AutomaticaII Problemas Parcial1

PROBLEMAS DE
AUTOMATICA II
(Primer parcial)
Jose Manuel Daz

Joaqun Aranda
Departamento de Informtica y Automtica

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

ltima reimpresin: septiembre 2008.
ISBN: 84-690-0485-9
Copyright 2008 Jose Manuel Daz y Joaqun Aranda
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
ENUNCIADOS............................................................................................................................1
Problemas Tema 1....................................................................................................................1
Problemas Tema 2....................................................................................................................3
Problemas Tema 3....................................................................................................................6
Problemas Tema 4....................................................................................................................8
Problemas Tema 5....................................................................................................................9
SOLUCIONES...........................................................................................................................11
Problema 1.1............................................................................................................................11
Problema 1.2............................................................................................................................12
Problema 1.3............................................................................................................................13
Problema 1.4............................................................................................................................14
Problema 1.5............................................................................................................................16
Problema 2.1............................................................................................................................18
Problema 2.2............................................................................................................................19
Problema 2.3............................................................................................................................22
Problema 2.4............................................................................................................................24
Problema 2.5............................................................................................................................26
Problema 2.6............................................................................................................................27
Problema 3.1............................................................................................................................30
Problema 3.2............................................................................................................................35
Problema 3.3............................................................................................................................41
Problema 3.4............................................................................................................................44
Problema 3.5............................................................................................................................47
Problema 4.1............................................................................................................................49
Problema 4.2............................................................................................................................51
Problema 4.3............................................................................................................................53
Problema 4.4............................................................................................................................54
Problema 5.1............................................................................................................................57
Problema 5.2............................................................................................................................61
Problema 5.3............................................................................................................................64
Problema 5.4............................................................................................................................66
BIBLIOGRAFIA........................................................................................................................74
PROBLEMAS DE AUTOMATICA II (1er parcial)
ENUNCIADOS
ENUNCIADOS PROBLEMAS
TEMA 1: Modelos de sistemas continuos
1.1 Una representacin en el espacio de estados de un sistema en la forma cannica controlable se obtiene
mediante las siguientes ecuaciones:
1 x1 0
x&1 0
x& = 0.4 1.3 x + 1u
2
2
x
y = [0.8 1] 1
x2
(1)
El mismo sistema se representa mediante la siguiente ecuacin en el espacio de estados, que est en forma
cannica observable:
x&1 0 0.4 x1 0.8

x& = 1 1.3 x + 1 u
2
2
x
y = [0 1] 1
x2
(2)
a) Demostrar que la representacin en el espacio de estados obtenida mediante las ecuaciones (1) produce un
sistema que es de estado controlable pero no observable.
b) Demostrar que la representacin en el espacio de estados definida mediante las ecuaciones (2) produce un
sistema que no es de estado completamente controlable pero si observable.
c) Explicar qu provoca las diferencias evidentes en la controlabilidad y la observabilidad del mismo sistema.
1.2 Considere el sistema dado por
x&1 2 0 0 x1 0 1
x& = 0 2 0 x + 1 0 u1
u
2
2
x& 3 0 3 1 x3 0 1 2
x1
1 0 0
y=
x 2
0 1 0 x
3
Es el sistema de estado completamente controlable y completamente observable? Es el sistema de salida
completamente controlable?
1.3 Considrese el sistema definido mediante
1 x1 0
x&1 0
x& = 2 3 x + 2u
2
2
x
y = [1 0] 1
x2
Se desea ubicar los valores caractersticos del sistema en -3 y -5 usando un control mediante la realimentacin
del estado u=-Kx. Determinar la matriz de ganancias de realimentacin K necesaria y la seal de control u.
ENUNCIADOS
1.4 Considrese el sistema definido mediante
1
0 x1 0
x&1 0
x& = 0
0
1 x 2 + 0u
2
x& 3 6 11 6 x3 1
x1
y = [1 0 0] x 2
x3
Se quiere disear un observador de orden completo. Determine la matriz de ganancias del observador Ke usando:
a) El mtodo de sustitucin directa. b) La frmula de Ackermann. Supngase que los valores caractersticos
deseados de la matriz de ganancias del observador son
1 = 2 + j2 3
2 = 2 j2 3
3 = 5
1.5 Para el sistema definido en el problema 1.4 se supone que la variable de estado x1 es igual a y. En
consecuencia x1 es medible y no necesita observarse. Determinar la matriz de ganancias del observador Ke para
el observador de orden mnimo. Los valores caractersticos deseados son
1 = 2 + j2 3
2 = 2 j2 3
ENUNCIADOS
TEMA 2: Modelos de sistemas discretos
2.1 Considrese el sistema definido por
G( z ) =
z +1
z + 1.37 z + 0.4
2
Obtener la representacin en el espacio de estados para este sistema en las tres configuraciones siguientes:
a) Forma cannica controlable
b) Forma cannica observable
c) Forma cannica diagonal (Jordan)
2.2 Considrese el sistema con doble integrador
T 2 / 2
1 T
x k +1 =
x
+
u k
k
T
0 1
donde T es el periodo de muestreo. Se pide:

a) Determinar la matriz de ganancia de realimentacin del estado K tal que la respuesta a una condicin
arbitraria sea con oscilaciones muertas, es decir, los polos en lazo cerrado deseados debern estar en el
origen de modo que 1=2=0.
b) Para el estado inicial x(0)=[1 1]T determinar u(0) y u(T), para T=0.1 seg, T=1 seg y T=10 seg. Que ocurre
con las magnitudes de u(0) y u(T) al aumentar T?.
2.3 Considrese la planta definida por
G( z) =
1
z + z + 0.16
2
Utilizando el enfoque de las ecuaciones polinomiales, disear un sistema de control para esta planta basado en el
diagrama de bloques siguiente
R(z )
K0
B( z )
A( z )
U (z )
( z)
F ( z)
Y (z )
( z)
F ( z)
Suponer que la ecuacin caracterstica deseada es H ( z ) = z 1.2 z + 0.52 y que el polinomio del
2
observador de orden mnimo es F ( z ) = z .
ENUNCIADOS
2.4 Sea la planta
1
0
0
0
0
1 x k + 0u
x k +1 = 0
0.5 0.2 1.1
1
x1
y = [0 1 0] x 2
x3
Usando el enfoque de ecuaciones polinomiales, disear un sistema de control para esta planta cuya diagrama de
bloques sea
R(z )
U (z )
K0
B( z )
A( z )
Y (z )
( z)
( z)
considrese que
H ( z) = z 3
F ( z) = z 2
2.5 Para la planta del problema 2.4 supuestos los mismos H(z) y F(z) emplear el enfoque polinomial para disear
un sistema de control para la planta cuyo diagrama de bloques sea
R(z )
K0
B( z )
A( z )
U (z )
( z)
F ( z)
( z)
F ( z)
Y (z )
ENUNCIADOS
2.6 Considrese una planta definida por
G( z) =
z + 0.5
z z + 0.01z + 0.12
3
El periodo de muestreo T es de un segundo. Supngase que en el presente problema es importante tener un error
de seguimiento cero a una entrada rampa unitaria. Se quiere disear el siguiente sistema de control para la planta
R(z )
B( z )
A( z )
U (z )
V (z )
Gm H1 ( z )
( z)
F ( z)
( z)
F ( z)
Se considera que
Gm ( z ) =
0.64z 0.512
0.64z 0.512
= 3
( z 1.2 z + 0.52)( z 0.6) z 1.8z 2 + 1.24z 0.312
2
Se pide:
a) Obtener los polinomios (z) y (z).
b) Obtener las expresiones de Y(z)/V(z) e Y(z)/R(z).
Y (z )
ENUNCIADOS
TEMA 3: Modelos de perturbaciones
3.1 Calcular la funcin de covarianza estacionaria del proceso
0
0.4
x k +1 =
x k + v k
0.6 0.2
donde v es un proceso de ruido blanco con media cero y varianza
1 0
R1 =
0 2
3.2 Considrese el proceso
a 0
x k +1 =
x k + v k
0 b
y k = [1 1] x k
donde v es un proceso de ruido blanco con media cero y matriz de covarianza
12 0
R1 =
2
0 2
Demostrar que yk puede ser expresado en la forma
y (k ) =
q+c
e( k )
(q + a)(q + b)
donde e(k) es ruido blanco con media cero y varianza unidad. Encontrar la relacin a partir de la cual es posible
determinar y c.
3.3 Un proceso estocstico y(k) esta descrito por
x k +1 = ax k + v k
y k = x k + ek
donde v y e son procesos de ruido blanco de distribucin normal con las propiedades
E[v] = E[e] = 0
Var[v] = 1
Var[e] = r2
r si k = j
E[v(k )e( j )] = 12
0 si k j
Demostrar que y(k) puede ser expresada como la salida del siguiente filtro lineal:
y (k ) =
ENUNCIADOS
qc
(k )
qa
| c |< 1
donde (k) es ruido blanco con media cero y varianza unidad. Determinar y c.
3.4 Determinar la funcin de covarianza ry() y el espectro y() del proceso y(k)
y (k ) 0.7 y (k 1) = e(k ) 0.5e(k 1)

donde e(k) es ruido blanco de varianza unidad.
3.5 Determinar la varianza del proceso estocstico y(k) definido por
y (k ) 1.5 y (k 1) + 0.7 y (k 2) = e(k ) + 0.2e(k 1)

donde e(k) es ruido blanco de varianza unidad.
ENUNCIADOS
TEMA 4: Estimacin ptima
4.1 Se genera un proceso estocstico mediante
x k +1 = 0.5 x k + v k
y k = x k + ek
donde v y e son procesos de ruido blanco no correlacionados con covarianzas r1 y r2, respectivamente. Adems
x(0) tiene una distribucin normal con media cero y desviacin estndar . Cual es la ganancia en estado
estacionario?. Calclese el polo del filtro estacionario y comprese con el polo del sistema.
4.2 El integrador doble con ruido de proceso puede describirse mediante las ecuaciones:
0
0 .5
1 1
x k +1 =
x k + u k +
1
0 1
v k
y k = [0 1]x k
donde v(k) es una secuencia de variables aleatorias normales de media nula e independientes. Supngase que
x(0) es normal de media nula y matriz de covarianza unidad. Determinar las ecuaciones de la matriz de
covarianza del error de estimacin y el vector de ganancias del filtro de Kalman.
4.3 Considere el problema anterior pero con salida
y k = [0 1]x k + ek
Determinar la covarianza del error de estimacin y la ganancia del filtro de Kalman si la varianza de e(k), seal
de media nula, es 2.
4.4 Dado el sistema
0
0 .5
1 1
x k +1 =
x k + u k +
1
0 1
v k
y k = [0 1]x k
donde v(k) es ruido blanco de media nula y desviacin estndar 0.1. Supngase que se conoce x(0)
perfectamente. Determinar la estimacin de x(k+3), dado y(k) que minimiza el error de prediccin.
ENUNCIADOS
TEMA 5: Identificacin de sistemas
5.1 Considrese el sistema:
y (t ) 0.8 y (t 1) = u (t 1) + e(t ) 0.8e(t 1)

