Unidad 1: Sistemas y Señales

Análisis de Sistemas Lineales
Unidad 1: Sistemas y Señales
Francisco J. Vargas
Departamento de Electronica,
Universidad Técnica Federico Santa Marı́a,
Valparaı́so, Chile
Francisco J. Vargas 1 / 164

Introducción
En esta unidad se definen y describen las caracterı́sticas básicas de los sistemas

y señales estudiadas en este curso.
Se hará una distinción entre sistemas y señales de tiempo continuo y tiempo

discreto.

Sistemas y señales
Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales
Linealización
Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Sistemas
Un sistema es un ente organizado, resultante de la interconexión de elementos

básicos, que según el juicio de un observador, tiene una finalidad y carácter
determinado.

Sistemas
Un sistema es un ente organizado, resultante de la interconexión de elementos

básicos, que según el juicio de un observador, tiene una finalidad y carácter
determinado.
Ejemplos
◮ Sistema Digestivo
◮ Sistema de Pensiones
◮ Sistema Económico
◮ Sistema de Comunicaciones
◮ Sistema Interconectado Central

Sistemas (Procesos, Plantas)
Nos interesa estudiar el comportamiento de los sistemas. Para ello debemos considerar:
◮ Modelo Fenomenológico: Conjunto de Ecuaciones que describen, con una

determinada precisión, el sistema.


◮ Entradas del sistema: Se deben determinar cuales son los estı́mulos externos o
excitaciones que influyen en el comportamiento del sistema.


◮ Salidas del sistema: Se debe determinar cuales son las salidas del sistema (lo que
nos interesa observar)


◮ Historial del sistema: Determinar el estado del sistema en el momento en que
comenzamos a estudiarlo (condiciones iniciales).


◮ Tiempo: Por cuanto tiempo estudiaremos el sistema, o si es de naturaleza discreta
o continua.


◮ Tiempo: Por cuanto tiempo estudiaremos el sistema, o si es de naturaleza discreta
o continua.
Usualmente se representará un sistema a través de un bloque que es sometido a ciertas

excitaciones (entradas), y como consecuencia, se observa cierto comportamiento (salidas)

Ejemplos

Ejemplos

Ejemplos

Señales
Las señales son indicadores (signos, gestos, variables) a través de las cuales se
envı́a (o recibe) información o energı́a.
Nosotros representaremos las señales a través de funciones del tiempo (con-
tinuo o discreto).

Señales
tinuo o discreto).
Ejemplos
◮ Luz
◮ Sonido
◮ Temperatura
◮ Voltaje
◮ Olores
◮ Presión
◮ Porcentaje de desempleo

Señales
tinuo o discreto).
Ejemplos
◮ Luz
◮ Sonido
◮ Temperatura
◮ Voltaje
◮ Olores
◮ Presión
◮ Porcentaje de desempleo
La información contenida en las señales suele propagarse por distintos medios
si se asegura la correspondiente etapa de transducción, e.g., material piezo-
eléctrico.

Señales
Tanto las entradas como la salida y las variables internas del sistema son
consideradas señales. La salida del sistema queda definida según el interés
del usuario.

Señales
del usuario.
Usualmente la respuesta de un sistema (salida) corresponde a una variable del

sistema que puede medirse a través de algún dispositivo apropiado (sensor)
y las entradas corresponden a señales cuya información puede ser recibida y
propagada al sistema a través de algún dispositivo apropiado (actuador)

Señales
del usuario.
Usualmente la respuesta de un sistema (salida) corresponde a una variable del

sistema que puede medirse a través de algún dispositivo apropiado (sensor)
y las entradas corresponden a señales cuya información puede ser recibida y
propagada al sistema a través de algún dispositivo apropiado (actuador)
En este curso no nos detendremos en analizar sensores, actuadores, ni sus

correspondientes etapas de transduccción. Sin embargo existen!!!

Tiempo continuo - Tiempo discreto
Estudiaremos sistemas y señales de tiempo continuo y tiempo discreto.
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

Sistema de tiempo continuo
Si consideramos que estudiamos un sistema desde un instante t0 , podemos
representar el sistema continuo como
Donde t ∈ R
◮ u(t) ∈ Rq vector que contiene las entradas del sistemas.
◮ x(t0 ) ∈ Rn vector que describe el estado inicial del sistema (estado en el
instante que empezamos a analizarlo)
◮ y(t) ∈ Rp vector que contiene las salidas del sistemas
Sistema multivariable (MIMO). Para este curso supondremos un sistema de

una entrada y una salida (SISO), es decir, p = q = 1.

Matemáticamente, podemos definir el sistema a través de un operador Th·, ·i

tal que ∀t > t0
y(t) = Thx(t0 ), u(t)i
Es importante indicar que Th·, ·i es un operador que puede variar en el tiempo.

Ejemplo
dvC (t)
vf (t) = RC + vC (t)
dt

Ejemplo
dvC (t)
vf (t) = RC + vC (t)
dt
¿Cuál es la entrada?
¿Cuál es la salida?
Esto se puede simular en Simulink
dvC (t) 1 1
= vf (t) − vC (t)
dt RC RC

Sistema de tiempo discreto
Si consideramos que estudiamos un sistema desde un instante k0 , podemos
representar el sistema discreto como
Donde k ∈ Z, y
◮ u(k) ∈ Rq vector que contiene las entradas del sistemas.
◮ x(k0 ) ∈ Rn vector que describe el estado inicial del sistema (estado en el instante
que empezamos a analizarlo)
◮ y(k) ∈ Rp vector que contiene las salidas del sistemas
También podemos definir un operador Th·, ·i tal que ∀k > x(k0 )
y(k) = Thx(k0 ), u(k)i
Nota: Sin pérdida de generalidad usaremos k ∈ Z

Ejemplo:
Una cuenta de ahorro tiene un saldo inicial S(k0 ) = So y recibe un interés igual
a m% mensual.
Si en el k−ésimo mes (k = k0 , k0 +1, ...) se hace un depósito igual a e(k), entonces

el saldo S(k) puede ser descrito por:
m
S(k) = S(k − 1) 1 + + e(k), ∀k > k0
100
y tal que S(k0 ) = So

