An´ 
alisis de sistemas
din´ 
amicos lineales
 

An´ 
alisis de sistemas
din´ 
amicos lineales

Oscar G. Duarte V.
Profesor asociado del Departamento de 
Ingenierı́a Eléctrica y Electr´ 
onica 
 

A quienes trabajan por la

democratización del conocimiento
 

Contenido

Contenido   IX

Lista de figuras   XV

Lista de tablas   XXI

Prefacio   XXIII

1. Introducción al modelamiento de sistemas 1

1.1. Conceptos preliminares . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Señales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.4. Construcción de los modelos matemáticos . . . . . . . . . 3
1.1.5. Clasificación de los modelos matemáticos . . . . . . . . . 4
1.1.6. Modelos matemáticos a utilizar . . . . . . . . . . . . . . . 8
1.2. Sistemas fı́sicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3. Grafos de enlaces de potencia
“Bond Graphs” . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1. Elementos básicos . . . . . . . . . . . . . . . . . . . . . . 11
1.3.2. Causalidad . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.3. Obtención de las ecuaciones . . . . . . . . . . . . . . . . . 18
1.3.4. Procedimientos especı́ficos . . . . . . . . . . . . . . . . . . 20

2. Preliminares matemáticos 21
2.1. Ecuaciones diferenciales y de diferencia . . . . . . . . . . . . . . . 21
2.1.1. Ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . 21
2.1.2. Ecuaciones de diferencias finitas . . . . . . . . . . . . . . 22
2.1.3. Ecuaciones diferenciales y de diferencias lineales . . . . . 23
2.1.4. Métodos de solución de E.D. lineales . . . . . . . . . . . . 24
 Z 
2.2. Transformadas de Laplace y   . . . . . . . . . . . . . . . . . . . 27
2.2.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.3. Parejas de transformadas . . . . . . . . . . . . . . . . . . 31
2.2.4. Utilización de la tabla de parejas de transformadas . . . . 32

ix
 

OSCAR G. DUARTE

2.2.5. Transformadas inversas por expansión de fracciones par-

ciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3. Solución de E.D. lineales mediante
transformadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3. Introducción al análisis de sistemas dinámicos lineales 43

3.1. Respuestas de estado cero y de entrada cero . . . . . . . . . . . . 43
3.1.1. Sistemas continuos . . . . . . . . . . . . . . . . . . . . . . 43
3.1.2. Sistemas discretos . . . . . . . . . . . . . . . . . . . . . . 45
3.2. Funciones de transferencia . . . . . . . . . . . . . . . . . . . . . . 47
3.3. Diagramas de bloques . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4. Diagramas de flujo de señal . . . . . . . . . . . . . . . . . . . . . 48
3.4.1. Regla de Mason . . . . . . . . . . . . . . . . . . . . . . . 52
3.5. Respuesta al impulso . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5.1. Caso discreto . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.5.2. Caso continuo . . . . . . . . . . . . . . . . . . . . . . . . . 59

4. Sistemas de primer y segundo orden 65

4.1. Sistemas continuos de primer orden . . . . . . . . . . . . . . . . . 66
4.2. Sistemas discretos de primer orden . . . . . . . . . . . . . . . . . 68
4.3. Sistemas continuos de segundo orden . . . . . . . . . . . . . . . . 70
4.3.1. Región de estabilidad . . . . . . . . . . . . . . . . . . . . 71
4.3.2. Región de tiempo máximo de asentamiento . . . . . . . . 73
4.3.3. Región de frecuencia máxima de oscilación . . . . . . . . 73
4.3.4. Región de sobrepico máximo . . . . . . . . . . . . . . . . 75
4.3.5. Región de diseño . . . . . . . . . . . . . . . . . . . . . . . 76
4.4. Sistemas discretos de segundo orden . . . . . . . . . . . . . . . . 78
4.4.1. Región de estabilidad . . . . . . . . . . . . . . . . . . . . 80
4.4.2. Región de tiempo máximo de asentamiento . . . . . . . . 80
4.4.3. Región de Frecuencia máxima de oscilación . . . . . . . . 82
4.4.4. Región de sobrepico máximo . . . . . . . . . . . . . . . . 82
4.4.5. Región de diseño . . . . . . . . . . . . . . . . . . . . . . . 83
4.5. Efecto de los ceros. Sistemas de fase mı́nima . . . . . . . . . . . . 83
4.6. Polos dominantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

5. Sistemas realimentados simples 89

5.1. Tipo de sistema y error de
estado estacionario . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.1.1. Caso continuo . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.1.2. Caso discreto . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.2. Estabilidad y criterios de estabilidad en sistemas continuos . . . 93
5.2.1. Arreglo y criterio de Routh-Hurwitz . . . . . . . . . . . . 94
5.2.2. Lugar geométrico de las raı́ces . . . . . . . . . . . . . . . 101
5.2.3. Diagramas y criterio de Bode . . . . . . . . . . . . . . . . 107
5.2.4. Diagrama y criterio de Nyquist . . . . . . . . . . . . . . . 112
5.3. Estabilidad y criterios de estabilidad en sistemas discretos . . . . 122

x
 

CONTENIDO

5.3.1. Transformación bilineal . . . . . . . . . . . . . . . . . . . 122

5.3.2. Arreglo y criterio de Jury . . . . . . . . . . . . . . . . . . 124
5.3.3. Lugar geométrico de las raı́ces . . . . . . . . . . . . . . . 128
5.3.4. Diagramas y criterio de Bode . . . . . . . . . . . . . . . . 129
5.3.5. Diagrama y criterio de Nyquist . . . . . . . . . . . . . . . 133

6. Representación en variables de estado 137

6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
6.2. Algunos resultados de álgebra lineal . . . . . . . . . . . . . . . . 140
6.2.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . 140
6.2.2. Valores y vectores propios . . . . . . . . . . . . . . . . . . 144
6.2.3. Forma canónica de Jordan . . . . . . . . . . . . . . . . . . 146
6.2.4. Funciones de matrices cuadradas . . . . . . . . . . . . . . 154
6.3. Variables de estado . . . . . . . . . . . . . . . . . . . . . . . . . . 157
6.3.1. El concepto de estado . . . . . . . . . . . . . . . . . . . . 159
6.3.2. Representación de estado a partir de E.D. . . . . . . . . . 163
6.4. Sistemas continuos libres . . . . . . . . . . . . . . . . . . . . . . . 165
6.4.1. Retratos de fase . . . . . . . . . . . . . . . . . . . . . . . 172
6.4.2. Espacio de estado . . . . . . . . . . . . . . . . . . . . . . 176
6.4.3. Matriz de transición de estado . . . . . . . . . . . . . . . 180
6.5. Sistemas discretos libres . . . . . . . . . . . . . . . . . . . . . . . 181
6.5.1. Matriz de transición de estado . . . . . . . . . . . . . . . 183
6.6. Sistemas continuos excitados . . . . . . . . . . . . . . . . . . . . 183
6.6.1. Matriz de funciones de transferencia . . . . . . . . . . . . 184
6.6.2. Variables de estado en el tiempo . . . . . . . . . . . . . . 185
6.7. Sistemas discretos excitados . . . . . . . . . . . . . . . . . . . . . 185
6.7.1. Matriz de funciones de transferencia . . . . . . . . . . . . 186
6.7.2. Variables de estado en el tiempo . . . . . . . . . . . . . . 186
6.8. Introducción al control por
variable de estado . . . . . . . . . . . . . . . . . . . . . . . . . . 187
6.8.1. Controlabilidad . . . . . . . . . . . . . . . . . . . . . . . . 190
6.8.2. Observabilidad . . . . . . . . . . . . . . . . . . . . . . . . 191

7. Introducción a los sistemas no lineales 195

7.1. Pérdida de superposicición y proporcionalidad . . . . . . . . . . . 197
7.2. Múltiples puntos de equilibrio . . . . . . . . . . . . . . . . . . . . 199
7.3. Estabilidad local . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
7.4.   Órbitas periódicas no sinusoidales . . . . . . . . . . . . . . . . . . 201
7.5. Ciclos lı́mite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
7.6. Órbitas homoclı́nicas . . . . . . . . . . . . . . . . . . . . . . . . . 204
7.7. Bifurcaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
7.8. Comportamientos caóticos . . . . . . . . . . . . . . . . . . . . . . 206

xi
 

OSCAR G. DUARTE

A. Demostraciones de las Transformadas de Laplace y  Z    209

A.1. Propiedades de la Transformada
de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
A.1.1. Linealidad: . . . . . . . . . . . . . . . . . . . . . . . . . . 209
A.1.2. Diferenciación: . . . . . . . . . . . . . . . . . . . . . . . . 210
A.1.3. Desplazamiento en la frecuencia: . . . . . . . . . . . . . . 211
A.1.4. Multiplicación por t: . . . . . . . . . . . . . . . . . . . . . 212
A.1.5. Teorema de valor inicial: . . . . . . . . . . . . . . . . . . . 213
A.1.6. Teorema de valor final: . . . . . . . . . . . . . . . . . . . . 213
A.1.7. Convolución: . . . . . . . . . . . . . . . . . . . . . . . . . 214
A.1.8. Desplazamiento en el tiempo: . . . . . . . . . . . . . . . . 215
 Z 
A.2. Propiedades de la transformada   . . . . . . . . . . . . . . . . . 215
A.2.1. Linealidad: . . . . . . . . . . . . . . . . . . . . . . . . . . 216
A.2.2. Diferencia positiva: . . . . . . . . . . . . . . . . . . . . . . 216
A.2.3. Escalamiento en la frecuencia: . . . . . . . . . . . . . . . . 218
A.2.4. Multiplicación por k: . . . . . . . . . . . . . . . . . . . . . 218
A.2.5. Teorema de valor inicial: . . . . . . . . . . . . . . . . . . . 219
A.2.6. Teorema de valor final: . . . . . . . . . . . . . . . . . . . . 219
A.2.7. Convolución: . . . . . . . . . . . . . . . . . . . . . . . . . 220
A.3. Parejas de transformadas de Laplace . . . . . . . . . . . . . . . . 221
A.3.1. Escalón unitario . . . . . . . . . . . . . . . . . . . . . . . 221
A.3.2. Exponenciales . . . . . . . . . . . . . . . . . . . . . . . . . 221
A.3.3. Sinusoides . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
A.3.4. Sinusoides amortiguadas . . . . . . . . . . . . . . . . . . . 222
A.3.5. Rampas, parábolas y monomios de t   . . . . . . . . . . . . 222
A.3.6. Exponenciales por t n . . . . . . . . . . . . . . . . . . . . . 223
A.3.7. Sinusoides por t . . . . . . . . . . . . . . . . . . . . . . . . 223
A.3.8. Sinusoides amortiguadas multiplicadas por t   . . . . . . . . 223
Z 
A.4. Parejas de transformadas   . . . . . . . . . . . . . . . . . . . . . 223
A.4.1. Escalón unitario . . . . . . . . . . . . . . . . . . . . . . . 223
A.4.2. Series geométricas . . . . . . . . . . . . . . . . . . . . . . 224
A.4.3. Sinusoides . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
A.4.4. Sinusoides amortiguadas . . . . . . . . . . . . . . . . . . . 226
A.4.5. Rampas, y monomios de k  . . . . . . . . . . . . . . . . . . 226
A.4.6. Series geométricas por k n . . . . . . . . . . . . . . . . . . 226
A.4.7. Sinusoides por k   . . . . . . . . . . . . . . . . . . . . . . . 227
A.4.8. Sinusoides amortiguadas por k   . . . . . . . . . . . . . . . 228

