AutomaticaII Apuntes Parcial1

APUNTES DE
AUTOMATICA II
(Primer parcial)
Jose Manuel Daz

Joaqun Aranda
Jess Manuel de la Cruz
Departamento de Informtica y Automtica

E.T.S.I. Informtica
U.N.E.D
Apuntes de Automtica II (Primer parcial).

Segunda edicin: septiembre 2008.
ISBN: 84-690-0484-0
Copyright 2008 Jose Manuel Daz, Joaqun Aranda y Jess Manuel de la Cruz
Todos los derechos reservados.
Estos apuntes son GRATUITOS y puede ser impresos libremente para fines no comerciales. Sin embargo, la
utilizacin del contenido de estos apuntes en otras publicaciones requiere la autorizacin de los autores.
Departamento de Informtica y Automtica

E.T.S.I Informtica.
Universidad de Educacin a Distancia (UNED).
C/ Juan del Rosal n 16.
Madrid 28040 (Espaa)
INDICE
TEMA 0: HISTORIA DE LA AUTOMTICA

0.1 INTRODUCCION ....................................................................................................... 1
0.2 HISTORIA DE LA AUTOMTICA .............................................................................. 2
0.2.1 La prehistoria de la automtica ......................................................................2
0.2.2 El periodo primitivo de la automtica: El nacimiento de la teoria
matematica de control.....................................................................................4
0.2.3 Periodo clsico de la automtica ....................................................................5
0.2.4 Periodo moderno de la automtica.................................................................7
0.3 REFERENCIAS ....................................................................................................... 11
TEMA 1: MODELOS DE SISTEMAS CONTINUOS

1.1 INTRODUCCIN ..................................................................................................... 15
1.2 REPRESENTACIN EN EL ESPACIO DE ESTADOS DE SISTEMAS
CONTINUOS ............................................................................................................ 17
1.3 TRANSFORMACIN DE VARIABLES DE ESTADO .............................................. 25
1.4 FORMAS CANNICAS ........................................................................................... 28
1.4.1 Forma cannica controlable .........................................................................28
1.4.2 Forma cannica observable .........................................................................30
1.4.3 Forma cannica de Jordan ...........................................................................33
1.5 RESOLUCIN DE LAS ECUACIONES DIFERENCIALES DE ESTADO................ 37
1.6 CONTROLABILIDAD Y OBSERVABILIDAD ........................................................... 47
1.6.1 Controlabilidad del estado ............................................................................47
1.6.2 Observabilidad..............................................................................................50
1.7 DISEO DE SISTEMAS DE CONTROL EN EL ESPACIO DE ESTADOS
MEDIANTE LA UBICACIN DE POLOS ................................................................. 54
1.8 OBSERVADORES DE ESTADO ............................................................................. 61
1.8.1 Observador de estado de orden completo ................................................... 62
1.8.2 Algunos comentarios sobre la seleccin de la mejor K e ............................... 66
1.8.3 Efectos de la adicin del observador en un sistema en lazo cerrado .......... 66
1.8.4 Funcin de transferencia para el controlador-observador ............................ 68
1.8.5 Observador de orden mnimo .......................................................................72
Indice
TEMA 2: MODELOS DE SISTEMAS DISCRETOS

2.1 INTRODUCCIN ..................................................................................................... 79
2.2 MODELADO DE SEALES DISCRETAS ............................................................... 80
2.2.1 Secuencias ...................................................................................................80
2.2.2 La transformada Z de una secuencia ........................................................... 81
2.3 MODELADO DE SISTEMAS DISCRETOS ............................................................. 84
2.3.1 Ecuacin en diferencias ............................................................................... 84
2.3.2 Ecuacin de estado ......................................................................................87
2.3.3 Funcin de transferencia ..............................................................................89
2.3.4 Formas cannicas ........................................................................................90
2.4 RESOLUCIN DE LAS ECUACIONES DE ESTADO ............................................. 91
2.4.1 Sistemas lineales invariantes en el tiempo................................................... 91
2.4.2 Sistemas lineales variantes en el tiempo ..................................................... 93
2.5 RESPUESTA IMPULSIONAL EN TIEMPO DISCRETO .......................................... 95
2.6 DISCRETIZACIN DE LAS ECUACIONES EN EL ESPACIO DE ESTADO EN
TIEMPO CONTINUO................................................................................................ 97
2.7 CONTROLABILIDAD Y OBSERVABILIDAD ......................................................... 100
2.7.1 Controlabilidad............................................................................................100
2.7.2 Observabilidad............................................................................................101
2.8 DISEO DE SISTEMAS DE CONTROL EN EL ESPACIO DE ESTADOS
MEDIANTE LA UBICACIN DE POLOS ............................................................... 102
2.9 OBSERVADORES DE ESTADO ........................................................................... 103
2.9.1 Observador de estado de orden completo ................................................. 104
2.9.2 Observador de estado de orden mnimo .................................................... 105
2.10 ENFOQUE DE ECUACIONES POLINOMIALES PARA EL DISEO DE
SISTEMAS DE CONTROL .................................................................................. 105
2.10.1 La ecuacin Diofntica .............................................................................105
2.10.2 Sistemas de control elementales..............................................................108
2.10.3 Diseo de sistemas de control mediante la igualacin a un modelo ........ 114
TEMA 3: MODELOS DE PERTURBACIONES

3.1 INTRODUCCIN ................................................................................................... 119
3.2 MODELOS CLSICOS DE PERTURBACIONES.................................................. 120
3.2.1 Carcter de las perturbaciones ..................................................................120
3.2.2 Modelos de perturbaciones simples ...........................................................121
3.3 REDUCCION DE LOS EFECTOS DE LAS PERTURBACIONES ......................... 122
3.3.1 Reduccin en la fuente ...............................................................................122
Indice
3.3.2 Reduccin mediante realimentacin local .................................................. 122

3.3.3 Reduccin mediante feedforward ...............................................................123
3.3.4 Reduccin mediante prediccin .................................................................124
3.4 CONCEPTOS BSICOS DE LA TEORA DE PROCESOS ESTOCSTICOS ..... 124
3.4.1 Variables aleatorias ....................................................................................124
3.4.2 Procesos estocsticos ................................................................................129
3.5 MODELOS DE PROCESOS ESTOCSTICOS..................................................... 136
3.5.1 Ruido blanco...............................................................................................136
3.5.2 Procesos ARMA .........................................................................................137
3.5.3 Procesos ARIMA ........................................................................................141
3.5.4 Modelos en el espacio de estados .............................................................143
3.6 FILTRADO DE PROCESOS ESTACIONARIOS ................................................... 152
3.6.1 Formulacin discreta ..................................................................................152
3.6.2 Formulacin continua .................................................................................156
3.7 FACTORIZACIN ESPECTRAL ........................................................................... 157
3.7.1 Formulacin discreta ..................................................................................157
3.7.2 Formulacin continua .................................................................................162
3.7.3 Forma alternativa de calcular la varianza de una seal ............................. 162
TEMA 4: ESTIMACION OPTIMA

4.1 INTRODUCCION ................................................................................................... 165
4.2 EL FILTRO DE KALMAN ....................................................................................... 165
TEMA 5: IDENTIFICACION DE SISTEMAS

5.1 INTRODUCCIN ................................................................................................... 175
5.2 MODELOS MS COMUNES USADOS EN IDENTIFICACIN ............................. 177
5.2.1 Modelos no paramtricos ...........................................................................177
5.2.2 Modelos paramtricos ................................................................................179
5.2.3 Estimacin de modelos no paramtricos.................................................... 181
5.2.4 Estimacin de modelos paramtricos.........................................................185
5.3 DISEO DE EXPERIMENTOS.............................................................................. 198
5.3.1 Seleccin de la seal de entrada ...............................................................198
5.3.2 Eleccin del periodo de muestreo ..............................................................206
5.4 TRATAMIENTO DE LOS DATOS.......................................................................... 209
5.4.1 Filtrado de las seales................................................................................209
5.4.2 Eliminacin de valores medios ................................................................... 212
5.4.3 Deteccin de outliers ..................................................................................214
5.5 ELECCIN DEL TIPO Y LA ESTRUCTURA DEL MODELO................................. 216
5.5.1 Eleccin del tipo de modelo........................................................................216
Indice
5.5.2 Eleccin de la estructura del modelo..........................................................217

5.6 VALIDACIN DEL MODELO ESTIMADO ............................................................. 219
5.6.1 Anlisis de los residuos .............................................................................. 219
5.6.2 Verificacin del comportamiento de entrada-salida .................................... 221
5.6.3 Cancelacin de polos y ceros.....................................................................223
APENDICE A: TABLA DE TRANSFORMADAS Z
225
BIBLIOGRAFIA
227
TEMA 0
HISTORIA DE LA AUTOMTICA
0.1 INTRODUCCIN
La Real Academia de la Lengua define el trmino Automtica de la siguiente forma:
Ciencia que trata de sustituir en un proceso al operador humano por dispositivos mecnicos
o electrnicos.
En esta definicin se hace referencia expresa a dos actividades propias del operador
humano: la tarea fsica y la tarea mental. Normalmente las tareas realizadas por el hombre
son un conjunto de ambas. Se dice que un proceso est automatizado cuando no precisa la
intervencin de un operador humano.
La Automtica1 es una disciplina bsicamente ingenieril, por ello sus avances estn
estrechamente ligados a los problemas prcticos que necesitaban ser resueltos por el
hombre. Los principales eventos a lo largo de la historia de la humanidad que afectaron al
progreso de la Automtica fueron:
1. La preocupacin de los Griegos y de los Arabes por conseguir una medida precisa
del tiempo. Este periodo se extiende desde cerca del 300 a.c. hasta el 1200 de
nuestra era.
2. La Revolucin Industrial en Europa. Se suele decir que la Revolucin Industrial
comenz a finales del siglo dieciocho, sin embargo, sus races pueden ubicarse
mucho antes, alrededor del 1600.
3. El desarrollo de las telecomunicaciones y las Guerras Mundiales. Este periodo
comprende desde 1910 hasta 1945.
En este captulo se usarn de forma sinnima los trminos Automtica, Teora de Control Automtico y Teora
de Control Realimentado.
1
TEMA 0: Historia de la Automtica
4. El comienzo de la era espacial y de la era de las computadoras en 1957.

En algn punto entre la Revolucin Industrial y las Guerras Mundiales, la Teora de
Control Automtico comenz a formularse en trminos matemticos. Fue J. C. Maxwell en
1868 quin realizara el primer anlisis matemtico riguroso de un sistema de control
realimentado. As, este ao se utiliza para dividir la historia de la Automtica en cuatro
periodos fundamentales:
Prehistoria que abarca todos los descubrimientos realizados en esta rea
anteriores al 1868.
Periodo primitivo, que abarca el periodo de tiempo comprendido entre 1868
y comienzos del siglo XX.
Periodo clsico, que abarca el periodo de tiempo comprendido entre
comienzos del siglo XX y 1960.
Periodo moderno, que abarca el periodo de tiempo comprendido entre
1960 y la actualidad.
En las siguientes secciones se describen los principales tendencias y descubrimientos
clave de cada uno de estos periodos.
0.2 HISTORIA DE LA AUTOMTICA

0.2.1 La prehistoria de la automtica
0.2.1.1 Los relojes de agua de los Griegos y de los Arbes
En la antigedad la primera motivacin para la realizacin de un control realimentado

fue la necesidad por determinar de forma precisa el paso del tiempo. As, alrededor del ao
270 a. c. el griego Ktesibios invent un regulador flotante para un reloj de agua. La funcin
de este regulador era mantener a una altura constante el nivel de agua almacenada en un
tanque. Esta altura constante generaba a su vez un flujo constante de agua a travs de una
tubera ubicada en el fondo del tanque, el cual se utilizaba para llenar de agua a un ritmo
constante un segundo tanque. De esta forma se consegua que el nivel de agua en el
segundo tanque dependiera nicamente del tiempo transcurrido.
El regulador de Ktesibios usaba un corcho flotante, a modo de vlvula, para controlar el
flujo de entrada de agua al primer tanque. Cuando el nivel de agua en el primer tanque
Apuntes de Automtica II
disminua el corcho dejaba de taponar la entrada de flujo al tanque, con lo que est se volva
a llenar. El llenado se paraba cuando se alcanzaba una altura adecuada de tal forma que el
corcho volva a taponar el flujo entrante de agua.
Los Griegos usaron los reguladores flotantes y dispositivos similares para: la
implementacin de relojes de agua, la dispensacin automtica de vino, el diseo de sifones
para mantener una diferencia constante de niveles de agua entre dos tanques, la apertura
de las puertas de los templos, etc.
En el periodo comprendido entre el ao 800 y el 1200 diferentes ingenieros rabes
utilizaron reguladores flotantes para relojes de agua y otras aplicaciones. Durante este
periodo, fue utilizado uno de los principios ms importantes de la realimentacin, el control
on/off.
Cuando Bagdad fue tomada por los Mongoles en 1258, todo el pensamiento creativo
asociado a este tipo de reguladores finaliz. Adems, la invencin de relojes mecnicos en
el siglo XIV dej a los relojes de agua y sus sistemas de control realimentado obsoletos. (El
reloj mecnico no es un sistema de control realimentado). El regulador flotante no
aparecera de nuevo hasta su uso en la Revolucin Industrial.
0.2.1.2 La Revolucin Industrial
La Revolucin Industrial en Europa estuvo marcada por la invencin de avanzados

molinos de grano, hornos, calderas y la mquina de vapor. Estos dispositivos no podan ser
adecuadamente regulados a mano por lo que se hizo necesario la invencin de controles
automticos. Una amplia variedad de reguladores fueron inventados: flotantes, de
temperatura, de presin, de control de velocidad,..., etc.
J. Watt invent su motor de vapor en 1769, y esta fecha marca, segn todos los
historiadores, el comienzo de la Revolucin Industrial. No obstante, las races de la
Revolucin Industrial podran situarse sobre el 1600 o incluso un poco antes con el
desarrollo de diferentes tipos de molinos de grano y hornos.
En 1788 Watt complet el diseo del regulador centrifugo flyball para regular la
velocidad rotacional del motor de vapor. Este regulador cal hondo dentro del mundo
ingenieril y lleg a convertirse en toda una sensacin en Europa. ste fue el primer uso del
control realimentado del que existe conocimiento popular.
0.2.2 El periodo primitivo de la automtica: El nacimiento de la

teora matemtica de control
El diseo de sistemas de control realimentados durante el periodo de la Revolucin
Industrial se realizaba mediante prueba y error, requera de una fuerte componente de
intuicin ingenieril. En conclusin, era ms un arte que una ciencia. Fue a mediados del
siglo XIX cuando se dot de un formalismo matemtico el diseo de los sistemas de control
realimentado.
En 1840, en Greenwich, el astrnomo britnico G. B. Airy desarroll un dispositivo
realimentado para posicionar un telescopio. Su dispositivo era un sistema de control de
velocidad que giraba el telescopio automticamente para compensar la rotacin de la Tierra,
posibilitando as el estudio una determinada estrella durante un mayor tiempo.
Desafortunadamente, Airy descubri que debido a un diseo inadecuado del lazo de control
realimentado se introducan oscilaciones bruscas en el sistema. As el fue el primero en
discutir la inestabilidad de los sistemas en lazo cerrado, y el primero en usar ecuaciones
diferenciales en su anlisis.
La teora de las ecuaciones diferenciales estaba por aquel entonces bien desarrollada,
debido al descubrimiento del clculo infinitesimal (I. Newton (1642-1727), G. W. Leibniz
(1646-1716), J. F. Riccati (1676-1754), etc). El uso de la ecuacin diferencial en el anlisis
de sistemas dinmicos fue establecido por J. L. Lagrange (1736-1813) y W. R. Hamilton
(1805-1865).
El primer trabajo sobre anlisis matemtico de sistemas de control se realiz mediante
el uso de ecuaciones diferenciales. J. C. Maxwell analiz la estabilidad del regulador flyball
de Watt [Maxwell 1868]. Su tcnica consista en linealizar las ecuaciones diferenciales del
movimiento para encontrar la ecuacin caracterstica del sistema. El estudi el efecto de los
parmetros del sistema sobre la estabilidad y mostr que el sistema es estable si las races
de la ecuacin caracterstica tienen parte real negativa.
Asimismo, el ruso I. I. Vyshnegradsky en 1877 independientemente de Maxwell tambin
analiz la estabilidad de reguladores usando ecuaciones diferenciales. Por ello, a Maxwell y
a Vyshnegradsky se les considera los fundadores de la la teora de control de sistemas.
E. J. Routh aport una tcnica numrica para determinar cuando una ecuacin
caracterstica tiene races estables [Routh 1877]. En 1893, A. B. Stodola estudi la
regulacin de una turbina de agua usando las tcnicas de Vyshnegradsky. Tambin model
las dinmicas del actuador e incluy el retardo de los mecanismos de actuacin en su
anlisis. Fue el primero en mencionar la nocin de constante de tiempo del sistema. Sin
conocer el trabajo de Maxwell y Routh el propuso el problema de determinar la estabilidad
de la ecuacin caracterstica a A. Hurwitz quin lo resolvi en 1895 [Hurwitz 1895].
Otra aportacin fundamental a la teora de control fue realizada por A. M. Lyapunov, que
estudi en 1892 la estabilidad de ecuaciones diferenciales no lineales usando una nocin
generalizada de energa [Lyapunov 1892]. Desafortunadamente, aunque su trabajo fue
aplicado y continuado en Rusia, su elegante teora no lleg a Occidente hasta 1960.
0.2.3 Periodo clsico de la automtica

El anlisis matemtico de los sistemas de control haba sido realizado hasta la fecha
usando ecuaciones diferenciales en el dominio temporal. Durante los aos 20 y los aos 30,
en los laboratorios de la compaa Bell Telephone, los trabajos en el dominio de la
frecuencia realizados entre otros por P. S. Laplace (1749-1827), J. Fourier (1768-1830) y A.
L. Cauchy (1789-1857) fueron aplicados a las telecomunicaciones.
Un problema fundamental para el desarrollo de las lneas telefnicas era la necesidad
de amplificar peridicamente la seal de voz. Desafortunadamente, si esta amplificacin no
se realiza cuidadosamente, se amplifica tanto el ruido como la voz. Para disminuir la
distorsin en estos amplificadores H. S. Black demostr en 1927 la utilidad de la
realimentacin negativa [Black 1934]. El problema de diseo consista en introducir un
desplazamiento de fase en las frecuencias adecuadas del sistema. La teora de
regeneracin para el diseo de amplificadores estables fue desarrollada por H. Nyquist
[1932], quin enunci el conocido como criterio de estabilidad de Nyquist sobre el diagrama
polar de una funcin compleja. H. W. Bode en 1938 fue el primero en usar diagramas de
magnitud y de fase de una funcin compleja [Bode 1940]. Estudi la estabilidad en lazo
cerrado utilizando las nociones de margen de fase y margen de ganancia.
Durante las Guerras Mundiales se produjo un importante desarrollo de los sistemas de
control realimentados. Se construyeron buques cada vez ms sofisticados. Un problema
militar importante era el control de los movimientos propios de los buques y la fijacin
automtica de su rumbo. En 1910, E. A. Sperry invent el girscopo, que utiliz en la
estabilizacin y fijacin de rumbo de los buques, y posteriormente en el control de aviones.
En 1922 N. Minorsky introdujo su controlador de tres trminos para la fijacin de rumbo de
los buques, fue el primero en usar el controlador proporcional integral derivativo (PID).
Adems estudi efectos no lineales en los sistemas en lazo cerrado.
Otro problema militar importante durante este periodo era la fijacin precisa de objetivos
para armas ubicadas en barcos y aviones. Con la publicacin en 1934 del libro Teora de
Servomecanismos de h. L. Hzen, se inici el uso de la teora de control mecnica en este
problema. En su libro, Hzen acuo el trmino servomecanismo, que implicaba una relacin
maestro-esclavo en los sistemas.
En 1940 se cre el denominado como Laboratorio de Radiacin en el Instituto
Tecnolgico de Massachusetss (MIT) para estudiar problemas de control y de procesado de
la informacin asociados con el radar. Muchos de los trabajos sobre teora de control
durante la dcada de los 40 surgieron de este laboratorio.
En 1941 A. C. Hall reconoci los efectos derivados de ignorar el ruido en el diseo de
los sistemas de control. Se dio cuenta que la tecnologa basada en el dominio de la
frecuencia desarrollada en los Laboratorios Bell poda ser empleada en prevenir los efectos
del ruido, y us esta aproximacin al diseo de sistemas de control para un radar
aerotransportado. Este xito demostr concluyentemente la importancia de las tcnicas del
dominio de la frecuencia en el diseo de sistemas de control.
Por otra parte, W. R. Evans present su tcnica del lugar de las races [Evans 1948], la
cual aportaba una forma directa de determinar la posicin en el plano s de los polos en lazo
cerrado. Durante la dcada de los 50, muchos trabajos de control estuvieron centrados en el
plano s, y en como obtener respuestas temporales adecuados de la salida de un sistema en
lazo cerrado en trmino del tiempo de subida, sobreelongacin, etc.
Durante este periodo, tambin se introdujeron tcnicas estocsticas para teora de
control y teora de comunicacin. En el MIT en 1942, N. Wiener analiz los sistemas de
procesado de la informacin usando modelos de procesos estocsticos. Trabajando en el
dominio de la frecuencia, desarroll un filtro ptimo estadstico para seales continuos
estacionarias que mejoraba la relacin seal/ruido en un sistema de comunicacin. El ruso
A. N, Kolmogorov en 1941 proporcion una teora para procesos estocsticos estacionarios
discretos [Kolmogorov 1941].
En conclusin en este periodo clsico de la Automtica predominaron las tcnicas de
diseo de control en el dominio de la frecuencia que disponan de suministraron una gran
intuicin y garantizaban soluciones a los problemas de diseo. Estas herramientas fueron
aplicadas usando clculos manuales, o mayormente reglas de actuacin junto con tcnicas
grficas.
La aproximacin en el dominio de la frecuencia era apropiada para sistemas lineales

invariantes en el tiempo. Adems era mejor usarla en el caso de sistemas de una entradauna salida (SISO), ya que su aplicacin a sistemas de multiples entradas-multiples salidas
(MIMO) se tornaba bastante tediosa.
Esta teora tuvo algunos xitos con sistemas no lineales. Usando las propiedades de
rechazo del ruido de las tcnicas del dominio de la frecuencia, un sistema de control puede
ser diseado para que sea robusto a variaciones en los parmetros del sistema, y para tener
en cuenta (medir) errores y perturbaciones externas. As, las tcnicas clsicas puede ser
utilizadas sobre la versin linealizada de un sistema no lineal.
Las tcnicas del dominio de la frecuencia pueden ser tambin aplicadas a sistemas con
no linealidades sencillas usando la aproximacin de la funcin descriptiva, la cual se basa
en el criterio de Nyquist. Esta tcnica fue usada por primera vez por J. Groszkowski en el
diseo de transmisores de radio antes de la Segunda Guerra Mundial y fue formalizada en
1964 por J. Kudrewicz.
Desafortunadamente, utilizando la suposicin de linealidad y tratando un par de
transmisin SISO a la vez no es posible disear sistemas de control para sistemas
multivariables fuertemente no lineales, como los que aparecen en las aplicaciones
aeroespaciales.
0.2.4 Periodo moderno de la automtica

Con la llegada de la era espacial, los diseos de control abandonaron las tcnicas en el
dominio de la frecuencia y volvieron a las tcnicas de ecuaciones diferenciales de finales del
siglo XIX, las cuales se desarrollaban en el dominio del tiempo.
En la Unin Sovietica, siguiendo las ideas de Lyapunov hubo una gran actividad en el
diseo de controles no lineales. En 1948, Ivachenko haba investigado el principio del
control del rel, donde la seal de control es conmutada discontinuamente entre valores
discretos. En 1955, Tsypkin utiliz el plano de fase para el diseo de controles no lineales.
Por su parte, V. M. Popov introdujo el criterio del crculo para el anlisis de estabilidad no
lineal [Popov 1961]. Toda esta actividad, condujo en 1957 a que la Unin Sovitica fuese la
primera nacin en lanzar un satlite (Sputnik) al espacio. Adems tuvo su reconocimiento
internacional con la celebracin en Mosc en 1960 de la primera conferencia de la
recientemente creada IFAC (International Federation of Automatic Control).
Por aquella poca, exista una fuerte rivalidad de los Estados Unidos con la Unin
Sovitica, por ello el lanzamiento del Sputnik produjo una tremenda actividad en el diseo de
controles automticos en los Estados Unidos. En 1957, R. Bellman aplic programacin
dinmica al control ptimo de sistemas discretos, demostrando que la direccin natural para
resolver problemas de control ptimo es hacindolo hacia atrs en el tiempo. Su
procedimiento, resultaba en un esquema en lazo cerrado generalmente no lineal.
Haca 1958, L. S. Pontryagin haba desarrollado su principio del mximo como una
generalizacin de la mecnica hamiltoniana, el cual resolva problemas de control ptimo
usando el clculo de variaciones desarrollado por L. Euler (1707-1783). Pontryagin resolvi
el problema del tiempo mnimo, derivando como control ptimo una ley de control del tipo
rel on/off.
En 1960, se publicaron tres trabajos fundamentales de R. Kalman. El primero de estos
[Kalman y Bertram 1960] trataba sobre control en el dominio del tiempo de sistemas no
lineales y utilizaba las ideas de Lyapunov, dndolas a conocer a Occidente. El segundo
[Kalman 1960a] discuta el control ptimo de sistemas, aportando las ecuaciones de diseo
para el regulador cuadrtico lineal (LQ). El tercer trabajo [Kalman 1960b] discuta la teora
de estimacin y filtrado, y aportaba las ecuaciones de diseo del filtro discreto2 de Kalman.
En el periodo de un ao gracias a los trabajos de Kalman, las principales limitaciones de
la teora de control clsica fueron superadas y nuevas herramientas tericas fueron
presentadas. En definitiva, 1960 marc el comienzo de la era del control moderno.
Con las ideas aportadas por Kalman, el programa espacial de los Estados Unidos
experiment un fuerte desarrollo. Por ejemplo, el primer mdulo que aterriz en la Luna
usaba un filtro de Kalman en su sistema de navegacin.
Los puntos claves del trabajo de Kalman son los siguientes:
Es una aproximacin en el dominio del tiempo vlida no solo para sistemas
invariantes en el tiempo sino tambin para sistemas variantes con el
tiempo y sistemas no-lineales.
Al trabajar con lgebra lineal y matrices los sistemas MIMO podan ser
fcilmente tratados.
El filtro continuo de Kalman fue desarrollado en [Kalman y Bucy 1961].
Us el concepto de estado interno de un sistema; es decir, utiliz la

representacin interna de un sistema y no nicamente la representacin
externa (entrada-salida).
Introdujo las ideas de controlabilidad y observabilidad.
La teora de Kalman aportaba soluciones ptimas que conducan a sistemas de control
que garantizaban unas determinadas especificaciones. Estos controles eran obtenidos
directamente mediante la resolucin de complicadas ecuaciones matriciales no lineales, las
cuales generalmente tenan una solucin nica. En contraste, las tcnicas clsicas en el
dominio de la frecuencia aportan unas herramientas formales, tpicamente herramientas
grficas, para el diseo de sistemas de control que no tenan una solucin nica.
En 1962, Rosenbrock establece las ideas bsicas del control modal, en el cual el criterio
de diseo es la colocacin de los polos en lazo cerrado del sistema en posiciones
especificadas. Ms tarde en 1967, Wonham establece las relaciones entre el problema de
control modal y la controlabilidad de la representacin. Asimismo Luenberguer descompone
el problema de control en dos etapas: En la primera etapa se calcula el control como si el
estado fuese accesible y en la segunda se busca un medio de estimar dicho estado a partir
del conocimiento de la salida del sistema, tarea a la que aporta su teora de observadores
que haba desarrollado en 1964.
En la dcada de los 60 se produjeron grandes avances en el desarrollo de las
computadoras digitales, que son necesarias en los controles modernos por dos motivos. En
primer lugar, se necesitan para resolver las ecuaciones de diseo matriciales que permiten
obtener la ley de control. Esto se realiza de forma off-line (fuera de lnea) durante el proceso
de diseo. En segundo lugar, puesto que las leyes de control optimas y los filtros son
generalmente variantes con el tiempo, las computadoras son necesarias para implementar
sobre los sistemas los esquemas de control moderno y filtrado.
Los sistemas de control que son implementados con computadores digitales deben ser
formulados en tiempo discreto. Por tanto, el desarrollo en esta poca de la teora de control
digital ([Jury 1960], [Kuo 1963]) fue algo natural.
La idea de usar computadores digitales para el control de procesos industriales tambin
surgi durante este periodo. Los trabajos serios comenzaron en 1956 con el proyecto de
colaboracin entre TRW y Texaco, que result en un sistema controlado por computador
que fue instalado en la refinera de Port Arthur en Texas en 1959. El desarrollo de reactores
nucleares durante la dcada de los 50 fue una motivacin muy importante para explorar el
control de procesos industriales y su instrumentacin. En 1970, con los trabajos entre otros
de K. Astrm [Astrm 1970], la importancia de los controles digitales en los procesos fue
firmemente cimentada.
Con toda su potencia y ventajas, el control moderno tambin tena algunas carencias. El
comportamiento garantizado que se obtena tras resolver las ecuaciones de diseo
matriciales significaba que a menudo era posible disear un sistema de control que trabajara
en la teora sin precisar de ninguna intuicin ingenieril sobre el problema. Por el contrario,
las tcnicas en el dominio de la frecuencia requieren de bastante intuicin.
Otro problema es que un sistema de control moderno con algunas dinmicas del
compensador puede dejar de ser robusto frente a perturbaciones, dinmicas no modeladas
y ruido de medida. Por otra parte, la robustez es implementada en la aproximacin del
dominio de la frecuencia usando nociones tales como margen de fase y margen de
ganancia.
Por tanto, en la dcada de los 70, especialmente en Gran Bretaa hubo gran actividad
en intentar extender las tcnicas en el dominio de la frecuencia y del lugar de las races a los
sistemas multivariables. Esto condujo a Rosenbrook a introducir el concepto de dominanza
diagonal con el que se busca reducir, no eliminar, la interaccin en un sistema, y que se
plasma en su mtodo de diseo con el diagrama inverso de Nyquist multivariable.
En la misma direccin se realiza un gran esfuerzo para generalizar los conceptos propios de
la respuesta en frecuencia a los sistemas multivariables, tarea en la que los trabajos de
Owens, Kouvaritakis y McFarlane, bajo enfoques distintos, juegan un papel relevante, sin
olvidar los desarrollos de Rosenbrock sobre las relaciones de estas formulaciones y las del
espacio de estados.
Uno de los principales defensores de las tcnicas clsicas aplicadas a sistemas
multivariables fue I. Horowitz, cuya teora de realimentacin cuantitativa (QFT) [Horowitz
1963] permita obtener controladores robustos trabajando sobre el diagrama de Nichols.
Tambin por esta poca aparecieron dos nuevas tcnicas de control, el control
adaptativo [Astrm 89] y el control predictivo basado en modelos (M.B.P.C) [Garca 89]. El
control adaptativo es un tipo especial de sistema de control no lineal que puede alterar sus
parmetros para adaptarse a un medio ambiente cambiante. Los cambios en el medio
ambiente pueden representar variaciones en la dinmica del proceso o cambios en las
10
caractersticas de las perturbaciones. Por su parte bajo el nombre control predictivo basado
en modelos (M.B.P.C) se agrupan una diversidad de familias de estrategias de control que
hacen uso explcito de un modelo del proceso para predecir el valor de la variable controlada
durante un horizonte de tiempo.
Tambin a comienzos de los 70 naci el control inteligente con tcnicas tales como:
lgica borrosa, redes neuronales, mecanismos de aprendizaje, tolerancia a fallos, etc. El
control inteligente intenta sistematizar analticamente sistemas de control con capacidades
semejantes a la interaccin del hombre con el entorno sobre el que acta.
Desde los primeros aos de la dcada de los ochenta se ha vuelto a considerar de
nuevo el dominio frecuencial, hecho motivado principalmente por el control robusto y la
teora H, con las aportaciones de Doyle, Glover, y Francis entre otros [Dorato, 87].
En 1981 J. Doyle and G. Stein mostraron la importancia de los diagramas del valor
singular frente a la frecuencia en el diseo multivariable robusto. Usando estos diagramas,
muchas de las tcnicas clsicas del dominio de la frecuencia pueden ser incorporadas
dentro de los diseos modernos. Este trabajo fue aplicado al control de aviones y al control
de procesos por M . Athans entre otros.
A finales de los ochenta surgi un inters creciente por los temas de modelado e
identificacin [Ljung 87], se pretenda afrontar directamente los problemas que planteaban
las inexactitudes de las representaciones matemticas de las plantas industriales.
0.3 REFERENCIAS
A continuacin se listan por orden alfabtico las referencias citadas en este tema:
Astrm, K. J., Witenmark B. Adaptative Control. Addison- Wesley, MA, 1989.
Astrm, K. J., Introduction to stochastic control theory, New York: Academic Press, 1970.
Black, H. S., Stabilized feedback amplifiers, Bell System Tech. J., 1934.
Bode, H. W., Feedback Amplifier Design, Bell System Tech. J., vol. 19, p. 42, 1940.
Dorato, P., A historical review of robust control, IEEE Control Systems Magazine, pp. 4447. Abril 1987.
Doyle, J. C., Stein, G., Multivariable feedback design: concepts for a classical/modern
synthesis, IEEE Trans. Automat. Contr., vol. AC-26, pp.4-16. Feb, 1981.
11
Evans, W. R., Graphical analysis of control systems, Trans. AIEE, vol. 67, pp. 547-551,
1948.
Garca C. et al., Model predictive control: Theory and practice a survey. Automatica, vol.
25, n 3, 1989
Horowitz I. M., Synthesis of feedback systems. Academic Press: New York, 1963.
Hurwitz, A., On the conditions under which an equation has only roots with negative real
parts. Mathematische Annalen, vol. 46, pp. 273-284, 1895.
Jury, E. I., Recent advances in the field of sampled-data and digital control systems,
Proocedings of Conference International Federation Automatic Control, pp.240-246. Moscu
1960.
Kalman, R. E, Bertram, J. E., Control System Analysis and design via the Second method
of Lyapunov. I. Continuous-time systems Trans. ASME J. Basic Eng., pp. 371-393, June
1960.
Kalman, R. E., Contributiuons to the theory of optimal control, Bol. Soc. Mat. Mexicana,
vol.5, pp. 102-119, 1960a.
Kalman, R. E., A new approach to linear filtering and prediction problems, ASME J. Basic
Eng., vol.82, pp. 34-45, 1960b.
Kalman, R. E., Bucy, R. S., New results in linear filtering and prediction theory. ASME J.
Basic Eng., vol. 80, pp. 193-196, 1961.
Kolmogorov, A. N., Interpolation and Extrapolation. Bull. Acad. Sci. USSR. Ser. Math. vol.
5, pp. 3-14, 1941.
Kuo, B. C., Analysis ans synthesis of sampled-data control systems, Englewood Cliffs, N.
J.: Prentice Hall, 1963.
Ljung, L.,. System Identification. theory for the user. Prentice-Hall, Englewood Cliffs, N.J.
1987
Lyapunov, M. A., Probleme General de la stabilite du mouvement, Ann. Fac. Sci. Toulouse,
vol. 9, pp. 203-474, 1907. (Traducido del articulo original publicado en 1892 en Comm.
Soc. Math. Kharkow y reimpreso como vol. 17 en Ann. Math. Studies. Princeton University
Press. Princeton, N. J., 1949).
Maxwell, J. C., On governors. Proc. Royal Soc. London, vol. 16, pp. 270-283, 1868.
12
Nyquist, H., Regeneration Theory, Bell Syst. Tech. J. 1932

Popov, V. M. Absolute stability of nonlinear systems of automatic control, Automat. Remote
Control, vol. 22, n 8, pp. 857-875, 1961.
Routh, E. J., A treatise on the stability of a given state of motion, London: Macmillan & Co.,
1877.
13
14
TEMA 1
MODELOS DE SISTEMAS CONTINUOS
1.1 INTRODUCCIN
El primer paso en el estudio de un sistema fsico es el desarrollo de una representacin
o modelo del mismo. Un modelo es una idealizacin del sistema fsico, usado para reducir el
esfuerzo de clculo en el anlisis y diseo del sistema. El modelo se desarrolla de forma que
represente adecuadamente al sistema.
Al desarrollar un modelo para un sistema fsico, ciertos parmetros y variables del
sistema o relaciones entre sus componentes se pueden despreciar. Sin embargo, se debe
de tener cuidado de no despreciar parmetros o relaciones que son cruciales para la
precisin del modelo. Esto implica que un sistema fsico pueda tener modelos diferentes
dependiendo de la aplicacin del modelo. Por ejemplo, un transistor tiene diferentes
modelos dependiendo de la amplitud y frecuencia de la seal aplicada. Generalmente, se
elige un modelo que resulte simple y que, al mismo tiempo, describa adecuadamente la
conducta del sistema.
Los modelos se pueden dar en varias formas y con diferentes grados de formalismo
matemtico dependiendo del grado de sofisticacin necesarios. As, se pueden usar
modelos mentales, como los usados en la vida diaria, sin ningn formalismo matemtico.
Por ejemplo este es el caso del modelo usado cuando se conduce un automvil (al girar el
volante el automvil gira o al pisar el freno el automvil reduce la velocidad).
Para ciertas aplicaciones, la descripcin del sistema se puede hacer mediante modelos
grficos y tablas numricas. Por ejemplo, un sistema lineal se puede describir mediante su
diagrama de Bode o las grficas de respuesta a un impulso o a un escaln.
Para aplicaciones ms avanzadas se necesitan modelos que describan las relaciones
entre sus variables y componentes en trminos de expresiones matemticas como
15
TEMA 1: Modelos de sistemas continuos
ecuaciones diferenciales o en diferencias, es decir, usar modelos matemticos.

Dependiendo del tipo de ecuaciones diferenciales o en diferencias usadas, estos modelos
matemticos sern continuos o discretos, lineales o no lineales, deterministas o
estocsticos, etc.
Los modelos matemticos se pueden obtener de dos formas distintas pero no
excluyentes:
Modelizacin matemtica. Es un mtodo analtico que usa las leyes fsicas (como
las leyes de Newton o las leyes de Kirchoff) para describir la conducta dinmica
del proceso. El modelado depende totalmente de la aplicacin y a menudo tiene
sus races en la tradicin y en las tcnicas especficas del rea de aplicacin.
Generalmente, supone considerar el sistema dividido en subsistemas cuyas
propiedades son conocidas de experiencias anteriores y de los que se tienen
modelos matemticos. El modelo del sistema completo se obtiene uniendo
matemticamente los modelos de los subsistemas considerados.
Identificacin de sistemas. Este es un procedimiento experimental. En este
mtodo se tienen que realizar algunos experimentos sobre el sistema; un modelo
del sistema es obtenido a partir de los datos registrados en los experimentos,
estimando valores numricos de los parmetros del modelo.
Hay dos procedimientos de modelado y anlisis de sistemas lineales usados
habitualmente: el procedimiento de la funcin de transferencia o del dominio frecuencial, y el
procedimiento en el espacio de estados.
El mtodo en el espacio de estados puede resultar novedoso a ingenieros
acostumbrados a pensar en trminos de funciones de transferencia. Pero es una forma
natural de representacin de sistemas dinmicos para matemticos y fsicos.
La representacin en el espacio de estados facilita la aplicacin de algoritmos de diseo
asistido por ordenador. Adems, se observan ms fcilmente algunos desarrollos tericos
de control ptimo, estimacin y la relacin entre variables internas y variables externas de
entrada y salida. Asimismo, el estudio de sistemas de control con ms de una entrada y/o
ms de una salida es ms fcilmente tratable en el espacio de estados.
En este tema se estudian la representacin en el espacio de estados de sistemas
continuos y la resolucin de las ecuaciones diferenciales de estado A continuacin se
enuncian dos propiedades propias de este tipo de representacin: la controlabilidad y la
16
observabilidad. La parte final del tema se dedica al diseo de sistemas de control en el

espacio de estados, en concreto al diseo mediante la ubicacin de polos, y al diseo de
observadores.
1.2 REPRESENTACIN
EN
EL
ESPACIO
DE
ESTADOS
DE
SISTEMAS CONTINUOS
La nocin de estado de un sistema dinmico es una nocin fundamental en Fsica. La
premisa bsica de la dinmica newtoniana es que la evolucin futura de un proceso
dinmico est completamente determinada por su estado actual. Esta premisa sirve como
base para una definicin abstracta del estado de un sistema dinmico.
Definicin: El estado de un sistema dinmico es un conjunto de cantidades fsicas,
cuyas especificaciones (en ausencia de excitacin externa) determina completamente la
evolucin del sistema.
Un sistema continuo SISO1 invariante en el tiempo se puede representar por un modelo
lineal descrito mediante una ecuacin diferencial ordinaria de coeficientes constantes de
orden n de la forma:
d n y (t )
d n 1 y (t )
d m u (t )
+
a
+
...
+
a
y
(
t
)
=
b
+ ... + b0 u (t )
0
n 1
m
dt n
dt n 1
dt m
(1.1)
donde u(t) es la entrada del sistema en el instante t e y(t) es la correspondiente salida del
sistema en ese mismo instante.
El comportamiento del sistema se describe mediante su funcin de transferencia G(s)
que se obtiene al aplicar la transformada de Laplace sobre la ecuacin (1.1) considerando
condiciones iniciales nulas:
G ( s) =
Y ( s ) bm s m + bm 1 s m 1 + ... + b0
= n
U ( s)
s + a n 1 s n 1 + ... + a 0
(1.2)
La forma de la respuesta temporal del sistema est determinada por la localizacin de

los ceros y los polos de la funcin de transferencia G(s).
SISO (Simple Input - Simple Output) es el acrnimo ingls que se utiliza para designar a los sistemas que
poseen una sola entrada y una nica salida.
17
La representacin en el espacio de estados de este sistema es un conjunto de n

ecuaciones diferenciales de primer orden, que se pueden agrupar en una ecuacin
diferencial vectorial de la forma:
x& (t ) = Ax(t ) + bu (t )
(1.3)
donde x es el vector de estados de dimensin n x 1, A es una matriz constante de dimensin

n x n y b es un vector constante de dimensin n x1.
La ecuacin de salida asociada, con n>m es:
y (t ) = C x(t )
(1.4)
donde C es una matriz de dimensin 1 x n.

En el caso que n=m la ecuacin de salida toma la forma:
y (t ) = C x(t ) + d u (t )
(1.5)
donde d es una constante.