Ejemplo:
Una cuenta de ahorro tiene un saldo inicial S(k0 ) = So y recibe un interés igual
a m% mensual.
Si en el k−ésimo mes (k = k0 , k0 +1, ...) se hace un depósito igual a e(k), entonces

el saldo S(k) puede ser descrito por:
m
S(k) = S(k − 1) 1 + + e(k), ∀k > k0
100
y tal que S(k0 ) = So
¿Cuál es la entrada?
¿Cuál es la salida?
Esto se puede simular en Matlab

Modelos
Sistemas Lineales
Linealización
Tipos de señales

Modelos
Sistemas Lineales
Linealización
Tipos de señales

Sistemas y Modelos
Los modelos son representaciones aproximadas de sistemas reales,en donde se

consideran las variables de interés del sistema según el propósito del modelo.

Sistemas y Modelos

El objetivo de tener un modelo es poder analizar y predecir el comportamiento

del sistema real ante determinadas excitaciones. Esto es particularmente rele-
vante cuando se desea controlar el comportamiento del sistema.

Sistemas y Modelos


Estos modelos pueden ser un conjunto de ecuaciones que describan al sistema

analı́ticamente (modelo fenomenológico), un conjunto de reglas heurı́sticas
(modelo empı́rico), una mezcla de ambos (modelos hı́bridos), etc. En este
curso estamos interesados en los modelos fenomenológicos!

Sistemas y Modelos


Estos modelos pueden ser un conjunto de ecuaciones que describan al sistema

analı́ticamente (modelo fenomenológico), un conjunto de reglas heurı́sticas
(modelo empı́rico), una mezcla de ambos (modelos hı́bridos), etc. En este
curso estamos interesados en los modelos fenomenológicos!
Nota: De ahora en adelante nos referiremos como “sistema” al modelo del

sistema real (a menos que se especifique lo contrario)

Modelos
Sistemas Lineales
Linealización
Tipos de señales

Sistemas con y sin Memoria
Existen sistemas que tienen la capacidad de almacenar energı́a o ser influenciados por el
historial, es decir, el sistema tiene memoria. A dichos sistemas le llamaremos Sistemas
Dinámicos, mientras que a aquellos sistemas sin memoria les llamaremos Sistemas
Algebraicos.

Algebraicos.
Ejercicio:
Determine si los siguientes sistemas son dinámicos o algebraicos
1. y(t) = 10u(t)
2. y(k) = y(k − 1) + sin(u(k))
dy(t)
3. + y(t) = sin(u(t)), con x(t0 ) = y(t0 )
dt

Algebraicos.
Ejercicio:
Determine si los siguientes sistemas son dinámicos o algebraicos
1. y(t) = 10u(t)
2. y(k) = y(k − 1) + sin(u(k))
dy(t)
3. + y(t) = sin(u(t)), con x(t0 ) = y(t0 )
dt
Los sistemas dinámicos en los que estamos interesados son descritos a través de ecua-
ciones diferenciales en tiempo continuo, o ecuaciones recursivas (o ecuaciones de difer-
encia) en tiempo discreto. La ausencia de dichos elementos revela que el sistema es
algebraico. Un sistema algebraico no tiene condiciones iniciales.

Invariancia en el tiempo
Un sistema es invariante en el tiempo cuando la respuesta del sistema ante

una determinada entrada no depende del instante en que se aplica la entrada
(considerando las mismas condiciones iniciales). Es decir:

Un sistema es invariante en el tiempo cuando la respuesta del sistema ante

una determinada entrada no depende del instante en que se aplica la entrada
(considerando las mismas condiciones iniciales). Es decir:
Tiempo continuo (t, τ ∈ R )
Si retardamos la entrada y las condiciones iniciales, entonces la respuesta es la

misma que la original pero retardada en la misma cantidad de tiempo.

Tiempo discreto (k, τ ∈ Z)

Tiempo discreto (k, τ ∈ Z)
Ejercicio:
Determine si los siguientes sistemas son invariantes o variantes en el tiempo
dy(t)
1. = u(t), con x(t0 ) = y(t0 )
dt
2. y(k) = k sin(u(k))

Causalidad
Un sistema es anticipativo si la salida actual del sistema depende de entradas
o salidas futuras. En tal caso diremos que el sistema es un sistema no causal,
de lo contrario diremos que el sistema es un sistema causal.

Causalidad
Ejercicio:
Determine si los siguientes sistemas son causales o no causales
1. y(t) = u(t) cos(t + 5)
2. y(k) = u(k + 1)

Causalidad
Ejercicio:
Determine si los siguientes sistemas son causales o no causales
1. y(t) = u(t) cos(t + 5)
2. y(k) = u(k + 1)
Los sistemas no-causales no son fı́sicamente realizables (cuando la variable

independiente es el tiempo).

Modelos
Sistemas Lineales
Linealización
Tipos de señales

Superposición
Un sistema cumple la propiedad de superposición si y solo si cumple
◮ Superposición entre la entrada y el estado inicial
y(t) = Thx(t0 ), u(t)i = Thx(t0 ), 0i + Th0, u(t)i, ∀x(t0 ), u(t) ∈ R

Superposición
◮ Superposición en el estado inicial
y(t) = Thx1 (t0 ) + x2 (t0 ), 0i = Thx1 (t0 ), 0i + Thx2 (t0 ), 0i, ∀x1 (t0 ), x2 (t0 ) ∈ R

Superposición
◮ Superposición en el estado inicial
y(t) = Thx1 (t0 ) + x2 (t0 ), 0i = Thx1 (t0 ), 0i + Thx2 (t0 ), 0i, ∀x1 (t0 ), x2 (t0 ) ∈ R
◮ Superposición en la entrada
y(t) = Th0, u1 (t) + u2 (t)i = Th0, u1 (t)i + Th0, u2 (t)i, ∀u1 (t), u2 (t) ∈ R