B. Diagramas de Bo de para sistemas continuos 229

B.1. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
B.2. Construcción de los diagramas de Bode . . . . . . . . . . . . . . 230

C. Carta de Nichols 235

C.1.   M -circunferencias . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
C.2.   N -circunferencias . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
C.3. Carta de Nichols . . . . . . . . . . . . . . . . . . . . . . . . . . . 237

xii
 

CONTENIDO

D. Apuntes de álgebra lineal 239

D.1. Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . 239
D.1.1. Estructuras algebráicas bá s i c a s . . . . . . . . . . . . . . . 2 3 9
D.1.2. Definición de espacio vectorial . . . . . . . . . . . . . . . 241
D.1.3. Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
D.1.4. Cambio de base . . . . . . . . . . . . . . . . . . . . . . . . 245
D.2. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . 247
D.2.1. Transformaciones y cambios de base . . . . . . . . . . . . 248
D.3. Normas de vectores y matrices . . . . . . . . . . . . . . . . . . . 250
D.4. Sistemas de ecuaciones algebráicas . . . . . . . . . . . . . . . . . 255
D.5. Valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . 261
D.5.1. Valores propios diferentes . . . . . . . . . . . . . . . . . . 264
D.5.2. Valores propios repetidos . . . . . . . . . . . . . . . . . . 267
D.5.3. Obtención de vectores propios generalizados . . . . . . . . 273
D.6. Forma canónica de Jordan . . . . . . . . . . . . . . . . . . . . . . 278
D.7. Forma canónica real de Jordan . . . . . . . . . . . . . . . . . . . 280
D.7.1. Bloques de Jordan de tamaño 1 . . . . . . . . . . . . . . . 280
D.7.2. Bloques de Jordan de tamaño mayor que 1 . . . . . . . . 282
D.8. Funciones de matrices cuadradas . . . . . . . . . . . . . . . . . . 282
D.8.1. Polinomios de matrices . . . . . . . . . . . . . . . . . . . 282
D.8.2. Funciones como series de potencias . . . . . . . . . . . . . 285
D.8.3. Definición de funciones mediante polinomios . . . . . . . . 287

Bibliografı́a 295

Índice analı́tico 297

xiii
 

OSCAR G. DUARTE

xiv
 

Lista de figuras

1.1. Sistema y Señales . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2. Sistemas y Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Construcción de Modelos . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Clasificación de los Modelos Matemáticos de Sistemas . . . . . . 5
1.5. Sistema Dinámico Continuo . . . . . . . . . . . . . . . . . . . . . 8
1.6. Sistema Dinámico Discreto . . . . . . . . . . . . . . . . . . . . . 8
1.7. Elementos de un puerto para grafos de enlaces de potencia . . . . 13
1.8. Elementos de dos puertos para grafos de enlaces de potencia . . . 13
1.9. Elementos multipuerto para grafos de enlaces de potencia . . . . 14
1.10. Grafos de enlace de potencia. Diagrama del ejemplo 1.1 . . . . . 15
1.11. Grafos de enlace de potencia. Esquema del ejemplo 1.1 . . . . . . 15
1.12. Grafo de enlaces de potencia del ejemplo 1.1 . . . . . . . . . . . . 16
1.13. Enlaces con marcas de causalidad . . . . . . . . . . . . . . . . . . 17
1.14. Grafo causal de enlaces de potencia del ejemplo 1.1 . . . . . . . . 19

2.1. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . 28

2.2. Z 
Transformada   . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.3. Funciones contı́nuas según la ubicación de sus polos en el plano s   34
2.4. Funciones discretas según la ubicación de sus polos en el plano s   34

3.1. Sistema Dinámico Continuo . . . . . . . . . . . . . . . . . . . . . 43

3.2. Sistema Dinámico Discreto . . . . . . . . . . . . . . . . . . . . . 45
3.3. Diagrama de bloques mı́nimo . . . . . . . . . . . . . . . . . . . . 47
3.4. Diagrama de flujo de señal mı́nimo . . . . . . . . . . . . . . . . . 47
3.5. Equivalencias de los Diagramas de Bloques . . . . . . . . . . . . 49
3.6. Diagrama de Bloques del ejemplo 3.1 . . . . . . . . . . . . . . . . 50
3.7. Solución del ejemplo 3.1 . . . . . . . . . . . . . . . . . . . . . . . 51
3.8. Equivalencias de los Diagramas de de Flujo de Señal . . . . . . . 52
3.9. Definiciones de Diagramas de Flujo de Señal . . . . . . . . . . . . 53
3.10. Diagrama de Flujo de Señal del ejemplo 3.3 . . . . . . . . . . . . 54
3.11. Función Impulso Unitario discreto . . . . . . . . . . . . . . . . . 56
3.12. Sistema Dinámico Discreto estimulado con el impulso unitario . . 56
3.13. Relación entre la respuesta al impulso y la función de transferen-
cia. Caso discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

xv
 

OSCAR G. DUARTE

3.14. Respuesta al Impulso discreto . . . . . . . . . . . . . . . . . . . . 58

3.15. Descomposición de una señal discreta . . . . . . . . . . . . . . . 60
3.16. Función d ∆   . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.17. Función Impulso Unitario Continuo . . . . . . . . . . . . . . . . . 61
3.18.  Área bajo la curva f (t)d∆   . . . . . . . . . . . . . . . . . . . . . . 62
3.19. Sistema Dinámico Contı́nuo estimulado con el impulso unitario . 62
3.20. Relación entre la respuesta al impulso y la función de transferen-
cia. Caso contı́nuo . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.1. Respuesta al paso de un sistema continuo de primer orden . . . . 66

4.2. Regiones de estabilidad e inestabilidad para un sistema continuo
de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.3. Respuesta al paso de un sistema continuo de primer orden, polo
 −
negativo en a   . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.4. Región de tiempo de asentamiento máximo para un sistema con-
tinuo de primer orden . . . . . . . . . . . . . . . . . . . . . . . . 68
4.5. Respuesta al paso de un sistema discreto de primer orden . . . . 69
4.6. Regiones de estabilidad e inestabilidad para un sistema discreto
de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.7. Regiones de tiempo de asentamiento máximo para un sistema
discreto de primer orden . . . . . . . . . . . . . . . . . . . . . . . 70
4.8. Ubicación de los polos de un sistema continuo de segundo orden,
con polos complejos . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.9. Respuesta al paso de un sistema continuo de segundo orden, w n  = 1 72
4.10. Respuesta al paso de un sistema continuo de segundo orden, ξ  = 0.5 72
4.11. Respuesta al paso de un sistema continuo de segundo orden . . . 72
4.12. Región de Estabilidad para un sistema continuo de segundo orden 73
4.13. Región de Tiempo máximo de asentamiento para un sistema con-
tinuo de segundo orden . . . . . . . . . . . . . . . . . . . . . . . 74
4.14. Región de Frecuencia máxima de oscilación para un sistema con-
tinuo de segundo orden . . . . . . . . . . . . . . . . . . . . . . . 74
4.15. Sobrepico en función de ξ    . . . . . . . . . . . . . . . . . . . . . . 76
4.16. Sobrepico en función de φ   . . . . . . . . . . . . . . . . . . . . . . 77
4.17. Región de Sobrepico máximo para un sistema continuo de segun-
do orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.18. Región de Diseño para un sistema continuo de segundo orden . . 78
4.19. Ubicación de los polos de un sistema discreto de segundo orden,
con polos complejos . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.20. Respuesta al paso de un sistema discreto de segundo orden,  a  =
1.2, b = 0.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.21. Respuesta al paso de un sistema discreto de segundo orden, a = 3,
b = 0.7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.22. Región de Estabilidad para un sistema discreto de segundo orden 81
4.23. Región de tiempo de asentamiento máximo para un sistema dis-
creto de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . 82

xvi
 

LISTA DE FIGURAS

4.24. Región de Frecuencia máxima de oscilación para un sistema dis-

creto de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . 83
4.25. Curvas de Amortiguamiento fijo para un sistema discreto de se-
gundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.26. Región de Amortiguamiento mı́nimo para un sistema discreto de
segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.27. Región de Diseño para un sistema discreto de segundo orden . . 85
4.28. Respuesta al paso de un sistema continuo de segundo orden, con
cero real b = ω = 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.29. Sistema continuo de orden 4 con polos dominantes . . . . . . . . 87

5.1. Sistema continuo retroalimentado simple . . . . . . . . . . . . . . 89

5.2. Sistema discreto retroalimentado simple . . . . . . . . . . . . . . 90
5.3. Arreglo de Routh. Primeras dos lı́neas . . . . . . . . . . . . . . . 95
5.4. Arreglo de Routh. Dos lı́neas genéricas . . . . . . . . . . . . . . . 95
5.5. Arreglo de Routh del ejemplo 5.4. Primeras dos lı́neas . . . . . . 96
5.6. Arreglo de Routh del ejemplo 5.4 . . . . . . . . . . . . . . . . . . 96
5.7. Arreglo de Routh del ejemplo 5.5 . . . . . . . . . . . . . . . . . . 97
5.8. Arreglo de Routh del ejemplo 5.6 . . . . . . . . . . . . . . . . . . 98
5.9. Arreglo de Routh del ejemplo 5.7 . . . . . . . . . . . . . . . . . . 99
5.10. Arreglo de Routh con cero en la primera columna. Arreglo in-
completo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.11. Arreglo de Routh con cero en la primera columna. Aproximación 100
5.12. Arreglo de Routh con cero en la primera columna. Arreglo completo100
5.13. Arreglo de Routh con terminación prematura. Arreglo incompleto 100
5.14. Arreglo de Routh con terminación prematura. Arreglo completo . 101
5.15. Root-ocus (en rojo) y root-locus complementario (en azul) del
ejemplo 5.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5.16. Diagramas de Root Locus para el ejemplo 5.10 . . . . . . . . . . 104
5.17. Root-locus (en rojo) y root-locus complementario (en azul) del
ejemplo 5.11 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.18. Relación entre el root-locus y los diagramas de Bode . . . . . . . 110
5.19. Diagramas de Bode para un ejemplo . . . . . . . . . . . . . . . . 111
5.20. Determinación gráfica del valor de una función de transferencia
racional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.21. Plano s  y Plano F    . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.22. Plano s  y Plano F  en una trayectoria cerrada que no encierra el
cero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.23. Plano s  y Plano F  en una trayectoria cerrada que encierra el cero 116
5.24. Plano s  y Plano F  en una trayectoria cerrada que no encierra el
polo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.25. Plano s  y Plano F  en una trayectoria cerrada que encierra el polo 117
5.26. Trayectoria de Nyquist para el caso general . . . . . . . . . . . . 118
5.27. Trayectoria de Nyquist con polos en el eje imaginario . . . . . . . 118
5.28. Diagrama de Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.29. Diagrama de Nyquist para el ejemplo 5.13 . . . . . . . . . . . . . 121

xvii
 

OSCAR G. DUARTE

5.30. Transformación Bilineal . . . . . . . . . . . . . . . . . . . . . . . 123

5.31. Arreglo de Routh para el sistema transformado . . . . . . . . . . 124
5.32. Arreglo de Jury. Primeras dos lı́neas . . . . . . . . . . . . . . . . 125
5.33. Arreglo de Jury del ejemplo 5.15. Primeras dos lı́neas . . . . . . 126
5.34. Arreglo de Jury del ejemplo 5.15. Primeras cuatro lı́neas . . . . . 126
5.35. Arreglo de Jury del ejemplo 5.15. Arreglo completo . . . . . . . . 126
5.36. root-locus (en rojo) y root-locus complementario (en azul) para
el ejemplo 5.18 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.37. Relación entre el root-locus y los diagramas de Bode para el caso
discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.38. Diagramas de Bode para el ejemplo 5.19 . . . . . . . . . . . . . . 132
5.39. Trayectoria de Nyquist para el caso discreto general . . . . . . . 133
5.40. Trayectoria de Nyquist para el caso discreto con polos en la cir-
cunferencia unitaria . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.41. Diagrama de Nyquist para el ejemplo 5.20 . . . . . . . . . . . . . 136