En la Figura 1.1 se muestra la representacin en diagramas de bloques del sistema
descrito por las ecuaciones (1.3) y (1.4).
u (t )
x& (t )
x(t )
y (t )
A
Figura 1.1: Diagrama de bloques del modelo en variables de estado de un sistema continuo.
La solucin de las ecuaciones diferenciales (1.3) requiere el conocimiento de las

condiciones iniciales del sistema, es decir, el valor del vector de estados x0=x(t0) en el
instante inicial.
A partir de las ecuaciones (1.3) y (1.4) o (1.5) es posible obtener la funcin de
transferencia G del sistema:
G ( s ) = C [sI A] b + d
1
18
(1.6)
A la matriz [sI-A]-1 se le suele representar con el smbolo (s) y se le denomina matriz

resolvente. Es la transformada de Laplace de la matriz de transicin de estados que se ver
a continuacin. La ecuacin (1.6) pone de manifiesto el hecho de que los polos de la funcin
de transferencia son iguales a los autovalores de la matriz A.
Para sistemas invariantes MIMO2 el modelo en el espacio de estados es:
x& (t ) = A x(t ) + Bu (t )
x(t 0 ) = x 0
(1.7)
y (t ) = C x(t ) + Du (t )
Si el sistema tiene r entradas y m salidas, entonces:
u(t) es el vector de entradas de dimensin r x 1.
y(t) es el vector de salidas de dimensin m x 1.
A es la matriz que describe la dinmica del sistema de dimensin n x n.

B es la matriz de entrada de dimensin n x r.
C es la matriz de salida de dimensin m x n.

D es la matriz de alimentacin directa de dimensin m x r.
Modelos equivalentes MIMO se pueden desarrollar en la forma de una funcin de
transferencia matricial, cuyos elementos son las funciones de transferencia de las
componentes individuales de los vectores de entrada y salida.
G11 ( s ) ... G1r ( s )

.
.
1
G(s) =
= C [sI A] B + D
.
.
Gm1 ( s ) ... Gmr ( s )
(1.8)
Por lo general este modelo es bastante voluminoso, por lo que se prefiere usar el
modelo en el espacio de estados.
Para sistemas variables con el tiempo tambin se usan modelos en el espacio de
estados pero suponiendo que las matrices que definen la estructura del sistema son funcin
del tiempo:
2
MIMO (Multiple Input -Multiple Output) es el acrnimo ingls que se utiliza para designar a los sistemas que
poseen varias entradas y varias salidas.
19
x& (t ) = A(t )x(t ) + B(t )u (t )

x(t 0 ) = x0
(1.9)
y (t ) = C (t )x(t ) + D(t )u (t )
Para este tipo de sistemas los mtodos de la transformada de Laplace no suelen
aplicarse.
Ejemplo 1.1: Masa con resorte y amortiguamiento sobre mvil
Sobre un mvil (ver Figura 1.2) que se mueve con una aceleracin u(t) se sita una masa m sujeta a
la pared del mvil por un muelle de constante de elasticidad k y un amortiguador de coeficiente de
amortiguacin b.
u (t )
k
y (t )
Figura 1.2: Masa con resorte y amortiguamiento sobre mvil

Para este sistema la variable de entrada es la aceleracin u(t) y la variable de salida es el
desplazamiento y(t). La ecuacin del movimiento de este sistema se obtiene aplicando la segunda ley
de Newton:
F = ma
Donde F es la suma de todas las fuerzas aplicadas sobre la masa m y a es el vector aceleracin del
cuerpo.
En este sistema las fuerzas que estn actuando son las correspondientes al muelle y al amortiguador,
que actan en la direccin horizontal:
F = k y b
dy
dt
La aceleracin total es:
d 2 y (t )
a=
u (t )
dt 2
Con lo que la ecuacin del movimiento es:
20
d 2 y (t )
dy (t )
+ b
+ k y (t ) = mu (t )
2
dt
dt
Tomando la transformada de Laplace con condiciones iniciales nulas sobre la ecuacin anterior:
ms 2Y ( s ) + bsY ( s ) + k Y ( s ) = mU ( s )
Luego la funcin de transferencia tendr la siguiente forma:
G ( s) =
Y ( s)
m
=
=
2
U ( s ) ms + bs + k
1
b
k
s 2 + s +
m
m
Si se definen las siguientes variables de estado:
x1 = y
x2 =
dy
dt
Entonces la ecuacin de estados que describe las dinmicas del sistema es:
x&1 (t ) 0
= k
x& 2 (t ) m
1 x (t ) 0
b 1 + u (t )
x (t )
1
m 2
Y la ecuacin de salida es:
x (t )
y (t ) = (1 0) 1
x 2 (t )
Fcilmente es posible comprobar que aplicando la expresin (1.5) se obtiene la funcin de
transferencia G(s).
Ejemplo 1.2: Red elctrica RLC

Se considera la red elctrica RLC de la Figura 1.3. La variable de entrada es la tensin aplicada u=vs
y la de salida es la intensidad de corriente por la resistencia R, es decir, y=i1. Como variables de
estado se pueden elegir la cada de tensin x1 =vc en el condensador C y la corriente x2=i2 a travs de
la inductancia L.
21
R
i2 (t )
i1 (t )
vs (t )
vc (t )
Figura 1.3: Red elctrica RLC

Aplicando las leyes de Kirchoff a este circuito se obtienen las siguientes expresiones:
v s = Ri1 + vc
dvc
= i1 i2
dt
di
vc = L 2
dt
Operando sobre estas expresiones se obtienen las ecuaciones de estado:
dvc
1
1
1
=
vc i2 +
vs
dt
RC
C
RC
di2 1
= vc
dt
L
En forma matricial:
x&1
=
x& 2
1
RC
1
L
1
1
C x1 +
x RC u
0 2 0
La ecuacin de salida es:
y=
1
1
u x1
R
R
Este caso se corresponde con el indicado en la ecuacin (1.5).

La funcin de transferencia G(s) se obtiene aplicando la ecuacin (1.6):
22
1
G( s) =
R
s+
RC
0
1
C
s
1 2
1
s +
1 1
RCL
RC + = R
R
1
1
2
s +
s+
0
RC
CL
Ejemplo 1.3: Motor de corriente continua excitado por separado

Ra
ea (t )
Rf
La
i f (t )
ia (t )
Lf
eb (t )
Tr (t ) (t )
J,c
Figura 1.4: Diagrama esquemtico del motor de corriente continua excitado por separado
En la Figura 1.4 se representa un diagrama esquemtico de un motor de corriente continua. En dicha
figura Ra y La representan la resistencia y la inductancia de la armadura. eb(t) representa la fuerza
contra-electromotriz debida a la rotacin de los conductores de la armadura en el campo magntico.
Anlogamente, Rf y Lf indican la resistencia y la inductancia de la bobina del campo. Las
no-linealidades y la dependencia de los parmetros con el tiempo de estas bobinas se han
despreciado.
Se supone que la bobina del campo (el estator) est conectada a una fuente de voltaje constante y la
bobina de la armadura (el rotor) est conectada a una fuente de voltaje variable v(t). De esta forma, la
intensidad de campo ef se puede considerar constante. El voltaje ea(t) puede variar para cambiar la
velocidad angular (t) del rotor.
El flujo magntico de la bobina del campo es una constante cuando if se supone constante. El torque
Tr con el eje del motor es proporcional a ia por una constante Km del motor.
Tr = K m ia
23
El voltaje eb(t) generado como resultado de la rotacin, es proporcional a la velocidad de rotacin del
eje , por una constante Kg3 del generador:
eb (t ) = K g (t )
Aplicando las leyes de Kirchoff al circuito de la armadura se obtiene:
ea (t ) = La
dia (t )
+ Ra ia (t ) + eb (t )
dt
El torque del rotor Tr(t) y la velocidad angular estn relacionados mediante la segunda ley de Newton
de la dinmica:
Tr (t ) = Td (t ) + J
d (t )
+ c (t )
dt
Donde Td(t) es el torque de la carga en el eje del rotor, c es la constante de rozamiento viscoso y J es
el momento de inercia de la carga.
Combinando estas ecuaciones se obtiene el siguiente sistema de ecuaciones diferenciales con
coeficientes constantes:
Kg
dia (t )
R
1
= a ia (t )
(t ) + ea (t )
dt
La
La
La
d (t ) K m
c
1
=
ia (t ) (t ) Td (t )
dt
J
J
J
Estas ecuaciones se pueden escribir en la forma matricial de ecuaciones de estado:
dia (t ) Ra
dt = La
d (t ) K m
dt J
Kg
1
i
(
t
)
La a + La
c (t )

0
0 e (t )
a
1 T (t )
d
J
Si se considera como salida del sistema la velocidad de rotacin del motor, entonces la ecuacin de
salida es:
i (t )
y = (0 1) a
(t )
3
En unidades consistentes, Km es igual a Kg, pero en algunos casos la constante motor-torsin viene dada en
otras unidades, como onzas-pulgadas por amperes, y la constante del generador debe de expresarse en unidades
de voltios por 1000 rpm.
24
Si las variables de salida son el torque desarrollado por el eje del rotor y la velocidad de rotacin,
entonces se tiene como ecuacin de salida:
K
y = m
0
0 ia (t )
1 (t )
La funcin de transferencia matricial es:
K
G ( s ) = m
0
R
s + a
0
La
1 K m
Kg 1

La La
c
s+ 0
J
1

J
Operando se obtiene:
Km
c
s +
J
1
L
G ( s) =
a
Km
K K
R
c
s + a s + + m g
J La
La
J
J La
J La
R
1
s + a
J
La
K m K g
1.3 TRANSFORMACIN DE VARIABLES DE ESTADO

La representacin en variables de estado no es nica. De hecho, hay un nmero infinito
de posibles elecciones de las variables de estado para representar al mismo sistema fsico.
Es posible pasar de una definicin particular del vector de estados x a otra definicin x
mediante una transformacin lineal de la forma:
x = T x
(1.10)
Donde T es una matriz no singular de dimensin n x n, de forma que siempre se puede

hacer la transformacin inversa:
x = T 1 x
(1.11)
Las matrices A, B, C y D de la representacin original del sistema en variables de

estado se transforman ahora en las matrices A, B, C y D. Para obtener sus expresiones se
va a suponer que T es constante, en caso contrario, habra que incluir su derivada en las
expresiones a deducir. Sustituyendo x en (1.7) por (1.11) se obtiene:
25
T 1 x& = AT 1 x + Bu
(1.12)
y = C T 1 x + Du
O equivalentemente:
x& = T AT 1 x + T Bu
(1.13)
y = C T 1 x + Du
Que ya est en la forma normal:
x& = Ax + B u
y = C x + D u
(1.14)
Luego comparando (1.14) con (1.13) se obtienen las siguientes expresiones:
A = T AT 1
B = T B
C = C T 1
D = D
(1.15)
En el lenguaje del lgebra matricial se dice que la matriz A de la dinmica del sistema
transformado es similar a la matriz A de la dinmica del sistema original. Un hecho bien
conocido del lgebra matricial es que matrices similares tienen el mismo polinomio
caracterstico. En conclusin la funcin de transferencia entre las variables de entrada y de
salida no depende de la definicin del vector de estados.
Ejemplo 1.4: Masas acopladas mediante un muelle
Las ecuaciones del movimiento de las masas m1 y m2 acopladas mediante un muelle (ver Figura 1.5)
y que se desplazan en una direccin son:
x2
x1
u1
u2
m1
m2
Figura 1.5: Masas acopladas mediante un muelle
26
&x&1 +
K
( x1 x2 ) = u1
m1
&x&2 +
K
( x2 x1 ) = u 2
m2
donde u1 y u2 son las aceleraciones asociadas a las fuerzas aplicadas externamente y K es la

constante del muelle.
Si se definen como variables de estado a:
x = [ x1
x2
x&1
x& 2 ]T
las matrices que definen las ecuaciones de estado son:
0
0
K
A =
m1
K
m
2
1 0
0
0 1
0
0 0 B =
1
0 0
0
0
0
K
m1
K
m2
0
0
Sin embargo, muchas veces es mejor definir el movimiento de este sistema en funcin del
movimiento del centro de masas xc y de la diferencia entre las posiciones de las dos masas :
m1
m
x1 + 2 x 2
M
M
= x1 x 2
xc =
M = m1 + m2
Eligiendo ahora como variables de estado a:
x = [ xc
x& c
&]T
Se comprueba que la matriz de transformacin entre las dos representaciones es:
m1
M
T = 1
0
m2
M
1
0
0
0
0
m1
M
1
0
0
m2
M
1
Luego las matrices del sistema transformado son:
27
A = T AT 1
0
0
= 0
0
KM
0
m1 m2
0
0
0
1
0 B = T B = m1
M
0
1
0
0
m2
M
1
1.4 FORMAS CANNICAS

La eleccin de las variables de estado va a depender de la aplicacin en concreto. As,
en aplicaciones donde es necesaria la realimentacin es preferible elegir como vector de
estados a un conjunto de variables fsicas que pueden medirse directamente. Pero tambin
suelen utilizarse representaciones que simplifiquen la estructura de las matrices A, B y C,
tales como las formas cannicas controlable y observable, o la forma cannica de Jordan.
1.4.1 Forma cannica controlable

Si se considera un sistema SISO su representacin en variables de estado en la forma
cannica controlable se puede generar directamente de la funcin de transferencia (1.2) o
de la ecuacin diferencial (1.1) y tiene la siguiente expresin:
1
0
0
0
0
1
x& (t ) = ...
...
...
0
0
0
a 0 a1 a 2
y (t ) = [b0 ... bm 0 ...
0
0
...
...
0

...
... x(t ) + ....u (t ); x(t 0 ) = x0

...
1
0
1
... a n 1
0]x(t )
...
(1.16)
Cuya representacin en diagrama de bloques es la que se muestra en la Figura 1.6. En

el caso en que m=n la ecuacin de salida toma la forma:
y (t ) = [b0
... bn 1
0 ... 0]x(t ) + bn u (t )
(1.17)
En este caso el diagrama de bloques de la Figura 1.6 se debe modificar para incluir el
trmino bnu(t).
28
El nombre de forma controlable corresponde al hecho de que si una representacin

no-mnima4 se pone en esta forma entonces la representacin ser controlable pero no
observable.
bm
x&n
xn
b1
b0
x&1
an1
a1
x1
a0
Figura 1.6: Diagrama de bloques de la representacin en variables de estado en la forma cannica

controlable.
Ejemplo 1.5:
Para un sistema de segundo orden descrito por la ecuacin diferencial:
d 2 y (t )
dy (t )
du (t )
+ 2 n
+ n2 y (t ) =
+ u (t )
2
dt
dt
dt
Cuya funcin de transferencia es:
G ( s) =
s +
s + 2 n s + n2
2
La representacin en la forma cannica observable es:
x&1 (t ) 0
x& (t ) = 2
2 n
y (t ) = [
1 x1 (t ) 0
u (t )
+
2 n x 2 (t ) 1
x1 (t )
x 2 (t )
Representacin no-mnima: Representacin en variables de estado de orden mayor al orden de la ecuacin

diferencial que describe al sistema.
29
En la Figura 1.7 se muestra el diagrama de bloques para este sistema.
x&2
x2
x&1
2 n
x1
n2
+
Figura 1.7: Forma cannica controlable para un sistema de segundo orden.
1.4.2 Forma cannica observable

La forma cannica observable recibe su nombre por una razn anloga a la de la forma
controlable. Para una representacin mnima la forma observable tiene la forma:
1
0
0
0
0
1
x& (t ) = ...
...
...
0
0
0
a 0 a1 a 2
y (t ) = [1 0 ... 0]x(t )
...
...
...
...
...
0
g1
g
0
2
... x(t ) + .... u (t ); x(t 0 ) = x 0
1
g n 1
g n
a n 1
(1.18)
En el caso de que n=m la ecuacin de salida toma la forma:
y (t ) = [1 0 ... 0]x(t ) + g 0 u (t )
30
(1.19)
u
gn
g n 1
x& n
xn
g0
g1
an 1
an 2
a1
x&1
x1
y
+
a0

observable.
En la Figura 1.8 se muestra el diagrama de bloques para la forma cannica observable.

Los elementos gi de la matriz B provienen del desarrollo en serie de Laurent5 en el origen
s=0 de G(s)
G ( s ) = g k s k = g 0 + g1 s 1 + g 2 s 2 + ... + g n s n + ...
(1.20)
k =0
y se obtienen resolviendo la siguiente integral compleja (recurdese que s = + i d es una

variable compleja) sobre cualquier contorno C cerrado simple, orientado en sentido
antihorario, en torno del origen:
gk =
1
G ( s )s k
2 i C
(1.21)
En el caso que m<n entonces g0=0, adems para una G(s) dada en la forma (1.2) existe
una expresin alternativa6 para calcular los coeficientes gi:
g1 1
g a
2 n 1
... = a n 2

... ...
g n a1
0
1
...
0
...
...
a n 1
...
...
...
...
...
...
a n2
a n 1
0 bn 1
0 .bn 2
... ...

0 ...
1 b0
(1.22)
Las series de Laurent son objeto de estudio en los libros de Variable Compleja, como por ejemplo: Variable
Compleja y aplicaciones. R. V. Churchill & J. W. Brown. Ed. McGraw-Hill
6
La deduccin de esta expresin se puede encontrar en el libro Linear Systems. T. Kailath. Ed. Prentice-Hall.
(1980)
31
Por otra parte si se compara la forma controlable (1.16) con la forma observable (1.18)
se observa que la matriz A tiene la misma forma, mientras que las matrices B y C son
distintas. Existe otra variante de la forma cannica observable7 que se caracteriza porque su
matriz A es distinta a la de (1.16), pero tiene la ventaja de que B se obtiene de forma directa
a partir de los coeficientes de la funcin de transferencia.
Ejemplo 1.6:
La funcin de transferencia del Ejemplo 1.5, se puede rescribir de acuerdo con (1.2) como:
G ( s) =
Luego b1 = ; b0 =
b1 s + b0
s + a1 s + a 0
2
; a1 = 2 n ; a0 = n2 .
El desarrollo en serie de Laurent de G(s) es:
G ( s ) = g 0 + g1 s 1 + g 2 s 2
En este caso n=2 y m=1 luego como m<n g0=0. Los coeficientes g1 y g2 se pueden calcular a travs
de (1.22):
g1 1
=
g 2 a1
b
1
b0
Sustituyendo los valores de a1, b0 y b1 en la expresin anterior:
g1 1
=
g 2 2 n
g1 =
g 2 = 2 n
Luego la forma cannica observable es:
Como se puede ver por ejemplo en el libro Ingeniera de Control Moderna de K. Ogata
32
1 x1 (t )
x&1 (t ) 0
x& (t ) = 2 2 x (t ) + 2 u (t )
n 2
n
2 n

x (t )
y (t ) = [1 0] 1
x 2 (t )
En la Figura 1.9 se muestra el diagrama de bloques para este sistema.
2 n
+
x&2
x2
2 n
x&1
x1
n2
+
Figura 1.9: Forma cannica observable para un sistema de segundo orden.
1.4.3 Forma cannica de Jordan

La forma cannica de Jordan proporciona los modos desacoplados del sistema. En ella
la matriz A es una matriz diagonal cuyos valores son los autovalores i (polos de la funcin
de transferencia) del sistema, si estos son distintos.
En el caso SISO la representacin en variables de estado en forma cannica de Jordan
toma la siguiente expresin:
1
0
x& (t ) =
...
0
y (t ) = [c1
...
2 ...
...
...
...
c2
...
1
0
1

0
x(t ) + ....u (t ); x(t 0 ) = x0
...

1
n
1
c n ]x(t ) + d u (t )
(1.23)
33
Los coeficientes ci y los autovalores i se obtienen desarrollando en fracciones simples

la funcin de transferencia G(s):
G ( s) = d +
c
c1
c2
+
+ ... + + n
s 1 s 2
s n
(1.24)
x1
c1
xn
cn

de Jordan.
En la Figura 1.10 se muestra el diagrama de bloques para la forma cannica de Jordan.

Se observa claramente la separacin de modos del sistema.
Ejemplo 1.7:
Para el sistema de segundo orden del ejemplo 1.5, los autovalores (polos de la funcin de
transferencia) son:
1, 2 = n n 2 1
Los correspondientes residuos estn dados por:
c1, 2 =
n n 2 1 +
2 n 1
2
Luego, la representacin en la forma cannica de Jordan es:
34
x1 (t ) 1
x&1 (t ) n + n 2 1
0
=

x& (t )
+ u (t )
n n 2 1 x 2 (t ) 1
0
2
+ 2 1 +
n
n
y (t ) =
2 n 2 1
n n 2 1 + x1 (t )
2 n 1
2

x (t )
2
Si lo que quiere es pasar de una representacin en variables de estado cualquiera a la

forma cannica de Jordan, existen varios mtodos para ello. Un mtodo indirecto sera
calcular la funcin de transferencia del sistema a partir de la representacin en variables de
estado original y a partir de la funcin de transferencia obtener la representacin cannica
de Jordan.
Pero tambin se puede obtener
la matriz de transformacin T entre las dos
representaciones, y usar la ecuacin (1.10) para la transformacin. Para ello hay que tener
en cuenta que la matriz A en la forma cannica de Jordan es una matriz diagonal formada
por los autovalores del sistema, que son invariantes a la representacin elegida, con lo que
vale con calcular los autovalores de la matriz A original a partir de la ecuacin:
I A = 0
(1.25)
Tambin hay que tener en cuenta que en la forma de Jordan B es un vector de unos,
de forma que las ecuaciones de transformacin son:
T A' = AT
T B ' = B
(1.26)
permiten tener n2+n ecuaciones, de las cuales n2 son independientes, con lo que es posible
resolverlas para obtener los coeficientes de la matriz T. Una vez conocida T, C se calcula
mediante la expresin:
C 'T = C T T
(1.27)
Ejemplo 1.8:
Para el sistema de segundo orden del ejemplo 1.5, los autovalores son:
I A =
n2
1
= 2 + 2 n + n2 = 0 12 = n n 2 1
+ 2 n
35
Las expresiones (1.26) quedan:
0
T11 T12 n + n 2 1
0
=
T
T
n n 1 n
0
22
21
T11 T12 1 0
=
T21 T22 1 1
T11 T12
2 n T21 T22
1
Resolviendo:
T11 =
T21 =
T12 =
2 n 1
2
n + n 2 1
2 n 2 1
T21 =
1
2 n 2 1
n + n 2 1
2 n 2 1
Luego:
C = (
2
n + n 1 n + n 1 2 n 2 1
Si hay races repetidas, la representacin cannica de Jordan sufre algunos cambios.

Ejemplo 1.9:
Si el autovalor 1 posee una multiplicidad 3, la ecuacin (1.23) toma la forma:
1 1 0 0
0 1 0
1
x& (t ) = 0 0 1 0
0 0 0 2
... ... ... ...
...
0
0
...

... x(t ) + 1 u (t ); x(t 0 ) = x0

...
1
...
...
Se observa en A que el bloque asociado al autovalor 1 posee unos sobre la diagonal principal. Esto
siempre es as para modelos de sistemas SISO de dimensin mnima. No necesitan ser todos unos
para sistemas MIMO.
36
Si algunos de los autovalores son pares complejos conjugados entonces la matriz de

Jordan A tendr valores complejos en su diagonal y el vector de estados x(t) tendr alguna
componente compleja. Para evitar esta situacin se introduce la forma cannica de Jordan
modificada que mantiene la caracterstica de separacin de modos sin que aparezcan
valores complejos en la matriz A ni el vector de estados x(t).
Ejemplo 1.10:
Por ejemplo, si se tiene la siguiente forma cannica:
A=
0
0
+ j
j 0
0
3
0
0
...
...
...
...
...
...
...
Una transformacin de la forma:
1 / 2 j / 2
1 / 2 j / 2
T = 0
0
0
0
...
...
0
0
1
0
...
0
0
0
1
...
...
1 1 0
j j 0
...
... T 1 = 0 0 1
...
0 0 0
... ... ...
...
0
0
0
1
...
...
...
...
...
...
Lleva a una descripcin del sistema mediante nicamente valores reales:
0
0
A=
0 0 3
... ... ...
...
...
...
...
1.5 RESOLUCIN DE LAS ECUACIONES DIFERENCIALES DE

ESTADO
Si se considera un sistema de parmetros constantes (invariante en el tiempo). La
solucin a la ecuacin diferencial (1.7) est dada por la solucin a la ecuacin diferencial de
estados homognea ms una solucin particular del sistema completo.
37
La ecuacin diferencial de estados homognea es:
x& (t ) = A x(t )
(1.28)
x(t ) = e At k
(1.29)
Su solucin tiene la siguiente forma:
donde k es un vector constante y e At es la funcin exponencial matricial definida mediante

la serie de Taylor:
e At = I + At + A 2
t2
t3
+ A 3 + ...
2!
3!
(1.30)
Demostracin:
Para verificar la solucin (1.29) se deriva x(t):
dx(t ) d (e At )
=
k
dt
dt
Considerando el desarrollo en serie (1.30):
2
2
3
de At
2
3 t
2 t
3 t
= A + A t + A + ... = A I + At + A + A + = Ae At
dt
2!
2!
3!
se obtiene
dx(t )
= Ae At k = Ax(t )
dt
Con lo que se demuestra que (1.29) es solucin de (1.28)
Si se dan una condiciones iniciales, x(t0)=x0, el vector constante k se puede calcular

particularizando (1.29) en el instante t0:
x(t 0 ) = e At0 k
38
Despejando k:
( )
k = e At 0
x(t 0 )
Por lo tanto la solucin (1.29) se puede expresar como:
( )
x(t ) = e At e At0
A la matriz e
A( t t 0 )
x(t 0 ) = e A(t t0 ) x(t 0 )
(1.31)
se le denomina matriz de transicin de estados ya que permite
calcular el vector de estados en un instante t conocido el vector de estados en un instante t0.

La matriz de transicin de estados depende nicamente de la matriz A, es decir, de la
dinmica del sistema.
Para calcular una solucin particular de (1.7) se puede usar el mtodo de variacin de
constante. As dicha solucin tendr la siguiente forma:
x(t ) = e At k (t )
(1.32)
donde k(t) es un vector funcin del tiempo que hay que determinar. Si se calcula la derivada
de (1.32):
dx(t ) d (e At )
dk (t )
=
k (t ) + e At
= Ae At k (t ) + e At k&(t )
dt
dt
dt
Sustituyendo la expresin anterior en (1.7) se obtiene:
Ae At k (t ) + e At k&(t ) = Ae At k (t ) + Bu (t ) e At k&(t ) = Bu (t )
Multiplicando por la izquierda por e At :
k&(t ) = e At Bu (t )
Luego el vector k(t) se puede obtener integrando:
t
k (t ) = e A Bu ( )d
tinf
39
Obsrvese que el lmite inferior tinf de la integral an no se puede especificar, puesto

que es necesario poner la solucin particular junto a la solucin de la ecuacin homognea
para obtener la solucin completa.
La solucin particular (1.32) ser por tanto:
t
tinf
tinf
x(t ) = e At e A Bu ( )d = e A(t ) Bu ( )d
(1.33)
La solucin completa se obtiene sumando esta solucin particular a la solucin de la

ecuacin homognea (1.31):
t
x(t ) = e A(t t0 ) x(t 0 ) + e A( t ) Bu ( )d

tinf
(1.34)
Ahora si es posible determinar el valor de tinf en la integral. Para ello en la ecuacin

anterior se toma t=t0:
t0
t0
tinf
t inf
x(t 0 ) = e A(t0 t0 ) x(t 0 ) + e A( t0 ) Bu ( )d e A( t0 ) Bu ( )d = 0

La integral debe ser 0 para cualquier posible valor de u(t) y ello solo es posible si tinf=t0.
Por lo tanto la solucin completa de (1.7) es:
t
x(t ) = e A(t t0 ) x(t 0 ) + e A(t ) Bu ( )d

t0
(1.35)
Esta solucin a la que se denomina integral de superposicin matricial, es suma de dos

trminos, el primero corresponde al estado inicial x(t0) y el segundo a la entrada u() en el
intervalo de tiempo [t0,t].
Otro hecho a resaltar es que el trmino integral, debido a la entrada, es una integral de
convolucin. Es decir, la contribucin al estado x(t) debido a la entrada u(t) es la convolucin
de u(t) con e At B . En este caso, la funcin e At B representa el mismo papel que la
respuesta a un impulso del sistema cuando la entrada es u(t) y la salida es x(t).
La salida y(t) en (1.7) se calcula sustituyendo el vector de estados x(t) por (1.35)
t
y (t ) = C e A(t t0 ) x(t 0 ) + C e A( t ) Bu ( )d + Du (t )
t0
40
(1.36)
Luego la respuesta a un impulso del sistema es C e A( t ) B .

En todo el desarrollo expuesto hasta aqu no se ha requerido en ningn momento que
las matrices B y C fuesen constantes. De hecho el desarrollo es vlido tambin si B y C son
variables con el tiempo. En este caso, que se corresponde con el sistema genrico (1.9), la
solucin a la ecuacin diferencial variante con el tiempo, suponiendo que A y Bu son
continuos a tramos y con condiciones iniciales x(t0)=x0, es:
t
x(t ) = (t , t 0 )x(t 0 ) + (t , )B( )u ( )d

t0
(1.37)
donde (t , t 0 ) es la matriz de transicin de estados. Esta ecuacin es la generalizacin de

la integral de superposicin matricial.
Demostracin:
Para demostrar que (1.37) satisface la ecuacin diferencial (1.9) se diferencia (1.37) utilizando la
regla de Leibnitz. Dicha regla tiene la siguiente expresin:
d
dt
B (t )
B (t )
f (t , )
dB(t )
dA(t )
f [t , A(t )]
d + f [t , B(t )]
t
dt
dt
A( t )
f (t , )d =
A( t )
Luego:
t
dx(t ) &
& (t , )B( )u ( )d + (t , t )B(t )u (t )
= (t , t 0 )x(t 0 ) +
t0
dt
Sustituyendo el valor de la derivada de la matriz de transicin de estados:

t
dx(t )
= A(t ) (t , t 0 )x(t 0 ) + A(t ) (t , )B( )u ( )d + B(t )u (t )
t0
dt
Sacando factor comn a A(t):

t
dx(t )
= A(t ) (t , t 0 )x(t 0 ) + (t , )B( )u ( )d + B(t )u (t )
t0
dt
El termino entre corchetes es justo la forma supuesta para el vector de estados x(t), luego esta es la
solucin deseada.
Tambin se puede ver fcilmente que (1.37) satisface la condicin inicial x(t0)=x0:
41
t0
x(t 0 ) = (t 0 , t 0 )x(t 0 ) + (t 0 , )B ( )u ( )d = I x0 + 0 = x0
t0
Ejemplo 1.11:
La ecuacin diferencial de una masa m a la cual se le aplica una fuerza externa F es:
&x& =
F
m
En este caso la variable de control u es la aceleracin total &x& .

Si se escogen las variables de estado:
x1 = x
x 2 = x&
Se tiene la forma en el espacio de estados:
x&1 = x 2
x& 2 = u
Luego para este ejemplo:
0 1
A =
0 0
0
B =
1
Aplicando el desarrollo en serie de Taylor (1.30) se obtiene la matriz de transicin de estados:
1 t
1 0 0 1
t =
+
(t ) = e At =
0 1
0 1 0 0
La serie termina tras solo dos trminos.
La integral en (1.37) con t0=0 es:
t (t )u( )d
t
t
0
1
u
(
)
d
u
(
)
d
t
0 0 1 1
0 1
u( )d
0
42
As, la solucin usando (1.37) es:
t (t )u( )d
x
t
t
x
(
0
)
(
)
1
1 0
1
+
t
x2 (t ) 0 1 x2 (0) u( )d
Y operando se obtiene:
t
x1 (t ) = x1 (0 ) + t x2 (0 ) + (t )u( )d
0
x2 (t ) = x2 (0 ) + u( )d
0
Estas soluciones se podran haber obtenido directamente de la ecuacin diferencial que describe al
sistema sin usar todo el aparato en el espacio de estados que se ha desarrollado. El inters y la
utilidad de este aparato matemtico se ponen de manifiesto en los casos en los que los mtodos
sencillos fallan.
La matriz de transicin de estados, que es fundamental en la teora de sistemas

dinmicos, satisface las siguientes propiedades:
1) Verifica la misma ecuacin diferencial homognea que el vector de estados:
d (t , t 0 )
= A(t ) (t , t 0 )
dt
(1.38)
2) Para t0=t es igual a la matriz identidad.
(t , t ) = I t
(1.39)
3) Propiedad del semigrupo:
(t 3 , t1 ) = (t 3 , t 2 ) (t 2 , t1 )
(1.40)
Esta propiedad es una consecuencia directa del hecho que para ir de un estado a
otro el resultado final es el mismo, se siga el camino que se siga.
4) Es no singular (invertible).
43
1 (t , t 0 ) = (t 0 , t )
t , t 0
(1.41)
Demostracin:
A continuacin se van a demostrar las cuatro propiedades indicadas para la matriz de transicin de
estados:
Primera propiedad
La ecuacin homognea para el vector de estados es:
dx(t )
= A(t )x(t )
dt
(d.1)
Donde la solucin x(t) est dada por:
x(t ) = (t , t 0 )x(t 0 )
(d.2)
La derivada de x(t), por supuesto debe satisfacer la ecuacin homognea para cualquier t y x(t). x(t0)
es un dato inicial y no una funcin del tiempo. Luego:
dx(t ) (t , t 0 )
=
x(t 0 )
dt
t
(d.3)
Obsrvese que se utiliza la derivada parcial porque la matriz de transicin de estados es funcin de
dos argumentos, t y t0. Sustituyendo (d2) y (d3) en (d1) se obtiene:
(t , t 0 )
x(t 0 ) = A(t ) (t , t 0 )x(t 0 )
t
Como se debe de verificar para todo x(t0), se puede cancelar x(t0) en ambos lados de la ecuacin,
con lo que se obtiene:
d (t , t 0 )
= A(t ) (t , t 0 )
dt
Tal y como se quera demostrar.
Segunda propiedad
La solucin de la ecuacin homognea se verifica para cualquier t y t0, incluyendo t=t0. Luego:
x(t ) = (t , t )x(t ) x(t )
44
Luego se concluye que:
(t , t ) = I t
Tal y como se quera demostrar
Tercera propiedad
La ecuacin diferencial homognea para el vector de estado no solo posee una solucin para
cualquier estado inicial x(t0) y cualquier intervalo de tiempo [t,t0] sino que esta solucin es nica.
Suponiendo la existencia y unicidad de soluciones se puede escribir:
x(t 3 ) = (t 3 , t1 )x(t1 ) t 3 , t1
(d.4)
x(t 3 ) = (t 3 , t 2 )x(t 2 ) t 3 , t 2
(d.5)
x(t 2 ) = (t 2 , t1 )x(t1 ) t 2 , t1
(d.6)
x(t 3 ) = (t 3 , t 2 ) (t 2 , t1 )x(t1 )
(d.7)
Y tambin:
Sustituyendo (d.6) en (d.5):
Y comparando (d.7) con (d.6) se obtiene:
(t 3 , t1 ) = (t 3 , t 2 ) (t 2 , t1 )
Cuarta propiedad
De la propiedad segunda y tercera se tiene que:
(t , t 0 ) (t 0 , t ) = (t , t ) = I
Luego operando sobre la ecuacin anterior se obtiene:
45
1 (t , t 0 ) = (t 0 , t )
t , t 0
Para el caso de sistemas invariantes en el tiempo, las cuatro propiedades anteriores

toman la siguiente forma:
d (t t 0 )
= A (t t 0 )
dt
(1.42)
(0) = I
(1.43)
(t ) (t 0 ) = (t + t 0 )
(1.44)
1 (t ) = (t )
(1.45)
Tambin para sistemas invariantes se define la matriz resolvente:
( s ) = [sI A]
(1.46)
Esta matriz ya se us en la ecuacin (1.6) al relacionar la representacin en variables

de estado con la funcin de transferencia.
Demostracin:
Se va a demostrar la ecuacin (1.46). Si se hace t0=0 y se toman transformadas de Laplace sobre la
ecuacin:
d (t t 0 )
= A (t t 0 )
dt
se obtiene:
s ( s ) (0) = A ( s ) s ( s ) I = A ( s )
Y operando
[sI A]( s) = I ( s) = [sI A]1
46
1.6 CONTROLABILIDAD Y OBSERVABILIDAD

Muchos de los conceptos en el espacio de estados se pueden ver como
reinterpretaciones de conceptos anteriores del dominio frecuencial, pero otros son
conceptos nuevos exclusivos de los mtodos en el espacio de estados. ste es el caso de
los conceptos de controlabilidad y observabilidad, que son propiedades de la representacin
especfica en el espacio de estados, ms que del sistema en si mismo.
Las ideas de controlabilidad y observabilidad fueron introducidas por Kalman, como una
forma de explicar porque un mtodo de diseo de compensadores para sistemas inestables
mediante cancelacin de polos inestables (polos en el semiplano derecho), mediante ceros
en el semiplano derecho est condenado a fracasar aunque la cancelacin sea perfecta.
Kalman demostr que de una cancelacin polo-cero perfecta resultara un sistema inestable
con funcin de transferencia estable. La funcin de transferencia, sin embargo, es de orden
menor que el sistema, y los modos inestables o no seran afectados por la entrada
(incontrolable) o no seran visibles en la salida (inobservables).
1.6.1 Controlabilidad del estado

La controlabilidad hace referencia al efecto de las entradas sobre los estados para un
modelo del sistema. Formalmente se dice:
Definicin: Una representacin en variables de estado de un sistema continuo es
completamente controlable si y solo si es posible transferir el sistema desde cualquier
estado inicial x(t0)=x0 a cualquier estado final x(t1)=x1 en un tiempo finito t1- t0>0, mediante la
aplicacin de seales de control u(t), t0 < t <t1.
Consecuentemente, para que sea completamente controlable, la estructura del modelo
debe ser tal que u pueda afectar a todas las variables de estado. El sistema no es
completamente controlable si solo es posible hacer que el sistema vaya de algunos estados
(no todos) a otros estados, o si el tiempo requerido para ir de cualquier estado inicial a
cualquier estado final es infinito.
El intervalo t1-t0 debe ser finito para que el sistema sea controlable. En sistemas
variantes puede ser necesario restringir t1-t0 a ser mayor que algn intervalo fijo T. En
sistemas invariantes, la nica restriccin es que t1-t0 sea mayor que cero. De hecho, si se
permiten entradas impulsivas, entonces es posible, en un sistema controlable, ir
instantneamente (en tiempo cero) de un estado a otro. En la prctica, en un sistema
47
controlable es posible ir de un estado a otro en un tiempo arbitrariamente corto si se

permiten entradas suficientemente grandes.
Teorema de controlabilidad: El modelo del sistema dado por (1.9) es completamente
controlable si y solo si el grammian de controlabilidad:
t1
Wc (t 0 , t1 ) = (t1 , )B( )B T ( ) T (t1 , )d
(1.47)
t0
cumple para algn t1>t0 alguno de los criterios equivalentes siguientes:

1) El dominio de Wc(t0,t1) es n.
2) El rango de la matriz Wc(t0,t1) es n.
3) Wc(t0,t1) es no singular y por lo tanto invertible.
4) Wc(t0,t1) es definida positiva (siempre es semidefinida positiva).
5) El determinante de Wc(t0,t1) es distinto de cero.
La equivalencia entre los criterios 2, 3, 4 y 5 es obvia. No resulta tan obvia la
equivalencia con el criterio 1. Para poner de manifiesto esta equivalencia hay que considerar
la solucin de la ecuacin diferencial (1.9) dada por (1.37) evaluada en t1:
t1
x1 = x(t1 ) = (t1 , t 0 )x(t 0 ) + (t1 , )B( )u ( )d

t0
Si el sistema es completamente controlable existe la posibilidad de alcanzar cualquier

estado x1 en el instante t1 desde el estado inicial x0. Esta afirmacin es equivalente a decir
que [x1 (t1 , t 0 )x(t 0 )] puede ser cualquier vector de n. Y en conclusin que el dominio
de
t1
t0
(t1 , )B( )u ( )d es todo n. Se puede demostrar que este dominio es equivalente
al dominio de la matriz Wc(t0,t1).

En el caso de sistemas invariantes el grammian de controlabilidad est dado por:
t1
Wc (t1 t 0 ) = e A(t1 ) BB T e A
t0
O de forma equivalente tomando T=t1-t0:
48
( t1 )
d =
t1 t 0
e
0
At
BB T e A t dt
(1.48)
Wc (T ) = e At BB T e A t dt
T
(1.49)
Si Wc(t0,t1) es singular y de rango k<n, entonces hay (n-k) estados no controlables en la

representacin. Si se puede obtener un modelo equivalente sin estados no-controlables, ello
es preferible para el diseo de controladores Cuando se introduce ruido dentro del modelo
tambin es conveniente estudiar la controlabilidad con respecto a las entradas de control y
de ruido.
Matrices con la forma del grammian de controlabilidad (1.47) o (1.49) para sistemas
invariantes, se tienen que calcular algunas veces en problemas de control ptimo y
estimacin. Sin embargo, calcular estas integrales solamente para verificar la controlabilidad
de un sistema supone un gran esfuerzo para un objetivo simple. Sera, por tanto,
conveniente disponer de un test alternativo mucho ms simple. Solamente los sistemas
invariantes con el tiempo disponen de este test alternativo, que viene definido a travs del
siguiente teorema:
Teorema algebraico de controlabilidad. El sistema invariante (1.7) es completamente
controlable si y solo la matriz de controlabilidad definida de la siguiente forma:
M c = B | AB | ... | A n 1 B
(1.50)
tiene rango n, es decir, hay n columnas linealmente independientes, o equivalentemente, el

espacio dominio de Mc es n.
Mc es un matriz con n filas y nr columnas. Cada columna de Mc representa un vector en
el espacio de estados a lo largo del cual es posible el control. Si es posible el control a lo
largo de n direcciones linealmente independientes (por ejemplo, una base de n) entonces
es posible el control en todo n.
Como Mc es una matriz constante, tiene rango constante. As, si Mc es singular,
entonces Wc(T) es singular para todo T. Anlogamente, si Wc(T) es no singular para
cualquier T>0, debe ser no singular para todo T>0. Esto significa que si un sistema es
controlable, hay una entrada que transfiere el sistema desde cualquier estado inicial a
cualquier otro estado en un tiempo arbitrariamente corto. Obviamente, para conseguir un
tiempo ms corto se necesita una mayor entrada.
49
1.6.1.1 Controlabilidad de la salida
En el diseo prctico de un sistema de control, tal vez se desee controlar la salida en

lugar del estado del sistema. Una controlabilidad completa del estado no es necesaria ni
suficiente para controlar la salida del sistema. Por esta razn, es conveniente definir una
controlabilidad completa de la salida por separado.
Definicin: Una representacin en variables de estado de un sistema continuo es de
salida completamente controlable si es posible construir un vector de control sin
restricciones u(t) que transfiera cualquier salida inicial determinada y(t0) a cualquier salida
final y(t1) en un intervalo de tiempo finito t0 < t <t1.
Teorema algebraico de controlabilidad. El sistema invariante (1.7) es de salida
completamente controlable si y solo la matriz de controlabilidad de salida definida de la
siguiente forma:
M cy = C B | C AB | ... | C A n 1 B | D
(1.51)
cuya dimensin es m x (n+1)r tiene rango m.

