO, v ease sistemas SIMO error de estado estacionario, 9192 SISO, v ease sistemas SISO excitados, 183185 sistema, 11 libres, 165181 desacoplado, 185, 186 polos dominantes, 87 sistemas realimentados, v ease sistemas reade fase m nima, 8386 limentados denici on, 12 respuesta al impulso, 5963 el ectricos, 11 tipo de sistema, 9192 f sicos, 911 y ecuaciones diferenciales, 43 hidra ulicos, 11 Sistemas de ecuaciones algebr aicas, 255 magn eticos, 11 261 mec anicos rotacionales, 11 sistemas discretos mec anicos traslacionales, 11 de primer orden, 6870 MIMO, 2 estabilidad, 68 MISO, 2 funci on de transferencia, 68 modelos de, 2 polos, 68 no lineales, 195206 regi on de estabilidad, 68 SIMO, 2 regi on de inestabilidad, 68 SISO, 2 regi on de tiempo de asentamient ermicos, 11 to m aximo, 70 sistemas continuos tiempo de asentamiento, 70 de primer orden, 6667 de segundo orden, 7883 estabilidad, 66 estabilidad, 80 funci on de transferencia, 66 frecuencia m axima de oscilaci on, polos, 66 82 regi on de estabilidad, 66 funci on de transferencia, 78 regi on de inestabilidad, 66 polos, 78 regi on de tiempo de asentamienregi on de dise no, 83 to m aximo, 67 regi on de estabilidad, 80 tiempo de asentamiento, 67 regi on de frecuencia m axima de de segundo orden, 7078 oscilaci on, 82 estabilidad, 71 regi on de sobrepico m aximo, 82 302
arreglo, 95 construcci on, 95 divisi on por cero, 99 problemas, 99 terminaci on prematura, 100 criterio, 97
INDICE ANAL ITICO
regi on de tiempo m aximo de asen- transformada de Laplace, 24, 2741, 167, tamiento, 80 209215, 221223 convoluci on, 214 sobrepico m aximo, 82 denici on, 27 tiempo m aximo de asentamiendesplazamiento en el tiempo, 215 to, 80 desplazamiento en la frecuencia, 211 error de estado estacionario, 9293 diferenciaci on, 210 excitados, 185187 inversa, 28 libres, 181183 inversas por fracciones parciales, polos dominantes, 88 3639 realimentados, v ease sistemas realinealidad, 209 limentados multiplicaci on por t, 212 respuesta al impulso, 5659 parejas, 3135, 221223 tipo de sistema, 9293 propiedades, 29, 31, 209215 y ecuaciones de diferencia, 45 teorema de valor nal, 91, 213 sistemas realimentados, 89135 teorema de valor inicial, 213 error de estado estacionario, 9193 transformada bilateral, 28 estabilidad, v ease estabilidad transformada Z , 24, 2741, 182, 183, funci on de transferencia, 89 215220, 223228 funci on de transferencia del error, convoluci on, 220 90 denici o n, 28 tipo de sistema, 9193 diferencia positiva, 216 sistemas retroalimentados, v ease sisteescalamiento en la frecuencia, 218 mas realimentados inversa, 28 soluci on homog enea, 24 inversas por fracciones parciales, soluci on particular, 24 3639 subespacio, 141, 242 linealidad, 216 subpicos, 85 multiplicaci on por k , 218 superposici on, 7, 23 parejas, 3135, 223228 p erdida de 197 propiedades, 29, 31, 215220 Sylvester, 261 teorema de valor nal, 92, 219 teorema de valor inicial, 219 Taylor, 155, 166 transformada bilateral, 29 temperatura, 11 transformador, 12 tensi on, 11 transmitancia del error, v ease sistemas teorema de Caley-Hamilton, 289 realimentados, funci on de transtiempo continuo, 7 ferencia del error tiempo de asentamiento, 67, 70 trayectoria, 172 tiempo de estabilizaci on, v ease tiempo de asentamiento undershootv ease subpicos 85 tiempo discreto, 7 uniones, 12 tipo de sistema, 9193 Tipo 0, 12 torque, 11 Tipo 1, 12 transformaci on bilineal, 122124 transformaciones lineales, 142, 247250 valor caracter stico, v ease valores proy cambio de base, 248250 pios 303
OSCAR G. DUARTE
valor nal velocidad angular, 11 transformada de Laplace, 91, 213 Z , v ease transformada z transformada Z , 92, 219 valor inicial transformada de Laplace, 213 transformada Z , 219 valor propio c alculo, 144 por derecha, 144, 261 por izquierda, 144, 261 valores de una funci on en el espectro de una matriz, 290 valores propios, 144146, 179, 261278 complejos, 153 diferentes, 146, 264266 generalizados, 273278 repetidos, 148, 267273 Van der Pol, 203 variables, 9, 11 en grafos de enlaces de potencia, 11 variables de estado, 137, 157165 en el tiempo, 185187 variaci on de cambio de volumen, 11 variaci on de diferencia de entrop a, 11 variaci on de ujo m asico, 11 variaci on de ujo molar, 11 variaci on de ujo volum etrico, 11 variantes, v ease modelos variantes en el tiempo vector coordenadas, 141, 243 normal, 251 vector caracter stico, v ease vectores propios vector propio por derecha, 144, 261 por izquierda, 144, 261 vectores, 140 ortogonales, 252 ortonormales, 252 vectores propios, 144146, 178, 179, 261 278 generalizados, 150, 269 cadena, 269 velocidad, 11 304