6.1. Sistema Continuo de múltiples entradas y múltiples salidas . . . 138

6.2. Sistema Discreto de múltiples entradas y múltiples salidas . . . . 138
6.3. Cambio de base de un Vector . . . . . . . . . . . . . . . . . . . . 143
6.4. Diagrama de Matthew vacio simple . . . . . . . . . . . . . . . . . 151
6.5. Diagrama de Bloques de un sistema contı́nuo en representación
de espacio de Estado . . . . . . . . . . . . . . . . . . . . . . . . . 158
6.6. Diagrama de Bloques de un sistema discreto en representación de
espacio de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
6.7. Circuito RLC serie . . . . . . . . . . . . . . . . . . . . . . . . . . 160
6.8. Motor DC controlado por campo . . . . . . . . . . . . . . . . . . 161
6.9. Construcción de una trayectoria en el Plano de Fase . . . . . . . 173
6.10. Retrato de Fase . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
6.11. Retratos de Fase Estables tı́picos . . . . . . . . . . . . . . . . . . 174
6.12. Retratos de Fase Inestables tı́picos . . . . . . . . . . . . . . . . . 175
6.13. Ejemplos Retratos de Fase . . . . . . . . . . . . . . . . . . . . . . 177
6.14. Retrato de Fase de un Ejemplo . . . . . . . . . . . . . . . . . . . 180
6.15. Retrato de Fase de un Ejemplo en la base de los vectores propios 181
6.16. Realimentación por Variable de Estado . . . . . . . . . . . . . . . 188
6.17. Realimentación por Variable de Estado de un sistema contı́nuo . 188
6.18. Realimentación por Variable de Estado de un sistema discreto . . 189
6.19. Circuito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
6.20. Realimentación por Variable de Estado con Observador . . . . . 192

7.1. No Linealidades Estáticas más frecuentes . . . . . . . . . . . . . 196

7.2. Sistema No Lineal con dos entradas escalón . . . . . . . . . . . . 198
7.3. Sistema No Lineal con una entrada escalón y una sinusoide . . . 198
7.4. Diagrama del péndulo simple . . . . . . . . . . . . . . . . . . . . 200
7.5. Retrato de Fase del péndulo simple con a  = b = 1 . . . . . . . . . 200
7.6. Retrato de Fase del péndulo simple alrededor de un punto de
equilibrio del tipo sifón . . . . . . . . . . . . . . . . . . . . . . . . 202

xviii
 

LISTA DE FIGURAS

7.7. Retrato de Fase del péndulo simple alrededor de un punto de

equilibrio del tipo punto de silla . . . . . . . . . . . . . . . . . . . 202
7.8. Retrato de Fase del Sistema de Lotka-Volterra . . . . . . . . . . 203
7.9. Retrato de Fase del Oscilador de Van der Pol con µ = 1 . . . . . 204
7.10. Retrato de Fase del Oscilador de Duffing con k  = 0 . . . . . . . . 205
7.11. Función discreta que origina un sistema caótico . . . . . . . . . . 207
7.12. Respuesta de un sistema discreto caótico a tres entradas diferen-
tes: x a  = 0.445 + 1 10−11 (negro), x b  = 0.445 + 3 10−11 (azul)
· ·
y x c  = 0.445 + 5 10−11 (ro jo) . . . . . . . . . . . . . . . . . . . . 207
·
B.1. Resumen de los diagramas de Bode aproximados para sistemas
continuos de primer orden (los cuatro primeros casos son exactos) 231
B.2. Resumen de los diagramas de Bode aproximados para sistemas
continuos de segundo orden . . . . . . . . . . . . . . . . . . . . . 232
B.3. Diagrama de Bode de magnitud para un sistema continuo de
segundo orden con distintos factores de amortiguamiento . . . . . 233
B.4. Diagrama de Bode de fase para un sistema continuo de segundo
orden con distintos factores de amortiguamiento . . . . . . . . . 234

C.1. Diagrama de Nichols en coordenadas rectangulares . . . . . . . . 238

C.2. Diagrama de Nichols en coordenadas polares . . . . . . . . . . . 238

D.1. Cambio de base de un Vector . . . . . . . . . . . . . . . . . . . . 247

D.2. Rotación de 90o en sentido horario . . . . . . . . . . . . . . . . . 249
D.3. Circunferencias Unitarias para diferentes normas . . . . . . . . . 252
D.4. Norma de una matriz basada en   · 
1   . . . . . . . . . . . . . . . 254
D.5. Norma de una matriz basada en   · 
2   . . . . . . . . . . . . . . . 255
D.6. Norma de una matriz basada en   · 
∞ . . . . . . . . . . . . . . . 255
D.7. Codominio y rango de un operador lineal . . . . . . . . . . . . . 257
D.8. Codominio y Rango del Operador Lineal del ejemplo D.27 . . . . 258
D.9. Codominio y Rango del Operador Lineal del ejemplo D.27 . . . . 258
D.10.Codominio, espacio nulo, rango y nulidad de un operador lineal . 259
D.11.Espacios Nulos de (A λI)i y cadenas de vectores propios gene-
−
ralizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
D.12.Espacios Nulos del ejemplo . . . . . . . . . . . . . . . . . . . . . 272
D.13.Diagrama de Matthew vacı́o . . . . . . . . . . . . . . . . . . . . . 273
D.14.Diagrama de Matthew vacı́o simple . . . . . . . . . . . . . . . . . 274
D.15.Diagrama de Matthew lleno . . . . . . . . . . . . . . . . . . . . . 274

xix
 

OSCAR G. DUARTE

xx
 

Lista de tablas

1.2. Variables y parámetros de sistemas fı́sicos . . . . . . . . . . . . . 10

1.4. Variables Fı́sicas empleadas en los grafos de enlaces de potencia . 12

2.1. Comparación entre ecuaciones diferenciales y de diferencia . . . . 23

2.2. Métodos elementales de solución de Ecuaciones diferenciales y de
diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3. Comparación de las definiciones de las transformadas de Laplace
 Z 
y   . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4. Propiedades de las transformadas de Laplace y  Z    . . . . . . . . 31
2.5. Tabla de parejas de transformadas elementales . . . . . . . . . . 32
2.6. Tabla de parejas de transformadas elementales multiplicadas por
el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.7. Ubicación de los polos en los planos complejos y funciones en el
tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5.1. Error de estado estacionario para sistemas continuos . . . . . . . 92

5.2. Error de estado estacionario para sistemas discretos . . . . . . . 93
5.3. Polos de la función de transferencia del ejemplo 5.8 . . . . . . . 102
5.5. Reglas de construcción para el root-locus y el root-locus comple-
mentario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.6. Transformación bilineal de algunos puntos sobre la circunferencia
unitaria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

xxi
 

OSCAR G. DUARTE

xxii
 

Prefacio

Este texto de   an´ alisis de sistemas din´ amicos   se ha preparado como ma-

terial de apoyo para el curso de igual nombre impartido en la Facultad de
Ingenierı́a de la Universidad Nacional de Colombia. Existe una versión elec-
trónica en la página del proyecto Universidad Virtual de la misma universidad
(http://virtual.unal.edu.co) que está acompañada de aplicaciones de soft-
ware, enlaces y documentación útiles para la aprehensión de los conceptos aqui
presentados.
Se ha supuesto un lector con conocimentos mı́nimos de ecuaciones diferen-
ciales y cuyo interés en el tema esté cercano al control de sistemas dinámicos. En
general, es adecuado como guı́a para cursos de pregrado en ingenierı́a, aunque
el apéndice D tiene un nivel más avanzado.
El cuerpo principal del texto se organiza asi: El capı́tulo 1 delimita el tipo
de sistemas que se estudiarán en el texto y presenta las ideas básicas sobre
cómo obtener las ecuaciones matemáticas que describen su comportamiento.
Esta tarea (la obtención de las ecuaciones) es fundamental para el análisis y
control de sistemas, y amerita un estudio mucho más profundo que el destinado
en este capı́tulo introductorio; en los restantes capı́tulos se asume que ya se
cuenta con las ecuaciones de los sistemas a estudiar.
Los fundamentos matemáticos para solucionar dichas ecuaciones se resumen
en el capı́tulo 2; especial énfasis se hace en los métodos de las transformadas de
Z 
Laplace y . Los herramientas más usuales de análisis de sistemas se presentan
en el capı́tulo 3 y el capı́tulo 4 se dedica al estudio de los sistemas de primer
y segundo, que resultan ser fundamentales pues presentan los comportamientos
básicos que pueden aparecer en cualquier sistema dinámico.
La realimentación, estrategia fundamental del control de sistemas dinámicos,
se explora en el capı́tulo 5. Un enfoque diferente al análisis de sistemas, el espacio
de estado, se aborda en el capı́tulo 6. Finalmente, el capı́tulo 7 presenta algunos
comportamientos que pueden aparecen en los sistemas no lineales, y que no
pueden existir en los sistemas lineales.
Adicionalmente, se han incluido cuatro apéndices: El apéndice A contiene las

xxiii
 

OSCAR G. DUARTE

demostraciones de las propiedades y parejas de las transformadas de Laplace

 Z 
y   que se enuncian en el capı́tulo 2 y se emplean a lo largo del texto. Los
apéndices B y C están dedicados a los diagramas de Bode y a la carta de Nichols,
respectivamente. El apéndice D es una presentación rigurosa de los conceptos
de álgebra lineal que se enuncian en el capı́tulo 6.
Este texto no habrı́a sido posible sin la colaboración directa e indirecta de
muchas personas. Quiero agradecer en primer lugar a los alumnos de los cursos
de pregrado y posgrado de análisis de sistemas dinámicos cuyas observaciones y
sugerencias han sido extremadamente valiosas; ellos han sido además la principal
motivación de este trabajo; a los profesores Hernando Diaz y Estrella Parra
por sus aportes y permanente estı́mulo. Agradezco tambien a la Universidad
Nacional de Colombia por su apoyo en la publicación del texto; a la comunidad
de desarrolladores y usuarios del programa LATEX sin cuyo aporte éste y muchos
libros serı́an quimeras; a Alfredo Duplat Ayala por sus comentarios en el campo
editorial; por último, pero no menos importante, a Tatiana y a Laura por su
cariño y paciencia.