Obsrvese que la presencia del trmino Du en el sistema (1.7) siempre ayuda a
establecer la controlabilidad de la salida.
1.6.1.2 Alcanzabilidad
En algunos libros se usa el concepto de alcanzabilidad (reachability) que es similar al de

controlabilidad, su definicin es la siguiente:
Definicin: Un sistema de control se define como alcanzable si, al empezar desde el
origen del espacio de estados, el estado puede ser llevado a un punto arbitrario en el
espacio respectivo en un periodo finito, siempre que el vector de control no est restringido
(no acotado).
1.6.2 Observabilidad
La observabilidad hace referencia al efecto de los estados sobre las salidas. As, se
puede dar la siguiente definicin:
Definicin: Una representacin en variables de estado de un sistema continuo es
completamente observable si y solo si dadas las entradas u(t) y las salidas y(t) para todo
t[t0,t1], es posible deducir x(t) para t[t0,t1].
50
Para que una representacin en variables de estado sea completamente observable, su

estructura debe ser tal que un cambio en cualquier variable de estado afecte, de alguna
manera, a la salida y(t). Adems el efecto de una variable de estado sobre la salida se debe
distinguir del efecto de cualquier otra variable de estado.
x&1
x1
( x&1 + x&2 )
+
x&2
( x1 + x2 ) = y
x2
(a)
(b)
Figura 1.11: Modelo homogneo de dos estados: a) Modelo original. b) Modelo equivalente.
As en el modelo homogneo de la Figura 1.11a, las dos variables de estado x1 y x2

afectan a la salida y, pero no hay forma de obtener informacin separada sobre x1 y x2 a
partir slo de la observacin de y. De hecho, desde el punto de vista de las observaciones
de y, este modelo es equivalente al de la Figura 1.11b.
Teorema de observabilidad: El modelo del sistema dado por (1.9) es completamente
observable si y solo si el grammian de observabilidad:
t1
Wo (t 0 , t1 ) = T (t1 , )C T ( )C ( ) (t1 , )d
(1.52)
t0
cumple para algn t1>t0 alguno de los criterios equivalentes siguientes:

1) El espacio nulo de W0(t0,t1) es 0n.
2) Wo(t0,t1) es no singular y por lo tanto invertible.
3) Wo(t0,t1) es definida positiva.
4) El determinante de Wo(t0,t1) es distinto de cero.
Como se puede observar el grammian de observabilidad (1.52) mantiene una fuerte
semejanza con el grammian de controlabilidad (1.47). As en (1.52), en lugar de la matriz de
51
transicin de estados (t1 , ) aparece su transpuesta y en lugar de la matriz de control B

aparece la matriz de observacin C. Debido a esta semejanza se suele decir que
controlabilidad y observabilidad son conceptos duales.
Anlogamente a como se hizo para la controlabilidad, para modelos invariantes se
puede considerar un procedimiento ms prctico para determinar la observabilidad:
Teorema algebraico de observabilidad. El sistema invariante (1.7) es completamente
observable si y solo la matriz de observabilidad definida de la siguiente forma:
( )
M o = C T | AT C T | ... | AT
n 1
C T
(1.53)
tiene rango n, es decir, hay n columnas linealmente independientes, o equivalentemente, el

espacio dominio de Mo es n.
Para sistema de una sola salida, la matriz Mo es de dimensin n x n, y la condicin
anterior corresponde a decir que su determinante sea distinto de cero. Esto es equivalente
a decir que la funcin de transferencia dada por (1.8) no tenga cancelaciones polo-cero.
Ejemplo 1.12:
Considrese el sistema de segundo orden (n=2) descrito mediante la siguiente representacin en
variables de estado:
1 x1 0
x&1 1
x& = 2 1 x + 1u
2
2
x
y = [1 0] 1
x2
Para estudiar su controlabilidad, puesto que es un sistema invariante, se puede calcular su matriz de
controlabilidad Mc:
0 1
1 0 0 1
=
M c = [B | AB ] = |
1 2 1 1 1 1
Dado que el rango de Mc es 2, el sistema es completamente controlable.
Anlogamente, para estudiar su observabilidad, se puede calcular su matriz de observabilidad Mo
52
1 1 2 1 1 1
=
M o = C T | AT C T = |
0
1
1
0
0
1
Dado que el rango MO es 2, el sistema es completamente observable.
Ejemplo 1.13:
Considrese el sistema de tercer orden (n=3) descrito mediante la siguiente representacin en
1
0 x1 0
x&1 0
x& = 0
0
1 x 2 + 0u
2
x& 3 6 11 6 x3 1
x1
y = [4 5 1] x 2
x3
Se desea saber si es completamente observable. Para ello se calcula su matriz Mo:
( ) C
M o = C | A C | A
T
2 T
4 6 6
= 5 7 5
1 1 1
Como:
4 6
5 7 5 = 0
1 1 1
el rango de Mo es menor que 3. Y en consecuencia el sistema no es completamente observable.
La funcin de transferencia entre la entrada y la salida se puede calcular con la ecuacin (1.8)
0
s 1
Y ( s)
G ( s) =
= [4 5 1]0 s
1
U ( s)
6 11 s + 6
0
s 2 + 5s + 4
0 =
s 3 + 6s 2 + 11s + 6
1
O tambin de forma directa dndose cuenta de que se tiene una representacin en forma cannica
controlable.
53
Factorizando la expresin anterior:
G ( s) =
( s + 1)( s + 4)
( s + 1)( s + 2)( s + 3)
Se observa que los dos factores (s+1) se cancelan el uno al otro. Debido a esta cancelacin el
sistema no es completamente observable.
1.7 DISEO DE SISTEMAS DE CONTROL EN EL ESPACIO DE

ESTADOS MEDIANTE LA UBICACIN DE POLOS
Supngase que todas las variables de estado son medibles y que estn disponibles
para la realimentacin. Se demuestra que, si el sistema considerado es de estado
completamente controlable, los polos del sistema en lazo cerrado se pueden ubicar en
cualquier posicin deseada mediante una matriz de ganancias de realimentacin del estado.
Supongamos que se decide que los polos en lazo cerrado deseados estn en s=1,
s=2, ... s=n. Seleccionando una matriz de ganancias apropiada para una realimentacin
del estado, es posible forzar al sistema para que tenga los polos en lazo cerrado en las
posiciones deseadas, siempre y cuando el sistema original sea de estado completamente
controlable.
Con el objetivo de simplificar los aspectos matemticos del esquema de ubicacin de
polos, se va a considerar el caso en que la seal de control es un escalar. Considrese el
sistema de control:
x& = A x + Bu
(1.54)
Se supone que la seal de control u es un escalar, se selecciona como:
u = Kx
(1.55)
A este esquema de control (ver Figura 1.12) se le denomina realimentacin del estado,
se trata de un esquema de control en lazo cerrado.
54
x&
A
-K
Figura 1.12: Sistema de control en lazo cerrado mediante realimentacin del estado.
Puesto que u es un escalar, la matriz K es de dimensin 1 x n, a dicha matriz se le

denomina matriz de ganancias de realimentacin del estado.
Si se sustituye (1.55) en (1.54) se obtiene la expresin:
x& = ( A BK )u
(1.56)
La ecuacin caracterstica del sistema en lazo cerrado viene dada por la expresin:
c ( s ) = sI ( A BK ) = 0
(1.57)
Que puede expresarse en funcin de los valores deseados para los polos 1,2,...,n de
la siguiente forma:
c ( s ) = ( s + 1 )( s + 2 )...( s + n ) = s n + n 1 s n 1 + ... + 0
(1.58)
La matriz de ganancias de realimentacin de estado K que obliga a los valores

caractersticos de (1.56) a ser 1, 2, ..., n (valores deseados), es decir, a poseer una
ecuacin caracterstica de la forma (1.57) se demuestra que entre otros mtodos se puede
determinar mediante la frmula de Ackermann:
] [
K = [0 0 ... 0 1] B | AB | ... | A n 1 B A n + n 1 A n 1 + ... + 0 I

1
(1.59)
Se observa en (1.59) que el vector fila de dimensin 1 x n es la ltima fila de una matriz
identidad de dimensin n x n, a dicho vector se le puede denotar por en. A continuacin, de
acuerdo con (1.50), se tiene a la inversa de la matriz de controlabilidad Mc. Finalmente, se
tiene la ecuacin caracterstica ( A) que satisface la matriz A de acuerdo con el teorema
de Caley-Hamilton:
55
( A) = A n + n 1 A n 1 + ... + 0 I
Luego la frmula de Ackermann se puede expresar en la forma:
K = en M c1 ( A)
(1.60)
Obtencin de la ecuacin de Ackermann:

La ecuacin caracterstica del sistema en lazo cerrado viene dada por la expresin (1.57). Esta
ecuacin puede expresarse en funcin de los valores deseados para los polos 1,2,...,n en lazo
cerrado segn la forma (1.58).
Defnase:
~
A = ( A BK )
~
Por el teorema de Caley-Hamilton se sabe que la matriz A satisface su propia ecuacin

caracterstica:
( A) = A n + n 1 A n 1 + ... + 0 I = 0
Para obtener la frmula de Ackermann se va a suponer por simplicidad que n=3. Luego:
( A ) = A 3 + 2 A 2 + 1 A + 0 I = 0
(d.1)
Calculando las potencias de segundo y tercer orden:
~
~
2
A 2 = ( A BK ) = A 2 ABK BK A
(d.2)
~
~
~
3
A 3 = ( A BK ) = A 3 A 2 BK ABK A BK A 2
(d.3)
Y sustituyendo (d.2) y (d.3) en (d.1):
(A
~
~
~
A 2 BK ABK A BK A 2 + 2 A 2 ABK BK A + 1 ( A BK ) + 0 I = 0
Reordenando trminos:
(A
Como:
56
~
~
~
+ 2 A 2 + 1 A + 0 I 2 ABK 2 BK A 1 BK A 2 BK ABK A BK A 2 = 0
A 3 + 2 A 2 + 1 A + 0 I = ( A)
Entonces:
( A) 2 ABK 2 BK A 1 BK A 2 BK ABK A BK A 2 = 0
Y despejando
( A) :
~
( A) = 2 ABK + 2 BK A + 1 BK + A 2 BK + ABK A + BK A 2
Reordenando trminos
( A) = B K A 2 + 2 K A + K 1 + AB( K A + 2 K ) + A 2 BK
Que se puede expresar equivalentemente de la siguiente forma:
( A) = [B AB
~
~
K A 2 + 2 K A + K 1
~
A 2 B
K A + 2 K
= Mc
~
~
K A 2 + 2 K A + K 1
K A + 2 K
Se supone que el sistema es de estado completamente controlable, luego la inversa de la matriz de

controlabilidad Mc existe. Luego:
~
~
K A 2 + 2 K A + K 1
~
M c1 ( A) =
K A + 2 K
Multiplicando por el vector e3=[0 0 1] ambos miembros de esta ecuacin:
~
~
K A 2 + 2 K A + K 1
~
[0 0 1] M c1 ( A) = [0 0 1]
K A + 2 K
K = [0 0 1] M c1 ( A) = e3 M c1 ( A)
Que es precisamente la ecuacin de Ackermann para el caso n=3.
57
Un resultado fundamental obtenido por W.M. Wonham es el siguiente: Todos los polos
de un sistema en lazo cerrado puede ser arbitrariamente asignados mediante el mtodo de
realimentacin de variables de estados si y solo si el sistema es completamente
controlable.
Obsrvese que la controlabilidad del sistema es fundamental para poder aplicar la
frmula de Ackermann, ya que sino no existira la inversa de la matriz de controlabilidad.
Es importante sealar que la matriz K para un sistema SISO determinado no es nica,
sino que depende de las ubicaciones de los polos en lazo cerrado deseados (los cuales
determinan la velocidad y el amortiguamiento) seleccionados. Obsrvese que la seleccin
de los polos en lazo cerrados deseados, o de la ecuacin caracterstica deseada, es un
compromiso entre la rapidez de la respuesta del vector de error y la sensibilidad ante
perturbaciones y el ruido de medicin. Es decir, si se incrementan la velocidad de respuesta
de error, por lo general se incrementan los efectos adversos de las perturbaciones y el ruido
en la medicin.
Por lo tanto, al determinar la matriz de ganancias de realimentacin del estado K, para
un sistema determinado, es conveniente examinar mediante simulaciones por computador
las caractersticas de respuesta del sistema para varias matrices K diferentes y elegir
aquella que ofrezca el mejor comportamiento del sistema.
Ejemplo 1.14:
Considrese el sistema de tercer orden (n=3) descrito mediante la siguiente representacin en
1
0 x1 0
x&1 0
x& = 0
0
1 x 2 + 0u
2
x& 3 1 5 6 x3 1
Usando el control mediante la realimentacin del estado u=-Kx, se quiere que los polos en lazo
cerrado se ubiquen en s=-2j4 y s=-10. Para ello hay que calcular la matriz de ganancias de
realimentacin del estado K.
En primer lugar hay que comprobar si el sistema es de estado completamente controlable, ya que
slo en dicho caso ser posible realizar una ubicacin arbitraria de polos. La matriz de controlabilidad
para este sistema es:
58
1
0 0
M c = B | AB | A B = 0 1 6
1 6 31
Puesto que |Mc|=-1, el rango de Mc es 3 y el sistema es de estado completamente controlable. Por

tanto, es posible la ubicacin arbitraria de polos.
Mtodo 1:
Para calcular la matriz de ganancias de realimentacin K mediante la frmula de Ackermann (1.60) es
necesario calcular la inversa de la matriz de controlabilidad y la ecuacin caracterstica que satisface
la matriz A de acuerdo con el teorema de Caley-Hamilton:
1
c
1
0 0
= 0 1 6
1 6 31
5 6 1
= 6 1 0
1 0 0
c ( s ) = sI ( A BK ) = ( s + (2 + j4))( s + (2 j4))( s + 10) = s 3 + 14s 2 + 60s + 200

8
199 55
( A) = A + 14 A + 60 A + 200I = 8 159 7
7 43 117
3
Luego sustituyendo los valores calculados en (1.60) y operando se obtiene la ganancia K de

realimentacin de estado:
1
1 199 55
8
0 0
1
K = en M c ( A) = [0 0 1]0 1 6 8 159
7 = [199 55 8]
1 6 31 7 43 117
Con esta realimentacin de estado los polos se ubican en las posiciones deseadas.
Mtodo 2:
Para sistema de ordenes pequeos (n 3) otra forma alternativa usualmente ms sencilla de calcular
K es igualando la ecuacin caracterstica en lazo cerrado sI ( A BK ) ,
59
s
sI ( A BK ) = 0
1 + k1
1
s
5 + k2
1 = s 3 + (6 + k 3 )s 2 + (5 + k 2 )s + (1 + k1 )
s + 6 + k 3
0
con la ecuacin caracterstica deseada:
s 3 + 14s 2 + 60s + 200

Por tanto,
6 + k 3 = 14
5 + k 2 = 60
1 + k1 = 200
Resolviendo las ecuaciones anteriores se obtienen los elementos del vector de ganancias K
k1 = 199, k 2 = 55, k 3 = 8
Mtodo 3:
Si la representacin en variables de estado del sistema viene dada en su forma cannica controlable,
como sucede en este caso, entonces la matriz de ganancias se puede calcular a travs de la
siguiente frmula:
K = [ n a n | ... | 1 a1 ]
Donde los ai i=1,...,n son los coeficientes de la ecuacin caracterstica del sistema |sI-A|=0, y los i
son los coeficientes de la ecuacin caracterstica deseada.
s 1
s I A = 0
1
s
5
0
1 = s 3 + 6s 2 + 5s + 1 = s 3 + a1 s 2 + a 2 s + a3
s+6
Luego: a1= 6, a2=5 y a3=1.

La ecuacin caracterstica deseada es:
s 3 + 14s 2 + 60s + 200 = s 3 + 1 s 2 + 2 s + 3

Luego: 1= 14, 2=60 y 3=200.
60
Por lo tanto:
K = [200 1 60 5 14 6] = [199 55 8]
1.8 OBSERVADORES DE ESTADO

Ocurre muchas veces en la prctica que no todas las variables de estado se encuentran
disponibles para su realimentacin. En dicho caso, es necesario estimar las variables de
estado que no estn disponibles. La estimacin de dichas variables de estado se suele
denominar observacin.
Un dispositivo o un programa de computadora que estima u observa las variables de
estado se denomina observador de estado, o, simplemente, observador. Si el observador de
estado estima todas las variables de estado del sistema, sin importar si algunas de las
variables puede ser medida directamente, entonces se denomina observador de estado de
orden completo. Asimismo un observador que estima menos de n variables de estado,
siendo n la dimensin del vector de estado, se denomina observador de estado de orden
reducido. Si el observador de estado reducido tiene el orden mnimo posible, se denomina
observador de estado de orden mnimo.
Un observador de estado estima las variables de estado a partir de las mediciones de
las variables de salida y de control. Slo pueden disearse si y slo si se satisface la
condicin de observabilidad.
Se denotar por x al vector de estado estimado u observado. En muchos casos
prcticos, x se usa en la realimentacin de estado en lugar de x para generar el vector de
control deseado.
Considrese el sistema real definido mediante:
x& = A x + Bu
y = Cx
(1.61)
(1.62)
Supngase que el estado x se aproximar mediante el estado x del siguiente modelo

dinmico:
61
x& = A x + Bu + K e ( y C x ) = ( A K e C ) x + Bu + K e y
(1.63)
que representa al observador de estado.

Obsrvese que el observador de estado tiene como entradas a y e u, y como salida a
x . Adems el ltimo trmino del segundo miembro del modelo, es un trmino de correccin
que contiene la diferencia entre la salida y medida y la salida C x estimada. La matriz Ke
funciona como una matriz de ponderacin. El trmino de correccin vigila al estado x .
La dinmica del observador se caracteriza mediante las matrices A y B y mediante el
trmino de correccin adicional, que contiene la diferencia entra la salida medida y la
estimada. Para el siguiente anlisis se supone que las matrices A y B usadas en el modelo
son iguales a las del sistema real.
1.8.1 Observador de estado de orden completo

En este caso el orden del observador es igual al del sistema. Para obtener la ecuacin
de error del observador, se resta (1.63) de (1.61).
x& x& = A x A x K e (C x C x ) = ( A K e C )( x x )
(1.64)
Si se define el vector de error e como:
e = ( x x )
entonces la ecuacin (1.64) se convierte en
e& = ( A K e C )e
(1.65)
El comportamiento dinmico del vector de error se determina mediante los valores

caractersticos de la matriz A-KeC. Si esta matriz es estable, el vector de error converger a
cero para cualquier vector de error inicial e(0). Es decir, que x converger a x
independientemente de cuales sean sus valores iniciales.
Si el sistema es completamente observable, se demuestra que es posible seleccionar
una matriz Ke tal que A-KeC tenga los valores caractersticos arbitrariamente deseados.
El problema de disear un observador de orden completo se convierte en determinar la
matriz de ganancias del observador Ke tal que la dinmica de error definida mediante (1.65)
62
sea asintticamente estable con una velocidad de respuesta suficiente, es decir, los valores
caractersticos de A-KeC tomen unos determinados valores deseados.
Una forma de abordar este problema es considerar el problema dual, es decir,
resolviendo el problema de ubicacin de polos para el siguiente sistema dual:
z& = AT z + C T v
= B T z
Se supone que la seal de control v es:
v = K z
Si el sistema dual es de estado completamente controlable, la matriz de ganancias de
realimentacin del estado K se determina de tal modo que la matriz AT- CTK produzca un
conjunto de valores caractersticos deseados.
Si 1, 2,..., n son los valores caractersticos de la matriz del observador de estado,
tomando los mismos i que los valores caractersticos deseados de la matriz de ganancias
de realimentacin del estado del sistema dual, se obtiene la ecuacin caracterstica del
sistema en lazo cerrado para el sistema dual
c ( s ) = sI ( AT C T K ) = ( s + 1 )( s + 2 )...( s + n )
Considerando que los valores caractersticos de AT- CTK y A - KT C son iguales se tiene
que:
sI ( AT C T K ) = sI ( A K T C )
Comparando estos polinomios caractersticos con la ecuacin (1.65) se observa que:
Ke = K T
(1.66)
Por lo tanto est relacin, permite calcular la matriz de ganancias del observador Ke a
partir de la matriz K determinada mediante el enfoque de ubicacin de polos en el sistema
dual.
63
Para la resolucin de este problema de ubicacin de polos el sistema dual debe ser de
estado completamente controlable. Luego el rango de la matriz de controlabilidad del
sistema dual
( )
[C T | AT C T | ... | AT
n 1
C T ]
debe ser n.
Obsrvese que la matriz de controlabilidad del sistema dual es a su vez la matriz de
observabilidad del sistema original. Esto significa que una condicin necesaria y suficiente
para la observacin del estado del sistema definido mediante las ecuaciones (1.61) y (1.62)
es que el sistema sea completamente observable.
La resolucin del este problema de ubicacin de polos en el sistema dual se puede
resolver aplicando la ecuacin de Ackermann (1.60) al mismo. En este caso toma la forma:
K = en M o1 ( AT )
(1.67)
Luego de acuerdo con (1.66) se tiene que:
K e = en M o1 ( AT )
(1.68)
Ejemplo 1.15:
Considrese la siguiente representacin en variables de estado de un cierto sistema
x&1 0 20.6 x1 0
u
+
x& = 1
0 x 2 1
2
x&
y = [0 1] 1
x& 2
Se desea disear un observador de estado de orden completo suponiendo que los valores
caractersticos deseados de la matriz del observador son:
1 = 1.8 + j2.4 2 = 1.8 j2.4

El diseo del observador se reduce a la determinacin de la matriz de ganancias del observador Ke
apropiada.
64
En primer lugar hay que comprobar la observabilidad del sistema, para ello se calcula la matriz de
observabilidad:
0 1
M o = [C T | AT C T ] =
1 0
Como |Mo|=-1 su rango es 2, y por lo tanto el sistema es de estado completamente observable y es
posible la determinacin de la matriz de ganancias del observador Ke.
Una posible forma de calcular Ke es usando la ecuacin (1.68). Para aplicarla hay que calcular en
primer lugar la inversa de la matriz de observabilidad:
1
o
0 1
=
1 0
0 1
=
1 0
Adems hay que calcular la ecuacin caracterstica deseada para el observador:
c ( s ) = ( s + 1.8 j2.4)( s + 1.8 + j2.4) = s 2 + 3.6s + 9

Por el Teorema de Caley-Hamilton se obtiene
( A) :
( A) = A 2 + 3.6 A + 9I
Y evalundola en AT:
20.6
( AT ) = (AT ) + 3.6 AT + 9I =
0
2
0 0
3.6 9 0 29.6 3.6
+
+
=
20.6 74.16 0 0 9 74.16 29.6
Luego aplicando (1.68) se obtiene:

T
0 1 29.6 3.6
29.6
=
K e = [0 1]
1 0 74.16 29.6
3 .6
Para sistemas de orden pequeo (n3) otra forma alternativa de calcular Ke es igualando la ecuacin
caracterstica del observador con la ecuacin caracterstica deseada. Para este sistema se tendra:
sI A + K e C = ( s + 1 )( s + 2 ) = s 2 + 3.6s + 9
Desarrollando el lado izquierdo de la ecuacin anterior se obtiene:
65
s 20.6 + k e1
s 0 0 20.6 k e1
= s 2 + k e 2 s 20.6 + k e1
+ [0 1] =
0 s 1
s + k e2
1
0 k e 2

Luego:
s 2 + k e 2 s 20.6 + k e1 = s 2 + 3.6s + 9
Por lo tanto, ke1=29.6 y ke2=3.6.
La ecuacin para el observador de orden completo se obtiene a partir de la ecuacin (1.63)
x&1 0 9 x1 0
29.6
+ u +
& =
y
3.6
x 2 1 3.6 x 2 1
1.8.2 Algunos comentarios sobre la seleccin de la mejor Ke

Si en el sistema estn implcitos factores desconocidos significativos la seal de
realimentacin a travs de la matriz Ke debe ser relativamente grande. Sin embargo, si la
seal de salida se contamina en forma significativa con perturbaciones y ruido en la
medicin, la salida y no es de fiar. Por lo tanto la seal de realimentacin a travs de la
matriz Ke debe ser relativamente pequea.
En consecuencia al determinar la matriz Ke se debe examinar con cuidado los efectos
de las perturbaciones y el ruido implcito en la salida y. En general la eleccin de la mejor
matriz Ke debe ser un compromiso entre la respuesta rpida y la sensibilidad ante
perturbaciones y ruidos.
1.8.3 Efectos de la adicin del observador en un sistema en lazo

cerrado
En el proceso de diseo mediante la ubicacin de polo descrito en la seccin 1.7.1 se
supuso que el estado real x(t) se encontraba disponible para su realimentacin. Sin
embargo, en la prctica tal vez no puedan medirse el estado real x(t), por lo que se
necesitar disear un observador y usar el estado observado x (t ) para la realimentacin, tal
y como se aprecia en la Figura 1.13.
Por lo tanto, el proceso de diseo tiene ahora dos etapas:
1) Determinar la matriz de ganancias de realimentacin K para producir la ecuacin
caracterstica deseada.
66
2) Determinar la matriz de ganancias del observador Ke para obtener la ecuacin

caracterstica deseada del observador
u
x&
A
-K
x&
A
Ke
Figura 1.13: Sistema de control mediante la realimentacin del estado observado.
Se van analizar, a continuacin, los efectos del uso del estado observado en lugar del
estado real en la ecuacin caracterstica de un sistema en lazo cerrado. Considrese el
sistema definido por (1.61) con el control mediante la realimentacin del estado observado
u = K x
(1.69)
Con este control la ecuacin de estado toma la siguiente forma:
x& = A x BK x
Que se puede escribir equivalentemente en la forma:
)
x& = ( A BK )x + BK ( x x )
(1.70)
La sustitucin del vector de error produce
x& = ( A BK )x + BK e
(1.71)
67
Combinando esta ecuacin con la ecuacin (1.65) del observador de estado se obtiene:
x& A BK
e& = 0

BK x
A K e C e
(1.72)
Esta ecuacin describe la dinmica del sistema de control mediante la realimentacin

del estado observado. La ecuacin caracterstica par este sistema es:
sI A + BK
0
BK
= 0
sI A + K e C
(1.73)
O equivalentemente:
sI A + BK sI A + K e C = 0
(1.74)
Se pone de manifiesto que los polos en lazo cerrado del sistema de control mediante la
realimentacin del estado observado consisten en los polos producidos slo por el diseo
mediante ubicacin de polos y los polos producidos slo por el diseo del observador. En
conclusin el diseo mediante la ubicacin de los polos y el diseo del observador son
independientes uno del otro.
En general los polos del observador se seleccionan para que la respuesta del
observador sea mucho ms rpida que la respuesta del sistema. Una regla prctica es elegir
una respuesta del observador al menos de 2 a 5 veces ms rpida que la respuesta del
sistema. Por lo general la velocidad de respuesta mxima del observador se limita slo
mediante el problema de sensibilidad y el ruido implcitos en el sistema de control. Puesto
que los polos del observador se ubican a la izquierda de los polos en lazo cerrado deseados
en el proceso de ubicacin de polos, estos ltimos dominarn en la respuesta.
1.8.4 Funcin de transferencia para el controlador-observador

La ecuacin del observador (1.63) dado que se realimenta al sistema el estado
observado (1.69) se convierte en:
x = ( A K e C BK )x + K e y
(1.75)
Si se toma la transformada de Laplace de esta ecuacin, supuesto condiciones iniciales

nulas, se obtiene:
68
s X ( s ) = ( A K e C BK ) X ( s ) + K e Y ( s )
(1.76)
Despejando X ( s ) se obtiene:
1
X ( s ) = (sI A + K e C + BK ) K e Y ( s )
(1.77)
Si se toma la transformada de Laplace de la ecuacin (1.69) y se sustituye en ella

(1.77) se obtiene:
U ( s ) = K (sI A + K e C + BK ) K e Y ( s )
1
(1.78)
Se define la funcin de transferencia del controlador-observador como:
U (s)
1
= K (sI A + K e C + BK ) K e
Y (s)
(1.79)
En la Figura 1.14 se muestra la representacin del sistema en diagrama de bloques:

R( s) = 0 +
K (sI A + K e C + BK ) K e
1
U (s)
Y (s )
Planta
Figura 1.14: Representacin en diagrama de bloques del sistema con un controlador-observador.

Ejemplo 1.16:
Considrese el diseo de un sistema regulador para la planta siguiente:
1 x1 0
x&1 0
x& = 20.6 0 x + 1u
2
2
x
y = [1 0] 1
x2
Supngase que se ha utilizado el enfoque de ubicacin de polos para el diseo del sistema y que los
polos en lazo cerrado deseados para este sistema estn en s=-1.8+j2.4 y s=-1.8-j2.4. La matriz de
ganancias de realimentacin del estado K para este caso es:
69
K = [29.6 3.6]
Supngase adems que se usa un control mediante realimentacin del estado observado:
x
~
u = [29.6 3.6] ~1
x2
Se elige que los valores caractersticos de la matriz de ganancias del observador sean:
1 = 2 = 8
Hay que determinar la matriz de ganancias del observador Ke.
En primer lugar hay que comprobar la observabilidad del sistema, para ello se calcula la matriz de
observabilidad:
0 1
M o = [C T | AT C T ] =
1 0
Como |Mo|=-1 su rango es 2, y por lo tanto el sistema es de estado completamente observable y es
posible la determinacin de la matriz de ganancias del observador Ke.
Una posible forma de calcular Ke es calculando la ecuacin caracterstica deseada para el
observador,
( s + 8)( s + 8) = s 2 + 16s + 64
Calculando la ecuacin caracterstica del observador,
s + k e1
1 k e1
s 0 0
[
]
0
=
+
0 s 20.6 0 k
20.6 + + k e 2
e2

1
= s 2 + k e1 s 20.6 + k e 2
s
e igualando ambas ecuaciones:
s 2 + k e1 s 20.6 + k e 2 = s 2 + 16s + 64
se obtiene, ke1=16 y ke2=84.6. Es decir,
16
Ke =
84.6
70
La ecuacin del observador (1.63) dado que se realimenta al sistema el estado observado (1.69) se
convierte en:
x& = ( A K e C BK )~
x + Ke y
Sustituyendo valores se obtiene:
x&1 16
1 x1 16
& =
y
+
x 2 93.6 3.6 x 2 84.6
Por otra parte, la funcin de transferencia del controlador-observador viene dada por (1.79),
sustituyendo valores se obtiene:
1 16 778.16s + 3690.72
s + 16
U ( s)
= [29.6 3.6]
= 2
Y ( s)
93.6 s + 3.6 84.6 s + 19.6s + 151.2
Su diagrama de bloques sera el dado en la Figura 1.15:
R( s ) = 0 +
778.16s + 3690.72
s 2 + 19.6s + 151.2
U (s )
1
s 2 20.6
Y (s)
Figura 1.15
El sistema, como un todo, es de cuarto orden y su ecuacin caracterstica sera:
sI A + BK sI A + K e C = ( s 2 + 3.6s + 9)( s 2 + 16s + 64) = 0

Operando:
s 4 + 19.6s 3 + 130.6s 2 + 374.4s + 576 = 0

Obsrvese que esta ecuacin caracterstica tambin se puede obtener calculando la funcin de
transferencia en lazo cerrado Y(s)/R(s), su denominador igualado a cero sera precisamente dicha
ecuacin caracterstica.
71
1.8.5 Observador de orden mnimo

En la prctica algunas variables de estado se miden con precisin y no necesitan
estimarse. Supngase que el vector de estados x es de dimensin n y que el vector de
salida y es un vector de dimensin m medible. Dado que las m variables de salida son
combinaciones lineales de las variables de estado, slo necesitan estimarse n-m variables
de estado. As, el observador de estado de orden reducido ser de orden n-m.
Para establecer la idea bsica del observador de orden mnimo, sin complicaciones
matemticas innecesarias, se va a presentar el caso en el que la salida es un escalar (m=1)
y se obtendr la ecuacin de estado para el observador de orden mnimo.
Supngase que el vector de estado x se divide en dos partes xa (un escalar) y xb (un
vector de dimensin n-1). Aqu la variable de estado xa es igual a la salida y que se mide
directamente. Mientras que xb es la parte que no se puede medir del vector de estado.
Teniendo en cuenta esta distincin las ecuaciones de estado y de salida toman la siguiente
forma:
x& a Aaa
x& = A
b ba
Aab x a Ba
u
+
Abb xb Bb
x
y = [1 0 ... 0] a
xb
En donde:
Aaa es un escalar.
Aab es una matriz de dimensin 1 x (n-1).
Aba es una matriz de dimensin (n-1) x 1.
Aba es una matriz de dimensin (n-1) x (n-1).
Ba es un escalar.
Bb es una matriz de dimensin (n-1) x 1
A partir de (1.80), la ecuacin para la parte medida del estado es:
x& a = Aaa x a + Aab xb + Ba u

O equivalentemente:
72
(1.80)
x& a Aaa x a Ba u = Aab xb
(1.81)
Esta ecuacin relaciona las cantidades medibles y no medibles del estado, y funciona
como la ecuacin de salida
Por otra parte, a partir de (1.80), la ecuacin para la dinmica de la parte no medida del
estado es:
x& b = Aba x a + Abb xb + Bb u
(1.82)
Observador de estado de orden

completo

mnimo
Ecuacin de estado
x& = A x + Bu
x& b = Aba x a + Abb xb + Bb u
Ecuacin de salida
y = Cx
x& a Aaa x a Ba u = Aab xb
Tabla 1.1
Observador de estado de
orden completo

mnimo
xb
Abb
Bu
Aba x a + Bb u
x& a Aaa x a Ba u
Aab
K e (matriz de n x 1)
K e (matriz de (n-1) x 1)
Tabla 1.2
Si se comparan las ecuaciones de estado y de salida para el observador de orden

completo con la del observador de orden mnimo (Ver Tabla 1.1) se pueden generar una
lista de las sustituciones necesarias para escribir la ecuacin para el observador de estado
de orden mnimo (ver Tabla 1.2)
73
La ecuacin del observador de estado de orden completo es (ver seccin 1.7.2.1)
x& = ( A K e C ) x + Bu + K e y
(1.83)
Realizando en esta ecuacin las sustituciones indicadas en la Tabla 1.2, reordenando

trminos y definiendo:
xb K e y = x b K e x a =
(1.84)
x b K e y = x b K e x a =
(1.85)
entonces la ecuacin del observador de orden mnimo es:
& = ( Abb K e Aab ) + [( Abb K e Aab )K e + Aba K e A aa ] y + (Bb K e Ba )u (1.86)

Adems la ecuacin de error para el observador de orden mnimo es:
e& = ( Abb K e Aab )e
(1.87)
La dimensin del vector de error e es (n-1) x 1.

Para que sea posible la determinacin de la matriz de ganancias del observador Ke y
poder disear el observador de orden mnimo, la condicin de observabilidad que se debe
cumplir es que:
M omin
Aab
A A
ab bb
.
=
n2
Aab Abb
(1.88)
sea de rango n-1.

La ecuacin caracterstica para el observador de orden mnimo se obtiene a partir de la
ecuacin de error de la siguiente forma:
74
cmin ( s ) = sI Abb + K e Aab = s n 1 + a n 2 s n 2 + ... + a1 s + a 0 = 0
(1.89)
Si los valores caractersticos deseados para el observador de orden mnimo son

1,2,...,n-1, entonces la ecuacin caracterstica deseada sera:
cmin ( s ) = ( s 1 )( s 2 )...( s n 1 ) = 0
(1.90)
La constante de error Ke puede obtenerse a partir de la ecuacin (1.68) modificndola

de la siguiente forma:
K e = ( Abb ) M omin
enT1
(1.91)
en donde:
( Abb ) = Abb n 1 + a n 2 Abb n 2 + ... + a1 Abb + a 0 I
Ejemplo 1.17:
Considrese el sistema:
x&1 0 1 0 x1 0
x& = 0 0 1 x + 0u
2
2
x& 3 6 11 6 x3 1
x1
y = [1 0 0] x 2
x3
Suponga que la salida y se puede medir con precisin, con lo cual no necesita estimarse la variable
de estado x1 (ya que es igual a y). Disear un observador de orden mnimo (que ser de segundo
orden) supuesto que los valores caractersticos deseados para dicho observador son:
1 = 2 + j2 3
2 = 2 j2 3
El vector de estado y las matrices A y B se pueden reescribir de la siguiente forma:
75
x1
x a

x = x 2 =
x x
3 b

|
1
0
0
Aab
|
Aaa
A=
=
0
|
0
1
Abb
|
Aba
6
|
11
6
0
Ba
B = =
0
Bb
1
Luego se tiene:
x
xb = 2
x3
x a = x1
Aaa = 0
Aab = [1 0]
0
Aba =
6
1
0
Abb =
11 6
0
Ba = 0 Bb =
1
Para que sea posible la determinacin de la matriz de ganancias del observador Ke y poder disear el
observador de orden mnimo, la condicin de observabilidad que se debe cumplir es que:
A 1 0
M 0min = ab =
Aab Abb 0 1
sea de rango n-1=3-1=2. Efectivamente esto es as.
De acuerdo con la ecuacin (1.90), la ecuacin caracterstica deseada para el observador de orden
mnimo es:
cmin ( s ) = ( s + 2 j2 3 )( s + 2 + j2 3 ) = s 2 + 4s + 16 = 0
Luego
( Abb ) es:
2
( Abb ) = Abb
1
1
0
0
1 0 5 2
+ 4 Abb + 16I =
+ 4
+ 16
11 6
11 6
0 1 22 17
La constante de error Ke se va a obtener a travs de la ecuacin (1.91):
K e = ( Abb ) M
76
(1.92)
min 1
o
T
n 1
5 2 1 0 0 2
=
=
22 17 0 1 1 17
Puesto que:
1 2
1
0
2
[1 0] =
Abb K e Aab =
11 6 17
28 6
La ecuacin para el observador de estado de orden mnimo, de acuerdo con (1.86) es:
& 2 2
0 2
1 2 0 2
1 2 2
+
+ 0 y + 0u
& =
1 17
3 28 6 3 28 6 17 6 17
& 2 2
1 2 13
0
+
+
y
& =
1u

3 28 6 3 52
En donde:
2 x 2
= x K e y
3 3
O equivalentemente:
x 2 2
x = + K e x1
3 3
Si se usa la realimentacin del estado observado, la seal de control u se convierte en:
x1
u = K x = K x 2
x 3
en donde K es la matriz de ganancias de realimentacin del estado (que no se ha determinado en
este ejemplo).
77
78
TEMA 2
MODELOS DE SISTEMAS DISCRETOS
2.1 INTRODUCCIN
En las ltimas dcadas se ha incrementado el uso de controladores digitales en
sistemas de control. Los controladores digitales se utilizan para alcanzar el desempeo
ptimo, por ejemplo, en la forma de productividad mxima, beneficio mximo, costo mnimo
o la utilizacin mnima de energa. La capacidad en la toma de decisiones y la flexibilidad en
los programas de control son las mayores ventajas de los sistemas de control digital.
La tendencia actual de controlar los sistemas dinmicos en forma digital en lugar de
analgica, se debe principalmente a la disponibilidad de computadores digitales de bajo
costo y a las ventajas de trabajar con seales digitales en lugar de seales en tiempo
continuo.
Los sistemas de control en tiempo discreto son aquellos sistemas en los cuales una o
ms variables pueden cambiar slo en valores discretos de tiempo. Estos instantes, pueden
especificar los tiempos en los que se lleva a cabo alguna medicin de tipo fsico o los
tiempos en los que se extraen los datos de la memoria de un computador digital. El intervalo
de tiempo entre estos dos instantes discretos se supone que es lo suficientemente corto de
modo que el dato para el tiempo entre stos se pueda aproximar mediante una interpolacin
sencilla.
Los sistemas en tiempo discreto, los cuales involucran seales de datos muestreados o
seales digitales y posiblemente seales en tiempo continuo, se pueden describir mediante
ecuaciones en diferencias despus de la apropiada discretizacin de las seales en tiempo
continuo.
En este tema se extienden al caso de los sistemas discretos los conceptos estudiados
en el tema anterior para sistemas continuos. Adems se estudia el enfoque de ecuaciones
79
TEMA 2: Modelos de sistemas discretos
polinomiales para el diseo de sistemas de control, que es una tcnica alternativa al diseo
mediante ubicacin de polos cuyo estudio resulta til de cara a comprender mejor el control
estocstico (Tema-9).
2.2 MODELADO DE SEALES DISCRETAS

2.2.1 Secuencias
Las seales que maneja un computador se pueden modelar como secuencias, que son
conjuntos ordenados de valores. El orden se indica mediante un subndice k que es nmero
entero y se representan por: {y0, y1, y2,.., }, o de forma abreviada por {yk}.
Una forma alternativa de definir una seal es mediante la posible funcin que define el
trmino genrico de la secuencia. Por ejemplo: yk=1+0.5k-0.32k define la secuencia
{1,1.41,1.242,...} cuando k=0, 1, 2, ...
Las operaciones bsicas que se pueden realizar con una secuencia son:
Suma o resta:
{x k } = { y k } + {u k } = { y 0 + u 0 , y1 + u1 , y 2 + u 2 ,...}
Multiplicacin por un escalar:
{x k } = { y k } = { y 0 , y1 , y 2 ,...}
Retraso de una secuencia:
{x k } = { y k d } = {0 0 ,01 ,...,0 d , y 0 , y1 , y 2 ,...}

Estas secuencias se pueden obtener como valores que, a lo largo del tiempo y
normalmente en instantes de tiempo igualmente espaciados por un periodo T, va tomando
una variable determinada. Para estos tipos de secuencia obtenidas a partir del muestreo con
periodo T de una seal continua es corriente usar la siguiente notacin:
y (k T ) = {y (0), y (T ), y (2T ),...} k = 0,1, 2,...

Si el periodo es T=1 s, entonces:
y (k ) = {y (0), y (1), y (2),...} k = 0,1, 2,...
80
que es equivalente a la notacin:
y (k ) {y k } = {y 0 , y1 , y 2 ,...} k = 0,1, 2,...