Homogeneidad
Un sistema cumple la propiedad de homogeneidad si y solo si cumple
◮ Homogeneidad en el estado inicial
y(t) = Thαx(t0 ), 0i = αThx(t0 ), 0i, ∀x(t0 ), α ∈ R

Homogeneidad
Un sistema cumple la propiedad de homogeneidad si y solo si cumple
◮ Homogeneidad en el estado inicial
y(t) = Thαx(t0 ), 0i = αThx(t0 ), 0i, ∀x(t0 ), α ∈ R
◮ Homogeneidad en la entrada
y(t) = Th0, βu(t)i = βTh0, u(t)i, ∀u(t), β ∈ R

Sistemas Lineales
Un sistema S se dice que es un Sistema Lineal si y solo si el sistema posee las
propiedades de superposición y homogeneidad, es decir,
y(t) = Thα1 x1 (t0 ) + α2 x2 (t0 ), β1 u1 (t) + β2 u2 (t)i
= α1 Thx1 (t0 ), 0i + α2 Thx2 (t0 ), 0i + β1 Th0, u1 (t)i + β2 Th0, u2 (t)i
= α1 yx1 (t) + α2 yx2 (t) + β1 yu1 (t) + β2 yu2 (t)

Sistemas Lineales
Si un sistema no cumple linealidad, entonces se dirá que es un Sistema No

Lineal.

Sistemas Lineales
Si un sistema no cumple linealidad, entonces se dirá que es un Sistema No

Lineal.
Si bien se presenta la definición de sistemas lineales (y no lineales) para un

sistema de tiempo continuo, esta también es válida para sistemas de tiempo
discreto (solamente reemplace el tiempo continuo t por el tiempo discreto k)

¿Por qué estudiar sistemas lineales?
Las siguiente razones justifican el estudio de sistemas lineales:
◮ A pesar que los sistemas (modelos) lineales son en general una versión simplificada
del sistema real, estos describen razonablemente bien el comportamiento de una
gran variedad de sistemas reales.

◮ Muchos sistemas reales cuyo comportamiento tiene una naturaleza no lineal puede
aproximarse a través de modelos lineales dentro de un determinado rango de
trabajo (linealización, a estudiar en la próxima clase)

◮ Dada las propiedades matemáticas de los sistemas lineales, existe una amplia
variedad de herramientas que permiten su análisis.

Nota 1: La linealidad es una propiedad asociada al sistema, no a la señal de entrada ni a la

condición inicial.

Nota 1: La linealidad es una propiedad asociada al sistema, no a la señal de entrada ni a la

condición inicial.
Nota 2: El modelo del sistema depende de la elección de entradas y salidas. La propiedad

de linealidad asociada a un fenómeno depende también de dicha elección. Ej: EL circuito
RC es lineal si se escoge como salida el voltaje en el condensador, pero si en cambio se
escoge como salida la potencia, entonces la relación entrada-salida serı́a no lineal.

Sistemas Lineales
Ejercicio:
Estudie la linealidad de los siguientes sistemas (considere que x(t0 ) = y(t0 ) o
x(k0 ) = y(k0 ) según sea el caso)
Rt
1. y(t) = t0 u(τ)dτ + y(t0 )
Rt
2. y(t) = t0
u(τ)dτ + y(t0 ) + A, A∈R
Pk
3. y(k) = y(k0 ) + k0 +1 u(k)
4. y(k) = sin(u(k))
dy(t)
5. = u(t)2
dt
dy(t)
6. + y(t)2 = sin(u(t))
dt

Sistemas Lineales e Invariantes en el tiempo
Durante las siguientes unidades nos enfocaremos en los sistemas que cumplan
con las propiedades de linealidad e invariancia en el tiempo.

Sistemas Lineales e Invariantes en el tiempo
Durante las siguientes unidades nos enfocaremos en los sistemas que cumplan
con las propiedades de linealidad e invariancia en el tiempo.
Un sistema lineal e invariante en el tiempo se denotara por simplicidad como

SLIT. Mientras que un sistema lineal y variante en el tiempo se denotara com
SLVT.
Otra propiedad importante a considerar durante el curso es la causalidad.

Sistemas Lineales y No lineales
Sistema Real
Modelamiento
Modelo del Sistema
¿cumple superposición
y homogeneidad?
Sı́ No
Linealización
Sistema Lineal Sistema No Lineal

Clasificación de sistemas Lineales
Sistema Lineal
¿Es invariante ¿Posee memoria?

en el tiempo?
111
000
000
111
Sı́ No
¿Es anticipativo? Sı́ 000
111
000
111
No
Sistema Sistema
SLIT SLVT Dinámico Algebraico
Sı́ No
No Causal Causal

Modelos
Sistemas Lineales
Linealización
Tipos de señales

Linealización
En muchas aplicaciones, los modelos fenomenológicos que describen al sis-

tema real son no-lineales. Esto dificulta su análisis.

Linealización

Sin embargo, dadas ciertas condiciones, es posible obtener una aproximación

lineal del modelo no lineal en torno a un rango de trabajo en el que estemos
interesados.

Linealización


interesados.
Esta aproximación se conoce como linealización.

Linealización


interesados.
Esta aproximación se conoce como linealización.
Para estudiar linealización primero recordaremos las aproximaciones de primer

orden, y la representacion en series de Taylor de una función.

Aproximación de Primer Orden de una Función
Sea g(x) una función continua no lineal. Buscamos aproximar dicha función
en torno a un punto a través de una recta.
g(x)

L(x)
g(x)

L(x)
g(x)
g(xQ ) = L(xQ ) Q
xQ x

L(x)
g(x)
g(xQ ) = L(xQ ) Q
xQ x

Al variar el punto Q, varia la recta que aproxima a la curva.
L(x)
Q
g(x)

Para determinar L(x) basta con L(x)

conocer un punto de la recta (se g(x)
conoce Q) y su pendiente m, la
que también es conocida pues g(xQ ) = L(xQ ) Q

∆L(x) dg(x) xQ x
m= =
∆x dx x=xQ

Para determinar L(x) basta con L(x)

conocer un punto de la recta (se g(x)
conoce Q) y su pendiente m, la
que también es conocida pues g(xQ ) = L(xQ ) Q

∆L(x) dg(x) xQ x
m= =
∆x dx x=xQ
Ası́, la ecuación de la recta se obtiene notando que
∆x = x − xQ
∆L(x) = L(x) − L(xQ ) = L(x) − g(xQ )
Por lo tanto

dg(x)
L(x) = g(xQ ) + (x − xQ )
dx x=xQ

Ejercicio:
√
Aproxime el valor de 4 + ǫ (positivo), para ǫ ∈ {0.1, 1, −1, 8} usando una
apróximación de primer orden.

