Вы находитесь на странице: 1из 164

Análisis de Sistemas Lineales

Unidad 1: Sistemas y Señales

Francisco J. Vargas

Departamento de Electronica,
Universidad Técnica Federico Santa Marı́a,
Valparaı́so, Chile

Francisco J. Vargas 1 / 164


Introducción

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


y señales estudiadas en este curso.

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


discreto.

Francisco J. Vargas 2 / 164


Sistemas y señales

Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales

Linealización

Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Francisco J. Vargas 3 / 164


Sistemas

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


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

Francisco J. Vargas 4 / 164


Sistemas

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


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

Ejemplos
◮ Sistema Digestivo
◮ Sistema de Pensiones
◮ Sistema Económico
◮ Sistema de Comunicaciones
◮ Sistema Interconectado Central

Francisco J. Vargas 5 / 164


Sistemas (Procesos, Plantas)
Nos interesa estudiar el comportamiento de los sistemas. Para ello debemos considerar:

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


determinada precisión, el sistema.

Francisco J. Vargas 6 / 164


Sistemas (Procesos, Plantas)
Nos interesa estudiar el comportamiento de los sistemas. Para ello debemos considerar:

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


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

Francisco J. Vargas 7 / 164


Sistemas (Procesos, Plantas)
Nos interesa estudiar el comportamiento de los sistemas. Para ello debemos considerar:

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


determinada precisión, el sistema.
◮ Entradas del sistema: Se deben determinar cuales son los estı́mulos externos o
excitaciones que influyen en el comportamiento del sistema.
◮ Salidas del sistema: Se debe determinar cuales son las salidas del sistema (lo que
nos interesa observar)

Francisco J. Vargas 8 / 164


Sistemas (Procesos, Plantas)
Nos interesa estudiar el comportamiento de los sistemas. Para ello debemos considerar:

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


determinada precisión, el sistema.
◮ Entradas del sistema: Se deben determinar cuales son los estı́mulos externos o
excitaciones que influyen en el comportamiento del sistema.
◮ Salidas del sistema: Se debe determinar cuales son las salidas del sistema (lo que
nos interesa observar)
◮ Historial del sistema: Determinar el estado del sistema en el momento en que
comenzamos a estudiarlo (condiciones iniciales).

Francisco J. Vargas 9 / 164


Sistemas (Procesos, Plantas)
Nos interesa estudiar el comportamiento de los sistemas. Para ello debemos considerar:

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


determinada precisión, el sistema.
◮ Entradas del sistema: Se deben determinar cuales son los estı́mulos externos o
excitaciones que influyen en el comportamiento del sistema.
◮ Salidas del sistema: Se debe determinar cuales son las salidas del sistema (lo que
nos interesa observar)
◮ Historial del sistema: Determinar el estado del sistema en el momento en que
comenzamos a estudiarlo (condiciones iniciales).
◮ Tiempo: Por cuanto tiempo estudiaremos el sistema, o si es de naturaleza discreta
o continua.

Francisco J. Vargas 10 / 164


Sistemas (Procesos, Plantas)
Nos interesa estudiar el comportamiento de los sistemas. Para ello debemos considerar:

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


determinada precisión, el sistema.
◮ Entradas del sistema: Se deben determinar cuales son los estı́mulos externos o
excitaciones que influyen en el comportamiento del sistema.
◮ Salidas del sistema: Se debe determinar cuales son las salidas del sistema (lo que
nos interesa observar)
◮ Historial del sistema: Determinar el estado del sistema en el momento en que
comenzamos a estudiarlo (condiciones iniciales).
◮ Tiempo: Por cuanto tiempo estudiaremos el sistema, o si es de naturaleza discreta
o continua.

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


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

Francisco J. Vargas 11 / 164


Ejemplos

Francisco J. Vargas 12 / 164


Ejemplos

Francisco J. Vargas 13 / 164


Ejemplos

Francisco J. Vargas 14 / 164


Señales

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

Francisco J. Vargas 15 / 164


Señales

Las señales son indicadores (signos, gestos, variables) a través de las cuales se
envı́a (o recibe) información o energı́a.
Nosotros representaremos las señales a través de funciones del tiempo (con-
tinuo o discreto).
Ejemplos
◮ Luz
◮ Sonido
◮ Temperatura
◮ Voltaje
◮ Olores
◮ Presión
◮ Porcentaje de desempleo

Francisco J. Vargas 16 / 164


Señales

Las señales son indicadores (signos, gestos, variables) a través de las cuales se
envı́a (o recibe) información o energı́a.
Nosotros representaremos las señales a través de funciones del tiempo (con-
tinuo o discreto).
Ejemplos
◮ Luz
◮ Sonido
◮ Temperatura
◮ Voltaje
◮ Olores
◮ Presión
◮ Porcentaje de desempleo
La información contenida en las señales suele propagarse por distintos medios
si se asegura la correspondiente etapa de transducción, e.g., material piezo-
eléctrico.

Francisco J. Vargas 17 / 164


Señales

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

Francisco J. Vargas 18 / 164


Señales

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

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


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

Francisco J. Vargas 19 / 164


Señales

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

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


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

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


correspondientes etapas de transduccción. Sin embargo existen!!!

Francisco J. Vargas 20 / 164


Tiempo continuo - Tiempo discreto
Estudiaremos sistemas y señales de tiempo continuo y tiempo discreto.