Ejemplo 2.1:
Considrese la planta
P(s) =
1
s +1
En la Figura 2.1 se muestra en lnea continua la respuesta y(t) de la planta al ser excitada por una
entrada escaln. Adems se representa con crculos la respuesta muestreada con un periodo
T=0.25 s. Los puntos muestreados forman la secuencia:
y (k 0.25) {y (0), y (0.25), y (0.50),...} = (0, 0.2212, 0.3934, ....) k = 0,1, 2,...
1
0.9
0.8
0.7
y(t)
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2
3
Tiempo (s)
Figura 2.1: Respuesta y(t) (lnea continua) a un escaln de la planta P(s) y puntos muestreados
(crculos) con T=0.25 s.
2.2.2 La transformada Z de una secuencia

Trabajar con secuencias no parece lo ms apropiado para obtener las caractersticas
dinmicas y estticas de los sistemas discretos. Por este motivo, se introduce la
transformada Z que facilita el anlisis matemtico de las secuencias. La transformada Z en
81
sistemas de control en tiempo discreto juega el mismo papel que la transformada de Laplace
en los sistemas de control en tiempo continuo.
Dada una secuencia {yk} su transformada Z se define mediante la siguiente ecuacin:
Y ( z ) = Z [{y k } ] = y i z i = y 0 + y1 z 1 + y 2 z 2 + ...
(2.1)
i =0
La transformada Z de una funcin del tiempo y(t) que ha sido muestreada con un
periodo T, obtenindose la secuencia de valores y(kT) con k=0,1,2,... se define mediante la
siguiente ecuacin:
Y ( z ) = Z [ y(t ) ] = Z [ y(k T ) ] = y(k T )z k = y (0) + y (T )z 1 + y (2T )z 2 + ...
(2.2)
k =0
Algunas de sus propiedades ms importantes son:

Multiplicacin por una constante.
Z [a{y k } ] = aZ [{y k } ] = aY ( z )
Carcter lineal de la transformacin.
Z [a{y k } + b{u k } ] = aZ [{y k } ] + bZ [{u k } ] = aY ( z ) + bU ( z )

Desplazamiento temporal:
Z { y k d } = z d Y ( z )
(2.3)
Z { y k + d } = z d Y ( z ) z d y 0 z d 1 y1 ... z y d 1
(2.4)
Teorema del valor final. Permite el clculo del valor lmite de la secuencia, si ste
existe (todos los polos de X(z) se encuentran dentro del crculo unitario con la
posible excepcin de un solo polo en z=1), a partir del conocimiento de la funcin
transformada, segn la expresin:
lim{ y k } = lim (1 z 1 )Y ( z )
82
z 1
(2.5)
Ejemplo 2.2:
Sea la funcin escaln unitario:
1 t 0
y (t ) =
0 t < 0
Se trata de un funcin continua en el tiempo. Si dicha seal se muestrea con un periodo T se
obtendra la siguiente secuencia:
{y k } = {1,1,1,...},
k = 0,1, 2,...
La transformada Z se calcula aplicando la ecuacin (2.1):
Y ( z ) = Z [{y k } ] = yi z i = 1 + z 1 + z 2 + z 3 + ... =
i =0
1
z
=
1
1 z
z 1
Ejemplo 2.3:
Sea la funcin rampa unitaria:
t t 0
y (t ) =
0 t < 0
Se trata de un funcin continua en el tiempo. Si dicha seal se muestrea con un periodo T se
obtendra la siguiente secuencia:
{y k } = {0, T , 2T , ,...},
k = 0,1, 2,...
La transformada Z se calcula aplicando la ecuacin (2.1):
Y ( z ) = Z [{y k } ] = y i z i = 0 + T z 1 + 2T z 2 + 3T z 3 + ... = T (z 1 + 2z 2 + 3 z 3 )
i =0
= T
(1 z )
1 2
T z
(z 1)2
83
La transformacin en Z es biunvoca, pudiendo pasar a su secuencia asociada de forma

inmediata. As dada la transformada Z de una secuencia es posible obtener la secuencia
original aplicando la transformada Z inversa, que se denota mediante Z-1. Es decir,
Z 1 [Y ( z )] = y (k ) = {y k }
(2.6)
Si Y(z) viene expresada de forma racional existen diferentes mtodos para obtener la
transformada Z inversa, por ejemplo:
1) Mtodo de expansin en fracciones simples. Se descompone en fracciones simples a
Y(z) y se utiliza una tabla de transformadas elementales (ver Apndice A) para
obtener la transformada Z inversa de cada uno de las fracciones.
2) Mtodo de la divisin directa. Se divide el numerador de Y(z) entre el denominador
de Y(z), el cociente que se va obteniendo es la expansin de Y(z) en una serie
infinita de potencias de z--1. Los coeficientes de cada una de las potencias z--i son de
acuerdo con (2.1) los elementos de la secuencia {y0, y1, y2,...}. Con este mtodo rara
vez es posible obtener la expresin para el trmino general {yk}.
2.3 MODELADO DE SISTEMAS DISCRETOS

Existen tres formas de modelar los sistemas discretos: ecuacin en diferencia, ecuacin
de estado y funcin de transferencia.
2.3.1 Ecuacin en diferencias

Una ecuacin en diferencias da el valor de la salida actual yk en funcin de los valores
de las salidas anteriores y k-1,yk-2,... y de las entradas actual uk y anteriores uk-1,uk-2....
y k = f (u k , u k 1 ,..., u k m , y k 1 , y k 2 ,..., y k n )
La ecuacin en diferencias permite representar el modelo con un nmero finito de
trminos. Si la funcin f es no lineal el proceso ser discreto no lineal y si la ecuacin es
lineal pero sus coeficientes varan con el tiempo, el proceso es lineal y variable con el
tiempo. De la misma forma, si la funcin que representa el modelo es lineal y sus
coeficientes son constantes el proceso discreto es lineal e invariante. Para este ltimo caso
la ecuacin en diferencias queda:
84
i =0
i =1
y k = bi u k i ai y k i
(2.7)
O de forma equivalente:
y (k ) + a1 y (k 1) + ... + a n y (k n) = b0 u (k ) + b1 u (k 1) + ... + bm u (k m) (2.8)

Si se define el operador retardo q-1 como
q 1 y (k ) = y (k 1)
q y (k ) = y (k + 1)
entonces la ecuacin (2.8) se puede expresar como:
A(q 1 ) y (k ) = B(q 1 ) u (k )
donde
A(q 1 ) = 1 + a1 q 1 + ... + a n q n
B (q 1 ) = 1 + b1 q 1 + ... + bm q m
Ejemplo 2.4:
Se desea resolver la siguiente ecuacin en diferencias:
2 y (k ) 2 y (k 1) + y (k 2) = u (k )
donde y(k)=0 para k<0 y
1 k = 0,1, 2
u (k ) =
k <0
0
Los valores de la secuencia y(k) se obtienen a partir de la ecuacin en diferencias:
y (k ) =
2 y (k 1) y (k 2) + u (k )
2
Los primeros valores de la secuencia son:
85
y (0) =
y (1) =
y (2) =
2 y (1) y (2) + u (0)

= 0.5
2
2 y (0) y (1) + u (1) 20.5 0 + 1

=
=1
2
2
2 y (1) y (0) + u (2) 21 0.5 + 1
=
= 1.25
2
2
Se va a resolver la ecuacin en diferencias tomando la transformada Z:
2Y ( z ) 2z 1Y ( z ) + z 2Y ( z ) =
1
1 z 1
Despejando Y(z):
Y ( z) =
1
z3
1
=
(1 z 1 ) (2 2z 1 + z 2 ) ( z 1)(2 z 2 2 z + 1)
Expandiendo Y(z) en fracciones simples:
Y ( z) =
1
1 + z 1
z
z2 + z
+ 2
=
+
z 1 2 z 2z + 1 1 z 1 2 2 z 1 + z 2
Ntese que los polos involucrados en el ltimo trmino cuadrtico de Y(z) son complejos conjugados.
Por lo tanto Y(z) se puede rescribir de la siguiente forma:
Y ( z) =
1
1 1 0.5 z 1
1
0.5z 1
+
1 z 1 2 1 z 1 + 0.5z 2 2 1 z 1 + 0.5z 2
Si se acude a una Tabla de transformadas z (ver Apndice A), se encuentra que:
X ( z) =
e aT z 1 sen( T )
x(k ) = e a k T sen(k T )
1 2e aT cos(T )z 1 + e 2aT z 2
X ( z) =
1 e a T z 1 cos( T )
x(k ) = e ak T cos( k T )
1 2e aT cos(T )z 1 + e 2a T z 2
y que
86
Para Y(z) se identifica que
e 2a T = 0.5
1
cos( T ) =
Luego, se obtiene que
T =
sen( T ) =
1
2
Entonces la transformada Z inversa de Y(z) se puede escribir como:
1
1
y (k ) = 1 e ak T cos( k T ) + e ak T sen( k T )
2
2
Y sustituyendo valores:
k
1 1
k 1 1
k
y (k ) = 1
cos
sen
+
2 2
4 2 2
4
k = 0,1, 2 ...
Conviene comprobar que el trmino general obtenido es el correcto, para ello se van calcular los
primeros valores de la secuencia:
0
1 1
1
y (0) = 1
cos(0 ) +
2 2
2
1 1
1
y (1) = 1
cos +
2 2
4 2
2
1
sen(0 ) = 0.5
2
1

sen = 1
2
4
2
1 1
1 1

y (2) = 1
cos +
sen = 1.25
2 2
2 2 2
2
2.3.2 Ecuacin de estado

Para sistemas (lineales o no lineales) de tiempo discreto variantes en el tiempo, la
ecuacin de estado se puede escribir como:
87
x k +1 = f ( x k , u k )
Y la ecuacin de salida como:
y k = g ( xk , uk )
Para los sistemas lineales de tiempo discreto variantes en el tiempo, la ecuacin de
estado y la ecuacin de salida se pueden simplificar a la forma:
x k +1 = Fk x k + Gk u k
y k = C k x k + Dk u k
donde:
xk es el vector de estado de dimensin n x 1
yk es el vector de salida de dimensin m x 1
uk es el vector de entrada de dimensin r x 1
Fk es la matriz de estado de dimensin n x n
Gk es la matriz de entrada de dimensin n x r
Ck es la matriz de salida de dimensin m x n
Dk es la matriz de transmisin directa m x r
La presencia del subndice k implica que tanto los vectores como las matrices varan
con el tiempo. Si dicho subndice no aparece se supone que son invariables en el tiempo, es
decir, constantes. Luego si el sistema lineal es invariante en el tiempo entonces las
ecuaciones toman la forma:
x k +1 = F x k + Gu k
(2.9)
y k = C x k + Du k
(2.10)
En la Figura 2.2 aparece representado el diagrama de bloques asociado a las

ecuaciones (2.9).
88
D
u (k )
x(k + 1)
z 1 I
x(k )
y (k )
F
Figura 2.2: Diagrama de bloques de un sistema de control lineal en tiempo discreto invariante en el
tiempo representado en el espacio de estados.
2.3.3 Funcin de transferencia

Si se toma la transformada Z sobre la ecuacin en diferencias que representa a una
sistema lineal e invariante en el tiempo (2.8)
Y ( z ) + a1 z 1 Y ( z ) + ... + a n z n Y ( z ) = b0 U ( z ) + b1 z 1 U ( z ) + ... + bm z m U ( z ) (2.11)

La ecuacin anterior se puede escribir de la siguiente forma:
H ( z)
b + b z 1 + ... + bm z m b0 z m + b1 z m1 + ... + bm
Y ( z)
= z ( nm ) 0 1 1
= n
U ( z)
1 + a1 z + ... + an z n
z + a1 z n1 + ... + an
(2.12)
A H(z) se le conoce como funcin de transferencia discreta.

Tambin es posible obtener H(z) a partir de las ecuaciones de estado y de salida de un
sistema lineal e invariante en el tiempo. Si se toma la transformada Z en (2.9) y (2.10) y
supuesto x0=0:
z X ( z ) = F X ( z ) + GU ( z )
Y ( z ) = C X ( z ) + DU ( z )
H ( z) =
Y ( z)
= C ( zI F ) 1 G + D
U ( z)
(2.13)
H(z) es una matriz de m x r, y se le denomina como matriz de transferencia pulso. En el

caso SISO (m=1, r=1), H(z) es un escalar y se le denomina funcin de transferencia pulso.
89
La relacin entre la ecuacin en diferencias (2.8) y la funcin de transferencia discreta

(2.12) es directa y biunvoca. Sin embargo dada la funcin de transferencia discreta (2.12)
pueden existir distintas representaciones (formas cannicas) en variables de estado (2.9)
asociadas.
2.3.4 Formas cannicas

La funcin de transferencia discreta (2.12) de un sistema de orden n contiene n+m+1
parmetros: los coeficientes del numerador b0, b1,..., bm y los coeficientes del denominador
a1,...,an. Un modelo en el espacio de estados se dice que est en forma cannica si se
escribe en trminos de n+m+1 parmetros y puede representar a una funcin de
transferencia arbitraria de m ceros y n polos.
Al igual que sucede con los sistemas continuos (ver seccin 1.4), existen principalmente
tres formas cannicas para la representacin en variables de estado de un sistema discreto:
1) Forma cannica controlable (si m<n):
1
0
... 0
0
0
0
...
0
1
... 0

...
...
... ... xk + ....uk
xk +1 = ...

0
0
... 1
0
0
an1 an2 an3 ... a1
1
y k = [bm ... b0 0 ... 0] xk
(2.14)
En el caso en que n=m entonces la ecuacin de salida es:
y k = [bm
0 ... 0]x k + b0 u k
... b0
(2.15)
2) Forma cannica observable 1(si m<n):
1
0
0
0
x k +1 = ...
...
0
0
a n 1 a n 2
y k = [1 0 ... 0]x k
1
...
...
...
0
...
...
a n 3 ...
0
g1
g
0
2
... x k + .... u k
1
g n 1
g n
a1
(2.16)
Existe otra expresin equivalente para la forma cannica observable como se puede comprobar en el libro
Sistemas de Control en Tiempo Discreto. K. Ogata
90
En el caso de que n=m la ecuacin de salida toma la forma:
y (t ) = [1 0 ... 0]x(t ) + g 0 u (t )
(2.17)
Los elementos gi provienen del desarrollo en serie de Laurent en el origen z=0 de H(z).
Es decir,
H ( z) =
numH ( z 1 )
= g k z k = g 0 + g1 z 1 + g 2 z 2 + ... + g n z n + ...
1
denH ( z ) k =0
(2.18)
En el caso de sistemas discretos el desarrollo en serie de Laurent se obtiene dividiendo

de forma directa el numerador de la funcin de transferencia numH(z-1) entre su
denominador denH(z-1).
3) Forma cannica de Jordan
En el caso SISO la representacin en variables de estado en forma cannica de Jordan
toma la siguiente expresin:
1
0
x k +1 =
...
0
y k = [c1
1
0
1

2 ... 0
x k + ....u k
... ... ...

1
0 ... n
1
c 2 ... c n ]x k + d u k
0
...
(2.19)
Los coeficientes ci y los autovalores i se obtienen desarrollando en fracciones simples

la funcin de transferencia H(z):
H ( z) = d +
c
c1
c2
+
+ ... + + n
z 1 z 2
z n
(2.20)
2.4 RESOLUCIN DE LAS ECUACIONES DE ESTADO

2.4.1 Sistemas lineales invariantes en el tiempo
Considrense las ecuaciones de estado (2.9) y de salida (2.10) para un determinado
sistema discreto lineal e invariante en el tiempo. La solucin de la ecuacin (2.9) para
cualquier entero positivo k se puede obtener directamente por recursin, de la siguiente
forma:
91
x1 = F x0 + Gu 0
x 2 = F x1 + Gu1 = F 2 x0 + F Gu 0 + Gu1
x3 = F x 2 + Gu 2 = F 3 x0 + F 2 Gu 0 + F Gu1 + Gu 2
:
Luego mediante la repeticin de este procedimiento, se obtiene:
k 1
x k = F k x0 + F k i 1 Gu i
k = 1,2,3
(2.21)
i =0
Se observa que la solucin xk est formada por dos partes, una que representa la
contribucin del estado inicial x0 y otra que representa la contribucin de la entrada ui
i=0,1,2,...,k-1. Conocido xk entonces de acuerdo con (2.10) la salida est dada por la
expresin:
k 1
y k = C F k x0 + C F k i 1 Gu i + Du k
(2.22)
i =0
La matriz de transicin de estados (matriz fundamental) k para el sistema definido por

(2.9), es la solucin de la ecuacin homognea:
x k +1 = Fx k
(2.23)
x k = k x0
(2.24)
Luego:
Donde k es una matriz nica de dimensin n x n que satisface la condicin:
k +1 = F k
0 = I
(2.25)
Por lo tanto k puede estar dada por:
k = F k
(2.26)
Se observa que la solucin (2.24) es simplemente una transformacin del estado inicial.
La matriz de transicin de estados k contiene toda la informacin sobre los movimientos
libres del sistema homogneo.
92
Considerando la matriz de transicin de estados k las ecuaciones (2.21) y (2.22) se

escriben en la forma:
k 1
x k = k x0 + k i 1 Gu i
(2.27)
i =0
k 1
y k = C k x0 + C k i 1 Gu i + Du k
(2.28)
i =0
que se puede expresar equivalentemente en la forma:

k 1
x k = k x0 + i Gu k i 1
(2.29)
i =0
k 1
y k = C k x0 + C i Gu k i 1 + Du k
(2.30)
i =0
2.4.2 Sistemas lineales variantes en el tiempo

Considrense las siguientes ecuaciones para un sistema lineal discreto variante en el
tiempo:
x k +1 = Fk x k + Gk u k
(2.31)
y k = C k x k + Dk u k
(2.32)
La solucin de la ecuacin de estado se puede encontrar fcilmente mediante recursin
x h +1 = Fh x h + Gh u h
x h + 2 = Fh +1 x h +1 + Gh +1 u h +1 = Fh +1 (Fh x h + Gh u h ) + Gh +1 u h +1 = Fh +1 Fh x h + Fh +1 Gh u h + Gh +1 u h +1
:
La matriz de transicin de estado para este sistema se define como (k , h) . Se trata de

una matriz nica que satisface las condiciones:
(k + 1, h) = Fk (k , h)
k = h, h + 1, h + 2,...
(h, h) = I
Se deduce que (k , h) est dada por la ecuacin:
93
(k , h) = Fk 1 Fk 2 ...Fh
k>h
(2.33)
Utilizando (k , h) , la solucin de la ecuacin de estado (2.31) toma la forma:

k 1
x k = (k , h)x h + (k , i + 1)Gi u i
k>h
(2.34)
i=h
Demostracin:
Se va a demostrar que (2.34) es efectivamente solucin de la ecuacin de estado (2.31).
Se tiene que:
(k + 1, h) = Fk Fk 1 ...Fh = Fk (k , h)
(2.35)
Sustituyendo esta expresin en:

k
x k +1 = (k + 1, h)x h + (k + 1, i + 1)Gi u i
(2.36)
i =h
se obtiene:
k 1
x k +1 = Fk (k , h)x h + (k + 1, i + 1)Gi u i + (k + 1, k + 1)Gk u k

i =h
k 1
= Fk (k , h)x h + Fk (k , i + 1)Gi u i + I Gk u k
i =h
= Fk (k , h)x h + (k , i + 1)Gi u i + Gk u k
i =h
= Fk x k + Gk u k
k 1
Conocido el valor de xk, la ecuacin de salida (2.32) toma la forma:

k 1
y k = C k (k , h)x h + C k (k , i + 1)Gi u i + Dk u k
i =0
94
k>h
(2.37)
Otra propiedad importante de la matriz de transicin de estados es que si Fk es no

singular para todos los valores de k considerados, de forma que la inversa de (k , h) exista
entonces:
1 (k , h) = (h, k ) = [Fk 1 Fk 2 ...Fh ] = Fh1 Fh+11 ...Fk11

1
(2.38)
2.5 RESPUESTA IMPULSIONAL EN TIEMPO DISCRETO

Es posible utilizar las ecuaciones (2.21) y (2.22) para derivar una frmula para la
respuesta impulsional de un sistema en tiempo discreto en trminos de sus matrices en el
espacio de estado. La respuesta impulsional hk de un sistema en tiempo discreto es la
respuesta (con condiciones iniciales nulas) a la siguiente secuencia de entrada
1 k = 0
0 k 0
k =
(2.39)
Si se hace uk=k en (2.22), supuesto condiciones iniciales nulas, se obtiene la expresin

para la respuesta impulsional hk
k 1
hk = C F k i 1 G i + D k
(2.40)
k =0
D
hk =
k 1
C F G k > 0
(2.41)
i =0
Sustituyendo el valor de k:
La respuesta impulsional y la funcin de transferencia discreta verifican:
Z (hk ) = H (z )
(2.42)
En la seccin 2.3.3 se obtuvo la expresin (2.13) de la funcin de transferencia discreta

H(z) en funcin de las matrices de la representacin en variables de estado. Tambin es
posible calcular dicha expresin aplicando la transformada Z a la respuesta impulsional
(2.40).
Si se considera la definicin de transformada Z dada en (2.1)
95
i =0
i =1
H ( z ) = Z [{h k } ] = hi z i = C F i 1 G z i + D
(2.43)
Puesto que C y F son constantes se pueden sacar del sumatorio:
H ( z ) = C F i 1 z i
i =1
)G + D
(2.44)
Haciendo el cambio de variable j=i-1, la ecuacin anterior toma la siguiente forma:
H ( z ) = C F j z j 1
j =0
)G + D
(2.45)
Que es equivalente a:
j
H ( z ) = C z 1 z 1 F G + D
j =0
(2.46)
Haciendo uso de la siguiente identidad matricial para una matriz M cuyos valores
propios se encuentren dentro del crculo de radio unidad.
= ( I M ) 1
(2.47)
j =0
En este caso M=z -1F. Entonces:
H ( z ) = C z 1 ( I z 1 F ) 1 G + D = C ( I z 1 F )z
G + D
(2.48)
Con lo que finalmente se obtiene
H ( z ) = C ( zI F ) 1 G + D
(2.49)
Luego se ha demostrado que efectivamente hk y H(z) realmente forman una pareja de

transformada Z.
96
2.6 DISCRETIZACIN DE LAS ECUACIONES EN EL ESPACIO DE

ESTADO EN TIEMPO CONTINUO
Considrese el siguiente modelo en el espacio de estados para un determinado sistema
continuo lineal e invariante en el tiempo:
x& (t ) = A x(t ) + Bu (t )
y (t ) = C x(t ) + Du (t )
(2.50)
De acuerdo con la seccin 1.5 el vector de estado vendr dado por la expresin:
t
x(t ) = e A(t t0 ) x(t 0 ) + e A(t ) Bu ( )d

t0
(2.51)
Si se considera t0=kT y t=kT+T, donde T es el periodo de muestreo, entonces (2.51) da

una frmula que permite actualizar el vector de estado entre los instantes de muestreo. Esto
es, integrando la ecuacin de estado durante un instante de muestreo se obtiene:
x(kT + T ) = e AT x(k T ) +
k T +T
k T
e A( k T +T ) Bu ( )d
(2.52)
Por otra parte, se supone que la entrada de control en tiempo continuo u(t) a la planta
es la salida de un retenedor de orden cero:
u (t ) = u k
k T t (k + 1)T
(2.53)
Por lo tanto es posible sacar u fuera de la integral:
x(kT + T ) = e AT x(k T ) +
k T
k T +T
e A( k T +T ) Bd u k
(2.54)
Si se considera el siguiente cambio de variables en la integral =kT+h- se obtiene:

T
x(kT + T ) = e AT x(k T ) + e A Bd u k
0
(2.55)
Esta ltima expresin permite calcular el valor del vector de estado x(t) slo en los
instantes de muestreo t=kT. Si se define la secuencia de vectores de estado en tiempo
discreto por:
x k = x(k T )
(2.56)
97
y se definen
= e AT
(2.57)
= e A Bd
(2.58)
entonces (2.55) se convierte en la ecuacin de estado en tiempo discreto:
x k +1 = x k + u k
(2.59)
Por su parte la ecuacin de salida es:
y k = C x k + Du k
(2.60)
Las ecuaciones (2.59) y (2.60) constituyen un sistema en tiempo discreto cuya salida
por construccin coincide exactamente con la salida del sistema continuo si su entrada de
control permanece constante en cada periodo de muestreo, es decir, la entrada de control
discreta se hace pasar por un retenedor de orden cero. Por eso a la ecuacin de estado
dada por (2.59) se le conoce como equivalente con retenedor de orden cero de la ecuacin
de estado en tiempo continuo dada por (2.50).
Los clculos requeridos para muestrear un sistema en tiempo continuos son la
evaluacin de una matriz exponencial y la integracin de esta matriz para obtener el
vector . Su obtencin se puede realizar por diferentes mtodos, cabe resear los
siguientes:
Desarrollo en serie de
=e
A t
3
t2
3 t
= I + At + A + A + ...
2!
3!
2
(2.61)
Utilizando la transformada inversa de Laplace. En la seccin 1.5 se demostr que:
( s ) = ( s I A )
Luego tomando la transformada inversa se obtiene:
(t ) = e At = L1 (sI A)
98
(2.62)
Utilizando el teorema de Cayley-Hamilton

Utilizando paquetes software de clculo numrico o simblico como Matlab,
Maple, Mathematica, etc.
Por otra parte se observa en (2.57) que si T<<1 entonces = e AT e A0 I . Es decir,
conforme el periodo de muestreo T se hace ms pequeo la matriz se aproxima a la
matriz identidad.
Ejemplo 2.5: Motor de corriente continua
Un motor de corriente continua se puede describir mediante un modelo de segundo orden formado
por un integrador y una constante de tiempo (ver Figura 2.3).
Velocidad
Tensin
1
s +1
x1
Posicin
1
s
x2
Figura 2.3: Modelo normalizado de un motor de corriente continua

La entrada es la tensin aplicada al motor y la salida es la posicin del eje. La constante de tiempo se
debe a los elementos del sistema y no se considera la dinmica asociada con la parte elctrica. Un
modelo normalizado del proceso se puede expresar como:
Y (s) =
1
U ( s )
s( s + 1)
Si se introducen como variables de estado la posicin y la velocidad del eje del motor (ver Figura 2.3),
el modelo en el espacio de estados viene dado por:
1 0
1
x& =
x
0u
1 0

y = [0 1] x
Supuesto un periodo de muestreo T se desea obtener el modelo equivalente con retenedor de orden
cero. Para ello hay que calcular y . Se va usar el mtodo de la transformada inversa de
Laplace. Se sabe que:
s + 1 0
s I A =
1 s
99
La inversa de esta matriz es:
s + 1 0
1 s
(sI A)1 =
= s 1+ 1
s ( s + 1)
0
1
Tomando la transformada inversa de Laplace de la matriz anterior (ver Apndice A) se obtiene:
= e AT = L1 (sI A)
] = 1 e e
Asimismo
T
= e
Bd =
T
0
1 e
T e
1 e T
0 1
d =
d = 0

T
1 0
T 1 + e
1 e
2.7 CONTROLABILIDAD Y OBSERVABILIDAD

En la seccin 1.6 se estudiaron los conceptos de controlabilidad y observabilidad para el
caso de sistemas continuos. En esta seccin se particularizan estos conceptos para el caso
de sistemas discretos.
2.7.1 Controlabilidad
Definicin: Una representacin discreta de un sistema es completamente controlable si
y solo si es posible transferir el sistema desde cualquier estado inicial x0 a cualquier estado
final xN, con N finito, mediante una secuencia de control u0,u1,...,uN-1.
La condicin necesaria y suficiente de controlabilidad viene dada por el teorema de
controlabilidad enunciado en la seccin 1.6, pero en el caso de sistemas discretos el
grammian de controlabilidad (1.47) toma la forma:
N
Wcd (t 0 , t N ) = (t 0 , t i )(t i 1 ) T (t i 1 ) T (t 0 , t i )
(2.63)
i =1
Para sistemas invariantes discretos, la matriz de controlabilidad toma la siguiente forma:
100
M cd = | | ... | n 1
(2.64)
Esta matriz tiene que cumplir las condiciones del teorema algebraico de controlabilidad
enunciado en la seccin 1.6.
Por otra parte, para sistemas invariantes discretos la matriz de controlabilidad de salida
toma la siguiente forma:
M cdy = C | C | ... | C n 1 | D
Esta matriz tiene que cumplir las condiciones del teorema algebraico de controlabilidad
de la salida enunciado en la seccin 1.6.
2.7.2 Observabilidad
Definicin: Una representacin en variables de estado de un sistema discreto es
completamente observable si cualquier estado inicial x(0) puede determinarse a partir de la
observacin de y(k) sobre un nmero finito de periodos de muestreo. El sistema, por lo
tanto, es completamente observable, si cualquier transicin del estado de manera eventual
afecta a todos los elementos del vector de salida.
La condicin necesaria y suficiente de observabilidad viene dada por el teorema de
observabilidad enunciado en la seccin 1.6, pero en el caso de sistemas discretos el
grammian de observabilidad (1.51) toma la forma:
N
Wod (t 0 , t N ) = T (t i , t 0 )C T (t i )C (t i ) (t i , t 0 )
(2.65)
i =1
Para sistemas invariantes discretos, la matriz de observabilidad toma la siguiente forma:
( )
M od = C T | T C T | ... | T
n 1
C T
(2.66)
Esta matriz tiene que cumplir las condiciones del teorema algebraico de observabilidad
enunciado en la seccin 1.6.
101
2.8 DISEO DE SISTEMAS DE CONTROL EN EL ESPACIO DE

ESTADOS MEDIANTE LA UBICACIN DE POLOS
En la seccin 1.7 se estudi el diseo de sistemas de control en el espacio de estados
para el caso de sistemas continuos. En esta seccin se particulariza este diseo para el
caso de sistemas discretos.
Considrese el sistema lineal invariante en tiempo discreto cuya ecuacin de estado es
x k +1 = F x k + Gu k
(2.67)
u k = K x k
(2.68)
Se supone el siguiente control:
En la expresin anterior K es la matriz de ganancia de realimentacin del estado.

Sustituyendo este control en la ecuacin de estado se obtiene:
xk +1 = (F GK ) xk
(2.69)
A este esquema de control (ver Figura 2.4) se le denomina realimentacin del estado,
se trata de un esquema de control en lazo cerrado.
uk
xk +1
z 1 I
xk
F
-K
Figura 2.4: Sistema de control en lazo cerrado mediante realimentacin del estado.
La matriz K se debe escoger de forma que los valores caractersticos de F-GK sean los
polos en lazo cerrado deseados: 1, 2,...,n. Una condicin necesaria y suficiente para la
ubicacin arbitraria de los polos, es que el sistema sea de estado completamente
controlable. La ecuacin caracterstica del sistema en lazo cerrado viene dada por la
expresin:
102
c ( z ) = zI ( F GK ) = 0
(2.70)
Que puede expresarse en funcin de los valores deseados para los polos 1,2,...,n de
la siguiente forma:
c ( z ) = ( z + 1 )( z + 2 )...( z + n ) = z n + n 1 z n 1 + ... + 0
(2.71)
La matriz de ganancias de realimentacin de estado K que obliga a los valores

caractersticos de (2.70) a ser 1,2,...,n (valores deseados), es decir, a poseer una
ecuacin caracterstica de la forma (2.71) se demuestra que entre otros mtodos se puede
determinar mediante la frmula de Ackermann:
] [
K = [0 0 ... 0 1] G | F G | ... | F n 1 G F n + n 1 F n 1 + ... + 0 I

1
(2.72)
Se observa en (2.72) que el vector fila de dimensin 1 x n es la ltima fila de una matriz
identidad de dimensin n x n, a dicho vector se le puede denotar por en. A continuacin, de
acuerdo con (2.64), se tiene a la inversa de la matriz de controlabilidad discreta Mcd
Finalmente, se tiene la ecuacin caracterstica (F ) que satisface la matriz F de acuerdo
con el teorema de Caley-Hamilton.
( F ) =F n + n 1 F n 1 + ... + 0 I
(2.73)
Luego la frmula de Ackermann se puede expresar en la forma:
K = en M cd1 ( F )
(2.74)
2.9 OBSERVADORES DE ESTADO

Considrese el sistema de control definido por las ecuaciones
x k +1 = F x k + Gu k
(2.75)
y k = Cxk
(2.76)
u k = K x k
(2.77)
Supngase que el estado xk se aproximar mediante el estado x k del siguiente modelo

dinmico:
103
x k +1 = F x k + Gu k + K e ( y k C x k ) = (F K e C )x k + Gu k + K e y k
(2.78)
x k es una estima de xk y se denomina estado observado. Por tanto la ecuacin anterior es la

ecuacin del observador de estado. En dicha ecuacin, la matriz Ke es una matriz de
ponderacin que se denomina matriz de ganancia de realimentacin del observador (es una
matriz n x m).
2.9.1 Observador de estado de orden completo

Se supone que el sistema es de estado completamente controlable y completamente
observable, pero que xk no est disponible para medicin directa. En este caso el orden del
observador es igual al del sistema. Para obtener la ecuacin de error del observador, se
resta (2.75) de (2.78).
x k +1 x k +1 = F x k F x k K e (C x k C x k ) = (F K e C )( x k x k )
(2.79)
Sea el vector de error ek :
ek =( x k x k )
La ecuacin (2.79) se convierte en
ek +1 = (F K e C )ek
(2.80)
Luego el comportamiento dinmico de la seal de error queda determinado por los

valores caractersticos de la matriz F-KeC. Si sta es estable, el vector de error converger
a cero para cualquier error inicial e0. Si los valores caractersticos de F-KeC se seleccionan
de forma que el comportamiento dinmico del vector de error es suficientemente rpido,
entonces cualquier vector de error tender a cero con una velocidad adecuada. Si el sistema
es completamente observable, se demuestra que es posible seleccionar una matriz Ke tal
que F-KeC tenga los valores caractersticos arbitrariamente deseados.
Una posible forma de obtener la matriz Ke es aplicando la frmula de Ackermann a un
sistema dual (ver seccin 1.7)
K e = en M od1 ( F T )
104
(2.81)
2.9.2 Observador de estado de orden mnimo

La obtencin del observador de estado de orden mnimo para el sistema de control
descrito por (2.75)-(2.77) es sencilla simplemente hay que seguir los pasos que se indican
en la seccin 1.7.2.5 y sustituir las magnitudes continuas por sus equivalentes discretas.
2.10 ENFOQUE DE ECUACIONES POLINOMIALES

DISEO DE SISTEMAS DE CONTROL
PARA
EL
En la seccin anterior se describi el diseo de sistemas de control en el espacio de

estados mediante realimentacin, al usar la tcnica de la ubicacin de polos. Si alguna de
las variables de estado no se poda medir de forma directa se empleaban los estados
observados.
Existe una tcnica diferente para el diseo de sistemas de control, es el denominado
enfoque de ecuaciones polinomiales, que es un enfoque alternativo al diseo mediante
ubicacin de polos con un observador del estado de orden mnimo. En este enfoque se
resuelven ecuaciones Diofnticas para determinar polinomios en z que se pueden utilizar
para construir sistemas fsicamente realizables. Este punto de vista proporciona una
solucin matemtica rpida a ciertos tipos de problema de diseo.
Este enfoque se puede aplicar a sistemas MIMO, aunque en esta seccin se van a
considerar por sencillez nicamente sistemas SISO.
2.10.1 La ecuacin Diofntica

Considrese el sistema definido por la funcin de transferencia pulso:
Y ( z ) B( z )
=
U ( z ) A( z )
(2.82)
donde
A( z ) = z n + a1 z n 1 + ... + a n
B ( z ) = b0 z n + b1 z n 1 + ... + bn
Supngase A(z) y B(z) no tienen factores comunes, es decir, no existen cancelaciones
entre los polos y ceros de la funcin de transferencia (es de estado completamente
controlable y completamente observable). En este caso A(z) y B(z) se dice que son
105
polinomios coprimos. Por otra parte, un polinomio en z se dice que es mnico si el

coeficiente del trmino de mayor grado es uno. Por tanto, el polinomio A(z) es mnico.
Sea el siguiente polinomio estable D(z) de grado (2n-1)
D( z ) = d 0 z 2n 1 + d1 z 2n + ... + d 2 n 1
Existen polinomios nicos de grado (n-1), (z) y (z) tales que
( z ) A( z ) + ( z )B( z ) = D( z )
(2.83)
donde
( z ) = 0 z n 1 + 1 z n 2 + ... + n 1
( z ) = 0 z n 1 + 1 z n 2 + ... + n 1
A la ecuacin (2.83) se le denomina ecuacin Diofntica, en honor de Diofanto de
Alejandra (246-330) d.C. Esta ecuacin se puede resolver para (z) y (z) mediante el uso
de la matriz de Sylvester E de dimensin 2n x 2n, la cual se define en trminos de los
coeficientes de los polinomios coprimos A(z) (supuesto que es mnico) y B(z) como sigue:
an
a
n 1
:
a1
E= 1
0
:
0
0
...
bn
...
an
...
b n 1
bn
...
a n 1 ...
b1
an
b0
b1
...
b n 1 ...
a1
...
1
:
... a n 1
:
0
:
b0
:
...
...
a1
...
...
...
0
0
0
:
bn
b n 1
:
b1
b 0
La matriz de Sylvester E es no singular si y solo si A(z) y B(z) son coprimos.

Ahora se definen los vectores D y M tales que:
106
(2.84)
d 2 n 1
d
2n2
D= :
d1
d 0
n 1

n2
:
M =
n 1
n2
:
(2.85)
Entonces es posible demostrar que la solucin a la ecuacin Diofntica se determina a

mediante la resolucin del siguiente sistema de ecuaciones lineales:
EM = D
(2.86)
Una posible forma de resolver este sistema es calculando la inversa de E y multiplicarla

por el vector D:
M = E 1 D
Ejemplo 2.6
Sean los siguientes polinomios:
A( z ) = z 2 + z + 0.5
B( z ) = z + 2
D( z ) = z 3
Luego a1=1, a2=0.5, b0=0, b1=1, b2=2, d0=1, d1=0, d2=0 y d3=0
El problema es encontrar dos polinomios nicos (z) y (z) tales que:
( z ) A( z ) + ( z )B( z ) = D( z )
donde
( z ) = 0 z + 1
( z ) = 0 z + 1
Hay que resolver por tanto una ecuacin Diofntica, es decir, resolver el sistema de ecuaciones
(2.86):
107
0.5 0
1 0.5
1
1
1
0
2 0 1 0
1 2 0 0
=
0 1 1 0

0 0 0 1
Operando se obtiene: 1=-1.2, 0=1, 1=0.3 y 0=0.2

Es decir,
( z ) = z 1.2
( z ) = 0.2z + 0.3
Que se puede comprobar que verifican la ecuacin Diofntica.
2.10.2 Sistemas de control elementales

2.10.2.1 Configuracin 1 del sistema de control
Considrese el diagrama de bloques del sistema de control que se muestra en la Figura

2.5. La funcin de transferencia B(z)/A(z) es la planta, mientras que (z)/(z) funciona como
un regulador. Los polinomios (z) y (z) se pueden obtener resolviendo la siguiente
ecuacin Diofntica:
( z ) A( z ) + ( z )B( z ) = H ( z )F ( z )
donde A(z) es un polinomio mnico de grado n, B(z) es un polinomio m (mn) (no existen
factores comunes entre A(z) y B(z)), H(z) es el polinomio caracterstico deseado para la
parte de ubicacin de polos y F(z) es el polinomio caracterstico deseado para el observador
de orden mnimo. Ambos polinomios H(z) y F(z) son estables. El grado del polinomio H(z) es
n y el de F(z) es n-1. Se supone que la salida del sistema es el nico estado medible. Por lo
tanto, el orden del observador mnimo es n-1.
La ganancia K0 debe ser ajustada para que la salida en estado estacionario y(k) sea
igual a uno cuando la entrada r(k) es una secuencia de escaln unitario.
108
R(z )
U (z )
K0
B( z )
A( z )
Y (z )
( z)
( z)
Figura 2.5: Diagrama de bloques del sistema de control (configuracin 1)
La funcin de transferencia en lazo cerrado es:
B( z )
Y ( z)
( z )B ( z )
( z )B ( z )
A( z )
= K0
= K0
= K0
B
(
z
)
(
z
)
R( z )
( z ) A( z ) + ( z )B( z )
H ( z )F ( z )
1+
A( z ) ( z )
(2.87)
El sistema en lazo cerrado es de orden (2n-1), a menos que exista alguna cancelacin
entre (z)(z) y H(z)F(z).
Para determinar K0 se aplica (2.5):
z 1
( z )B( z ) z
(1)B(1)
= K 0
lim y (k ) = lim(1 z 1 )Y ( z ) = lim
K 0
=1
k
z 1
z 1
H ( z )F ( z ) z 1
H (1)F (1)
z
Luego:
K0 =
H (1)F (1)
(1)B(1)
(2.88)
Ejemplo 2.7
Considrese el sistema de control de la Figura 2.5 con K0=1. La funcin de transferencia de la planta
es:
Y ( z ) B( z ) 0.02( z + 1) 0.02z + 0.02

=
=
= 2
R( z ) A( z )
( z 1) 2
z 2z + 1
A(z) es un polinomio mnico de grado 2 y no existe cancelaciones entre el numerador y el
denominador. Se tiene que a2=-2, a1=1, b0=0, b1=0.02, b2=0.02.
Por otra parte, aunque R(z)=0, la funcin de transferencia en lazo cerrado para el sistema est dada
por:
109
( z ) ( z )
Y ( z)
0.02( z + 1) ( z )
=
=
R( z ) ( z ) A( z ) + ( z )B( z ) ( z )( z 1) 2 + ( z )0.02( z + 1)
Supngase que los polos en lazo cerrado deseados mediante realimentacin de estado sean
z1 = 0.6 + j0.4
z 2 = 0.6 j0.4
Es decir, la ecuacin caracterstica deseada es:
H ( z ) = ( z 0.6 j0.4)( z 0.6 + j0.4) = z 2 1.2z + 0.52

Por otra parte, la ecuacin caracterstica deseada para el observador es:
F ( z) = z
Para determinar (z) y (z), se resuelve la ecuacin Diofntica siguiente:
( z ) A( z ) + ( z )B( z ) = F ( z )H ( z ) = D( z )
Se tiene que
D( z ) = F ( z )H ( z ) = d 0 z 3 + d1 z 2 + d 2 z + d 3 = z 3 1.2 z 2 + 0.52z
Obsrvese que D(z) es un polinomio estable de grado (2n-1) en z (donde n=2 para este caso).
Adems
( z ) = 0 z + 1
( z ) = 0 z + 1
Para resolver la ecuacin Diofntica hay que resolver el sistema de ecuaciones (2.86):
0 0.02
0 1 0
1
2 1 0.02 0.02 0.52
0 =
1 2
0
0.02 1 1.2
1
0
0 0 1
0
Operando se obtiene: 1=0.32, 0=1, 1=-16 y 0=24
110
Es decir,
( z ) = z + 0.32
( z ) = 24z 16
En consecuencia el regulador realimentado se obtiene como
( z)
z 0.6667
= 24
( z)
z + 0.32
Una forma alternativa de obtener este regulador es usando el diseo en el espacio de estado
mediante el mtodo de ubicacin de polos combinado con un observador de orden mnimo.
Supngase ahora el caso en que se desea ajustar el valor de la ganancia K0 para que la salida en
estado estable y(k) sea igual a uno cuando la entrada r(k) es una secuencia de escaln unitario. En
este caso K0 viene dada por la ecuacin (2.88)
K0 =
H (1)F (1)
0.321
=
=6.06
(1)B(1) 1.320.04
La funcin de transferencia en lazo cerrado es:
K 0 ( z )B ( z )
K ( z )B( z ) 6.06( z + 0.32 )0.02( z + 1)
Y ( z)
=
= 0
=
R( z ) ( z ) A( z ) + ( z )B( z )
H ( z )F ( z )
z 3 1.2 z 2 + 0.52z
Obsrvese que el sistema es de tercer orden
2.10.2.2 Configuracin 2 del sistema de control
Considrese el diagrama de bloques de la Figura 2.6

R(z )
K0
B( z )
A( z )
U (z )
( z)
F ( z)
Y (z )
( z)
F ( z)
Figura 2.6: Diagrama de bloques del sistema de control (configuracin 2)
111
Se verifica la siguiente ecuacin:
( z)
( z)
U ( z) =
U ( z ) U ( z ) +
Y ( z ) + K 0 R( z )
F ( z)
F ( z)
Que se puede simplificar a:
( z)
F ( z)
U ( z ) =
( z)
F ( z)
Y ( z ) + K 0 R( z )
(2.89)
La funcin de transferencia pulso de la planta es:
Y ( z ) B( z )
=
U ( z ) A( z )
Donde A(z) es un polinomio mnico de grado n, B(z) es un polinomio m (mn). Luego:
U ( z) =
A( z )
Y ( z )
B( z )
(2.90)
Al sustituir (2.90) en (2.89) se obtiene:
( z ) A( z ) ( z )
F ( z ) B( z ) + F ( z ) Y ( z ) = K 0 R ( z )
Luego
K0
K 0 F ( z )B( z )
Y ( z)
=
=
R( z ) ( z ) A( z ) ( z ) ( z ) A( z ) + ( z )B ( z )
+
F ( z ) B( z ) F ( z )
Como
( z ) A( z ) + ( z )B( z ) = H ( z )F ( z )
se obtiene:
Y ( z ) K 0 F ( z )B( z ) K 0 B( z )
=
=
R( z )
H ( z )F ( z )
H ( z)
112
(2.91)
Obsrvese que el polinomio F(z) ha sido cancelado ya que se supona que era estable y
en consecuencia su cancelacin est permitida. Por otra parte el polinomio caracterstico del
sistema en lazo cerrado est dado por H(z). H(z) es el polinomio estable de grado n
deseado pero que, en esencia, se escoge de manera arbitraria. Por lo tanto, el sistema de
control diseado es de orden n.
Ejemplo 2.8
Considrese el sistema de control de la Figura 2.6, supngase que los polinomios A(z), B(z), H(z),
F(z), (z) y (z) son los considerados en el Ejemplo 2.7. En ese caso la funcin de transferencia en
lazo cerrado, de acuerdo con la ecuacin (2.91), toma la forma:
Y ( z ) K 0 (0.02 z + 0.02)
= 2
R( z )
z 1.2 z + 0.52
Para determinar la constante K0 se requiere que y() en la respuesta al escaln unitario sea igual a
uno.
lim y (k ) = lim(1 z 1 )Y ( z ) = lim

k
z 1
z 1
K
z 1 K 0 (0.02 z + 0.02 ) z
2
= 0 =1
z z 1.2 z + 0.52 z 1 8
Por lo tanto el valor de K0 es 8.