Ejercicio:
√
Aproxime el valor de 4 + ǫ (positivo), para ǫ ∈ {0.1, 1, −1, 8} usando una
apróximación de primer orden.
Valores reales (para evaluar que tan buena fue la aproximación):
√
◮ 4 + 0.1 = 2.02484567..
√
◮ 4 + 1 = 2.23606797..
√
◮ 4 − 1 = 1.73205080..
√
◮ 4 + 8 = 3.46410161..

Serie de Taylor
¿Y si en vez de usar un polinomio de 1er orden para aproximar usamos uno

de 2do orden?

Serie de Taylor

de 2do orden?
Debemos conocer la tasa de cambio de la pendiente en el punto Q, es decir la segunda
derivada de g(x).

Serie de Taylor

de 2do orden?
derivada de g(x).
Esta idea puede extenderse considerando polinomios de orden superior, pues

la función g(x) puede representarse de forma exacta a través de la serie infinita
1 d2 g(x)

dg(x)
g(x) = g(xQ ) + (x − xQ ) + (x − xQ )2 + · · ·
dx x=xQ 2! dx2 x=xQ
∞
1 dℓ g(x)

X
= (x − xQ )ℓ Esta es la Serie de Taylor!
ℓ=0
ℓ! dxℓ x=xQ

Serie de Taylor

de 2do orden?
derivada de g(x).

1 d2 g(x)

dg(x)
g(x) = g(xQ ) + (x − xQ ) + (x − xQ )2 + · · ·
dx x=xQ 2! dx2 x=xQ
∞
1 dℓ g(x)

X
ℓ=0
ℓ! dxℓ x=xQ
La aproximación de primer orden estudiada anteriormente se puede obtener a

través de la serie de Taylor, ignorando los términos de orden superior (ℓ > 1).

Serie de Taylor

de 2do orden?
derivada de g(x).

1 d2 g(x)

dg(x)
g(x) = g(xQ ) + (x − xQ ) + (x − xQ )2 + · · ·
dx x=xQ 2! dx2 x=xQ
Serie de Taylor

de 2do orden?
derivada de g(x).

1 d2 g(x)

dg(x)
g(x) = g(xQ ) + (x − xQ ) + (x − xQ )2 + · · ·
dx x=xQ 2! dx2 x=xQ
∞
1 dℓ g(x)

X
ℓ=0
ℓ! dxℓ x=xQ
La aproximación de primer orden estudiada anteriormente se puede obtener a

través de la serie de Taylor, ignorando los términos de orden superior (ℓ > 1).

Serie de Taylor
Si la función g depende de múltiples variables, también se puede usar la

correspondiente serie de Taylor, ignorar los términos de orden superior, y ası́
obtener una aproximación de primer orden de g.

Serie de Taylor
Si la función g depende de múltiples variables, también se puede usar la

correspondiente serie de Taylor, ignorar los términos de orden superior, y ası́
obtener una aproximación de primer orden de g.
Caso de 2 variables: Sea g(x1 , x2 ) una función continua e infinitamente difer-
enciable en x1 = x1Q , x2 = x2Q . Entonces la serie de Taylor tiene la forma

∂g(x1 , x2 ) ∂g(x1 , x2 )
g(x1 , x2 ) =g(x1Q , x2Q ) + (x1 − x1 Q
) + (x2 − x2Q )
∂x1 x1 =x1 ∂x2 x1 =x1
Q Q
x2 =x2 x2 =x2
Q Q
1 ∂2 g(x1 , x2 ) 1 ∂g(x1 , x2 )2

2
+ (x1 − x1Q ) + (x2 − x2Q )2
2 ∂x21
x1 =x1 2 ∂x22
x1 =x1
Q Q
x2 =x2 x2 =x2
Q Q
∂g(x1 , x2 )2

+ (x1 − x1Q )(x2 − x2Q )
∂x1 ∂x2 x1 =x1
Q
x2 =x2
Q

Serie de Taylor
Ignorando los términos de orden superior obtenemos L(x1, x2 ), la aproximación

de primer orden de g(x1 , x2 ) en torno al punto x1 = x1Q , x2 = x2Q .

∂g(x1 , x2 ) ∂g(x1 , x2 )
L(x1 , x2 ) =g(x1Q , x2Q ) + (x1 − x1Q ) + (x2 − x2Q )
∂x1 x1 =x1 ∂x2 x1 =x1
Q Q
x2 =x2 x2 =x2Q
Q

Serie de Taylor
Ignorando los términos de orden superior obtenemos L(x1, x2 ), la aproximación

de primer orden de g(x1 , x2 ) en torno al punto x1 = x1Q , x2 = x2Q .

∂g(x1 , x2 ) ∂g(x1 , x2 )
L(x1 , x2 ) =g(x1Q , x2Q ) + (x1 − x1Q ) + (x2 − x2Q )
∂x1 x1 =x1 ∂x2 x1 =x1
Q Q
x2 =x2 x2 =x2Q
Q
Para el caso general se tiene que la aproximación de primer orden L(x1 , . . . xn )

de g(x1 , . . . xn ) en torno al punto x1 = x1Q , . . . xn = xnQ .
n
X
L(x1 , . . . , xn ) = C0 + Ci (xi − xiQ ),
i=1
donde
∂g(x1 , . . . , xn )
C0 = g(x1Q , . . . , xnQ ) y Ci =
∂xi
x1 =x1
Q
..
.
xn =xn
Q

Linealización de sistemas de tiempo continuo
Ilustraremos como usar lo antes visto para obtener un modelo lineal de un

sistema no lineal de tiempo continuo a través de un ejemplo.
Para ello considere el sistema no lineal descrito por

3
d2 y(t)

dy(t) 3 du(t)
+ [0.2 + y(t)] + y(t) = 2 + u(t) (1)
dt2 dt dt



3
d2 y(t)

dy(t) 3 du(t)
+ [0.2 + y(t)] + y(t) = 2 + u(t) (1)
dt2 dt dt
Lo primero es identificar x1 , . . . , xn y g(x1 , . . . , xn ). Definiremos como variables

xi a la entrada, salida, y las correspondientes derivadas.