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

Francisco J. Vargas 21 / 164


Sistema de tiempo continuo
Si consideramos que estudiamos un sistema desde un instante t0 , podemos
representar el sistema continuo como

Donde t ∈ R
◮ u(t) ∈ Rq vector que contiene las entradas del sistemas.
◮ x(t0 ) ∈ Rn vector que describe el estado inicial del sistema (estado en el
instante que empezamos a analizarlo)
◮ y(t) ∈ Rp vector que contiene las salidas del sistemas

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


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

Francisco J. Vargas 22 / 164


Sistema de tiempo continuo

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


tal que ∀t > t0

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

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

Francisco J. Vargas 23 / 164


Sistema de tiempo continuo
Ejemplo

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

Francisco J. Vargas 24 / 164


Sistema de tiempo continuo
Ejemplo

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

¿Cuál es la entrada?
¿Cuál es la salida?
Esto se puede simular en Simulink

dvC (t) 1 1
= vf (t) − vC (t)
dt RC RC

Francisco J. Vargas 25 / 164


Sistema de tiempo discreto
Si consideramos que estudiamos un sistema desde un instante k0 , podemos
representar el sistema discreto como

Donde k ∈ Z, y
◮ u(k) ∈ Rq vector que contiene las entradas del sistemas.
◮ x(k0 ) ∈ Rn vector que describe el estado inicial del sistema (estado en el instante
que empezamos a analizarlo)
◮ y(k) ∈ Rp vector que contiene las salidas del sistemas

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

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

Nota: Sin pérdida de generalidad usaremos k ∈ Z

Francisco J. Vargas 26 / 164


Sistema de tiempo discreto
Ejemplo:
Una cuenta de ahorro tiene un saldo inicial S(k0 ) = So y recibe un interés igual
a m% mensual.

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


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

Francisco J. Vargas 27 / 164


Sistema de tiempo discreto
Ejemplo:
Una cuenta de ahorro tiene un saldo inicial S(k0 ) = So y recibe un interés igual
a m% mensual.

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


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

¿Cuál es la entrada?

¿Cuál es la salida?

Esto se puede simular en Matlab

Francisco J. Vargas 28 / 164


Sistemas y señales

Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales

Linealización

Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Francisco J. Vargas 29 / 164


Sistemas y señales

Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales

Linealización

Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Francisco J. Vargas 30 / 164


Sistemas y Modelos

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


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

Francisco J. Vargas 31 / 164


Sistemas y Modelos

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


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

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


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

Francisco J. Vargas 32 / 164


Sistemas y Modelos

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


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

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


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

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


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

Francisco J. Vargas 33 / 164


Sistemas y Modelos

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


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

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


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

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


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

Nota: De ahora en adelante nos referiremos como “sistema” al modelo del


sistema real (a menos que se especifique lo contrario)

Francisco J. Vargas 34 / 164


Sistemas y señales

Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales

Linealización

Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Francisco J. Vargas 35 / 164


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

Francisco J. Vargas 36 / 164


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

Ejercicio:
Determine si los siguientes sistemas son dinámicos o algebraicos

1. y(t) = 10u(t)

2. y(k) = y(k − 1) + sin(u(k))

dy(t)
3. + y(t) = sin(u(t)), con x(t0 ) = y(t0 )
dt

Francisco J. Vargas 37 / 164


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

Ejercicio:
Determine si los siguientes sistemas son dinámicos o algebraicos

1. y(t) = 10u(t)

2. y(k) = y(k − 1) + sin(u(k))

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

Francisco J. Vargas 38 / 164


Invariancia en el tiempo

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


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

Francisco J. Vargas 39 / 164


Invariancia en el tiempo

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


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

Tiempo continuo (t, τ ∈ R )

Si retardamos la entrada y las condiciones iniciales, entonces la respuesta es la


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

Francisco J. Vargas 40 / 164


Invariancia en el tiempo

Tiempo discreto (k, τ ∈ Z)

Francisco J. Vargas 41 / 164


Invariancia en el tiempo

Tiempo discreto (k, τ ∈ Z)

Ejercicio:
Determine si los siguientes sistemas son invariantes o variantes en el tiempo

dy(t)
1. = u(t), con x(t0 ) = y(t0 )
dt
2. y(k) = k sin(u(k))

Francisco J. Vargas 42 / 164


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

Francisco J. Vargas 43 / 164


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

Ejercicio:

Determine si los siguientes sistemas son causales o no causales

1. y(t) = u(t) cos(t + 5)

2. y(k) = u(k + 1)

Francisco J. Vargas 44 / 164


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

Ejercicio:

Determine si los siguientes sistemas son causales o no causales

1. y(t) = u(t) cos(t + 5)

2. y(k) = u(k + 1)

Los sistemas no-causales no son fı́sicamente realizables (cuando la variable


independiente es el tiempo).

Francisco J. Vargas 45 / 164


Sistemas y señales

Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales

Linealización

Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Francisco J. Vargas 46 / 164


Superposición
Un sistema cumple la propiedad de superposición si y solo si cumple

◮ Superposición entre la entrada y el estado inicial

y(t) = Thx(t0 ), u(t)i = Thx(t0 ), 0i + Th0, u(t)i, ∀x(t0 ), u(t) ∈ R

Francisco J. Vargas 47 / 164


Superposición
Un sistema cumple la propiedad de superposición si y solo si cumple

◮ Superposición entre la entrada y el estado inicial

y(t) = Thx(t0 ), u(t)i = Thx(t0 ), 0i + Th0, u(t)i, ∀x(t0 ), u(t) ∈ R

◮ Superposición en el estado inicial

y(t) = Thx1 (t0 ) + x2 (t0 ), 0i = Thx1 (t0 ), 0i + Thx2 (t0 ), 0i, ∀x1 (t0 ), x2 (t0 ) ∈ R

