Professional Documents
Culture Documents
MODELOS
11.1.
Ideas generales
Dada una historia de datos del sistema (datos de entrada y salida, en tiempo
continuo o discreto), determinar un modelo matematico que pueda replicar en
la forma mas precisa posible (bajo alg
un criterio de optimalidad) la historia de
datos disponibles y otras historias de datos que se puedan obtener del mismo
sistema, para validar el modelo obtenido.
Note que exite un mecanismo generador de los datos, es decir, el sistema cuyo
comportamiento queremos modelar. Ademas la historia de datos del sistema debe
ser tal que permita observar los rasgos de interes del sistema. Por ejemplo, si el
sistema que deseamos modelar es una red RC, no nos servira recolectar datos del
sistema cuando las fuentes que alimentan la red son constantes, porque en ese caso
sera imposible calcular los parametros de cualquier modelo dinamico.
301
302
Modelos
Captulo 11
Otra idea que aparece en la definicion del problema es que la construccion del
mejor modelo tiene asociado un criterio de calidad optima.
En la determinacion de un modelo existen pues, tres elementos
1. La seleccion de una clase de modelos, M. Por ejemplo, una ecuacion diferencial
de cierto orden.
2. Un experimento que permite recolectar datos. Por ejemplo, el aplicar una excitacion de amplio espectro al sistema.
3. Un criterio de optimizacion que permite seleccionar uno de los miembros de la
clase elegida en base a los datos experimentales. Por ejemplo, el minimizar la
suma (o integral) de los errores cuadraticos.
La clase de modelos se elige, en primera instancia, usando citerios fenomenologicos. Por ejemplo, si el comportamiento del sistema a modelar esta dominado por 3
componentes dinamicos, una clase razonable es el conjunto de las ecuaciones diferenciales de tercer orden.
En muchos casos, el experimento no puede ser dise
nado de acuerdo a las necesidades del analista, sino que se debe usar datos provenientes de la operacion normal
del sistema a modelar. Ademas, es com
un que se desee o necesite ir refinando el
modelo en forma recursiva (e incluso en tiempo real, es decir, se va refinando el
calculo a medida que se van obteniendo nuevos datos).
Tambien es crucial notar que el que se use un procedimiento de optimizacion solo
se garantiza, en el mejor de los casos, que se encontrara el modelo optimo dentro de
la clase elegida. Si el mecanismo generador de los datos no pertenece a la clase de
modelos elegida, como suele suceder, entonces siempre habra un error de modelado,
sin importar cuan informativo sea el experimento para recolectar datos.
Los metodos mas robustos que se conocen para construir modelos son aquellos
que usan un criterio de optimizacion cuadratica. En ellos concentraremos nuestra
atencion en lo que sigue.
11.2.
(11.2.1)
Section 11.2.
303
tf
J() =
2
(y( ) (u( ))3 d
(11.2.2)
entonces
= arg mn J()
(11.2.3)
La minimizaci
on se realiza derivando J() respecto de y haciendo esa derivada
igual a cero. Esto lleva a
Z
tf
1 Z
(u( ))6 d
tf
y( )(u( ))3 d
(11.2.4)
1
(u( ))6 d
(11.2.5)
0
3
(t) = (u(t))
(11.2.6)
(t) = p(t)
y( )( ) d
(11.2.7)
dp(t)
d (p(t))
2
= (p(t)(t))
dt
dt
= ((t))
(11.2.8)
(11.2.9)
e(t)
donde e(t) es el error que se comete al predecir la salida y(t) usando el modelo y la
entrada observada de la planta.
304
Modelos
Captulo 11
y(t)
SISTEMA
e
(u(1))^3
e (t)
p (0)
\phi (t)
K
1/s
p (t)
1/s
alfa
alfa (t)
alfa (0)
Antes de empezar la simulacin, defina el SISTEMA (haga un doble click en el bloque y edite) y asigne los
valores iniciales p(0) y alfa(0) en los bloques de integracin correspondientes
(11.2.10)
donde (t)m es un vector, llamado vector de regresion,. Los elementos de m (t) son
Section 11.2.
305
conocidos como regresores. Existen tres grandes lneas en la construccion del vector
de regresion:
En base a la entrada de la planta y la salida del modelo. Este enfoque es la
base de los llamados m
etodos de error de predicci
on, reconocidos por su
sigla inglesa PEM (prediction error methods).
En base a la entrada del modelo, la que resulta de medir la entrada a la planta2
y a la salida del modelo. Esta eleccion genera los metodos conocidos como de
errores en la variables
En base a la entrada de la planta y la salida de la planta. Esta eleccion es
la base del metodo clasico de estimaci
on por errores cuadr
aticos. Es
conocido por la sigla inglesa LSE (least squares errors). Ese el metodo mas
robusto y mas usado, y es el que usaremos en este texto. Distinguiremos esta
eleccion de las otras dos reemplazando m (t) por (t) en la derivacion de las
ecuaciones del metodo.
Por su parte, el vector Rp contiene los parametros 1 , 2 , . . . , p que distinguen cada elemento en M.
Note que la expresion es bastante general, ya que la u
nica restriccion es que el
modelo sea lineal en los parametros a estimar, y no necesariamente debe ser lineal
en los datos. Por ejemplo
p
ym (t) = a u(t) + b u(t) + c cos(u(t)) + d
(11.2.11)
Entonces, el modelo (11.2.11) puede ser puesto en la forma (11.2.10) con las
siguientes asociaciones
p
(t) = [ u(t) u(t) cos(u(t)) 1]T
(11.2.12)
= [a b c d ]T
(11.2.13)
Veremos ademas en una seccion siguiente que (11.2.10) puede describir sistemas
dinamicos.
Para modelar un sistema con entrada u(t) y salida y(t), como miembro de la
clase M, debemos encontrar un estimado optimo, , para de modo que se minimice
Z
J( ) =
tf
(y( ) ( )T )2 d
(11.2.14)
El producto ( )T corresponde a una estimacion de la salida del sistema a modelar, utilizando el elemento generico de la clase M. La diferencia y( ) ( )T es
conocida como el error de prediccion (no confundir con los metodos PEM). El metodo de estimacion cuadratica permite determinar cual de los elementos de M es el
2 Hay
306
Modelos
Captulo 11
que arroja la prediccion con menor error cuadratico acumulado. Esto es equivalente
a seleccionar el optimo .
La minimizacion de (11.2.14) se hace a traves del procedimiento tradicional:
derivando respecto de la incognita y luego haciendo esa derivada igual a cero. Como
se trata de la derivada de una funcion escalar respecto de un vector, la derivada
corresponde al gradiente . As el mejor estimado esta dado por
= arg mnp J( )
(11.2.15)
tf
1 Z
( )T d
( )
(11.2.16)
tf
( )y( ) d
(11.2.17)
dP(t)
(t)
(t)T P(t)
= P(t)
dt
d(t)
(t)(y(t) (t)(t)) = P(t)
(t)e(t)
= P(t)
dt
3 Cuya
deducci
on escapa al marco de este texto.
(11.2.19)
(11.2.20)
Section 11.2.
307
Demostraci
on
Definamos previamente la matriz P(t) Rpp de la forma
Z
P(t) =
1
( )
( )T d
(11.2.21)
y la matriz
Z
1
Q(t) = P(t)
( )T d
( )
(11.2.22)
entonces
dP(t)Q(t)
dP(t)
dQ(t)
=0=
Q(t) + P(t)
dt
dt
dt
(11.2.23)
dP(t)
dQ(t)
(t)
(t)T P(t)
= P(t)
P(t) = P(t)
dt
dt
(11.2.24)
Esto lleva a
(11.2.25)
tf
( )y( ) d
(11.2.26)
(11.2.27)
(11.2.28)
(t)
308
11.3.
Modelos
Captulo 11
hR
t
u( )d
0
T
= b0 a0
Rt
0
y( )d
iT
(11.3.3)
(11.3.4)
(11.3.5)
b0
+ a0
ym (t) +
u(t)
E()
E()
(11.3.6)
+ a0
b0
ym (t)
u(t)
ym (t) +
u(t) = (e0 a0 )
+ b0
E()
E()
E()
E()
(11.3.7)
Section 11.3.
309
(t) =
T
y(t)
E()
T
e0 a0
u(t)
E()
= b0
(11.3.8)
(11.3.9)
(11.3.10)
n1
(11.3.11)
B() = bn1
n
+ bn2
E() = + en1
n1
n2
+ . . . b0
+ . . . e0
(11.3.12)
A()
B()
ym +
u(t)
E()
E()
(11.3.13)
u(t) n2 u(t)
u(t) n1 y(t) n2 y(t)
(t) =
E()
E()
E()
E()
E()
ym (t) =
(11.3.14)
T
y(t)
E()
(11.3.15)
y el vector de parametros es
= bn1
bn2
b0
en1 an1
en2 an2
T
e0 a0
(11.3.16)
Ejemplo 11.3. Supongamos que la clase M es el conjunto de ecuaciones diferenciales de tercer orden, lineales y de coeficientes constantes, entonces
T
= b2 b1 b0 e2 a2 e1 a1 e0 a0
T
(11.3.17)
(11.3.18)
310
Modelos
Captulo 11
donde E() es cualquier polinomio de tercer grado cuyas races tenga parte real
menor que cero.
222
11.4.
(11.4.1)
N
X
2
(y[`] (u[`])3
(11.4.2)
`=1
entonces
= arg mn J()
R
(11.4.3)
La minimizaci
on se realiza derivando J() respecto de y haciendo esa derivada
igual a cero. Esto lleva a
"
N
X
`=1
#1
(u[`])6
N
X
y[`](u[`])3
(11.4.4)
`=1
Section 11.4.
311
N
X
#1
6
(u[`])
(11.4.5)
`=1
3
[k] = (u[k])
(11.4.6)
[k] = p[k]
k
X
y[`][`]
(11.4.7)
`=1
p[k 1]
= p[k 1] p[k 1][k]2 p[k]
1 + p[k 1][k]2
(11.4.8)
[k] =
[k 1] + p[k][k] (y[k]
[k 1][k])
|
{z
}
(11.4.9)
e[k]
donde e[k] es el error que se comete al predecir la salida y[k] usando el modelo y la
entrada observada de la planta.
Las ecuaciones (11.4.8) y (11.4.9) permiten calcular
[k] en tiempo real, como
se puede verificar en la simulaci
on implementada en el esquema SIMULINK de la
Figura 11.2. En esa figura, el sistema a modelar, o mecanismo generador de datos
aparece enmascarado. El lector puede verificar, al observar e[k] en el oscilloscopio,
que ese sistema pertenece a la clase M.
Note adem
as que, para que este programa SIMULINK funcione se debe asignar
una condici
on distinta de cero a p[0] (en el bloque de retardo correspondiente). Se
invita al lector a observar el efecto de distintas elecciones para p[0]. En cambio, el
valor inicial
[0] puede ser cualquier valor, incluyendo cero.
222
Es importante repetir que, en el ejemplo precedente, se plantearon dos formas de
calcular un valor estimado para el parametro . En la primera, dada por la ecuacion
(11.4.4), se requiere conocer previamente un conjunto de datos en un lapso no cero.
En cambio, en la forma construida por las ecuaciones (11.4.8) y (11.4.9), el valor
estimado se va construyendo a medida que los datos se van obteniendo.
Formularemos a continuacion el metodo general sistemas de tiempo discreto.
La clase de modelos a usar, M, esta definida por
ym [k] = m [k]T
(11.4.10)
312
Modelos
u[k]
y[k]
Captulo 11
SISTEMA
p [0]
e [k]
z
p [k]
u(1)/(1+u(1)*u(2)^2)
(u(1))^3
\phi [k]
p
alfa [0]
1
z
alfa
alfa [k]
Antes de empezar la simulacin, defina el SISTEMA (haga un doble click en el bloque y edite) y asigne los
valores iniciales p[0] y alfa[0] en los bloques de retardo correspondientes
(11.4.13)
Section 11.4.
313
Veremos ademas en una seccion siguiente que (11.4.10) puede describir sistemas
dinamicos.
Para modelar un sistema con entrada u[k] y salida y[k], como miembro de la
clase M, debemos encontrar un estimado optimo, , para de modo que se minimice
J( ) =
N
X
(y[`] [`]T )2
(11.4.14)
El producto [`]T corresponde a una estimacion de la salida del sistema a modelar, utilizando el elemento generico de la clase M. La diferencia y[`] [`]T es
conocida como el error de prediccion (no confundir con los metodos PEM). El metodo de estimacion cuadratica permite determinar cual de los elementos de M es el
que arroja la prediccion con menor error cuadratico acumulado. Esto es equivalente
a seleccionar el optimo .
La minimizacion de (11.4.14) se hace a traves del procedimiento tradicional:
derivando respecto de la incognita y luego haciendo esa derivada igual a cero. Como
se trata de la derivada de una funcion escalar respecto de un vector, la derivada
corresponde al gradiente . As el mejor estimado esta dado por
= arg mnp J( )
(11.4.15)
J( ) =
X
dJ( )
= 2
[`](y[`] [`]T )
d
(11.4.16)
`=1
N
X
#1
T
[`]
[`]
`=1
N
X
[`]y[`]
(11.4.17)
`=1
HJ ( ) =
X
d 2 J( )
[`]T
=2
[`]
2
d
(11.4.18)
k=1
deducci
on escapa al marco de este texto.