Oscar G. Duarte

xxiv
 

Capı́tulo 1

Introducción al modelamiento de
sistemas

1.1. Conceptos preliminares

Iniciamos el estudio del análisis de sistemas dinámicos lineales con la pre-
sentación de los siguientes conceptos básicos:

1.1.1. Sistemas
No es fácil encontrar una definición exacta de sistema , quizás porque el tér-
mino es utilizado en muy diversos contextos. En un sentido amplio, podemos
entender por sistema   aquello que se va a estudiar . Tal definición es extrema-
damente vaga pero pone de manifiesto la necesidad de delimitar el objeto de
estudio, de imponerle unas fronteras precisas. Dividimos el universo en dos par-
tes: El sistema y todo lo demás; esto último lo denominamos el Entorno del
Sistema.
Podemos imaginar sistemas de tipos muy diferentes de acuerdo a qué es lo
que se va a estudiar; si se desea conocer cómo se nutre un determinado animal
estariamos definiendo un sistema biológico, mientras que si lo que se quiere es
conocer la variación de la población en una determinada ciudad a través de los
años definiriamos un sistema sociológico. Pueden plantearse también sistemas
abstractos, como por ejemplo el conjunto de los número enteros o las estrategias
de comunicación lingüı́s ticas.
El propósito de este curso no es, por supuesto, abordar cualquier tipo de
sistema, sino que se limita al estudio de un tipo especı́fico de sistemas que suelen
denominarse en el contexto de la fı́sica, la matemática y la ingenierı́a Sistemas 

1
 

OSCAR G. DUARTE

amicos Lineales . Para precisar qué tipo de sistemas son éstos requerimos
Din´ 
primero de la presentación de los conceptos dese˜ 
nales   y modelos .

1.1.2. Señales
Las señales son el medio a través del cual el sistema interactúa con su entorno.
En la figura 1.1 se visualiza esta interacción: El sistema, está representado por
un rectángulo, lo que da a entender que tiene sus fronteras definidas en forma
precisa; este sistema recibe del entorno unas  se˜  nales de entrada , representadas
por flechas, y entrega a su entorno unas se˜  nales de salida , también representadas
por flechas.
En las aplicaciones tı́picas de ingenierı́a, las señales de entrada y salida son
variables (fı́sicas o abstractas) que cambı́an en el tiempo, como por ejemplo,
fuerzas, velocidades, temperaturas, etc.

Entradas Sistema Salidas

Figura 1.1:  Sistema y Señales

Cuando un sistema recibe una única señal de entrada y produce una única
señal de salida, se dice que es un sistema SISO (del inglés Single Input Single 
Output ), mientras que si recibe varias entradas y produce varias salidas, se dice
que es un sistema MIMO (del inglés  Multiple Input Multiple Output ). También
existen las denominaciones MISO para sistemas de varias entradas y una sóla
salida, y SIMO para el caso con una entrada y varias salidas, éste úlimo poco
frecuente.

1.1.3. Modelos
Para entender un sistema debemos hacer una representación abstracta de él;
tal representación es el modelo del sistema. La figura 1.2 visualiza la diferencia
que existe entre sistema y modelo. El sistema existe, y de él hacemos una o
varias abstracciones para poder comprenderlo. Las representaciones abstractas
pueden ser de muchos tipos (ecuaciones, gráficas, etc.) algunos de los cuales son:

Modelos mentales:  son representaciones presentes en nuestro cerebro; tene-

mos, por ejemplo, una representación mental de nuestro cuerpo que nos
permite controlarlo para caminar, saltar, etc.

Modelos lingüı́sticos:   son representaciones con palabras; este párrafo, por

ejemplo intenta explicar con palabras qué es el sistema denominado modelo
ling uı́
¨  s tico.

2
 

1.1. CONCEPTOS PRELIMINARES

Modelos gráficos:  en ocasiones empleamos tablas y/o gráficas como modelos;
los catálogos de productos de ingenierı́a suelen contener muchos ejemplos
de este tipo de modelo.
Modelos matemáticos:  estos modelos son ampliamente usados en áreas como
la fı́sica, la ingenierı́a, la economı́a, etc.; generalmente se trata de ecua-
ciones que muestra las relaciones existentes entre las variables que afectan
un sistema;
Modelos de software:   en ocasiones es posible desarrollar programas de com-
putador que representen a sistemas complejos.

Modelo1

Modelo4 Sistema Modelo2

Modelo3

Figura 1.2:  Sistemas y Modelos

Es importante destacar que un mismo sistema puede ser representado por

muchos modelos diferentes. Este hecho plantea el interrogante ¿cuál es el mejor 
modelo de un sistema dado?
No es sensato aspirar a obtener un modelo perfecto de un sistema real, porque
existirán siempre fenómenos que se escapen a nuestra capacidad de abstracción,
por lo tanto, la respuesta debe darse en términos de la utilización del modelo;
el mejor modelo es aquel que sea   util  para
´  nuestros propósitos particulares, y
dentro de todos los modelos útiles, preferiremos el más sencillo. La utilidad del
modelo también determinará el grado de sofisticación que se requiera.

1.1.4. Construcción de los modelos matemáticos

En general, la construcción de modelos se basa en la observación del sistema.
Existen algunos caminos básicos para obtener un modelo (ver figura 1.3):
Modelamiento de sistemas:  Esta estrategia consiste en descomponer (abs-
tractamente) el sistema en subsistemas más simples, cuyos modelos sean

3
 

OSCAR G. DUARTE

factibles de obtener gracias a la experiencia previa. Una vez obtenidos

estos submodelos, se buscan las relaciones que existen entre ellos, para
interconectarlos y obtener el modelo del sistema original.
Esta estrategia busca una descripción desde adentro del sistema, gene-
ralmente basada en el conocimiento de las leyes que rigen los sistemas
simples. El modelo asi obtenido se conoce como   modelo de caja blanca   ó
modelo interno.
Identificación de Sistemas:  Esta estrategia consiste en acumular un número
suficiente de observaciones sobre las señales de entrada y salida del sistema,
con el propósito de emplearlas para construir un modelo del mismo. No se
centra en lo que existe al interior del sistema, sino en su comportamiento
respecto al entorno. El modelo asi obtenido se conoce como modelo de caja 
negra   ó modelo entrada - salida .
Estrategia hı́brida:  Existe una tercera estrategia, que realmente es una com-
binación de las anteriores: Al igual que en la estrategia de modelamiento,
se emplea el conocimiento que esté a la mano acerca de la estructuta in-
terna del sistema y las leyes que rigen su comportamiento, y se emplean
observaciones para determinar la información que haga falta. El modelo
asi obtenido se conoce como  modelo de caja gris .

Modelamiento Identificación
de Sistemas de Sistemas
      
    
   
 
Modelos Modelos Modelos
de caja de caja de caja
blanca gris negra

Figura 1.3:  Construcción de Modelos

1.1.5. Clasificación de los modelos matemáticos

En el ámbito de este texto se emplearán modelos de tipo matemático, es de-
cir, nuestros modelos serán ecuaciones y el análisis de los sistemas asi modelados
estará ligado a la solución de dichas ecuaciones. Las siguientes definiciones ayu-
darán a puntualizar qué tipo de modelos matemáticos son los que se pretenden
estudiar, según se observa en la figura 1.4.
Modelos causales y no causales:   El estado de un sistema causal depende
sólo de las condiciones presentes y pasadas, pero no de las futuras, es
decir hay una relación de causalidad. Los sistemas fı́sicos son causales,
pero se pueden concebir modelos de ciertos sistemas que no lo sean. En el
texto se estudiarán sólo sistemas causales

4
 

1.1. CONCEPTOS PRELIMINARES

Modelos
Matemáticos

  
No Causales Causales

  
Estáticos Dinámicos

  
  Determi-
Estocásticos
nı́s ticos

  
Parámetros Parámetros
Distribuidos Concentrados

  
No Lineales Lineales

  
Variantes Invariantes
en tiempo en tiempo

  
Discretos Continuos

Figura 1.4: Clasificación de los Modelos Matemáticos de Sistemas

5
 

OSCAR G. DUARTE

Modelos estáticos y dinámicos: El estado de un sistema estático depende

sólo de las condiciones presentes y no de las pasadas. En contraposición,
el estado de un sistema dinámico depende de lo que haya sucedido en el
pasado, generalmente debido a que en el sistema hay algún tipo de alma-
cenamiento de energı́a. Los sistemas dinámicos también se conocen como
sistemas con memoria. Los modelos de sistemas dinámicos son ecuacio-
nes diferenciales o de diferencia. En el texto se estudiarán sólo sistemas
dinámicos.

Modelos estocásticos y determinı́sticos:  En ocasiones se sabe que existen

variables que afectan el sistema, pero no es posible predecir el valor que
éstas puedan tomar; una de las alternativas para hacer frente a estos casos
consiste en considerar que esa variable es aleatoria y buscar técnicas basa-
das en la teorı́a de probabilidades para analizar el sistema. Un modelo que
incluya variables aleatorias es un modelo estocástico, mientras que mode-
los exentos de aleatoridad se denominan modelos determinı́sticos.   Éstos
últimos serán los que se estudien en este texto.

Modelos de parámetros concentrados y distribuidos:  La mayorı́a de los

fenómenos fı́sicos ocurren en una región del espacio, pero en muchas oca-
siones es posible representar ese fenómeno como algo puntual; por ejemplo,
para estudiar la atracción entre el sol y la tierra es posible representar toda
la masa de cada uno de esos cuerpos concentrada en un único punto (su
centro de gravedad).
Sin embargo, otros fenómenos como la transmisión de ondas electromag-
néticas o las olas en el mar requieren una representación que considere
qué está sucediendo en cada punto del espacio, en este caso se necesita
un modelo de parámetros distribuidos en el espacio, en contraposición de
los modelos de parámetros concentrados. Los modelos de parámetros dis-
tribuidos implican ecuaciónes diferenciales con derivadas parciales y no
serán estudiados en este texto; por su parte los modelos de parámetros
concentrados, requieren ecuaciones con derivadas o ecuaciones de diferen-
cia ordinarias.

Modelos lineales y no lineales:  La linealidad es una propiedad que pueden

tener o no las funciones; realmente se trata de dos propiedades agrupadas
bajo un mismo nombre. Dada una función y = f (x) estás propiedades son:

1. Proporcionalidad: Es igual calcular la función en un argumento am-

plificado por un factor  α que calcularla sobre el argumento y luego
amplificar el resultado por ese mismo factor:

f (αx) = αf (x)

En términos prácticos, esto significa que en los modelos lineales al

duplicar las entradas se duplican las salidas.

6
 

1.1. CONCEPTOS PRELIMINARES

2. Superposición: Es igual calcular la función en la suma de dos argu-

mentos que calcularla por separado en cada uno de los argumentos y
sumar los resultados.

f (x1  + x2 ) =  f (x1 ) + f (x2 )

En términos prácticos, esto significa que en los modelos lineales de

varias entradas, las salidas pueden conocerse calculando por separado
el efecto de cada entrada y sumando los resultados.

En este texto se estudiarán los modelos lineales, y tan sólo en el capı́tulo

7 se mencionarán algunos comportamientos especiales que pueden ocurrir
en los sistemas no lineales.

Modelos variantes e invariantes en el tiempo:   Un modelo se dice inva-

riante en el tiempo cuando las propiedades del sistema modelado se con-
sideran constantes en el tiempo. En caso contrario se dice variante en el
tiempo. Nótese que la variación se refiere a las propiedades (parámetros)
del sistema, no de las señales que le afectan (variables). En la mayor parte
de este curso se considerarán sistemas invariantes en el tiempo.