Francisco J. Vargas 48 / 164


Superposición
Un sistema cumple la propiedad de superposición si y solo si cumple

◮ Superposición entre la entrada y el estado inicial

y(t) = Thx(t0 ), u(t)i = Thx(t0 ), 0i + Th0, u(t)i, ∀x(t0 ), u(t) ∈ R

◮ Superposición en el estado inicial

y(t) = Thx1 (t0 ) + x2 (t0 ), 0i = Thx1 (t0 ), 0i + Thx2 (t0 ), 0i, ∀x1 (t0 ), x2 (t0 ) ∈ R

◮ Superposición en la entrada

y(t) = Th0, u1 (t) + u2 (t)i = Th0, u1 (t)i + Th0, u2 (t)i, ∀u1 (t), u2 (t) ∈ R

Francisco J. Vargas 49 / 164


Homogeneidad
Un sistema cumple la propiedad de homogeneidad si y solo si cumple

◮ Homogeneidad en el estado inicial

y(t) = Thαx(t0 ), 0i = αThx(t0 ), 0i, ∀x(t0 ), α ∈ R

Francisco J. Vargas 50 / 164


Homogeneidad
Un sistema cumple la propiedad de homogeneidad si y solo si cumple

◮ Homogeneidad en el estado inicial

y(t) = Thαx(t0 ), 0i = αThx(t0 ), 0i, ∀x(t0 ), α ∈ R

◮ Homogeneidad en la entrada

y(t) = Th0, βu(t)i = βTh0, u(t)i, ∀u(t), β ∈ R

Francisco J. Vargas 51 / 164


Sistemas Lineales
Un sistema S se dice que es un Sistema Lineal si y solo si el sistema posee las
propiedades de superposición y homogeneidad, es decir,

y(t) = Thα1 x1 (t0 ) + α2 x2 (t0 ), β1 u1 (t) + β2 u2 (t)i

= α1 Thx1 (t0 ), 0i + α2 Thx2 (t0 ), 0i + β1 Th0, u1 (t)i + β2 Th0, u2 (t)i

= α1 yx1 (t) + α2 yx2 (t) + β1 yu1 (t) + β2 yu2 (t)

Francisco J. Vargas 52 / 164


Sistemas Lineales
Un sistema S se dice que es un Sistema Lineal si y solo si el sistema posee las
propiedades de superposición y homogeneidad, es decir,

y(t) = Thα1 x1 (t0 ) + α2 x2 (t0 ), β1 u1 (t) + β2 u2 (t)i

= α1 Thx1 (t0 ), 0i + α2 Thx2 (t0 ), 0i + β1 Th0, u1 (t)i + β2 Th0, u2 (t)i

= α1 yx1 (t) + α2 yx2 (t) + β1 yu1 (t) + β2 yu2 (t)

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


Lineal.

Francisco J. Vargas 53 / 164


Sistemas Lineales
Un sistema S se dice que es un Sistema Lineal si y solo si el sistema posee las
propiedades de superposición y homogeneidad, es decir,

y(t) = Thα1 x1 (t0 ) + α2 x2 (t0 ), β1 u1 (t) + β2 u2 (t)i

= α1 Thx1 (t0 ), 0i + α2 Thx2 (t0 ), 0i + β1 Th0, u1 (t)i + β2 Th0, u2 (t)i

= α1 yx1 (t) + α2 yx2 (t) + β1 yu1 (t) + β2 yu2 (t)

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


Lineal.

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


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

Francisco J. Vargas 54 / 164


¿Por qué estudiar sistemas lineales?

Las siguiente razones justifican el estudio de sistemas lineales:

◮ A pesar que los sistemas (modelos) lineales son en general una versión simplificada
del sistema real, estos describen razonablemente bien el comportamiento de una
gran variedad de sistemas reales.

Francisco J. Vargas 55 / 164


¿Por qué estudiar sistemas lineales?

Las siguiente razones justifican el estudio de sistemas lineales:

◮ A pesar que los sistemas (modelos) lineales son en general una versión simplificada
del sistema real, estos describen razonablemente bien el comportamiento de una
gran variedad de sistemas reales.

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

Francisco J. Vargas 56 / 164


¿Por qué estudiar sistemas lineales?

Las siguiente razones justifican el estudio de sistemas lineales:

◮ A pesar que los sistemas (modelos) lineales son en general una versión simplificada
del sistema real, estos describen razonablemente bien el comportamiento de una
gran variedad de sistemas reales.

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

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

Francisco J. Vargas 57 / 164


¿Por qué estudiar sistemas lineales?

Las siguiente razones justifican el estudio de sistemas lineales:

◮ A pesar que los sistemas (modelos) lineales son en general una versión simplificada
del sistema real, estos describen razonablemente bien el comportamiento de una
gran variedad de sistemas reales.

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

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

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


condición inicial.

Francisco J. Vargas 58 / 164


¿Por qué estudiar sistemas lineales?

Las siguiente razones justifican el estudio de sistemas lineales:

◮ A pesar que los sistemas (modelos) lineales son en general una versión simplificada
del sistema real, estos describen razonablemente bien el comportamiento de una
gran variedad de sistemas reales.

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

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

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


condición inicial.

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


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

Francisco J. Vargas 59 / 164


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

4. y(k) = sin(u(k))

dy(t)
5. = u(t)2
dt
dy(t)
6. + y(t)2 = sin(u(t))
dt

Francisco J. Vargas 60 / 164


Sistemas Lineales e Invariantes en el tiempo

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

Francisco J. Vargas 61 / 164


Sistemas Lineales e Invariantes en el tiempo

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

Un sistema lineal e invariante en el tiempo se denotara por simplicidad como


SLIT. Mientras que un sistema lineal y variante en el tiempo se denotara com
SLVT.