Se supone que las entradas u(.) y e(.) son ruido blanco de varianza 1. Para este sistema se considera un modelo
de la forma:
y (t ) + a y (t 1) = bu (t 1)
a) Obtener por mnimos cuadrados las estimas de los parmetros de este modelo.
b) Cuando t Qu parmetro coincide con el del sistema real y cul no? Por qu?.
c) Se puede conseguir que las estimas de los dos parmetros (a y b) no estn polarizadas? Como?
y (k ) + a y (k 1) = u (k ) + e(k )
donde u es la variable de control (supngase que es ruido blanco de varianza 2), y es la salida y {e(k)} es una
secuencia de variables aleatorias gaussianas independientes de varianza 2. Considrese un controlador
autosintonizante basado en el modelo:
y (k ) + y (k 1) = u (k 1) + e(k )
a) Obtener la estima de mnimos cuadrados de basada en los datos disponibles hasta el instante k (es decir,
y(k), y(k-1),..., y(1), u(k-1),..., u(1))
b) Estudiar si a cuando k.
Nota: El trmino e(k) en este modelo est indicando que no existe ruido correlacionado en el modelo. Luego a la
hora de realizar los clculos no hay que tener en cuenta este trmino.
5.3 Para un sistema descrito por
y (t ) + a y (t 1) = bu (t 1) + e(t )
con una ley de control dada por
u (t ) = K y (t )
Es posible identificar los parmetros de este modelo en lazo cerrado? Justifique razonadamente la respuesta.
ENUNCIADOS
y (k ) + a y (k 1) + b y (k 2) = u (k ) + e(k )
donde u es la variable de control, y es la salida y {e(k)} es una secuencia de variables aleatorias gaussianas
independientes de varianza 2. Considrese un modelo de la forma:
y (k ) + 1 y (k 1) + 2 y (k 2) = u (k 1) + e(k )
a) Discutir qu tipo de seales de entrada se debe aplicar para realizar la identificacin.
b) Obtener por mnimos cuadrados las estimas de los parmetros de este modelo.
c) Estudiar si 1a y 1b cuando k.
Nota: El trmino e(k) en este modelo est indicando que no existe ruido correlacionado en el modelo. Luego a la
hora de realizar los clculos no hay que tener en cuenta este trmino.
10
SOLUCIONES
SOLUCIONES PROBLEMAS
TEMA 1: Modelos de sistemas continuos
Solucin problema 1.1

a) Para el sistema en la forma (1) la matriz de controlabilidad Mc es:
1
1 0 0
0 0
=
M c = [B | AB ] = |
1 0.4 1.3 1 1 1.3
El rango de Mc es 2 ya que |Mc|=-1, luego el sistema es de estado completamente controlable.
Por otra parte, la matriz de observabilidad es:
0.8 0 0.4 0.8 0.8 0.4
M o = C T | AT C T = |
=
1 1 1.3 1 1 0.5
El rango de Mo es 1 ya que |Mo|=0, luego el sistema es no observable.

b) Para el sistema en la forma (2) la matriz de controlabilidad Mc es:
0.8 0 0.4 0.8 0.8 0.4
=
M c = [B | AB ] = |
1 1 1.3 1 1 0.5
El rango de Mc es 1 ya que |Mc|=0, luego el sistema no es de estado completamente controlable.
1
1 0 0
0 0
M o = C T | AT C T = |
=
1 0.4 1.3 1 1 1.3
El rango de Mo es 2 ya que |Mo|=-1, luego el sistema es observable.

c) La diferencia aparente en la controlabilidad y la observabilidad del mismo sistema la provoca el
hecho de que el sistema original tiene una cancelacin de polos y ceros en la funcin de
transferencia asociada al sistema en la forma (1):
1
1 0
s
G ( s ) = C ( sI A) B = [0.8 1]
=
0.4 s + 1.3 1
s + 1.3 1 0
s + 0.8
1
= 2
=
[0.8 1]
s + 1.3s + 0.4
0.4 s 1 ( s + 0.8)( s + 0.5)
1
11
SOLUCIONES
Ntese que se obtendra la misma funcin de transferencia si se hubiese considerado el sistema en

la forma (2).
Si ocurre una cancelacin de polos y ceros en la funcin de transferencia, la controlabilidad y la
observabilidad varan, dependiendo de cmo se eligen las variables de estado. Recurdese que para
ser de estado completamente controlable y observable, la funcin de transferencia no debe tener
cancelaciones de polos ni ceros.

La matriz de controlabilidad del sistema es
0 1 0 2 0 4
M c = B | AB | A B = 1 0 2 0 4 0
0 1 3 1 9 1
El rango de Mc es 3 ya que
0 1 0
1 0 2 = 3
0 1 3
Luego el sistema es de estado completamente controlable.
( ) C
M o = C | A C | A
T
2 T
1 0 2 0 4 0
= 0 1 0 2 0 4
0 0 0 0 0 0
El rango de Mo es 2, luego el sistema es no completamente observable.

Finalmente, para analizar la controlabilidad de la salida hay que estudiar el rango de la siguiente
matriz
0 1 0 2 0 4 0 0
M cy = CB | C AB | C A 2 B | D =
1 0 2 0 4 0 0 0
El rango de Mcy es 2, luego el sistema es de salida completamente controlable.
12
SOLUCIONES

En primer lugar hay que comprobar que el sistema es de estado completamente controlable, ya que
slo en dicho caso podr realizarse una ubicacin arbitraria de polos. La matriz de controlabilidad
para este sistema es:
1 0 0 2
0 0
=
M c = [B | AB ] = |
2 2 3 2 2 6
El rango de Mc es 2, ya que |Mc|=-4, luego el sistema es de estado completamente controlable. Por
tanto es posible la ubicacin arbitraria de polos.
Para sistema de ordenes pequeos (n 3) una forma sencilla de calcular K es igualando la ecuacin
caracterstica en lazo cerrado sI ( A BK ) ,
s
sI ( A BK ) =
2 + 2K1
= s 2 + (3 + 2k 2 )s + ( 2 + 2k1 )
s + 3 + 2K 2
con la ecuacin caracterstica deseada:
( s + 3)( s + 5) = s 2 + 8s + 15
Por tanto,
3 + 2k 2 = 8
2 + 2k1 = 15
Resolviendo las ecuaciones anteriores se obtienen los elementos del vector de ganancias K
K = [ k1
k 2 ] = [6.5 2.5]
Asimismo, la seal de control u es:
x
u = K x = [6.5 2.5] 1
x2
13
SOLUCIONES

En primer lugar hay que comprobar la observabilidad del sistema, para ello se calcula la matriz de
observabilidad:
( ) C
M o = C | A C | A
T
2 T
1 0 0
= 0 1 0
0 0 1
Como |Mo|=1 el rango de Mo es 3, por lo tanto el sistema es de estado completamente observable y

es posible la determinacin de la matriz de ganancias del observador Ke.
a) Determinacin de Ke mediante sustitucin directa
Este mtodo consiste en igualar 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 + 3 ) = ( s + 2 j2 3 )( s + 2 + j2 3 )( s + 5) = s 3 + 9s 2 + 36s + 80
Desarrollando el lado izquierdo de la ecuacin anterior se obtiene:
1
0 k e1
s + k e1
s 0 0 0
0 s 0 0
0
1 + k e 2 [0 0 1] = k e 2

0 0 s 6 11 6 k e3
6 + k e3
1
s
11
0
1 =
s+6
= s 3 + ( k e1 + 6)s 2 + (6k e1 + k e 2 + 11)s + (11k e1 + 6k e 2 + k e3 + 6 )

Luego:
s 3 + ( k e1 + 6)s 2 + (6k e1 + k e 2 + 11)s + (11k e1 + 6k e 2 + k e3 + 6) = s 3 + 9s 2 + 36s + 80

Igualando los coeficientes de las mismas potencias se obtiene el siguiente sistema de ecuaciones:
k e1 + 6 = 9
6k e1 + k e 2 + 11 = 36
11k e1 + 6k e 2 + k e3 + 6 = 80
Resolviendo el sistema se obtiene
14
SOLUCIONES
k e1 3
K e = k e 2 = 7

k e3 1
a) Determinacin de Ke mediante la frmula de Ackerman
La frmula de Ackerman para la obtencin de Ke es:
K e = en M o1 ( AT )
Para aplicar esta frmula hay que calcular en primer lugar la inversa de la matriz de observabilidad:
1
o
1 0 0
= 0 1 0
0 0 1
1 0 0
= 0 1 0
0 0 1
La ecuacin caracterstica deseada para el observador es
c ( s ) = ( s + 1 )( s + 2 )( s + 3 ) = ( s + 2 j2 3 )( s + 2 + j2 3 )( s + 5) = s 3 + 9s 2 + 36s + 80
Por el Teorema de Caley-Hamilton se obtiene
( A) :
( A) = A3 + 9 A2 + 36 A + 80I
Y evalundola en AT:
( AT ) = (AT ) + 9(AT ) + 36(AT ) + 80I =

3
6
= 11
6
74
= 25
36 150 0 54 324 0 0 216 80 0 0

60 239 + 0 99 540 + 36 0 396 + 0 80 0

25 90 9 54 225 0 36 216 0 0 80
18 42
41 95
7
1
Luego sustituyendo en la frmula de Ackerman y operando se obtiene:
15
SOLUCIONES
T
3
1 0 0 74 18 42
K e = [0 0 1] 0 1 0 25 41 95 = 7

0
0
1
3
7
1

El vector de estado y las matrices A y B se pueden reescribir de la siguiente forma:
x1
x a

x = x 2 =
x x
3 b

|
1
0
0
Aab
|
Aaa
=
A =
0
|
0
1
Abb
|
Aba
|
11 6
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
O min = ab =
Aab Abb 0 1
sea de rango n-1=3-1=2. Efectivamente esto es as.
La ecuacin caracterstica deseada para el observador de orden mnimo es:
cmin ( s ) = ( s + 10 )( s + 10 ) = s 2 + 20s + 100 = 0

Luego
( Abb ) es:
16
(1.1)
SOLUCIONES
2
( Abb ) = Abb
1
1
0
0
1 0 89 14
+ 100
+ 20 Abb + 100I =
+ 20
11 6
11 6
0 1 154 5
Luego la matriz de ganancias del observador es:
K e = ( Abb ) M
min 1
o
T
n 1
89 14 1 0 0 14
=
=
154 5 0 1 1 5
17
SOLUCIONES
TEMA 2: Modelos de sistemas discretos

El sistema tiene la siguiente funcin de transferencia
G( z ) =
z +1
z + 1.3z + 0.4
G( z ) =
b0 z + b1
z + a1 z + a2
Comparando con la expresin:
Se obtiene:
b0 = 1, b1 = 1, a1 = 1.3, a2 = 0.4
a) Forma cannica controlable
1
1
0
0
0
0
xk + uk =
xk + u k
xk +1 =
1
0.4 1.3
1
a2 a1
y k = [b1 b0 ] xk = [1 1] xk
b) Forma cannica observable
1
0
g
xk +1 =
x k + 1 uk
a2 a1
g2
y k = [1 0] xk
Los elementos g1 y g2 provienen del desarrollo en serie de Laurent en el origen de G(z).
G ( z ) = g k z k = g 0 + g1 z 1 + g 2 z 2 + ...
1
(2.2)
k =0
En el caso de sistemas discretos este desarrollo se obtiene dividiendo de forma directa el numerador
y el denominador de la funcin de transferencia G(z-1), que en este caso es:
G ( z 1 ) =
z 1 + z 2
1 + 1.3 z 1 + 0.4z 2
18
SOLUCIONES
Dividiendo
z 1 +
1 + 1.3z 1 + 0.4z 2
z 2
z 1 1.3 z 2 0.4 z 3
0.3z 2 0.4 z 3
+ 0.3z 2 + 0.39 z 3 + 0.12z 4
0.01z 3 + 0.12z 4
z 1 0.3 z 2 +....
:
:
Se obtiene g1=1 y g2=-0.3, luego
1
1
0
xk +
xk +1 =
uk
0.3
0.4 1.3
y k = [1 0] xk
c) Forma cannica de Jordan
0
1
x k +1 = 1
x
+
k
1u k
0 2
y k = [ c1 c2 ] xk
Los coeficientes ci y los autovalores i i=1,2 se obtienen desarrollando en fracciones simples la
funcin de transferencia G(z):
G( z ) =
c
c
z +1
5/3
2/3
=
+
= 1 + 2
z + 1.3z + 0.4 z + 0.5 z + 0.8 z 1 z 2
2
Luego
0
1
0.5
x k + uk
x k +1 =
0.8
1
0
y k = [5 / 3 2 / 3] xk

a) Para el sistema considerado se tiene que
T 2 / 2
G=
1 T
F=
0 1
Si se define el vector de ganancias de realimentacin como
19
SOLUCIONES
K = [ k1
k2 ]
la ecuacin caracterstica en lazo cerrado es:
T2
zI ( F GK ) = z 1 + 2 k1
T k1
T2
2
2
T + k 2 = z 2 2 T k T k z + 1 + T k T k = 0
1
2
1
2
2
2
2
z 1 + T k 2
Asimismo, la ecuacin caracterstica deseada es
z2 = 0
Igualando los coeficientes de ambas ecuaciones caractersticas se obtienen las siguientes
ecuaciones:
T2
k1 T k 2 = 0
2
T2
1 + k1 T k 2 = 0
2
2
Resolviendo se obtiene:
k1 =
1
3
; k2 =
2
T
2T
Luego:
1
K= 2
T
3
2T
Aunque no lo pide el problema, a continuacin se va a demostrar que la respuesta a las condiciones

iniciales es con oscilaciones muertas. Suponga que el estado inicial es:
x1 (0) a
x (0 ) = b
2
La ecuacin con la realimentacin del estado es:
x(( k + 1)T ) = (F GK ) x( k T )
sustituyendo valores se obtiene
20
SOLUCIONES
1
x
k
T
((
1
)
)
+
2
1
x (( k + 1)T ) = 1