314
Modelos
Captulo 11
[k]
[k]T P[k 1]
P[k 1]
T
[k]
1 + [k] P[k 1]
P[k] = P[k 1]
(11.4.19)
(11.4.20)
Demostraci
on
Definamos previamente la matriz P[k] Rpp de la forma
"
P[k] =
k
X
#1
T
[`]
[`]
(11.4.21)
`=1
y la matriz
1
Q[k] = P[k]
k
X
(11.4.22)
`=1
k
X
[`]y[`]
(11.4.23)
[`]y[`]
(11.4.24)
`=1
P[k 1]1[k 1] =
k1
X
`=1
lo cual lleva a
[`]y[`]
[k] = P[k]P[k 1]1[k 1] + P[k]
(11.4.25)
Section 11.5.
11.5.
315
ym [k] + an1 ym [k 1] + . . . + a1 ym [k n + 1] + a0 ym [k n] =
bm u[k] + bm1 u[k 1] + . . . + b1 u[k m + 1] + b0 u[k m] (11.5.1)
Antes de desarrollar la metodologa general, examinaremos un ejemplo muy
simple, para adquirir perspectiva
Ejemplo 11.5. La clase M es elegida como en (11.5.1), con n = 1, es decir
ym [k] + a0 ym [k 1] = b0 u[k]
(11.5.2)
La primera opci
on para contruir la forma (11.4.10) en este caso es (note la
sustituci
on de ym [k] por y[k] en el vector [k])
T
[k] = u[k] ym [k 1]
T
= b0 a0
(11.5.3)
(11.5.4)
[k] = bm
bm1
...
(11.5.5)
. . . u[k m]
b0
an1
ym [k 1]
an2
. . . a0
ym [k 2]
...
ym [k n]
(11.5.6)
(11.5.7)
Apendice A
SERIES DE TAYLOR
A.1.
d x
1 d 2 x
1 d 3 x
2
g(x) = g(xQ ) +
(x xQ ) +
(x xQ ) +
(x xQ )3 + . . .
dt Q
2! dt 2 Q
3! dt 3 Q
X
i=0
(A.1.1)
1 d i x
(x xQ )i
i! dt i Q
(A.1.2)
n
donde ddt nx Q denota la derivada n-esima de g respecto de x y evaluada en x = xQ .
A partir de esta expansion, podemos construir aproximaciones de primer, segundo, tercer orden, etc. truncando la serie despues de la potencia de primer, segundo,
tercer grado, etc., respectivamente. Por ejemplo, la aproximacion de primer orden
es
g1 (x) = k0 + k1 (x xQ );
k0 = g(xQ );
d g
k1 =
dx Q
(A.1.3)
dg
En esta figura m = k1 = dx
. Se observa que, en la medida que nos alejamos
Q
Section A.2.
317
g(x)
g1 (x)
m
g(xQ )
xQ
Figura A.1. Aproximacion de primer orden para funcion no lineal de una variable.
A.2.
g
g
1 2 g
g(x1Q , yQ ) +
(x1 x1Q )2 +
(x1 x1Q ) +
(x2 x2Q ) +
x1 Q
x2 Q
2 x21 Q
1 2 g
2 f
2
(x
x
)
+
(x1 x1Q )(x2 x2Q ) + . . . (A.2.1)
2
2Q
2 x2
x1 x2
2 Q
1 i+j g
(x1 x1Q )i (x2 x2Q )j
i!j! xi1 xj2
Q
(A.2.2)
En forma analoga al caso de una variable, podemos truncar esta serie para tener
aproximaciones de primer, segundo, tercer, etc. orden. Por ejemplo, la aproximacion
de primer orden esta dada por
318
Series de Taylor
d g
k11 =
dx1 Q
d g
k12 =
dx2 Q
A.3.
Ap
endice A
(A.2.3)
(A.2.4)
(A.2.5)
(A.2.6)
El caso general
X
1
ni g
i1 ,i2 ,...,in
i
i
i
1
2
n
i
!i
!
i
!
x
1
2
n
1
2
n
Q
=0
(A.3.1)
donde ni = i1 + i2 + . . . + in .
La aproximacion de primer orden, por truncamiento de la serie es entonces
g1 (x1 , x2 , . . . , xn ) = k0 +
n
X
(A.3.2)
i=1
d g
k1i =
dxi
(A.3.3)
(A.3.4)
(A.3.5)
Es importante se
nalar que los desarrollos precedentes siguen siendo validos
aunque las variable x1 , x2 , . . ., xn sean funciones de una variable temporal u otra
variable independiente.
A.4.
Algunas reglas pr
acticas para la expansi
on en serie
La teora general precedente permite construir algunas reglas basicas para expandir funciones complicadas en serie de potencias.
Section A.4.
319
Algunas reglas pr
acticas para la expansi
on en serie
d g(x)
(x xQ )
dx Q
d h(x)
[R1,2]
h1 (x) = h(xQ ) +
(x xQ )
dx Q
!
d g(x)
d h(x)
\
[R1,3]g(x) + h(x)1 = g(xQ ) + h(xQ ) +
+
(x xQ )
dx Q
dx Q
d
g(x)
d
h(x)
\ = g(xQ )h(xQ ) + h(xQ )
+ g(xQ )
(x xQ )
[R1,4] g(x)h(x)
1
dx Q
dx Q
[R1,1]
g1 (x) = g(xQ ) +
d ` x(t)
dt `
d ` (x(t) xQ )
dt `
h
d ` x(t)
dt `
(A.4.1)
ik
(A.4.2)
Apendice B
BASES MATEMATICAS
PARA LAS SERIES DE
FOURIER
B.1.
En esta seccion se revisan los conceptos basicos de los espacios vectoriales, incluyendo definiciones y propiedades. Se introducen ademas las ideas de ortogonalidad y bases, ideas matematicas abstractas de mucha utilidad para fundamentar el
analisis mediante series de Fourier y otros topicos dentro de la teora de sistemas como es, por ejemplo, la construccion de modelos y la estimacion de se
nales utilizando
el enfoque de mnimos cuadrados.
Definici
on B.1. Un espacio vectorial V es un conjunto de objetos ~v1 , ~v2 , . . .
, llamados vectores, donde se definen dos operaciones: suma de dos vectores, y
multiplicaci
on por un escalar y que satisfacen las siguientes propiedades:
1.
2.
3.
Si ~vi , ~vj , ~vk son vectores cualesquiera de V, entonces ~vi + (~vj + ~vk ) = (~vi +
~vj ) + ~vk
4.
Existe un vector ~0 V, tal que para todo ~vi V se cumple ~vi + ~0 = ~vi
5.
Para cada ~vi V existe un vector ~vi V, tal que ~vi + (~vi ) = ~0
6.
7.
8.
320
Section B.1.
9.
321
10.
Existe un sinn
umero de conjuntos de elementos que son ejemplo de espacios
vectoriales, de entre los cuales se deja al lector verificar que los siguientes cumplen
las propiedades recien enumeradas:
El espacio Rn en que los escalares son n
umeros reales,
El espacio Cn en que los escalares pueden ser n
umeros reales o bien complejos,
El conjunto de funciones reales seccionalmente continuas1 en un intervalo [a, b],
en que los escalares son n
umeros reales.
Definici
on B.2. Dado un conjunto de vectores G = {~v1 , . . . , ~vn } V, diremos que
el espacio generado por G, es el conjunto de todos los vectores de la forma:
~v = 1~v1 + . . . + n~vn
Es decir, ~v es una combinaci
on lineal de ~v1 , . . . , ~vn .
Se deja al lector probar que el subespacio generado por el subconjunto de vectores
G V tambien cumple las propiedades de un espacio vectorial.
Definici
on B.3. Un conjunto de vectores ~v1 , . . . , ~vn se dice linealmente independiente, si la ecuaci
on:
1~v1 + . . . + n~vn = 0
se cumple s
olo para los escalares 1 = 2 = . . . = n = 0. En caso contrario se
dice que los vectores son linealmente dependientes.
La independencia lineal en un conjunto de vectores es una propiedad muy importante pues nos permite afirmar que ninguno de los vectores del conjunto puede
expresarse como una combinacion lineal de los demas vectores. Esta demostracion
se deja al lector.
Definici
on B.4. Dado un espacio vectorial V, diremos que un conjunto de vectores
B = {~v1 , . . . , ~vn } es base de V si:
1.
1 Es
322
2.
Bases matem
aticas para las Series de Fourier
Ap
endice B
Definici
on B.5. Dados dos vectores cualesquiera ~vi y ~vj en un espacio vectorial V con escalares en C, entonces diremos que h~vi , ~vj i es un producto interno,
producto escalar o producto punto si cumple las siguientes propiedades:
1.
2.
3.
4.
~vi = ||~vi en que || es el valor absoluto o m
odulo del escalar
3.
~vi + ~vj ~vi + ~vi ( desigualdad triangular) .
Definici
on B.7. Un espacio vectorial donde se ha definido una norma, es decir,
se tiene una medida de distancia y longitud se denomina espacio euclideano
Section B.1.
323
Definici
on B.8. De la definici
on del
angulo entre dos vectores es claro que podemos decir que dos vectores son ortogonales bajo el producto interno h, i, si este
producto es igual a cero. Es decir:
~vi ~vj h~vi , ~vj i = 0
(B.1.1)
(B.1.3)
h~vi , ~ui
h~vi , ~vi i
(B.1.4)
Demostraci
on
La representacion (B.1.3) se deduce de inmediato del hecho de tener un conjunto
de n vectores linealmente independientes en un espacio vectorial V de dimension n.
Lo central que nos ata
ne en este caso es el calculo de los coeficientes (B.1.4).
Tomemos la ecuacion (B.1.3), y apliquemosle producto interno con alguno de
los vectores de la base (B.1.1):
h~vi , ~ui = h~vi , 1~v1 + 2~v2 + . . . + n~vn i
(B.1.5)
324
Bases matem
aticas para las Series de Fourier
Ap
endice B
(B.1.6)
(B.1.7)
222
(B.1.8)
Demostraci
on
Primero se observa que esta desigualdad es inmediata si cualquiera de los vectores, vi o vj , es el vector cero. As es suficiente considerar el caso en ambos son no
nulos.
Consideremos un vector (vi vj ), cuya norma es no negativa
0 h(vi vj ), (vi vj )i
2
(B.1.9)
2
(B.1.10)
De donde
(B.1.11)
(B.1.12)
(B.1.13)
B.2.
B.2.1.
Section B.2.
325
Definici
on B.9. Se dice que una sucesi
on de funciones {fk (x)} de funciones, cada
una definida en un intervalo I = [a, b], converge (puntualmente) en I, si
lm fk (x0 )
existe x0 I
(B.2.1)
Definici
on B.10. Se dice que una sucesi
on {fk (x)} de funciones, definidas en un
intervalo I = [a, b], converge uniformemente a una funci
on f (x) en el intervalo
I si
> 0 K > 0
tal que
axb
(B.2.2)
Estas dos definiciones sobre la convergencia de sucesiones son aplicables totalmente a series de funciones, ya que estas u
ltimas no son mas que sucesiones de
sumas parciales. Es decir, si se tiene una serie de funciones de la forma
S(x) =
fn (x)
(B.2.3)
n=1
k
X
fn (x)
(B.2.4)
n=1
Definici
on B.11. Se dice que una serie de funciones
S(x) =
fn (x)
(B.2.5)
n=1
|fn (x)|
(B.2.6)
n=1
2 Sentido
326
Bases matem
aticas para las Series de Fourier
Ap
endice B
Mk
(B.2.7)
k=1
fk (x)
(B.2.8)
k=1
Tales que
|fk (x)| Mk
(B.2.9)
P
k=1
fk (x)
Demostraci
on
Por comparacion entre los terminos de la serie numerica y la de funciones, se
sigue que para cada x0 en el intervalo I, la serie converge absolutamente. As la
serie converge puntualmente a una funcion lmite f (x) en a x b. Ahora
fk (x) =
fk (x)
f (x)
k=1
(B.2.10)
k=n+1
k=n+1
|fk (x)|
(B.2.11)
Mk
(B.2.12)
k=n+1
n
X
k=1
k=1
Mk
Mk
(B.2.13)
B.2.2.
Para estudiar la convergencia de la serie de Fourier de una funcion, a continuacion se desarrollan algunos lemas que permiten determinar que la norma del
vector de error en (t) = y(t) yn (t) tiende asintoticamente a cero, cuando n .
Lema B.4. Desigualdad de Parseval
Section B.2.
327
T
2
y (t)dt
T2
A20
1 X 2
+
Ak + Bk2
2
(B.2.14)
k=1
Demostraci
on
La norma al cuadrado del error que se comete, que se representa en la figura 5.8
a la derecha, es:
k fk (t), y(t)
= y(t)
2
= y(t)
k=1
n
X
(B.2.15)
(B.2.16)
(B.2.17)
(B.2.18)
(B.2.19)
(B.2.20)
(B.2.21)
k=1
2
en (t)2 = y(t)2
k2 fk (t)
(B.2.22)
k=1
T
2
T2
Z
e2n (t)dt
T
2
"
2
y (t)dt
T2
A20
#
n
X
2 T
2 T
T +
Ak + Bk
0
2
2
(B.2.23)
k=1
T
2
T2
y 2 (t)dt A20 +
1 X 2
Ak + Bk2
2
(B.2.24)
k=1
222
328
Bases matem
aticas para las Series de Fourier
Ap
endice B
T
2
T2
T
2
T2
(B.2.25)
(B.2.26)
Demostraci
on
Directa de la desigualdad de Parseval, ya que si la integral del lado izquierdo existe, entonces la serie del lado derecho, cuyo termino general es no-negativo,
esta acotada superiormente. Esto permite afirmar que converge, lo que a su vez implica que el termino general se hace cero cuando n , por tanto, los coeficientes
Ak y Bk se hacen cero cuando k .