Otra propiedad importante a considerar durante el curso es la causalidad.

Francisco J. Vargas 62 / 164


Sistemas Lineales y No lineales

Sistema Real

Modelamiento

Modelo del Sistema

¿cumple superposición
y homogeneidad?

Sı́ No

Linealización
Sistema Lineal Sistema No Lineal

Francisco J. Vargas 63 / 164


Clasificación de sistemas Lineales

Sistema Lineal

¿Es invariante ¿Posee memoria?


en el tiempo?
111
000
000
111
Sı́ No
¿Es anticipativo? Sı́ 000
111
000
111
No

Sistema Sistema
SLIT SLVT Dinámico Algebraico
Sı́ No

No Causal Causal

Francisco J. Vargas 64 / 164


Sistemas y señales

Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales

Linealización

Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Francisco J. Vargas 65 / 164


Linealización

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


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

Francisco J. Vargas 66 / 164


Linealización

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


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

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


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

Francisco J. Vargas 67 / 164


Linealización

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


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

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


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

Esta aproximación se conoce como linealización.

Francisco J. Vargas 68 / 164


Linealización

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


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

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


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

Esta aproximación se conoce como linealización.

Para estudiar linealización primero recordaremos las aproximaciones de primer


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

Francisco J. Vargas 69 / 164


Aproximación de Primer Orden de una Función

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

g(x)

Francisco J. Vargas 70 / 164


Aproximación de Primer Orden de una Función

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

L(x)
g(x)

Francisco J. Vargas 71 / 164


Aproximación de Primer Orden de una Función

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

L(x)
g(x)

g(xQ ) = L(xQ ) Q

xQ x

Francisco J. Vargas 72 / 164


Aproximación de Primer Orden de una Función

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

L(x)
g(x)

g(xQ ) = L(xQ ) Q

xQ x

Francisco J. Vargas 73 / 164


Aproximación de Primer Orden de una Función

Al variar el punto Q, varia la recta que aproxima a la curva.

L(x)
Q
g(x)

Francisco J. Vargas 74 / 164


Aproximación de Primer Orden de una Función

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


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

∆L(x) dg(x) xQ x
m= =
∆x dx x=xQ

Francisco J. Vargas 75 / 164


Aproximación de Primer Orden de una Función

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


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

∆L(x) dg(x) xQ x
m= =
∆x dx x=xQ

Ası́, la ecuación de la recta se obtiene notando que

∆x = x − xQ
∆L(x) = L(x) − L(xQ ) = L(x) − g(xQ )

Por lo tanto

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

Francisco J. Vargas 76 / 164


Aproximación de Primer Orden de una Función

Ejercicio:

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

Francisco J. Vargas 77 / 164


Aproximación de Primer Orden de una Función

Ejercicio:

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

Valores reales (para evaluar que tan buena fue la aproximación):


◮ 4 + 0.1 = 2.02484567..

◮ 4 + 1 = 2.23606797..

◮ 4 − 1 = 1.73205080..

◮ 4 + 8 = 3.46410161..

Francisco J. Vargas 78 / 164


Serie de Taylor

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


de 2do orden?

Francisco J. Vargas 79 / 164


Serie de Taylor

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


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

Francisco J. Vargas 80 / 164


Serie de Taylor

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


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

Esta idea puede extenderse considerando polinomios de orden superior, pues


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

1 d2 g(x)

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

1 dℓ g(x)

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

Francisco J. Vargas 81 / 164


Serie de Taylor

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


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

Esta idea puede extenderse considerando polinomios de orden superior, pues


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

1 d2 g(x)

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

1 dℓ g(x)

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

La aproximación de primer orden estudiada anteriormente se puede obtener a


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

Francisco J. Vargas 82 / 164


Serie de Taylor

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


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

Esta idea puede extenderse considerando polinomios de orden superior, pues


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

1 d2 g(x)

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

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


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

Esta idea puede extenderse considerando polinomios de orden superior, pues


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

1 d2 g(x)

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

1 dℓ g(x)

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

La aproximación de primer orden estudiada anteriormente se puede obtener a


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

Francisco J. Vargas 84 / 164


Serie de Taylor

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


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

Francisco J. Vargas 85 / 164


Serie de Taylor

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


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


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

1 ∂2 g(x1 , x2 ) 1 ∂g(x1 , x2 )2

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

∂g(x1 , x2 )2

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

Francisco J. Vargas 86 / 164


Serie de Taylor

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


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


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

Francisco J. Vargas 87 / 164


Serie de Taylor

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


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


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

Para el caso general se tiene que la aproximación de primer orden L(x1 , . . . xn )


de g(x1 , . . . xn ) en torno al punto x1 = x1Q , . . . xn = xnQ .

n
X
L(x1 , . . . , xn ) = C0 + Ci (xi − xiQ ),
i=1

donde
∂g(x1 , . . . , xn )
C0 = g(x1Q , . . . , xnQ ) y Ci =
∂xi
x1 =x1
Q
..
.
xn =xn
Q

Francisco J. Vargas 88 / 164


Linealización de sistemas de tiempo continuo

Ilustraremos como usar lo antes visto para obtener un modelo lineal de un


sistema no lineal de tiempo continuo a través de un ejemplo.

Para ello considere el sistema no lineal descrito por


3
d2 y(t)

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

Francisco J. Vargas 89 / 164


Linealización de sistemas de tiempo continuo

Ilustraremos como usar lo antes visto para obtener un modelo lineal de un


sistema no lineal de tiempo continuo a través de un ejemplo.