3
d2 y(t)

dy(t) 3 du(t)
+ [0.2 + y(t)] + y(t) = 2 + u(t) (1)
dt2 dt dt

En este caso definimos
dy(t) d2 y(t) du(t)

x1 , y(t), x2 , , x3 , , x4 , u(t), x5 ,
dt dt2 dt
Note que se omite la dependencia del tiempo t.



3
d2 y(t)

dy(t) 3 du(t)
+ [0.2 + y(t)] + y(t) = 2 + u(t) (1)
dt2 dt dt

En este caso definimos
dy(t) d2 y(t) du(t)

x1 , y(t), x2 , , x3 , , x4 , u(t), x5 ,
dt dt2 dt
Note que se omite la dependencia del tiempo t.

¿Por que cree que se escogieron esas variables?

Ası́, el sistema se puede reescribir como ga (x1 , x2 , x3 ) = gb (x4 , x5 ), con
ga (x1 , x2 , x3 ) , x3 + [0.2 + x1 ] x2 + x31

gb (x4 , x5 ) , [2x5 + x4 ]3

ga (x1 , x2 , x3 ) , x3 + [0.2 + x1 ] x2 + x31

gb (x4 , x5 ) , [2x5 + x4 ]3
Note que podemos definir g(x1 , x2 , x3 , x4 , x5 ) , ga (x1 , x2 , x3 ) − gb (x4 , x5 ) = 0

ga (x1 , x2 , x3 ) , x3 + [0.2 + x1 ] x2 + x31

gb (x4 , x5 ) , [2x5 + x4 ]3
Ahora debemos escoger el punto Q. Este puede ser cualquier punto que
satisfaga ga (x1 , x2 , x3 ) = gb (x4 , x5 ) (considerando las restricciones propias de
las señales). A este punto le denominaremos punto de operación.

ga (x1 , x2 , x3 ) , x3 + [0.2 + x1 ] x2 + x31

gb (x4 , x5 ) , [2x5 + x4 ]3
Ahora debemos escoger el punto Q. Este puede ser cualquier punto que
satisfaga ga (x1 , x2 , x3 ) = gb (x4 , x5 ) (considerando las restricciones propias de
las señales). A este punto le denominaremos punto de operación.
Al aproximar el sistema usando lo visto anteriormente tenemos que

h i h i
ga (x1Q , x2Q , x3Q ) + 3x21Q + x2Q (x1 − x1Q ) + 0.2 + x1Q (x2 − x2Q ) + (x3 − x3Q )
h i2 h i2
= gb (x4Q , x5Q ) + 3 2x5Q + x4Q (x4 − x4Q ) + 6 2x5Q + x4Q (x5 − x5Q )

Note que ga (x1Q , x2Q , x3Q ) = gb (x4Q , x5Q ), por lo tanto el sistema aproximado
viene dado por
C1 (x1 − x1Q ) + C2 (x2 − x2Q ) + C3 (x3 − x3Q ) = C4 (x4 − x4Q ) + C5 (x5 − x5Q )

viene dado por
¿El sistema aproximado es lineal?

viene dado por
Es posible escoger un punto de operación tal que las derivadas involucradas

sean cero. Los puntos de operación que cumplan dicha condición son llamados
puntos de equilibrio, pues significa que las variables del sistema cuando se
encuentra operando en dicho punto no varı́an.

viene dado por
Es posible escoger un punto de operación tal que las derivadas involucradas

sean cero. Los puntos de operación que cumplan dicha condición son llamados
puntos de equilibrio, pues significa que las variables del sistema cuando se
encuentra operando en dicho punto no varı́an.
Ası́, si escogemos Q como un punto de equilibrio, tenemos que x2Q = x3Q =
x5Q = 0, lo que conduce a x1Q = x4Q .
C1 (x1 − x1Q ) + C2 x2 + C3 x3 = C4 (x4 − x4Q ) + C5 x5

Definiendo ∆y(t) = y(t) − x1Q y ∆u(t) = u(t) − x4Q tenemos que
d∆y(t) d2 ∆y(t)
∆y(t) = x1 − x1Q = x2 = x3
dt dt2
d∆u(t)
∆u(t) = x4 − x4Q = x5
dt

d∆y(t) d2 ∆y(t)
∆y(t) = x1 − x1Q = x2 = x3
dt dt2
d∆u(t)
∆u(t) = x4 − x4Q = x5
dt
Finalmente el modelo linealizado es

d∆y(t) d2 ∆y(t) d∆u(t)
C1 ∆y(t) + C2 + C3 = C4 ∆u(t) + C5
dt dt2 dt

d∆y(t) d2 ∆y(t)
∆y(t) = x1 − x1Q = x2 = x3
dt dt2
d∆u(t)
∆u(t) = x4 − x4Q = x5
dt
Finalmente el modelo linealizado es

d∆y(t) d2 ∆y(t) d∆u(t)
C1 ∆y(t) + C2 + C3 = C4 ∆u(t) + C5
dt dt2 dt
Es importante notar que el sistema lineal obtenido describe las variaciones del
estado del sistema respecto del punto de equilibrio, y no en términos absolutos.