2
T
T
4 x1 ( k T )
1
x2 ( k T )
2
Se observa que
1
x1 (T ) 2
x (T ) = 1

2
T
T
1
(
0
)
x
4 1
= 2
1
1
x2 (0 )
2
T
1
x1 ( 2T ) 2
x ( 2T ) = 1

2
T
T
T
1
a + b
a
4
4
= 2
1 b 1
1

a b
T
2
2
T 1
T
a + b 0
4 2
4
=
1 1
1
a b 0
2 T
2
Por lo tanto, queda claro que la respuesta es con oscilaciones muertas.

b) En primer lugar se va a determinar u(kT)
1
u( k T ) = K x( k T ) = 2
T
3
x( K T )
2T
Por lo tanto:
1
u( 0 ) = 2
T
1
u(T ) = 2
T
a 3b
3 a
= 2
2T b
T
2T
T
1
3 2 a + 4 b a
b
= 2+
1
1
2T a b T
2T
T
2
En el enunciado se indica que a=1 y b=1, luego
u(0 ) =
1
3
2
T
2T
u(T ) =
1
1
+
2
T
2T
Para T=0.1 s se obtiene
u(0) = 115
u(T ) = u(0.1) = 105
Para T=1 s se obtiene
21
SOLUCIONES
u(0) = 2.5
u(T ) = u(1) = 1.5
Para T=10 s se obtiene
u(0) = 0.16
u(T ) = u(10 ) = 0.06
Se observa que para un valor pequeo del periodo de muestreo se hacen grandes u(0) y u(T). Al
aumentar el valor del periodo de muestreo T se reducen de forma significativa las magnitudes de u(0)
y de u(T).

Para la planta dada
A( z ) = z 2 + z + 0.16
B( z ) = 1
Por lo tanto a1=1, a2=0.16, b0=0, b1=0, b2=1. Para determinar (z) y (z), se debe resolver la siguiente
ecuacin Diofntica:
( z ) A( z ) + ( z )B( z ) = F ( z )H ( z ) = D( z )
Se tiene que
D( z ) = F ( z )H ( z ) = z( z 2 1.2z + 0.52 ) = z 3 1.2z 2 + 0.52z

Por lo tanto d0=1, d1=-1.2, d2=0.52, d3=0.
Adems
( z ) = 0 z + 1
( z ) = 0 z + 1
Para resolver la ecuacin Diofntica hay que resolver el sistema de ecuaciones:
EM = D
Donde E es la matriz de Sylvester E, que en este caso toma la forma
22
a 2
a
1
E=
1
b2
a2
a1
b1
b0
SOLUCIONES
0 0.16
0
b2 1
0.16
=
b1 1
1

b0 0
1
1 0
0 1
0 0
0 0
Asimismo el vector D es:
d 3 0
d 0.52
D = 2 =
d1 1.2

d 0 1
Luego el sistema a resolver es:
0
0.16
1
0.16
1
1
1
0
1 0 1 0
0 1 0 0.52
=
0 0 1 1. 2

0 0 0 1
Resolvindolo se obtiene: 1=-2.2, 0=1, 1=0.352 y 0=2.56

Luego
( z ) = z 2.2
( z ) = 2.56z + 0.352
La funcin de transferencia en lazo cerrado es:
Y ( z ) K 0 B ( z )
1
=
= K0 2
R( z )
H ( z)
z 1.2z + 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
K0
K
z 1
z
2
= 0 =1
z z 1.2 z + 0.52 z 1 0.32
Luego
K0 = 8
23
SOLUCIONES
Entonces la funcin de transferencia en lazo cerrado es:
Y ( z)
8
= 2
R( z ) z 1.2z + 0.52

En primer lugar hay que obtener la funcin de transferencia de la planta a partir de la representacin
mediante variables de estado:
1
0 0
z 1
1
G p ( z ) = C(zI F ) G = [0 1 0] 0
z
1 0

0.5 0.2 z 1.1 1

1
1
z
B( z )
z = 3
=
= [0 1 0] 3
2
2
z 1.1 z + 0.2 z + 0.5 2 z 1.1 z + 0.2 z + 0.5 A( z )
z
Luego:
A( z ) = z 3 1.1z 2 + 0.2z + 0.5

B( z ) = z
En consecuencia
a1 = 1.1, a2 = 0.2, a3 = 0.5

b0 = 0, b1 = 0, b2 = 1, b3 = 0
Por otra parte el polinomio caracterstico para el sistema completo es:
D( z ) = F ( z )H ( z ) = z 3 z 2 = z 5
Por lo tanto:
d 0 = 1, d1 = 0, d 2 = 0, d 3 = 0, d 4 = 0, d 5 = 0
Para determinar (z) y (z), se debe resolver la siguiente ecuacin Diofntica:
( z ) A( z ) + ( z )B( z ) = F ( z )H ( z ) = D( z )
Donde
24
SOLUCIONES
( z ) = 0 z 2 + 1 z + 2
( z ) = 0 z 2 + 1 z + 2
EM = D
a3
a
2
a
E= 1
1
0
0
a3
a2
a1
1
0
0
0
a3
a2
a1
1
b3
b2
b1
b0
0
0
0
b3
b2
b1
b0
0
0 0.5
0
0
0
0.2
0.5
0

b3 1.1 0.2
0.5
=
b2 1
1.1 0.2
b1 0
1.1
1

b0 0
0
1
d 5 0
d 0
4
d 0
D = 3 =
d 2 0
d1 0

d 0 1
0
0
0.5
0.2
0.5
0
1.1 0.2
0.5
1.1 0.2
1
0
1
1.1
0
1
0
0
1
0
0
0
0
0
0
1
0
0
0
0 2 0
0 1 0

0 0 0
=
1 2 0
0 1 0

0 0 1
Resolvindolo se obtiene: 2=-0, 1=1.1, 0=1, 2=-0.55, 1=-0.72, 0=1.01

Luego
( z ) = z 2 + 1.1z
( z ) = 1.01z 2 0.72 z 0.55
25
0
1
0
0
0
0
0
0
1
0
0
0
0
0
1
0
SOLUCIONES
Por lo tanto el controlador diseado es:
( z ) 1.01z 2 0.72z 0.55

=
( z)
z 2 + 1.1 z
K 0 ( z )B( z )
K ( z ) ( z ) K 0 ( z 2 + 1.1 z )z K 0 ( z + 1.1)
Y ( z)
=
= 0
=
=
R( z ) ( z ) A( z ) + ( z )B( z )
H ( z )F ( z )
z5
z3
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
z 1 K 0 ( z + 1.1) z
= 2.1K 0 = 1
z
z3
z 1
Luego
K 0 = 0.4762
Y ( z ) 0.4762( z + 1.1)
=
R( z )
z3

Para este problema la funcin de transferencia de la planta es:
G p ( z) =
z
B( z )
=
z 1.1 z + 0.2 z + 0.5 A( z )
3
La ecuacin diofntica para este problema es:
( z )( z 3 1.1z 2 + 0.2z + 0.5) + ( z )z = z 5

Esta ecuacin es la misma que fue resuelta en el problema 2.4, luego
( z ) = z 2 + 1.1z
( z ) = 1.01z 2 0.72 z 0.55
26
SOLUCIONES
Y ( z ) K 0 B ( z )
z K
=
= K 0 3 = 20
R( z )
H ( z)
z
z
Para determinar la ganancia 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
z 1 K0 z

= K0 = 1
z z2 z 1
Luego
K0 = 1
Y ( z) 1
=
R( z ) z 2

a) Para la planta dada
B ( z ) = z + 0.5
A( z ) = z 3 z 2 + 0.01z + 0.12
Por lo tanto a1=-1, a2=0.01, a3=0.12 b0=0, b1=0, b2=1, b3=0.5. Por otra parte, se observa que no
existen factores comunes entre A(z) y B(z). En este problema se puede seleccionar H1(z) como
H 1 ( z ) = z 2 1.2 z + 0.52
con el objetivo de cancelar una parte del denominador del modelo Gm(z). Conviene resaltar que esta
eleccin de H1(z) no es nica, de hecho existe una infinidad de elecciones posibles. El nico requisito
necesario es que H1(z) debe ser un polinomio estable de grado n-1 (en este problema n=3).
Por otra parte se define
H ( z ) = B( z )H 1 ( z ) = ( z + 0.5)( z 2 1.2 z + 0.52) = z 3 0.7z 2 0.08z + 0.26

Ahora se escoge a F(z) como
27
SOLUCIONES
F ( z) = z 2
Al igual que ocurra con H1(z), esta eleccin de F(z) no es nica, de hecho existe una infinidad de
elecciones posibles. El nico requisito necesario es que F(z) debe ser un polinomio estable de grado
n-1 (en este problema n=3).
Luego D(z) es:
D( z ) = F ( z )H ( z ) = z 5 0.7z 4 0.08z 3 + 0.26 z 2

Por lo tanto d0=1, d1=-0.7, d2=-0.08, d3=0.26, d4=0, d5=0.
Ahora se debe resolver la siguiente ecuacin Diofntica:
( z ) A( z ) + ( z )B( z ) = D( z )
Donde (z) y (z) son polinomios en z de segundo orden:
( z ) = 0 z 2 + 1 z + 0
( z ) = 0 z 2 + 1 z + 0
EM = D
a3
a
2
a
E= 1
1
0
0
a3
a2
a1
1
0
0
0
a3
a2
a1
1
b3
b2
b1
b0
0
0
0
b3
b2
b1
b0
0
0 0.12
0
0
0.5 0
0
0 0.01 0.12
0
1 0.5 0

b3 1 0.01 0.12 0
1 0.5
=
b2 1
1 0.01 0
0
1
b1 0
1
1
0
0
0

b0 0
0
1
0
0
0
28
SOLUCIONES
d 5 0
d 0
4
d 3 0.26
D= =
d 2 0.08
d1 0.7

d 0 1
0
0
0.5 0
0 2 0
0.12
0.01 0.12
0
1 0.5 0 1 0
1 0.01 0.12 0
1 0.5 0 0.26
1
1
0
.
01
0
0
1
2 0.08
0
1
0
0
0 1 0.7
1
0
1
0
0
0 0 1
0
Resolvindolo se obtiene: 2=-0.1, 1=0.3, 0=1, 2=0.024, 1=-0.118, 0=0.31
Luego
( z ) = z 2 + 0.3z 0.1
( z ) = 0.31z 2 0.118 z + 0.024
b) La funcin de transferencia Y(z)/V(z) es:
Y ( z)
F ( z )B( z )
1
1
=
=
= 2
V ( z ) F ( z )B ( z )H 1 ( z ) H 1 ( z ) z 1.2 z + 0.52
Puesto que:
V ( z)
(0.64 z 0.512 )( z 2 1.2 z + 0.52 ) 0.64z 0.512
= G m H 1 ( z ) =
=
R( z )
( z 2 1.2 z + 0.52 )( z 0.6)
z 0.6
Se tiene que la funcin de transferencia Y(z)/R(z) es
Y ( z ) Y ( z )V ( z )
1
0.64z 0.512
=
= 2
= Gm
R( z ) V ( z )R( z ) z 1.2 z + 0.52
z 0.6
29
SOLUCIONES
TEMA 3: Modelos de perturbaciones