Para ello considere el sistema no lineal descrito por


3
d2 y(t)

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

Lo primero es identificar x1 , . . . , xn y g(x1 , . . . , xn ). Definiremos como variables


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

Francisco J. Vargas 90 / 164


Linealización de sistemas de tiempo continuo

Ilustraremos como usar lo antes visto para obtener un modelo lineal de un


sistema no lineal de tiempo continuo a través de un ejemplo.

Para ello considere el sistema no lineal descrito por


3
d2 y(t)

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

Lo primero es identificar x1 , . . . , xn y g(x1 , . . . , xn ). Definiremos como variables


xi a la entrada, salida, y las correspondientes derivadas.
En este caso definimos

dy(t) d2 y(t) du(t)


x1 , y(t), x2 , , x3 , , x4 , u(t), x5 ,
dt dt2 dt

Note que se omite la dependencia del tiempo t.

Francisco J. Vargas 91 / 164


Linealización de sistemas de tiempo continuo

Ilustraremos como usar lo antes visto para obtener un modelo lineal de un


sistema no lineal de tiempo continuo a través de un ejemplo.

Para ello considere el sistema no lineal descrito por


3
d2 y(t)

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

Lo primero es identificar x1 , . . . , xn y g(x1 , . . . , xn ). Definiremos como variables


xi a la entrada, salida, y las correspondientes derivadas.
En este caso definimos

dy(t) d2 y(t) du(t)


x1 , y(t), x2 , , x3 , , x4 , u(t), x5 ,
dt dt2 dt

Note que se omite la dependencia del tiempo t.


¿Por que cree que se escogieron esas variables?

Francisco J. Vargas 92 / 164


Linealización de sistemas de tiempo continuo

Ası́, el sistema se puede reescribir como ga (x1 , x2 , x3 ) = gb (x4 , x5 ), con

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


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

Francisco J. Vargas 93 / 164


Linealización de sistemas de tiempo continuo

Ası́, el sistema se puede reescribir como ga (x1 , x2 , x3 ) = gb (x4 , x5 ), con

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


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

Note que podemos definir g(x1 , x2 , x3 , x4 , x5 ) , ga (x1 , x2 , x3 ) − gb (x4 , x5 ) = 0

Francisco J. Vargas 94 / 164


Linealización de sistemas de tiempo continuo

Ası́, el sistema se puede reescribir como ga (x1 , x2 , x3 ) = gb (x4 , x5 ), con

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


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

Note que podemos definir g(x1 , x2 , x3 , x4 , x5 ) , ga (x1 , x2 , x3 ) − gb (x4 , x5 ) = 0

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

Francisco J. Vargas 95 / 164


Linealización de sistemas de tiempo continuo

Ası́, el sistema se puede reescribir como ga (x1 , x2 , x3 ) = gb (x4 , x5 ), con

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


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

Note que podemos definir g(x1 , x2 , x3 , x4 , x5 ) , ga (x1 , x2 , x3 ) − gb (x4 , x5 ) = 0

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

Al aproximar el sistema usando lo visto anteriormente tenemos que


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

Francisco J. Vargas 96 / 164


Linealización de sistemas de tiempo continuo

Note que ga (x1Q , x2Q , x3Q ) = gb (x4Q , x5Q ), por lo tanto el sistema aproximado
viene dado por

C1 (x1 − x1Q ) + C2 (x2 − x2Q ) + C3 (x3 − x3Q ) = C4 (x4 − x4Q ) + C5 (x5 − x5Q )

Francisco J. Vargas 97 / 164


Linealización de sistemas de tiempo continuo

Note que ga (x1Q , x2Q , x3Q ) = gb (x4Q , x5Q ), por lo tanto el sistema aproximado
viene dado por

C1 (x1 − x1Q ) + C2 (x2 − x2Q ) + C3 (x3 − x3Q ) = C4 (x4 − x4Q ) + C5 (x5 − x5Q )

¿El sistema aproximado es lineal?

Francisco J. Vargas 98 / 164


Linealización de sistemas de tiempo continuo

Note que ga (x1Q , x2Q , x3Q ) = gb (x4Q , x5Q ), por lo tanto el sistema aproximado
viene dado por

C1 (x1 − x1Q ) + C2 (x2 − x2Q ) + C3 (x3 − x3Q ) = C4 (x4 − x4Q ) + C5 (x5 − x5Q )

¿El sistema aproximado es lineal?

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


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

Francisco J. Vargas 99 / 164


Linealización de sistemas de tiempo continuo

Note que ga (x1Q , x2Q , x3Q ) = gb (x4Q , x5Q ), por lo tanto el sistema aproximado
viene dado por

C1 (x1 − x1Q ) + C2 (x2 − x2Q ) + C3 (x3 − x3Q ) = C4 (x4 − x4Q ) + C5 (x5 − x5Q )

¿El sistema aproximado es lineal?

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


sean cero. Los puntos de operación que cumplan dicha condición son llamados
puntos de equilibrio, pues significa que las variables del sistema cuando se
encuentra operando en dicho punto no varı́an.
Ası́, si escogemos Q como un punto de equilibrio, tenemos que x2Q = x3Q =
x5Q = 0, lo que conduce a x1Q = x4Q .