Linealización de sistemas de tiempo discreto
Usaremos la misma función no lineal del ejemplo de tiempo continuo pero con
argumentos de tiempo discreto para que quede en evidencia las principales
diferencias
Sea el sistema no lineal de tiempo discreto dado por
y(k − 2) + [0.2 + y(k)] y(k − 1) + y(k)3 = [2u(k − 1) + u(k)]3 (2)

diferencias
y(k − 2) + [0.2 + y(k)] y(k − 1) + y(k)3 = [2u(k − 1) + u(k)]3 (2)
Para sistemas de tiempo discreto, se deben definir las variables xi como la

entrada u(k), la salida y(k), y las mismas señales retardadas (es decir, y(k −
1), y(k − 2), u(k − 1)).

diferencias
y(k − 2) + [0.2 + y(k)] y(k − 1) + y(k)3 = [2u(k − 1) + u(k)]3 (2)

1), y(k − 2), u(k − 1)).
Por lo tanto
x1 , y(k), x2 , y(k − 1), x3 , y(k − 2), x4 , u(k), x5 , u(k − 1)

diferencias
y(k − 2) + [0.2 + y(k)] y(k − 1) + y(k)3 = [2u(k − 1) + u(k)]3 (2)

1), y(k − 2), u(k − 1)).
Por lo tanto
x1 , y(k), x2 , y(k − 1), x3 , y(k − 2), x4 , u(k), x5 , u(k − 1)
¿De aquı́ en adelante, como cree que cambia el procedimiento respecto del
caso continuo?

Dado un punto de operación, la aproximación de primer orden es exactamente

igual al caso anterior pues es la misma función no lineal.


Luego tenemos que ga (x1 , x2 , x3 ) = gb (x4 , x5 ), con
ga (x1 , x2 , x3 ) , x3 + [0.2 + x1 ] x2 + x31

gb (x4 , x5 ) , [2x5 + x4 ]3


Luego tenemos que ga (x1 , x2 , x3 ) = gb (x4 , x5 ), con
ga (x1 , x2 , x3 ) , x3 + [0.2 + x1 ] x2 + x31

gb (x4 , x5 ) , [2x5 + x4 ]3
Lo que conduce a la aproximación

h i h i
ga (x1Q , x2Q , x3Q ) + 3x21Q + x2Q (x1 − x1Q ) + 0.2 + x1Q (x2 − x2Q ) + (x3 − x3Q )
h i2 h i2
= gb (x4Q , x5Q ) + 3 2x5Q + x4Q (x4 − x4Q ) + 6 2x5Q + x4Q (x5 − x5Q )
Y por lo tanto

Si bien el punto de equilibrio en un sistema de tiempo discreto es conceptual-

mente lo mismo que para tiempo continuo, la forma de calcularlo cambia.


¿Cómo cree usted que se calcula?


Para calcularlo se debe considerar que y(k) = y(k−1) = y(k−2) y u(k) = u(k−1).


En este ejemplo se tiene que x1Q = x2Q = x3Q y x4Q = x5Q


Definiendo ∆y(k) = y(k) − x1Q y ∆u(k) = u(k) − x4Q tenemos que
∆y(k) = x1 − x1Q ∆y(k − 1) = x2 − x2Q ∆y(k − 2) = x3 − x3Q

∆u(k) = x4 − x4Q ∆u(k) = x5 − x5Q


Definiendo ∆y(k) = y(k) − x1Q y ∆u(k) = u(k) − x4Q tenemos que
∆y(k) = x1 − x1Q ∆y(k − 1) = x2 − x2Q ∆y(k − 2) = x3 − x3Q

∆u(k) = x4 − x4Q ∆u(k) = x5 − x5Q
Finalmente el sistema linealizado es
C1 ∆y(k) + C2 ∆y(k − 1) + C3 ∆y(k − 2) = C4 ∆u(k) + C5 ∆u(k − 1)

Modelos
Sistemas Lineales
Linealización
Tipos de señales

Señales
Nosotros representaremos las señales a tráves de funciones del tiempo (con-

tinuo o discreto), y que pueden clasificarse de distintas formas.
A continuación analizaremos algunos tipos de señales frecuentemente encon-

trados en el estudio de sistemas lineales.

Modelos
Sistemas Lineales
Linealización
Tipos de señales

Señales de Tiempo Continuo y Tiempo Discreto
◮ Las señales de tiempo continuo son funciones del tiempo t, tal que t ∈ R.
◮ Las señales de tiempo discreto son funciones del tiempo k, tal que k ∈ Z.
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
Note que k no representa una medida absoluta de tiempo, si no más bien un indice
asociado a una unidad de tiempo arbitraria ∆ sobre la cual está definida la señal discreta.

0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
0.5
−0.5
−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
Note que k no representa una medida absoluta de tiempo, si no más bien un indice
asociado a una unidad de tiempo arbitraria ∆ sobre la cual está definida la señal discreta.
Si deseamos definir la señal de tiempo discreto en base a una medida temporal absoluta,
debemos considerar ∆k en vez de solamente k.

Señales Causales, No Causales y Anticausales
◮ Una señal f (t) se dice causal si y solo si f (t) = 0, ∀t < 0, de lo contrario se

dice que f (t) es no-causal.


◮ Una señal f (t) no causal se dice anti-causal si y solo si f (t) = 0, ∀t > 0


◮ Una señal f (t) no causal se dice anti-causal si y solo si f (t) = 0, ∀t > 0
◮ Las mismas definiciones aplican para señales de tiempo discreto (solo

reemplace t por k).

Señales Periódicas y Aperiódicas
◮ Una señal f (t) se dice periódica si existe T tal que
f (t) = f (t + nT), ∀t ∈ R, n ∈ Z

f (t) = f (t + nT), ∀t ∈ R, n ∈ Z
◮ Una señal f (k) se dice periódica si existe N tal que
f (k) = f (k + nN), ∀k, n ∈ Z

f (t) = f (t + nT), ∀t ∈ R, n ∈ Z
f (k) = f (k + nN), ∀k, n ∈ Z
◮ Si una señal no es periódica, diremos que es una señal aperiódica.

f (t) = f (t + nT), ∀t ∈ R, n ∈ Z
f (k) = f (k + nN), ∀k, n ∈ Z
◮ Si una señal no es periódica, diremos que es una señal aperiódica.
◮ Consideraremos que para señales causales, la definición anterior es

válida para t, k > 0.