Comparando las ecuaciones del proceso con la expresin general de un proceso lineal discreto
estocstico se obtiene:
0
0.4
F=
0.6 0.2
En primer lugar se va a calcular la incertidumbre en el estado P(k) que de acuerdo con el Teorema
3.1 viene dada por la ecuacin:
P (k + 1) = FP(k )F T + R1
Por simplificar la escritura se va a utilizar la siguiente notacin:
p (k )
P (k ) = 11
p 21 (k )
p12 (k ) e(k )
=
p 22 (k ) g (k )
f (k )
h(k )
Luego
e(k + 1)
g (k + 1)
f (k + 1) 0.4
0 e( k )
=
h(k + 1) 0.6 0.2 g (k )
f (k ) 0.4 0.6 1 0
+
0.2 0 2
h(k ) 0
Operando se obtiene:
e(k + 1)
g (k + 1)
f (k + 1)
0.16e(k ) + 1
0.24e(k ) + 0.08 f (k )
h(k + 1) 0.24e(k ) + 0.08g (k ) 0.36e(k ) 0.12g (k ) 0.12 f (k ) + 0.04h(k ) + 2
Por lo tanto para obtener las expresiones de e(k), f(k), g(k) y h(k) hay que resolver cuatro ecuaciones
en diferencias.
Se va a resolver en primer lugar la ecuacin en diferencias:
e(k + 1) = 0.16e(k ) + 1
Tomando la transformada Z se obtiene:
E ( z )z e(0)z = 0.16E ( z ) +
30
z
z 1
SOLUCIONES
Despejando E(z)
E( z) =
e(0)z
z
+
( z 0.16) ( z 1)( z 0.16)
y descomponiendo en fracciones simples el segundo termino se obtiene
1
0.16
0.84
e(0)z
E( z) =
+
+ 0.84
( z 0.16) z 0.16 z 1
Tomando la transformada Z inversa se obtiene:
1
1
k
e(k ) = e(0)0.16 k
0.16 +
0.84
0.84
k = 1, 2, 3, ...
Supuesto que e(k0)=e0, entonces:
1
1
k
e(k 0 ) = e0 = e(0)0.16 k0
0.16 0 +
0.84
0.84
Despejando el valor de e(0)
1 1
k
e(0) = e0 0.16 k0 +
0.16 0
0.84 0.84
Con lo que:
1
1
k k
e(k ) = e0 0.16 k k0
0.16 0 +
0.84
0.84
k = 1, 2, 3, ...
En el estacionario k0 entonces
e( k ) =
1
= 1.1905
0.84
Si se compara esta expresin con la expresin de E(z) se observa que e(k) en el estacionario
coincide con el coeficiente de la fraccin 1/(z-1).
Se va a resolver en segundo lugar la ecuacin en diferencias:
f (k + 1) = 0.24e(k ) + 0.08 f (k )
31
SOLUCIONES
Tomando la transformada Z
F ( z )z f (0)z = 0.24E ( z ) + 0.08F ( z )

y despejando F(z) se obtiene:
F ( z) =
f (0)z 0.24E ( z )
z 0.08 z 0.08
Sustituyendo el valor de E(z) calculado con anterioridad se obtiene la expresin
3
1 z
2
f (0)z
+
+
+
z 0.08 ( z 0.08)( z 0.16) ( z 0.08)( z 0.16) ( z 0.08)( z 1)
1 = 0.24e(0)
F ( z) =
0.16
0.84
0.24
3 =
0.84
2 = 0.24
Por otra parte como
ca d cb + d
c z + d
= ba + ba
( z a)( z b)
( z a)
( z b)
entonces descomponiendo en fracciones simples a F(z) se obtiene
F ( z) =
1
2 1
f (0)z
+
0.08 + 0.08 0.92 + 0.92
z 0.08 ( z 0.08) ( z 0.16) ( z 0.08) ( z 0.16) ( z 0.08) ( z 1)
Aplicando la transformada Z inversa se obtiene la siguiente expresin si k=1, 2, 3,...
f (k ) = f (0)0.08 k 1 0.08 k 1 + 2 1 0.16 k 1
2
0.08
0.08 k 1 +
2
0.08
0.16 k 1
3
0.92
0.08 k 1 +
3
0.92
Supuesto que f(k0)=f0 entonces
f (k ) = f (k 0 )0.08 k k0 1 0.08 k k0 1 + 2 1 0.16 k k0 1
2
0.08
0.08 k k0 1 +
En el estacionario k0 entonces
f (k ) =
3
0.92
0.24
= 0.3106
0.840.92
32
2
0.08
0.16 k k0 1
3
0.92
0.08 k k0 1 +
3
0.92
SOLUCIONES
Si se compara esta expresin con la expresin de F(z) se observa que f(k) en el estacionario coincide
con el coeficiente de la fraccin 1/(z-1).
Por analoga la ecuacin en diferencias
g (k + 1) = 0.24e(k ) + 0.08 g (k )
tiene la siguiente solucin en el estacionario:
g (k ) =
0.24
= 0.3106
0.840.92
Por ltimo queda resolver la ecuacin en diferencias
h(k + 1) = 0.36e(k ) 0.12g (k ) 0.12 f (k ) + 0.04h(k ) + 2

Tomando la transformada z
H ( z )z h(0)z = 0.36E ( z ) 0.12G ( z ) 0.12F ( z ) + 0.04H ( z ) +
2z
z 1
y despejando H(z) se obtiene:
H ( z) =
h(0)z
0.36E ( z ) 0.12G ( z ) 0.12F ( z )
2z
+
+
z 0.04 z 0.04
z 0.04
z 0.04 ( z 1)( z 0.04)
Sustituyendo las expresiones de E(z), F(z) y G(z) obtenidas con anterioridad se obtiene:
1
0.16
0.84
h(0)z
0.36 e(0)z
H ( z) =
+ 0.84
+
+
z 0.04 z 0.04 ( z 0.16) z 0.16 z 1
3
3
2
2
2 1
1
0.24
f (0)z
+
0.08 + 0.08 0.92 + 0.92
z 0.04 z 0.08 ( z 0.08) ( z 0.16) ( z 0.08) ( z 0.16) ( z 0.08) ( z 1)
2z
( z 1)( z 0.04)
Aunque se podra proceder como en los casos anteriores es ms sencillo usar la propiedad
observada con anterioridad: La solucin de h(k) en el estacionario ser el coeficiente de la fraccin
1/(z-1). Luego basta con quedarnos con los siguientes trminos de la expresin anterior
33
SOLUCIONES
0.36
0.24 3
2z
0.84
0.92
+
( z 0.04)( z 1) ( z 0.04)( z 1) ( z 1)( z 0.04)
Descomponiendo en fracciones simples y quedndose nicamente con los trminos 1/(z-1) se
obtiene
0.24 3
2
0.36
0.840.96 0.920.96 + 0.96
( z 1)
( z 1)
( z 1)
Luego
h( k ) =
0.24 3
0.36
2
1 0.36 0.24 3
+
=
+ 2 =
0.840.96 0.920.96 0.96 0.96 0.84

0.92
1 0.36
0.24 2
=
+
+ 2 = 2.6074
0.96 0.84 0.920.84
Luego P(k) en el estacionario es:
1.1905 0.3106
P(k ) =
0.3106 2.6074
Por otra parte, de acuerdo con el Teorema 3.1, la funcin de covarianza estacionaria del proceso rx()
viene dada por la ecuacin:
rx ( ) = F P(k ) 0
Operando se obtiene que
0
0.4
0
0.4
=
F =

0.6 0.2
b( ) 0.2
donde
1
b( ) =
0
.
6
0.4 j 0.2 j
j =0
Finalmente realizando un producto de matrices se obtiene:
34
=0
>0
SOLUCIONES
1.19050.4
rx ( ) =
1.1905b( ) 0.31060.2
0.31060.4
0
0.3106b( ) + 2.60740.2

Comparando las ecuaciones del proceso con la expresin general de un proceso lineal discreto
estocstico se obtiene:
a 0
F=
0 b
C = [1 1]
En primer lugar se va a calcular la incertidumbre en el estado P(k) que de acuerdo con el Teorema
3.1 viene dada por la ecuacin:
P (k + 1) = FP (k )F T + R1
P(0) = R0
Por simplificar la escritura se va a utilizar la siguiente notacin:
p (k )
P (k ) = 11
p 21 (k )
p12 (k ) e(k )
=
p 22 (k ) g (k )
f (k )
h(k )
Luego
e(k + 1)
g (k + 1)
f (k + 1) a 0 e(k )
=
h(k + 1) 0 b g (k )
f (k ) a 0 12
+
h(k ) 0 b 0
22
Operando se obtiene:
e(k + 1)
g (k + 1)
f (k + 1) a 2 e(k ) + 12
=
h(k + 1) ab g (k )
ab f (k )
b h(k ) + 22
2
Luego para obtener las expresiones de e(k), f(k), g(k) y h(k) hay que resolver cuatro ecuaciones en
diferencias.
Se va a resolver en primer lugar la ecuacin en diferencias:
e(k + 1) = a 2 e(k ) + 12
Tomando la transformada Z
35
SOLUCIONES
E ( z )z e(0)z = a 2 E ( z ) + 12
z
z 1
y despejando E(z) se obtiene:
E( z) =
e(0)z
z
+ 12
2
(z 1)( z a 2 )
(z a )
Descomponiendo en fracciones simples el segundo termino
a2
1
2
e(0)z
2 1 a
1 a2
+
+
E( z) =
1
2
z 1
(z a2 )
z a
y tomando la transformada Z inversa se obtiene:
e(k ) = e(0)a
2 k
12

2
1 a
2k 12
a +
2
1 a
k = 1, 2, 3, ...
Supuesto que e(k0)=e0, entonces:
2
e(k 0 ) = e0 = e(0)a 2k0 1 2
1 a
2k0 12
a +
2
1 a
Despejando el valor de e(0)
2
e(0) = e0 a 2k0 + 1 2
1 a
12

2
1 a
2 k 0
a
Con lo que:
e(k ) = e0 a
2( k k 0 )
12

2
1 a
2( k k0 ) 12
a
+
2
1 a
En el estacionario k0 si |a|<1 entonces
e( k ) =
12
1 a2
Por analoga, la ecuacin en diferencias
36
k = 1, 2, 3, ...
SOLUCIONES
h(k + 1) = b 2 h(k ) + 22
tiene como solucin en el estacionario a:
h( k ) =
22
1 b2
Por otra parte la ecuacin en diferencias:
f (k + 1) = ab f (k )
tiene como solucin
f (k ) = (ab )
k k0
En el estacionario k0 si |ab|<1 entonces f ( k ) = 0 .

Por analoga, la ecuacin en diferencias
g (k + 1) = abg (k )
tiene como solucin en el estacionario a g ( k ) = 0
Luego en el estacionario
12
2
P (k ) = 1 a
0
22
1 b 2
Por otra parte, de acuerdo con el Teorema 3.1 la funcin de covarianza del estado viene dada por:
rxx (k + , k ) = F P(k ),
Hay que calcular F,
1 0
a 0 2 a 2
=
F 0 =
F
,
0 b, F =
0 1
0 3 a 3
, F =
b2
0
Luego en el estacionario
37
( a )
0
=
F
,...,
b3
0
( b )
SOLUCIONES
(1) a 12
2
rx ( ) = 1 a

