VALORES PROPIOS (AUTOVALORES)

Y
VECTORES PROPIOS (AUTOVECTORES)
 Autovalores y Autovectores
Los vectores propios o autovectores de una matriz A son todos
los vectores xi0, a los que la transformación A convierte en
colineales o múltiplos de si mismo, esto es,
Las constantes li son los
Axi i xi , xi 0 valores propios o autovalores
de la matriz A.
 Autovalores y Autovectores
Para encontrar los autovectores la anterior se escribe como:

iI A xi 0 , xi 0

1 adj ( i I A)
xi iI A 0 0 0
iI A
Como los autovectores son distintos de cero, existe solución si:

iI A det( i I A) 0
Con esta ecuación se encuentran los autovalores li, y con la
primera ecuación se obtienen los autovectores.

Axi i xi xi
 3 1
Ejemplo: A
1 3

0 3 1 3 1
det( I A)
0 1 3 1 3
( 3)2 1 2
6 8
los autovalores son l=-2 y l=-4.
Reemplazando l=-2 en Ax=lx
3 1 x1 x1 3x1 x2 2x1 1
2 x1 x2 x1
1 3 x2 x2 x1 3x 2 2x 2 1

Reemplazando l=-4 en Ax=lx

3 1 x1 x1 3x1 x2 4x1 1
4 x1 x2 x2
1 3 x2 x2 x1 3x 2 4x 2 1
Con Matlab
Devuelve la matriz diagonal D con
[V,D]=eig(A) los autovalores y la matriz V cuyas
columnas son los autovectores.

2 1 1 -4 0
V D
2 -1 1 0 -2

e=eig(A) Devuelve un vector e con los autovalores.

-4
e
-2

P=poly(e) Devuelve el polinomio característico P.

P 1 6 8
 Polos, Autovalores y Estabilidad
Un sistema continuo LTI homogéneo (u(t)=0) es marginalmente
estable si tiene uno o más polos distintos en el eje imaginario
(jw), y todos los polos restantes tienen parte real negativa.
 Polos y Autovalores
Vimos anteriormente que la función de transferencia G(s)
de un modelo expresado en el espacio de estados es:

Y (s ) adj[sI A ]
G (s ) C (sI A) 1 B D C B D
U (s ) sI A
C adj[sI A]B sI A D
sI A

y que el denominador de la Función de transferencia

|sI-A|=0 es el polinomio característico del sistema.

P (s ) sI A det[sI A] 0
 Polos, Autovalores y Estabilidad
Luego, las raíces si = li del polinomio característico
son los autovalores de la matriz A, pero también
sabemos que las raíces del polinomio característico
son los polos de la función de transferencia.

Autovalores de A Polos de G(s )

 Observaciones del Algebra Lineal
 Una matriz A de nxn es definida negativa cuando para
todo vector x se verifica:
xT Ax 0
Si la desigualdad no es estricta ( xT Ax 0) la matriz A es
semidefinida negativa.
Obviamente la definición no es operativa porque no
podemos probar con infinitos vectores si cumple la
desigualdad. Existen varias maneras de verificar si una
matriz es semidefinida negativa, la más útil para el curso
es la que está relacionada con los autovalores:

Una matriz A es definida negativa si la parte real

de sus autovalores son negativas.
 Observaciones del Algebra Lineal
 Todo lo anterior vale para matrices definidas y
semidefinidas positivas:
xT Ax 0 ó xT Ax 0
Una matriz A es definida positiva si la parte real de sus
autovalores son positivas.
 Para que una matriz sea semidefinida (positiva o negativa)
alguno de sus autovalores es nulo.
Símbolos de las matrices definidas
A 0 Matriz definida positiva
A 0 Matriz semidefinida positiva
A 0 Matriz definida negativa
A 0 Matriz semidefinida negativa
 Polos, Autovalores y Estabilidad
Vimos que:

Autovalores de A Polos de G(s )