Señales de energı́a finita e infinita
◮ Dada una se
R∞ñal de tiempo continuo f (t), definimos p(t) = f (t)2 como su
potencia y −∞ f (t)2 dt como la energı́a total asociada a la señal.

◮ Dada una se
◮ Dada una se
Pñal de tiempo discreto f (k), definimos p(k) = f (k)2 como su
2
potencia y ∞k=−∞ f (k) como la energı́a total asociada a la señal.

◮ Dada una se
◮ Dada una se
Pñal de tiempo discreto f (k), definimos p(k) = f (k)2 como su
2
potencia y ∞k=−∞ f (k) como la energı́a total asociada a la señal.
◮ Podemos entonces clasificar las señales en aquellas de energı́a finita y

aquellas de energı́a infinita.
◮ Note que si una seña es acotada no garantiza que energı́a se finita.

Algunas Operaciones con Señales
◮ Desplazamiento en el tiempo: f (t − a), f (k − a).

◮ Inversión Temporal: f (−t), f (−k) .

◮ Escalamiento en el tiempo: f (αt), f (αk).

◮ Sean las señales f1 (t) y f2 (t). La convolución entre dichas señales viene
dada por Z ∞
f1 (t) ∗ f2 (t) = f1 (τ)f2 (t − τ)dτ
−∞

◮ Sean las señales f1 (t) y f2 (t). La convolución entre dichas señales viene
dada por Z ∞
f1 (t) ∗ f2 (t) = f1 (τ)f2 (t − τ)dτ
−∞
◮ Sean las señales f1 (k) y f2 (k). La convolución entre dichas señales viene
dada por
∞
X
f1 (k) ∗ f2 (k) = f1 (n)f2 (k − n)
n=−∞

Modelos
Sistemas Lineales
Linealización
Tipos de señales

Escalón Unitario (Función de Heaviside)
◮ Tiempo Continuo:

1, para ∀t > t0
µ(t − t0 ) =
0, para ∀t < t0


1, para ∀t > t0
µ(t − t0 ) =
0, para ∀t < t0
◮ Tiempo Discreto:

1, para ∀k > k0
µ(k − k0 ) =
0, para ∀k < k0


1, para ∀t > t0
µ(t − t0 ) =
0, para ∀t < t0

1, para ∀k > k0
µ(k − k0 ) =
0, para ∀k < k0
Note que dadas las señales posiblemente no causales f (t) y f (k), se tiene que
f (t)µ(t) y f (k)µ(k) son causales.

Impulso Unitario
◮ Tiempo Continuo: Delta de Dirac
Z∞
∞, para ∀t = t0
δ(t − t0 ) = tal que δ(t − t0 )dt = 1
0, para ∀t , t0 −∞

Impulso Unitario
Z∞
∞, para ∀t = t0
δ(t − t0 ) = tal que δ(t − t0 )dt = 1
0, para ∀t , t0 −∞
◮ Tiempo Discreto: Delta de Kronecker

1, para ∀k = k0
δ(k − k0 ) =
0, para ∀k , k0

Impulso Unitario
Z∞
∞, para ∀t = t0
δ(t − t0 ) = tal que δ(t − t0 )dt = 1
0, para ∀t , t0 −∞
◮ Tiempo Discreto: Delta de Kronecker

1, para ∀k = k0
δ(k − k0 ) =
0, para ∀k , k0
Es importante notar que las señales f (t) y f (k) se pueden escribir como
Z∞ ∞
X
f (t) = f (τ)δ(t − τ)dτ y f (k) = f (i)δ(k − i)
−∞ i=−∞

Rampa Unitaria

t − t0 , ∀t > t0
r(t − t0 ) =
0, ∀t < t0

Rampa Unitaria

t − t0 , ∀t > t0
r(t − t0 ) =
0, ∀t < t0

k − k0 , ∀k > k0
r(k − k0 ) =
0, ∀k < k0

Exponencial

σ > 0,
 creciente
σt
f (t) = e , y es tal que σ < 0, decreciente


σ = 0, constante

Exponencial

σ > 0,
 creciente
σt
f (t) = e , y es tal que σ < 0, decreciente


σ = 0, constante
Se define la constante de tiempo τ como τ = 1/ |σ|, y determina la

velocidad de convergencia (o divergencia) de la señal.

Exponencial


λ > 1, creciente positiva




0 < λ < 1, decreciente positiva

λ = 1, constante (+1)
f (k) = λk , y es tal que


λ < −1, creciente signo alternado



−1 < λ < 0, decreciente signo alternado


λ = −1, +1 o −1 alternadamente

Sinusoidales
f (t) = A sin(ωt + β)
¡Es periódica!

Sinusoidales
¡Es periódica!
El periodo T y la frecuencia f [Hz] asociada a f (t) están dados por
1 2π
T= =
f ω

Sinusoidales
¡Es periódica!
El periodo T y la frecuencia f [Hz] asociada a f (t) están dados por
1 2π
T= =
f ω
Representación equivalente usando la forma de Euler:

ej(ωt+β) − e−j(ωt+β)
f (t) = A sin(ωt + β) = A
2j

Sinusoidales
f (k) = A sin(θk + β),

Sinusoidales
¿es periódica?

Sinusoidales
¿es periódica?
La sinusoide de tiempo discreto es periódica, de periodo N, sı́ y solo si

existen números naturales p y N tales que θ = 2πp/N.

Sinusoidales
¿es periódica?
La sinusoide de tiempo discreto es periódica, de periodo N, sı́ y solo si

existen números naturales p y N tales que θ = 2πp/N.

ej(θk+β) − e−j(θk+β)
f (k) = A sin(θk + β) = A
2j

Sinusoidales con amplitud exponencial
f (t) = Aeσt sin(ωt + β),
Si σ < 0 diremos que es una señal sinusoidal amortiguada

exponencialmente.

f (t) = Aeσt sin(ωt + β),
Si σ < 0 diremos que es una señal sinusoidal amortiguada

exponencialmente.

e(σ+jω)t+jβ) − e(σ−jω)t−jβ)
f (t) = Aeσt sin(ωt + β) = A
2j

f (k) = Aλk sin(θk + β),
Si |λ| < 1 diremos que es una señal sinusoidal amortiguada

exponencialmente.