Entonces la funcin de transferencia en lazo cerrado es:
Y ( z)
0.16z + 0.16
= 2
R( z ) z 1.2z + 0.52
Obsrvese que el sistema es de segundo orden.
Si se compararan las respuestas al escaln unitario de los sistemas de control de la configuracin 1
(Ejemplo 2.7) y 2 se observara que son idnticas. Por otra parte si se compararn las respuestas a la
rampa unitaria de los dos sistemas, se obtendra que el sistema de control de la configuracin 2 tiene
un error (E(z)=R(z)-Y(z)) un 10 % (se supone un periodo de muestreo T=0.2 seg) menor en estado
estable e() al seguir la entrada rampa unitaria que el sistema de control de la configuracin 1.
113
2.10.3 Diseo de sistemas de control mediante la igualacin a un

modelo
Considrese el sistema definido por la funcin de transferencia pulso:
Y ( z ) B( z )
=
U ( z ) A( z )
(2.92)
donde
A( z ) = z n + a1 z n 1 + ... + a n
B ( z ) = b0 z m + b1 z m 1 + ... + bm
Supngase A(z) y B(z) (mn) no tienen factores comunes, es decir, no existen
cancelaciones entre los polos y ceros de la funcin de transferencia. Si B(z) es un polinomio
estable es posible escoger H(z) (la ecuacin caracterstica del sistema) tal que incluya al
polinomio B(z), es decir,
H ( z ) = B ( z )H 1 ( z )
Entonces, de acuerdo a la ecuacin (2.91) se tiene
K 0 B ( z )
K0
Y ( z ) K 0 B ( z )
=
=
=
R( z )
H ( z)
B( z )H 1 ( z ) H 1 ( z )
Esto significa que es posible eliminar, si as se desea, los ceros de la planta.
Supngase que se desea hacer al sistema igual a un cierto modelo:
B ( z)
Y ( z)
= Gm = m
R( z )
Am ( z )
Bajo ciertas condiciones, es posible disear tal sistema mediante el uso del enfoque de
ecuaciones polinomiales. A este tipo de sistema de control se le llama sistema de control
mediante la igualacin a un modelo.
En este proceso de diseo se debe escoger H(z) como el polinomio caracterstico
deseado estable de grado n y un polinomio H1(z) estable de grado n-m. La seleccin de
H1(z) es en cierto sentido arbitraria, siempre que sea un polinomio estable.
114
R(z )
Gm H1 ( z )
B( z )
A( z )
U (z )
V (z )
( z)
F ( z)
Y (z )
( z)
F ( z)
Figura 2.7: Diagrama de bloques del sistema de control mediante la igualacin a un modelo.
Considrese el diagrama de bloques de la Figura 2.7. Se deben determinar los

polinomios (z) y (z) de grado n-1 mediante la resolucin de la siguiente ecuacin
Diofntica:
( z ) A( z ) + ( z )B( z ) = F ( z )B( z )H 1 ( z )
donde F(z) es un polinomio estable de grado (n-1).
Se verifica la siguiente ecuacin:
( z)
( z)
U ( z) =
U ( z ) U ( z ) +
Y ( z ) + V ( z )
F ( z)
F ( z)
Que se puede simplificar a:
( z)
F ( z)
U ( z ) +
( z)
F ( z)
Y ( z ) = V ( z )
(2.93)
Como
U ( z) =
A( z )
Y ( z )
B( z )
(2.94)
se tiene
( z ) A( z ) ( z )
F ( z ) B( z ) + F ( z ) Y ( z ) = V ( z )
Luego
115
Y ( z)
F ( z )B( z )
F ( z )B ( z )
1
=
=
=
V ( z ) ( z ) A( z ) + ( z )B( z ) F ( z )B( z )H 1 ( z ) H 1 ( z )
Como
V ( z ) = Gm H 1 ( z )R( z )
entonces se obtiene:
Y ( z ) Y ( z )V ( z ) Gm H 1 ( z )
=
=
= Gm
R( z ) V ( z )R( z )
H1 ( z)
Es decir, se consigue el control mediante la igualacin a un modelo.
Comentarios:
1) Para lograr que la funcin de transferencia GmH1(z) sea fsicamente realizable, el
grado del numerador debe ser igual o menor que el grado del denominador.
2) El polinomio B(z) debe ser estable.
3) En este enfoque de ecuaciones polinomiales, no ocurren cancelaciones entre polos
inestables (o crticamente estable (z=1)) y ceros durante el proceso de diseo y, por
lo tanto el sistema resultante siempre es estable.
Ejemplo 2.8
Considrese la planta definida por:
A( z ) 0.3679 z + 0.2642
0.3679z + 0.2642
=
= 2
B( z ) ( z 0.3679)( z 1) z 1.3679z + 0.3679
Por lo tanto a1=-1.3679, a2=0.3679, b0=0, b1=0.3679 y b2=0.2642. Claramente B(z) es estable.
Se supone un periodo de muestreo T=1 seg. Se desea disear un sistema de control (ver Figura 2.7)
tal que el sistema en lazo cerrado sea:
Gm =
Ym ( z )
0.62 z 0.3
= 2
Rm ( z ) z 1.2 z + 0.52
Como la funcin de transferencia de la planta es de segundo orden (n=2), se escoge a H1(z) como un
polinomio estable de grado uno (n-1). Por ejemplo, se puede escoger a H1(z) como:
116
H 1 ( z ) = z + 0 .5
Luego
H ( z ) = B( z )H 1 ( z ) = (0.3679 z + 0.2642)( z + 0.5)

Se escoge F(z) de forma que sea cualquier polinomio estable de grado (n-1). Por ejemplo:
F ( z) = z
Luego D(z) es:
D( z ) = F ( z )B( z )H 1 ( z ) = z(0.3679z + 0.2642)( z + 0.5) = 0.3679z 3 + 0.4482z 2 + 0.1321z

Por lo tanto d0=0.3679, d1=0.4482, d2=0.1321, d3=0
Ahora se debe resolver la siguiente ecuacin Diofntica:
( z ) A( z ) + ( z )B( z ) = F ( z )B( z )H 1 ( z )
Donde (z) y (z) son polinomios en z de primer orden:
( z ) = 0 z + 1
( z ) = 0 z + 1
Para resolver la ecuacin Diofntica hay que resolver el sistema de ecuaciones (2.86):
0
0.2642
0 1 0
0.3679
1.3679 0.3679 0.3679 0.2642 0.1321
0 =
1
1.3679
0
0.3679 1 0.4482

1
0
0 0 0.3679
0
Operando se obtiene: 1=0.2642, 0=0.3679, 1=-0.3679 y 0=1.8680.
Por lo tanto:
( z ) = 0.2642z + 0.3679
( z ) = 1.8680z 0.3679
En consecuencia, la funcin de transferencia Y(z)/V(z) se escribe de la siguiente forma:
117
Y ( z)
F ( z )B ( z )
1
1
=
=
=
V ( z ) F ( z )B( z )H 1 ( z ) H 1 ( z ) z + 0.5
Puesto que:
V ( z)
(0.62 z 0.3)( z + 0.5)
= G m H 1 ( z ) =
R( z )
z 2 1.2 z + 0.52
Se tiene que la funcin de transferencia Y(z)/R(z) es
Y ( z)
0.62z 0.3
= 2
= Gm
R( z ) z 1.2z + 0.52
118
TEMA 3
MODELOS DE PERTURBACIONES
3.1 INTRODUCCIN
La existencia de perturbaciones en las entradas y/o en las salidas de un sistema,
impone limitaciones fundamentales en su comportamiento. Por ejemplo, el ruido de medida
en un sistema de seguimiento limita el ancho de banda alcanzable por el sistema en lazo
cerrado. Para mejorar el comportamiento de un sistema sometido a perturbaciones se hace
imprescindible el uso de sistemas de control. La naturaleza de las perturbaciones
determinar la calidad de la regulacin de un control aplicado a un cierto proceso. De esta
forma con el objetivo de poder disear los controles ms apropiados se hace necesario
disponer de modelos matemticos de las perturbaciones.
En este tema se estudian en primer lugar los modelos clsicos de las perturbaciones. A
continuacin, se describen las posibles formas de reduccin de los efectos de las
perturbaciones. Seguidamente, debido al carcter estocstico o aleatorio de algunas
perturbaciones, se incluye un repaso a los conceptos bsicos de la teora de procesos
estocsticos. A continuacin se describe la formulacin tanto discreta como continua de
modelos de procesos estocsticos. Finalmente se describe el filtrado de procesos aleatorios
de tipo estacionario y la factorizacin espectral.
El material que se estudia en este tema resulta fundamental para comprender el filtro de
Kalman (Tema 4), la identificacin de sistemas (Tema 5) y las tcnicas de control
estocstico (Tema 9).
119
TEMA 3: Modelos de perturbaciones
3.2 MODELOS CLSICOS DE PERTURBACIONES

3.2.1 Carcter de las perturbaciones
Comnmente, atendiendo a su carcter, se distinguen tres tipos diferentes de
perturbaciones:
Perturbaciones en la carga. Este tipo de perturbaciones influyen sobre las
variables del proceso. En general este tipo de perturbaciones varan lentamente, y
pueden ser peridicas. En sistemas mecnicos las perturbaciones en la carga se
representan por fuerzas de perturbacin, por ejemplo las rfagas de viento sobre
una antena estabilizada, las olas sobre un barco, la carga en un motor. En
sistemas trmicos las perturbaciones en la carga podran ser variaciones en la
temperatura del medio ambiente.
Errores de medida. Este tipo de perturbaciones se introducen en los sensores de
medida. Pueden existir errores estacionarios en algunos sensores debido a
errores de calibracin. Sin embargo, los errores de medida tpicamente poseen
componentes de alta frecuencia. Estos errores pueden poseer una cierta dinmica
debido a la dinmica de los sensores. Un ejemplo tpico es el termopar, que posee
una contante de tiempo de entre 10 y 50 s dependiendo de su encapsulado. Por
otra parte, pueden existir complicadas interacciones dinmicas entre los sensores
y el proceso. Un ejemplo tpico son las medidas de los girscopos y las medidas
del nivel de lquido en los reactores nucleares.
En algunos casos no es posible medir la variable controlada directamente,
entonces su valor es deducido a partir de las medidas de otras variables. La
relacin existente entre estas variables y la variable controlada puede ser bastante
compleja. Una situacin muy comn es que un instrumento d una rpida
indicacin con errores bastante grandes y otro instrumento d una medida muy
precisa pero a costa de un alto retardo.
Variaciones en los parmetros. Cuando se consideran sistemas lineales, la
perturbacin en la carga y el ruido de medida se introducen en el sistema de una
forma aditiva. Los sistemas reales son, en la mayora de los casos, no lineales,
esto significa que las perturbaciones se introducirn en el sistema de una forma
mucho ms complicada. Puesto que los sistemas lineales son obtenidos mediante
linealizacin de modelos no lineales, algunas perturbaciones aparecen entonces
como variaciones en los parmetros del modelo lineal.
120
3.2.2 Modelos de perturbaciones simples

Atendiendo a su forma existen cuatro tipos diferentes de perturbaciones (ver Figura 3.1)
que son comnmente utilizadas en el anlisis de los sistemas de control: impulso, escaln,
rampa y sinusoide.
Pulso
Escaln
Rampa
Sinusoide
Figura 3.1: Modelos idealizados de perturbaciones simples
El impulso y el pulso. Son realizaciones simples de perturbaciones inesperadas de

duracin muy corta. Pueden representar tanto a perturbaciones en la carga como
a errores de medida. Para sistemas continuos la perturbacin es modelada como
un impulso; para sistemas discretos se modela como un pulso con amplitud
unidad y una duracin de un periodo de muestreo.
El pulso y el impulso son tambin importantes por motivos tericos ya que la
respuesta de un sistema lineal continuo en el tiempo est completamente
especificada por su respuesta a un impulso, mientras que la de un sistema
discreto est determinada por su respuesta a un pulso.
El escaln. Se usa tpicamente para representar una perturbacin en la carga o un
offset en una medida.
La rampa. Es una seal que se utiliza para representar la deriva en los errores de
medida as como a perturbaciones que de repente comienzan a desplazarse. En
la prctica estas perturbaciones se encuentran acotadas, sin embargo el uso de
una seal rampa suele ser una til idealizacin.
La sinusoide. Es el prototipo de una perturbacin peridica. La posibilidad de
seleccionar su frecuencia la hace idnea para representar tanto a las
perturbaciones en la carga (de baja frecuencia) como al ruido de medida (de alta
frecuencia).
121
Es conveniente visualizar a las perturbaciones como siendo generadas por sistemas

dinmicos. El escaln puede ser generado por un integrador, la rampa por un doble
integrador y una sinusoide por un oscilador armnico.
3.3 REDUCCION DE LOS EFECTOS DE LAS PERTURBACIONES

Las perturbaciones pueden ser reducidas actuando sobre su fuente, usando
realimentacin local o usando feedforward. Por otra parte tcnicas de prediccin pueden ser
usadas para estimar perturbaciones no medibles.
3.3.1 Reduccin en la fuente

La forma ms obvia de reducir los efectos de las perturbaciones es intentar actuar sobre
la fuente que origina dichas perturbaciones. Esta aproximacin est estrechamente ligada a
la etapa de diseo del proceso. Algunos ejemplos tpicos son:
Reducir las fuerzas de friccin en un servo usando cojinetes mejores.
Ubicar un sensor en una posicin donde las perturbaciones sean ms pequeas.
Modificar la electrnica del sensor para que se vea afectado por menos ruido.
Sustituir un sensor por otro que posea una respuesta ms rpida.
Cambiar el periodo de muestreo para obtener una representacin mejor de las
caractersticas de los procesos.
3.3.2 Reduccin mediante realimentacin local

Si las perturbaciones no se pueden atenuar en su fuente, se puede intentar entonces su
reduccin mediante realimentacin local (ver Figura 3.2). Para usar esta aproximacin es
necesario que las perturbaciones se introduzcan en el sistema en una o varias posiciones
bien definidas. Tambin es necesario tener acceso a la variable medida que es resultado de
la perturbacin. Adems es necesario tener acceso a la variable de control que entra al
sistema en la vecindad de la perturbacin. Las dinmicas que relacionan la variable medida
con la variable de control deberan ser tales que se pueda utilizar un lazo de control de
ganancia elevada.
El uso de la realimentacin es a menudo fcil y efectivo ya que no es necesario tener
informacin detallada de las caractersticas de los procesos, siempre que una alta ganancia
pueda ser utilizada en el lazo. En caso contrario, se necesitar un lazo extra de
realimentacin. Algunos ejemplos de realimentacin local son:
122
En sistemas hidrulicos, la reduccin en las variaciones en el suministro de

presin en vlvulas, instrumentos y reguladores mediante el uso de un regulador
de presin.
En sistemas trmicos, la reduccin de las variaciones en el control de temperatura
mediante la estabilizacin del suministro de voltaje.
Perturbacin
u
A
+
Realimentacin
local
Pr oceso
Figura 3.2: Reduccin de perturbaciones mediante el uso de realimentacin local. La perturbacin se
introduce en el sistema entre los puntos A y B. Las dinmicas entre estos dos puntos deben ser tales
que sea posible usar una alta ganancia en el lazo.
3.3.3 Reduccin mediante feedforward

Las perturbaciones que sean medibles pueden ser reducidas usando una estructura de
tipo feedforward. El principio genrico de esta estructura se ilustra en la Figura 3.3. Se mide
la perturbacin y se aplica al sistema una seal de control que intenta contrarrestarla.
Perturbacin medida
Hw
Hff
y
Hp
+
Pr oceso
Figura 3.3: Reduccin de perturbaciones mediante el uso de una estructura feedforward
Si la funciones de transferencia que relacionan la salida y a la perturbacin w y al

control u son Hw y Hp, respectivamente, entonces la funcin de transferencia Hff del
compensador feedforward idealmente sera:
123
H ff = H p1 H w
Si la funcin de transferencia Hff es inestable o no realizable (mayor nmero de ceros
que de polos) se debe seleccionar alguna aproximacin adecuada. El diseo de un
compensador feedforward se basa a menudo en un simple modelo esttico, es decir, Hff es
una ganancia. La estructura feedforward es especialmente til para perturbaciones
generadas por cambios en la seal de referencia.
3.3.4 Reduccin mediante prediccin

La reduccin de perturbaciones mediante prediccin es una extensin de la tcnica de
feedforward que puede utilizarse cuando las perturbaciones no pueden ser medidas.
Consiste en predecir la perturbacin a partir de la medida de seales. La seal de
feedforward se genera a partir de la perturbacin predecida.
Es importante observar que no es necesario predecir la propia perturbacin en si misma
sino que es suficiente con modelar una seal que represente el efecto de la perturbacin
sobre las variables del proceso ms importantes.
3.4 CONCEPTOS BSICOS

ESTOCSTICOS
DE
LA
TEORA
DE
PROCESOS
3.4.1 Variables aleatorias

Una variable aleatoria x(k) es una variable que puede tomar valores aleatorios en
funcin de los resultados de algn experimento aleatorio. Es decir, los resultados aleatorios
de un experimento se pueden representar por un nmero real x(k), llamado variable
aleatoria.
Para un experimento aleatorio, los posibles resultados se denominan espacio de
muestra. Una variable aleatoria x(k) es una funcin definida para los k puntos del espacio de
muestra, que toma valores reales en el rango [-,+] asociados a cada uno de los k puntos
que pueden ocurrir.
La forma de especificar la probabilidad con que la variable aleatoria toma diferentes
valores es mediante la funcin de distribucin de probabilidad F(x), definida de la siguiente
forma:
F ( x) = P ( x(k ) x)
124
Es decir, es la probabilidad de que la variable aleatoria x(k) tome valores menores o

iguales a x. La funcin de distribucin de probabilidad cumple las siguientes propiedades:
F ( a ) F (b ) si a b
F ( ) = 0
F ( ) = 1
Si la variable aleatoria tiene un rango continuo de valores, entonces se puede definir la
funcin densidad de probabilidad f(x):
P[x < x(k ) x + x ]

f ( x) = lim
x 0
x
Se verifica que:
f ( x) 0
f ( x)dx = 1
f ( x) =
dF ( x)
dx
La probabilidad de que x(k) tome un valor entre x y x+dx es f(x)dx.

En el caso de que x(k) tome valores discretos xi con probabilidades pi distintas de cero,
entonces la funcin f(x) se puede expresar como una serie de funciones de Dirac por las
probabilidades correspondientes:
f ( x) = pi ( x xi )
i
El valor medio de una variable aleatoria escalar x(k), tambin denominado valor
esperado o primer momento se define como:
E[x(k)] = x = m(k ) =
x f ( x)dx
(3.1)
El valor cuadrtico medio o segundo momento de x(k) se obtiene mediante la expresin
125
E x 2 (k) = x2 =
f ( x)dx
(3.2)
Si x no es un escalar entonces
x(k)x
E x(k)x (k) = =
T
2
x
(k) f ( x)dx
Un parmetro que se utiliza en lugar del valor cuadrtico medio es la raz cuadrada
positiva del mismo, conocido por su terminologa anglosajona como rms de root-mean
squared.
La varianza de la variable aleatoria x(k) se define como
E (x(k) - x ) 2 = x2 =
(x(k) -
) 2 f ( x )dx = x2 x2
(3.3)
Si x no es un escalar:
E (x(k) - x ) (x(k) - x ) T = x2 =
(x(k) -
)(x(k) - x ) T f ( x )dx = x2 x2
La raz cuadrada de la varianza, x, es por definicin la desviacin estndar de la

variable aleatoria. Si el valor medio es nulo, entonces la desviacin estndar coincide con el
valor rms.
Ejemplo 3.1: Distribucin Gaussiana o Normal
Una variable aleatoria x(k) tiene una distribucin gaussiana o normal si su funcin densidad de
probabilidad est dada por (ver Figura 3.4):
1
f ( x) =
e
2 b
( x a )2
2b2
Se puede ver fcilmente que a y b se corresponden con el valor medio y la desviacin estndar de la
variable aleatoria x(k)
x = E[ x(k )] =
xf ( x)dx = a
= E[( x(k ) a) ] = ( x a) 2 f ( x)dx = b 2

2
x
126
Una notacin bastante extendida para denotar a una distribucin normal de media y varianza 2, es
N(, 2). As una distribucin normal con media cero y varianza unidad se denotar como N(0,1).
Por otra parte, como ocurre con cualquier funcin de densidad de probabilidad su integral o rea en
el rango (-.,) es igual a 1. Es decir que la probabilidad de que una variable aleatoria tome valores
comprendidos entre (-.,) es del 100%.
Considerando la funcin error que se define como:
erf ( x ) =
t
e dt =
2
( 1) n x 2 n +1
n =0 n!(2n + 1)
es posible calcular que la probabilidad de que una variable aleatoria con distribucin normal tome un
valor comprendido entre 3 es del 99.7%. Mientras que la probabilidad de que tome un valor
comprendido entre 2 es del 95.4% y entre es del 68.3%.
0.3
0.25
0.3989 /0.2
x
0.15
0.2420 / x
0.1
0.05400.05
/ x
0
x + 2 x
5x
x x x + x
x + 2 x
10
Figura 3.4: Funcin densidad de probabilidad normal o gaussiana
La consideracin simultnea de ms de una variable aleatoria es a menudo necesaria y

til. En el caso de tener dos variables aleatorias x(k) e y(k), la probabilidad de que se den
pares de valores en un determinado rango de valores est dada por la funcin de
distribucin de probabilidad conjunta F2(x, y).
F2 ( x, y ) = P[x(k ) x & y (k ) y ]
127
La correspondiente funcin de densidad de probabilidad se define como:
P[x < x ( k ) x + x ]& P[ y < y ( k ) y + y ]

f 2 ( x, y ) = lim
x 0
xy
y 0
Que verifica las siguientes propiedades:
f 2 ( x, y ) 0
f 2 ( x, y ) =
2 F2 ( x, y )
xy
( x, y )dxdy = 1
Sean fx y fy las funciones de densidad de probabilidad de las variables aleatorias x(k) e

y(k), si se verifica que
f 2 ( x, y ) = f x ( x) f y ( y )
entonces las dos variables son estadsticamente independientes. Es decir, el suceso
x(k) x es independiente del suceso y(k) y.
El valor medio de una funcin continua real g(x,y) de dos variables aleatorias x(k) e y(k)
es:
E[g(x, y)] =
g ( x, y ) f
( x, y )dxdy
La covarianza rxy entre x(k) e y(k) se define como:
] (x -
rxy = E (x(k) - x )(y(k) - y ) =
)(y - y ) f 2 ( x, y )dxdy
(3.4)
Que se puede expresar de forma equivalente como:
] [
E (x(k) - x )(y(k) - y ) = E x(k)y(k) - x y(k) x(k) y + x y = E[x(k)y(k)] E[x(k) ]E[y(k)]
128
La covarianza normalizada por las desviaciones estndar de x(k) e y(k) se denomina

coeficiente de correlacin:
xy =
rxy
x y
(3.5)
Se verifica que
1 xy 1
El coeficiente de correlacin proporciona una medida del grado de dependencia lineal
entre las variables aleatorias x(k) e y(k). As si x(k) e y(k) son independientes entre si
entonces xy=0, y se dice que las variables aleatorias x(k) e y(k) no estn correlacionadas (la
afirmacin contraria no es cierta).
3.4.2 Procesos estocsticos

3.4.2.1 Definiciones
Un proceso aleatorio o estocstico (seal aleatoria) se puede considerar como un

conjunto de funciones o series temporales (ver Figura 3.5), cada una de las cuales se puede
observar en el ensayo de un experimento. El conjunto puede incluir un nmero finito, un
nmero infinito contable o un nmero infinito incontable de tales funciones. Al conjunto de
tales funciones se les representa por:
{x(t ), t T } x(t , h )
Usualmente se supone que t es el tiempo y T. Si se considera sistemas discretos
entonces T es el conjunto de instantes de muestreo T={0,k,2k,...} siendo k el periodo de
muestreo. En el caso de procesos estocsticos continuos T es un conjunto de variables
reales. Para un h fijo, h=h0, se tiene que x(t, h0) es una funcin del tiempo que se denomina
realizacin. Mientras que para un instante de tiempo fijo, t=t0, se tiene que x(t0,h)=x(t0) es
una variable aleatoria.
Los valores de un proceso aleatorio en n instantes de tiempo distintos constituyen n
variables aleatorias. La funcin de distribucin de probabilidad n-dimensional del proceso
aleatorio de define como
F (1 ,..., n ; t1 ,..., tn ) = P{x(t1 ) 1 ,... x(tn ) n }
129
Realizaciones
x(t , h )
Variables aleatorias
x(t1 )
x(t 2 )
x(t , h1 )
x(t , h2 )
x(t , h3 )
t
Figura 3.5: Tres realizaciones x(t, h1), x(t, h2) y x(t, h3) de un mismo proceso estocstico x(t, h). Se
detallan las variables aleatorias x(t1) y x(t2) que se obtienen cuando se fija el tiempo a t=t1 y t=t2
Un proceso aleatorio se denomina Gausiano o normal si todas las distribuciones de

dimensin finita son normales.
Para n=1 la funcin de distribucin de probabilidad es:
F ( , t ) = P[ x(t ) ]
La funcin de densidad de probabilidad correspondiente se define
f ( , t ) =
dF ( , t )
d
La funcin valor medio de un proceso aleatorio x se define como:
(t) = E[x(t)] = f ( , t )d
(3.6)
La funcin varianza de un proceso aleatorio x se define como:
] ( (t ))( (t )) f ( , t )d
2 (t) = E ( x(t ) (t ))( x(t ) (t ) )T =
(3.7)
La varianza da informacin del tamao de las fluctuaciones del proceso con respecto a
su valor medio. A la raz cuadrada de la varianza se le denomina desviacin estndar.
Ntese que tanto el valor medio como la varianza son funciones del tiempo.
130
La funcin de covarianza de un proceso aleatorio x se define como:
rxx (t 2 , t1 ) cov( x(t 2 ), x(t1 )) = E ( x(t 2 ) (t 2 ) )( x(t1 ) (t1 ) ) =

T
= (1 (t1 ))( 2 (t 2 )) f (1 , 2 ; t1 , t 2 )d1 d 2

T
(3.8)
La funcin de covarianza cruzada de dos procesos aleatorios x e y se puede definir de

forma similar a la funcin de covarianza:
rxy (t2 , t1 ) cov( x(t2 ), y (t1 ) )
(3.9)
Un proceso aleatorio o estocstico se denomina estacionario si su distribucin de

probabilidad n-dimensional para x(t1), x(t2),..., x(tn) es idntica a la distribucin de x(t1+),
x(t2+),..., x(tn+) para todo , n, t1,..., tn. La funcin valor medio de un proceso aleatorio
estacionario es constante. La funcin de covarianza cruzada de procesos aleatorios
estacionarios es funcin de la diferencia entre los instantes de tiempo considerados, es
decir,
rxy ( ) cov( x(t1 + ), y (t1 )) = cov( x(t + ), y (t ) )
(3.10)
donde
= t 2 t1
Lo mismo sucede para la funcin de covarianza o autocovarianza de un proceso
aleatorio estacionario
rx ( ) = rxx ( ) cov( x(t1 + ), x(t1 )) = cov( x(t + ), x(t ))
(3.11)
El valor de la funcin de covarianza en el origen rx(0) es la varianza del proceso.

La funcin de densidad espectral o espectro de potencia de un proceso aleatorio
estacionario permite conocer la distribucin en frecuencia del proceso, se define como la
transformada de Fourier de su funcin de covarianza
xx ( ) =
1
2
k =
xx
(k )e ik
(3.12)
Si se toma la transforma inversa de Fourier del espectro de potencia del proceso se

obtendra la funcin de covarianza del proceso
131
rxx (k ) = e ik xx ( )d
(3.13)
La densidad espectral cruzada de dos procesos aleatorios estacionarios x e y se define

como la transformada de Fourier de su funcin de covarianza cruzada:
xy ( ) =
1
2
k =
xy
(k )e ik
(3.14)
Si se toma la transforma inversa de Fourier de densidad espectral cruzada se obtendra

la funcin de covarianza cruzada
rxy (k ) = e ik xy ( )d
(3.15)
En el caso de procesos aleatorios continuos se tiene:
xx ( ) =
xy ( ) =
1
2
1
2
rxx (t ) =
xx
(t )e it dt
(3.16)
(t )e it dt
(3.17)
xy
it
xx ( )d
(3.18)
it
xy ( )d
(3.19)
rxy (t ) =
3.4.2.2 Interpretacin de la funcin de covarianza y de la densidad espectral
Los valores de un proceso aleatorio x en n instantes de tiempo {t1, t2,..., tn} distintos
constituyen n variables aleatorias x(t1), x(t2),...,x(tn). Supuesto que los n instantes de tiempo
estn equiespaciados un valor , es decir, ti+1-ti= i=1,...,n y tomando el instante t1 como
origen de referencia, entonces las n variables aleatorias se pueden denotar como x(0),
x(),x(2),...,x((n-1)). Obsrvese que si se tomase t2 como origen entonces las variables
aleatorias se denotaran como x(-),x(0),...,x((n-2)). En el caso de un proceso estocstico
estacionario, se puede tomar cualquier instante como origen.
132
La funcin de covarianza de un proceso estocstico permite analizar la relacin que

existen entre los valores o variables aleatorias de dicho proceso. Es decir, como influye el
valor de un proceso en un instante de tiempo en el valor de dicho proceso en los restantes
instantes de tiempo, o equivalentemente como influye una variable aleatoria del proceso en
las restantes variables aleatorias de dicho proceso. En consecuencia, analizar la forma de la
funcin de covarianza aporta informacin sobre las interdependencias temporales del
proceso.
El significado de la funcin de covarianza cruzada es similar al de la funcin de
covarianza pero extendido al caso de dos procesos estocsticos x e y. Es decir, permite
analizar las interdependencias temporales existentes entre ambos procesos (ver Figura 3.6).
La covarianza describe
la relacin entre las variables
aleatorias de
un mismo proceso estocstico
x(t )
La covarianza cruzada
describe la relacin
entre las variables aleatorias de
dos procesos estocsticos
distintos
y (t )
t1
t2
Figura 3.6: Realizaciones de dos procesos estocsticos distintos x(t) e y(t). Se detallan las variables
aleatorias x(t1), x(t2), y(t1) e y(t2) que se obtienen cuando se fija el tiempo a t=t1 y t=t2
El valor de la funcin de covarianza de un proceso estacionario en el origen rx(0) es la

varianza del proceso, que indica cmo de grandes son las fluctuaciones del proceso con
respecto a su valor medio. La desviacin estndar de las variaciones es igual a la raz
cuadrada de rx(0).
Si la funcin de covarianza es normaliza por rx(0) se obtiene la funcin de correlacin,
que se define de la siguiente forma:
x ( ) =
rx ( )
rx (0 )
(3.20)
Aplicando la desigualdad de Schwartz
133
rx ( ) rx (0 )
se obtiene que
x ( ) 1
Es decir, la magnitud de la funcin de correlacin es menor que la unidad.
El valor de x() da idea de la magnitud de la correlacin existente entre dos puntos del
proceso distanciados unidades de tiempo. Valores de x() cercanos a uno significan que
existe una fuerte correlacin positiva. Mientras que valores de x() cercanos a menos uno
significan que existe una fuerte correlacin negativa. Asimismo, si x()=0 entonces no existe
correlacin.
De forma anloga puede definirse la funcin de correlacin cruzada entre dos procesos
x e y:
xy ( ) =
rxy ( )
rx (0 )ry (0 )
(3.21)
La funcin de densidad espectral o espectro de potencia de un proceso aleatorio

estacionario permite conocer la distribucin en frecuencia del proceso. La presencia de
picos en el espectro suelen indicar la existencia de frecuencias o armnicos dominantes.
La integral
2
2 xx ( )d
1
(3.22)
representa la potencia de la seal en el rango de frecuencias [1, 2]. Por tanto, el rea
encerrada por la curva de la densidad espectral en [1, 2] representa la potencia de la
seal en una cierta banda de frecuencia. Dicha rea total es proporcional a la varianza de
seal.
Dos seales o procesos aleatorios x e y se dice que no estn correlacionados si su
densidad de potencia cruzada xy ( ) es 0.
134
3.4.2.3 Estimacin del valor medio, covarianza y densidad espectral
Usualmente se suele disponer de un conjunto de N valores muestreados de un proceso

aleatorio estacionario o seal aleatoria x(t), en dicho caso la funcin valor medio y la funcin
de covarianza se estiman a travs de las siguientes expresiones:
x=
rxx ( ) =
1
N
1
N
x (t )
(3.23)
t =1
( x(t + ) x )( x(t ) x )
(3.24)
t =1
Asimismo si tambin se dispone de N valores muestreados de otro proceso aleatorio

estacionario y(t), la funcin de covarianza cruzada entre x e y se estima con la siguiente
expresin:
1
N
rxy ( ) =
1
N
( x(t ) x )( y(t + ) y )
= 0,1, 2...
( y(t ) y )( x(t ) x )
= 1,2,...
t =1
N
(3.25)
t =1
Por ltimo la funcin densidad espectral o espectro de potencia se estima con la

siguiente expresin:
( ) =
r ( )W
= M
( )e i
(3.26)
donde WM() se denomina ventana de retardo (lag window) siendo M un entero positivo
denominado anchura de la ventana o parmetro de truncacin. La ventana de retardo es
una funcin que sirve para enfatizar las componentes de frecuencia ms importantes y
despreciar las menos relevantes, de esta forma se logra suavizar la forma del espectro de
potencia.
Una de las ventanas de retardo ms utilizadas es la conocida como ventana de
Hamming que tiene la siguiente expresin:
1

1 + cos
M
WM ( ) = 2
M
0
>M
(3.27)
135
Cuando se calcula el estimador de una determinada funcin se suele especificar una

cota de error para dicho estimador. Una cota de error bastante comn es
1
N
Obsrvese que el error disminuye conforme aumenta el nmero de muestras N de la

seal aleatoria.
Al intervalo [-n,n] se le denomina nivel de confianza n o nivel de confianza del P%,
siendo P la probabilidad expresada en tanto por cierto de que la variable aleatoria tome un
valor comprendido en dicho rango. As por ejemplo, un nivel de confianza 3 o nivel de
confianza del 99.7% significa que la probabilidad de que el valor calculado para el estimador
se encuentre dentro del rango 3 es del 99.7%. Obsrvese que se est considerando
como hiptesis que la seal muestreada posee una distribucin normal.
3.5 MODELOS DE PROCESOS ESTOCSTICOS

3.5.1 Ruido blanco
Se denomina ruido blanco en tiempo discreto a un proceso estocstico estacionario
discreto x(t) cuya funcin de covarianza es:
2 = 0
rxx ( ) =
0 = 1, 2,...
(3.28)
En la Figura 3.7 se representa rxx() grficamente. Obsrvese que rxx() es nula para
todos los valores de excepto en el origen (=0) donde vale 2 que es la varianza del
proceso. Esto significa que el valor del proceso en un instante de tiempo t es independiente
(no est correlacionado) de los valores del proceso en otros instantes de tiempo. El proceso
estocstico ruido blanco puede por tanto ser considerado como una secuencia de variables
aleatorias igualmente distribuidas e independientes.
Aplicando (3.12) es fcil obtener que su funcin de densidad espectral es:
( ) =
136
2
2
(3.29)
Luego un proceso de ruido blanco se caracteriza por tener una densidad espectral
constante para todas las frecuencias (ver Figura 3.7). La analoga con las propiedades
espectrales de la luz blanca explican el nombre que recibe este proceso estocstico.
()
rxx()
2
-2
-1
2
2
Figura 3.7: Representacin grfica de la covarianza y de la densidad espectral del ruido blanco en
tiempo discreto
En el caso del ruido blanco en tiempo continuo aplicando (3.16) sobre la densidad
espectral (3.29) se obtiene que su funcin de covarianza es:
rxx (t ) = 2 ( )
(3.30)
Donde es la funcin delta de Dirac:
si = 0
0 si 0
( ) =
3.5.2 Procesos ARMA

El ruido blanco juega un papel importante en la teora de control estocstica. La gran
mayora de los procesos aleatorios pueden ser generados mediante la implementacin de
un filtro adecuado al que se le aplique en su entrada ruido blanco.
Sea {e(k), k=...,-1,0,1,...} ruido blanco en tiempo discreto. A un proceso estocstico y
que se puede modelar por una ecuacin en diferencias de la forma
y ( k ) = e( k ) + c1 e( k 1) + ... + c m e( k m)
se le denomina media mvil (moving average) de orden m o proceso MA-(m).
137
Asimismo, a un proceso y generado por una ecuacin en diferencias de la forma
y ( k ) + a1 y ( k 1) + ... + a n y ( k n ) = e( k )
se le denomina autoregresin de orden n o proceso AR-(n).
En consecuencia a un proceso y generado por una ecuacin en diferencias de la forma
y ( k ) + a1 y ( k 1) + ... + a n y ( k n ) = e( k ) + c1 e( k 1) + ... + c m e( k m)
se le denomina proceso de autoregresin con media mvil de rdenes n y m ARMA-(n,m).
Equivalentemente, si se define el operador retardo como
q 1 y ( k ) = y ( k 1)
entonces la expresin de un proceso ARMA toma la forma:
A( q 1 ) y ( k ) = C ( q 1 )e( k )
donde
A( q 1 ) = 1 + a1 q 1 + ... + a n q n
C ( q 1 ) = 1 + c1 q 1 + ... + c m q m
Obsrvese que A(q-1)=1 para un proceso MA-(m). Mientras que C(q-1)=1 para un
proceso AR-(n).
Dada una realizacin o serie temporal de un proceso aleatorio estacionario no es
posible distinguir a travs de su representacin temporal si se trata de un proceso de ruido
blanco, de un proceso MA, de un proceso AR o de un proceso ARMA. Para distinguir el tipo
de proceso aleatorio de que se trata, se puede calcular su funcin de covarianza. De forma
general, un proceso de ruido blanco posee una funcin de covarianza que es cero en todos
los puntos salvo en el origen (=0). Un proceso MA-(n) se caracteriza por tener una
covarianza distinta de 0 en n valores enteros positivos distintos de (aparte de =0).
Mientras que un proceso un proceso AR o un proceso ARMA se caracteriza por tener una
covarianza cuyo valor absoluto va decreciendo conforme aumenta el valor de .
138
Ejemplo 3.2:
Supngase que se dispone de N valores muestreados de tres seales aleatorias {e(k)}, {x(k)} e {y(k)}.
En la Figura 3.8 se muestra la funcin de correlacin o autocorrelacin estimada de e(t). Se observa
que la autocorrelacin vale 1 en =0, adems para 0 la autocorrelacin toma valores que se
pueden considerar cero ya que se encuentran todos encerrados dentro del nivel de confianza 3 o
nivel de confianza del 99.7%. Por lo tanto, la seal aleatoria {e(k)} se puede considerar que es ruido
blanco en tiempo discreto.
1.2
1
Autocorrelacin
0.8
0.6
0.4
0.2
0
0.2
5
10
15
20
25
30
Figura 3.8: Estima de la autocorrelacin de la seal aleatoria {e(k)}

En la Figura 3.9 se muestra la funcin de correlacin o autocorrelacin estimada de {x(k)}. Se
observa que la autocorrelacin es distinta de cero en tres puntos, que son los que sobrepasan el nivel
de confianza 3 o nivel de confianza del 99.7%. Por lo tanto, la seal aleatoria {x(k)} se puede
considerar que es un proceso MA-(2).
1
0.8
Autocorrelacin
0.6
0.4
0.2
0
0.2
0.4
5
10
15
20
25
30
Figura 3.9: Estima de la autocorrelacin de la seal aleatoria {x(k)}
139
En la Figura 3.10 se muestra la funcin de correlacin o autocorrelacin estimada de {y(k)}. Se

observa que el valor absoluto de la autocorrelacin va decreciendo conforme aumenta . Por lo tanto,
la seal aleatoria {y(k)} puede ser o un proceso AR o un proceso ARMA.
1.2
1
Autocorrelacin
0.8
0.6
0.4
0.2
0
0.2
5
10
15
20
25
30
Figura 3.10: Estima de la autocorrelacin de la seal aleatoria {y(k)}

En la Figura 3.11 se muestra la estima de la funcin de correlacin cruzada de {x(k)} e {y(k)}. Se
observa que la correlacin cruzada es distinta de cero en dos puntos =0 y =1 , que son los que
sobrepasan el nivel de confianza 3 o nivel de confianza del 99.7%. Por lo tanto, se puede considerar
que existe correlacin entre las seales {x(k)} e {y(k)}, en =0 la correlacin entre ambas seales es
negativa, mientras que en =1 la correlacin es positiva
0.4
Correlacin Cruzada
0.3
0.2
0.1
0.1
0.2
30
20
10
10
20
30
Figura 3.11: Estima de la correlacin cruzada de las seales aleatorias {x(k)} e {y(k)}
140
3.5.3 Procesos ARIMA

Un proceso estocstico no estacionario posee una funcin valor medio y una funcin de
covarianza que dependen del tiempo. Para conocer las propiedades estacionarias que
subyacen en un proceso no estacionario es necesario diferenciarlo una o varias veces.
Se define el operador diferenciacin como
y ( k ) = (1 q 1 ) y ( k )
La consideracin de este operador permite definir los procesos ARIMA (Autoregressive
Integrated Moving Average) como aquellos generados por la siguiente ecuacin:
A( q 1 ) d y ( k ) = C ( q 1 )e( k )
donde
d = (1 q 1 ) d
A( q 1 ) = 1 + a1 q 1 + ... + a n q n
C ( q 1 ) = 1 + c1 q 1 + ... + c m q m
Obsrvese que un proceso ARIMA-(n,d,m) es una extensin al caso de procesos
estocsticos no estacionarios de un proceso ARMA-(n,m). De hecho, un proceso
ARIMA-(n,0,m) es un proceso ARMA-(n,m).
Ejemplo 3.3:
El ejemplo ms sencillo de proceso aleatorio no estacionario es el denominado como camino
aleatorio (random walk) que es un proceso y que se obtiene mediante la siguiente ecuacin en
diferencias
y ( k ) y ( k 1) = e( k )
donde {e(k)} es ruido blanco en tiempo discreto. La ecuacin anterior se puede expresar
equivalentemente como:
(1 q 1 ) y ( k ) = e( k )
Es decir, una seal del tipo camino aleatorio es un proceso ARIMA-(0,1,0).
141
Ejemplo 3.4:
En la Figura 3.12a se muestra la representacin temporal de una seal aleatoria muestreada {y(k)}.
Se puede observar que el valor medio de la seal no es constante en el tiempo. Es decir, se trata de
una seal no estacionaria. Para conocer las propiedades estacionarias que subyacen en esta seal
es necesaria diferenciarla. En la Figura 3.12b se muestra la representacin temporal de {y(k)} tras ser
diferenciada una vez. Se observa como ahora s el valor medio de la seal es constante en el tiempo,
es decir, presenta un comportamiento estacionario.
2.5
1.5
1.5
0.5
1
0.5
0.5
0.5
1.5
1.5
2
0
500
Tiempo(s)
1000
2
0
1500
500
(a)
Tiempo (s)
1000
1500
(b)
Figura 3.12: Representacin temporal de una seal aleatoria {y(k)} no estacionaria. a) Sin diferenciar.
b) Diferenciada una vez.
1
0.8
Autocorrelacin
0.6
0.4
0.2
0
0.2
0.4
0.6
5
10
15
20
25
30
Figura 3.13: Estima de la autocorrelacin de la seal aleatoria {y(k)}.
142
En la Figura 3.13 se muestra la funcin de correlacin o autocorrelacin estimada de {y(k)}

diferenciada. Se observa que la autocorrelacin es distinta de cero en tres puntos, que son los que
sobrepasan el nivel de confianza 3 o nivel de confianza del 99.7%. Por lo tanto, la seal aleatoria
y(t) se puede considerar que es un proceso ARIMA-(0,1,2).
3.5.4 Modelos en el espacio de estados

3.5.4.1 Formulacin discreta
Considrese un sistema en tiempo discreto donde el periodo de muestreo se ha tomado

igual a la unidad. Sea x(k) el estado en el instante k. La distribucin de probabilidad del
estado en el instante de tiempo k+1 ser entonces una funcin de x(k). Si el valor medio es
lineal en x(k) y la distribucin alrededor de la media es independiente de x(k), entonces
x(k+1) se puede representar mediante una ecuacin en diferencias lineal estocstica:
x(k + 1) = Fx(k ) + v(k )
(3.31)
donde v(k) es una variable aleatoria de media cero que es independiente de x(k) y de todos
los valores pasado de x. Esto implica que v(k) tambin es independiente de todos los
valores pasados de v. La secuencia {v(k), k=0,1,...} es una secuencia de variables aleatorias
independientes igualmente distribuidas. Por lo tanto el proceso estocstico {v(k)} es ruido
blanco en tiempo discreto.
Para definir al proceso aleatorio {x(k)} completamente, es necesario especificar las
condiciones iniciales. Se supone que el estado inicial tiene valor medio m0 y matriz de
covarianza R0. Asimismo la covarianza de las variables aleatorias v se denota mediante R1.
Teorema 3.1: Considrese un proceso aleatorio definido por la ecuacin en diferencias
estocstica (3.31), donde {v(k)} es un proceso de ruido blanco con valor medio cero y
covarianza R1. Considrese que el estado inicial tiene valor medio m0 y covarianza R0. La
funcin del valor medio del proceso est dada por la siguiente ecuacin en diferencias:
m(k + 1) = Fm(k ),
m(0) = m0
(3.32)
(3.33)
y la funcin de covarianza por:
r (k + , k ) = F P(k ),
143
donde P(k)=cov[x(k),x(k)] viene dada por:
P (k + 1) = FP (k )F T + R1
P(0) = R0
(3.34)
Demostracin Teorema 3.1:

Para obtener la funcin valor medio
m(k ) = E [x(k )]
simplemente hay que tomar el valor medio en ambos lados de la ecuacin (3.31)
E [x(k + 1)] = E[F x(k ) + v(k )] m(k + 1) = F m(k ) + E[v(k )]

Como E[v(k)]=0 entonces se obtiene
m(k + 1) = Fm(k )
Luego el valor medio se propagar de la misma forma que un sistema no perturbado.
Para calcular la funcin de covarianza, se considera la siguiente variable
~
x ( k ) = x( k ) m( k )
de tal forma que:
P(k ) = cov[x(k), x(k)] = E ~

x(k)~
x T (k)
Esta ~
x satisface la ecuacin (3.31) si la condicin inicial tiene media cero. Para calcular la
covarianza hay que formar la siguiente expresin
~
x (k + 1)~
x T (k + 1) = [ F ~
x (k ) + v(k )][ F ~
x (k ) + v(k )]T
x (k )~
x T (k )F T + F ~
x (k )v T (k ) + v(k )~
x T (k )F T + v(k )v T (k )
= F ~
Tomando valores medios
] [
E~
x (k + 1)~
x T (k + 1) = F E ~
x (k )~
x T ( k ) F T + F E ~
x (k )v T (k ) + E v(k )~
x T (k ) F T + E v(k )v T (k )
Se obtiene
P (k + 1) = FP(k )F T + R1
144
Esta ecuacin recursiva para P indica como se propaga la covarianza.