Analisis de Sistemas Dinamicos

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Analisis de Sistemas Dinamicos

Hochgeladen von

Copyright:

Verfügbare Formate

An alisis de sistemas din amicos lineales

An alisis de sistemas din amicos lineales

A quienes trabajan por la democratizaci on del conocimiento

91 91 92 93 94 101 107 112 122

5.3.1. 5.3.2. 5.3.3. 5.3.4. 5.3.5.

202 203 204 205 207

207 231 232 233 234

Cap tulo 1 Introduccio n al modelamiento de sistemas

Figura 1.1: Sistema y Se nales

1.1. CONCEPTOS PRELIMINARES

Figura 1.2: Sistemas y Modelos

Construcci on de los modelos matem aticos

Modelamiento de Sistemas c Modelos de caja blanca d d Modelos de caja gris

Identicaci on de Sistemas c Modelos de caja negra

Figura 1.3: Construcci on de Modelos

Clasicaci on de los modelos matem aticos

1.1. CONCEPTOS PRELIMINARES

Modelos Matem aticos

Par ametros Par ametros Distribuidos Concentrados

Figura 1.4: Clasicaci on de los Modelos Matem aticos de Sistemas

1.1. CONCEPTOS PRELIMINARES

Modelos matem aticos a utilizar

Figura 1.5: Sistema Din amico Continuo

Figura 1.6: Sistema Din amico Discreto

1.2. SISTEMAS F ISICOS

a11 x1 (k + 1) x2 (k + 1) = a21 a31 x3 (k + 1)

a12 a22 a32

a13 x1 (k ) a23 x2 (k ) a33 x3 (k )

El ectrico A Esfuerzo E Flujo F Resistencia 10 E = RF Inductancia E = L dF dt Capacitancia E = C F dt i = Ge Capacitancia i = C de dt Inductancia i=

El ectrico B Tensi on e Corriente i Resistencia

Corriente i Tensi on e Conductancia

Hidra ulico (Tanques) Caudal q Nivel de l quido h Resistencia Hidra ulica

T ermico Diferencia de temperatura Flujo de calor qc Resistencia t ermica

Tabla 1.2: Variables y par ametros de sistemas f sicos

1.3. GRAFOS DE ENLACES DE POTENCIA BOND GRAPHS

Grafos de enlaces de potencia Bond Graphs

f i dQ/dt ds/dt dV /dt dN/dt dm/dt

Tabla 1.4: Variables F sicas empleadas en los grafos de enlaces de potencia

1.3. GRAFOS DE ENLACES DE POTENCIA BOND GRAPHS

Figura 1.7: Elementos de un puerto para grafos de enlaces de potencia

Figura 1.8: Elementos de dos puertos para grafos de enlaces de potencia

Figura 1.9: Elementos multipuerto para grafos de enlaces de potencia

1.3. GRAFOS DE ENLACES DE POTENCIA BOND GRAPHS

Figura 1.10: Grafos de enlace de potencia. Diagrama del ejemplo 1.1

Dominio Rotacional J D/2 Dominio Traslacional

f9 e9 R : Rb C : Cel f10 e10 0 f11 e11 Se : mg e13 f13

1 f12 e12 I:m

Figura 1.12: Grafo de enlaces de potencia del ejemplo 1.1

1.3. GRAFOS DE ENLACES DE POTENCIA BOND GRAPHS

Salida de Flujo e f f = g (e)

Figura 1.13: Enlaces con marcas de causalidad

integraci on es preferible para la utilizaci on de m etodos num ericos.

Obtenci on de las ecuaciones

1.3. GRAFOS DE ENLACES DE POTENCIA BOND GRAPHS

f9 e9 R : Rb C : Cel f10 e10 0 f11 e11 Se : mg e13 f13

1 f12 e12 I:m

Figura 1.14: Grafo causal de enlaces de potencia del ejemplo 1.1

e12 = e11 + e13

Procedimientos espec cos

Cap tulo 2 Preliminares matem aticos

Ecuaciones diferenciales y de diferencia

= 2e2t = 2f1 (t) = 4e2t = 2f2 (t) = 6e2t = 2f3 (t)

f2 (t) = 2e2t ya que f3 (t) = 3e2t ya que

Ecuaciones de diferencias nitas