Un sistema expresado en variables de estado es

ESTABLE si la parte real de los autovalores
de A son negativas o lo que es equivalente si
A es definida negativa (A<0).
 Si A0 el sistema es marginalmente estable (uno o más
polos distintos en el eje jw).
TRANSFORMACIONES DE SEMEJANZA
Base de un espacio lineal (o espacio vectorial)
Significado Geométrico de las Transformaciones de Semejanza
Una Transformación de Similitud representa un cambio de
coordenadas sin traslación (cambio de base del espacio
vectorial).
x1 z1
x x1U x x 2U x z z1U z z 2U z
1 2 x2 1 2 z2
Significado Geométrico de las Transformaciones de Semejanza

x1 z1
x x1U x x 2U x z z1U z z 2U z
1 2 x2 1 2 z2

Uz t11 U x t21 U x
1 1 2
Uz t12 U x t22 U x
2 1 2

x z z1U z z 2U z z1(t11 U x t21U x ) z 2(t12 U x t22 U x )

1 2 1 2 1 2
(z1t11 z 2t12 )U x (z1t21 z 2t22 )U x
1 2

t11 t12 z1 1
x Tz z T x
t21 t22 z 2
con T Ux Ux
1 2
 Transformaciones de Semejanza

Como ya se ha señalado, la elección de variables de

estado o realización para un sistema LTI dado no
es única. Concretamente podemos tener un sistema
con entrada u(t), salida y(t) y dos elecciones o
realizaciones diferentes para el vector de estado:
x(t) y z(t)n, con sus matrices asociadas {A,B,C,D}
y {Az,Bz,Cz,Dz} respectivamente. Ambos modelos se
dicen similares o equivalentes y están relacionados
entre ellos por una transformación de semejanza o
similitud.
 Propiedades Invariantes de las
Transformaciones de Semejanza

Una de las propiedades importantes de las transformaciones

de semejanza es que:
● La ecuación característica (polinomio característico).

● Los valores característicos (autovalores).

● Los vectores característicos (autovectores).

● Las funciones de transferencia

Son Invariantes (no cambian, siguen siendo los mismos).

 Transformaciones de Semejanza
Teorema: Supongamos un sistema cuyo vector de estado es
x(t)n con matrices {A,B,C,D}. Si queremos pasar a otra
realización o representación de estado equivalente con vector
de estado z(t)n con matrices {Az,Bz,Cz,Dz}. Entonces se
debe elegir una matriz de transformación T nxn no singular
(invertible) que define la relación entre los vectores de
estado x(t) y z(t) :

x(t ) Tz(t ) , z(t ) T 1x(t )

Entonces, el modelo de estado para la nueva realización queda
determinado por las matrices:

Az T 1AT , Bz T 1B , C z CT , Dz D

La transformación T es una transformación de semejanza.

 Transformación de semejanza de las ecuaciones de estado

x (t ) Ax (t ) Bu(t ) Tz (t ) ATz (t ) Bu(t )

y(t ) Cx (t ) Du(t ) y(t ) CTz (t ) Du(t )

z (t ) T 1AT z (t ) T 1B u(t )
Función de transferencia para Az Bz
La primera realización y(t ) CT z (t ) D u(t )
Cz Dz
Y (s ) 1
G (s ) C (sI A) B D
U (s )
Función de transferencia para la segunda
realización
Y (s )
G (s ) CT (sI T 1AT ) 1T 1B D
U (s )

VEREMOS QUE LAS DOS FUNCIONES DE TRANSFERENCIA SON IGUALES

 Transformación de las ecuaciones de estado
Operamos sobre la segunda realización aplicando la propiedad
de la inversa del producto de matrices
1 1 1
(MN ) N M
Y (s )
G (s ) CT (sI T 1AT ) 1T 1B D
U (s )
1
G (s ) CT (sI T AT ) 1T 1
B D
1
1
T (sI T AT )
1
1 1
C T (sI T AT )T B D
1

1 1 1 1
C TsIT TT ATT B D C sI A B D
sTT 1 I I
sI

La función de transferencia es la misma.