C1 (x1 − x1Q ) + C2 x2 + C3 x3 = C4 (x4 − x4Q ) + C5 x5

Francisco J. Vargas 100 / 164


Linealización de sistemas de tiempo continuo

Definiendo ∆y(t) = y(t) − x1Q y ∆u(t) = u(t) − x4Q tenemos que

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

Francisco J. Vargas 101 / 164


Linealización de sistemas de tiempo continuo

Definiendo ∆y(t) = y(t) − x1Q y ∆u(t) = u(t) − x4Q tenemos que

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

Finalmente el modelo linealizado es


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

Francisco J. Vargas 102 / 164


Linealización de sistemas de tiempo continuo

Definiendo ∆y(t) = y(t) − x1Q y ∆u(t) = u(t) − x4Q tenemos que

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

Finalmente el modelo linealizado es


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

Es importante notar que el sistema lineal obtenido describe las variaciones del
estado del sistema respecto del punto de equilibrio, y no en términos absolutos.

Francisco J. Vargas 103 / 164


Linealización de sistemas de tiempo discreto

Usaremos la misma función no lineal del ejemplo de tiempo continuo pero con
argumentos de tiempo discreto para que quede en evidencia las principales
diferencias

Sea el sistema no lineal de tiempo discreto dado por

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

Francisco J. Vargas 104 / 164


Linealización de sistemas de tiempo discreto

Usaremos la misma función no lineal del ejemplo de tiempo continuo pero con
argumentos de tiempo discreto para que quede en evidencia las principales
diferencias

Sea el sistema no lineal de tiempo discreto dado por

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

Para sistemas de tiempo discreto, se deben definir las variables xi como la


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

Francisco J. Vargas 105 / 164


Linealización de sistemas de tiempo discreto

Usaremos la misma función no lineal del ejemplo de tiempo continuo pero con
argumentos de tiempo discreto para que quede en evidencia las principales
diferencias

Sea el sistema no lineal de tiempo discreto dado por

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

Para sistemas de tiempo discreto, se deben definir las variables xi como la


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

x1 , y(k), x2 , y(k − 1), x3 , y(k − 2), x4 , u(k), x5 , u(k − 1)

Francisco J. Vargas 106 / 164


Linealización de sistemas de tiempo discreto

Usaremos la misma función no lineal del ejemplo de tiempo continuo pero con
argumentos de tiempo discreto para que quede en evidencia las principales
diferencias

Sea el sistema no lineal de tiempo discreto dado por

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

Para sistemas de tiempo discreto, se deben definir las variables xi como la


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

x1 , y(k), x2 , y(k − 1), x3 , y(k − 2), x4 , u(k), x5 , u(k − 1)

¿De aquı́ en adelante, como cree que cambia el procedimiento respecto del
caso continuo?

Francisco J. Vargas 107 / 164


Linealización de sistemas de tiempo discreto

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


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

Francisco J. Vargas 108 / 164


Linealización de sistemas de tiempo discreto

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


igual al caso anterior pues es la misma función no lineal.
Luego tenemos que ga (x1 , x2 , x3 ) = gb (x4 , x5 ), con

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


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

Francisco J. Vargas 109 / 164


Linealización de sistemas de tiempo discreto

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


igual al caso anterior pues es la misma función no lineal.
Luego tenemos que ga (x1 , x2 , x3 ) = gb (x4 , x5 ), con

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


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

Lo que conduce a la aproximación


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

Y por lo tanto

C1 (x1 − x1Q ) + C2 (x2 − x2Q ) + C3 (x3 − x3Q ) = C4 (x4 − x4Q ) + C5 (x5 − x5Q )

Francisco J. Vargas 110 / 164


Linealización de sistemas de tiempo discreto

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


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

Francisco J. Vargas 111 / 164


Linealización de sistemas de tiempo discreto

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


mente lo mismo que para tiempo continuo, la forma de calcularlo cambia.
¿Cómo cree usted que se calcula?

Francisco J. Vargas 112 / 164


Linealización de sistemas de tiempo discreto

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


mente lo mismo que para tiempo continuo, la forma de calcularlo cambia.
¿Cómo cree usted que se calcula?

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

Francisco J. Vargas 113 / 164


Linealización de sistemas de tiempo discreto

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


mente lo mismo que para tiempo continuo, la forma de calcularlo cambia.
¿Cómo cree usted que se calcula?

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

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

Francisco J. Vargas 114 / 164


Linealización de sistemas de tiempo discreto

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


mente lo mismo que para tiempo continuo, la forma de calcularlo cambia.
¿Cómo cree usted que se calcula?

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

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

Definiendo ∆y(k) = y(k) − x1Q y ∆u(k) = u(k) − x4Q tenemos que

∆y(k) = x1 − x1Q ∆y(k − 1) = x2 − x2Q ∆y(k − 2) = x3 − x3Q


∆u(k) = x4 − x4Q ∆u(k) = x5 − x5Q

Francisco J. Vargas 115 / 164


Linealización de sistemas de tiempo discreto

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


mente lo mismo que para tiempo continuo, la forma de calcularlo cambia.
¿Cómo cree usted que se calcula?

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

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

Definiendo ∆y(k) = y(k) − x1Q y ∆u(k) = u(k) − x4Q tenemos que

∆y(k) = x1 − x1Q ∆y(k − 1) = x2 − x2Q ∆y(k − 2) = x3 − x3Q


∆u(k) = x4 − x4Q ∆u(k) = x5 − x5Q

Finalmente el sistema linealizado es

C1 ∆y(k) + C2 ∆y(k − 1) + C3 ∆y(k − 2) = C4 ∆u(k) + C5 ∆u(k − 1)

Francisco J. Vargas 116 / 164


Sistemas y señales

Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales

Linealización

Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Francisco J. Vargas 117 / 164


Señales

Las señales son indicadores (signos, gestos, variables) a través de las cuales se
envı́a (o recibe) información o energı́a.

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


tinuo o discreto), y que pueden clasificarse de distintas formas.