222
Lema B.5. La aproximaci
on o serie de Fourier truncada yn (t) de una funci
on
peri
odica y(t) de perodo T , puede escribirse como
2
T
yn (t) =
T
2
y(t + s)
T2
sin(0 (n + 12 )s)
ds
2 sin 20 s
; 0 =
2
T
(B.2.27)
Demostraci
on
La aproximacion n-esima puede escribirse utilizando las ecuaciones (5.3.4)
n
X
yn (t) = A0 +
1
=
T
+
T
2
n
X
2
T
2
T
"
(B.2.29)
T
2
2
cos(k0 t)
T
"
y( )
T2
(B.2.28)
y( )d
T2
k=1
k=1
T
2
T2
"
y( )
1
+
2
1
+
2
T
2
2
y( ) cos(k0 )d + sin(k0 t)
T
T
2
n
X
T
2
T2
#
y( ) sin(k0 )d
(B.2.30)
#
k=1
n
X
#
cos(k0 ( t)) d
k=1
(B.2.31)
(B.2.32)
Section B.2.
sin
329
k+
1
2
s
1
0
0 s sin
k
0 s = 2 sin
cos (k0 s)
2
2
(B.2.33)
n
s
s X
1
0
0
sin
n+
0 s sin
= 2 sin
cos (k0 s)
2
2
2
(B.2.34)
k=1
O bien,
n
sin n + 21 0 s
1 X
1
+
cos (k0 s) =
2
2 sin 2 0 s
k=1
(B.2.35)
T
2
y( )
sin
T2
n + 21 0 ( t)
d
2 sin 20 ( t)
(B.2.36)
T
2
y(t + s)
T2 t
sin
n + 12 0 s
ds
2 sin 20 s
(B.2.37)
t0 .
y(t+
0 ) + y(t0 )
2
(B.2.38)
En que y(t+
mites por la derecha y por la izquierda de y(t) en
0 ) e y(t0 ) son los l
Demostraci
on
Primero, y como resultado previo, observemos que si integramos a ambos lados
de la ecuacion (B.2.35), obtenemos
330
Bases matem
aticas para las Series de Fourier
T
2
T2
sin n + 21 0 s
T
1
=
2
2 sin 2 0 s
Ap
endice B
(B.2.39)
y(t+ ) + y(t )
2
(B.2.40)
Esta coincide con y(t) solo en sus puntos de continuidad y ademas hereda su
periodicidad. Podemos observar tambien que si t0 es una discontinuidad de y(t), lo
es tambien de g(t) y
y(t+
g(t+
0 ) + y(t0 )
0 ) + g(t0 )
=
(B.2.41)
2
2
Consideremos lo que sucede con el error en (t0 ), entre g(t) y su representacion
en serie de Fourier, a medida que n tiende a infinito. Si usamos la igualdad recien
mencionada y la expresion (B.2.27) para la n-esima suma parcial, el error puede
escribirse
g(t0 ) =
ds
g(t0 )
g(t0 + s)
=
T T2
T T2
2 sin 2 s
2 sin 20 s
(B.2.43)
Z T2
1
sin(0 (n + 2 )s)
2
ds
=
[g(t0 ) g(t0 + s)]
(B.2.44)
T T2
2 sin 20 s
#
Z T2 "
1
2
g(t0 ) g(t0 + s)
1
20 s
=
sin
n
+
s ds (B.2.45)
0
1
T T2
2
sin 12 0 s
2 0 s
La expresion entre corchetes dentro de la integral es seccionalmente continua
en el intervalo [ T2 , T2 ], siempre y cuando t0 sea un punto de continuidad de g(t),
lo que permite afirmar que el primer cuociente de la expresion entre corchetes se
transforma en la derivada cuando s 0. En estos puntos, usando la ecuacion
(B.2.26), se deduce que
lm en (t0 ) = 0
(B.2.46)
O, lo que es lo mismo,
lm gn (t0 ) = g(t0 ) =
g(t+
0 ) + g(t0 )
2
(B.2.47)
Section B.2.
331
g(t
0)
(B.2.48)
G(t) + G(t)
2
g(t + t0 ) + g(t + t0 ) 2g(t0 )
=
2
G(t) G(t)
Gimpar (t) =
2
g(t + t0 ) g(t + t0 )
=
2
Gpar (t) =
(B.2.49)
(B.2.50)
(B.2.51)
(B.2.52)
lm gn (t0 ) = g(t0 )
(B.2.53)
> 0 N > 0
(B.2.54)
332
Bases matem
aticas para las Series de Fourier
Ap
endice B
Demostraci
on
Sean
A0 +
A00 +
X
n=1
(B.2.55)
(B.2.56)
n=1
Las series de Fourier de y(t) e y 0 (t), respectivamente. Entonces, dada la periodicidad de y(t), tenemos que
A00
1
=
T
T
2
y 0 (t)dt
(B.2.57)
T2
1
[y(T /2) y(T /2)]
T
=0
(B.2.58)
(B.2.59)
A0n
2
=
T
T
2
T2
#
"
Z T2
T2
2
=
y(t) sin(n0 t)dt
y(t) cos(n0 t) T + n0
T
2
T2
Z T2
2
= n0
y(t) sin(n0 t)dt
T T2
= n0 Bn
Z T2
2
Bn0 =
y 0 (t) sin(n0 t)dt
T T2
"
#
Z T2
T2
2
=
y(t) sin(n0 t) T n0
y(t) cos(n0 t)dt
T
2
T2
Z T2
2
= n0
y(t) sin(n0 t)dt
T T2
= n0 An
(B.2.60)
(B.2.61)
(B.2.62)
(B.2.63)
(B.2.64)
(B.2.65)
(B.2.66)
(B.2.67)
Section B.2.
333
(B.2.68)
n=1
n=1
1
T
T
2
y 0 (t)2 dt <
(B.2.69)
T2
p
Si se observa el termino general {n0 A2n + Bn2 } de la segunda serie, se aprecia
que pertenece al conjuto de todas las sucesiones cuadrado sumables, al igual que la
sucesion {1/(n0 )}. En ambas sucesiones n = 1, 2, . . . . En consecuencia el producto
de estas sucesiones tambien es cuadrado sumable, por tanto
X
q
q
X
1
2
2
n0 An + Bn
=
An 2 + Bn 2
n
0
n=1
n=1
(B.2.70)
Tambien converge.
Si ahora usamos la desigualdad de Cauchy-Schwartz (B.1.8)
|h(An , Bn ); (cos(n0 t), sin(n0 t))i| k(An , Bn )k k(cos(n0 t), sin(n0 t))k
(B.2.71)
q
q
An cos(n0 t) + Bn sin(n0 t) An 2 + Bn 2 cos2 (n0 t) + sin2 (n0 t)
(B.2.72)
q
= An 2 + Bn 2
(B.2.73)
Con esto se puede comparar la serie
|A0 | +
(B.2.74)
n=1
q
X
An 2 + Bn 2
(B.2.75)
n=1
(B.2.76)
n=1
converge uniformemente en cualquier intervalo cerrado. Pero, por el lema de convergencia puntual antes visto, sabemos que esta serie converge a y(t) punto a punto.
222
334
Bases matem
aticas para las Series de Fourier
Ap
endice B
(B.2.77)
Demostraci
on
Es directa de (B.2.54), ya que si tomamos y(t) en el intervalo [ T2 , T2 ], y denotamos por {t1 , t1 , . . . , tm } los puntos en que y(t) es discontinua dentro de el, entonces,
dado un > 0, para cada uno de los m+1 subintervalos ( T2 , t1 ), . . . , (tk , tk+1 ), . . . , (tm , T2 )
existe una constante Nk tal que
n > Nk |y(t) yn (t)| <
|en (t)| < t (tk , tk+1 )
(B.2.78)
(B.2.79)
(B.2.80)
Por tanto
Z
ken (t)k2 =
T
2
T2
t1
=
T2
en 2 (t)dt
(B.2.81)
Z
en 2 (t)dt + . . . +
tk+1
Z
en 2 (t)dt + . . . +
tk
T
2
en 2 (t)2 dt
(B.2.82)
tm
T
2
T2
y 2 (t)dt = A20 +
1 X 2
Ak + Bk2
2
k=1
(B.2.84)
Section B.2.
335
Demostraci
on
Es directa de la ecuacion (B.2.23), donde como consecuencia del lema anterior
(B.2.77), la norma del error, ademas de ser positiva, tiende asintoticamente a cero.
Por tanto la desigualdad (B.2.14) se transforma en la identidad (B.2.84).
Apendice C
DE
LA TRANSFORMACION
FOURIER
C.1.
C.1.1.
Transformaci
on de Fourier en tiempo continuo
Definici
on de la Transformada
y(t)e t dt
F [y(t)] = Y ( ) =
(C.1.1)
F 1 [Y ( )] = y(t) =
1
2
Y ( )e t d
(C.1.2)
Para que la transformada exista es suficiente que la funcion y(t) sea absolutamente integrable en el intervalo < t < , es decir:
Z
y(t) dt <
Existen funciones que a pesar de no cumplir con esta condicion, es posible calcular su transformada de Fourier.
Veamos a manera de ejemplo como se puede obtener la transformada de Fourier
del delta de Dirac, a partir de la transformada de un pulso como el del ejemplo 6.1
(pag. 117).
Ejemplo C.1. Consideremos un pulso centrado en el cero, de ancho y altura
1/, es decir, una funci
on
336
Section C.1.
337
Transformaci
on de Fourier en tiempo continuo
1
y (t) =
0
; |t| /2
; |t| > /2
Esta funci
on est
abien definida t ] , [, y el
area del pulso es unitaria
> 0. Su transformada de Fourier por tanto puede obtenerse, en base al ejemplo
6.1 ya mencionado, o por la definici
on (C.1.1) ser
a
Z
/2
1 t
e
dt
/2
1
2 e 2
=
e
sin
2
=
Y ( ) =
14
0.8
12
0.6
10
0.4
0.2
4
40
0.2
0.4
0.6
t
0.8
30
20
10
10
20
w
0.2
(b) Espectro Y ( )
1
.
Figura C.1. Pulso y su transformada para = 1, 41 , 16
30
40
338
La transformaci
on de Fourier
y (t)
Y ( ) =
C.1.2.
sin(
2 )
Ap
endice C
(t)
Y ( ) = 1
(C.1.3)
Demostraci
on
Es directa de reemplazar Y (t) en la definici
on de la transformada y recordando
la ecuaci
on que define a y(t) como transformada inversa de Y ( )
Z
Y (t)e t dt
Z
1
= 2
Y (t)ejt() dt
2
F{Y (t)} =
= 2y( )
222
Ejemplo C.2. Consideremos una funci
on constante y(t) = C. Esta funci
on no es
absolutamente integrable, sin embargo, su transformada de Fourier puede obtenerse
en base a la transformada del Delta de Dirac:
F [y(t)] = F [C]
= C F [1]
= C 2()
= C 2()
Veamos ahora como se ve afectada la transformada de Fourier de una se
nal
cuando esta es desplazada en el tiempo, que puede ser el caso en que existe, por
ejemplo, retardo.
Section C.1.
339
Transformaci
on de Fourier en tiempo continuo
(C.1.4)
Demostraci
on
Aplicando la definici
on de la Transformada de Fourier, para la funci
on y(t)
desplazada en el tiempo, tenemos que
Z
y(t t0 )e t dt
Z
t0
=e
y(t t0 )e (tt0 ) dt
F{y(t t0 )} =
t0
F{y(t t0 )} = e
y(t )e t dt
= e t0 Y ( )
222
Ejemplo C.3. Si se aplica este lema al ejemplo 6.1, obtenemos que si el pulso de
amplitud A no est
a centrado en el origen, sino que se ha desplazado a la derecha,
ubic
andose en el intervalo [0, ] su transformada de Fourier ser
a
sin 2
;a C
(C.1.5)
340
La transformaci
on de Fourier
Ap
endice C
Demostraci
on
Si aplicamos la definici
on de la transformada a la funci
on y(t) multiplicada por
la exponencial peri
odica e 0 t tenemos que
Z
F{eat y(t)} =
eat y(t)e t dt
y(t)e( a)t dt
y(t)e t dt
= Y ( )
= Y ( a)
222
Ejemplo C.4. Con este lema podemos obtener la transformada de Fourier de una
exponencial peri
odica, considerando en la ecuaci
on (C.1.5) a = 0 :
0 t
0 t
F e
=F e
1
= 2( 0 )
= 2( 0 )
Ya que el delta de Dirac es diferente de cero s
olo en el punto en que su argumento
es igual a cero.
A partir de esta transformada, utilizando la ecuaci
on de Euler, se pueden obtener
sin problema la del coseno y del seno:
e 0 t + e 0 t
2
1 0 t
=
F e
+ F e 0 t
2
= [( + 0 ) + ( 0 )]
F [cos(0 t)] = F
e 0 t e 0 t
F [sin(0 t)] = F
2j
j
=
F e 0 t + F e 0 t
2
= j [( + 0 ) ( 0 )]
Section C.1.
341
Transformaci
on de Fourier en tiempo continuo
1
[Y ( 0 ) + Y ( + 0 )]
2
(C.1.6)
Demostraci
on
Esta es directa del lema anterior utilizando la ecuaci
on de Euler, es decir, escribiendo cos(0 t) con exponenciales peri
odicas. Esto es
F{cos(0 t)y(t)} = F
1 0 t
(e
+ e 0 t )y(t)
2
1
F{e 0 t y(t)} + F{e 0 t y(t)}
2
1
= (Y ( 0 ) + Y ( + 0 ))
2
=
222
Se deja al lector la demostracion del corolario que se obtiene por analoga en el
caso que en vez de cos(0 t) se utiliza sin(0 t).