 Transformación de las ecuaciones de estado
Luego para un sistema LTI existe una función de
transferencia e infinitas realizaciones o modelos de estado.

1 1 1 1
G(s ) CT (sI T AT ) T B D C sI A B D

Recordemos que los autovalores de la matriz A en cada

realización coincide con los polos del sistema. Como la función
de transferencia es única esto significa que:

LOS AUTOVALORES NO CAMBIAN EN LAS

DISTINTAS REALIZACIONES.

Lógico, todas las realizaciones equivalentes son estables o

inestables, no algunas si y otras no.
 FORMAS CANÓNICAS
DE LOS MODELOS EN EL
ESPACIO DE ESTADO
 Transformaciones de Semejanza
Recordemos que los polos de G(s) son las raíces del polinomio
denominador.
Y (s ) NG (s ) C adj[sI A]B
G (s )
U (s ) DG (s ) sI A

Para un modelo en el espacio de estados los ceros son las

raíces de:
DG (s ) sI A
El denominador de la Función de transferencia igualado a cero
|sI-A| = 0 es el polinomio característico del sistema.

Pc (s ) sI A 0
 Formas Canónicas de los Modelos de Estado
Como existen infinitas matrices de transformación no
singulares Tnxn existen infinitas realizaciones del sistema
LTI. Algunas de las realizaciones tienen significado físico,
otras por su estructura simple se las denomina formas
canónicas, otras por su estructura particular tienen nombre.
Todas son realizaciones mínimas.
Las realizaciones con nombre más conocidas son:

 Formas Canónicas Companion

 Forma Canónica de Modal o de Jordan
 Forma Canónica Diagonal (caso particular de la de Jordan)
 Realizaciones balanceadas
 Formas Canónicas Companion
En general, el cálculo del polinomio característico de una
matriz requiere la expansión de |sI-A| = 0. Sin embargo, para
ciertas matrices el polinomio característico es evidente. Estas
son las matrices en la forma canónica companion.

Las formas Canónicas Companion son:

 Formas Canónicas Controlables: Hay varias formas
canónicas controlables, FCC1a (variables de fase), FCC1b,
FCC2a, FCC2b.

 Forma Canónica Observable: Hay varias formas canónicas

observables, FCO1a, FCO1b (es la que devuelve el comando
canon(ss,’companion’) de Matlab), FCO2a, FCO2b.
 Formas Canónicas Companion
 Representación en las Variables de Fase (FCC1a)
Este tipo de realización la vimos en la clase anterior, es la más
común. Las variables de estado se asignan de la siguiente
manera:
d n y(t ) d n 1y(t ) dy(t )
an 1 a1 a 0 y(t ) b0u(t )
n n 1 dt
dt dt x1
xn x2

La salida es: x1(t ) y(t )

La forma general de la representación en variables de fase es
para una función de transferencia con ceros es:
 Representación en Variables de Fase (FCC1a)

x1(t ) 0 1 0 0 x1(t ) 0 x1(t0 )

x 2 (t ) 0 0 0 0 x 2 (t ) 0 x 2 (t0 )
u(t ) ,
x n 1(t ) 0 0 0 1 x n 1(t ) 0 x n 1(t0 )
x n (t ) a0 a1 an 2 an 1 x n (t ) 1 x n (t0 )
x (t ) A x (t ) B x (t0 ) x 0

x1(t )
x 2 (t )
y(t ) b0 b1 bn 2 bn 1
C x n 1(t )
x n (t )
x (t )
 x1(t ) 0 1 0 x1(t ) 0
x 2 (t ) 0 0 1 x 2 (t ) 0 u(t )
b2s 2 b1s b0
x 3 (t ) a0 a1 a2 x 3 (t ) 1
Y (s ) U (s )
3 2
s a2s a1s a0
x1(t )
y(t ) b0 b1 b2 x 2 (t )
x 3 (t )
 Las cuatro formas Companion (FCC1, FCC2, FCO1, FCO2)