A continuación analizaremos algunos tipos de señales frecuentemente encon-


trados en el estudio de sistemas lineales.

Francisco J. Vargas 118 / 164


Sistemas y señales

Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales

Linealización

Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Francisco J. Vargas 119 / 164


Señales de Tiempo Continuo y Tiempo Discreto

◮ Las señales de tiempo continuo son funciones del tiempo t, tal que t ∈ R.
◮ Las señales de tiempo discreto son funciones del tiempo k, tal que k ∈ Z.

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

Francisco J. Vargas 120 / 164


Señales de Tiempo Continuo y Tiempo Discreto

◮ Las señales de tiempo continuo son funciones del tiempo t, tal que t ∈ R.
◮ Las señales de tiempo discreto son funciones del tiempo k, tal que k ∈ Z.

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

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

Francisco J. Vargas 121 / 164


Señales de Tiempo Continuo y Tiempo Discreto

◮ Las señales de tiempo continuo son funciones del tiempo t, tal que t ∈ R.
◮ Las señales de tiempo discreto son funciones del tiempo k, tal que k ∈ Z.

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

0.5

−0.5

−1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

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

Si deseamos definir la señal de tiempo discreto en base a una medida temporal absoluta,
debemos considerar ∆k en vez de solamente k.

Francisco J. Vargas 122 / 164


Señales Causales, No Causales y Anticausales

◮ Una señal f (t) se dice causal si y solo si f (t) = 0, ∀t < 0, de lo contrario se


dice que f (t) es no-causal.

Francisco J. Vargas 123 / 164


Señales Causales, No Causales y Anticausales

◮ Una señal f (t) se dice causal si y solo si f (t) = 0, ∀t < 0, de lo contrario se


dice que f (t) es no-causal.

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

Francisco J. Vargas 124 / 164


Señales Causales, No Causales y Anticausales

◮ Una señal f (t) se dice causal si y solo si f (t) = 0, ∀t < 0, de lo contrario se


dice que f (t) es no-causal.

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

◮ Las mismas definiciones aplican para señales de tiempo discreto (solo


reemplace t por k).

Francisco J. Vargas 125 / 164


Señales Periódicas y Aperiódicas

◮ Una señal f (t) se dice periódica si existe T tal que

f (t) = f (t + nT), ∀t ∈ R, n ∈ Z

Francisco J. Vargas 126 / 164


Señales Periódicas y Aperiódicas

◮ Una señal f (t) se dice periódica si existe T tal que

f (t) = f (t + nT), ∀t ∈ R, n ∈ Z

◮ Una señal f (k) se dice periódica si existe N tal que

f (k) = f (k + nN), ∀k, n ∈ Z

Francisco J. Vargas 127 / 164


Señales Periódicas y Aperiódicas

◮ Una señal f (t) se dice periódica si existe T tal que

f (t) = f (t + nT), ∀t ∈ R, n ∈ Z

◮ Una señal f (k) se dice periódica si existe N tal que

f (k) = f (k + nN), ∀k, n ∈ Z

◮ Si una señal no es periódica, diremos que es una señal aperiódica.

Francisco J. Vargas 128 / 164


Señales Periódicas y Aperiódicas

◮ Una señal f (t) se dice periódica si existe T tal que

f (t) = f (t + nT), ∀t ∈ R, n ∈ Z

◮ Una señal f (k) se dice periódica si existe N tal que

f (k) = f (k + nN), ∀k, n ∈ Z

◮ Si una señal no es periódica, diremos que es una señal aperiódica.

◮ Consideraremos que para señales causales, la definición anterior es


válida para t, k > 0.

Francisco J. Vargas 129 / 164


Señales de energı́a finita e infinita

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

Francisco J. Vargas 130 / 164


Señales de energı́a finita e infinita

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

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

Francisco J. Vargas 131 / 164


Señales de energı́a finita e infinita

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

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

◮ Podemos entonces clasificar las señales en aquellas de energı́a finita y


aquellas de energı́a infinita.

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

Francisco J. Vargas 132 / 164


Algunas Operaciones con Señales

◮ Desplazamiento en el tiempo: f (t − a), f (k − a).

Francisco J. Vargas 133 / 164


Algunas Operaciones con Señales

◮ Desplazamiento en el tiempo: f (t − a), f (k − a).

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

Francisco J. Vargas 134 / 164


Algunas Operaciones con Señales

◮ Desplazamiento en el tiempo: f (t − a), f (k − a).

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

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

Francisco J. Vargas 135 / 164


Algunas Operaciones con Señales

◮ Desplazamiento en el tiempo: f (t − a), f (k − a).

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

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

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

Francisco J. Vargas 136 / 164


Algunas Operaciones con Señales

◮ Desplazamiento en el tiempo: f (t − a), f (k − a).

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

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

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

◮ Sean las señales f1 (k) y f2 (k). La convolución entre dichas señales viene
dada por

X
f1 (k) ∗ f2 (k) = f1 (n)f2 (k − n)
n=−∞

Francisco J. Vargas 137 / 164


Sistemas y señales

Clasificación de Sistemas
Modelos
Propiedades básicas
Sistemas Lineales

Linealización

Tipos de señales
Clasificación de señales y operaciones básicas
Señales Básicas Tiempo Continuo y Discreto

Francisco J. Vargas 138 / 164


Escalón Unitario (Función de Heaviside)

◮ Tiempo Continuo:

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

Francisco J. Vargas 139 / 164


Escalón Unitario (Función de Heaviside)

◮ Tiempo Continuo:

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

◮ Tiempo Discreto:

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

Francisco J. Vargas 140 / 164


Escalón Unitario (Función de Heaviside)

◮ Tiempo Continuo:

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

◮ Tiempo Discreto:

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

Note que dadas las señales posiblemente no causales f (t) y f (k), se tiene que
f (t)µ(t) y f (k)µ(k) son causales.