Modelos continuos y discretos:   Para describir el comportamiento de siste-

ma dinámicos es posible definir la variable tiempo en dos formas distintas:

Tiempo continuo:   Se considera que el tiempo   t es una variable conti-

nua que puede tomar cualquier valor real, aunque generalmente se
restringe a los valores positivos (t   R+ ). Las variables resultan ser
 ∈
descritas por funciones que van de los reales positivos a los reales
(f   :  R +
→ R).

Tiempo discreto:   Se considera que el tiempo k  es una variable discreta,

es decir, que sólo toma valores en ciertos puntos de la recta real.
Usualmente estos instantes están espaciados de forma regular en un
intervalo T . En este texto se considera además T  = 1, en unidades
de tiempo adecuadas, que pueden ser años, dı́as, microsegundos, etc.
De esta forma  k es una variable entera, generalmente positiva (k  ∈
Z+ ). Las variables resultan ser descritas por funciones que van de los
enteros positivos a los reales (f   :  Z + →
R), es decir, son sucesiones.

En este texto se considerarán ambos tipos de modelos, pero en forma in-

dependiente, es decir, no se considerarán sistemas hı́bridos que tengan una
parte descrita en forma continua y otra en forma discreta. Estos sistemas
son de amplio interés en las aplicaciones de  control digital   y en tratamien-
nales  (particularmente el efecto del periodo  T   del tiempo
to digital de se˜ 
discreto resulta ser importante), pero no son tratados en este texto.

7
 

OSCAR G. DUARTE

1.1.6. Modelos matemáticos a utilizar

De acuerdo con lo presentado en la sección 1.1.5, y resumido en la figura 1.4,
en este curso se emplearán modelos matemáticos causales, dinámicos, determi-
nı́sticos, de parámetros concentrados, lineales, invariantes en el tiempo, para dos
casos diferentes: tiempo continuo y tiempo discreto.
Para un sistema continuo de una única entrada y una única salida, como
el de la figura 1.5, el modelo empleado corresponde a una  ecuaci´  on diferencial 
ordinaria de coeficientes constantes :

dn y
an
dtn
 + ··· + a1 dy
dt
  + a0 y(t) =
dm u
bm
dtm
 + ··· + b1 du
dt
  + b0 u(t)   n ≥ m   (1.1)

Por su parte, un sistema discreto de una única entrada y una única salida,
como el de la figura 1.6, tendrá por modelo una ecuaci´ 
on de diferencias finitas 
ordinaria de coeficientes constantes :

an y(k + n) + ··· + a1y(k + 1) + a0y(k) =

b u(k + m) + ··· + b1 u(k + 1) + b0 u(k)   n ≥ m   (1.2)
m

u(t)  Sistema
   y(t)

Figura 1.5:  Sistema Dinámico Continuo

u(k)  Sistema
   y(k)

Figura 1.6:  Sistema Dinámico Discreto

≥
La condición n m de las ecuaciones (1.1) y (1.2) asegura modelos causales.
En efecto, podemos suponer una ecuación de diferencias que viole esta condición,
por ejemplo y(k) = u(k + 1) ; es obvio que para cualquier k la salida del sistema
depende de una condición futura de la entrada, (por ejemplo para  k = 0 se tiene
y(0) = u(1)), lo que viola la condición de causalidad.
Otro tipo de ecuaciones diferenciales que se emplearán relacionan vectores
de variables mediante matrices. Para el caso continuo se muestra un ejemplo en
(1.3) y para el caso discreto en (1.4)
 
ẋ1 a11   a12   a13
 x1
ẋ2  = a21   a22   a23
   x2   (1.3)
ẋ3 a31   a32   a33 x3

8
 

1.2. SISTEMAS FÍSICOS

  
x1 (k + 1) a11   a12   a13
  x1 (k)
 x2 (k + 1)  = a21   a22   a23
    x2 (k)   (1.4)
x3 (k + 1) a31   a32   a33 x3 (k)

1.2. Sistemas fı́sicos

Los modelos matemáticos de las ecuaciones (1.1) y (1.2) pueden ser útiles
para representar el comportamiento de diversos tipos de sistemas en áreas de la
fı́sica, ingenierı́a , biologı́a , economı́a , sociologı́a , etc. Por lo tanto las técnicas de
análisis que se explicarán en este texto son de amplia aplicabilidad. No obstante,
centramos aqui nuestra atención en los fundamentos necesarios para obtener
modelos continuos de cierto tipo de sistemas frecuentes en la ingenierı́a.
La tabla 1.2 resume las Variables y Parámetros de algunos de estos sistemas.
Para cada caso se han identificado dos variables que permiten analizar algunos
fenómenos; estas variables se han identificado como  Esfuerzo   E   y  Flujo   F , y
pueden interpretarse como las variables que causan un fenómeno y la forma en
que éste fenómeno se manifiesta; dicha interpretación, sin embargo, es arbitraria
y corresponde tan sólo a la metáfora que se haya empleado para entender el
fenómeno fı́sico. Para resaltar este hecho, en la tabla 1.2 se presentan los sistemas
eléctricos con dos posibles interpretaciones.
De todos los posibles fenómenos fı́sicos existentes, en la tabla 1.2 se presen-
tan aquellos que tienen un modelo matemático que corresponde a uno de los
siguientes casos:
Resistencia:  El Esfuerzo es directamente proporcional al Flujo, resultando en
una ecuación de la forma E  = F  R
Inductancia:   El Esfuerzo es directamente proporcional a la variación del Flujo,
resultando en una ecuación de la forma E  = dF dt L
Capacitancia:   El Esfuerzo es directamente proporcional a la acumulación del
 
Flujo, resultando en una ecuación de la forma E  =  F dt C
Nótese que las variables de Esfuerzo y Flujo que aparecen en la tabla 1.2
han sido seleccionadas tomando como único criterio el que permitan escribir los
modelos matemáticos de ciertos fenómenos fı́sicos de acuerdo con alguno de los
tres casos anteriores; podrı́an seleccionarse otras variables para describir otros
fenómenos.
Dado que las descripciones matemáticas de estos fenómenos son semejantes,
es posible establecer analogı́as entre los tipos de sistemas que dependerán de
las variables seleccionadas como Esfuerzo y Flujo; por ejemplo, será posible
establecer una analogı́a entre los resortes lineales de los sistemas traslacionales
y las inductancias de los sistemas eléctricos (columnas 2 y 4 tabla 1.2), pero
también puede establecerse una analogı́a entre el mismo tipo de resorte y las
capacitancias de los sitemas eléctricos (columnas 3 y 4 tabla 1.2).

9
 

 O
 S
 C
A
 R
 G
.
D
 U
A
Eléctrico A Eléctrico B Mecánico Mecánico ro- Hidraúlico Térmico  R
T
traslacional tacional (Tanques) E

Esfuerzo Corriente Tensión Fuerza Torque Caudal Diferencia de

temperatura
E i e f τ q   ∆θ
Flujo Tensión Corriente Velocidad Velocidad Nivel de lı́- Flujo de ca-
angular quido lor
F e i v ω h qc  
Resistencia Conduc- Resistencia Amortigua- Amortigua- Resistencia Resistencia
tancia miento miento Hidraúlica térmica
1  
 0   viscoso viscoso
rotacional
R
E  = F i = Ge e = Ri f  = Bv τ  = Bω q  =  R H h   ∆θ = RT q c
Inductancia Capacitan- Inductancia Masa de Momento de Área de tan-
cia inercia inercia que
E  = dF 
Ldt   i = C de
dt   e = L dtdi
   dv
f   = M  dt   τ  = J  dω
dt   q  = A dh
dt
Capacitan- Inductancia Capacitan- Resorte Resorte tor- Capacitancia
cia cia sional térmica
E  = C  
 F dt i =   L1
 
 edt e =   C 
1
  idt f  = K 
 
 
 vdt τ     = ∆θ     =
K T   ωdt C T   q c dt

Tabla 1.2:  Variables y parámetros de sistemas fı́sicos

 

1.3. GRAFOS DE ENLACES DE POTENCIA

“BOND GRAPHS”

1.3. Grafos de enlaces de potencia

“Bond Graphs”
La construcción de modelos matemáticos a partir de las relaciones de la tabla
1.2 puede ser una tarea complicada para sistemas complejos en los que existan
combinaciones de sistemas de diferente tipo. Una de las estrategias que facilita
la construcción de tales modelos se denomina técnica de los “Bond Graphs”.
Los “Bond Graphs” son grafos basados en las relaciones de potencia que exis-
ten en los sistemas fı́sicos, y por esa razón los llamaremos “grafos de enlaces de
potencia”, aunque ésta no es una traducción literal, ni es ampliamente empleada.
La representación de las relaciones de potencia se hace en función de una
pareja de variables, Esfuerzo e(t) y Flujo f (t) que se seleccionan adecuadamente
según el tipo de sistema a modelar, de tal manera que la potencia  p(t) se calcule
como

 p(t) = e(t)f (t) (1.5)

Las variables empleadas se relacionan en la tabla 1.4 1 . Adicionalmente, se
consideran las integrales respecto al tiempo del Esfuerzo y el Flujo,   P   y   Q
respectivamente. En los ejemplos de este capı́tulo se considerarán únicamente
ejemplos de sistemas eléctricos y mecánicos.

1.3.1. Elementos básicos

Los siguientes son los elementos básicos de un grafo de enlaces de potencia:

Elementos de 1 puerto:  Estos elementos representan sistemas en donde só-

lo interviene una variable de Esfuerzo y una variable de Flujo. La figura
1.7 muestra los distintos elementos de un puerto, su sı́mbolo y la relación
existente entre las variables de Esfuerzo y Flujo. Los tres primeros ele-
mentos,  R,   C ,   I , son elementos  pasivos , ya que no contienen fuentes de
energı́a, mientras que los dos últimos, S e  y S f , son elementos activos que
suministran energı́a (son fuentes de Esfuerzo y Flujo respectivamente).

Elementos de 2 puertos:  Estos elementos son conversores de potencia, es de-

cir, reciben potencia, la transforman y la entregan sin pérdida alguna. Por
uno de los puertos reciben potencia y por el otro la entregan; en cada
puerto hay una variable de Esfuerzo y una de Flujo. La figura 1.8 muestra
los dos tipos de elementos de dos puertos que existen, sus sı́mbolos y las
relaciones matemáticas que los rigen.

Elementos multipuerto (Uniones):   Estos elementos representan la ley de

continuidad de potencia, y sirven para describir las relaciones topológicas
del sistema y ası́ relacionar elementos de uno o dos puertos entre sı́. La
1 nótese que no necesariamente son las mismas variables Esfuerzo y Flujo relacionadas en

la tabla 1.2, aunque algunas coinciden

11
 

OSCAR G. DUARTE

Sistema Esfuerzo   e   Flujo   f 

Eléctrico Tensión eléctrica   v   Corriente eléctrica   i

Mecánico Fuerza   F    Velocidad   ν 

traslacional
Mecánico ro- Torque   τ    Velocidad angular   ω
tacional
Hidraúlico Presión   P    Variación de flujo dQ/dt
volumétrico
Térmico A Temperatura   T    Variación de dife- ds/dt
rencia de entropı́a
Térmico B Presión   P    Variación de cam- dV/dt
bio de volumen
Quı́mico A Potencial quı́mico   m   Variación de flujo dN/dt
molar
Quı́mico B Entalpı́a   h   Variación de flujo dm/dt
másico
Magnético Fuerza magnetomo- em   Flujo magnético Φ
triz

Tabla 1.4:  Variables Fı́sicas empleadas en los grafos de enlaces de potencia

figura 1.9 muestra los dos tipos de uniones existentes, sus sı́mbolos y las
relaciones matemáticas que los rigen.