Para calcular la funcin de covarianza del estado, hay que darse cuenta que:
~
x (k + 1)~
x T ( k ) = [ F ~
x (k ) + v(k )]~
x T (k )
Puesto que v(k) y ~
x (k ) son independientes y v(k) tiene media cero, entonces:
rxx (k + 1, k ) = cov[ x(k + 1), x(k )] = E ( x(k + 1) m(k + 1))( x(k ) m(k )) T
x (k + 1)~
x T ( k ) = E [ F ~
x (k ) + v(k )]~
x T (k )
=E~
[
x (k )~
x
= E [F ~
] [
] [
x T ( k ) = F E ~
x (k )~
x T (k ) + E v(k )~
x T (k )
(k ) + v(k )~
= F P ( k )
Para obtener la expresin
rxx (k + , k ) = F P(k )
se debe operar de forma similar al caso rxx (k + 1, k ) pero considerando que ahora
1
~
x (k + )~
x T ( k ) = [ F ~
x (k ) + F 1 j v(k + j )]~
x T (k )
j =0
Los trminos de (3.34) pueden interpretarse fsicamente. La covarianza P representa la

incertidumbre en el estado, el trmino FP(k )F T indica la incertidumbre en el instante k que
se propaga debido a la dinmica del sistema, y el trmino R1 describe el incremento en la
incertidumbre debido a la perturbacin v.
Por otra parte, si el sistema tiene una salida
y = Cx
puede demostrarse fcilmente que su funcin valor medio es
m y = C m
y que su funcin de covarianza es
145
ryy = C rxx C T
Asimismo la funcin de covarianza cruzada entre y e x est dada por:
ryx = C rxx
Ejemplo 3.5:
Considrese el siguiente sistema de primer orden
x(k + 1) = a x(k ) + v(k )

donde v es una secuencia de variables aleatorias no correlacionadas con valores medios nulos y
covarianzas r1. Supngase que en el instante k0 el estado tiene un valor medio m0 y covarianza r0.
Para obtener el valor medio del estado x(k) hay que resolver la ecuacin en diferencias (3.31):
m(k + 1) = am(k ),
m( k 0 ) = m 0
La solucin a esta ecuacin en diferencias es:
m(k ) = a k k0 m0
Por otra parte la aplicacin de la ecuacin (3.34) da
P (k + 1) = a 2 P(k ) + r1
P(k 0 ) = r0
Resolviendo esta ecuacin en diferencias se obtiene:
P (k ) = a 2(k -k 0 ) r0 +
1 a 2(k -k 0 )
r1
1 a2
Por otra parte, de acuerdo con (3.33)
Si |a|<1 y k0 -, entonces:
146
rx (l , k ) = a l k P(k )
lk
rx (l , k ) = a k l P(l )
l<k
m( k ) 0
P(k )
r1
1 a2
r a
rx (k + , k ) 1 2
1 a
Se observa que en ese caso el proceso pasa a ser estacionario ya que m es una constante y la
funcin de covarianza es nicamente funcin de .
Si se considera la siguiente salida
y ( k ) = x ( k ) + e( k )
donde e(k) es una secuencia de variables aleatorias no correlacionadas con media cero y varianza r2,
entonces la funcin de covarianza de y es
r1
r2 + 1 a 2
ry ( ) =
r1 a
1 a 2
=0
0
La densidad espectral de la salida se obtiene usando (3.12):
y ( ) =
r1
r1
1
1
r2 +
r2 + i
=
i
2
2
1 + a 2acos
(e a )(e a ) 2
3.5.4.2 Formulacin continua
Modelos en el espacio de estados para procesos en tiempo continuo estocsticos se

pueden obtener mediante una generalizacin formal de la ecuacin (3.31):
dx
= Ax + v&
dt
donde v& es un vector cuyos elementos son procesos estocsticos de ruido blanco. Puesto
que v& tiene una varianza infinita, se acostumbra a escribir la ecuacin en trmino de
diferenciales, es decir:
dx = A xdt + dv
(3.35)
147
La seal v es la integral de v& , se supone que tiene valor medio cero, incrementos no
correlacionados entre si, ni con x, y varianza
cov[v(t ), v(t )] = R1 t
(3.36)
A la ecuacin (3.35) se le denomina ecuacin diferencial estocstica lineal. Para

especificarla completamente es necesario dar la distribucin de probabilidad inicial de x en
el instante inicial.
Teorema 3.2: Considrese un proceso estocstico definido por la ecuacin diferencial
estocstica lineal (3.35) donde el proceso v tiene media cero y covarianza incremental R1dt.
Supngase que el estado inicial tiene media m0 y covarianza R0. El valor medio del proceso
x viene dado por la solucin de la ecuacin diferencial
dm(t )
= Am(t ),
dt
m(0) = m0
(3.37)
La covarianza es
cov[ x( s ), x(t )] = e A( s t ) P(t ),
st
(3.38)
P(0) = R0
(3.39)
donde P(t)=cov[x(t),x(t)] es la solucin de la ecuacin diferencial
dP(t )
= AP(t ) + P(t ) AT + R1
dt
La ecuacin (3.37) se obtiene tomando el valor medio de (3.35)
E [dx ] = E [A xdt ] + E [dv ]

Considerando que los valores constantes se pueden sacar del operador valor medio E y que adems
ste conmuta con respecto al diferencial:
dE [x ] = AE [x ]dt + dE [v ]
Que es equivalente a
dm(t ) = Am(t )dt
148
Y dividiendo por dt se obtiene (3.37).

Para obtener la ecuacin diferencial (3.39), hay que considerar que
d ( x x T ) = ( x + dx)( x + dx) T xx T = xdx T + dxx T + dxdx T

Sustituyendo en la expresin anterior la ecuacin (3.35) se obtiene:
d ( xx T ) = x[ Axdt + dv ] + [Axdt + dv ] x T + [ Axdt + dv ][

A xdt + dv ]
T
Desarrollando la ecuacin anterior se obtiene:
d ( x x T ) = x x T AT dt + xdv T + A x x T dt + dv x T + A x(dt ) 2 x T AT +
+ dvdt x T AT + A xdt dv T + dvdv T
Si se toma el valor medio, puesto que v es independiente de x se obtiene:
d ( E x x T ) = E x x T AT dt + AE x x T dt + AE xx T AT (dt ) 2 + E dvdv T
Como por definicin
P (t ) = E xx T
y de (3.36)
E dvdv T = R1 dt
Entonces
dP(t ) = P(t ) AT dt + AP(t )dt + AP(t ) AT (dt ) 2 + R1 dt

Dividiendo por dt
dP(t )
= P(t ) AT + AP(t ) + R1 + AP(t ) AT (dt )
dt
y tomando el lmite cuando dt tiende a 0 se obtiene (3.39).
Finalmente para obtener (3.38), se considera st y se integra la ecuacin (3.35)
149
x( s ) = e A( s t ) x(t ) + e A( s s ) dv( s ' )

'
Si se multiplica por la derecha con xT(t) a ambos miembros se obtiene:
x( s )x (t ) = e
T
A( s t )
s A( s s ' )
x(t )x (t ) + e
dv( s ' )x T (t )
t
Si se aplica el operador valor medio, considerando que dv(s) no est correlacionado con x(t) si s t,
entonces se obtiene (3.38).
Ejemplo 3.6:
Considrese la siguiente ecuacin diferencial estocstica escalar
dx = a xdt + dv
x(t 0 ) = m0
cov[ x(t 0 ), x(t 0 )] = r0
donde el proceso {v(t), tT} posee una covarianza incremental r1dt. La ecuacin diferencial que da la
expresin de la media es
dm
= am
dt
m(t 0 ) = m0
La solucin de esta ecuacin es:
m(t ) = m0 e a ( t t0 )
La funcin covarianza viene dada por
e a ( s t ) P (t )
r ( s, t ) = cov[ x( s ), x(t )] = a (t s )
e
P(t )
La ecuacin (3.39) da la siguiente ecuacin diferencial para P.
dP
= 2aP + r1
dt
150
P(t 0 ) = r0
st
st
Cuya solucin es:

t
P (t ) = e 2a (t t0 ) r0 + e 2a ( t s ) r1 ds = e 2a ( t t0 ) r0 +
t0
r1
1 e 2 a ( t t 0 )
2a
Cuando t0-, la funcin valor medio tiende a cero y la funcin covarianza tiende a
r ( s, t ) =
r1 a ( t s )
e
2a
Puesto que esta funcin depende de la diferencia s-t, el proceso sera estacionario y su funcin de
covarianza se puede escribir como:
r ( ) =
r1 a
e
2a
Por otra parte, la correspondiente densidad espectral vendra dada por la aplicacin de (3.16).
( ) =
r1
1
2
2 + a 2
3.5.4.3 Muestreo de una ecuacin diferencial estocstica
Si el modelo de un proceso se presenta como ecuaciones diferenciales estocsticas,

puede ser til muestrearlas y obtener un modelo en tiempo discreto.
Considrese el proceso descrito por
dx = A xdt + dv
(3.40)
donde el proceso v tiene media cero e incrementos no correlacionados. La covarianza

incremental de v es R1dt. Sean los instantes de muestreo {tk; k=0,1,...}. La integracin de
esta ecuacin sobre un intervalo de muestreo [tk, tk+1] da
x(t k +1 ) = e A( tk +1 tk ) x(t k ) +
t k +1
A ( t k +1 s )
dv( s )
tk
Considrese la variable aleatoria
151
e(t k ) =
t k +1
A ( t k +1 s )
dv( s )
tk
Esta variable tiene media cero puesto que v tambin tiene media cero. Las variables
aleatorias e(tk) y e(tl) no estn correlacionados si kl puesto que los incrementos de v sobre
intervalos disjuntos estn no correlacionados. La covarianza de e(tk) est dada por
t k +1 A ( t s )
T
E e(t k )e (t k ) = E e k +1 dv( s )dv T (t )e A ( tk +1 t ) =
tk
t k +1
A ( t k +1 s )
R1 e A
( t k +1 s )
(3.41)
ds
tk
Se obtiene as que la secuencia aleatoria {x(tk), k=0,1,...} obtenida muestreando el

proceso {x(t)} est descrita por la ecuacin en diferencias
x(t k +1 ) = e A(tk +1 tk ) x(t k ) + e(t k )

donde {e(tk)} es una secuencia de variables aleatorias no correlacionadas con media cero y
covarianza (3.41).
3.6 FILTRADO DE PROCESOS ESTACIONARIOS

3.6.1 Formulacin discreta
Teorema 3.3. Considrese un sistema dinmico de tiempo discreto estacionario con
periodo de muestreo T= 1 (ver Figura 3.14) y funcin de transferencia pulso H(z). Sea la
seal de entrada u un proceso estocstico estacionario con media mu y densidad espectral
u. Si el sistema es estable, entonces la salida y es tambin un proceso estacionario con
media
m y (k ) = H (1)mu (k )
(3.42)
y densidad espectral
y ( ) = H (e i )u ( )H T (e i )
(3.43)
Adems la densidad espectral cruzada entre la entrada y la salida est dada por la
expresin
152
yu ( ) = H (e i )u ( )
(3.44)
H(z)
Figura 3.14: Sistema discreto estacionario

Para el sistema considerado la relacin entre la entrada y la salida es:
k
n =
n =0
h(k n)u(n) = h(n)u(k n)
y (k ) =
Tomando valores medios
m y (k ) = E [ y (k )] = E h(n)u (k n) =
n =0
n =0
n =0
= h(n)E [u (k n)] = h(n)mu (k n)

Se observa que el valor medio de la salida se obtiene filtrando el valor medio de la entrada. Para
determinar la covarianza, primero hay que darse cuenta que
y (k ) m y (k ) = h(n)[u (k n) mu (k n)]
n =0
Luego la diferencia entre la seal de salida y su valor medio se propaga a travs del sistema de la
misma forma que la seal de entrada. Con vistas a simplificar la escritura de las ecuaciones se va a
suponer que los valores medios son cero. Adems se supondr que todas las series infinitas existen
y que las operaciones de suma infinita y valor esperado son conmutativas. As, la definicin de
covarianza da
ry ( ) = E y ( k + ) y T ( k ) =
T

= E h( n )[u( k + n )] h(l )[u( k l )] =

l =0
n=0
= h( n )E u( k + n )u T ( k l ) h T (l ) = h( n )ru ( + l n )h T (l )
n =0 l =0
n =0 l =0
153
De forma similar se obtiene la covarianza cruzada entre la entrada y la salida.
ryu ( ) = E y (k + )u T (k ) = E h(n)[u (k + n)]u T (k ) =
n =0
= h(n)E u (k + n)u T (k ) = h(n)ru ( n)

n =0
n =0
La definicin de densidad espectral es
1
2
y ( ) = yy ( ) =
i n
n =
ry (n)
Sustituyendo la expresin de la covarianza en esta ecuacin y recolocando trminos
y ( ) =
1
2
1
2
1
2
i ( n + k k + l l )
e
h(k )ru (n + l k )h T (l ) =
n =
k =0 l =0
n = k = 0 l = 0
i k
k =0
i k
h(k )e i ( n +l k ) ru (n + l k )e i l h T (l )
n =
l =0
h(k ) e i ( n +l k ) ru (n + l k ) e i l h T (l )
Haciendo el cambio de variable p=n+l-k en la segunda sumatoria se obtiene:
y ( ) =
1
2
k =0
p =
l =0
e ik h(k ) e i p ru ( p) e il h T (l )
Introduciendo la funcin de transferencia pulso H(z) del sistema, que se relaciona con la respuesta a
un impulso {h(k), k=0,1,...} mediante la expresin:
H ( z ) = z n h( n)
n =0
Como z=eiT y T=1 se tiene
H ( ei ) = e ni h( n)
n =0
Entonces la ecuacin para la densidad espectral se puede escribir de la siguiente forma:
y ( ) = H (e i )u ( )H T (e i )
154
(3.45)
De forma similar, la ecuacin para la densidad espectral cruzada es
yu ( ) =
1
2
n =
k =0
e in h(k )ru (n k ) =
1
2
k =0
n =
e ik h(k ) e in ru (n) = H (e i )u ( )
El resultado indicado en este teorema tiene una sencilla interpretacin fsica. El nmero
H (e i ) es la amplitud en el estado estacionario de la respuesta del sistema a una seal

seno de frecuencia . El valor de la densidad espectral de la salida es entonces el producto
de la ganancia de la potencia H (e i )
y la densidad espectral de la entrada u().
Por otra parte, la ecuacin (3.44) indica que la densidad espectral cruzada es igual a la
funcin de transferencia del sistema si la entrada es ruido blanco con densidad espectral
unidad. Este resultado puede ser utilizado para determinar la funcin de transferencia pulso
del sistema.
Ejemplo 3.7:
Considere el proceso {x(k)} del Ejemplo 3.5. Este proceso puede ser generado haciendo pasar ruido
blanco a travs de un filtro cuya funcin de transferencia pulso es:
H ( z) =
1
za
Puesto que la densidad espectral de {v(k)} es:
v ( ) =
r1
2
La densidad espectral de {x(k)} se determina aplicando la ecuacin (3.43)
x ( ) = H (e i )u ( )H T (e i ) =
r1
r1
1
=
i
i
2
2 (e a )(e a ) 2 1 + a 2acos
Por otra parte, el proceso
y ( k ) = x ( k ) + e( k )
tiene la siguiente densidad espectral
155
y ( ) =
r1
1
r2 +
2
2
1 + a 2acos
Se observa que este resultado coincide con el obtenido en el Ejemplo 3.5.
3.6.2 Formulacin continua

Considrese un sistema estable invariante en el tiempo con respuesta a impulso g. La
relacin entre la entrada y la salida de dicho sistema viene dada por:
y (t ) =
g (t s)u (s)ds = g (s)u (t s)ds
(3.46)
Sea la seal de entrada u a un proceso estocstico con funcin valor medio mu y

funcin de covarianza ru. El siguiente teorema es anlogo al Teorema 3.3 enunciado para
sistemas en tiempo discreto.
Teorema 3.4: Filtrado de procesos estacionarios. Considrese un sistema lineal estacionario
con funcin de transferencia G. Sea la seal de entrada un proceso estocstico estacionario
en tiempo continuo con valor medio mu y densidad espectral u. Si el sistema es estable,
entonces la salida es tambin un proceso estacionario con valor medio
m y = G (0)mu
(3.47)
y densidad espectral
y ( ) = G (i )u ( )G T (i )
(3.48)
La densidad espectral cruzada entre la entrada y la salida est dada por
yu ( ) = G (i )u ( )
(3.49)
Ejemplo 3.8:
Considrese el sistema del Ejemplo 3.6. El proceso x se puede considerar como el resultado de filtrar
ruido blanco con varianza r1/(2) a travs de un sistema con funcin de transferencia
G(s) =
156
1
s+a
La densidad espectral se puede calcular usando (3.48):
( ) =
r1
r
1
1
1
= 1 2
2 i + a i + a 2 + a 2
3.7 FACTORIZACIN ESPECTRAL

3.7.1 Formulacin discreta
Por factorizacin espectral se entender al problema de obtener el sistema lineal H(z)
que al ser excitado por ruido blanco de covarianza unidad genera una salida cuya densidad
espectral y(), racional en cos , es conocida de antemano.
Como la entrada es ruido blanco su densidad espectral es
u ( ) =
1
2
Adems como
z = e i
entonces por la ecuacin (3.43) del Teorema 3.3 se tiene que:
y ( ) =
1
H ( z )H T ( z 1 ) = F ( z )
2
Se verifica que si z i es un cero de H (z ) entonces z i1 es un cero de H ( z 1 ) .

Anlogamente si
pi es un polo de H (z ) entonces pi1 es un polo de H ( z 1 ) . Es decir,
existe una simetra tal que
zi z j = 1
pi p j = 1
Siendo z i z j ceros de F(z) y siendo pi p j polos de F(z).
Los pasos para encontrar una funcin H que corresponda a una determinada densidad
espectral racional y son:
157
1) Dada y() obtener los polos pi y los ceros zi de F(z).

2) Construir H(z) de la siguiente forma:
H ( z) = K
( z z ) = B( z )
( z p ) A( z )
i
Puesto que el proceso estocstico se ha supuesto estacionario los polos pi y los ceros zi
verificarn las siguientes condiciones:
zi 1
pi < 1
El resultado obtenido se resume en el siguiente teorema.
Teorema 3.5: Teorema de factorizacin espectral. Dada una densidad espectral (),
que sea una funcin racional en cos , existe un sistema lineal con funcin de transferencia
pulso
H ( z) =
B( z )
A( z )
(3.50)
tal que la salida que se obtiene, cuando la entrada del sistema es ruido blanco, es un
proceso aleatorio estacionario con densidad espectral . El polinomio A(z) tiene todos sus
ceros dentro del crculo unidad. El polinomio B tiene todos sus ceros dentro del disco unidad
o sobre el circulo unidad.
La principal conclusin de este teorema es que es posible generar cualquier proceso
aleatorio estacionario con densidad espectral racional como la salida de un sistema lineal
estable al cual se le excita con ruido blanco.
Por tanto es suficiente con estudiar como se comportan los sistemas cuando son
excitados por ruido blanco. Todos los otros procesos estacionarios con densidad espectral
racional pueden ser generados mediante el filtrado adecuado del ruido blanco.
A menudo se supone que el polinomio B(z) posee todos sus ceros dentro del circulo
unidad. Esto significa que la inversa del sistema H es estable.
158
Ejemplo 3.9:
Considrese el proceso {y(k)} de los Ejemplos 3.5 y 3.7. Este proceso tiene la siguiente densidad
espectral
y ( ) = F ( z ) =
1
2
r1
1 r1 + r2 (1 + a 2 ) r2 a( z + z 1 )
r
+
=
( z a )( z 1 a ) 2
( z a )( z 1 a )
Pasando el factor 2 al otro miembro
r + r (1 + a 2 ) r2 a( z + z 1 )
2 F ( z ) = 1 2
( z a )( z 1 a )
Se observa que el denominador ya est en forma factorizada. Para factorizar el numerador,

observamos que puesto que nicamente posee potencias en z, entonces
B ( z )B( z 1 ) = 2 ( z b)( z 1 b)
Que se puede escribir como
B ( z )B( z 1 ) = 2 (1 + b 2 ) 2 b( z + z 1 )
Igualando B(z)B(z-1) con el numerador de 2F(z)
2 (1 + b 2 ) 2 b( z + z 1 ) = r1 + r2 (1 + a 2 ) r2 a( z + z 1 )
Igualando ahora los coeficientes de la misma potencia de z se obtienen el siguiente par de
ecuaciones:
z 0 : 2 (1 + b 2 ) = r1 + r2 (1 + a 2 )
z 1 : 2 b = r2 a
Si se despeja 2 de la segunda ecuacin
2 =
r2 a
b
y se define la variable p como:
p = r1 + r2 (1 + a 2 )
159
Es posible escribir la primera ecuacin como una ecuacin algebraica de segundo orden para b
r2 ab 2 b p + r2 a = 0
Esta ecuacin tiene la siguiente solucin vlida, es decir, dentro del crculo unidad:
p+
b=
p 2 4(r2 a) 2
2ar2
Con lo que
2 =
2(r2 a) 2
p+
p 2 4(r2 a) 2
Luego
H ( z) =
( z b)
za
Ejemplo 3.10:
Se desea calcular el filtro H(z) que genera una seal estocstica con densidad espectral
F ( z) =
1
2
0.3125 + 0.125( z + z 1 )
1
2
2
2.25 1.5( z + z ) + 0.5( z + z )
F(z) se puede escribir como:
2 F ( z ) =
2 ( z b)( z 1 b)
B( z )B( z 1 )
=
A( z ) A( z 1 ) ( z a1 )( z 1 a1 )( z a 2 )( z 1 a 2 )
Luego
H ( z) =
Definiendo las variables
160
( z b)
B( z )
=
A( z ) ( z a1 )( z a 2 )
p1 = 1 + a12
p 2 = 1 + a 22
Y desarrollando los productos se obtiene
2 (1 + b 2 ) b( z + z 1 )
B( z )B( z 1 )
=
A( z ) A( z 1 ) ( p1 p 2 + 2a1 a 2 ) (a1 p 2 + a 2 p1 )( z + z 1 ) + a1 a 2 ( z 2 + z 2 )
Igualando B(z)B(z-1) con el numerador de 2F(z)
2 [(1 + b 2 ) b( z + z 1 )] = 0.3125 + 0.125( z + z 1 )

se obtienen las ecuaciones:
2 (1 + b 2 ) = 0.3125
2 b = 0.125
Eliminando 2 se obtiene la siguiente ecuacin cuadrtica para b
b 2 + 2.5b + 1 = 0
Cuya nica solucin dentro del crculo unidad es: b=-0.5. Con lo que =0.25.
Por otra parte, igualando A(z)A(z-1) con el denominador de 2F(z)
( p1 p 2 + 2a1 a 2 ) (a1 p 2 + a 2 p1 )( z + z 1 ) + a1 a 2 ( z 2 + z 2 ) = 2.25 1.5( z + z 1 ) + 0.5( z 2 + z 2 )

se obtiene las ecuaciones:
p1 p 2 + 2a1 a 2 = 2.25
a1 p 2 + a 2 p1 = 1.5
a1 a 2 = 0.5
Luego
a1 =
0.5
a2
p1 =
1.25
p2
161
Por tanto
0.5
1.25
1.25
p2 + a2
= 1.5 0.5 p 2 + a 22
= 1.5a 2 0.5 p 22 + 1.25a 22 = 1.5a 2 p 2
a2
p2
p2
sustituyendo la variable p2 de acuerdo a su definicin se obtiene la siguiente ecuacin:
0.5(1 + a 22 ) 2 + 1.25a 22 1.5a 2 (1 + a 22 ) = 0 0.5a 24 1.5a 23 + 2.25a 22 1.5a 2 + 0.5 = 0

Cuyas soluciones dentro del crculo unidad son a2=0.5+j0.5 y a2=0.5-j0.5
Luego a1=0.5-j0.5 y a1=0.5+j0.5
Con lo que finalmente H(z) es:
H ( z) =
( z b)
( z a1 )( z a 2 )
0.5( z (0.5))
0.5z + 0.25
= 2
( z (0.5 j0.5))( z (0.5 + j0.5)) z z + 0.5
3.7.2 Formulacin continua

Teorema 3.6: Factorizacin espectral. Dada una densidad espectral racional (), existe
un sistema lineal de dimensin finita con funcin de transferencia
G ( s) =
B( s)
A( s )
tal que la salida que se obtiene, cuando la entrada del sistema es ruido blanco, es un
proceso estocstico estacionario con densidad espectral . El polinomio A tiene todos sus
ceros en el semiplano izquierdo del plano s. El polinomio B no tiene ceros en el semiplano
derecho del plano s.
3.7.3 Forma alternativa de calcular la varianza de una seal

La varianza de una seal obtenida mediante el filtrado de ruido blanco puede ser
calculada usando la ecuacin recursiva (3.34) si se tiene un modelo en variables de estados
del sistema. En esta seccin se van obtener algunas frmulas que permiten calcular la
varianza de una seal si se dispone de la funcin de transferencia del sistema que genera
dicha seal.
162
Considrese una seal generada por
y (k ) =
B(q)
e(k )
A(q)
(3.51)
donde e es ruido blanco de varianza unidad. De acuerdo con el Teorema 3.5 la densidad
espectral de la seal y esta dada por
1 B( z )B( z 1 )
2 A( z ) A( z 1 )
( ) =
Tambin se sigue de dicho Teorema 3.5 que la varianza de la seal y est dada por la
integral compleja
[ ]
B ( z )B( z 1 ) dz
1
1
E y 2 = ( )d = ( )e i d (e i ) =
i
z
2
A
z
A
z
(
)
(
)
(3.52)
El calculo de las integrales que poseen esta forma est estrechamente ligado al test de
estabilidad de Jury que se usa para conocer si las races de la ecuacin caracterstica de un
sistema discreto en lazo cerrado se encuentran ubicadas dentro del crculo unidad. As para
evaluar este tipo de integrales hay que construir la Tabla 3.1, considerando la siguiente
estructura para los polinomios A(z) y B(z):
A( z ) = a0 z n + a1 z n1 + ... + an
B( z ) = b0 z n + b1 z n1 + ... + bn
a0
a1
...
a n1
an
an
a n1
...
a1
a0
a0n1
a1n1
...
a nn11
a nn11
a nn12
...
a0n1
b0
b1
...
bn 1
bn
an
a n1
...
a1
a0
b0n1
b1n 1
...
bnn11
a nn11
a nn12
...
a0n1
b01
b11
a11
a10
b00
n 1
n 1
:
:
a10
a11
a11
a10
a00
Tabla 3.1: Tabla asociada al test de estabilidad de Jury
163
En dicha tabla se definen:
an
a0
a kk
k = k
a0
n =
bn
a0
bkk
k = k
a0
n =
(3.53)
Donde
aik 1 = aik k akki

bik 1 = bik k akki
(3.54)
Se puede demostrar que el resultado de la integral (3.52) viene dado por la expresin
In =
1 n i
bi i
a0 i =0
(3.55)
En el caso de n=1 y n=2 la expresin (3.55) toma los siguientes valores
I1 =
(b02 + b12 )a0 2b0 b1 a1

a0 (a02 a12 )
(3.56)
I2 =
B0 a0 e1 B1 a0 a1 + B2 (a12 a 2 e1 )
a0 [(a02 a 22 )e1 (a0 a1 a1 a 2 )a1 ]
(3.57)
Donde
B0 = b02 + b12 + b22

B1 = 2b1 (b0 + b2 )
B2 = 2b0 b2
e1 = a0 + a2
164
(3.58)
TEMA 4
ESTIMACION OPTIMA
4.1 INTRODUCCIN
En las secciones 1.8 y 2.9 se describi el diseo de observadores o estimadores de
estado considerando que se dispona de un modelo matemtico exacto del sistema y
despreciando la posible existencia de ruido de medida. A los observadores obtenidos bajo
estas hiptesis se les denomina observadores deterministas. Desafortunadamente, los
modelos matemticos de un proceso real no suelen ser exactos y adems suele existir ruido
de medida. Existe una familia de observadores que de forma explcita tienen en cuenta
estas circunstancias son los denominados observadores estocsticos. El ms utilizado de
este tipo de observadores es el filtro de Kalman que fue introducido por R. Kalman en 1960.
El filtro de Kalman es uno de lo logros fundamentales de la denominada Teora
Moderna del Control y desde su desarrollo por Kalman ha tenido un gran xito en
aplicaciones prcticas, como por ejemplo en el proyecto Apolo de la NASA. Desde entonces
viene siendo aplicado en los ms diversos campos: Biologa, Astronutica, Geologa,
Comunicaciones, etc.
Este tema est dedicado exclusivamente a la formulacin de las ecuaciones del filtro de
Kalman discreto. Se deja para el Tema-7 la demostracin de las ecuaciones del filtro en
estado estacionario. Asimismo se deja para el Tema-9 la aplicacin del filtro de Kalman en el
diseo de controladores LQG.
4.2 EL FILTRO DE KALMAN

Considrese el proceso discreto representado por las ecuaciones
x k +1 = x k + u k + v k
y k = C x k + ek
(4.1)
165
TEMA 4: Estimacin ptima
donde v y e son procesos de ruido blanco Gaussiano discreto, de media nula y con
covarianza
E[v k v kT ] = R1
E[ek ekT ] = R2
(4.2)
Adems se supone que v y e no estn correlacionados, es decir,
E[v k ekT ] = 0
(4.3)
Por otra parte se supone que el estado inicial x(0) del proceso es una variable aleatoria
Gaussiana de media
E[ x(0)] = m0
(4.4)
cov[ x(0)] = R0
(4.5)
y covarianza
Se supone tambin que R0, R1 y R2 son semidefinidas positivas y que el sistema es

controlable y observable. El problema consiste en determinar lo mejor posible el estado a
partir de las medidas y(k).
Supngase que se desea aproximar el estado xk+1 de (4.1) por el estado x k +1 del
modelo
x k +1 = x k + u k
(4.6)
En este modelo se parte de un determinado estado xk que se ha determinado de alguna

manera de forma ptima utilizando todas las medidas realizadas hasta ese instante y0, y1,...,
yk. A dicho estado se le denotar por x (k | k ) para significar que es el estado estimado en el
instante k utilizando las medidas obtenidas hasta ese mismo instante k. A partir de dicho
estado se predice como valor del vector de estados para el siguiente instante, el que
proporcionara el modelo (4.1) si no estuviera afectado de ruido. Luego (4.6) se escribe en la
forma
x (k + 1 | k ) = x (k | k ) + u k
166
(4.7)
donde x (k + 1 | k ) denota al estado estimado para el instante k+1 usando las medidas hasta
yk, las cuales han permitido estimar x (k | k ) .
Supngase que una vez realizada la medida yk+1 es posible mejorar la estima del vector
de estados para dicho instante k+1. Considrese que dicha estima x (k + 1 | k + 1) tiene la
estructura caracterstica de un observador de estados:
x (k + 1 | k + 1) = x (k + 1 | k ) + K ke+1 [ y k +1 C x (k + 1 | k )]
(4.8)
En esta ecuacin se observa como la estima x (k + 1 | k ) se corrige de forma

proporcional a la diferencia entre la medida real de la salida yk+1 en el instante k+1 y la salida
que se obtendra si el estado real fuera x (k + 1 | k ) . Esta diferencia es precisamente el error
de la salida estimada. La constante de proporcionalidad estara dada por el vector K ke+1 . La
actualizacin que se realiza en el vector de estados x (k + 1 | k ) una vez que se ha realizado
la medida yk+1 es:
K ke+1 [ y k +1 C x (k + 1 | k )]
(4.9)
Por ello a la ecuacin (4.8) se la conoce como de actualizacin de la medida.