2
(1) b 2
1 b 2
0
Asimismo la funcin de covarianza de la salida viene dada por:
(1) a 12
2
ry ( ) = C rx ( )C T = [1 1] 1 a
1 (1) a 12 (1) b 22
+
=
(1) b 22 1
1 a2
1 b2
1 b 2
0
Para considerar adems la posibilidad de que pueda ser negativo, la expresin anterior se debe
escribir en la forma:
(1) a 12 (1) b 22
+
ry ( ) =
1 a2
1 b2
o equivalentemente
ry ( ) = (1) a c1 + (1) b c 2
donde
c1 =
12
c2 =
1 a2
22
1 b2
A continuacin hay que calcular la funcin de densidad espectral de la salida a travs de su

definicin:
y ( ) =
1
2
r ( k )e
k =
ik
Que se puede expresar equivalente en la forma:
y ( ) =
1
2
i
ik
ik
+
+
=
+
+
r
(
0
)
r
(
k
)
e
r
(
k
)
e
r
(
0
)
r
(
)
e
ry (k )e ik
y
y
y
y
2 y
=1
k =
k =1
k =1
Se van a calcular por separado cada uno de los trminos. Para =0 se tiene
ry (0) = c1 + c 2
38
SOLUCIONES
Para >0 se tiene
k =1
k =1
S1 = ry (k )e ik = (1) k a k c1 + (1) k b k c 2 e ik = c1 (1) k ae i

k =1
+ c 2 (1) k (be i )
k =1
Considerando de forma independiente los trminos pares de los impares es posible expresar la
ecuacin anterior en la forma:
S1 = c1 ae i
2k
k =1
+ c 2 (be i ) c1 (ae i )
2k
k =1
c 2 (be i )
2 k 1
k =1
2 k 1
k =1
S1 = c1 (a 2 e i 2 ) + c2 (b 2 e i 2 ) c1 a 1 e i (a 2 e i 2 ) c2 b 1 e i (b 2 e i 2 )
k
k =1
k =1
k =1
k =1
S1 = ( c1 c1 a 1 e i ) (a 2 e i 2 ) + (c2 c2 b 1 e i ) (b 2 e i 2 )
k
k =1
k =1
Se tienen series de progresiones geomtricas que poseen una expresin analtica para su suma, con
lo que
S1 = (c1 c1 a 1 e i )
a 2 e i 2
b 2 e i 2
1 i
(
c
c
e
)
+
2
2
1 a 2 e i 2
1 b 2 e i 2
a 2 c1 c1 ae i b 2 c 2 c 2 be i
S1 =
+
e i 2 a 2
e i 2 b 2
Para <0 se tiene
=1
=1
S 2 = ry ( )e i = (1) a c1 + (1) b c 2 e i
siguiendo un procedimiento de clculo similar al descrito con anterioridad se puede demostrar que:
a 2 c1 c1 ae i b 2 c 2 c 2 be i
S2 =
+
e i 2 a 2
e i 2 b 2
Luego la funcin de densidad espectral de la salida es:
a 2 c1 c1 ae i b 2 c 2 c 2 be i a 2 c1 c1 ae i b 2 c 2 c 2 be i
1
y ( ) =
+
+
+
c1 + c 2 +
2
e i 2 a 2
e i 2 b 2
e i 2 a 2
e i 2 b 2
39
SOLUCIONES
O equivalentemente
F ( z) =
1
2
a 2 c1 c1 a z 1 b 2 c 2 c 2 b z 1 a 2 c1 c1 az b 2 c 2 c 2 bz
c
c
+
+
+
+
+
1
2
z 2 a 2
z 2 b 2
z2 a2
z 2 b2
Sacando factor comn a c1 y c2,
F ( z) =
1
2
a (a z 1 ) a ( a z )
b(b z 1 ) b(b z )
1
c
+
+
+
+ 2
1
2 1 +
2
2
2
2
2
2
2
z
a
z
a
z
b
z
b
desarrollando los denominadores,
F ( z) =
1
2
a (a z 1 )
a(a z )
b(b z 1 )
b(b z )
+
+
+
+
+
c
1
c
1
1
2
1
1
1
1
( z b)( z + b) ( z b)( z + b)
( z a )( z + a ) ( z a )( z + a )
simplificando,
F ( z) =
F ( z) =
1
2
1
a
a
b
b
+ c 2 1 1
c1 1 1
+
2 ( z + a ) ( z + a )
(
z
b
)
+
(
z
b
)
( z 1 + a )( z + a ) a( z + a ) a( z 1 + a )
( z 1 + b)( z + b) b( z + b) b( z 1 + b)
+
c
1
2
( z 1 + a )( z + a )
( z 1 + b)( z + b)

F ( z) =
1
2
c1 (1 a 2 )
c 2 (1 b 2 )
+
1
1
( z + a )( z + a ) ( z + b)( z + b)
y dejando un denominador comn se llega a la siguiente expresin para la funcin de densidad

espectral:
1 c1 (1 a 2 )( z 1 + b)( z + b) + c 2 (1 b 2 )( z 1 + a )( z + a )
F ( z) =
2
( z 1 + a )( z + a )( z 1 + b)( z + b)
Se sabe del enunciado que la expresin del filtro H(z) que teniendo como entrada ruido blanco
genera la salida y cuya densidad espectral es F(z), es:
H ( z) =
z+c
( z + a)( z + b)
Por el teorema de factorizacin espectral se sabe que
40
SOLUCIONES
2 F ( z ) = H ( z )H ( z 1 )
y sustituyendo el valor de H(z) se tiene:
2 F ( z ) =
2 ( z + c )(z 1 + c )
( z + a)( z + b)( z 1 + a )( z 1 + b)
Comparando esta expresin con la funcin de densidad espectral obtenida con anterioridad se
obtiene la ecuacin
2 (z + c )(z 1 + c ) = c1 (1 a 2 )( z 1 + b)( z + b) + c 2 (1 b 2 )( z 1 + a)( z + a)

que es equivalente a:
2 ( z + c )(z 1 + c ) = 12 ( z + b)( z 1 + b) + 22 ( z + a)( z 1 + a)

Esta es la relacin pedida a partir de la cual es posible determinar y c

El proceso estocstico de este problema es similar al del Ejemplo 3.2 de los apuntes, por lo tanto la
funcin de covarianza estacionaria del estado es
rx ( ) =
r1 a
1 a2
y el valor medio del estado en el estacionario es 0. En este problema r1=1

Se va a calcular la funcin de covarianza estacionaria de la salida y:
ry ( ) = E[ y k + y k ] = E[( x k + + ek + )( x k + ek )] = E[ x k + x k ] + E[ x k + ek ] + E[ek + x k ] + E[ek + ek ] =
= rx ( ) + E[ax k + 1 ek ] + E[v k + 1 ek ] + E[ek + x k ] + re ( )

Como el estado es independiente del ruido blanco que afecta a la entrada entonces la expresin
anterior se reduce a
ry ( ) = rx ( ) + E[v k + 1 e k ] + re ( )
que de acuerdo con los datos del enunciado es equivalente a
41
SOLUCIONES
+ r2
2
1 a
a
+ r12
ry ( ) =
1 a2

a
1 a2
si
=0
si
=1
si
>1
A continuacin hay que calcular la funcin de densidad espectral de la salida a travs de su

definicin:
y ( ) =
1
2
r ( k )e
k =
ik
Que se puede expresar equivalente en la forma:
1 2
ik
i
i
r
(
k
)
e
r
(
1
)
e
r
(
0
)
r
(
1
)
e
ry (k )e ik =
+
+
+
y
y
y
y
2 k =
k =2
1
i
ik
i
i
=
ry ( )e + ry (1)e + ry (0) + ry (1)e ry (k )e =
2 = 2
k =2
1
a
a
i 1
a
i a
ik
i
e
r
e
r
r
e
e
=
+
+
+
+
+
+
+
12
2
12
2
2
2
2
2
1 a
1 a
1 a
2 = 2 1 a
k =2 1 a
k
1
i
=
+ 2 e i + 1 + 2 e i + b ae i
b ae
2 = 2
k =2
y ( ) =
donde
1
1 a2
1
+ r2
1 =
1 a2
a
+ r12
2 =
1 a2
b=
Puesto que se trata de series de progresiones geomtricas, entonces existe una expresin analitica
para su suma:
2
2
1
ae i
ae i
i
i
y ( ) =
+ 2 e + 1 + 2 e b
b
2 1 ae i
1 ae i
La expresin anterior es equivalente a:
42
F ( z) =
SOLUCIONES
ba 2
1 ba 2
1
z
z
+
+
+
2
1
2
( z a )z
2 ( z 1 a )z 1
Si se define
3 = ba 2
entonces:
F ( z) =
3
3
1
+
+ 2 ( z + z 1 ) + 1
1
1
2 ( z a )z
( z a )z
Dejando un denominador comn se obtiene la siguiente expresin:
F ( z) =
1 3 z( z a) + 3 z 1 ( z 1 a ) + 2 ( z + z 1 )( z 1 a )( z a ) + 1 ( z 1 a )( z a)
2
( z 1 a)( z a)
Se sabe del enunciado que la expresin del filtro H(z) que teniendo como entrada ruido blanco
genera la salida y cuya densidad espectral es F(z), es:
H ( z) =
zc
za
Por el teorema de factorizacin espectral se sabe que
2 F ( z ) = H ( z )H ( z 1 )
y sustituyendo el valor de H(z) se tiene:
2 F ( z ) =
2 ( z c )(z 1 c )
( z a)( z 1 a)
Comparando esta expresin con la expresin de F(z) calculada con anterioridad se obtiene la
siguiente ecuacin:
2 (z c )(z 1 c ) = 3 z( z a) + 3 z 1 ( z 1 a) + 2 ( z + z 1 )( z 1 a)( z a) + 1 ( z 1 a)( z a)

que es equivalente a
2 (1 + c 2 ) 2 c(z 1 + z ) = [ 3 a 3 ]( z 2 + z 2 ) + [a 3 + 2 (1 + a) a 1 ]( z + z 1 ) + [2a 2 + 1 (1 + a 2 )]
43
SOLUCIONES
Igualando los coeficientes asociados a las mismas potencias se obtiene el siguiente par de
ecuaciones:
2 (1 + c 2 ) = 1 (1 + a 2 ) 2a 2
2 c = a 3 2 (1 + a) + a 1
Que se pueden expresar equivalentemente en la forma:
2 (1 + c 2 ) = p1
2 c = p 2
donde
p1 = 1 (1 + a 2 ) 2a 2
p 2 = a 3 2 (1 + a) + a 1
Resolviendo este par de ecuaciones se obtiene como soluciones:
c=
p1
p12
1
2 p 2
4 p 22
p2
c
De estas cuatro soluciones solamente seran vlidas aquellas que fuesen reales y cumplan que |c|<1.

En primer lugar hay que determinar la expresin del filtro H(z) que excitado con la entrada e genera la
salida y, para ello hay que aplicar la transformada Z sobre la ecuacin en diferencias del enunciado:
Y ( z ) 0.7z 1 Y ( z ) = E ( z ) 0.5z 1 E ( z )
con lo que
H ( z) =
Y ( z ) z 0.5
=
E ( z ) z 0.7
En segundo lugar hay que determinar la expresin temporal de este filtro, es decir h(k), para ello hay
que aplicar la transformada Z inversa a la expresin H(z), con lo que se obtiene:
1
h( k ) =
k 1
0.2 0.7
44
si k = 0
si k = 1, 2, 3,...
SOLUCIONES
Por otra en el dominio temporal la relacin entre la entrada y la salida viene dada por la expresin:
y (k ) = h(n)e(k n)
n =0
Tomando valores medios
m y (k ) = E [ y (k )] = E h(n)e(k n) =
n =0
n =0
n =0
= h(n)E [e(k n)] = h(n)me (k n)

Supuesto que el ruido blanco de la entrada tiene valor medio 0, entonces el valor medio de la salida
tambin sera 0. Por lo tanto, de la definicin de covarianza se obtiene:
ry ( ) = E y (k + ) y T (k ) =
T

= E h(n)[e(k + n)] h(l )[e(k l )] =
l =0

n =0
= h(n)E e(k + n)e T (k l ) h T (l ) =

n =0 l =0
= h(n)re ( + l n)h T (l )
n =0 l =0
Desarrollando el sumatorio ms interno se obtiene:
n =0
n =0
n =0
ry ( ) = h(n)re ( + 0 n)h T (0) + h(n)re ( + 1 n)h T (1) + h(n)re ( + 2 n)h T (2) + ...
Puesto que la entrada de la entrada es ruido blanco su funcin de covarianza es no nula nicamente
cuando se evala en 0, y en dicho caso de acuerdo el enunciado vale 1, por ello dentro de cada
sumatorio solamente existe un trmino no nulo:
ry ( ) = h( )h T (0) + h( + 1)h T (1) + h( + 2)h T (2) + ....