Ejemplo 1.1  La figura 1.10 muestra el diagrama de un elevador, compuesto por un
motor eléctrico, un eje, una polea, un cable y un vagón. En el motor hay un circuito
eléctrico que incluye una resistencia, una inductancia y la tensión contraelectromo-
triz; el eje se considera rı́gido, sin masa y con fricción viscosa; la polea tiene un
momento de inercia; el cable es elástico y el vagón está directamente acoplado al
cable.
La figura 1.11 muestra el sistema en forma esquematica, resaltando la existencia
de diferentes dominios de energı́a: eléctrico, rotacional y traslacional. La figura 1.12
muestra el grafo de enlaces de potencia del sistema completo: en la primera unión
se representa el circuito eléctrico en serie (unión tipo 1 porque el flujo es común);
el rotador representa la conversión de energı́a eléctrica en rotacional; la siguiente
unión representa el comportamiento de la polea; el transformador muestra el cambio
del dominio de energı́a rotacional al traslacional; y la última unión representa los
fenómenos mecánicos en el vagón, incluida la atracción de la gravedad. En este
grafo se han numerado todos los enlaces, para facilitar su identificación.

12
 

1.3. GRAFOS DE ENLACES DE POTENCIA

“BOND GRAPHS”

Tipo de Elemento   Sı́mbolo Relaciones

Elemento e e = Rf 
  R
R f 
f   =   Re

Elemento e
 
e = C   f dt
  C 
C  f  f   =   C 
1 de
dt

e = I  ddtf 
Elemento e
  I 
I  f   
f   =   1I   edt

Fuente de e
S e   e = S e
Esfuerzo f 

Fuente de S f  e   f   = S f 

Flujo f 

Figura 1.7:  Elementos de un puerto para grafos de enlaces de potencia

Tipo de Elemento   Sı́mbolo Relaciones

e1 e2 e1  = ke 2
Transformador T F   : k
f 1 f 2
f 1  =   f k2

e1 e2 e1  = kf 2
Rotador GY   : k
f 1 f 2
f 1  =   ek2

Figura 1.8:  Elementos de dos puertos para grafos de enlaces de potencia

13
 

OSCAR G. DUARTE

Tipo de Elemento   Sı́mbolo Relaciones

e2   f 2

Unión e1 e3 e1  =  e 2  = e 3  =  e 4
0
Tipo 0 f 1 f 3
f 1  = f 2 + f 3  + f 4
f 4 e4

e2   f 2

Unión e1 e3 e1  = e 2 + e3  + e4

1
Tipo 1 f 1 f 3
f 1  =  f 2  = f 3  =  f 4
f 4 e4

Figura 1.9: Elementos multipuerto para grafos de enlaces de potencia

14
 

1.3. GRAFOS DE ENLACES DE POTENCIA

“BOND GRAPHS”

+
v(t)
−

Figura 1.10:  Grafos de enlace de potencia. Diagrama del ejemplo 1.1

Dominio Rotacional
Re   L

k J  −D/2
Rb
+
us
−
     l
   a
   n
   o
     i
   c
   a
     l
C e    s
Dominio Eléctrico    a
   r
     T
   o
     i
   n
     i
m    m
   o
     D

mg

Figura 1.11:  Grafos de enlace de potencia. Esquema del ejemplo 1.1

15
 

OSCAR G. DUARTE

I   : L I   : J 

e2   f 2 e6   f 6

S ..e e1 e3 GY 
.. e5 e7 D
us f 1
1
f 3 k f 5
1
f 7
T F   : −2

f 4 e4 f 8 e8
f 9 e9
R : Re R : R b
f 10
C   : C el e10 0

f 11 e11

  e13
S e  :  mg 1
f 13

f 12 e12

I:m

Figura 1.12:  Grafo de enlaces de potencia del ejemplo 1.1

16
 

1.3. GRAFOS DE ENLACES DE POTENCIA

“BOND GRAPHS”

Salida de Flujo Salida de Esfuerzo

e e
f  f 
f   = g(e) e = g(f )

Figura 1.13:  Enlaces con marcas de causalidad

1.3.2. Causalidad
En las figuras 1.7 y 1.8 se observa que las relaciones entre esfuerzo y flujo
pueden escribirse de dos formas diferentes para algunos de los elementos:

Salida de Esfuerzo: se calcula e  en función de f , por ejemplo e = g(f ).

Salida de Flujo: se calcula f  en función de e, por ejemplo f   = g(e).

La figura 1.13 muestra cómo se modifica el sı́mbolo del enlace cuando se

toma cada una de las dos alternativas, agregando unas  marcas de causalidad   en
alguno de los extremos del enlace.
El análisis de causalidad permite determinar cuál de los dos tipos de relacio-
nes debe emplearse en cada enlace. Para ello, es necesario definir las siguientes
relaciones de causalidad:

Causalidad fija:  En ocasiones sólo es posible un tipo de causalidad, como

por ejemplo en las fuentes de Esfuerzo y Flujo; en estas situaciones la
causalidad está predeterminada.

Causalidad condicionada: En los elementos de más de un puerto la causali-

dad está condicionada por las siguientes reglas:

En un rotador cada uno de sus puertos debe tener una causalidad

diferente
En un transformador ambos puertos deben tener la misma causalidad
En las uniones tipo 0 sólo hay una marca de causalidad en el lado de
la unión.
En las uniones tipo 1 sólo hay una marca de causalidad que no esté
del lado de la unión.

Causalidad preferida:   En los elementos cuya relación esfuerzo-flujo puede

ser una integral o una derivada, en este texto se prefiere la relación de
derivación2 , por lo tanto se tiene que
2 La integración es preferible para la utilización de métodos numéricos.

17
 

OSCAR G. DUARTE

Para elementos tipo C   se prefiere la causalidad de salida de flujo.

Para elementos tipo I  se prefiere la causalidad de salida de esfuerzo.
Causalidad Indiferente:  En las relaciones estáticas, como la de los elementos
R se obtiene el mismo tipo de ecuación con cualquiera de las dos causali-
dades, y por lo tanto ésta es indiferente.
Para determinar la causalidad de un grafo, se emplea el siguiente procedi-
miento:

1. Asignar una causalidad fija y propagarla a través de las causalidades con-

dicionadas. Repetir el procedimiento con todas las causalidades fijas.
2. Asignar una causalidad preferida y propagarla a través de las causalida-
des condicionadas. Repetir el procedimiento con todas las causalidades
preferidas.
3. Asignar una causalidad indiferente y propagarla a través de las causali-
dades condicionadas. Repetir el procedimiento con todas las causalidades
indiferentes.

Ejemplo 1.2  Retomando el ejemplo 1.1, cuyo grafo de enlaces de potencia se mues-
tra en la figura 1.12, el procedimiento de asignación de causalidades permite obtener
el grafo causal de la figura 1.14

1.3.3. Obtención de las ecuaciones

A partir de un grafo causal se pueden derivar las ecuaciones diferenciales que
describen el sistema con el siguiente procedimiento:

1. Obtener las ecuaciones diferenciales y las ecuaciones algebráicas de cada

uno de los elementos del grafo.
2. Eliminar las ecuaciones algebráicas.

Ejemplo 1.3  Las ecuaciones del grafo causal de la figura 1.14 (Ejemplos 1.1 y 1.2)
se obtienen asi:

Enlace 1: e 1  = u s

Enlace 2: e 2  = Ldf 2 /dt
Enlace 4: f 4  =  e 4 /Re
Primera unión: f 1  =  f 2  = f 3  = f 4   e1  = e 2  + e3  + e4
Rotador: e 3  =  K f 5   f 3  =   K 
1
e5
Enlace 6:e6  = J df 6 /dt
Enlace 8:f 8  =  e 8 /Rb

18
 

1.3. GRAFOS DE ENLACES DE POTENCIA

“BOND GRAPHS”

I   : L I   : J 

e2   f 2 e6   f 6

S ..e e1 e3 GY 
.. e5 e7 D
us f 1
1
f 3 k f 5
1
f 7
T F   : −2

f 4 e4 f 8 e8
f 9 e9
R : Re R : Rb
f 10
C   : C el e10 0

f 11 e11

  e13
S e  :  mg 1
f 13

f 12 e12

I:m

Figura 1.14:  Grafo causal de enlaces de potencia del ejemplo 1.1

19
 

OSCAR G. DUARTE

Segunda unión: f 5  =  f 6  =  f 7  =  f 8   e5  =  e 6  + e7  + e8

Transformador: e 7  = D
− 2 e9   f 7  = − 2 f 9
D

Enlace 10: f 10  = C el de10 /dt

Tercera unión: e 9  =  e 10  = e 11   f 9  = f 10 + f 11
Enlace 12: e 1 2 = mde12 /dt
Enlace 13: f 13  = mg
Cuarta unión: f 11  = f 12  =  f 13   e12  = e 11 + e13

1.3.4. Procedimientos especı́ficos

Se consignan aqui dos procedimientos espcı́ficos, útiles para la obtención
de grafos de enlaces de potencia para circuitos eléctricos y sistemas mecánicos
traslacionales, respectivamente.

Circuitos eléctricos
1. Crear una unión tipo 0 por cada nodo del circuito.
2. Para cada elemento del circuito crear una unión tipo 1, adicionarle a esa
unión un enlace que represente al elemento y enlazar la unión con las dos
uniones tipo 0 correspondientes a los nodos entre los que está conectado
el elemento.
3. Asignar las direcciones de potencia a los enlaces.
4. Si hay un nodo de referencia, eliminar la unión tipo 0 correspondiente y
los enlaces adyacentes.
5. Simplificar el grafo.

Sistemas traslacionales
1. Crear una unión tipo 1 para cada velocidad diferente (absolutas y relati-
vas).
2. Para cada fenómeno que genere una fuerza, crear una unión tipo 0, adicio-
narle a esa unión un enlace que represente al fenómeno y enlazar la unión
con las dos uniones tipo 1 correspondientes; considerar las inercias.