Ejemplo C.5. En ambos casos de modulaci
on planteados, cosenoidal y senoidal,
al hacer el producto de una se
nal con una sinusoide se logra desplazar el espectro,
o contenido de frecuencias de la se
nal. Esto permite llevar, por ejemplo, se
nales de
contenido de baja frecuencia (como la voz humana, en la banda de 0 4[kHz]), a
bandas de frecuencia para transmisi
on radial (por ejemplo 1[MHz]).
Esta idea se muestra en la figura C.2
|F {y(t)}|
4[kHz]
|F{y(t)cos(2106 t)}|
1[M Hz]
342
La transformaci
on de Fourier
Ap
endice C
Si tenemos una se
nal peri
odica yT (t), en un intervalo de longitud T , esta no
es una funci
on absolutamente integrable y su transformada de Fourier no puede
obtenerse a traves de la definici
on (C.1.1). Sin embargo, sabemos ya que una se
nal
peri
odica podemos representarla mediante una Serie de Fourier (representaci
on en
el tiempo) ya sea trigonometrica o con exponenciales peri
odicas. En los desarrollos
realizados adem
as ya hemos encontrado las expresiones para las transformadas de
Fourier de una constante, del coseno, del seno y de una exponencial peri
odica, por
tanto, la transformada de Fourier de una se
al peri
odica se puede obtener:
"
F [yT (t)] = F
#
Cn e
n t
n=
X
n=
Cn F e n t
Cn ( + n )
n=
; 0 |t| 2
+1
y(t) = 1
; 2 < |t|
t
1
Section C.1.
343
Transformaci
on de Fourier en tiempo continuo
y(t) =
An cos(nt)
n=1
An =
y(t) cos(nt)dt
y(t) =
n
X
4
sin
cos(nt)
n
2
n=1
Luego,
Y ( ) =
=
n
X
4
sin
[( + n) + ( n)]
n
2
n=1
n
X
4
sin
( + n)
n
2
n=
n6=0
1.2
0.6
0.8
0.4
0.6
0.4
0.2
0.2
10
10
0.2
0.4
0.2
(a) Coeficientes An
(b) Espectro Y ( )
Figura C.4.
10
344
La transformaci
on de Fourier
Ap
endice C
1
Y (j )
|a|
a
(C.1.7)
Demostraci
on
Si reemplazamos la funci
on escalada y(at) en la definici
on de la integral, podemos
ah definir una nueva variable t = at, pero se debe tener en cuenta que el signo de
a determina si los lmites de la integral se mantienen o se deben intercambiar:
Z
F{y(at)} =
y(at)e t dt
t dt
y(t )e a
a
Z
=
t dt
y(t )e a
a
; si a > 0
; si a < 0
signo(a)
a
y(t )ej a t dt
1
Y (j )
|a|
a
222
(C.1.8)
Section C.1.
345
Transformaci
on de Fourier en tiempo continuo
d y(t)
F
= Y ( )
dt
(C.1.9)
Demostraci
on
Si se aplica la definici
on de la transformada de Fourier a la derivada
se integra por partes, se obtiene:
Z
d y(t)
d y(t) t
F
=
e
dt
dt
dt
Z
= y(t)e t
+
d y(t)
dt ,
y(t)e t dt
Y dada la condici
on asint
otica sobre y(t) cuando t , s
olo sobrevive el segundo
termino
Z
d y(t)
F
=
y(t)e t dt
dt
= Y ( )
222
Es importante hacer notar que este lema no garantiza la existencia de la transformada de la derivada temporal de y(t), sino que, en caso de existir, su expresion
puede obtenerse utilizando (C.1.9). Para las derivadas de orden superior en tanto,
tenemos el siguiente corolario, que se debe utilizar con la misma precaucion antes
mencionada:
Corollario C.3. Derivadas de orden superior
Para una funci
on y(t) definida como en el lema anterior, tenemos que
n
d y(t)
F
= ( )n Y ( )
(C.1.10)
dt n
Demostraci
on
Se deja al lector, pues es directa por inducci
on, aplicando recursivamente el lema
anterior.
222
Lema C.6. Transformada de la integral.
Sea y(t) una funci
on definida en todos los reales, cuya transformada de Fourier
es Y ( ). Entonces, la transformada de su integral definida es
Z t
1
Y ( ) + Y (0)()
(C.1.11)
F
y( )d =
346
La transformaci
on de Fourier
Ap
endice C
Demostraci
on
Para demostrar esta propiedad debemos en primer lugar observar que si definimos 1 (t) como la integral definida de y(t), entonces
d 1 (t)
d
=
dt
dt
y( )d
= y(t)
Pero tambien se cumple, para cualquier constante real k, que
d
(1 (t) + k) = y(t)
dt
Por tanto, aplicando Fourier y la ecuaci
on (C.1.9)
(1 ( ) + 2k()) = Y ( )
Luego, ya tenemos una forma para la transformada de la derivada, que es
1
Y ( ) 2k()
(C.1.12)
Por tanto nos resta encontrar el valor de k. Para esto consideremos nuevamente
la integral indefinida 1 (t)
1 ( ) =
1 (t) =
y( )d
Z
y( )d +
y( )d
Z t
y( )d
y(x)dx
2 (t) =
y(x)dx
2 ( ) =
1
Y ( ) 2k()
Section C.1.
Transformaci
on de Fourier en tiempo continuo
347
y( )d 2 (t)
Z
1 ( ) = 2
y( )d () 2 ( )
1
1
Y ( ) 2k() = 2
y( )d ()
Y ( ) 2k()
1 (t) =
1
y( )e d
=
2
=0
1
= Y (0)
2
k=
Por tanto
1 ( ) =
1
Y ( ) + Y (0)()
222
Ejemplo C.7. El lema anterior puede utilizarse para obtener la transformada del
escal
on unitario (t) o funci
on de Heaviside, a partir de la transformada del delta
de Dirac.
Dada la definici
on del Delta Dirac y de la funci
on de Heaviside, tenemos que
(
0
( )d =
1
;t < 0
;t > 0
= (t)
Por tanto,
Z
( )d
F [(t)] = F
1
=
F [(t)] + () F [(t)]|=0
1
=
+ ()
348
La transformaci
on de Fourier
Ap
endice C
(C.1.13)
(C.1.14)
Demostraci
on
Insertando la expresi
on de la convoluci
on en la transformada se obtiene
Z
y1 ( )y2 (t )d
e t dt
y1 ( )
y2 (t )e t dt d
y1 ( ) e Y2 ( ) d
Z
= Y2 ( )
y1 ( )e d
= Y2 ( )Y1 ( )
222
Veamos a continuacion cual es la transformada de Fourier de un producto de
funciones que puede resultar u
til para el calculo de la transformada de Fourier de
alguna funcion mas complicada.
Lema C.8. Producto de funciones.
Sean y1 (t) e y2 (t) funciones definidas para < t < , cuyas transformadas
de Fourier son Y1 ( ) e Y2 ( ), respectivamente. Entonces, la transformada de
Fourier del producto entre ellas es
F{y1 (t)y2 (t)} =
1
Y1 ( ) Y2 ( )
2
(C.1.15)
Section C.1.
349
Transformaci
on de Fourier en tiempo continuo
Demostraci
on
Consideremos la transformada de Fourier inversa de la convoluci
on de funciones
en
Z
1
Y1 ( ) Y2 ( )e t d
2
Z Z
1
=
Y1 (j)Y2 ( j)d e t d
2
F 1 {Y1 ( ) Y2 ( )} =
1
{Y1 ( ) Y2 ( )} =
2
Y1 (j)
Y2 ( j)e
d d
Donde si se define j =
F
1
{Y1 ( ) Y2 ( )} =
2
= 2
( +j)t
Y1 (j)
Y2 ( )e
d d
Z
Z
1
1
jt
j t
Y1 (j)e d
Y2 ( )e
d
2
2
Demostraci
on
Esto se demuestra con ayuda del lema de convoluci
on en el tiempo (C.1.13).
Seg
un este tenemos que
1
y1 ( )y2 (t )d =
Y1 ( )Y2 ( )e t d
2
350
La transformaci
on de Fourier
Ap
endice C
Si evaluamos en t = 0, queda
Z
y1 ( )y2 ( )d =
1
2
Y1 ( )Y2 ( )d
Section C.1.
f (t)
l
X
F [f (t)]
l
X
ai yi (t)
i=1
Descripcion
ai Yi ( )
Linealidad
i=1
dy(t)
dt
Y ( )
Derivacion
dk y(t)
dtk
( )k Y ( )
Derivadas superiores
1
Y ( ) + Y (0)()
Integracion
y(t )
e Y ( )
Retardo
y(at)
1
Y j
|a|
a
Escalamiento temporal
y(t)
Y ( )
Inversion temporal
Y1 ( )Y2 ( )
Convolucion
eat y1 (t)
Y1 ( a)
Desplazamiento en frecuencia
y(t) cos(o t)
1
{Y ( o ) + Y ( + o )}
2
Modulacion (cosenoidal)
y(t) sin(o t)
1
{Y ( o ) Y ( + o )}
j2
Modulacion (senoidal)
Y (t)
2y( )
Simetra
y( )d
351
Transformaci
on de Fourier en tiempo continuo
y1 ( )y2 (t )d
y1 (t)y2 (t)
1
2
Y1 (j)Y2 ( j)d
Producto en el tiempo
352
La transformaci
on de Fourier
f (t)
t R
F [f (t)]
2()
D (t)
(t)
() +
1 e to
(t) (t to )
et (t)
<{} R+
tet (t)
<{} R+
1
( )2
e|t|
Ap
endice C
R+
2
+ 2
cos(o t)
(( + o ) + ( o ))
sin(o t)
j (( + o ) ( o ))
cos(o t)(t)
(( + o ) + ( o )) +
2
2 + o2
sin(o t)(t)
j
o
(( + o ) ( o )) +
2
2
+ o2
et cos(o t)(t)
R+
+
( + )2 + o2
et sin(o t)(t)
R+
o
( + )2 + o2
C.2.
C.2.1.
Dada una funcion definida en tiempo discreto y[k] , en que k Z , su transformada de Fourier discreta Y (ej ) y su transformada de Fourier discreta inversa
Section C.2.
353
Fd {y(t)} = Y (ej ) =
y[k]ejk
(C.2.1)
k=
1
Fd 1 Y (ej ) = y[k] =
2
Y (j)ejk d
(C.2.2)
y[k] <
k=
Si bien existen funciones que no cumplen con esta condicion, a pesar de ello
poseen transformada de Fourier discreta.
A continuacion se muestran algunos ejemplos para ver como se obtiene la transformada de Fourier discreta para un delta de Kronecker, para una secuencia constante y para una exponencial decreciente discreta.
Ejemplo C.8. Consideremos primero la secuencia
(
1 ;k = 0
y[k] = K [k] =
0 ; k 6= 0
Es decir, un delta de Kronecker . Esta secuencia es absolutamente sumable,
por tanto se cumple la condici
ojn suficiente para la existencia de su transformada
discreta. Si calculamos esta usando la definici
on tenemos que la serie infinita se
traduce en un solo termino
Y (ej ) =
K [k]ejk
k=
= K [0]ej0
=1
Es decir, su transformada de Fourier discreta es constante. Podemos interpretar
esto de manera an
aloga al delta de Dirac en tiempo continuo, cuya transformada
354
La transformaci
on de Fourier
Ap
endice C
k=
Y (ej ) =
1 ejk
k=
Ck =
1
T
T
2
f ()ej T
T2
Ck ej T
k=
X
( 2n)
Y (ej ) = 2
n=
Section C.2.
355
intervalo de longitud 2
1
y[k] =
2
=
1
2
Z
Y (ej )ejk d
( 2n)ejk d
n=
()ejk d
=1
k Z
|| < 1
Y (ej ) =
=
X
k=0
k ejk
(ej )k
k=0
Que resulta ser una serie geometrica convergente ya que |ej | < 1. Por tanto
su suma es
Y (ej ) =
C.2.2.
1
1 ej
A continuaci
on se detallan una serie de propiedades de la transformada de Fourier discreta que resultan u
tiles para la obtencion de algunas transformadas y para el
analisis de sistemas.
Lema C.9. Linealidad
La transformada de Fourier discreta es una transformaci
on lineal, es decir, si
y1 [k] e y2 [k] son dos secuencias definidas k Z, cuyas transformadas de Fourier
son Y1 (ej ) e Y2 (ej ) respectivamente, entonces
Fd {y1 [k] + y2 [k]} = Y1 (ej ) + Y2 (ej )
(C.2.3)
356
La transformaci
on de Fourier
Ap
endice C
Demostraci
on
Es directa de la definicion de la transformada (C.2.1), ya que
k=
y1 [k]ejk +
k=
y2 [k]ejk
k=
= Y1 (e ) + Y2 (e )
222
Lema C.10. Corrimiento en el tiempo.
Sea y[k] una secuencia de tiempo discreto definida k Z, cuya transformada
de Fourier es Y (ej ) , y sea k0 un n
umero entero, entonces
Fd {y[k k0 ]} = ejk0 Y (ej )
k0 Z
(C.2.4)
Demostraci
on
Consideremos la definicion de la transformada (C.2.1), y tomemos k0 Z, entonces
Fd {y[k k0 ]} =
y[k k0 ]ejk
k=
y[l]ej(l+k0 )
l=
= ejk0
y[l]ejl
l=
=e
jk0
Y (ej )
222
Section C.2.