Relación entre rampas, escalones e impulsos
Es importante notar que
dµ(t − t0 )
δ(t − t0 ) = , δ(k − k0 ) = µ(k − k0 ) − µ(k − k0 − 1)
dt

dµ(t − t0 )
δ(t − t0 ) = , δ(k − k0 ) = µ(k − k0 ) − µ(k − k0 − 1)
dt
dr(t − t0 )
µ(t − t0 ) = , µ(k − k0 ) = r(k − k0 + 1) − r(k − k0 )
dt

dµ(t − t0 )
δ(t − t0 ) = , δ(k − k0 ) = µ(k − k0 ) − µ(k − k0 − 1)
dt
dr(t − t0 )
µ(t − t0 ) = , µ(k − k0 ) = r(k − k0 + 1) − r(k − k0 )
dt
O equivalentemente
Zt ∞
X
u(t − t0 ) = δ(τ − t0 )dτ u(k − k0 ) = δ(k − i)
−∞ i=k0

dµ(t − t0 )
δ(t − t0 ) = , δ(k − k0 ) = µ(k − k0 ) − µ(k − k0 − 1)
dt
dr(t − t0 )
µ(t − t0 ) = , µ(k − k0 ) = r(k − k0 + 1) − r(k − k0 )
dt
O equivalentemente
Zt ∞
X
u(t − t0 ) = δ(τ − t0 )dτ u(k − k0 ) = δ(k − i)
−∞ i=k0
Zt ∞
X
r(t − t0 ) = µ(τ − t0 )dτ r(k − k0 ) = µ(k − i)
−∞ i=k0 +1

Construcción de Señales
Muchas señales se puede escribir en términos de la sseñales básicas vistas en

esta clase.
Ejercicio:
◮ Señal Pulso
◮ Señal Triangular
◮ Señal tipo Diente de Sierra.

Unidad 1: Sistemas y Señales

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

Unidad 1: Sistemas y Señales

Hochgeladen von

Copyright:

Verfügbare Formate

Análisis de Sistemas Lineales

Unidad 1: Sistemas y Señales

Francisco J. Vargas 1 / 164

En esta unidad se definen y describen las caracterı́sticas básicas de los sistemas

Se hará una distinción entre sistemas y señales de tiempo continuo y tiempo

Francisco J. Vargas 2 / 164

Francisco J. Vargas 3 / 164

Un sistema es un ente organizado, resultante de la interconexión de elementos

Francisco J. Vargas 4 / 164

Un sistema es un ente organizado, resultante de la interconexión de elementos

Francisco J. Vargas 5 / 164

◮ Modelo Fenomenológico: Conjunto de Ecuaciones que describen, con una

Francisco J. Vargas 6 / 164

◮ Modelo Fenomenológico: Conjunto de Ecuaciones que describen, con una

Francisco J. Vargas 7 / 164

◮ Modelo Fenomenológico: Conjunto de Ecuaciones que describen, con una

Francisco J. Vargas 8 / 164

◮ Modelo Fenomenológico: Conjunto de Ecuaciones que describen, con una

Francisco J. Vargas 9 / 164

◮ Modelo Fenomenológico: Conjunto de Ecuaciones que describen, con una

Francisco J. Vargas 10 / 164

◮ Modelo Fenomenológico: Conjunto de Ecuaciones que describen, con una

Usualmente se representará un sistema a través de un bloque que es sometido a ciertas

Francisco J. Vargas 11 / 164

Francisco J. Vargas 12 / 164

Francisco J. Vargas 13 / 164

Francisco J. Vargas 14 / 164

Francisco J. Vargas 15 / 164

Francisco J. Vargas 16 / 164

Francisco J. Vargas 17 / 164

Francisco J. Vargas 18 / 164

Usualmente la respuesta de un sistema (salida) corresponde a una variable del

Francisco J. Vargas 19 / 164

Usualmente la respuesta de un sistema (salida) corresponde a una variable del

En este curso no nos detendremos en analizar sensores, actuadores, ni sus

Francisco J. Vargas 20 / 164

Francisco J. Vargas 21 / 164

Sistema multivariable (MIMO). Para este curso supondremos un sistema de

Francisco J. Vargas 22 / 164

Matemáticamente, podemos definir el sistema a través de un operador Th·, ·i

y(t) = Thx(t0 ), u(t)i

Es importante indicar que Th·, ·i es un operador que puede variar en el tiempo.

Francisco J. Vargas 23 / 164

Francisco J. Vargas 24 / 164

Francisco J. Vargas 25 / 164

También podemos definir un operador Th·, ·i tal que ∀k > x(k0 )

y(k) = Thx(k0 ), u(k)i

Nota: Sin pérdida de generalidad usaremos k ∈ Z

Francisco J. Vargas 26 / 164

Si en el k−ésimo mes (k = k0 , k0 +1, ...) se hace un depósito igual a e(k), entonces

Francisco J. Vargas 27 / 164

Si en el k−ésimo mes (k = k0 , k0 +1, ...) se hace un depósito igual a e(k), entonces

Esto se puede simular en Matlab

Francisco J. Vargas 28 / 164

Francisco J. Vargas 29 / 164

Francisco J. Vargas 30 / 164

Los modelos son representaciones aproximadas de sistemas reales,en donde se

Francisco J. Vargas 31 / 164

Los modelos son representaciones aproximadas de sistemas reales,en donde se

El objetivo de tener un modelo es poder analizar y predecir el comportamiento

Francisco J. Vargas 32 / 164

Los modelos son representaciones aproximadas de sistemas reales,en donde se

El objetivo de tener un modelo es poder analizar y predecir el comportamiento

Estos modelos pueden ser un conjunto de ecuaciones que describan al sistema