3. Asignar las direcciones de potencia a los enlaces.

4. Eliminar la unión tipo 1 correspondiente a velocidad cero.
5. Simplificar el grafo.

20
 

Capı́tulo 2

Preliminares matemáticos

2.1. Ecuaciones diferenciales y de diferencia

2.1.1. Ecuaciones diferenciales
Una ecuaci´ 
on diferencial  es una ecuación en la que intervienen derivadas (y/o
∈
integrales). La variable que mide el tiempo (t) varı́a contı́nuamente (t R). Un
ejemplo sencillo es el siguiente
dx
  = 2x(t) (2.1)
dt
La soluci´  ∈
on   de una ecuación diferencial es una función f (t) t R que satizfa-
ga la ecuación. Cualquiera de las siguientes funciones es solución de la ecuación
(2.1):
f 1 (t) =  e 2t ya que   df 
1
dt
  = 2e2t = 2f 1 (t)
f 2 (t) = 2e2t ya que   df 
2
dt
  = 4e2t = 2f 2 (t)
f 3 (t) = 3e2t ya que   df 
3
dt
  = 6e2t = 2f 3 (t)
Para poder establecer una única solución de la ecuación, es preciso conocer
unas condiciones auxiliares . El número de estas condiciones necesarias es igual al
grado de la ecuación (n). Usualmente, en las aplicaciones de análisis de sistemas
dinámicos, estas condiciones se determinan para el instante de tiempo t = 0, por
lo que se denominan condiciones iniciales , y corresponden al valor de la función
desconocida y de sus derivadas en  t = 0
...
f (0),  f (0),
˙  f (0),
¨ f  (0),  , f (n) (0)
 · ··
Por ejemplo, al establecer f (0) = 1 como condición adicional para la ecuación
(2.1), la única solución válida es f 1 (t) = e 2t

21
 

OSCAR G. DUARTE

2.1.2. Ecuaciones de diferencias finitas

Una ecuaci´ 
on de diferencias   es una ecuación en la que intervienen diferencias
finitas. La variable que mide el tiempo (k) varı́a discretamente . En general, exis-
ten tres posibilidades para considerar la forma en que se produce esta variación
discreta:
k = 1, 2, 3, ···
k = T , 2T, 3T, ···  ∈
T  Rk = k 1 , k2 , k3 , ki R ···  ∈
En la primera opción el tiempo es una variable entera (k   Z), mientras  ∈
que en la segunda es una variable real que sólo toma ciertos valores espaciados
uniformemente. En este texto se adoptará la primera opción. No obstante, debe
aclararse que la segunda opción es muy empleada en aplicaciones de control
digital y tratamiento de señales, en las que la elección adecuada del valor de T 
resulta de extrema importancia 1 .
El siguiente es un ejemplo sencillo de una ecuación de diferencias

x(k + 1) = 2x(k) (2.2)

Nótese la similitud con el ejemplo de la ecuación 2.1, en el que la derivada de

primer orden ha sido remplazada por la diferencia finita de primer orden. Como
el tiempo no es contı́nuo, no tiene sentido hablar de derivadas e integrales de
las funciones, pues las variables no son continuas en ningún punto.
La soluci´ 
on   de una ecuación de diferencias es una función f (k) k   Z  que  ∈
satizfaga la ecuación. Cualquiera de las siguientes funciones es solución de la
ecuación (2.2):

···  ya que f 1(k + 1) = 2 +1 = 2f 1(k)

f 1 (k) = 2k = 1, 2, 4, k

f 2 (k) = 2(2 ) = 2, 4, 8, ···  ya que f 2 (k + 1) = 2(2 +1 ) = 2f 2 (k)
k k

f 3 (k) = 3(2 ) = 3, 6, 12, ···   ya que f 2 (k + 1) = 3(2 +1 ) = 2f 3 (k)
k k

Para poder establecer una única solución de la ecuación, es preciso conocer

unas condiciones auxiliares . El número de estas condiciones necesarias es igual al
grado de la ecuación (n). Usualmente, en las aplicaciones de análisis de sistemas
dinámicos, estas condiciones se determinan para el instante de tiempo   k   = 0,
por lo que se denominan   condiciones iniciales , y corresponden al valor de la
función desconocida y de sus diferencias en k  = 0:

f (k), f (k + 1), f (k + 2), f (k + 3),  · ·· , f (k + n) con k  = 0

es decir
f (0), f (1), f (2), f (3),  · ··  , f (n)
Por ejemplo, al establecer f (0) = 1 como condición adicional para la ecuación
(2.2), la única solución válida es f 1 (k) = 2 k
1 En general el problema surge al considerar que un mismo sistema puede describirse por

ecuaciones diferenciales y de diferencia en forma simultánea. En este texto se considerarán

sólo sistemas continuos o discretos, pero nunca una mezcla de ambos.

22
 

2.1. ECUACIONES DIFERENCIALES Y DE DIFERENCIA

Ecuaciones diferenciales Ecuaciones de diferencia 

Intervienen derivadas Intervienen diferencias finitas.
El tiempo (t) varı́a contı́nuamente El tiempo (k) varı́a discretamente
∈
(t R) ∈
(k Z).
La soluci´ 
on  es una función f (t) t  ∈ La soluci´ 
on   es una función f (k) k ∈
R  que satizfaga la ecuación. Z   (una sucesión) que satizfaga la
ecuación.
Para poder establecer una única so- Para poder establecer una única so-
lución de la ecuación se emplean lución de la ecuación se emplean
tantas condiciones iniciales como or- tantas condiciones iniciales como or-
den tenga la ecuación. den tenga la ecuación.
Las condiciones iniciales son Las condiciones iniciales son
y(0), ẏ(0), ÿ(0), ··· y(0), y(1), y(2),···
Tabla 2.1:  Comparación entre ecuaciones diferenciales y de diferencia

La tabla 2.1 resume una comparación entre las ecuaciones diferenciales y de

diferencia. Debido a las grandes semejanzas entre los dos tipos de ecuaciones,
en ocasiones nos referiremos a ambas simultáneamente empleando la sigla E.D.

2.1.3. Ecuaciones diferenciales y de diferencias lineales

Linealidad
La linealidad  es una propiedad de algunas funciones. Para poseer esta pro-
piedad es necesario satisfacer dos condiciones. Sea la función   f (x) :   U    V ,  →
 ∈
para x 1 , x2 U   y a  un escalar, las dos condiciones son:

1.   superposición: f (x1  + x2 ) =  f (x1 ) + f (x2 )

2.   proporcionalidad: f (ax1 ) = af (x1 )

Las derivadas, las integrales y las diferencias finitas son operaciones lineales. La
función f (x) =  ax + b no es una función lineal, a menos que b sea cero   2 .

E.D. lineales
Las ecuaciones diferenciales lineales son de la forma

dy n
an (t)
dtn
 + ··· + a1(t) dy
dt
  + a0 (t)y(t) =
dum
bm (t)
dtm
 + ··· + b1(t) du
dt
  + b0 (t)u(t) (2.3)

2 Efectivamente,  f (x  + x ) = m(x  + x ) + b es diferente de f (x ) + f (x ) = (mx  + b) +

1 2 1 2 1 1 1
(mx2  + b)

23
 

OSCAR G. DUARTE

mientras que las ecuaciones de diferencia lineales son de la forma

an (k)y(k + n) + ··· + a1(k)y(k + 1) + a0(k)y(k) =

b (k)u(k + m) + ··· + b1 (k)u(k + 1) + b0 (k)u(k)
m (2.4)

En este texto se estudian sólo ecuaciones con coeficientes constantes, es decir,

los casos en los que las ecuaciones (2.3) y (2.4) se convierten en (2.5) y (2.6),
respectivamente. Estas ecuaciones representarán el comportamiento de sistemas
dinámicos como los de las figuras 3.1 y 3.2 en los que la variable u  estimula al
sistema, y la respuesta de éste se manifiesta en la variable  y. Además sólo se
estudiarán aquellos casos en los que n m. ≥
dy n dum
an
dtn
 + ··· + a1 dy
dt
  + a0 y(t) =  b m
dtm
 + ··· + b1 du
dt
  + b0 u(t) (2.5)

an y(k + n) + ··· + a1y(k + 1) + a0y(k) =

bm u(k + m) + ··· + b1u(k + 1) + b0u(k) (2.6)

2.1.4. Métodos de solución de E.D. lineales

La solución de una E.D. lineal tiene dos componentes:

ycompleta (t) = y homogénea (t) + y particular (t)

  (2.7)
y(t) =  y h (t) + y p (t)
ó en el caso discreto

ycompleta (k) =  y homogénea (k) + y particular (k)

  (2.8)
y(k) = y h (k) + y p (k)
Existen varios métodos de solución para las E.D. Lineales. Aunque en general
emplearemos los métodos de las transformadas de Laplace y , inicialmente  Z 
presentamos uno más elemental y dispendioso, resumido en la tabla 2.2:

Ejemplo 2.1   Obtener la solución de la ecuación diferencial lineal:

ÿ + 3 ẏ + 2y =  f ˙(t) (2.9)

donde f (t) =  t 2 + 5t + 3 y las C.I. son y (0) = 2 ẏ(0) = 3

1. Obtener la solución homogénea El polinomio caracterı́stico es:

P (λ) =  λ 2 + 3λ + 2
P (λ) = (λ + 2)(λ + 1)

24
 

2.1. ECUACIONES DIFERENCIALES Y DE DIFERENCIA

Ecuaciones diferenciales Ecuaciones de diferencia 

1. Obtener la solución homogé- 1. Obtener la solución homogé-

nea con el siguiente procedi- nea con el siguiente procedi-
miento: miento:
Se escribe el polinomio Se escribe el polinomio
caracterı́stico de la ecua- caracterı́stico de la ecua-
ción. ción.
Se obtienen las raı́ces  λi Se obtienen las raı́ces   λi
del polinomio caracterı́s- del polinomio caracterı́s-
tico. tico.
Se construye la solución Se construye la solución
yh (t) =   c1 eλ1 t +  · ··
 + yh (k) = c 1 λk1 + + cn λkn
···
cn eλn t
2. Obtener una solución particu-
2. Obtener una solución particu- lar y p (t). Generalmente se pro-
lar y p (t). Generalmente se pro- cede “probando” una solución
cede “probando” una solución similar a la función de entra-
similar a la función de entra- da, u(k)
da, u(t)
3. Construir la respuesta comple-
3. Construir la respuesta comple- ta y(k) = y h (k) + y p (k), rem-
ta   y(t) =   yh (t) + y p (t), rem- plazar las condiciones inicia-
plazar las condiciones inicia- les, y obtener los coeficientes
les, y obtener los coeficientes ···
c1 ,  , cn
···
c1 ,  , cn

Tabla 2.2:  Métodos elementales de solución de Ecuaciones diferenciales y de

diferencia

25
 

OSCAR G. DUARTE

Las raı́c es de  P (λ) son λ 1  = −1 λ2  = −2

La solución homogénea es

yh (t) =  c 1 e−t + c2 e−2t (2.10)

2. Obtener una solución particular:

Dado que f (t) es un polinomio de grado 2, probamos una solución particular
de esa misma forma:

y p (t) = β 2 t2 + β 1 t + β 0

Calculamos ÿ p (t),  ẏ p (t) y  f (t):

˙

ẏ p (t) = 2β 2 t + β 1

ÿ p (t) = 2β 2

˙ = 2t + 5
f (t)

Remplazamos en la E.D.:

2β 2  + 3(2β 2 t + β 1 ) + 2(β 2 t2 + β 1 t + β 0 ) = 2t + 5

que podemos agrupar ası́:

2β 2 t2 + (6β 2 + 2β 1 )t + (2β 2  + 3β 1 + 2β 0 ) = 2t + 5

Al igualar coeficientes, obtenemos un sistema de tres ecuaciones y tres incóg-

nitas:
2β 2   =0
6β 2  + 2β 1   = 2
2β 2  + 3β 1 + 2β 0   = 5

cuya solución es β 2  = 0 β 1  = 1 β 0  = 1, y por lo tanto la solución particular

es:

y p (t) = t + 1 (2.11)

3. Construir la respuesta completa, y obtener los coeficientes de la respuesta

homogénea
La respuesta completa es:

y(t) = y h (t) + y p (t) = c 1 e−t + c2 e−2t + t + 1

y su primera derivada es:

ẏ(t) = −c1e− − 2c2e−2

t t
+1

26
 

2.2. TRANSFORMADAS DE LAPLACE Y  Z

Al evaluar en t = 0 obtenemos las condiciones iniciales

y(0) = c1 e−0 + c2 e−0 + 0 + 1 = c 1  + c2  + 1 = 2

ẏ(0) = −c1e−0 − 2c2e−0 + 1 = −c1 − 2c2 + 1 = 3

Con estas dos ecuaciones se obtienen los valores de c 1  y c 2

c1  = 4 c2  = −3
Por lo tanto, la solución completa de la ecuación diferencial es:

y(t) = 4e−t − 3e−2

t
+t+1 (2.12)

Ejemplo 2.2  Sea la Ecuación de diferencias:

2y(k + 2) − 3y(k + 1) + y(k) = f (k) (2.13)

en donde f (k) = k 2 y las condiciones iniciales son y (0) = 2, y (1) = 1

Para obtener la solución de esta ecuación podriamos proceder con el método
propuesto; en lugar de ello, vamos a presentar una alternativa numérica, que consiste
en despejar de la ecuación la diferencia más grande, y calcularla iterativamente:
De la ecuación podemos despejar y(k + 2)
 1
y(k + 2) =  (f (k) + 3y(k + 1)
2
− y(k))
Con esta expresión podemos construir la siguiente tabla
k f (k)   y(k)   y(k + 1)   y(k + 2)
0 0   y(0) = 2   y(1) = 1   y(2) = 1/2
1 1   y(1) = 1   y(2) = 1/2   y(3) = 3/4
2 4   y(2) = 1/2   y(3) = 3/4   y(3) = 23/8
.. .. .. .. ..
. . . . .