357
(C.2.5)
Demostraci
on
Para demostrar la propiedad anterior podemos considerar directamente la definicion (C.2.1)
Fd ej0 k y[k] =
ej0 k y[k]ejk
k=
y[k]ej(0 )k
k=
Fd ej0 k y[k] =
y[k]ejk
k=
= Y (ej )
= Y (ej(0 ) )
2
y[k] = cos
k
10
Para calcular su transformada de Fourier discreta, en vez de usar la definici
on
podemos utilizar la propiedad (C.2.5), ya que el coseno puede escribirse en terminos
de exponenciales
358
La transformaci
on de Fourier
y[k] = cos
2
k
10
Ap
endice C
ej 10 k + ej 10 k
=
2
o
2
1 n 2 o 1 n
2
Fd cos
k
= Fd ej 10 k + Fd ej 10 k
10
2
2
X
X
1
2
1
2
= 2
(
+ 2n) + 2
( +
+ 2n)
2 n=
10
2 n=
10
=
n=
X
2
2
+ 2n) +
+ 2n)
( +
10
10
n=
Si restringimos la expresi
on de la transformada a la banda que nos ha interesado,
es decir, [0, 2], tenemos que en ella s
olo existen dos de los deltas de Dirac
2
18
2
Fd cos
k
) + (
)
= (
10
10
10
0<<2
1.5
1.8
1
1.6
1.4
0.5
Y(ej)
y[k]
1.2
0.8
0.5
0.6
0.4
1
0.2
1.5
15
10
0
k
10
15
Figura C.5. Se
nal cosenoidal y[k] y su transformada discreta.
En la figura C.5, se muestra la secuencia peri
odica discreta y su espectro, es
decir, su transformada de Fourier discreta, formada por los dos deltas de Dirac en
el intervalo [0, 2].
Section C.2.
359
ej0 k + ej0 k
y[k]
2
1
1 j0 k
= Fd e
y[k] + Fd ej0 k y[k]
2
2
i
1h
j(0
=
Y (e
+ Y (ej(+0 )
2
Fd {cos(0 k)y[k]} = Fd
(C.2.8)
Demostraci
on
Para demostrar la propiedad usamos la ecuacion (C.2.1), que define la transformada de Fourier discreta de una secuencia
Fd {y[k]} =
X
k=
y[k]ejk
360
La transformaci
on de Fourier
Ap
endice C
Sea l = k, entonces
Fd {y[k]} =
=
X
l=
y[l]ej(l)
y[l]ej()l
l=
= Y (ej )
222
Corollario C.6. Note que si la secuencia y[k] est
a compuesta s
olo por valores
reales, entonces
Fd {y[k]} = Y (ej )
(C.2.9)
En que () denota al complejo conjugado de ()
Demostraci
on
Se deja como ejercicio al lector.
222
Section C.2.
361
X(ej ) = Fd {[k]} + C2
( 2n)
n=
X(ej ) ej X(ej ) = 1
De ambas ecuaciones se puede eliminar X(ej ) y despejar la transformada que
nos interesa
X
1
Fd {[k]} =
C2
( 2n)
1 ej
n=
Donde hemos obtenida la forma de la transformada del escal
on unitario discreto.
Para obtener el valor de la constante C, podemos escribir el mismo escal
on como
[k] = 1 [k] + K [k]
Donde podemos aplicar la transformada utilizando la forma de Fd {[k]} obtenida, la propiedad de simetra temporal, y las transformadas del delta de Kronecker y
la constante, antes obtenidas.
1
C S() = S()
1 ej
S()
+1
1 ej
En que
S() = 2
( 2n)
n=
1
1
+
+1
j
1e
1 ej
|
{z
}
0
C 2S() = S()
1
C=
2
Luego, la transformada de Fourier discreta del escal
on [k] es
Fd {[k]} =
X
1
( 2n)
+
1 ej
n=
362
La transformaci
on de Fourier
Ap
endice C
Lema C.13. Sea y[k] una secuencia de tiempo discreto definida k Z, cuya
transformada es Y (ej ). Consideremos ahora la secuencia k y[k], su transformada,
s
olo en el caso que exista, es igual a
Fd {k y[k]} = j
d Y (ej )
d
(C.2.10)
Demostraci
on
Se debe tener cuidado al aplicar esta propiedad, pues no garantiza la existencia de la transformada de k y[k].
En caso de existir, podemos aplicar la transformada de Fourier inversa, usando
la ecuacion (C.2.2) :
Z 2
1
d Y (ej ) jk
d Y (ej )
Fd 1 j
=
j
e d
d
2 0
d
Donde se puede integrar por partes, eligiendo convientemente :
Z 2
j
d Y (ej )
d Y (ej )
Fd 1 j
=
ejk
d
d
2 0
d
2 j Z 2
j jk
=
e Y (ej )
Y (ej )jkejk d
2 |
2
0
0
{z
}
2
j
k
2
1
=k
2
|
0
2
Y (ej )ejk d
Y (ej )ejk d
{z
}
y[k]
222
|| < 1
Section C.2.
Fd
d Fd k [k]
k [k] = j
d
1
d
=j
d 1 ej
1
=j
(jej )
(1 ej )2
ej
=
(1 ej )2
k
1.8
4.5
1.6
1.4
3.5
3
Y(ej)
y[k]
1.2
2.5
0.8
0.6
1.5
0.4
0.2
0.5
0
5
363
10
k
15
20
25
(C.2.11)
Demostraci
on
Recordemos en primer lugar que la convolucion de dos secuencias de tiempo
discreto y1 [k] e y2 [k] se define como :
364
La transformaci
on de Fourier
y1 [k] y2 [k] =
Ap
endice C
y1 [l]y2 [k l]
l=
X
X
Fd {y1 [k] y2 [k]} =
y1 [l]y2 [k l] ejk
k=
l=
y1 [l]
l=
!
jk
y2 [k l]e
k=
y1 [l]ejl Y2 (ej )
l=
= Y2 (ej )
y1 [l]ejl
l=
(C.2.12)
Demostraci
on
Reemplazando el producto de las secuencias en la definicion (C.2.1) tenemos que
:
Fd {y1 [k]y2 [k]} =
y1 [k]y2 [k]ejk
k=
Section C.2.
365
Z 2
X
1
Y1 (ej )ejk d y2 [k]ejk
2 0
k=
!
Z 2
X
jk
1
j
jk
=
Y1 (e )
e y2 [k] e
d
2 0
k=
X
k=
1
y1 [k]y2 [k] =
2
2
0
(C.2.13)
X
k=
Z 2
X
1
j jk
y1 [k]y2 [k] =
Y1 (e )e d y2 [k]
2 0
k=
X
k=
y1 [k]y2 [k]
1
=
2
1
=
2
1
=
2
Y1 (e )
0
Y1 (e )
0
Z
0
!
y2 [k]ejk
k=
!
y2 [k]e
k=
2
jk
366
La transformaci
on de Fourier
Ap
endice C
222
Corollario C.7. Si y[k] es una secuencia discreta definida k Z, con transformada Y (ej ), entonces se cumple que:
X
k=
| y[k] |2 =
1
2
| Y (ej ) |2 d
(C.2.14)
Demostraci
on
Es directa de la ecuaci
on (C.2.13) ya que
y[k] y [k] = | y[k] |2
Y (ej )Y (ej ) = | Y (ej ) |2
222
Section C.2.
Fd {y[k]} = Y (ej )
y[k] , k Z
l
X
367
l
X
i yi [k]
i=1
i Yi (ej )
Descripcion
Linealidad
i=1
y[k]
Y (ej )
Inversion temporal
y[k k0 ] , k0 Z
ejk0 Y (ej )
Corrimiento temporal
ej0 k y[k]
Y (ej(0 ) )
Corrimiento en frecuencia
cos(0 k)y[k]
sin(0 k)y[k]
i
1h
Y (ej(+0 ) + Y (ej(0 )
2
i
jh
Y (ej(+0 ) Y (ej(0 )
2
ky[k]
l=
y1 [k]y2 [k]
y1 [k]y2 [k]
k=
X
k=
| y[k] |2
1
2
1
2
Modulacion senoidal
d Y (ej )
d
y1 [l]y2 [k l]
Modulacion cosenoidal
Convolucion
Producto en el tiempo
2
0
1
2
| Y (ej ) |2 d
Teorema de Parseval
Teorema de Parseval
368
La transformaci
on de Fourier
y[k]
Ap
endice C
Fd {y[k]} = Y (ej )
t R
K [k]
K [k k0 ]
ejk0
1 (k Z)
( 2n)
n=
[k]
X
1
+
( 2n)
1 ej
n=
1
1 ej
1
(1 ej )2
X
2
( 0 + 2n)
n=
cos(0 k)
[( + 0 + 2n) + ( 0 + 2n)]
n=
sin(0 k)
[( + 0 + 2n) ( 0 + 2n)]
n=
cos(0 k + )
X
j
e
( + 0 + 2n) + ej ( 0 + 2n)
n=
sin(c k)
k
Y0 (ej(+2n) )
n=
(
1 ; || < c
Y0 (e ) =
0 ; c < ||
2N +1
sin
21
sin 2
j
(
0
y[k] =
1
; |k| N
; |k| > N
ej
(1 ej )2
Section C.2.
C.2.3.
369
Aspecto pr
actico: la transformada r
apida de Fourier
N
1
X
Cn ejo nk ;
donde o =
n=0
2
N
(C.2.15)
donde
Cn =
N 1
1 X
y[k]ejo nk
N
(C.2.16)
k=0
Usualmente se define
WN = ejo = ej N
(C.2.17)
y la funcion
Hn = N C n =
N
1
X
y[k]WNnk
(C.2.18)
k=0
N 1
1 X
Hn WNnk
N n=0
(C.2.19)
370
La transformaci
on de Fourier
Ap
endice C
0(N 1)
WN00
WN01
...
WN
H0
y[0]
1(N 1)
H1
y[1]
WN10
WN11
...
WN
.. =
..
.
.
.
..
..
..
.
.
.
.
.
(N
1)0
(N
1)1
(N
1)(N
1)
y[N 1]
HN 1
W
W
... W
N
(C.2.20)
Hacer el producto matricial el lado derecho de la ecuacion anterior implica N 2
multiplicaciones complejas, ademas de las sumas respectivas para el calculo de cada
Hn . Tambien se requieren algunas operaciones mas para el calculo de las potencias
de WN . Es decir, podemos apreciar que el calculo de la DFT es un proceso O(N 2 )
2
.
Sin embargo, la matriz involucrada en (C.2.20) esta formada por potencias de
2
WN = ej N , por tanto todos sus componentes son alguna de las races N -esimas de
la unidad, distribuida en torno a la circunferencia unitaria. Esta simetra de hecho
es el camino para reducir el n
umero de calculos necesarios para el calculo de la
DFT. Los algoritmos que hacen uso de estas simetras se comenzaron a desarrollar
mas fuertemente a partir de mediados de los a
nos 60 y reciben el nombre generico
de transformada r
apida de Fourier o FFT por su denominacion en ingles3 .
Para maximizar el aprovechamiento de las simetras es conveniente elegir secuencias y[k] cuyo largo se una potencia de 2, es decir:
N = 2v
para algun v Z+
(C.2.21)
Esto no implica perder generalidad, pues en los casos en que no pueden tomarse
mas valores de la secuencia original podemos completar con ceros hasta la potencia
de 2 mas cercana (aunque ello significa la introduccion de un grado variable de
inexactitud).
Consideremos la forma en que se calcula el coeficiente Hn , seg
un la ecuacion
(C.2.18). Si tenemos una secuencia de longitud N par, podemos separarla en una
que contenga los valores de y[k] cuando k es par y otra para los k impares. Es decir:
Hn =
N
1
X
y[k]WNnk
(C.2.22)
k=0
N/21
X
r=0
2 Del
N/21
n(2r)
y[2r]WN
n(2r+1)
y[2r + 1]WN
(C.2.23)
r=0
3 Fast
Section C.2.
371
Pero podemos apreciar que las nuevas secuencias, y[2r] e y[2r+1], son secuencias
de largo N/2, por lo que podra escribirse las sumatorias como la serie de Fourier
discreta modificada que les corresponde. Justamente esto sucede en forma natural
al observar que
n(2r)
WN
nr
= ej N n(2r) = ej N/2 nr = WN/2
(C.2.24)
Hn =
N/21
n(2r)
y[2r]WN
r=0
=
=
r=0
Hnpar
WNn
(C.2.25)
r=0
N/21
n(2r)
y[2r + 1]WN
N/21
nr
y[2r]WN/2
WNn
nr
y[2r + 1]WN/2
(C.2.26)
r=0
+ WNn Hnimpar
(C.2.27)
Como antes mencionamos, para calcular los terminos Hn para una secuencia de
longitud N por el metodo directo, se requieren del aproximadamente N 2 multiplicaciones complejas en el producto matricial (C.2.20). Analogamente para calcular
cada uno de los terminos Hnpar y Hnimpar , que corresponden a secuencias de largo
N/2, requeriremos (N/2)2 multiplicaciones complejas para cada uno. Y para poder
formar cada uno de los N terminos Hn requerimos una u
nica multiplicacion compleja mas, seg
un (C.2.27).