Francisco J. Vargas 141 / 164


Impulso Unitario

◮ Tiempo Continuo: Delta de Dirac

 Z∞
∞, para ∀t = t0
δ(t − t0 ) = tal que δ(t − t0 )dt = 1
0, para ∀t , t0 −∞

Francisco J. Vargas 142 / 164


Impulso Unitario

◮ Tiempo Continuo: Delta de Dirac

 Z∞
∞, para ∀t = t0
δ(t − t0 ) = tal que δ(t − t0 )dt = 1
0, para ∀t , t0 −∞

◮ Tiempo Discreto: Delta de Kronecker



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

Francisco J. Vargas 143 / 164


Impulso Unitario

◮ Tiempo Continuo: Delta de Dirac

 Z∞
∞, para ∀t = t0
δ(t − t0 ) = tal que δ(t − t0 )dt = 1
0, para ∀t , t0 −∞

◮ Tiempo Discreto: Delta de Kronecker



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

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

Francisco J. Vargas 144 / 164


Rampa Unitaria

◮ Tiempo Continuo:

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

Francisco J. Vargas 145 / 164


Rampa Unitaria

◮ Tiempo Continuo:

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

◮ Tiempo Discreto:

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

Francisco J. Vargas 146 / 164


Exponencial

◮ Tiempo Continuo:

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


σ = 0, constante

Francisco J. Vargas 147 / 164


Exponencial

◮ Tiempo Continuo:

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


σ = 0, constante

Se define la constante de tiempo τ como τ = 1/ |σ|, y determina la


velocidad de convergencia (o divergencia) de la señal.

Francisco J. Vargas 148 / 164


Exponencial

◮ Tiempo Discreto:


λ > 1, creciente positiva




0 < λ < 1, decreciente positiva

λ = 1, constante (+1)
f (k) = λk , y es tal que


λ < −1, creciente signo alternado



−1 < λ < 0, decreciente signo alternado


λ = −1, +1 o −1 alternadamente

Francisco J. Vargas 149 / 164


Sinusoidales

◮ Tiempo Continuo:

f (t) = A sin(ωt + β)

¡Es periódica!

Francisco J. Vargas 150 / 164


Sinusoidales

◮ Tiempo Continuo:

f (t) = A sin(ωt + β)

¡Es periódica!

El periodo T y la frecuencia f [Hz] asociada a f (t) están dados por

1 2π
T= =
f ω

Francisco J. Vargas 151 / 164


Sinusoidales

◮ Tiempo Continuo:

f (t) = A sin(ωt + β)

¡Es periódica!

El periodo T y la frecuencia f [Hz] asociada a f (t) están dados por

1 2π
T= =
f ω

Representación equivalente usando la forma de Euler:



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

Francisco J. Vargas 152 / 164


Sinusoidales

◮ Tiempo Discreto:
f (k) = A sin(θk + β),

Francisco J. Vargas 153 / 164


Sinusoidales

◮ Tiempo Discreto:
f (k) = A sin(θk + β),

¿es periódica?

Francisco J. Vargas 154 / 164


Sinusoidales

◮ Tiempo Discreto:
f (k) = A sin(θk + β),

¿es periódica?

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


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

Francisco J. Vargas 155 / 164


Sinusoidales

◮ Tiempo Discreto:
f (k) = A sin(θk + β),

¿es periódica?

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


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

Representación equivalente usando la forma de Euler:



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

Francisco J. Vargas 156 / 164


Sinusoidales con amplitud exponencial

◮ Tiempo Continuo:

f (t) = Aeσt sin(ωt + β),

Si σ < 0 diremos que es una señal sinusoidal amortiguada


exponencialmente.

Francisco J. Vargas 157 / 164


Sinusoidales con amplitud exponencial

◮ Tiempo Continuo:

f (t) = Aeσt sin(ωt + β),

Si σ < 0 diremos que es una señal sinusoidal amortiguada


exponencialmente.

Representación equivalente usando la forma de Euler:



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

Francisco J. Vargas 158 / 164


Sinusoidales con amplitud exponencial

◮ Tiempo Discreto:

f (k) = Aλk sin(θk + β),

Si |λ| < 1 diremos que es una señal sinusoidal amortiguada


exponencialmente.

Francisco J. Vargas 159 / 164


Relación entre rampas, escalones e impulsos

Es importante notar que

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

Francisco J. Vargas 160 / 164


Relación entre rampas, escalones e impulsos

Es importante notar que

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

Francisco J. Vargas 161 / 164


Relación entre rampas, escalones e impulsos

Es importante notar que

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

O equivalentemente
Zt ∞
X
u(t − t0 ) = δ(τ − t0 )dτ u(k − k0 ) = δ(k − i)
−∞ i=k0

Francisco J. Vargas 162 / 164


Relación entre rampas, escalones e impulsos

Es importante notar que

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

O equivalentemente
Zt ∞
X
u(t − t0 ) = δ(τ − t0 )dτ u(k − k0 ) = δ(k − i)
−∞ i=k0

Zt ∞
X
r(t − t0 ) = µ(τ − t0 )dτ r(k − k0 ) = µ(k − i)
−∞ i=k0 +1

Francisco J. Vargas 163 / 164


Construcción de Señales

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


esta clase.

Ejercicio:

◮ Señal Pulso

◮ Señal Triangular

◮ Señal tipo Diente de Sierra.

Francisco J. Vargas 164 / 164