Se debe tener claro que x (k + 1 | k + 1) es el vector de estados estimado para el instante
k+1 usando las medidas obtenidas hasta el instante k+1. ste se utilizar en el modelo dado
por la ecuacin (4.7) para predecir el valor del vector de estados en el instante k+2, a partir
de las medidas realizadas hasta k+1, y as sucesivamente.
Por otra parte el error de reconstruccin o de estimacin del estado en el instante k+1
usando las medidas obtenidas hasta el instante k es:
~
x (k + 1 | k ) = x k +1 x (k + 1 | k )
(4.10)
Como E[x(0)]=m0, el valor medio del error de reconstruccin es cero para todos los
instantes k0 independientemente de Ke si E[ x (0)] = m0 . Luego su varianza es:
P (k + 1 | k ) cov[ ~
x (k + 1 | k )] = E[ ~
x (k + 1 | k )~
x T (k + 1 | k )]
(4.11)
De forma anloga el error de reconstruccin del estado en el instante k+1 usando las
medidas obtenidas hasta el instante k+1 es
167
~
x (k + 1 | k + 1) = x k +1 x (k + 1 | k + 1)
(4.12)
y su varianza
P (k + 1 | k + 1) cov[ ~
x (k + 1 | k + 1)] = E[ ~
x (k + 1 | k + 1)~
x T (k + 1 | k + 1)]
(4.13)
El objetivo que se plantea es disear el vector de ganancia K ke+1 de la ecuacin de

actualizacin de forma que se minimice la varianza del error de estimacin. Dado un instante
inicial x (0) = x (0 | 0) de covarianza P(0)=P(0|0), las cinco ecuaciones recursivas que
resuelven este problema se denominan filtro de Kalman (ver Cuadro 4.1).
Ecuaciones del filtro de Kalman

Entre medidas (Actualizacin temporal)
x (k + 1 | k ) = x (k | k ) + u k
(4.14)
P (k + 1 | k ) = P(k | k ) T + R1
(4.15)
Instante en que se realiza la medida (Actualizacin de medida)
K ke+1 = P(k + 1 | k )C T R2 + C P(k + 1 | k )C T
(4.16)
x (k + 1 | k + 1) = x (k + 1 | k ) + K ke+1 [ y k +1 C x (k + 1 | k )]
(4.17)
P (k + 1 | k + 1) = P (k + 1 | k ) K ke+1 C P(k + 1 | k )
(4.18)
Cuadro 4.1: Ecuaciones del filtro de Kalman
Obtencin de las ecuaciones (4.15), (4.16) y (4.18)

a) Obtencin de (4.15)
Teniendo en cuenta (4.1) y (4.7) es posible expresar (4.10) de la siguiente forma:
~
x (k + 1 | k ) = (x(k ) + u k + v k ) (x (k | k ) + u k ) = ~
x (k | k ) + v k
168
(d.1)
Sustituyendo esta expresin en (4.11) y desarrollando se obtiene
P (k + 1 | k ) = E[(~
x (k | k ) + v k )(~
x (k | k ) + v k ) T ]
= E[(~
x (k | k ) + v )( ~
x T (k | k ) T + v T )]
k
= E[~
x (k | k )~
x T (k | k ) T ] + E[~
x (k | k )v kT ] + E[v k ~
x T (k | k ) T ] + E[v k v kT ]
Teniendo en cuenta que vk y
~
x (k | k ) son independientes, que E[v k v kT ] = R1 y que
P(k | k ) = E[ ~
x (k | k )~
x (k | k ) T ] la ecuacin anterior toma la forma de la ecuacin (4.15)
P (k + 1 | k ) = P(k | k ) T + R1
b) Obtencin de (4.16) y (4.18)
Sustituyendo (4.8) en (4.12) se obtiene
~
x (k + 1 | k + 1) = x k +1 x (k + 1 | k ) + K ke+1 [ y k +1 C x (k + 1 | k )]
Sustituyendo en esta ecuacin el valor de yk+1 dado por (4.1) se tiene
~
x (k + 1 | k + 1) = x k +1 x (k + 1 | k ) K ke+1 [C x k +1 + ek +1 C x (k + 1 | k )]
Considerando la definicin del error de reconstruccin la ecuacin anterior se puede expresar como
~
x (k + 1 | k + 1) = ~
x (k + 1 | k ) K ke+1 [C ~
x (k + 1 | k ) + ek +1 ]
Desarrollando el producto
~
x (k + 1 | k + 1) = ~
x (k + 1 | k ) K ke+1 C ~
x (k + 1 | k ) K ke+1 ek +1
Y sacando factor comn se obtiene
~
x (k + 1 | k + 1) = [ I K ke+1 C ]~
x (k + 1 | k ) K ke+1 ek +1
(d.2)
Si se sustituye (d.1) en (d.2) se obtiene:
~
x (k + 1 | k + 1) = [ I K ke+1 C ]~
x (k | k ) + [ I K ke+1 C ]v k K ke+1 ek +1
Tomando valores medios en esta ecuacin
E [~
x (k + 1 | k + 1)] = [ I K ke+1 C ]E [~
x (k | k )] + [ I K ke+1 C ]E [v k ] K ke+1 E [ek +1 ]
169
Puesto que vk y ek poseen media nula entonces
E [~
x (k + 1 | k + 1)] = [ I K ke+1 C ]E [~
x (k | k )]
(d.3)
Tomando valores medios en (d.1) se obtiene
E [~
x (k + 1 | k )] = E [~
x (k | k )]
(d.4)
Luego si el valor medio de la estima inicial E[x (0)] coincide con el valor medio del estado inicial
E[ x(0)] = m0 entonces de las ecuaciones (d.3) y (d.4) se deduce que el valor medio del error de
reconstruccin es cero para todo k0 independientemente del valor de la ganancia K
ya que
E[ ~
x (0)] = 0 .
Sustituyendo (d.2) en (4.13) se tiene:
[(
)(
P (k + 1 | k + 1) = E [ I K ke+1 C ]~
x (k + 1 | k ) K ke+1 ek +1 [ I K ke+1 C ]~
x (k + 1 | k ) K ke+1 ek +1
T
= E [ I K e C ]~
x (k + 1 | k ) K e e ~
x T (k + 1 | k )[ I K e C ]T e T K e
=
[(
k +1
k +1
k +1
)(
k +1
k +1
k +1
)]
]=
T
= E [ I K ke+1 C ]~
x (k + 1 | k )~
x T (k + 1 | k )[ I K ke+1 C ]T ] E [ I K ke+1 C ]~
x (k + 1 | k )ekT+1 K ke+1 ] +
T
E K ke+1 ek +1 ~
x T (k + 1 | k )[ I K ke+1 C ]T + E K ke+1 ek +1 ekT+1 K ke+1
Teniendo en cuenta la independencia de ~

x (k + 1 | k ) y ek+1:
(
](
P(k + 1 | k + 1) = E [ I K ke+1 C ]~
x (k + 1 | k )~
x T (k + 1 | k )[ I K ke+1 C ]T + E K ke+1 ek +1 ekT+1 K ke+1
= [ I K ke+1 C ]E ~
x (k + 1 | k )~
x T (k + 1 | k ) [ I K ke+1 C ]T + K ke+1 E ek +1 ekT+1 K ke+1
)
)
]=
Considerando el valor de la covarianza de e y la definicin (4.11) la ecuacin anterior se puede

expresar en la forma:
P(k + 1 | k + 1) = [ I K ke+1 C ]P(k + 1 | k )[ I K ke+1 C ]T + K ke+1 R2 K ke+1
(d.4)
Esta ecuacin (d.4) junto con la (4.15) son unas ecuaciones recursivas que con la condicin inicial
P(0)=R0, permiten conocer la evolucin de la covarianza del error de estimacin sin necesidad de ver
evolucionar el sistema, ya que estas ecuaciones dependen de , , C, R0, R1, R2 y las ganancias Ke.
Adems de estas ecuaciones se deduce que si P(k|k) es semidefinida positiva, tambin lo son
P(k+1|k) y P(k+1|k+1).
170
Por otra parte, se va a suponer que el criterio para determinar Ke es que se minimice la covarianza
del error de estimacin una vez que se ha obtenido la medida asociada a dicho estado, o de forma
equivalente, que se minimice el escalar:
P(k + 1 | k + 1) T
donde es un vector arbitrario. Se ha elegido minimizar P(k+1|k+1) en lugar de P(k+1|k) porque esta
ltima no depende de Ke y adems la mejor estima que se puede obtener es la asociada a la propia
medida en k+1. Para abreviar las expresiones se va a usar la siguiente notacin P=P(k+1|k)
P(k + 1 | k + 1) T = [ I K ke+1 C ]P[ I K ke+1 C ]T + K ke+1 R2 (K ke+1 ) T

T
La ganancia K k +1 puede determinarse de la ecuacin anterior completando los cuadrados. Se tiene

as:
P(k + 1 | k + 1) T = [P PC T ( R2 + C PC T ) 1 C P ] T +
][
][
+ K ke+1 PC T ( R2 + C PC T ) 1 R2 + C PC T K ke+1 PC T ( R2 + C PC T ) 1 T
que se puede comprobar operando que es igual a la ecuacin anterior. Ahora la ecuacin est
e
descompuesta en dos trminos. El primero no depende de K k +1 y el segundo es no negativo, ya que

la matriz (R2+CPCT) es definida positiva. Por ello el mnimo se obtiene si K se elige de modo que la
segunda parte o trmino de la ecuacin es nulo. Entonces, y usando la notacin original se tiene que
K ke+1 = P(k + 1 | k )C T R2 + C P(k + 1 | k )C T
Con lo que
P (k + 1 | k + 1) = P (k + 1 | k ) K ke+1 C P(k + 1 | k )
Que son precisamente las ecuaciones (4.16) y (4.18), respectivamente.
El filtro de Kalman es un filtro ptimo en el sentido de que la varianza de la estima

P(k+1|k+1) es mnima. De esta forma el problema de estimacin se ha resuelto como un
problema de optimizacin paramtrica suponiendo la estructura (4.17) para el estimador. Se
puede demostrar que esta estructura es en realidad la ptima si las perturbaciones son del
tipo Gaussiano.
171
La implementacin de las ecuaciones del filtro de Kalman se realiza con la ayuda de

computadores, habindose desarrollado tcnicas que permiten implementaciones robustas
frente a errores de tipo numrico y con reduccin del nmero de operaciones que se tienen
que realizar.
La importancia del filtro de Kalman reside en que a partir de unas medidas y0, y1,..., yk+1
se puede determinar el vector de estados con una precisin o varianza del error dada por la
matriz P. Es lo mejor que se puede pedir para un proceso estocstico.
Por otra parte, es importante conocer como se comportar el filtro de Kalman en el
estado estacionario. Se puede demostrar (ver seccin 7.5) que en el estado estacionario se
tiene
P = [ P PC T ( R2 + C PC T ) 1 C P ] T + R1
K e = PC T R2 + C PC T
(4.19)
(4.20)
Ejemplo 4.1:
Considrese el siguiente sistema escalar:
x k +1 = x k
y k = x k + ek
donde ek tiene una desviacin estndar y x(0) tiene valor medio m0=-2 y varianza R0=0.5. Se tiene
por tanto un estado que es constante y se desea reconstruirlo a partir de unas medidas que estn
afectadas de ruido.
En este ejemplo =1, =0 y C=1. Adems como no existe ruido sobre los estados R1=0. De acuerdo
con el Cuadro 7.1 el filtro de Kalman viene dado por:
x (k + 1 | k ) = x (k | k ) = x (k )
P (k + 1 | k ) = P (k | k ) = P (k )
K ke+1 =
P(k )
+ P(k )
2
x (k + 1) = x (k ) = x (k ) + K ke+1 [ y k +1 x (k )]
172
P (k + 1 | k + 1) = P(k + 1) =
2 P ( k )
2 + P(k )
La varianza P(k+1) y la ganancia K k +1 disminuyen con el tiempo. La Figura 4.1 muestra unas
e
realizaciones del error de estimacin cuando se usan ganancias K con un valor constante y cuando
se emplea la ganancia ptima dada por el filtro de Kalman. Se observa que una gran ganancia fija da
una disminucin del error muy rpida, sin embargo la varianza en el estado estacionario es grande.
Por el contrario una ganancia fija de valor pequeo da una disminucin lenta del error pero un mejor
comportamiento de la varianza en el estado estacionario. Se observa tambin que el mejor
comportamiento se obtiene con la ganancia ptima que proporciona el filtro de Kalman.
Figura 4.1. Error de estimacin del sistema del ejemplo 4.1 cuando x0=-2, =1 y cuando se tiene: a)
K e =0.01; b) K e =0.05; c) K e dada por el filtro de Kalman.

En el estado estacionario se tendra:
P2
P = P 2
+ P
173
Ke =
P
+P
2
Luego P=0 y K=0.

Por lo tanto, puesto que la covarianza del error de estimacin en el estado estacionario es nula es
posible llegar a conocer con precisin el estado.
174
TEMA 5
IDENTIFICACIN DE SISTEMAS
5.1 INTRODUCCIN
La obtencin de modelos matemticos de sistemas dinmicos tiene una gran
importancia en muchas reas de la ciencia y de la ingeniera. Existen dos mtodos
fundamentales de obtencin de estos modelos: la modelizacin matemtica y la
identificacin de sistemas.
En la modelizacin matemtica se utilizan leyes fsicas, qumicas, econmicas, etc, para
describir la dinmica de un proceso o fenmeno. En la identificacin de sistemas se somete
al sistema a una serie de experimentos y se registran los datos de entrada y salida.
Posteriormente, se escoge la estructura de un modelo y se ajustan sus parmetros con los
datos experimentales medidos.
Ambas formas de modelizacin no se deben ver como separadas o excluyentes. En
muchos casos los procesos son tan complejos que no es posible obtener un modelo usando
nicamente principios fsicos. En tal caso se requiere el uso de tcnicas de identificacin. No
obstante para la eleccin de estas tcnicas es importante todo el conocimiento fsico previo
que se tenga de la planta. Tambin puede ocurrir que se obtenga un modelo a partir del
anlisis fsico de la planta pero existan parmetros que no se conozcan y que puedan ser
estimados mediante identificacin. La diferencia fundamental entre ambos mtodos viene
dada por las siguientes caractersticas de los mtodos de identificacin:
Tienen una validez limitada por el proceso, el punto de operacin, el tipo de entrada
elegido, etc.
Los parmetros del modelo no suelen tener una interpretacin fsica directa.
Son relativamente sencillos de construir y usar.
175
TEMA 5: Identificacin de sistemas
La Figura 5.1 muestra un esquema del procedimiento general de la identificacin. En

primer lugar hay que disear el experimento o experimentos a los que se va a someter al
sistema. En dicho diseo resulta muy til todo el conocimiento a priori que se tenga del
sistema. El conocimiento a priori del proceso se basa, por ejemplo, en la comprensin
general del proceso, en leyes fsicas a las que este obedece y en medidas previas. Todo ello
permite disponer de una idea sobre el grado de linealidad del proceso, su varianza o
invarianza con el tiempo, comportamiento integral o proporcional, constantes de tiempo
dominantes, retardos, caractersticas del ruido, rango de algunos parmetros, valor de
algunos de ellos, limitaciones de la estructura del modelo, etc.
Conocimiento
a priori
Es necesario el
filtrado de los
datos?
Tratamiento y presentacin
de los datos
Ajuste del modelo
a los datos (Calibracin)
Eleccin de la
estructura del
modelo
Datos no
vlidos
Diseo del
experimento y
Registro de los datos
Validacin del modelo
Estructura del
modelo no vlida
NO
Se puede aceptar
el modelo?
SI
Figura 5.1: Esquema del procedimiento general de la identificacin
Adems, en el diseo del experimento hay que seleccionar, entre otros aspectos, la
seal de entrada (tipo, espectro y amplitud), el periodo de muestreo y la duracin del
experimento (nmero de medidas)
Una vez realizado el experimento los datos de entrada y salida registrados deben ser
tratados matemticamente para eliminarles los valores medios y filtrar (si existen) las
perturbaciones de baja y alta frecuencia, as como el ruido de medida de los sensores.
Normalmente los datos experimentales se dividen en dos partes de igual tamao, una parte
se utiliza para identificar el modelo (datos para identificacin) y otra parte para validarlo
(datos para validacin). Sino se procediese de esta forma se obtendran modelos
virtualmente muy buenos pero que en realidad son poco representativos del sistema.
176
A continuacin se debe escoger un determinado modelo y proceder a ajustar sus

parmetros usando los datos experimentales de identificacin. El mtodo de ajuste o
calibracin ms comnmente utilizado es el conocido como estima de mnimos cuadrados.
Por ltimo el modelo identificado debe ser validado. Para ello se comparan la salida del
modelo con la salida medida experimentalmente (datos para validacin). El problema reside
en encontrar el modelo que con la menor complejidad resulta adecuado para el uso final a
que se dedica. Para este fin es necesario escoger un criterio, o un conjunto de criterios, que
permitan decidir que modelo de la clase de modelos elegido es el que mejor ajusta los datos
registrados en los experimentos. Como se indica en la Figura 5.1, en general el proceso de
identificacin es iterativo: dependiendo del resultado de la validacin se puede cambiar la
estructura del modelo y se repite todo el proceso.
Existen diferentes herramientas software que partiendo del conjunto de datos de
entrada-salida registrados en un experimento permiten realizar de forma cmoda las
restantes etapas del procedimiento general de identificacin de sistemas. La ms conocida
de estas herramientas es la System Identification Toolbox de Matlab, tambin conocida
abreviadamente como IDENT.
En este tema en primer lugar se describen los tipos de modelos ms usados en la
identificacin de sistemas y se explica cmo se estiman dichos modelos. A continuacin se
analiza el diseo de experimentos. En tercer lugar se estudia el tratamiento de los datos. En
cuarto lugar se dan unas recomendaciones prcticas sobre la eleccin del tipo y estructura
del modelo que se debe elegir para identificar. Finalmente, se analizan las distintas tcnicas
de validacin de los modelos identificados.
5.2 MODELOS MS COMUNES USADOS EN IDENTIFICACIN

5.2.1 Modelos no paramtricos
Considrese el sistema representado en la Figura 5.2, que posee una entrada u(t), una
salida y(t) y est sometido a una perturbacin de ruido blanco de media nula y varianza .
e(t)
u(t)
Sistema
y(t)
Figura 5.2: Sistema a identificar
177
Supngase que un periodo de muestreo unidad y que se disponen de N muestras de la

seal de entrada u(t): t=1,2,...,N y de N muestras de la seal de salida y(t): t=1,2,...,N. Si se
supone que el sistema es lineal e invariante en el tiempo discreto de forma general dicho
sistema se puede expresar mediante la siguiente ecuacin:
y (t ) = G ( q )u(t ) + v(t )
(5.1)
donde G(q) es la funcin de transferencia del sistema
G ( q ) = g ( k )q k
(5.2)
k =1
expresada en trminos del operador desplazamiento q
q 1 u(t ) = u(t 1)
(5.3)
Los nmero {g(k)} son denominados la respuesta a un impulso del sistema.

Obviamente, g(k) es la salida del sistema en el instante k si la salida es un impulso (pulso)
en el instante cero.
La funcin de transferencia evaluada sobre el circulo unidad (q=ei) genera la funcin de
la frecuencia
G (e i )
(5.4)
Por otra parte, en (5.1) el trmino v(t) es una perturbacin estocstica no medible
(ruido). Sus propiedades pueden ser expresadas mediante su espectro de potencia
v ( )
(5.5)
que se define mediante
R ( )e
i t
(5.6)
Rv ( ) = E[ v(t )v(t )]
(5.7)
v ( ) =
donde Rv() es la funcin de covarianza de v(t):
178
Alternativamente, se puede considerar que la perturbacin v(t) se obtiene filtrando ruido

blanco e(t) de media nula y varianza a travs de un filtro H(q)
v(t ) = H ( q )e(t )
(5.8)
En ese caso el espectro de potencia de v(t) toma la siguiente forma:
v ( ) = H ( e i )
(5.9)
Si se sustituye (5.8) en (5.1) se obtiene
y (t ) = G ( q )u(t ) + H ( q )e(t )
(5.10)
Esta ecuacin da la descripcin en el dominio temporal del sistema mientras que G(ei)
y v() constituyen su descripcin en el dominio frecuencial.
La respuesta a un impulso G(q) y la descripcin en el dominio de la frecuencia G(ei) y
v() constituyen una descripcin del sistema mediante modelos no paramtricos puesto
que dichos modelos no estn definidas en trminos de un nmero finito de parmetros.
5.2.2 Modelos paramtricos

Si las funciones G(q) y H(q) se consideran como funciones racionales entonces habra
que especificar los coeficientes del numerador y del denominador, se tendran por tanto
modelos paramtricos en el sentido de que quedan definidos mediante un nmero finito de
parmetros: los coeficientes del numerador y del denominador.
Los modelos paramtricos ms comunes son los siguientes:
Modelo ARX (AutoRegressive eXogenus), que se define mediante la siguiente
ecuacin en diferencias
A( q ) y (t ) = B( q )u(t nk ) + e(t )
(5.11)
con
A( q ) = 1 + a1 q 1 + ... + a na q na
B( q ) = b1 + b2 q 1 + ... + bnb q nb +1
(5.12)
179
donde na y nb son los rdenes de los polinomios. El nmero nk es el nmero de

muestras que transcurren desde que se introduce una entrada en el sistema hasta
que genera una salida, es decir, representa el retardo del sistema.
Reordenando trminos la ecuacin (5.11) se puede expresar como
y (t ) = q nk
B( q )
1
u(t ) +
e(t )
A( q )
A( q )
(5.13)
con lo que comparando con (5.10) se obtiene:
G ( q ) = q nk
B( q )
A( q )
H (q) =
1
A( q )
(5.14)
Cuando A(q)=1 se obtiene el denominado como modelo FIR (Finite Impulse

Response).
Modelo ARMAX (AutoRegressive Moving Average eXogenus) que se define
mediante la siguiente ecuacin en diferencias
A( q ) y (t ) = B( q )u(t nk ) + C ( q )e(t )
(5.15)
con
C ( q ) = 1 + c1 q 1 + ... + c nc q nc
(5.16)
Modelo OE (Output-Error) se definen mediante la siguiente ecuacin
y (t ) =
B( q )
u(t nk ) + e(t )
F (q)
(5.17)
con
F ( q ) = 1 + f 1 q 1 + ... + f nf q nf
(5.18)
Modelo BJ (Box-Jenkins) se definen mediante la siguiente ecuacin
y (t ) =
180
B( q )
C(q)
u(t nk ) +
e(t )
F (q)
D( q )
(5.19)
con
D( q ) = 1 + d 1 q 1 + ... + d nd q nd
(5.20)
Todos estos tipos de modelos son casos especiales del modelo paramtrico general
A(q ) y (t ) =
B(q)
C (q)
u (t nk ) +
e(t )
F (q)
D(q)
(5.21)
En la expresin anterior si nc=nd=nf=0 se obtiene un modelo ARX, si na=nc=nd=nf=0 se

obtiene un modelo FIR, si nf=nd=0 se obtiene un modelo ARMAX, si na=nc=nd=0 se obtiene
un modelo OE y si na=0 se obtiene un modelo BJ.
5.2.3 Estimacin de modelos no paramtricos

5.2.3.1 Estimacin de la respuesta a un impulso
Considrese el sistema descrito por la ecuacin (5.1). Supngase que la entrada u(t) es
ruido blanco por lo que su funcin de covarianza es:
Ru ( ) = E[u(t + )u(t )] =
0
si = 0
si 0
La funcin de covarianza cruzada entre la entrada y la salida es:
R yu ( ) = E[ y (t + )u(t )] = g ( )
donde g() es la respuesta a un impulso del sistema. En este caso, dicha respuesta puede
ser fcilmente estimada usando los datos de entrada-salida medidos:
g ( ) =
1 N
y (t + )u(t )
N t =1
(5.22)
Si la entrada u(t) no es ruido blanco, se puede determinar un filtro de blanqueo L(q) tal
la secuencia fltrada
u F (t ) = L( q )u(t )
(5.23)
se puede considerar aproximadamente ruido blanco.
181
Si se filtra la seal de entrada a travs de L(q), entonces tambin hay que filtrar la
secuencia de salida
y F (t ) = L( q ) y (t )
(5.24)
De esta forma la estima de la respuesta a un impulso se realiza con los datos filtrados
g ( ) =
1 N
y (t + )u F (t )
N t =1 F
(5.25)
Puesto que la decisin de blanquear las secuencias se realiza tras estudiar la funcin
de correlacin de la entrada, a este procedimiento de obtencin de la estima de la respuesta
a un impulso tambin se le conoce como anlisis de correlacin. Otra forma de obtener la
estima de la respuesta a un impulso es usando un modelo FIR.
Si se conoce la estima de la respuesta a un impulso es posible calcular la estima de la
respuesta a un escaln mediante la realizacin de una suma acumulativa.
Ejemplo 5.1:
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox IDENT de Matlab. En la Figura 5.3 se muestra la respuesta estimada a un
impulso y a un escaln. La secuencia de comandos de Matlab necesaria para obtener estas figuras
es la siguiente:
load dryer2
z2=[y2(1:300) u2(1:300)];
zv=[y2(500:900) u2(500:900)];
z2=dtrend(z2);
% Respuesta a un impulso
ir=cra(z2);
pause;
% Respuesta a un escaln
stepr=cumsum(ir);
plot(stepr,'o')
xlabel('\tau')
De estas figuras se puede extraer informacin relativa al retardo del sistema, el tipo de respuesta y la
ganancia estacionaria. En la respuesta estimada a un impulso se observa que el sistema presenta un
retardo entre tres y cuatro muestras (se debe considerar tambin la primera muestra que sobrepasa
el nivel de confianza del 99.7%). En la respuesta estimada a un escaln se confirma la existencia de
este retardo y se deduce adems que la respuesta del sistema es sobreamortiguada con un valor
aproximado de la ganancia en el estacionario de 0.88.
182
0.14
0.9
0.12
0.8
0.1
0.7
0.08
0.6
0.06
0.5
0.04
0.4
0.02
0.3
0.2
-0.02
0.1
-0.04
-0.06
10
12
14
16
18
-0.1
20
10
(a)
(b)
12
14
16
18
20
Figura 5.3: Respuesta estimada a un impulso (a) y a un escaln (b)
5.2.3.2 Estimacin del espectro de potencia y de la funcin de la frecuencia
Considrese el sistema dado por (5.1) y supngase que la entrada u(t) es independiente
de la perturbacin v(t), entonces el espectro de potencia la salida es
2
y ( ) = G ( e i ) u ( ) + v ( )
(5.26)
Y el espectro de potencia cruzada entre la entrada y la salida es:
yu ( ) = G ( e i ) u ( )
(5.27)
Mediante la estimacin de los diferentes espectros que aparecen en las expresiones

anteriores, es posible estimar la funcin de la frecuencia G(ei) y el espectro del ruido v().
Para ello hay que seguir los siguientes pasos:
1) Calcular las estimas de las funciones de covarianza usando los datos medidos de
entrada-salida
1 N
R y ( ) = y (t + ) y (t )
N t =1
(3.28)
1 N
R yu ( ) = y (t + )u(t )
N t =1
(3.29)
183
1 N
R u ( ) = u(t + )u(t )
N t =1
(3.30)
2) Calcular las estimas de los espectros correspondientes:
( ) =
= M
( ) =
yu
( ) =
( )WM ( )e i
= M
yu
( )WM ( )e i
R ( )W
= M
( )e i
(3.31)
(3.32)
(3.33)
donde WM() se denomina ventana de retardo (lag window) siendo M un entero

positivo denominado anchura de la ventana o parmetro de truncacin. La
ventana de retardo es una funcin que sirve para enfatizar las componentes de
frecuencia ms importantes y despreciar las menos relevantes, de esta forma se
logra suavizar la forma del espectro de potencia.
3) Calcular las estimas de la funcin de la frecuencia y del espectro del ruido
yu ( )
G N (e i ) = )
u ( )
)
2
yu ( )
)
)
v ( ) = y ( ) )
u ( )
(3.34)
(3.35)
A este procedimiento de clculo de las estimas de la funcin de la frecuencia y del

espectro se le conoce como anlisis espectral.
Ejemplo 5.2:
dryer2.mat de la toolbox IDENT de Matlab. En la Figura 5.4 se muestra la representacin de la
estima de la funcin de la frecuencia y de la estima del espectro del ruido.
La secuencia de comandos de Matlab necesaria para obtener estas figuras es la siguiente:
load dryer2
z2=[y2(1:300) u2(1:300)];
184
zv=[y2(500:900) u2(500:900)];
z2=dtrend(z2);
[gspa,phi]=spa(z2,[],[],0.08);
bodeplot(gspa);
pause;
bodeplot(phi);
En la representacin de la estima de la respuesta de la frecuencia se observa que el sistema
presenta un comportamiento de filtro pasa-baja. Tambin se deduce que el sistema presenta un
comportamiento atenuador ya que la magnitud se encuentra por debajo de la lnea de 0 dB. Adems
se observa que aumenta el desfase conforme aumenta la frecuencia.
En la representacin del espectro del ruido se observa que a bajas frecuencias presenta una
magnitud constante y que a partir de 0.2 rad/s comienza a disminuir. Por lo que en dicho rango podra
asemejarse al espectro de un ruido blanco. La parte final del espectro es oscilante y generalmente
est asociada a errores en la estima por lo que no se considera.
0
10
Magnitud
10
1
10
10
-1
10
10
10
10
10
-2
10
100
Fase
10
200
-3
300
10
400
500
600 2
10
-4
10
10
10
(rad/sec)
10
-2
10
(a)
-1
10
(rad/s)
10
10
(b)
Figura 5.4: Representacin de la estima de la funcin de la frecuencia (a) y del espectro del ruido (b).
5.2.4 Estimacin de modelos paramtricos

5.2.4.1 Mtodo del error de prediccin
Considrese un sistema lineal, invariante en el tiempo sometido a perturbaciones de

tipo estocstico cuyo comportamiento temporal queda definido por la ecuacin
y ( t ) = G ( q ) u( t ) + H ( q ) e( t )
(5.36)
185
donde G(q) modela la dinmica determinista del sistema y H(q) la parte estocstica. La
secuencia {e(t)} representa una seal de ruido blanco de media nula.
De la observacin de los datos {u (t )}, {y (t )} se pueden calcular valores (t) para e(t),
denominados errores de prediccin, en la forma
( t ) = H 1 ( q ) y ( t ) G ( q ) u( t )
(5.37)
Para unos valores de y(.), u(.) dados, estos errores son funcin del modelo utilizado,
esto es de G y H. Los mtodos de estimacin paramtrica denominados de error de
prediccin estiman G y H de manera que se minimice la siguiente funcin de coste:
N
V N (G , H ) = 2 ( t )
(5.38)
t =1
Perteneciente a este tipo de mtodos de estimacin se encuentran los siguientes

mtodos: mnimos cuadrados, mnimos cuadrados extendidos, variable instrumental y
mxima verosimilitud.
En las siguientes subsecciones de describen por su importancia y utilidad el mtodo de
los mnimos cuadrados y el mtodo de los mnimos cuadrados extendidos.
5.2.4.2 Mnimos cuadrados
Considrese el sistema descrito por la siguiente ecuacin en diferencias
y (t ) + a r1 y (t 1) + ... + a rn y (t n ) = br1u(t 1) + ... + brn u(t n )
(5.39)
que puede expresarse tambin de la siguiente forma:
y (t ) = T0 (t ) = T (t ) 0
donde 0 es el vector de parmetros del sistema
T0 = [a r1 ,..., a rn , br1 ,..., brn ]

y (t ) es el vector de regresin
186
(5.40)
y (t 1)
y (t n)
(t ) =
u (t 1)
u (t n)
Supngase que en un experimento para determinar los parmetros del modelo
( a1 ... an b1 ... bn ) se aplica la secuencia de entrada {u (1) u ( 2) ... u (t )} y se observa la siguiente
secuencia en la seal de salida
{y (1) y (2) ... y (t )}.
Se pueden formar entonces pares de
observaciones y de vectores de regresin
{( y(i ), (i )) i = 1,..., t}
(5.41)
Se desea determinar una estima del vector de parmetros del proceso 0 de tal forma
que las salidas del proceso estimadas por el siguiente modelo denominado regresin lineal:
)
y (t ) = T (t )
(5.42)
se ajusten lo mejor posible a las salidas medidas experimentalmente para el sistema real
(5.36).
De acuerdo con (5.42) se tienen t medidas, con lo que es posible estimar t salidas:
i =1
)
y (1) = T (1)
i=2
.
.
y (2) = T (2)
i=t
)
y (t ) = T (t )
que se pueden escribir en notacin matricial como:
)
Y =
o equivalentemente como:
187
)
y (1) y (0)
.
=
.
)
y (t ) y (t 1)
. .
u (0)
. .
y (t n) u (t 1)
)
a1

0
)
a n
)
b1

u (t n)

)
bn
Se observa que: Y es un vector de dimensin t x 1, es una matriz de dimensin t x

2n y es un vector de dimensin 2n x 1.
Una forma de determinar sera elegir el nmero de medidas t igual al nmero de
parmetros 2n, con lo que es una matriz cuadrada y se resuelve la ecuacin para . Sin
embargo, en la prctica, debido a la presencia de ruido, perturbaciones y desajuste del
modelo resulta conveniente utilizar un nmero de medidas superior al nmero de
parmetros a identificar: t > 2n. Con los datos adicionales es posible realizar una mejor
estimacin.
Los errores o residuos entre los valores medidos en el sistema real y los estimados por
el modelo estn dados por las ecuaciones:
(i ) = y (i ) y (i ) = y (i ) T (i )
Al igual que para las medidas y los vectores de regresin, los errores se agrupan en un
vector:
(1)
.
)
= Y Y = Y
E=
.
(t )
donde E es un vector error de dimensin t x 1. A los errores (.) se les denomina residuos.
Para determinar se usa la siguiente funcin de coste o ponderacin (Gauss, siglo
XVIII)
1 t
1
1
V ( , t ) = (i ) 2 = E T E = E
2 i =1
2
2
188
2
2
Es decir, la suma de los cuadrados de los errores o residuos, de aqu el nombre de

estima de mnimos cuadrados.
El objetivo es encontrar aquel vector de parmetros que minimice la funcin de coste.
V () = min (V ( ))
A dicho vector se le denomina estima de mnimos cuadrados. Y verifica la denomina
como ecuacin normal:
)
( T ) = T Y
(5.43)
Si la matriz (T) es no singular, el mnimo es nico y est dado por la ecuacin:
)
= ( T ) 1 T Y
(5.44)
Es decir, se requiere que (T) sea invertible para ello debe poseer rango completo.
Esta ecuacin puede tambin escribirse en la forma:
1
)
t
t
(t ) = (i ) T (i ) (i ) y (i ) = P (t ) (i ) y (i )
i =1
i =1
i =1
(5.45)
A P(t) se le denomina matriz de covarianza de las estimas.

Resulta interesante examinar algunas caractersticas estadsticas de la estima de
mnimos cuadrados. Para ello supngase que el proceso real del que se han tomado datos
de entrada-salida satisface la siguiente ecuacin:
y (t ) = T (t ) 0 + e(t )
Supuesto que e(t) es una variable estocstica de media nula y varianza 2 entonces la
estima de 0 verifica:
1) Es una estima no polarizada, es decir, es independiente del ruido e(t) o de
cualquiera de sus parmetros estadsticos.
2) Su matriz de covarianza es 2 T
= 2 P
189
Ejemplo 5.3:
Se supone que el proceso a identificar es una constante ms un ruido aleatorio e(t) de varianza 2:
y (t ) = b0 + e(t )
(e1)
Se considera como modelo para la identificacin
y (t ) = b
En este caso
(e2)
(t ) = 1, = b, .Se tienen t medidas

i =1
i=2
)
y (1) = 1b
y (2) = 1b
.
.
i=t
)
y (t ) = 1b
Luego
1
1
1
1
= b = = b
Y
1
1
tx1
Adems
t
i =1
i =1
(i) T (i) = 1 = t
t
i =1
i =1
(i) y(i) = y(i)

Aplicando la ecuacin (5.45) se obtiene la siguiente estima de mnimos cuadrados
)
1 t
1 t
1 t
(t ) = b = y (i ) = [b0 + e(i )] = b0 + [e(i )]
t i =1
t i =1
t i =1
190
(e3)
Si t
)
(t ) = b = b0 + E[ e(t )]
Se observa que la estima esta polarizada por el valor medio del ruido. Por tanto, el valor estimado
tiende al valor real b0 si el ruido sobre la medida es de media nula.
La varianza de la estima es:
2
var b = Eb ( Eb)
2
1 1 t
Ee(i ) 2
t t i = 1
1 t
1 t
= b + 2b 0 E e(i ) + E e(i ) b 02
t i =1
t i =1
2
0
1
=
t
Ejemplo 5.4:
El proceso a identificar es:
y (t ) = a 0 y (t 1) + b0 u (t 1) + e(t ) + c 0 e(t 1)
(e4)
donde e(t) es ruido aleatorio de varianza 2 y u(t) es una entrada aleatoria de varianza 2 y media
nula.
El modelo que se considera para la identificacin es:
y (t ) = ay (t 1) + bu (t 1)
(e5)
En este caso:
T (t ) = [ y (t 1) u (t 1)], =
b

Para construir la ecuacin normal (5.45) hay que hacer las siguientes multiplicaciones de matrices
191
y (1 1)
y (1 1) y (i 1) y (t 1)
T
=
y (i 1)
u (1 1) u (i 1) u (t 1)
y (t 1)
u (1 1)
u (i 1)
u (t 1) tx1
y (1)

y (1 1) y (i 1) y (t 1)
T Y =
y
(
i
)
u (1 1) u (i 1) u (t 1)

y (t )
tx1
que se pueden expresar en la forma:
t
t
y
i
y (i 1)u (i 1)
(
1
)
i =1
T = t i =1
t
2
y (i 1)u (i 1)
u (i 1)
i =1
i =1
y (i ) y (i 1)
T Y = ti =1
y (i )u (i 1)

i =1
Luego la ecuacin normal es:
t
t
2
y
(
i
1
)
y
(
i
1
)
u
(
i
1
)
a y (i ) y (i 1)
i =1
t i =1
= ti =1
t
b
2
y (i 1)u (i 1)
u (i 1)
y (i )u (i 1)
i =1
i =1
i =1
Multiplicando ambos miembros de la ecuacin por 1/t y haciendo la aproximacin:
1 t 2
1 t
x (i 1) x 2 (i )
t i =1
t i =1
la ecuacin normal se puede expresar en la forma:
192
1 t
1 t 2
1 t
y (i) y (i 1)
y
(
i
)
y
(
i
)
u
(
i
)
a
t i =1
t i =1
i =1
t
t
t
1
1
1
b
2
y (i)u (i)
u (i)
y (i )u (i 1)
t
t
t
i =1
i =1
i =1
Resolviendo el sistema se obtendran las estima de mnimos cuadrados de los parmetros a y b:
t
t
t
t
u 2 (i 1) y (i ) y (i 1) + y (i 1)u(i 1) y (i )u(i 1)
i =1
i =1
i =1
a = i =1
2
t
t
t
y 2 (i 1) u 2 (i 1) y (i 1)u(i 1)
i =1
i =1
i =1
t
t
t
t
y (i 1)u(i 1) y (i ) y (i 1) + y 2 (i 1) y (i )u(i 1)
i =1
i =1
i =1
b = i =1
2
t
t
t
y 2 (i 1) u 2 (i 1) y (i 1)u(i 1)
i =1
i =1
i =1
Si t la ecuacin normal se puede expresar en la forma:
E[ y 2 (t )]
E[ y (t )u (t )] a E[ y (t ) y (t 1)]
E[u 2 (t )] b E[ y (t )u (t 1)]
E[ y (t )u (t )]
(e6)
Hay que calcular los valores esperados de diferentes magnitudes. Como la entrada u y el ruido e son
independientes se cumple:
E[e(t )e(t 1)] = 0

E[u (t )u (t 1)] = 0
E[e(t )u (t )] = 0
Por otra parte
E[e(i ) 2 ] = 2
E[u (i ) 2 ] = 2
Adems como el valor el valor pasado de la salida y es independiente del valor actual de e o de u, se
cumple:
E[ y (t 1)u (t )] = 0
E[ y (t 1)e(t )] = 0
193
Teniendo en cuenta toda esta informacin, en primer lugar, se va a calcular E[ y (t )u (t )] :
E[ y (t )u (t )] = E[( a 0 y (t 1) + b0 u (t 1) + e(t ) + c 0 e(t 1))u (t )] =

= E[a 0 y (t 1)u (t )] + E[b0 u (t 1)u (t )] + E[e(t )u (t )] + E[c 0 e(t 1)u (t )] =
=0+0+0+0=0
En segundo lugar se va a calcular E[ y (t )u (t 1)]
E[ y (t )u (t 1)] = E[( a 0 y (t 1) + b0 u (t 1) + e(t ) + c0 e(t 1))u (t 1)] =

= E[ a 0 y (t 1)u (t 1)] + E[b0 u (t 1)u (t 1)] + E[e(t )u (t 1)] + E[c0 e(t 1)u (t 1)] =
= 0 + b0 2 + 0 + 0 = b0 2
2
En tercer lugar se va a calcular E[ y (t ) ]
E[ y (t ) 2 ] = E[(a 0 y (t 1) + b0 u (t 1) + e(t ) + c 0 e(t 1)) 2 ]

desarrollando el cuadrado, tomando el valor esperado, y considerando nicamente los trminos no
nulos se obtiene la siguiente expresin
E[ y (t ) 2 ] = a 02 E[ y 2 (t 1)] 2a 0 c0 E[e(t 1) y (t 1)] + b02 E[u 2 (t 1)] +

+ E[e 2 (t )] + c02 E[e 2 (t 1)]
(e.7)
Se observa que para poder obtener E[ y (t ) ] se requiere calcular E[e(t 1) y (t 1)] :

2
E[ y (t 1)e(t 1)] = E[( a 0 y (t 2) + b0 u (t 2) + e(t 1) + c 0 e(t 2))e(t 1)] =

= E[ a 0 y (t 2)e(t 1)] + E[b0 u (t 2)e(t 1)] + E[e(t 1)e(t 1)] + E[c 0 e(t 2)e(t 1)] =
= 0 + 0 + 2 + 0 = 2
Asimismo si se consideran las siguientes aproximaciones:
E[ y (t 1) 2 ] E[ y (t ) 2 ]
E[u (t 1) 2 ] E[u (t ) 2 ] = 2
E[e(t 1) 2 ] E[e(t ) 2 ] = 2
entonces la ecuacin (e.7) toma la forma
E[ y (t ) 2 ] = a 02 E[ y (t ) 2 ] 2a 0 c 0 2 + b02 2 + 2 + c 02 2
2
Luego, despejando E[ y (t ) ] se obtiene:
194
E[ y 2 (t )] =
b02 2 + (1 + c02 2a 0 c0 ) 2
1 a02
Finalmente se va a calcular E[ y (t ) y (t 1)]
E[ y (t ) y (t 1)] = E[(a 0 y (t 1) + b0 u (t 1) + e(t ) + c 0 e(t 1)) y (t 1)] =

= E[a 0 y (t 1) y (t 1)] + E[b0 u (t 1) y (t 1)] + E[e(t ) y (t 1)] + E[c 0 e(t 1) y (t 1)] =
= a 0 E[ y (t ) 2 ] + 0 + 0 + c 0 2 =
a 0 b02 2 + a 0 (1 + c 02 2a 0 c 0 ) 2
=
+ c 0 2 =
2
1 a0
=
a 0 b02 2 + (c 0 a 0 )(1 a 0 c 0 ) 2
1 a 02
Por lo tanto, la ecuacin normal toma la forma:
b02 2 + (1 + c02 2a 0 c0 ) 2
1 a02
a0 b02 2 (c 0 a 0 )(1 a 0 c0 ) 2
0 a
=
1 a 02
b
b0 2
2
Resolvindola se obtienen las siguientes estimas:
a0 b02 2 (c0 a 0 )(1 a0 c0 ) 2

a=
b02 2 + (1 + c 02 2a 0 c0 ) 2
b = b0
Que se puede expresar equivalentemente en la forma:
a = a0 +
c0 (1 a 02 ) 2
b02 2 + (1 + c02 2a 0 c0 ) 2
(e8)
b = b0
Se observa que la estima a del parmetro a0 est polarizada.
Si el sistema no tiene ruido correlacionado (c0=0) la estima de los parmetros coincide con el valor
real. Sin embargo, si el ruido est correlacionado no se puede estimar bien el parmetro a0, se dice
que la estima est polarizada. En este caso no importa cuantas medidas se tomen ya que siempre se
obtendr una medida polarizada.
195
Por otro parte, si la relacin seal- ruido (2/2) aumenta, disminuye la polarizacin en la estima a.
2
c
(
1
a
)
0
0
=a ,
a = a 0 lim
0
2
2
2
2
2
b
+
(
1
+
c
2
a
c
)
0 2
0
0 0

En un sistema con a0 = 0. 8, b0 = 1, c0 = 0. 8,
= = 1 se obtiene la estima a=-0.588, b=1.0.
5.2.4.3 Mnimos cuadrados extendidos
Considrese un modelo ARMAX
A( q ) y ( t ) = B ( q ) u ( t ) + C ( q ) e ( t )
(5.46)
O equivalentemente
y ( t ) + a1 y ( t 1) +... + an y ( t n ) = b1u ( t 1) +... +bn u ( t n) + e( t ) + c1e( t 1) + ... + cn e( t n )

donde algunos coeficientes pueden ser nulos. Ahora el vector de parmetros tiene la forma
' = [a1...an b1...bn c1...cn ]
(5.47)
El modelo (5.47) puede ponerse en la forma
C ( q )( y ( t ) e( t )) = B ( q ) u( t ) + ( C ( q ) A( q )) y ( t )
Si se representa al error de prediccin del modelo por
y (t ) = y (t ) e(t )
Entonces se tiene
y (t ) = B(q )
u (t )
C (q)
+ [C (q ) A(q )]
y (t )
C (q )
(5.48)
Esta expresin indica que la prediccin se obtiene filtrando las seales u(.) e y(.) por
C(q). Esta ecuacin se puede expresar tambin como
196
y (t ) = [1 A(q ) y (t )] + B(q )u (t ) + [C (q ) 1]( y (t ) y (t ))
(5.49)
Los valores
y (t ) y (t ) = (t )
(5.50)
dan los errores de prediccin. Estos valores no tienen porque coincidir con e(t) ya que el
filtrado de las seales u(.), y(.) para estimar y (.) comenzando en t=0, necesita conocer los
valores
y (0), y (1), ..., y (n + 1), y (0), y (1), ..., y ( n + 1), u (0), u (1), ..., u ( n + 1)
Si estos valores no se conocen, se pueden tomar como ceros, en cuyo caso la
prediccin difiere de e por un cierto error que decrece como C t siendo el cero de
mayor magnitud de C(q).
Se debe expresar por tanto (5.50) en la forma de la ecuacin de regresin lineal.
y (t ) = ' (t )
(5.51)
Ahora el vector de regresin tiene la forma
'( t ) = ( y ( t 1),..., y ( t n), u( t 1),..., u( t n), ( t 1),..., ( t n)
(5.52)
El mtodo de los mnimos cuadrados se puede utilizar ahora para la ecuacin de

regresin lineal (5.52). Dicho mtodo se conoce como mnimos cuadrados extendidos ya
que, con respecto al mtodo de los mnimos cuadrados, el vector de regresin se ha
extendido con los residuos, y el vector de parmetros con los coeficientes del polinomio
C(q).
(t ) = y (t ) y (t ) = y (t ) ' (t ) (t 1)
Este mtodo se puede considerar que se obtiene de minimizar la funcin de coste
V (, t ) =
1 t 2
(i )
2 i =1
suponiendo la relacin lineal entre los parmetros
197
(t ) [ y (t ) ' (t ) ]
=
= (t )
5.3 DISEO DE EXPERIMENTOS

5.3.1 Seleccin de la seal de entrada
5.3.1.1 Excitacin persistente
Una seal de entrada u(t) estacionaria de espectro de potencia u() se dice de

excitacin persistente (EP) de orden o grado n si para todos los filtros de la forma
M n ( z ) = m1 z 1 + ... + mn z n
la relacin
2
M n ( e j ) u ( ) = 0
implica que
M n (e j ) 0
En conclusin, una entrada u(t) es de EP de orden n si su espectro u() es distinto de
cero en al menos n puntos del intervalo -< <.
En general si se desea identificar un sistema de N parmetros se debe excitar con una
entrada de EP de grado n N. Si la seal de entrada fuese de EP de grado n < N no estara
excitando suficientemente al sistema para identificar todos sus parmetros.
Asimismo, para un sistema dinmico con ruido no correlacionado la estima es
consistente ( 0 , t ) si la seal de entrada es de EP de grado N, es decir, coincide
con el nmero de parmetros que posee el modelo.
Una entrada escaln es una seal de EP de grado 1. Con este tipo de entradas
nicamente se puede determinar un nico parmetro: la ganancia esttica del sistema. Este
valor corresponde al comportamiento del sistema a frecuencia cero ( =0).
198
Ejemplo 5.5:
Considrese el ejemplo 5.4 de un sistema de primer orden en el que la entrada u(t) es una seal
escaln de amplitud . En el estado estacionario la ganancia esttica del sistema es:
S=
b0
1 + a0
(e11)
Luego
y = S u
Y por tanto:
E[u (t )] =
E[ y (t )] = S
En consecuencia las ecuaciones (e7) toman la forma:
(1 + c 02 2a 0 c 0 ) 2
Ey (t ) = S +
2
1 a 02
Ey (t )u (t ) = S 2 ,
Eu 2 (t ) = 2 ,
(e12)
Ey (t ) y (t 1) = S +
2
(c 0 a 0 )(1 a 0 c 0 ) 2
1 a 02
Ey (t )u (t 1) = S 2
Con lo que finalmente resolviendo la ecuacin normal se llega a
c0 (1 a02 )
a = a0
1 + c02 2a0 c0
1 a0
b = b0 b0 c0
1 + c02 2a0 c0
(e13)
Se observa, que las estimas son distintas de los valores reales, es decir, estn polarizadas. Adems,
son independientes del valor de la amplitud de la seal de entrada.
Si no existiera ruido correlacionado sobre el sistema, entonces c0 = 0 , y se obtendra
199
a = a0
b = b0
Si, por ejemplo c0 = a0 , entonces
a=0
b=
b0
1 + a0
que se desva claramente de los valores reales.