La expresin anterior es equivalente a:
ry ( ) = h( + k )h T (k )
k =0
Y como se trata de un sistema escalar:
45
SOLUCIONES
ry ( ) = h( + k )h(k )
k =0
Si =0, entonces
k =0
k =1
k =1
ry (0) = h 2 (k ) = 1 + (0.2 0.7 k 1 ) 2 = 1 + 0.2 2 0.7 2 (0.7 2 ) k

Esta sumatoria es una progresin geomtrica de razn 0.72, que tiene una expresin analitica para su
suma, por lo tanto:
ry (0) = 1 + 0.2 2 0.7 2
0 .7 2
0.2 2
55
1
=
+
=
2
2
51
1 0.7
1 0.7
Si >0, entonces
ry ( ) = h( ) + h( + k )h (k ) = 0.2 0.7
T
k =1
= 0.2 0.7 1 + 0.2 2 0.7 2 0.7 0.7 2
+ 0.2 0.7 + k 1 0.2 0.7 k 1 =

k =1
= 0.2 0.7 1 + 0.2 2 0.7 2 0.7
k =1
= 0.2 0.7
0.7 2
=
1 0.7 2
0.2
0.2 0.7
0.2 2
130
+
=
+
0.7 =
0.7
2
2
357
1 0.7
0.7 1 0.7
2
Luego la funcin de covarianza de la salida es:
55
ry ( ) = 51
130
0.7
357
=0
0
La funcin de densidad espectral se puede calcular mediante la expresin dada por el teorema 3.3
y ( ) = H (e i )u ( )H T (e i )
Sustituyendo valores se obtiene:
(
(
)(
)(
1 e i 0.5 e i 0.5
y ( ) = i
2 e 0.7 e i 0.7
o equivalentemente
46
)
)
F ( z) =
SOLUCIONES
(
(
1 ( z 0.5) z 1 0.5
2 ( z 0.7 ) z 1 0.7
)
)

En primer lugar hay que determinar la expresin del filtro H(z) que excitado con la entrada e genera la
salida y, para ello hay que aplicar la transformada Z sobre la ecuacin en diferencias del enunciado:
Y ( z ) 1.5z 1 Y ( z ) + 0.7z 2 Y ( z ) = E ( z ) + 0.2z 1 E ( z )

con lo que
H ( z) =
Y ( z ) B( z )
z 2 + 0.2 z
=
= 2
E ( z ) A( z ) z 1.5 z 1 + 0.7
Si se supone que:
B( z ) = b0 z 2 + b1 z + b2
A( z ) = a 0 z 2 + a1 z + a 2
entonces b0=1, b1=0.2, b2=0, a0=1, a1=-1.5 y a2=0.7.
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
[ ]
Ey
B ( z )B ( z 1 ) dz
1
1
= ( )d = ( )e i d (e i ) =
i
2 i A( z ) A( z 1 ) z
Puesto que el orden del denominador es 2, se puede demostrar que en dicho caso la varianza viene
dada por la expresin:
[ ]
E y2 =
B0 a 0 e1 B1 a 0 a1 + B2 (a12 a 2 e1 )
a 0 [(a 02 a 22 )e1 (a 0 a1 a1 a 2 )a 1 ]
donde
47
SOLUCIONES
B0 = b02 + b12 + b22

B1 = 2(b0 b1 + b1 b2 )
B2 = 2b0 b2
e1 = a 0 + a 2
Sustituyendo los valores de los coeficientes de A y B en las expresiones anteriores se obtiene
B0 = 1.04, B1 = 0.4, B2 = 0, e1 = 1.7

y
[ ]
E y2 =
2.368 37
=
= 12.3333...
0.192 3
48
SOLUCIONES
TEMA 4: Estimacin ptima

Considerando que la ecuacin general de un proceso discreto es:
x k +1 = x k + u k + v k
y k = C x k + ek
se obtiene que para el proceso del problema =0.5, =0 y C=1.
La ganancia de Kalman en el estado estacionario es:
K e = PC T R2 + C PC T
donde
P = [ P PC T ( R2 + C PC T ) 1 C P ] T + R1
En este caso se trata de un sistema escalar luego:
Ke =
PC
r2 + C 2 P
2 r2 P
P 2 C 2
P = 2 P
+
r
=
+ r1
1
(r2 + C 2 P)
r2 + C 2 P
Expresando la ecuacin de la covarianza del error de estimacin como una ecuacin de segundo
orden:
Pr2 + C 2 P 2 = 2 r2 P + r1 r2 + r1 C 2 P
C 2 P 2 + (r2 2 r2 r1 C 2 ) P r1 r2 = 0
C 2 P 2 + [(1 2 )r2 r1 C 2 ]P r1 r2 = 0
y sustituyendo valores se obtiene:
P 2 + [0.75r2 r1 ]P r1 r2 = 0
49
SOLUCIONES
La solucin positiva de esta ecuacin es:
P=
r1 0.75r2 + (0.75r2 r1 ) 2 + 4r1 r2

2
Luego la ganancia de Kalman en el estado estacionario es:
r1 0.75r2 + (0.75r2 r1 ) 2 + 4r1 r2

P
K =
=
r2 +P r1 + 1.25r2 + (0.75r2 r1 ) 2 + 4r1 r2
e
Por otra se pide calcular el polo del filtro estacionario y compararlo con el del sistema. De forma
general, el sistema real viene dado por:
x k +1 = x k + u k + v k
Por su parte el estimador del sistema implementado por el filtro de Kalman viene dado por la
ecuacin:
x (k + 1 | k + 1) = x (k + 1 | k ) + K ke+1 [ y k +1 C x (k + 1 | k )]
donde:
x (k + 1 | k ) = x (k | k ) + u k
Sustituyendo x ( k + 1 | k ) en la expresin de x ( k + 1 | k + 1)
x (k + 1 | k + 1) = x (k | k ) + u k + K ke+1 [ y k +1 C x (k | k ) C u k ]
y reordenando trminos se obtiene:
x (k + 1 | k + 1) = [1 K ke+1 C ] x (k | k ) + [1 K ke+1 C ]u k + K ke+1 y k +1

Que en el estacionario toma la forma:
x (k + 1 | k + 1) = [1 K e C ] x (k | k ) + [1 K e C ]u k + K ke+1 y k +1
Para este problema, el sistema real es:
x k +1 = 0.5x k + v k
50
SOLUCIONES
cuyo polo es z=0.5.

Mientras que el estimador en el estado estacionario es
x (k + 1 | k + 1) = [1 K e ]0.5 x (k | k ) + K e y k +1
cuyo polo es
z = [1 K e ]0.5
Es decir el polo del estimador en el estado estacionario modifica el polo del sistema real con un factor
[1 K e ] .

Comparando la expresin del enunciado con la ecuacin general de un proceso discreto
x k +1 = x k + u k + wk
y k = C x k + ek
donde
wk = v k
se obtiene que
1 1
0.5
0
=
= =
0 1
1
1
C = [0 1]
Por otra parte la varianza de wk es:
0 0
0
T
T
T
R1 = E[ wk wk ] = E[v k v k T ] = E[v k v k ] T = r1 T = r1 [0 1] =
1
0 r1
Por otra parte como ek es 0 para este sistema, entonces R2=0;
Las ecuaciones de la matriz de covarianza del error de estimacin y del vector de ganancias del filtro
de Kalman son:
P (k + 1 | k ) = P(k | k ) T + R1
51
SOLUCIONES
K ke+1 = P(k + 1 | k )C T R2 + C P(k + 1 | k )C T
P (k + 1 | k + 1) = P (k + 1 | k ) K ke+1 C P(k + 1 | k )
Sustituyendo valores se obtiene:
1 1
1 0 0 0
P (k + 1 | k ) =
P(k | k )
+
0 1
1 1 0 r1
e
k +1
0
0
= P(k + 1 | k ) [0 1]P(k + 1 | k )
1
1
P (k + 1 | k + 1) = P(k + 1 | k ) K ke+1 [0 1]P(k + 1 | k )

Considerando la siguiente notacin
p12 (k )
p 22 (k )
p (k )
P (k | k ) = 11
p 21 (k )
p (k + 1)
P (k + 1 | k + 1) = 11
p 21 (k + 1)
p12 (k + 1)
p 22 (k + 1)
Entonces operando se obtienen las ecuaciones buscadas
p (k ) + p 21 (k ) + p12 (k ) + p 22 (k ) p12 (k ) + p 22 (k )
P (k + 1 | k ) = 11
p 21 (k ) + p 22 (k )
p 22 (k ) + r1
e
k +1
p (k) + p 22 (k)
= 12
1
p 22 (k) + r1
p11 (k + 1) = p11 (k ) + p 21 (k ) + p12 (k ) + p 22 (k )
(p12 (k ) + p 22 (k )) (p 21 (k ) + p 22 (k ))
(p 22 (k ) + r1 )
p12 (k + 1) = p 21 (k + 1) = p 22 (k + 1) = 0
52
SOLUCIONES

Este problema es anlogo al anterior pero ahora R2=2, en consecuencia las ecuaciones de la matriz
de covarianza del error de estimacin y del vector de ganancias del filtro de Kalman ahora son:
1 1
1 0 0 0
P(k | k )
P (k + 1 | k ) =
+
0 1
1 1 0 r1
e
k +1
0
0
= P(k + 1 | k ) 2 + [0 1]P(k + 1 | k )
1
1
P (k + 1 | k + 1) = P(k + 1 | k ) K ke+1 [0 1]P(k + 1 | k )

Luego operando se obtienen las ecuaciones buscadas:
p (k ) + p 21 (k ) + p12 (k ) + p 22 (k ) p12 (k ) + p 22 (k )
P (k + 1 | k ) = 11
p 21 (k ) + p22(k )
p 22 (k ) + r1
e
k +1
p (k) + p 22 (k)
= 12
2
p 22 (k) + r1 +
p 22 (k) + r1
p 22 (k) + r1 + 2
p11 (k + 1) = p11 (k ) + p 21 (k ) + p12 (k ) + p 22 (k )
(p12 (k ) + p 22 (k )) (p 21 (k ) + p 22 (k ))
(p 22 (k ) + r1 + 2 )
p12 (k + 1) = p12 (k ) + p 22 (k )
(p12 (k ) + p 22 (k )) (p 22 (k ) + r1 )
(p 22 (k ) + r1 + 2 )
p 21 (k + 1) = p 21 (k ) + p 22 (k )
(p 21 (k ) + p 22 (k )) (p 22 (k ) + r1 )
(p 22 (k ) + r1 + 2 )
p 22 (k + 1) = p 22 (k ) + r1
(p 22 (k ) + r1 ) 2
(p 22 (k ) + r1 + 2 )
53
SOLUCIONES

Puesto que el estado inicial x(0) se conoce perfectamente, eso significa que la matriz de covarianza
del error de estimacin en el instante inicial k=0 es:
0 0
P (0 | 0) =
0 0
De acuerdo con las ecuaciones del filtro de Kalman:
0 0
P (1 | 0) = P(0 | 0) Y + R1 = R1 =
0 r1
0
0
K = P(1 | 0) [0 1]P(1 | 0)
1
1
e
1
0
=
1
0 0
P (1 | 1) = P(1 | 0) K 1e [0 1]P(1 | 0) =
0 0
Con lo que se deduce que en cualquier instante k se tendr:
0 0
P (k | k ) =
0 0
0
K ke+1 = K e =
1
Por otra parte el estimador del sistema implementado por el filtro de Kalman viene dado por la
ecuacin:
x (k + 1 | k + 1) = x (k + 1 | k ) + K ke+1 [ y k +1 C x (k + 1 | k )]
donde:
x (k + 1 | k ) = x (k | k ) + u k
Sustituyendo x ( k + 1 | k ) en la expresin de x ( k + 1 | k + 1) :
x (k + 1 | k + 1) = x (k | k ) + u k + K ke+1 [ y k +1 C x (k | k ) C u k ]
54
SOLUCIONES
y reordenando trminos se obtiene:
x (k + 1 | k + 1) = [ I K ke+1 C ] x (k | k ) + [ I K ke+1 C ]u k + K ke+1 y k +1