Es importante hacer notar que dado que las secuencias y[2r] e y[2r + 1] son N/2
nr
periodicas en r, sus armonicas WN/2
, tambien lo son:
(l+N/2)
WN/2
l
= ej N/2 (l+N/2) = ej N/2 l ej2 = ej N/2 l = WN/2
(C.2.28)
N +2
N
2
2
N2
N 2
(C.2.29)
Sin embargo, y he aqu la facilidad que entrega el suponer que N es una potencia
de 2, las secuencias y[2r] e y[2r +1], tienen longitud par (N/2 tambien sera potencia
de 2), por tanto podemos aplicarles este mismo metodo. Es decir, cada una puede
separarse en dos subsecuencias de longitud N/4. Con esto el n
umero de calculos
necesarios seran
2 !
2
N
N
N
N +2
+2
=N +N +4
(C.2.30)
2
4
4
372
La transformaci
on de Fourier
Ap
endice C
2000
1500
1000
500
10
15
20
25
N
30
35
40
45
50
Section C.2.
373
Esto se representa en la figura C.8, donde sobre las lineas de flujo se coloca el
factor que une a los datos
H0p
W80
H1p
H0
H1
W81
H2p
H2
W82
H3p
H3
W83
H0i
W84
H1i
W85
H2i
W86
H3i
W87
H4
H5
H6
H7
374
La transformaci
on de Fourier
H0pp
H1pp
H0pi
H1pi
H0ip
H1ip
H0ii
H1ii
H0
W80
W80
W82
W81
W84
W86
H2
H3
W83
W84
W82
W85
W86
H1
W82
W80
W84
Ap
endice C
W86
W87
H4
H5
H6
H7
Finalmente al subdividir nuevamente las secuencias quedan terminos individuales que corresponden a los 8 valores de la secuencia original considerada:
Hnpp = Hnppp + W84n Hnppi = y0 + W84n y1
Hnpi = Hnpip + W84n Hnpii = y2 + W84n y3
Hnip = Hnipp + W84n Hnipi = y4 + W84n y4
Hnii = Hniip + W84n Hniii = y6 + W84n y7
Estos productos calculos se agregan al esquema anterior, tal como se muestra en
la figura C.10, donde podemos apreciar claramente que en cada etapa se realizan 8
multiplicaciones complejas, totalizando un total de 24. En caso de haber hecho los
c
alculos de manera directa hubiera resultado necesario ralizar 82 = 64 multiplicaciones.
Section C.2.
375
y0
y1
y2
y3
y4
y5
y6
y7
W80
W84
W80
W84
W80
W84
W80
W84
H0
W80
W80
W82
W81
W84
W86
H2
W82
H3
W83
W80
W84
W82
W85
W84
W86
H1
W86
W87
H4
H5
H6
H7
Apendice D
LA TRANSFORMADA DE
LAPLACE
D.1.
D.1.1.
Transformada de Laplace
Definici
on de la Transformada
Sea una se
nal de tiempo continuo y(t), 0 t < , entonces la Transformada
de Laplace asociada a y(t), y su transformada inversa estan definidas como
Z
L [y(t)] = Y (s) =
est y(t)dt
(D.1.1)
L1 [Y (s)] = y(t) =
1
2j
+j
est Y (s)ds
(D.1.2)
(D.1.3)
376
Section D.1.
377
Transformada de Laplace
con regi
on de convergencia <{s} > . SI denotamos como h(t) a su correspondiente funci
on temporal, i.e.
H(s) = L [h(t)]
(D.1.4)
(D.1.5)
Demostraci
on
De la definici
on de la transformada de Laplace tenemos que, para todo s en la
regi
on de convergencia de la transformada, i.e. en <{s} >
Z
H(s) =
h(t)est dt
(D.1.6)
0
(D.1.7)
t0
(D.1.8)
1
s2
para
<{s} > 2
(D.1.9)
378
La transformada de Laplace
Ap
endice D
Z
ez0 t y(t)dt
I(z0 ) =
(D.1.10)
Z
3t 2t
I(3) =
et dt = 1
e dt =
(D.1.11)
Note que esto se podra haberse obtenido como consecuencia de lema D.1 ya que
Y (3) =
1
=1
32
(D.1.12)
D.1.2.
, C
(D.1.13)
Demostraci
on
Esta propiedad es directa dado que la transformada de Laplace esta definida
mediante la integral (D.1.1) :
Z
= Y1 (s) + Y2 (s)
222
Section D.1.
379
Transformada de Laplace
d y(t)
dt
d y(t)
L
= sY (s) y(0 )
dt
es continua
(D.1.14)
Demostraci
on
Seg
un la definici
on tenemos:
Z
d y(t)
d y st
e dt
L
=
dt
0 dt
En esta si se integra por partes,
Z
= e y(t) + s
y(t)est dt
0
0
st
= lm e y(t) y(0 ) + sL [y(t)]
st
d y(t
L
= sY (s) y(0 )
(D.1.15)
dt
222
Maple tambien es capaz de reconocer esta y otras propiedades, mediante los
comandos:
> with(inttrans):
laplace(diff(y(t),t),t,s);
s laplace(y(t), t, s) y(0)
Corollario D.2. Derivadas de orden superior.
Si se extiende este resultado, aplicando este lema recursivamente a las derivadas
de orden superior puede demostrarse que
d n1 y(0 )
d n y(t)
= sn Y (s) sn1 y(0 )
n
dt
dt n1
n Z+
(D.1.16)
380
La transformada de Laplace
Ap
endice D
Ilustramos esto en el siguiente ejemplo, en que cada paso del desarrollo se acompa
na por los comandos en Maple correspondientes.
Ejemplo D.2. Considere la ecuaci
on diferencial
> edo :=
diff(theta(t),t,t)+2*diff(theta(t),t)=v_a(t)
d 2
d
+2
= va (t)
(D.1.17)
dt 2
dt
Si tomamos transformada de Laplace a ambos lados de la ecuaci
on y aplicamos
D.1.16 se obtiene
> EDO := laplace(edo,t,s);
) = Va (s)
s2 (s) + 2s(s) (s + 2)(0 ) (0
(D.1.18)
1
(s) =
Va (s)
s2 + 2s
1
1
=
s2 + 2s s
Expandiendo en fracciones parciales obtenemos
> Theta(s):=convert(Theta(s),parfrac,s);
(s) =
1
1
1
+
4(s + 2) 2s2
4s
(D.1.19)
1
1 2t 1
e
+ t
4
2
4
(D.1.20)
Section D.1.
381
Transformada de Laplace
1
L
y( )d = Y (s)
(D.1.21)
s
0
Demostraci
on
Si reemplazamos la integral en la definicion de la transfomada (D.1.1), podemos
hacer una integral por partes:
Z
y( )d e|st
{zdt}
{z
} dv
y( )d =
0
est
=
y( )d
s 0
0
Z
1
=0+
y(t)est dt
s 0
t
y(t)
0
est
dt
s
222
Lema D.5. Derivada en s.
Sea y(t) una funci
on continua con L [y(t)] = Y (s), entonces
L [tn y(t)] = (1)n
d n Y (s)
ds n
Demostraci
on
Este resultado se establece derivando ambos lados de la ecuaci
on
Z
Y (s) =
y(t)est dt
y as` obtenemos
dY (s)
=
ds
y(t)est dt
s
ty(t)est dt
= L [t y(t)]
(D.1.22)
382
La transformada de Laplace
Ap
endice D
Y el lema se obtiene aplicando esto repetidamente aunque, en rigor, para intercambiar derivada con integral se requieren ciertas propiedades de regularidad.
222
Este lema puede resultar u
til para obtener la transformada de Laplace de funciones que aparecen multiplicadas por la variable t, como en el siguiente ejemplo.
Ejemplo D.3. Consideremos la funci
on y(t) = t2 y obtengamos su transformada
de Laplace.Seg
un la definici
on
Z
2
t2 est dt
L t =
0
Y para resolver se puede integrar por partes dos veces. Sin embargo, si se aplica
el lema D.5 tenemos
d2
L t2 1 = (1)2 2 L [1]
ds
d2 1
=
ds 2 s
1
d
2
=
ds
s
2
= 3
s
La propiedad en si y el ejemplo pueden realizarse en Maple , mediante los
siguientes comandos
>laplace(t*y(t),t,s);
laplace(y(t), t, s)
s
(D.1.23)
Section D.1.
383
Transformada de Laplace
Demostraci
on
Dado que la funci
on escal
on unitario es igual a 0 antes de a y 1 despues, la
transformada de Laplace puede calcularse con la definici
on
Z
Z0
(t a)y(t a)est dt
y(t a)est dt
Za
y(t)es(t+a) dt
Z
= esa
y(t)est dt
=
0
sa
= e
Y (s)
p(t) =
1
0
; si 0 t < a
; si t a
Esta se
nal puede escribirse usando la funci
on de Heaviside o escal
on unitario
(t) sin necesidad de definirla por tramos. En Maple
> assume(a>0);
p(t):=Heaviside(t)-Heaviside(t-a);
p(t) = (t) (t a)
Y usando la propiedad (D.1.23), o calculano con Maple , se obtiene
> P(s):=laplace(p(t),t,s);
384
La transformada de Laplace
Ap
endice D
1 1 as
e
s s
1
= 1 esa
s
P (s) =
Este ejemplo puede extenderse a cualquier funcion que este definida por tramos,
cuya transformada de otra forma se tendra que calcular separando la integral
(D.1.1) de la definicion.
Se deja al lector obtener una expresion para f (t)p(t) en que p(t) es el pulso del
ejemplo anterior, y f (t) es alguna funcion continua en el intervalo 0 < t < a. A
continuacion se presenta otro resultado relacionado con el desplazamiento temporal
de una funcion.
Lema D.7. Funci
on peri
odica.
Tomemos una funci
on perodica
y(t) =
yT (t nT )
(D.1.24)
n=0
en que yT (t) es cero fuera del intervalo [0, T ], es decir, yT (t) = [(t) (t
T )]y(t). Entonces la transformada de Laplace de y(t) es
L [y(t)] =
1
YT (s)
1 esT
(D.1.25)
L [y(t)] =
enT s YT (s)
n=0
Y (s) = YT (s)
enT s
n=0
1 lmn enT s
Y (s) = YT (s)
1 esT
Section D.1.
385
Transformada de Laplace
y dentro de la regi
on de convergencia lmn enT s 0
Y (s) =
1
YT (s)
1 esT
222
L eat y(t) = Y (s a)
(D.1.26)
Demostraci
on
De la definicion (D.1.1), tenemos que
L eat y(t) =
Z0
eat y(t)est dt
y(t)e(sa)t dt
= Y (s a)
222
Lema D.9. Convoluci
on
Sean y1 (t) e y2 (t) funciones continuas en (0, +), talque son iguales a cero para
t < 0, cuyas transformadas de Laplace son Y1 (s) e Y2 (s), respectivamente. Entonces
la transformada de la convoluci
on entre y1 (t) e y2 (t) es:
L [y1 (t) y2 (t)] = Y1 (s)Y2 (s)
(D.1.27)
En que
Z
y1 (t) y2 (t) =
y1 ( )y2 (t )d
(D.1.28)
Demostraci
on
Si las se
nales son causales, es decir, su valor es cero t < 0, entonces podemos
reescribirlas
386
La transformada de Laplace
Ap
endice D
0
Z
st
y1 ( )( )
[y2 (t )(t )] e dt d
y1 ( )( )es Y2 (s)d
Z
= Y2 (s)
y1 ( )es d
= Y2 (s)Y1 (s)
222
Lema D.10. Producto en t
Sean y1 (t) e y2 (t) funciones continuas en (0, +), cuyas transformadas de
Laplace son Y1 (s) e Y2 (s), respectivamente. Entonces la transformada del producto
entre y1 (t) e y2 (t) es:
1
L [y1 (t)y2 (t)] =
2j
+j
Y1 ()Y2 (s )d
(D.1.29)
Demostraci
on
Si reemplazamos el producto de las funciones dentro de la definicion de la transformada, podemos demostrar la propiedad escribiendo una de ellas como la transformada inversa de su transformada de Laplace:
Section D.1.
387
Transformada de Laplace
Z
L [y1 (t)y2 (t)] =
0
Z
=
0
y1 (t)y2 (t)est dt
Z +j
1
t
Y1 ()e d y2 (t)est dt
2j j
1
2j
1
2j
+j
Y1 ()
j
+j
et y2 (t)est dt d
Y1 ()Y2 (s )d
j
222
Teorema D.1. . [Teorema del Valor Final y Teorema del Valor Inicial]
Existen dos resultados que permiten obtener relaciones entre comportamientos
asint
oticos de la funci
on y(t) y su tranformada Y (s). Estos se conocen como el
teorema del Valor Inicial y teorema del Valor Final.
(D.1.30)
(D.1.31)
t0
s
s0
Demostraci
on
Las demostraciones se basan en resultados anteriores
(i) Teorema del Valor Inicial.
Supongamos primero que y(t) es continua en t = 0, i.e. y(0 ) = y(0+ ) = y = 0.
Si usamos la ecuaci
on (D.1.14) tenemos
Z
d y(t) st
e dt = sY (s) y(0 )
dt
388
La transformada de Laplace
Ap
endice D
d y(t) st
e dt
dt
Z0
=k
d y(t) st
dt e dt
ket est dt
(s)t
s + 0
y si s entonces
k
s
d y(t) st
k
e dt
dt
s
0, de donde se obtiene
lm sY (s) = lm y(t)
t0+
Ahora si la funci
on y(t) no es continua, podemos definir
(D.1.32)
d y(t) st
e dt = sY (s) y(0 )
dt
h
d y(t) st
y(0+ ) y(0 ) i
e dt = s Y (s)
y(0 )
dt
s
= sY (s) y(0+ )
d y(t)
dt = sY (s) y(0 )
dt
(D.1.33)
Section D.1.