En general, el cálculo del polinomio característico de una matriz requiere

la expansión de |lI-A|. Sin embargo, para ciertas matrices el polinomio
caracter´ıstico es evidente. Estas son las matrices en la forma companion,
Surgen de la Descomposición Directa de las funciones de transferencia
cuyos polinomios no estén factorizados (deben estar en el formato tf, no
en el formato zpk).

b3s 3 b2s 2 b1s b0

G (s )
s3 a2s 2 a1s a0
(La hemos visto como variables de fase)
Forma Canónica Controlable 1 (FCC1 o variables de fase)
Este tipo de realización es la que vimos anteriormente como
variables de fase. Se utiliza para el caso de una entrada (lo
normal en este curso).
Forma Canónica Controlable 2 (FCC2)

b3s 3 b2s 2 b1s b0

G (s )
s3 a2s 2 a1s a0

a2 a1 a0 1
Acc 2 1 0 0 , Bcc 2 0
0 1 0 0

C cc 2 b2 a2b3 b1 a1b3 b0 a 0b3 , Dcc 2 b3

Forma Canónica Observable 1 (FCO1)
Forma Canónica Observable 2 (FCO2)

b3s 3 b2s 2 b1s b0

G (s )
s3 a2s 2 a1s a0

a2 1 0 b2 a2b3
Aco 2 a1 0 1 , Bco 2 b1 a1b3
a0 0 0 b0 a 0b3

C co 2 1 0 0 , Dco 2 b3
 Forma Canónica Modal o de Jordan
Este tipo de realización trata de diagonalizar la matriz A lo
más posible (en bloques). Si se puede diagonalizar la matriz A
todas las variables de estado están desacopladas. Existen
tres casos:

a) Todos los autovalores son reales y distintos (este es el

único caso en que la matriz A puede diagonalizarse).

b) Existen autovalores complejos conjugados.

c) Existen autovalores reales y múltiples (repetidos).

a) Todos los autovalores son reales y distintos
 Forma Canónica Diagonal Este tipo de realización solo es
posible cuando todos los
autovalores son reales y
distintos ya que de lo contrario
no es posible diagonalizar una
matriz.
b) Autovalores complejos conjugados

1, 2 , 3,4 1 j 1, 5,6 2 j 2
c) Autovalores reales y múltiples (repetidos).
c) Autovalores reales y múltiples (repetidos).
 Forma Canónica Modal o de Jordan con Matlab
1) El comando canon de Matlab con la opción modal
devuelve la forma canónica de Jordan.
Ejemplo
G=zpk([],[-1+2i -1-2i -2 -2 -2 -3 -4],480);
sys = canon(G,'modal')

-2 2 0 0 0 0 0 14.21
0 -2 2 0 0 0 0 -7.04
0 0 -2 0 0 0 0 3.2
A 0 0 0 -1 2 0 0 B -1.307
0 0 0 -2 -1 0 0 0.2614
0 0 0 0 0 -3 0 19.18
0 0 0 0 0 0 -4 5.864

C 3.75 0 0 -1.554 0.2825 -3.128 0.787

 Forma Canónica Modal o de Jordan con Matlab
2) El comando jordan del symbolic toolbox de
Matlab devuelve la forma canónica de Jordan.
Jordan puede computar numéricamente, pero se debe
computar en simbólico. Numéricamente es un
algoritmo terriblemente mal condicionado.

% jordan Jordan Canonical Form.

% jordan(A) computes the Jordan Canonical/Normal Form of
% the matrix A.
% The matrix must be known exactly, so its elements must
% be integers or ratios of small integers. Any errors in
% the input matrix may completely change its JCF.
 Formas Canónicas de los Modelos de Estado

 Realizaciones Balanceadas

Las veremos mas adelante.