Que se puede escribir de forma equivalente como:
x (k + 1 | k + 1) = A x (k | k ) + Bu k + K ke+1 y k +1
donde
A = [ I K ke+1 C ]
B = [ I K ke+1 C ]
Para este sistema la ganancia de Kalman es constante, luego
x (k + 1 | k + 1) = A x (k | k ) + Bu k + K e y k +1
En el instante k+2 el estimador es:
x (k + 2 | k + 2) = A x (k + 1 | k + 1) + Bu k +1 + K e y k + 2
Sustituyendo en la ecuacin anterior la expresin del estimador en k+1 y operando se obtiene:
x (k + 2 | k + 2) = A 2 x (k | k ) + ABu k + AK e y k +1 + Bu k +1 + K e y k + 2
En el instante k+3 el estimador es:
x (k + 3 | k + 3) = Ax (k + 2 | k + 2) + Bu k + 2 + K e y k +3
Sustituyendo en la ecuacin anterior la expresin del estimador en k+2 y operando se obtiene:
x (k + 3 | k + 3) = A 3 x (k | k ) + A 2 Bu k + A 2 K e y k +1 + ABu k +1 + AK e y k + 2 + Bu k + 2 + K e y k + 3
Reordenando trminos se obtiene:
x (k + 3 | k + 3) = A 3 x (k | k ) + [ A 2 Bu k + ABu k +1 + Bu k + 2 ] + [ A 2 K e y k +1 + AK e y k + 2 + K e y k +3 ]
Por tanto se ha conseguido expresar el estimador en el instante k+3 en funcin de: el estimador en el
instante k, las seales de control en los instantes k, k+1 y k+2, y las salidas medidas en los instantes
k+1, k+2 y k+3.
55
SOLUCIONES
Para el sistema del problema las matrices A y B toman los siguientes valores:
0.5
1 1
A=
B=
0
0 0
Adems se puede comprobar que
An = A
n = 1, 2, 3,...
que
AB = B
y que
1
AK e = = D
0
Luego el estimador en el instante k+3 para este sistema toma la expresin:
x (k + 3 | k + 3) = A x (k | k ) + [ Bu k + Bu k +1 + Bu k + 2 ] + [ D y k +1 + D y k + 2 + K e y k +3 ]
0
1
0.5
1 1
x (k + 3 | k + 3) =
x (k | k ) + (u k + u k +1 + u k + 2 ) + ( y k +1 + y k + 2 ) + y k +3
1
0
0
0 0
56
SOLUCIONES
TEMA 5: Identificacin

a) El proceso a identificar es:
y (t ) = 0.8 y (t 1) + u(t 1) + e(t ) 0.8e(t 1)

El modelo que se considera para la identificacin es:
y (t ) = a y (t 1) + bu(t 1)
En este caso:
T (t ) = [ y (t 1) u(t 1)], =
b

Para construir la ecuacin normal hay que hacer las siguientes multiplicaciones de matrices
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 )
que se pueden expresar en la forma:
t
t
2
(
1
)
y
i
y (i 1)u (i 1)
i =1
T = t i =1
t
2
y (i 1)u (i 1)
u (i 1)
i =1
i =1
57
tx1
SOLUCIONES
y (i ) y (i 1)
T Y = ti =1
y (i )u (i 1)

i =1
Luego la ecuacin normal es:
t
t
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
Resolviendo el sistema de ecuaciones se obtienen las estimas 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
b) 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:
1 t
1 t 2
1 t
y
(
i
)
y
(
i
)
u
(
i
)
y (i) y (i 1)
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 i =1
i =1
t i =1
Si t , entonces se obtiene
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 )]
58
(1)
SOLUCIONES
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(t ) 2 ] = 1
E [u(t ) 2 ] = 1
Adems como el valor actual de e o de u es independiente del valor pasado de la salida y, se cumple:
E[ y (t 1)u (t )] = 0
E[ y (t 1)e(t )] = 0
Teniendo en cuenta toda esta informacin, en primer lugar, se va a calcular E[ y (t )u (t )] :
E[ y (t )u(t )] = E [( 0.8 y (t 1) + u(t 1) + e(t ) 0.8e(t 1))u(t )] =

= E[0.8 y (t 1)u(t )] + E [u(t 1)u(t )] + E[ e(t )u(t )] + E[ 0.8e(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[( 0.8 y (t 1) + u(t 1) + e(t ) 0.8e(t 1))u(t 1)] =

= E[0.8 y (t 1)u(t 1)] + E[u(t 1)u(t 1)] + E[ e(t )u(t 1)] + E[ 0.8e(t 1)u(t 1)] =
= 0 +1 + 0 + 0 = 1
2
En tercer lugar se va a calcular E[ y (t ) ]
E[ y (t ) 2 ] = E[( 0.8 y (t 1) + u(t 1) + e(t ) 0.8e(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 ] = 0.64E[ y 2 (t 1)] 1.28E[ e(t 1) y (t 1)] + E[u 2 (t 1)] +

+ E[ e 2 (t )] + 0.64E[ e 2 (t 1)]
Se observa que para poder obtener E[ y (t ) ] se requiere calcular E[e(t 1) y (t 1)] :
2
59
(2)
SOLUCIONES
E[ y (t 1)e(t 1)] = E [( 0.8 y (t 2) + u(t 2) + e(t 1) 0.8e(t 2))e(t 1)] =

= E[0.8 y (t 2)e(t 1)] + E[u(t 2)e(t 1)] + E[ e(t 1)e(t 1)] + E [ 0.8e(t 2)e(t 1)] =
= 0 + 0 +1 + 0 = 1
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 ] = 1
E[ e(t 1) 2 ] E[ e(t ) 2 ] = 1
entonces la ecuacin (2) toma la forma
E[ y(t ) 2 ] = 0.64E[ y (t ) 2 ] 1.28 + 1 + 1 + 0.64 = 0.64E[ y (t ) 2 ] + 1.36

2
Luego, despejando E[ y (t ) ] se obtiene:
E [ y 2 (t )] =
1.36
= 3.78
0.36
Finalmente se va a calcular E[ y (t ) y (t 1)]
E[ y (t ) y (t 1)] = E[( 0.8 y (t 1) + u(t 1) + e(t ) 0.8e(t 1)) y (t 1)] =

= E[0.8 y (t 1) y (t 1)] + E [u(t 1) y (t 1)] + E[ e(t ) y (t 1)] + E[ 0.8e(t 1) y (t 1)] =
= 0.8E [ y (t ) 2 ] + 0 + 0 0.8 =
= 0.83.78 0.8 = 2.22
Por lo tanto, la ecuacin normal toma la forma:
3.78 0 a 2.22
=
0
1 b 1
Resolvindola se obtienen las siguientes estimas:
a = 0.59
b =1
Solamente el parmetro b=1 coincide con el parmetro real b0=1. Por su parte el parmetro a=0.59
difiere del parmetro real a0=0.8 debido a la existencia de ruido correlacionado que hace que la
estima est polarizada.
c) Si es posible, para ello se deben utilizar otros mtodos de estimacin como el mtodo de los
60
SOLUCIONES
mnimos cuadrados extendidos, el algoritmo de mxima verosimilitud o el mtodo de la variable

instrumental.

a) El proceso a identificar es:
y (t ) = ay (t 1) + u (t ) + e(t )
donde e(t) es ruido gaussiano independiente.
y (t ) = y (t 1) + u (t 1)
En este caso:

T (t ) = [ y (t 1) u (t 1)], =
1

Para construir la ecuacin normal hay que hacer las siguientes multiplicaciones de matrices
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
t
t
(
1
)
y
i
y (i 1)u (i 1)
i =1
T = t i =1
t
2
y (i 1)u (i 1)
u (i 1)
i =1
i =1
61
SOLUCIONES
y (i ) y (i 1)
T Y = ti =1
y (i )u (i 1)

i =1
t
t
y
(
i
1
)
y
(
i
1
)
u
(
i
1
)
y (i ) y (i 1)
i =1
t i =1
= ti =1
t
1
2
y (i 1)u (i 1)
u (i 1)
y (i )u (i 1)
i =1
i =1
i =1
Despejando se obtiene:
t
y(i 1)u (i 1) y(i) y(i 1)

i =1
i =1
(1)
(i 1)
i =1
b) Multiplicando el nmerador y el denominador de (1) 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 (1) si t se puede expresar en la forma:
E[ y (t 1)u(t 1)] E[ y (t ) y (t 1)]

E[ y 2 (t )]
(2)
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(t ) 2 ] = 2
E[u (t ) 2 ] = 2
Adems como el valor actual de e o de u es independiente del valor pasado de la salida y, se cumple:
62
SOLUCIONES
E[ y (t 1)u (t )] = 0
E[ y (t 1)e(t )] = 0
E[ y (t )u (t )] = E[( a y (t 1) + u (t ) + e(t ))u (t )] =

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

Asimismo si se consideran las siguientes aproximaciones:
E[ y (t 1) 2 ] E[ y (t ) 2 ]
entonces la ecuacin (3) toma la forma
E[ y (t ) 2 ] = a 2 E[ y 2 (t )] +E[u 2 (t )] + E[e 2 (t )]
2
Luego, despejando E[ y (t ) ] se obtiene:
E[ y (t )] =
2
2 + 2
1 a2
Finalmente se va a calcular E[ y (t ) y (t 1)]
E[ y (t ) y (t 1)] = E[(a y (t 1) + u (t ) + e(t )) y (t 1)] =

= E[a y (t 1) y (t 1)] + E[u (t ) y (t 1)] + E[e(t ) y (t 1)] =
= aE[ y (t ) 2 ]
a2 + a 2
=
1 a2
Por lo tanto, la ecuacin (2) toma la forma:
63
(3)
SOLUCIONES
2 a
=
2 + 2
1 a2
2 + 2
1 a2
Desarrollando y simplificando se obtiene
(1 + a)2
2 + 2
Luego se observa que cuando t la estima del parmetro no tiende al parmetro real a.

y (t ) = ay (t 1) + bu (t 1)
En este caso:
T (t ) = [ y (t 1) u (t 1)], =
b

Para construir la ecuacin normal
)
( T ) = T Y
hay que hacer las siguientes multiplicaciones de matrices
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)
64
u (1 1)
u (i 1)
u (t 1) tx1
SOLUCIONES
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

t
t
2
(
1
)
y
i
y (i 1)u (i 1)
i =1
T = t i =1
t
2
y (i 1)u (i 1)
u (i 1)

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

i =1
t
t
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
Sustituyendo la ley de control u(t ) = K y (t ) en la ecuacin normal se obtiene:

t
1 k a
1
2
y (i ) y (i 1)
(
1
)
y
i
k k 2 b
i =1
i =1

k
t
Se observa que la matriz es no singular ya que su determinante es

T
1 k
=0
k k2
Luego los parmetros de este modelo en lazo cerrado no se pueden identificar de forma nica.
65
SOLUCIONES

a) Puesto que hay que estimar dos parmetros en el modelo la seal de entrada que se utilice en el
proceso de identificacin debe poseer un grado 2 de excitacin persistente (EP) mayor o igual a 2.
As seales validas seran una sinusoide, una suma de sinusoides, una seal PRBS, ruido blanco, ...
b) El modelo que se considera para la identificacin es:
y (t ) = 1 y (t 1) 2 y (t 2 ) + u(t 1)
En este caso:
1
(t ) = [ y(t 1) y (t 2) u(t 1)], = 2