389
Transformada de Laplace
d y(t) st
lm
e dt = lm sY (s) y(0 )
s0
s0
dt
0
(D.1.34)
d y(t)
lm est dt = lm sY (s) y(0 )
(D.1.35)
s0
s0
dt
0
Z
d y(t)
dt = lm sY (s) y(0 )
(D.1.36)
s0
dt
0
lm y(t) y(0 ) = lm sY (s) y(0 )
(D.1.37)
t
s0
lm y(t) = lm sY (s)
s0
(D.1.38)
222
s2
s
+ 02
lm
s0
s2
=0
s2 + 02
222
Ejemplo D.6. Una distinci
on importante de hacer es que en el caso en que la
respuesta de un sistema sea discontinua en t = 0 el teorema del Valor Inicial entrega
el valor de la salida en t = 0+ el que puede no coincidir con la condici
on inicial
dada. Veamos esto en un ejemplo simple en que tenemos un circuito como el de la
figura D.1 en que se conecta la batera de 1[V] en t = 0, y todas las condiciones
iniciales son cero.
Por ley de voltajes de Kirchoff tenemos
vf (t) = vR (t) + vC (t)
Z
1 t
i( )d
(t) = Ri(t) +
C
390
La transformada de Laplace
Ap
endice D
R
+
vf (t)
vc (t)
i(t)
Figura D.1. Circuito RC
1
1
= R sI(s) i(0 ) + I(s)
s
C
y despejando se obtiene
I(s) =
1
sR +
1
C
s
s sR +
1
=
R
= lm
1
C
1/R
1
=L
s + 1/RC
1
= et/RC (t)
R
Section D.1.
391
Transformada de Laplace
f (t)
l
X
L [f (t)]
l
X
ai yi (t)
i=1
dk y(t)
dtk
sY (s) y(0 )
k
s Y (s)
Pk
i=1
ki
di1 y(t)
dti1 t=0
1
Y (s)
s
y( )d
0
i=1
dy(t)
dt
ai Yi (s)
Comentarios
dY (s)
ds
ty(t)
tk y(t)
(1)k
dk Y (s)
dsk
y(t )(t )
es Y (s)
eat y(t)
Y (s a)
k {1, 2, 3, . . .}
(t) :
escalon unitario
y1 ( )y2 (t )d
y1 (t)y2 (t)
lm y(t)
lm y(t)
t0+
Y1 (s)Y2 (s)
1
2j
+j
Y1 ()Y2 (s )d
Convolucion compleja
lm sY (s)
s0
lm sY (s)
392
La transformada de Laplace
f (t)
(t 0)
Ap
endice D
L [f (t)]
Region de Convergencia
1
s
>0
D (t)
|| <
(t )
es
s
>0
1
s2
>0
n!
tn
n Z+
et
1
s
> <{}
tet
1
(s )2
> <{}
s
s2 + o2
>0
o
+ o2
>0
cos(o t)
sin(o t)
et sin(o t + )
sn+1
s2
>0
> <{}
2o s
+ o2 )2
>0
t cos(o t)
s2 o2
(s2 + o2 )2
>0
(t) (t )
1 es
s
|| <
t sin(o t)
(s2
Section D.1.
D.1.3.
393
Transformada de Laplace
Descomposici
on en fracciones parciales
Y1 (s) =
=
+
(D.1.40)
(s + 1 )(s + 2 )
s + 1
s + 2
H1 (s) =
(D.1.41)
(D.1.42)
(D.1.43)
394
La transformada de Laplace
Ap
endice D
Finalmente teniendo estos valores de las constantes puede verse en la tabla D.2
la tranformada inversa
1
y1 (t) = L
+
= e1 t + e2 t
(D.1.44)
s + 1
s + 2
222
En el ejemplo anterior al descomponer la funcion racional (D.1.39) en dos fracciones (D.1.40), para encontrar las constantes se resolvio el sistema (D.1.42) de dos
ecuaciones y dos incognitas. Sin embargo, si el polinomio denominador es de orden
N el metodo desemboca en resolver un sistema de N ecuaciones y N inc
ognitas !.
Es por esto que en el siguiente ejemplo se muestra un metodo mas practico.
Ejemplo D.8. Consideremos el sistema
2s + 1
(D.1.45)
s3 + 3s2 4s
Del polinomio denominador pueden calcularse los polos del sistema. Estos se
ubican en s = 0, 4, 1, Por lo cual interesa descomponerlo en la forma
Y2 (s) =
s3
2s + 1
= +
+
2
+ 3s 4s
s
s+4 s1
(D.1.46)
s
s
2s + 1
=+
+
+ 3s 4
s+4 s1
1
=
4
"
#
2s + 1
(s + 4)
(s + 4)
++
=
s(s 1)
s
s1
s=4
s=4
7
=
20
De manera an
aloga pueden encontrarse la tercera constante, multiplicando por
(s 1) y reemplazando s = 1
#
"
2s + 1
(s 1) (s 1)
+
+
=
s(s + 4)
s
s+4
s=1
3
=
5
s=1
Section D.1.
Transformada de Laplace
395
Como puede verse este metodo de multiplicar por cada uno de los polinomios
factores del denominador, para luego reemplazar la variable s por la respectiva raz,
permite llegar de manera mucho m
as directa a los coeficientes de la descomposici
on
(D.1.46). Con ayuda de la tabla D.2 se obtiene finalmente
1
3
4
7
+ 20 + 5
y2 (t) = L1
s
s+4 s1
7 4t 3 t
1
+ e
= e
(D.1.47)
4 20
5
222
Se deja al lector verificar que la funci
on obtenida es la misma que se obtiene si
se aplica el metodo del ejemplo D.7.
Cabe destacar que en el ejemplo D.8 se ha aprovechado que al multiplicar por
cada factor del denominador (s ) y reemplazar por s = todos los terminos de
la descomposicion en fracciones parciales se hacen cero, excepto el coeficiente cor1
respondiente a s
. Sin embargo, en caso de existir races repetidas, aparecera una
indefinicion al reeplazar (s = ).
Ejemplo D.9. En el caso de races repetidas, la descomposici
on en fracciones parciales no toma la forma (D.1.40), sino que se descompone como
Y3 (s) =
As + B
=
+
(s )2
s (s )2
(D.1.48)
Y3 (s) =
(D.1.49)
(D.1.50)
222
396
La transformada de Laplace
Ap
endice D
s2
As + B
;
+ 2n s + n2
0<1
(D.1.51)
Expresi
on en que se denomina factor de amortiguaci
on. Dado que en la tabla
D.2 tenemos s
olo expresiones en que el denominador es una suma de cuadrados,
podemos escribir la funci
on de la forma
Y4 (s) =
(s + n
As + B
p
+ (n 1 2 )2
)2
(D.1.52)
Y4 (s) =
p
A(s + n ) (An + B) (n 1 2 )
p
=
+
D(s)
D(s)
(0 1 2 )
(D.1.53)
en que el denominador es
D(s) = (s + n )2 + (n
1 2 )2
(D.1.54)
1 2t +
p
(An + B) n t
p
e
sin n 1 2 t (D.1.55)
2
(n 1 )
222
Section D.1.
Transformada de Laplace
397
1
1
e 2 Ct DA cos( 12 4 D C 2 t)
1 e 2 Ct C 3 B cos( 21 4 D C 2 t)
h(t) =
+4
2
(4 D C 2 ) D
4 D C2
1
1
12 Ct 2
Ct
e
C A cos( 2 4 D C 2 t) e 2 AC sin( 12 4 D C 2 t)
4 D C2
4 D C2
1
1
e 2 Ct CB cos( 12 4 D C 2 t)
e 2 Ct B sin( 12 4 D C 2 t)
2
+2
4 D C2
4 D C2
12 Ct
CB cos( 12 4 D C 2 t)
1 e
+
2
D
Es importante notar que Maple , en este caso, ha supuesto que el termino
4DC 2 es estrictamente positivo, es decir, que las races del polinomio denominador
son reales y distintas. En consecuencia, si bien el uso de software puede ayudar
bastante en un desarrollo matematico, lo fundamental es entender e interpretar lo
resultados que se obtienen.
3 Use
398
La transformada de Laplace
Y (s)
y(t) = L1 [Y (s)] ; t 0
D (t)
e s , > 0
D (t )
1
s
(t)
1
, n {2, 3, . . .}
sn
tn1
(n 1)!
k
s+
ket
e s
, > 0
s+
e(t ) (t )
a1 s + a0
(s + 1 )(s + 2 )
C1 e1 t + C2 e2 t
C1 =
a1 s + a0
(s + )2
1 a1 a0
1 2
; C2 =
h
i
et C1 cos(0 t) + C2 sen(0 t)
C1 = a1 ; C2 =
k
s(s + )
a1 s + a0
s (s + )2 + 02
2 a1 +a0
1 2
a1 et + (a0 a1 )tet
a1 s + a0
(s + )2 + 02
Ap
endice D
a0 a1
0
k
1 et
a
h
i
t
1
e
C
cos(
t)
+
C
sin(
t)
1
0
2
0
2
a0
+ 0
C1 = a0 ; C2 =
a0 a1 (2 +02 )
0
Apendice E
LA TRANSFORMACION
ZETA
E.1.
Definici
on de la Transformaci
on
Dada una se
nal de tiempo discreto f [k], 0 k < . La transformacion Zeta,
y la transformacion Zeta inversa, estan definidas por
Z [f [k]] = F (z) =
f [k]z k
(E.1.1)
k=0
1
[F (z)] = f [k] =
2j
I
f (z)z k1 dz
(E.1.2)
X
k=
f [`]ej`
X
f [`]
k=0
|z|`
ej` ;
|z| >
(E.1.3)
400
La Transformaci
on Zeta
Ap
endice E
F (z)z k d =
f [k]|z|k`
ej(k`) d
(E.1.4)
`=0
Por otra parte, sabemos que las exponenciales periodicas 1, ej , ej2 , ej3 , . . .
forman un conjunto de funciones ortogonales, ya que
(
Z 2
0
k 6= `
jk j`
j(`k)
e
he , e i =
d =
(E.1.5)
2 k = `
0
Con este resultado, (E.1.4) se simplifica a
f [k] =
1
2
F (z)z k d
(E.1.6)
(E.1.7)
(E.1.8)
X
1 (z 1 )k
Z k [k] =
k z k =
(z 1 )k = lm
k 1 (z 1 )
k=0
k=0
Donde la expresi
on al lado derecho converge si y s
olo si
(E.1.9)
Section E.2.
401
(E.1.10)
Z k [k] =
z
1
=
1 z 1
z
(E.1.11)
222
E.2.
, C
(E.2.1)
Demostraci
on
Esta propiedad se demuestra sin problema ya dado que la transformada Zeta se
define mediante la integral (E.1.1) :
k=0
y1 [k]z
k=0
y2 [k]z k
k=0
= Y1 (z) + Y2 (z)
Se debe hacer notar que en este caso la region de convergencia de la combinacion
lineal de las transformadas es la intersecci
on de la region de convergencia de cada
una por separado.
222
Z ak y[k] = Y
a
(E.2.2)
402
La Transformaci
on Zeta
Ap
endice E
Demostraci
on
Seg
un la definicion tenemos:
z k
z
X
X
Z ak y[k] =
ak y[k]z k =
y[k]
=Y
a
a
k=0
(E.2.3)
k=0
z
z
; || < 1
Y2 (z) = Y1
1 j0 k
(re ) + (rej0 )k )
2
Section E.2.
403
1 j0 k
Z (re ) + Z (rej0 )k )
2
1
z
z
=
+
2 z rej0
z rej0
1
z(2z 2r cos 0 )
=
2 z 2 z2r cos 0 + r2
z(z r cos 0 )
= 2
z z2r cos 0 + r2
Y (z) =
(E.2.4)
Demostraci
on
Directa de la definicion (E.1.1)
Z [y [k]] =
y [k]z k
k=0
!
y[k](z )k
= {Y (z )}
k=0
222
Lema E.4. Desplazamientos en k.
Sea y[k] una secuencia discreta en que 0 k < cuya transformada Zeta es
Y (z). Entonces, dado un entero k0 > 0, tenemos los siguientes resultados para la
transformada Zeta de la secuencia y[k] desplazada
Z [y[k k0 ]] = Y (z)z k0 + y[1]z k0 +1 + . . . + y[k0 + 1]z 1 + y[k0 ] (E.2.5)
404
La Transformaci
on Zeta
Z [y[k k0 ]] =
Ap
endice E
y[k k0 ]z k
k=0
y[k k0 ]z k
k=k0
Z [y[k k0 ]] =
l=0
=z
k0
!
y[l]z
l=0
Z [y[k + k0 ]] =
=
y[k + k0 ]z k
k=0
y[l]z (lk0 )
l=k0
"
=z
k0
y[l]z
l=0
l=0
(E.2.7)
Section E.2.
405
z k0
z
d Y (z)
dz
(E.2.8)
Demostraci
on
De la definicion (E.1.1), tenemos que
Z [k y[k]] =
=
ky[k]z k
k=0
ky[k]z k
k=0
= z
(k)y[k]z k1
k=0
d Y (z)
= z
dz
222
Ejemplo E.5. Consideremos el caso en que la secuencia discreta a la cual queremos
calcularle su transformada Zeta es una rampa de tiempo discreto, es decir:
y[k] = k[k]
Seg
un (E.2.8) su transformada ser
a
406
La Transformaci
on Zeta
Ap
endice E
d
z
Z [k[k]] = z
dz z 1
(z 1) z
= z
(z 1)2
z
=
(z 1)2
(E.2.9)
En que
y1 [k] y2 [k] =
k
X
y1 [l]y2 [k l]
(E.2.10)
l=0
Demostraci
on
Si las se
nales son causales, es decir, su valor es cero k < 0, entonces podemos
reescribirlas
y1 [k] = [k]y1 [k]
y2 [k] = [k]y2 [k]
Con esto, la convolucion es equivalente a
y1 [k] y2 [k] =
y1 [l][l]y2 [k l][k l]
l=
k=0
X
l=
!
y1 [l][l]y2 [k l][k l] z k
l=
y1 [l][l]
X
k=0
!
y2 [k l][k l]z
Section E.2.