Es interesante observar que de (e13) se deduce que siempre se verifica la relacin
b
b
= 0
1 + a 1 + a0
Es decir la ganancia esttica se determina perfectamente.
En el caso de que no haya ningn ruido actuando sobre el proceso, esto es
2 = 0,
entonces la
matriz en (e6) se hace singular
S2
En este caso la solucin est caracterizada por
b
=S
1+ a
En conclusin, con una entrada constante (EP de orden 1), y sin otro tipo de excitacin, slo se
puede determinar perfectamente un parmetro, la ganancia esttica de la planta.
De acuerdo con esta definicin para el sistema de primer orden del Ejemplo 5.2 se obtiene una
estima consistente ( 0 , t ) si la seal de entrada es de EP de orden 2.
Una sinusoide es una seal de EP de grado 2, con esta entrada se puede determinar la
respuesta de un sistema a una determinada frecuencia, es decir, la amplitud con que se
modifica la seal al pasar por el sistema y el desfase que se introduce. Por lo tanto, una
seal formada por la suma de m sinusoides es de EP de orden 2m.
200
El ruido blanco es una seal de EP de grado infinito y eso es as porque dispone de

todas las frecuencias. En consecuencia es la seal de entrada idnea para identificar un
sistema. Desafortunadamente, en la prctica el ruido blanco es una seal irrealizable. Es por
ello que se suele recurrir a seales cuyo espectro se puede aproximar en un cierto rango de
frecuencias al ruido blanco, es decir, seales cuyo espectro es prcticamente constante en
un cierto rango. Las dos aproximaciones ms utilizadas son la seal aleatoria binaria o seal
RBS (Random Binary Signal) y la seal pseudoaleatoria binaria o seal PRBS (PseudoRandom Binary Signal).
Si se conoce el rango de frecuencias del sistema que se desea identificar entonces se
puede elegir como seal de entrada una suma de sinusoides distribuidas de forma regular
sobre dicho rango. Si no se conoce el rango lo mejor es utilizar una seal RBS o una seal
PRBS.
5.3.1.2 Seal suma de sinusoides
Una seal suma de sinusoides puede expresarse, por ejemplo, de la siguiente forma:
ns
us ( k ) = 2 i cos(i k T + i )
(5.53)
i =1
En la expresin anterior T es el tiempo de muestreo, ns es el nmero de sinusoides, i

es la potencia relativa de una sinusoide. Se verifica
ns
i =1
=1
Por otra parte, es un factor de escala para asegurar que la amplitud de la seal se
encuentra entre los valores usat
La frecuencia y el desfase de cada componente sinusoidal se calculan a travs de las
siguientes expresiones:
i =
2 i
N s T
i = 2 j j
(5.54)
j =1
donde Ns es la longitud de la secuencia que es igual N s=2ns.

A modo de ejemplo, en la Figura 5.5 se muestra el espectro de potencia de una seal
suma m de sinusoides diseado como filtro pasa-baja, se observa que posee una parte
201
constante (i0) en el rango de frecuencias comprendido entre [*,*] y es nulo (i=0) en el

rango para [*, /T].
( )
i 0
i = 0
* =
2
N s T
Figura 5.5: Espectro de potencia de una seal suma de sinusoides diseada como filtro pasa-baja.
5.3.1.3 Seal RBS
Una seal binaria aleatoria o seal RBS discreta es una seal que conmuta con una
probabilidad p entre dos valores a y a en instantes de tiempo equiespaciados t=hTsw
h=0,1,2, y Tsw el periodo de conmutacin. En la Figura 5.6 se muestra una posible
realizacin de una seal RBS y su espectro de potencia.
Figura 5.6: Realizacin y espectro de potencia de una seal RBS. 300 muestras tomadas con periodo
de muestreo unidad, Tsw=1, a=1 y p=0.5.
202
La expresin asinttica del espectro de una seal RBS con p=0.5 es:
sin 2 (Tsw / 2)
u ( ) = a Tsw
(Tsw / 2) 2
2
(5.55)
En la Figura 5.7 se muestra el espectro de potencia general de una seal RBS con
p=0.5, se observa que es prcticamente constante en el rango de frecuencias comprendido
entre [*,*] y que comienza a disminuir con oscilaciones para >*.
Figura 5.7: Espectro de potencia asinttico de una seal RBS con p=0.5
5.3.1.4 Seal PRBS
Una seal PRBS es una entrada peridica y determinista que se puede generar
utilizando registros de desplazamiento y algebra Boolena. Una seal PRBS posee las
siguientes propiedades:
Tiene dos niveles a y puede cambiar de uno a otro slo en ciertos intervalos de
tiempo t=0,Tsw , 2 Tsw, 3 Tsw..... A Tsw se le conoce como tiempo de reloj o de
conmutacin.
Si se va a producir o no el cambio de la seal en un determinado intervalo est

"predeterminado". Luego la seal PRBS es determinista y los experimentos se
pueden repetir.
Es peridica con periodo T 0=N Tsw, siendo N un nmero entero impar.
203
Posee un grado N de excitacin persistente.
Su rango de frecuencia es configurable por el usuario
Las seales PRBS ms utilizadas son las que se basan en secuencias de longitud
mximas, para las cuales N=2n-1 siendo n un entero asociado al nmero de
registros de desplazamiento.
La funcin de autocovarianza de una seal PRBS es peridica y se asemeja a la

del ruido blanco (ver Figura 5.8).
Figura 5.8: Funcin de autocovarianza de una seal PRBS
Figura 5.9: Representacin temporal y espectro de potencia de una seal PRBS. Periodo de
muestreo unidad, Tsw=3, a=1 y n=4. La duracin de un ciclo es de 45 minutos
204
En la Figura 5.9 se muestra la representacin temporal y el espectro de potencia de una

seal PRBS de ejemplo.
La expresin asinttica del espectro de una seal PRBS es:
Tsw
sin
2
a ( N + 1)Tsw 2
u ( ) =
N
Tsw
2
En la Figura 5.10 se muestra el espectro de potencia general de una seal RBS, se

observa que es prcticamente constante en el rango de frecuencias comprendido entre
[*,*] y que comienza a disminuir osciladamente para >*.
Figura 5.10: Espectro de potencia asinttico de una seal PRBS
El rango de frecuencias donde el espectro es constante se puede estimar a travs de la

siguiente expresin
* =
2
2.8

= *
N Tsw
Tsw
Si se compara una seal PRBS con una seal RBS se observa que desde el punto de
vista frecuencial, el espectro de una seal PRBS es muy parecido al de una seal RBS.
Tambin desde el punto de vista temporal una seal RBS y de una seal PRBS son muy
parecidas, slo si se tiene un registro de muestras suficientemente grande se podr apreciar
el carcter peridico de una seal PRBS que le distingue en el tiempo de una seal RBS.
205
La principal diferencia entre ambos tipos de seales es que una seal PRBS es
determinista y por lo tanto reproducible experimentalmente, por eso siempre es preferible
utilizar una seal PRBS a una seal RBS.
5.3.1.5 Amplitud de la seal de entrada
Otra consideracin importante a realizar es la seleccin de la amplitud de la seal de

entrada. Para su eleccin se deben tener en cuenta los siguientes aspectos:
Pueden existir limitaciones fsicas (saturacin de los actuadores) y econmicas
sobre la mxima variacin de las seales de entrada u(t) y salida y(t) durante la
realizacin del experimento.
Si el modelo corresponde a una linealizacin de un sistema no lineal, su validez
estar limitada a una determinada zona, por lo que no se debe escoger la seal de
entrada de modo que saque al sistema fuera de la zona de validez del modelo. No
obstante, tras la identificacin del modelo puede resultar interesante realizar otro
experimento con una amplitud mayor para determinar la zona de validez de este.
El aumento de la amplitud de la seal de entrada aumenta la relacin entre la seal y el
ruido del sistema y por lo tanto cabe esperar una mejora en la identificacin del sistema.
5.3.2 Eleccin del periodo de muestreo

La eleccin del periodo de muestreo en el proceso de toma de datos de entrada/salida
del sistema a identificar est ligada a las constantes de tiempo de dicho sistema. Adems se
deben tener en cuenta los siguientes aspectos:
La existencia de un intervalo de tiempo fijo para el experimento. Como el
periodo de muestreo no puede disminuirse una vez realizado el registro de los
datos conviene muestrear a una velocidad rpida y realizar despus la
estimacin considerando valores dobles, triples, etc del valor de muestreo.
El nmero total de datos a registrar fijo. El periodo de muestreo se debe elegir
entonces como un compromiso. Si es muy grande los datos contendrn poca
informacin sobre la dinmica de alta frecuencia del sistema. Si el periodo es
pequeo las perturbaciones pueden tener una influencia excesiva en el modelo
y, adems, puede haber poca informacin del comportamiento a baja
frecuencia.
206
El objetivo final de la aplicacin. Para los sistemas en lazo abierto se aconseja

tomar entre 2 y 4 muestras en el tiempo de subida. Para sistemas en lazo
cerrado se aconseja tambin ese nmero de muestras en el tiempo de subida
del sistema en lazo cerrado o bien entre 8 y 16 muestras en una oscilacin
amortiguada del sistema. Otro valor que se suele indicar es el de realizar entre
5 y 16 muestras en el tiempo de asentamiento al 95% de la respuesta del
sistema en lazo cerrado a un escaln de entrada.
La fiabilidad del modelo resultante. El uso de periodos de muestreo muy
pequeos puede llevar a problemas prcticos, ya que los polos tienen a
agruparse en torno al punto z=1 del plano complejo y la determinacin del
modelo se hace muy sensible, pudiendo resultar que pequeos errores en los
parmetros tengan una influencia importante sobre las propiedades de entradasalida del modelo. Adems un muestreo muy rpido lleva a que el modelo sea
de fase no mnima lo que puede causar problemas a la hora de disear la ley
de control.
En general la eleccin del periodo de muestreo no suele resultar crtica en la mayora de
los casos ya que el rango entre los valores pequeos y grandes es relativamente amplio.
Ejemplo 5.6:
Se tiene la siguiente expresin para la funcin de transferencia de una planta que posee a su entrada
un retenedor de orden cero.
G ( s) =
K (1 + T4 s)e Td s
(1 + T1s)(1 + T2 s)(1 + T3 s)
K = 1; T1 = 10; T2 = 7; T3 = 3; T4 = 2; Td = 4
El modelo discreto equivalente que se obtiene considerando un periodo de muestreo T es:
G ( z ) = z nk
(b0 + b1 z 1 + b2 z 2 + b3 z 3 )
(1 + a1 z 1 + a2 z 2 + a3 z 3 )
La ganancia es
K=
b
1+ a
i
207
En la Tabla 5.1 se muestran los valores de los coeficientes de G(z) en funcin del periodo de
muestreo T.
Cuando el periodo de muestreo disminuye las magnitudes de los parmetros a se incrementa y la de
los parmetros b decrece. Por ello, para un periodo de muestreo pequeo, por ejemplo T=1 s, se
tiene
bi << ai
= 1 + ai << ai
Pequeos errores en los parmetros pueden tener una influencia significativa en el comportamiento
entrada-salida del modelo, ya que, por ejemplo, el valor de
depende fuertemente de los valores
de las cifras decimales cuarta y quinta.

T[s.]
16
a1
-2.48824
-1.49836
-0.83771
-0.30842
a2
2.05387
0.70409
0.19667
0.02200
a3
-0.56203
-0.09978
-0.00995
-0.00010
b0
0.06525
0.37590
b1
0.00462
0.06525
0.25598
0.32992
b2
0.00169
0.04793
-0.02850
0.00767
b3
-0.00273
-0.00750
-0.00074
-0.00001
bi
0.00358
0.10568
0.34899
0.71348
1+ai
0.00358
0.10568
0.34899
0.71348
Tabla 5.1: Coeficientes de G(z) en funcin del periodo de muestreo.

Por otra parte la eleccin de un periodo de muestreo muy grande puede llevar a una simplificacin
excesiva del modelo dando este una descripcin muy pobre de su comportamiento dinmico. En el
ejemplo se ve que para T=8 s. el modelo se reduce prcticamente a un sistema de segundo orden,
porque
a3 << 1 + ai
y b3 <<
Para T=16 s el modelo se reduce prcticamente a uno de primer orden.
208
5.4 TRATAMIENTO DE LOS DATOS

Antes de iniciar el proceso de identificacin es necesario realizar un tratamiento de los
datos de entrada-salida medidos. Dicho tratamiento consta de las siguientes acciones:
filtrado, eliminacin de valores medios y deteccin de outliers.
Siempre hay que analizar si es necesario llevar a cabo cada una de estas acciones.
Dependiendo de la calidad de los datos de que se dispongan pueden ser necesario realizar
todas, alguna o ninguna de estas acciones.
5.4.1 Filtrado de las seales

Un modelo tiene validez dentro de un rango limitado de frecuencias. No se pueden
modelar efectos por encima de la frecuencia de Nyquist (fs=/T, T= periodo de muestreo).
Normalmente fs se elige entre 5 y 10 veces superior a la mxima frecuencia de inters para
evitar as la perdida de fiabilidad entre las estimas. El filtrado analgico previo de las seales
es necesario para evitar el aliasing (plegamiento de la funcin de densidad espectral de la
seal) y de esta manera eliminar las perturbaciones con frecuencias superiores a la de
Nyquist.
La anchura de banda del filtro es inversamente proporcional al periodo de muestreo.
Como regla aproximada se suele considerar la relacin
B T 0.5 1
donde B es la anchura de banda del filtro.
El filtro debe tener ganancia constante y fase prxima a cero para valores bajos y
medios de frecuencias, para no distorsionar de forma innecesaria a la seal. Para altas
frecuencias la ganancia debe caer rpidamente. La eliminacin de las altas frecuencias en
la seal mejora la relacin seal ruido y por lo tanto permite una mejor identificacin del
sistema.
Debido a que el filtro previo tiene una cierta dinmica esta se incluye en el modelo que
se identifica (ver Figura 5.11).
209
{u(k)} D/A
Filtro
Analgico
Proceso
A/D
{y(k)}
Modelo
Figura 5.11: Diagrama de bloques que pone de manifiesto como el modelo que se identifica posee la
dinmica del proceso y la del filtro analgico.
Si existen perturbaciones de baja frecuencia en el sistema stas tambin deben ser

filtradas. Para ello se suelen utilizar filtros digitales sobre las seales registradas como fase
previa a la identificacin. Ambas seales la de entrada y la de salida son filtradas usando un
mismo tipo de filtro (ver Figura 5.12). Con ello se consigue elegir la banda de frecuencias en
las que el modelo debe proporcionar una buena estima del sistema. Normalmente basta con
utilizar filtros pasa alta de primer orden
u F (k ) = u F (k 1) + u (k ) u (k 1)
y F (k ) = y F (k 1) + y (k ) y (k 1)
donde
= e T /
donde la contante de tiempo del filtro. Adems u F (k ) e y F (k ) son las seales filtradas que
se utilizan en el algoritmo de identificacin. se debe elegir de manera que el filtro pasa alta
no elimine la menor frecuencia de la seal de entrada. Para seales PRBS con intervalo de
reloj y periodo N la constante de tiempo debe cumplir la relacin
>
{u(k)}
N
2
Proceso
Filtro
Pasa-alta
{uF (k)}
{y(k)}
Filtro
Pasa-alta
{yF (k)}
Se usan
para identificar
Figura 5.12: Filtrado de perturbaciones de baja frecuencia
210
Lo explicado anteriormente para el filtrado de bajas frecuencias se puede extender para

la eliminacin del ruido de alta frecuencia en los datos (si ste existiera). Usando un filtro
pasa banda sobre la banda de frecuencias de trabajo del sistema se puede conseguir
ambos objetivos simultneamente.
Ejemplo 5.7:
dryer2.mat de la toolbox IDENT de Matlab. En la Figura 5.13 se muestra la representacin de una
estima del espectro de potencia de seal de entrada y de la seal. La secuencia de comandos de
Matlab necesaria para obtener estas figuras es la siguiente:
z2=[y2(1:300),u2(1:300)];
z2=dtrend(z2); y=z2(1:300,1); u=z2(1:300,2);
spec_y2=spa(y,[],[],0.08);
bodeplot(spec_y2)
ffplot(spec_y2)
perio_u = etfe(u,[],[],0.08);
perio_y = etfe(y,[],[],0.08);
bodeplot(perio_u)
pause
bodeplot(perio_y)
SPECTRUM output # 1
SPECTRUM output # 1
2.5
2.5
1.5
1.5
0.5
0.5
10
15
20
25
frequency (rad/sec)
30
35
40
(a)
10
15
20
25
frequency (rad/sec)
30
35
40
(b)
Figura 5.13: Representacin grfica del espectro de potencia estimado de las series temporales de
entrada (a) y salida (b).
Estas representaciones permiten visualizar las componentes de frecuencia existentes en la entrada y
la salida. Por lo que adems de identificar los armnicos dominantes de la seales se puede saber si
existen perturbaciones de baja frecuencia o de alta frecuencia y en consecuencia si es necesario
filtrar las seales. Tambin de estas representaciones es posible deducir el comportamiento del
sistema, es decir, si es pasa baja, pasa alta o pasa banda y si atena o amplifica la entrada.
211
Para este ejemplo de la representacin grfica del espectro de potencia estimado de las series
temporales de entrada y salida, se puede deducir que el sistema posee un comportamiento pasa baja
y que atena la entrada. Adems como no aparecen en la salida componentes a frecuencias distintas
de la excitadas por la entrada eso indica tambin que no existen perturbaciones ni de baja ni de alta
frecuencia.
5.4.2 Eliminacin de valores medios

Un modelo lineal slo suele ser valido para variaciones en torno a un punto de
equilibrio, por lo que las seales de entrada y de salida normalmente tendrn un valor medio
igual a los valores en las posiciones de equilibrio, por lo general diferirn del valor cero. Sin
embargo en la identificacin slo se puede obtener el modelo real si los valores medios son
nulos.
Se suelen seguir dos mtodos para tratar medias distintas de cero: estimar de forma
explcita los valores medios o usar modelos con valores incrementales.
5.4.2.1 Estimar de forma explcita los valores medios.
Para ello se puede proceder de dos formas:

A) Estimar, eliminar e identificar
Fijar una tendencia polinomial a la entrada y la salida mediante regresin lineal
y * ( t ) = m0 + m1t +... + mr t r
u* ( t ) = n0 + n1t +... + ns t s
Despus calcular los datos eliminando las tendencias
y (t ) = y (t ) y* (t )
u ( t ) = u( t ) u* ( t )
Es a estos datos a los que se aplica el algoritmo de identificacin.
Si los grados r y s son cero el procedimiento consiste simplemente en calcular los
valores medios de las seales
212
1
y =
N
*
u* =
1
N
y (t )
t =1
u(t )
t =1
y sustraerlos de las medidas. Con valores de r, s>0 se modela una deriva en los datos
(tendencia polinomial).
Ejemplo 5.8:
dryer2.mat de la toolbox IDENT de Matlab. En la Figura 5.14a se representan las series
temporales de la entrada y salida originales. Se observa que tanto la entrada como la salida
presentan un valor medio no nulo. En la Figura 5.14b se representan las mismas series temporales
pero con los valores medios eliminados.
La secuencia de comandos de Matlab necesaria para obtener estas figuras es la siguiente:
load dryer2
z2=[y2(1:300) u2(1:300)];
zv=[y2(500:900) u2(500:900)];
idplot([y2 u2], 1:500,0.08)
pause;
z2=dtrend(z2);
idplot(z2,[],0.08)
OUTPUT #1
OUTPUT #1
-1
10
15
20
25
30
35
40
-2
10
INPUT #1
15
20
25
15
20
25
INPUT #1
7
1
6
5
-1
0
10
15
20
25
30
35
40
(a)
10
(b)
Figura 5.14: Representacin grfica de las series temporales de entrada y salida: (a) Originales. (b)
Tras eliminar los valores medios.
Tambin se observa que la entrada es una seal RBS o PRBS y que no parece existir ruido de
medida ya que ni la entrada ni la salida poseen fluctuaciones pequeas y rpidas en sus valores
temporales.
213
B) Estimar los valores medios durante la fase de identificacin
Se considera ahora el siguiente modelo
A( q 1 ) y ( t ) = B ( q 1 ) u( t ) + e( t ) + m
donde m es un parmetro que tambin es estimado. Ahora
0 ' = a1 ... an b1 ...bn m

es el vector de parmetros del proceso y
' ( t ) = y ( t 1)... y ( t n ) u( t 1)... u ( t n) 1

es el vector de regresin. El modelo se puede generalizar introduciendo, en lugar de un
valor constante, un polinomio en t (tendencia polinomial) en el que los coeficientes son
parmetros a identificar.
5.4.2.2 Usar modelos con valores incremntales.
Sea el operador diferencia
= 1 q 1
Se utiliza el modelo
A( q 1 ) y ( t ) = B ( q 1 ) u( t ) + e( t )
Como se ve, ahora en el algoritmo de identificacin se utilizan los datos diferenciados.
5.4.3 Deteccin de outliers

Cuando se realizan los experimentos ocurre a veces que hay grandes errores en las
medidas. Estos errores, denominados outliers, pueden estar causados por perturbaciones,
errores en las transmisiones de datos, fallos en la conversin, etc. Es importante detectar y
eliminar esos errores antes de analizar los datos, ya que su influencia cambiar en gran
medida los resultados de la identificacin. Los outliers aparecen como picos en la secuencia
de errores de prediccin y por ello tendrn gran influencia en la funcin de coste.
Una forma bastante usual de tratar los outliers es hacer un test de presencia de outliers
y ajustar los datos errneos. En este caso se obtiene un modelo ajustando los datos sin
214
prestar atencin a los outliers. Despus se obtienen los residuos ( t , ) y se representan

grficamente. Se detecta la existencia de posibles picos en la secuencia { ( t , ) }. Si por
ejemplo ( t , ) es anormalmente grande entonces la salida correspondiente y(t) se
modifica. Una modificacin sencilla es tomar
y (t ) = 0.5[ y (t 1) + y (t + 1)]
Otra posibilidad es tomar como valor y(t) el valor que predice
y (t ) = y (t t 1, )
La secuencia de valores obtenida haciendo las sustituciones anteriores se utiliza para
obtener un nuevo modelo.
Ejemplo 5.9:
En la Figura 5.15 se representan las series temporales de entrada y salida medidas para un cierto
sistema. Se observa que tanto la entrada como la salida presentan dos outliers.
OUTPUT #1
20
10
0
-10
-20
100
200
300
400
500
600
700
800
900
600
700
800
900
INPUT #1
3
2
1
0
-1
0
100
200
300
400
500
Figura 5.15: Ejemplo de series temporales de entrada y salida con outliers
215
5.5 ELECCIN DEL TIPO Y LA ESTRUCTURA DEL MODELO

5.5.1 Eleccin del tipo de modelo
En la seccin 5.2 se describieron los dos tipos de modelos (no paramtricos y
paramtricos) que se utilizan en la identificacin de sistemas.
Los mdelos no paramtricos se deben calcular siempre en primer lugar ya que se
utilizan para conocer determinadas propiedades del sistema y para validar los modelos
paramtricos. La representacin grfica de la respuesta estimada a un impulso o a un
escaln resulta bastante til para conocer algunas de las principales caractersticas
dinmicas del sistema que se desea identificar, tales como: el retardo del sistema, tipo de
respuesta (subamortiguada, sobreamortiguada,...) y ganancia esttica.
La representacin del diagrama de Bode de la funcin de la frecuencia G N (e i ) permite
conocer la respuesta en frecuencia del sistema que se desea estimar. Asimismo la
representacin de la estima del espectro de la perturbacin v ( ) permite saber si la

perturbacin v(t) se puede considerar ruido blanco.
Los modelos paramtricos de un sistema se utilizan en simulacin o control. Se
distinguen principalmente cuatro tipos de modelos: ARX, ARMAX, OE y BJ. La estimacin
de los parmetros de un modelo ARX requiere la resolucin de un problema de regresin
lineal, mientras que la estimacin de los parmetros de un modelo ARMAX, OE o BJ
requiere la resolucin de un problema de regresin no lineal.
Puesto que los modelos ARX son los ms fciles de estimar, siempre se recomienda su
utilizacin como modelo de partida de cualquier problema de identificacin de sistemas. En
el caso de no obtener buenos resultados con modelos ARX se debe pasar a utilizar modelos
ARMAX que presentan una mayor flexibilidad para tratar las perturbaciones, gracias al
polinomio C(q) que poseen que genera un modelo de ruido correlacionado.
El uso de los modelos OE se recomienda cuando las propiedades de las seales de
perturbacin no necesitan ser modeladas. Permiten obtener una descripcin correcta de la
funcin de transferencia determinista sin importar la forma de las perturbaciones.
Slo cuando no se obtiene buenos resultados con modelos ARX, ARMAX y OE se
puede probar a usar modelos BJ, que permiten obtener funciones de transferencia
independientes para la parte determinista y la estocstica del modelo. Los modelos BJ son
216
difciles de estimar ya requieren de muchas iteraciones (computacionalmente costoso) y de

una mayor toma de decisiones por parte del diseador.
5.5.2 Eleccin de la estructura del modelo

Una vez seleccionada la familia o tipo de modelos con la que se va identificar, se
procede a estimar modelos con distintos rdenes de los polinomios (estructuras) y realizar
test de comparacin entre ellos para determinar el ms apropiado.
Se debe tener en cuenta que la estructura seleccionada debe ser lo suficientemente
grande para evitar que el grado del modelo est subestimado, es decir, no contenga toda la
informacin del sistema real.
Por otra lado, tambin hay que evitar que el grado del polinomio este sobreestimado. La
sobreestimacin o sobreparametrizacin de un modelo se produce cuando se estn
utilizando parmetros innecesarios para ajustar el modelo a seales de perturbacin
especificas presentes en las series temporales de los datos.
El poseer un modelo sobrestimado no sirve para ningn propsito prctico ya que el
modelo ser utilizado con otras perturbaciones, puesto que stas suelen tener una
naturaleza estocstica.
A medida que aumenta el nmero de parmetros de un modelo se suele obtener un
valor ms pequeo para la funcin de coste V(). Ya que se calcula minimizando sobre un
mayor nmero de parmetros. Si se dibujan los valores de la funcin de coste como funcin
del nmero de parmetros se obtiene una curva estrictamente decreciente. El valor de V
disminuye porque el modelo est incluyendo cada vez ms propiedades relevantes del
sistema real. Sin embargo, an despus de que un orden correcto del modelo ha sido
alcanzado la funcin de coste contina disminuyendo.
La sobreestimacin puede ser evitada utilizando funciones de coste que incluyan un
factor f(d,N) que penalice la utilizacin de un nmero de parmetros d excesivo.
N
min f ( d,N ) 2 (i, )

d,
i =1
A estas funciones de coste modificadas se las conoce como criterios de informacin.

Los ms utilizados son los siguientes:
217
Error final de prediccin de Akaike (FPE)
1+
FPE = min
d,
1
1
2
N (i, )
d N i=1
Criterio terico de informacin de Akaike (AIC)
2d N 2
AIC = min 1 +
(i, )
d,
N i=1
Longitud mnima de la descripcin de Rissanen (MDL)
2d
N
MDL = min 1 +
log( N ) 2 (i, )
d,
N
i=1
Ejemplo 5.10:
dryer2.mat de la toolbox IDENT de Matlab. En el Ejemplo 5.1 al realizar el anlisis de correlacin
se obtuvo que el retardo en el sistema que se desea identificar es es de 3 o 4 periodos de muestreo.
Para confirmar esta deduccin se van a estimar modelos ARX con las estructuras [na=2, nb=2,
nk=1:7]. De los siete modelos estimados se escoger aquel que presente el menor valor del criterio
de informacin de Akaike (AIC).
La secuencia de comandos de Matlab que permite realizar estas acciones es la siguiente:
load dryer2.mat
z2=[y2(1:300),u2(1:300)];
zv=[y2(500:900),u2(500:900)];
z2=dtrend(z2);
zv=dtrend(zv);
NN=struc(2,2,1:7);
v=arxstruc(z2,zv,NN);
seleccion=selstruc(v,'aic')
Se obtiene como resultado que
seleccion =
2
218
Es decir (na,nb,nk)=(2,2,3), luego se ha confirmado que el retardo es de tres muestras.

Ahora fijando el retardo nk a 3 periodos de muestreo, se van a estimar todas las estructuras ARX
posibles variando na y nb entre 1 y 7. Adems se va a seleccionar la mejor estructura ARX segn el
criterio de informacin AIC y se van mostrar los coeficientes y sus desviaciones estndar de los
polinomios A(q) y B(q) del modelo ARX selecccionado.
La secuencia de comandos de Matlab que permite realizar estas acciones es la siguiente:
NN=struc(1:7,1:7,3);
v=arxstruc(z2,zv,NN);
seleccion=selstruc(v,'aic')
arx_sel=arx(z2,seleccion,[],0.08);
present(arx_sel)
El resultado que se obtiene es:
seleccion =
3
4
B =
A =
0
0
0
0
0
0
0.0672
0.0021
1.0000
0
-0.9697
0.0566
0.0415
0.0746
0.0932
0.0346
0.0619
0.0045
0.0192
0.0044
0.0049
0.0040
5.6 VALIDACIN DEL MODELO ESTIMADO

Para analizar la validez del modelo estimado es conveniente realizar los siguientes
estudios: anlisis de los residuos del modelo, verificacin del comportamiento de entrada salida y cancelacin de polos y ceros.
Es muy importante tener en cuenta que en el proceso de validacin del modelo se debe
usar un conjunto de datos distinto (datos de validacin) a los usados para estimar el modelo
(datos de estimacin).
5.6.1 Anlisis de los residuos

Los mtodos de estimacin paramtrica basados en la minimizacin del error de
prediccin, requieren que los residuos sean ruido blanco para asegurar de este modo que la
estima no est polarizada. Este aspecto se suele analizar calculando la funcin de
autocorrelacin de los residuos. Si los residuos son ruido blanco la funcin de
autocorrelacin deber ser aproximadamente cero en todos los puntos salvo en el origen. Es
219
decir, debe asemejarse lo ms posible a la autocorrelacin del ruido blanco, en caso

contrario significar que existen perturbaciones no modeladas.
Para comprobar si existe realimentacin entre la entrada y la salida, lo que puede
producir polarizacin en las estimas, se realiza un test sobre la correlacin entre los
residuos y las entradas. Si no existe realimentacin la funcin de correlacin debe ser
aproximadamente nula en todos sus puntos. En caso contrario pueden existir dinmicas no
modeladas o haberse realizado la identificacin en lazo cerrado (en este tema se ha
supuesto siempre que la identificacin se realizaba en lazo abierto) hay que probar a usar
estructuras mas complejas y analizar su conveniencia.
En general en el anlisis de los residuos se puede seguir la siguiente regla: Si la
representacin de la funcin de autocorrelacin de los residuos y la representacin de la
funcin de correlacin cruzada entre los residuos y la entrada cruzan significativamente sus
respectivos intervalos de confianza del 99.7% entonces el modelo no puede ser aceptado
como una buena descripcin del sistema. Hay que fijarse en los valores positivos de de la
funcin de correlacin cruzada.
Si se est interesado principalmente en identificar la parte determinista G del modelo,
como ocurre con los modelos OE, entonces habr que concentrarse en conseguir la
independencia de los residuos frente a la entrada ms que en la blancura de los residuos.
Ejemplo 5.11:
Se van a analizar los residuos del modelo ARX (3,4,3) estimado en el Ejemplo 5.10. En la Figura 5.16
se representan la autocorrelacin de los residuos y la correlacin cruzada entre los residuos. Esta
Figura se ha obtenido usando el comando de Matlab resid(zv,arx_sel).
Se observa que la autocorrelacin de los residuos se asemeja a la del ruido blanco por lo que el
modelo en cuanto a la modelizacin de las perturbaciones del sistema es correcto. Sin embargo, el la
funcin de correlacin cruzada entre los residuos y la entrada cruza significativamente la regin de
confianza del 99.7%, esto indica que deben existir dinmicas no modeladas o que la identificacin se
ha realizado en lazo cerrado por lo que hay que probar a usar estructuras mas complejas, es decir,
modelos ARX de mayor orden o modelos ARMAX y analizar su conveniencia.
220
Autocorrelacin de los residuos
1
0.5
0
-0.5
0.6
5
10
15
20
Correlacin cruzada entre los residuos y la entrada
25
0.4
0.2
0
-0.2
-30
-20
-10
10
20
30
Figura 5.16: Anlisis de los residuos del modelo ARX (3,4,3) estimado en el Ejemplo 5.10
5.6.2 Verificacin del comportamiento de entrada-salida

Para validar el comportamiento de entrada-salida del modelo estimado se deben hacer
los siguientes test:
Comparar la respuesta temporal medida con la estimada por el modelo. Para ello
se debe utilizar la misma entrada usada en la identificacin, as como otras
entradas no usadas en la identificacin.
Comparar la respuesta en frecuencia obtenida por el modelo identificado con la
calculada mediante anlisis espectral.
Puede suceder que un modelo presente un buen comportamiento de entrada-salida pero
que sin embargo el anlisis de sus residuos indique que no se trata de un buen modelo.
Pese al desacuerdo entre ambas validaciones, dependiendo de la finalidad para la que se
requiera dicho modelo, quizs el modelo no tenga porque ser rechazado.
Ejemplo 5.12:
En la Figura 5.17 se representan la respuesta temporal del modelo ARX (3,4,3) estimado en el
Ejemplo 5.10 y la salida medida experimentalmente. Esta Figura se puede obtener con el comando
de Matlab yh=compare(zv,arx_sel). Se observa que la salida del modelo coincide bastante con
la salida medida experimentalmente.
221
1.5
0.5
0.5
1.5
arx343
Sistema
2
0
50
100
150
200
250
Tiempo (s)
300
350
400
450
Figura 5.17: Representacin de la respuesta temporal del modelo ARX (3,4,3) estimado en el Ejemplo
5.10 y de la salida medida experimentalmente.
0
Magnitud
10
10
10
10
10
10
10
arx343
spa
100
Fase
200
300
400
500
600 1
10
10
10
10
(rad/s)
Figura 5.18: Representacin de la respuesta en frecuencia del modelo ARX (3,4,3) estimado en el
Ejemplo 5.10 y de la funcin de la frecuencia del sistema estimada en el Ejemplo 5.2.
En la Figura 5.18 se representan la respuesta en frecuencia del modelo ARX (3,4,3) estimado en el
Ejemplo 5.10 y la funcin de la frecuencia del sistema estimada en el Ejemplo 5.2. Esta Figura se
puede obtener con los siguientes comandos de Matlab.
ffarx343=th2ff(arx_sel);
gspa=spa(z2,[],[],[],0.08);
bodeplot([ffarx343 gspa]);
legend('arx343','spa')
222
Se observa que la respuesta en frecuencia del modelo ARX (3,4,3) es bastante parecida a la funcin
de frecuencia estimada para el sistema, aunque discrepa ligeramente en cuanto al valor de la
ganancia a baja frecuencia y en su comportamiento de alta frecuencia.
Del estudio del comportamiento de entrada-salida del modelo ARX (3,4,3) se puede deducir que no
es un mal modelo, pero sin embargo el anlisis de los residuos indicaba que existan dinmicas no
modeladas, por lo que hay que probar a usar estructuras mas complejas, es decir, modelos ARX de
mayor orden o modelos ARMAX y analizar su conveniencia.
Pese al desacuerdo entre ambas validaciones, dependiendo de la finalidad para la que se requiera
dicho modelo, quizs el modelo ARX (3,4,3) no tenga porque ser rechazado. Por ejemplo, si se
nicamente se requiere un modelo aproximado del sistema para disear un controlador el modelo
ARX (3,4,3) podra ser utilizado. Sin embargo, no podra ser utilizado si se requiere un modelo lo ms
exacto posible para realizar una simulacin precisa del sistema.
5.6.3 Cancelacin de polos y ceros

Si el modelo identificado es de orden (por ejemplo n) mayor que el real (por ejemplo n0)
entonces aparecern n-n0 pares de ceros-polos que se cancelan entre si de forma
aproximada. En dicho caso puede probarse a estimar un modelo con una estructura de
orden reducida en el nmero de cancelaciones que se hayan producido.
Ejemplo 5.13:
Para ilustrar la cancelacin de polos y ceros se va considerar un modelo de mayor orden para el
secador, por ejemplo el modelo ARX (5,5,3). En la Figura 5.19 se representa el diagrama de polos y
ceros de un modelo ARX (5,5,3). Se muestran adems los intervalos de confianza del 99.7% para la
posicin de los ceros y los polos. Esta Figura se puede obtener con los siguientes comandos de
Matlab.
arx553=arx(z2,[5 5 3],[],0.08);
zparx553=th2zp(arx553);
zpplot(zparx553,1)
Se observa que los intervalos de confianza de dos polos intersecta con los intervalos de confianza de
dos ceros, esto indica que se pueden estar cancelando dos polos con dos ceros. Por tanto se puede
probar a reducir el modelo ARX (5,5,3) a un modelo ARX (3,3,3). Para quedarse con el modelo
reducido habra que validarlo y ver si no es mucho peor que el modelo original.
223
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0.5
Figura 5.19: Diagrama de polos y ceros del modelo ARX (5,5,3). Se muestran los intervalos de
confianza del 99.7% para la posicin de los ceros y los polos.
224
APENDICE A
TABLA DE TRANSFORMADAS Z
y(t)
y(kT) o y(k) o
Y(s)
Y(z)
Delta de Kronecker
z 1
1 k = 0
0 k 0
0 (k ) =
1 n = k
0 n k
0 (n k ) =
1(t)
1(k)
1
s
1
1 z 1
kT
1
s2
T z 1
e a t
t e at
e a t sen( t )
e a k T
k T e a k T
e a k T sen( k T )
1
s+a
1
(s + a )2
(1 z )
1 2
1
1 e
a T
z 1
T e aT z 1
(1 e
a T
z 1
( s + a) 2 + 2
e a T z 1 sen( T )
1 2e a T cos( T )z 1 + e 2a T z 2
e a t cos( t )
e a k T cos( k T )
s+a
(s + a) 2 + 2
1 e aT z 1 cos( T )
1 2e a T cos( T )z 1 + e 2a T z 2
ak
1
1 az 1
225
APENDICE A
226
BIBLIOGRAFIA
ASTRM, K. J. y WITTENMARK, B. Sistemas Controlados por Computador. Ed.

Paraninfo, 1996.
OGATA, K. Ingeniera de Control Moderna. Prentice Hall.1998.
OGATA, K. Sistemas de Control en Tiempo Discreto. Prentice Hall.1996.
SDERSTRM, T. y STOICA, P. System Identification. Prentice Hall. 1989.
227

AutomaticaII Apuntes Parcial1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

AutomaticaII Apuntes Parcial1

Uploaded by

Copyright:

Available Formats

APUNTES DE

Jose Manuel Daz

Departamento de Informtica y Automtica

Apuntes de Automtica II (Primer parcial).

Departamento de Informtica y Automtica

TEMA 0: HISTORIA DE LA AUTOMTICA

TEMA 1: MODELOS DE SISTEMAS CONTINUOS

TEMA 2: MODELOS DE SISTEMAS DISCRETOS

TEMA 3: MODELOS DE PERTURBACIONES

3.3.2 Reduccin mediante realimentacin local .................................................. 122

TEMA 4: ESTIMACION OPTIMA

TEMA 5: IDENTIFICACION DE SISTEMAS

5.5.2 Eleccin de la estructura del modelo..........................................................217

APENDICE A: TABLA DE TRANSFORMADAS Z

TEMA 0: Historia de la Automtica

4. El comienzo de la era espacial y de la era de las computadoras en 1957.

0.2 HISTORIA DE LA AUTOMTICA

En la antigedad la primera motivacin para la realizacin de un control realimentado

La Revolucin Industrial en Europa estuvo marcada por la invencin de avanzados

TEMA 0: Historia de la Automtica

0.2.2 El periodo primitivo de la automtica: El nacimiento de la

0.2.3 Periodo clsico de la automtica

TEMA 0: Historia de la Automtica

La aproximacin en el dominio de la frecuencia era apropiada para sistemas lineales

0.2.4 Periodo moderno de la automtica

TEMA 0: Historia de la Automtica

El filtro continuo de Kalman fue desarrollado en [Kalman y Bucy 1961].

Us el concepto de estado interno de un sistema; es decir, utiliz la

TEMA 0: Historia de la Automtica

TEMA 0: Historia de la Automtica

Nyquist, H., Regeneration Theory, Bell Syst. Tech. J. 1932

TEMA 0: Historia de la Automtica

TEMA 1: Modelos de sistemas continuos

ecuaciones diferenciales o en diferencias, es decir, usar modelos matemticos.

observabilidad. La parte final del tema se dedica al diseo de sistemas de control en el

La forma de la respuesta temporal del sistema est determinada por la localizacin de

TEMA 1: Modelos de sistemas continuos

La representacin en el espacio de estados de este sistema es un conjunto de n

donde x es el vector de estados de dimensin n x 1, A es una matriz constante de dimensin

donde C es una matriz de dimensin 1 x n.

donde d es una constante.

La solucin de las ecuaciones diferenciales (1.3) requiere el conocimiento de las

A la matriz [sI-A]-1 se le suele representar con el smbolo (s) y se le denomina matriz

A es la matriz que describe la dinmica del sistema de dimensin n x n.

C es la matriz de salida de dimensin m x n.

G11 ( s ) ... G1r ( s )

TEMA 1: Modelos de sistemas continuos

x& (t ) = A(t )x(t ) + B(t )u (t )

Figura 1.2: Masa con resorte y amortiguamiento sobre mvil

La aceleracin total es:

Si se definen las siguientes variables de estado:

Y la ecuacin de salida es:

Ejemplo 1.2: Red elctrica RLC

TEMA 1: Modelos de sistemas continuos

Figura 1.3: Red elctrica RLC

Operando sobre estas expresiones se obtienen las ecuaciones de estado:

La ecuacin de salida es:

Este caso se corresponde con el indicado en la ecuacin (1.5).

Ejemplo 1.3: Motor de corriente continua excitado por separado

TEMA 1: Modelos de sistemas continuos

La funcin de transferencia matricial es:

1.3 TRANSFORMACIN DE VARIABLES DE ESTADO

Donde T es una matriz no singular de dimensin n x n, de forma que siempre se puede