1
T
Para construir la ecuacin normal (5.5) hay que hacer las siguientes multiplicaciones de matrices
0
u(1 1)
y (1 1)
y (1 1) y ( 2 1) y (t 1)
y ( 2 1) y ( 2 2) u( 2 1)
T =
y ( 2 2) y (t 2)
0
:
:
:
u(1 1)
u( 2 1) u(t 1)
y (t 1) y (t 2) u(t 1)
y (1 1) y ( 2 1) y (t 1) y (1)
Y =
0
y ( 2 2 ) y (t 2 ) :
u( 2 1) u(t 1) y (t )
u(1 1)
T

t
t
t
y
i
y
i
y
i
y (i 1)u(i 1)
(
1
)
(
1
)
(
2
)
i =1
i =1
t i =1
t
t
T
2
= y (i 1) y (i 2)
y (i 2 )u(i 1)
y (i 2 )
i =1
i =1
i =1
t
t
t
u
i
(
1
)
y (i 1)u(i 1) y (i 2 )u(i 1)
i =1
i =1
i =1
66
SOLUCIONES
t
y (i ) y (i 1)
i t=1
T
Y = y (i ) y (i 2 )
i =1
t
y (i )u(i 1)
i =1
t
t
t
2
y
i
y
i
y
i
y
i
u
i
(
1
)
(
1
)
(
2
)
(
1
)
(
1
)
y(i ) y(i 1)
i =1
i =1
1 i t=1
t i =1
t
t
2
y(i 1) y(i 2)
y (i 2 )
y(i 2)u(i 1) 2 = y(i ) y(i 2) (1)
i =1
i =1
i =1
i =1
1 t
t
t
u 2 (i 1)
y(i )u(i 1)
y(i 1)u(i 1) y(i 2)u(i 1)
i =1
i =1
i =1
i =1
La estima de mnimos cuadrados de los parmetros 1 y 2 del modelo se obtendra resolviendo el

siguiente sistema de ecuaciones derivado de la ecuacin normal:
t
t
t 2
y
(
i
1
)
+
y
(
i
1
)
y
(
i
2
)
y
(
i
1
)
u
(
i
1
)
=
y (i ) y (i 1)
1
2
i =1
i =1
i =1
i =1
t
t
t
t 2
y
(
i
1
)
y
(
i
2
)
+
y
(
i
2
)
y
(
i
2
)
u
(
i
1
)
=
y (i ) y (i 2 )
1
2
i =1
i =1
i =1
i =1
(2)
Si se definen las siguientes variables

t
s1 = y 2 (i 1)
i =1
t
s 5 = y 2 (i 2 )
i =1
s2 = y (i 1) y (i 2)
i =1
i =1
s3 = y (i 1)u(i 1) s4 = y (i ) y (i 1)
i =1
t
s6 = y (i 2)u(i 1)
s7 = y (i ) y (i 2)
i =1
i =1
El sistema de ecuaciones se puede expresar en la forma
s1 1 + s2 2 s3 = s4
s2 1 + s5 2 s6 = s7
s1 1 + s2 2 = s3 s4
s2 1 + s5 2 = s6 s7
Y resolviendo el sistema se obtienen las siguientes expresiones:
1 =
s5 ( s3 s4 ) s2 ( s6 s7 )
s1 s5 s22
67
2 =
SOLUCIONES
s2 ( s3 s4 ) + s1 ( s6 s7 )
s1 s5 s22
b) Multiplicando ambos miembros de la ecuacin (2) por 1/t y haciendo la aproximacin:
1 t 2
1 t 2
x (i 1) x (i )
t i =1
t i =1
la ecuacin normal se puede expresar en la forma:
t
t
t 2
t
y
(
i
)
+
y
(
i
)
y
(
i
1
)
y
(
i
)
u
(
i
)
=
y (i ) y (i 1)
1
2
i =1
i =1
i =1
i =1
t
t
t
t 2
y
(
i
)
y
(
i
1
)
+
y
(
i
1
)
y
(
i
1
)
u
(
i
)
=
y (i ) y (i 2)
1
2
i =1
i =1
i =1
i =1
Si t , entonces se obtiene
E[ y 2 (t )]1 + E[ y (t ) y (t 1)] 2 E[ y (t )u(t )] = E[ y (t ) y (t 1)]

E[ y (t ) y (t 1)]1 + E[ y 2 (t 1)] 2 E[ y (t 1)u(t )] = E[ y (t ) y (t 2)]
(3)
E[e(t )e(t 1)] = 0

E[u (t )u (t 1)] = 0
E[e(t )u (t )] = 0
Por otra parte, supuesto que tanto la perturbacin e como la salida u son ruido blanco
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
Asimismo se consideran las siguientes aproximaciones:
68
SOLUCIONES
E[ y(t 1) 2 ] 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
E[ y(t 1) y (t 2)] E[ y (t ) y (t 1)]
E[ y (t )u(t )] = E[( a y (t 1) b y (t 2) + u(t ) + e(t ))u(t )] =

= E [ a y (t 1)u(t )] + E[ b y (t 2)u(t )] + E[u 2 (t )] + E[ e(t )u(t )] =
= 0 + 0 + 2 + 0 = 2
2
En segundo lugar se va a calcular E[ y (t ) ]
E[ y (t ) 2 ] = E[( a y (t 1) b y (t 2) + u(t ) + e(t )) 2 ]

E[ y (t ) 2 ] = a 2 E[ y 2 (t 1)] + 2a bE [ y (t 1) y (t 2 )] + b 2 E[ y 2 (t 2 )] + E[u 2 (t )] + E[ e 2 (t )]
Que se puede expresar equivalentemente en la forma:
E[ y (t ) 2 ] = a 2 E[ y 2 (t )] + 2abE[ y (t ) y (t 1)] + b 2 E[ y 2 (t )] + 2 + 2
2
Despejando E [ y (t ) ] se obtiene:
E [ y (t ) 2 ] =
2abE[ y (t ) y (t 1)] + 2 + 2
1 a2 b2
(4)
En tercer lugar se requiere calcular E [ y (t ) y (t 1)] :
E[ y (t ) y (t 1)] = E[( a y (t 1) b y (t 2) + u(t ) + e(t )) y (t 1)] =

= E [ a y 2 (t 1)] + E[ b y (t 2) y (t 1)] + E[u(t ) y (t 1)] + E [ e(t ) y (t 1)] =
= aE[ y (t ) 2 ] bE[ y (t ) y (t 1)] + 0 + 0
Despejando E [ y (t ) y (t 1)] se obtiene:
E[ y (t ) y (t 1)] =
69
aE [ y (t ) 2 ]
1+ b
(5)
SOLUCIONES
A partir de (4) y (5) es posible obtener las siguientes expresiones para E[ y (t ) ] y E [ y (t ) y (t 1)]
2
E [ y (t ) 2 ] =
(1 + b )(2 + 2 )
(1 a 2 b 2 )(1 + b ) + 2a 2 b
a(2 + 2 )
E[ y (t ) y (t 1)] =
(1 a 2 b 2 )(1 + b) + 2a 2 b
En cuarto lugar se requiere calcular E [ y (t ) y (t 2)] :
E[ y (t ) y (t 2)] = E[( a y (t 1) b y (t 2) + u(t ) + e(t )) y (t 2)] =

= E [ a y (t 1) y (t 2)] + E [ b y 2 (t 2)] + E[u(t ) y (t 2)] + E[ e(t ) y (t 2)] =
= aE [ y (t ) 2 ] bE[ y (t ) y (t 1)] + 0 + 0
= a
=
(1 + b)(2 + 2 )
a(2 + 2 )
b
(1 a 2 b 2 )(1 + b) + 2a 2 b
(1 a 2 b 2 )(1 + b) + 2a 2 b
a ( 2 + 2 )
a(2 + 2 ) ab(2 + 2 ) + ab(2 + 2 )
= E[ y (t ) y (t 1)]
=
(1 a 2 b 2 )(1 + b) + 2a 2 b
(1 a 2 b 2 )(1 + b) + 2a 2 b
Por lo tanto, la ecuacin normal toma la forma:
E[ y 2 (t )]1 + E[ y (t ) y (t 1)] 2 E [ y (t )u(t )] = E[ y (t ) y (t 1)]

E[ y (t ) y (t 1)]1 + E[ y 2 (t )] 2 = E [ y (t ) y (t 1)]
Si se definen las siguientes variables
s1 = E[ y 2 (t )] =
(1 + b)(2 + 2 )
(1 a 2 b 2 )(1 + b ) + 2a 2 b
s2 = E[ y (t ) y (t 1)] =
a(2 + 2 )
(1 a 2 b 2 )(1 + b) + 2a 2 b
s3 = E[ y (t )u(t )] = 2
D = (1 a 2 b 2 )(1 + b ) + 2a 2 b
El sistema de ecuaciones se puede expresar en la forma
s1 1 + s2 2 = s3 s2
s2 1 + s1 2 = s2
Y resolviendo el sistema se obtienen las siguientes expresiones:
70
(3)
1 =
2 =
SOLUCIONES
s1 s3 s1 s2 + s22
s12 s22
s2 s3 s1 s2 + s22
s12 s22
Deshaciendo el cambio de variables y operando se obtienen las siguientes expresiones:
(1 + b )2 [(1 a 2 b 2 )(1 + b ) + 2a 2 b] a + ab + a 2
1 =
+
[(1 + b ) 2 a 2 ](2 + 2 )
(1 + b ) 2 a 2
1 =
a2 [(1 a 2 b 2 )(1 + b ) + 2a 2 b] a + ab + a 2
+
[(1 + b ) 2 a 2 ](2 + 2 )
(1 + b ) 2 a 2
Luego se observa que cuando t las estimas de los parmetros 1 y 2 no tienden a los parmetros
reales a y b, respectivamente.
71
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.
72

AutomaticaII Problemas Parcial1

Uploaded by

Document Information

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 Problemas Parcial1

Uploaded by

Copyright:

Available Formats

PROBLEMAS DE

Jose Manuel Daz

Departamento de Informtica y Automtica

Problemas de Automtica II (Primer parcial).

PROBLEMAS DE AUTOMATICA II (1er parcial)

x&1 0 0.4 x1 0.8

PROBLEMAS DE AUTOMATICA II (1er parcial)

1.4 Considrese el sistema definido mediante

PROBLEMAS DE AUTOMATICA II (1er parcial)

donde T es el periodo de muestreo. Se pide:

observador de orden mnimo es F ( z ) = z .

PROBLEMAS DE AUTOMATICA II (1er parcial)

2.4 Sea la planta

PROBLEMAS DE AUTOMATICA II (1er parcial)

2.6 Considrese una planta definida por

PROBLEMAS DE AUTOMATICA II (1er parcial)

PROBLEMAS DE AUTOMATICA II (1er parcial)

y (k ) 0.7 y (k 1) = e(k ) 0.5e(k 1)

y (k ) 1.5 y (k 1) + 0.7 y (k 2) = e(k ) + 0.2e(k 1)

PROBLEMAS DE AUTOMATICA II (1er parcial)

4.3 Considere el problema anterior pero con salida

4.4 Dado el sistema

PROBLEMAS DE AUTOMATICA II (1er parcial)

y (t ) 0.8 y (t 1) = u (t 1) + e(t ) 0.8e(t 1)

5.2 Considrese el sistema:

5.3 Para un sistema descrito por

PROBLEMAS DE AUTOMATICA II (1er parcial)

5.4 Considrese el sistema:

PROBLEMAS DE AUTOMATICA II (1er parcial)

Solucin problema 1.1

0.8 0 0.4 0.8 0.8 0.4

El rango de Mo es 1 ya que |Mo|=0, luego el sistema es no observable.

0.8 0 0.4 0.8 0.8 0.4

El rango de Mo es 2 ya que |Mo|=-1, luego el sistema es observable.

PROBLEMAS DE AUTOMATICA II (1er parcial)

Ntese que se obtendra la misma funcin de transferencia si se hubiese considerado el sistema en

Solucin problema 1.2

El rango de Mo es 2, luego el sistema es no completamente observable.

PROBLEMAS DE AUTOMATICA II (1er parcial)

Solucin problema 1.3

con la ecuacin caracterstica deseada:

Asimismo, la seal de control u es:

PROBLEMAS DE AUTOMATICA II (1er parcial)

Solucin problema 1.4

Como |Mo|=1 el rango de Mo es 3, por lo tanto el sistema es de estado completamente observable y

Desarrollando el lado izquierdo de la ecuacin anterior se obtiene:

= s 3 + ( k e1 + 6)s 2 + (6k e1 + k e 2 + 11)s + (11k e1 + 6k e 2 + k e3 + 6 )

s 3 + ( k e1 + 6)s 2 + (6k e1 + k e 2 + 11)s + (11k e1 + 6k e 2 + k e3 + 6) = s 3 + 9s 2 + 36s + 80

PROBLEMAS DE AUTOMATICA II (1er parcial)

La ecuacin caracterstica deseada para el observador es

Por el Teorema de Caley-Hamilton se obtiene

( AT ) = (AT ) + 9(AT ) + 36(AT ) + 80I =

36 150 0 54 324 0 0 216 80 0 0

Luego sustituyendo en la frmula de Ackerman y operando se obtiene:

PROBLEMAS DE AUTOMATICA II (1er parcial)

Solucin problema 1.5

cmin ( s ) = ( s + 10 )( s + 10 ) = s 2 + 20s + 100 = 0

PROBLEMAS DE AUTOMATICA II (1er parcial)

Luego la matriz de ganancias del observador es:

PROBLEMAS DE AUTOMATICA II (1er parcial)

Solucin problema 2.1

Comparando con la expresin:

PROBLEMAS DE AUTOMATICA II (1er parcial)

Solucin problema 2.2