407
y1 [l][l]z l Y2 (z)
l=
= Y2 (z)
y1 [l]z l
l=0
= Y2 (z)Y1 (z)
222
Teorema E.1 (Teorema del Valor Final y Teorema del Valor Inicial).
Existen dos resultados que relacionan el comportamiento asint
otico de la funci
on
y[k] y su tranformada Y (z). Estos se conocen como el teorema del Valor Inicial y
teorema del Valor Final en tiempo discreto.
lm Y (z) = y[0]
(E.2.11)
(E.2.12)
z
z1
Y (z) =
y[k]z k
k=0
= y[0]
Con lo que se demuestra el Teorema del Valor Inicial.
408
La Transformaci
on Zeta
Ap
endice E
Z [y[k + 1] y[k]] = lm
k
X
(y[l + 1] y[l])z l
l=0
z1
z1
l=0
k
X
(y[l + 1] y[l])
l=0
z1
Donde el u
ltimo paso al lado derecho se justifica ya que la sumatoria corresponde
a una serie telescopica. De esta forma se demuestra el Teorema del Valor Final, o
valor de equilibrio.
Section E.2.
y[k]
l
X
409
Y (z) = Z [y[k]]
l
X
ai yi [k]
i=1
Comentarios
ai Yi (z)
i=1
k y[k]
C, <{} > 0
y [k]
Y (z )
Conjugacion
y[k k0 ]
k0 Z+
y[k + k0 ]
k0 Z+
y[k k0 ][k k0 ]
z k0 Y (z)
k0 Z+
ky[k]
k
X
y1 [l]y2 [k l]
dY (z)
dz
Y1 (z)Y2 (z)
Convolucion en k
lm Y (z)
lm (z 1)Y (z)
l=0
y[0]
lm y[k]
z1
410
La Transformaci
on Zeta
y[k]
Y (z) = Z [y[k]]
Region de Convergencia
K [k]
z C
z
z1
|z| > 1
z
(z 1)2
|z| > 1
z
z
|z| > ||
ej0 k
z
z ej0
|z| > 1
cos(0 k)
z(z cos 0 )
z 2 2z cos 0 + 1
|z| > 1
sin(0 k)
z sin 0
z 2 2z cos 0 + 1
|z| > 1
k cos(0 k)
z(z cos 0 )
z 2 2z cos 0 + 2
|z| > ||
k sin(0 k)
z sin 0
z 2 2z cos 0 + 2
|z| > ||
cos(0 k + )
|z| > 1
1 (z 1 )N
1 z 1
|z| > 0
(
k
0
(k 0)
Ap
endice E
;0 k < N
;k N
Apendice F
MATRICES. DEFINICIONES Y
PROPIEDADES
F.1.
Conceptos B
asicos
Intuitivamente se puede decir que una matriz no es mas que un arreglo rectangular de filas y columnas, cuyos elementos puedes ser n
umero, funciones u otros
objetos matematicos, entre los cuales se encuentren definidos la suma y la multiplicacion. De esta forma entre las matrices se pueden definir algunas operaciones
basicas, como la suma, la resta y el producto por un escalar, y otras en que se
deben hacer ciertas definiciones especiales, como la multiplicacion (y su operacion
inversa, la division).
Sin embargo, puede ser bueno formalizar lo que entenderemos en el presente
apendice por matriz:
Definici
on F.1. Una matriz es un arreglo de n m objetos pertenecientes a un
cuerpo K, dispuestos rectangularmente en n filas y m columnas.
Definici
on F.2. Cada uno de los objetos que forman parte de la matriz se denominan elementos de la matriz, y se denotan por aij en que el subndice representa
su ubicaci
on dentro del arreglo: aij es el elemento que se encuantra sobre la i-esima
fila y en la j-esima columna.
Una matriz se denotara por A = {aij } y se puede representar como el arreglo
rectangular de n
umeros, entre parentesis redondos o de corchetes:
411
412
A = {aij }
i=1...n ; j=1...m
a11
a21
= .
..
a11
a22
..
.
...
...
..
.
a1m
a11
a21
a2m
.. = ..
. .
a11
a22
..
.
...
...
..
.
an1
an2
...
anm
an2
...
an1
Ap
endice F
a1m
a2m
..
.
anm
(F.1.1)
(F.1.2)
2.
a + b K , existe cerradura.
a + (b + c) = (a + b) + c , es decir, existe asociatividad.
0 K tal que a + 0 = 0 + a = a , es decir, existe el cero o elemento
neutro aditivo.
a, (a) K tal que a + (a) = a + a = 0, es decir, existe el
inverso aditivo.
a + b = b + a , es decir, existe conmutatividad.
Section F.1.
413
Conceptos B
asicos
Tipos de Matrices
Definici
on F.4. Una matriz formada por n filas y 1 columna se denomina vector
columna
En base a esta definicion podemos decir tambien que una matriz de n m
esta formada por m vectores columna, de n elementos cada uno.
Definici
on F.5. Una matriz formada por 1 fila y m columnas se denomina vector
fila
Analogamente a lo anterior, en base a esta definicion podemos decir que una
matriz de n m esta formada por n vectores fila, de m elementos cada uno.
En general, cuando se defina un vector de dimension p nos referiremos a un
vector columna formado por p elementos.
Definici
on F.6. Dada una matriz A = {aij } de dimensiones n m, la matriz
B = {ij}, de dimensiones m n, es la traspuesta de A, si y solo si bij = aji i, j.
Es decir B es una matriz cuyas columnas son las filas de A, y se denota por AT
Ejemplo F.1. Dada la matriz A
A=
1
2
0
5
8
3
(F.1.3)
su traspuesta es
1
AT = 0
8
Definici
on F.7. Una matriz se demomina
n
umero de filas que de columnas.
2
5
3
(F.1.4)
Definici
on F.8. Una matriz A = {aij } se denomina diagonal si y solo si es
cuadrada y aij = 0 i 6= j , es decir, todos los elementos fuera de la diagonal
principal de la matriz son cero.
Notar que de la definicion se desprende que si A es diagonal, entonces A = AT
Definici
on F.9. Una matriz A = {aij } se denomina triangular superior si y
solo si es cuadrada y aij = 0 i > j , es decir, todos los elementos bajo la diagonal
principal de la matriz son cero.
Definici
on F.10. Una matriz A = {aij } se denomina triangular inferior si y
solo si es cuadrada y aij = 0 i < j , es decir, todos los elementos sobre la diagonal
principal de la matriz son cero.
Notar que de si A es una matriz triangular superior, entonces AT es triangular
inferior, y vice-versa.
414
Ap
endice F
(F.1.5)
a11 a12
A=
; aij K
a21 a22
(F.1.6)
Entonces,
|A| = det(A) = a11 a22 a21 a12
Ejemplo F.2.
(F.1.7)
Section F.1.
415
Conceptos B
asicos
aij = aij
(F.1.8)
(F.1.9)
(F.1.10)
(F.1.11)
k=1
(F.1.12)
(F.1.13)
k=1
416
a11
a21
a31
a12
a22
a32
a13
a
a23 = a11 22
a32
a33
a
a23
a12 21
a33
a31
a
a23
+ a13 21
a33
a31
a22
a32
Ap
endice F
(F.1.14)
F.2.
Suma de matrices
Dos matrices, A = [aij ] y B = [bij ], se pueden sumar si y solo si ambas matrices
tiene las mismas dimensiones. Si se cumple esa condicion, entonces, la suma A+B =
C queda definida por
C = A + B = [cij ]
donde
(F.2.1)
F.2.1.
Mutiplicaci
on de una matriz por un escalar
BIBLIOGRAPHY
[1] B.D.O. Anderson and John Moore. Optimal filtering. Prentice Hall, Englewood
Cliffs, N.J., 1979.
[2] R.C. Dorf and R. Bishop. Modern Control Systems. Prentice Hall, Englewood
Cliffs, New Jersey, 9th edition, 1997.
[3] G.F. Franklin and J.D. Powel. Digital Control of Dynamics Systems. AddisonWesley, second edition, 1990.
[4] Graham C. Goodwin, Stefan Graebe, and Mario E. Salgado. Control System
Design. Prentice Hall, New Jersey, 2001.
[5] K. Ogata. State Space Analisys of Control Systems. Prentice-Hall, Inc., Englewood Cliffs, New Jersey, 1967.
[6] H.H. Rosenbrock. State Space and Multivariable Theory. John Wiley and Sons,
New York, 1970.
[7] D.G. Schultz and J.L. Melsa. State Function and Linear Control Systems. McGraw Hill Book Company, New York, 1967.
[8] D.W. Wiberg. Theory and Problems of State Space and Linear Systems. McGraw
Hill Book Company, New York, 1971.
[9] Lotfi A. Zadeh and Charles A. Desoer. Linear System Theory: the state space
approach. McGraw Hill Book Company, New York, 1963.
[10] K. Zhou. Essentials of Robust Control. Prentice Hall, Englewood Cliffs, New
Jersey, 1998.
[11] K. Zhou, G. Salomon, and E. Wu. Balanced realization and model reduction for
unstable systems. International Journal of Robust and Nonlinear Control, 9:183
198, 1999.
417
Indice de nombres
Bode, xi
Euler, 24, 29
Heaviside, 20
Hurwitz, 96
Kalman, R.E., xi
Nyquist, xi
Routh, xi, 96
Taylor, 113
418
Indice de materias
420
errores en las variables, 304, 311
escalon
respuesta a, 161, 199
escalon unitario, 20, 26
espacios de estado, 237
espectro continuo, 121
espectro de lnea, 92, 108
espectro en frecuencia, 92
estabilidad, 65, 171, 203
estabilizable
sistema, 282
estado, 237
del sistema, 238
observable, 284
variables de, 238
trayectoria, 239
estado inicial, 3
estado, espacio de , 238
estado, vector de, 238
exponencial, 22, 27
creciente, 23, 27
exponencial imaginaria, 25
factor de amortiguamiento, 183
factores canonicos, 216
fase, 86, 102
fase mnima, 177
fase mnima , 209
forma canonica
controlable, 282
del controlador, 283
fracciones parciales, 395
frecuencia, 86, 102
frecuencia angular, 86, 102
frecuencia de corte, 134
frecuencia fundamental, 92
frecuencia natural
amortiguada , 183
dominante, 41, 69
no amortiguada, 183
frecuencias de corte, 136
frecuencias naturales, 38, 65
funcion muestreo, 21
Indice de materias
421
Indice de materias
operador, 3
operador adelanto, 60
ortogonalidad, 91
Parseval, 101, 123, 143
pasa altos, 133
pasa bajos, 133
pasa banda, 134
PEM, 304, 311
perodo, 86, 102
plano de fase, 249
polar
diagrama, 223
polinomio caracterstico, 63
polo
multiplicidad, 195
polos, 177, 209, 254, 395
dominantes, 179, 210
lentos, 179, 210
rapidos, 179, 210
prediccion
error de, 303, 304, 310, 312
primera diferencia, 12
promedio movil, 59
Propiedades transformada de Fourier,
352
Propiedades transformada de Fourier
discreta., 368
Propiedades transformada de Laplace,
392
Propiedades transformada Zeta, 410
punto de equilibrio, 10, 12
punto de operacion, 8, 13
radio de convergencia, 401
rampa unitaria, 22, 26
rango, 416
realizacion mnima, 256, 292
regresion
vector de, 304, 311
regresores, 304, 311
resonancia, 90, 219, 266
respuesta
a escalon, 265
422
Indice de materias
forzada, 264
respuesta a (t), 50
respuesta a [t], 76
respuesta a (t), 48
respuesta a [t], 74
respuesta en frecuencia, 87, 103, 110,
198
respuesta estacionaria, 47, 73
respuesta homogenea, 36, 62
respuesta inversa, 182, 213
respuesta natural, 264
respuesta no forzada, 264
respuesta particular, 37, 64
respuesta transitoria, 47, 73
respuestas, 2
retardo, 159, 201, 242, 269
Bode de un, 220
retentor, 259
de orden cero, 259
Routh
algoritmo, 174
perodo, 24
sistema
algebraico, 4, 6
dinamico, 2
dual, 290
hbrido, 238
sistema, 1
sistemas
interconectados, 234
muestreados, 258, 259
sistemas discretos
estabilidad, 203
sistemas lineales, 5
solucion homogenea, 36, 62
solucion particular, 37, 64
subespacio
alcanzable, 282
no alcanzable, 282
observable, 290
no observable, 290
superposicion, 5
Serie de Fourier, 91
serie de Fourier, 85
exponencial, 99
serie de Taylor, 316
se
nal causal, 51, 78
se
nal incremental, 14
se
nales, 1, 20
de prueba, 20
de tiempo discreto, 25
similaridad, 252, 270
sinuosoide
aperiodica, 29
sinusoidal, 86, 102
sinusoide, 23
amortiguada, 25
amplitud, 24
desfase, 24
discreta, 28
amortiguada, 30
frecuencia, 24
frecuencia angular, 24
formula de Euler, 24
Indice de materias
423