2.2. Transformadas de Laplace y   Z 

2.2.1. Definiciones
Transformada de Laplace
Dada una función f (t) de los reales en los reales,

f (t) :  R →R
 L
Existe una función  denominada transformada de Laplace  que toma como
argumento f (k) y produce una función F (s) de los complejos en los complejos.

F (s) :  C →C
27
 

OSCAR G. DUARTE

f (t) 
  L   F (s)
L−1
R →R C →C
Figura 2.1: Transformada de Laplace

La función −1 denominada  transformada inversa de Laplace   toma como

 L
argumento F (s) y produce f (t), tal como se visualiza en la figura 2.1
La transformada de Laplace se define3 como
 .
F (s) = L{f (t)} =
 
 ∞
f (t)e−st dt   (2.14)
0

Existe una definición alternativa, conocida como la transformada bilateral de 

Laplace , cuyos lı́mites de integración son (  y ): −∞  ∞
 .
L{ }
F b (s) =  f (t) =
 
 ∞
f (t)e−st dt   (2.15)
−∞
Debido a que nuestro interés se centra en el comportamiento de las señales
a partir del instante de tiempo  t = 0, trabajaremos con la versión unilateral de
la transformada.

Transformada  Z 
Dada una función f (t) de los enteros en los reales,

f (k) :  Z →R
Z  Z 
Existe una función   denominada transformada    que toma como argumen-
to f (t) y produce una función F (s) de los complejos en los complejos.

F (s) :  C →C
La función Z −1 denominada transformada inversa  Z   toma como argumento
F (z) y produce f (k), tal como se visualiza en la figura 2.2
La transformada   se define4 como
 Z 
∞
 . 
F (z) = Z {f (k)} = f (k)z −k (2.16)
k=0
3 La integral que define la transformada de Laplace puede no converger para algunos valores

de la variable compleja s,lo que establece una  regi´ 

on de convergencia  para la transformada de
una determinada función. Este hecho es irrelevante para nuestras aplicaciones de soluciones
de E.D. lineales.
4 De forma semejante al caso de la transformada de Laplace, la sumatoria que define la

transformada  Z  puede no converger para algunos valores de la variable compleja z, estable-

ciéndose asi una   regi´ 
on de convergencia   para cada función. Este hecho es irrelevante para
nuestras aplicaciones de soluciones de E.D. lineales.

28
 

2.2. TRANSFORMADAS DE LAPLACE Y  Z

f (k) 
  Z    F (z)
Z −1
Z →R C →C
Figura 2.2:   Transformada  Z 

Transformada de Laplace Transformada   Z 

f (t) 
  L   F (s) f (k) 
  Z    F (z)
L−1 Z −1
R →R C →C Z →R C →C
La transformada de Laplace se defi- Z 
La transformada   se define como
ne como  .
 .
F (z) =  
∞
Z{
f (k) }
  L{
F (s) = f (t) } F (z) = k=0 f (k)z −k
∞
F (s) = 0   f (t)e−st dt
Transformada bilateral de Laplace : Transformada bilateral  :  Z 
 .  .
  L {
F b (s) = b f (t)
∞
}
F b (s) = −∞ f (t)e−st dt
  Z  { }
F b (z) = b f (k)
∞
F b (z) = k=−∞ f (k)z −k

Tabla 2.3:  Comparación de las definiciones de las transformadas de Laplace y  Z 

Existe una definición alternativa, conocida como la  transformada bilateral 

Z , cuyos lı́mites de integración son (−∞ y  ∞):
∞
 . 
F (z) = Z {f (k)} = f (k)z −k (2.17)
k=
−∞
Debido a que nuestro interés se centra en el comportamiento de las señales
a partir del instante de tiempo k  = 0, trabajaremos con la versión unilateral de
la transformada.
La tabla 2.3 muestra una comparación entre las definiciones de las transfor-
madas de Laplace y  Z 
2.2.2. Propiedades
 Z 
Las transformadas de Laplace y   satisfacen ciertas propiedades que son
muy similares para una y otra transformada; algunas de estas transformadas se
listan en la tabla 2.4, y sus demostraciones se presentan en el apéndice A. De
estas propiedades destacamos los siguientes hechos:

29
 

OSCAR G. DUARTE

1. La propiedad de linealidad permite que la aplicación de estas transforma-

das a la solución de E.D. lineales sea bastante simple. Por el contrario,
estas transformadas no suelen ser útiles para solucionar E.D. No Lineales.
2. Las propiedades de diferenciación y diferencias positivas son las que per-
miten convertir Ecuaciones Diferenciales y Ecuaciones de Diferencia, res-
pectivamente, en Ecuaciones Algebráicas.
3. Hay una diferencia sutil pero importante entre las propiedades de diferen-
ciación y diferencias positivas: las condición inicial f (0) está multiplicada
por z en el caso discreto, mientras que en el caso contı́nuo no está multi-
plicada por s.
Este hecho origina algunas diferencias en la forma de las parejas de funcio-
nes y sus transformadas (ver sección 2.2.3) y en la forma en que se emplea
la expansión en fracciones parciales para calcular las transformadas inver-
sas(ver sección 2.2.5).

4. La propiedad de multiplicación por el tiempo tiene una expresión directa

en el caso continuo (multiplicación por t n ) mientras que en el caso discreto
tiene una expresión iterativa (multiplicación por   k n ). Este hecho se ve
reflejado en la tabla 2.6
5. La propiedad de convolución pone de manifiesto que la transformada del
producto de dos funciones NO es el producto de las transformadas indi-
viduales.

Transformada de Laplace Transformada   Z 

Sean   f (t), f 1 (t), f 2 (t) tres fun- Sean   f (k), f 1 (k), f 2 (k) tres funcio-
ciones cuyas Transformadas de Z 
nes cuyas Transformadas   son, res-
Laplace son, respectivamente pectivamente  F (z), F 1 (z), F 2 (z) y a
F (s), F 1 (s), F 2 (s), y   a   un escalar un escalar (real o complejo). Se cum-
(real o complejo). Se cumplen las plen las siguientes propiedades:
siguientes propiedades:
Linealidad: Linealidad:

L{f 1(t) + f 2(t)} = F 1(s) + F 2(s) Z {f 1(k) + f 2(k)} = F 1 (z) + F 2 (z)
L{af (t)} = aF (s) Z {af (k)} = aF (z)
Diferenciación5 : Diferencia positiva:

L
 df (t)
 = sF (s) − f (0+) Z {f (k + 1)} = zF (z) − zf (0)
dt

i
5 El superı́ndice   (i) indica la derivada de orden i: f (i) =   ddtf 
i

30
 

2.2. TRANSFORMADAS DE LAPLACE Y  Z

L
  dn f (t)
dtn
 = sn F (s) Z {f (k +−n)1 } = z F (z)
 n
n

−  n 1 n i 1 (i) +
− −− − =0   z − f (i)
i
n i
i=0   s f  (0 )

Desplazamiento en la frecuen- Escalamiento en la frecuencia:

cia:  k
Z  a f (t)  = F (z/a)
L  at
e f (t)  = F (s − a)
Multiplicación por t: Multiplicación por k:

dn F (s) Z {k n
}
f (k) =
L{ tn f (t) = ( 1)n
} − dsn  
 d
− z Z  k (n−1) f (k)
dz
Teorema de valor inicial: Teorema de valor inicial:

lı́m+ f (t) = lı́m sF (s) f (0) = lı́m F (z)

t →0 s →∞ z →∞

Teorema de valor final: Teorema de valor final:

t
lı́m f (t) = lı́m sF (s)
→∞ s →0 k
lı́m f (k) = lı́m (z
→∞ z →1
− 1)F (z)
Convolución: Convolución:

L{f 1(t) ∗ f 2(t)} = F 1(s)F 2 (s) Z {f 1(k) ∗ f 2(k)} = F 1 (z)F 2(z)

∗
f 1 (t) f 2 (t) =
 
 ∞
f 1 (t − τ )f 2(τ )dτ  ∗
f 1 (k) f 2 (k) =
 ∞
f 1 (k)f 2 (h − k)
0
k=0

Tabla 2.4:  Propiedades de las transformadas de Laplace y  Z 

2.2.3. Parejas de transformadas

La tabla 2.5 muestra las parejas de transformadas para las funciones elemen-
tales más importantes en el análisis de sistemas dinámicos. El contenido de la
tabla se demuestra en el Apéndice A. De estas parejas destacamos los siguientes
hechos:

1. En cada uno de los casos de las tablas 2.5 y 2.6, las transformadas (de

31
 

OSCAR G. DUARTE

Transformada de Laplace Transformada    Z 

f (t)   F (s)   f (k)   F (z)
  1   z
µ(t) s
  µ(k) z 1
−
at   1 k   z
e −
s a   a −
z a
  ω   z sin a
sin ωt s2 +ω 2   sin ak z 2 2z cos a+1
−
  s   z 2 z cos a
−
cos ωt s2 +ω 2   cos ak z 2 2z cos a+1
−
  ω   zb sin a
eσt sin ωt (s σ)2 +ω 2
−   bk sin ak z 2 2bz cos a+b2
−
  (s σ)
−   z 2 zb cos a
−
eσt cos ωt (s σ)2 +ω 2
−   bk cos ak z 2 2bz cos a+b2
−
Tabla 2.5:  Tabla de parejas de transformadas elementales

Laplace o  Z ) son fraccciones de polinomios en la variable compleja (s o

z).
2. Al comparar estos polinomios en funciones análogas (por ejemplo   eat y
ak ) notamos que el orden del denominador es el mismo; en el numerador,
sin embargo, sucede que el orden de los polinomios de la transformada
Z 
  siempre es superior en 1 al de su contraparte en la transformada de
Laplace.
3. Si centramos nuestra atención en la tabla 2.5, podemos notar que la ubi-
cación de los polos de las funciones transformadas en el plano complejo
determina el tipo de función en el dominio del tiempo. Este hecho se resalta
en la tabla 2.7 y en las figuras 2.3 y 2.4
4. Las funciones reseñadas en la tabla 2.6 también están asociadas a una
ubicación especı́fica de los polos en el plano complejo, pero cuando éstos
se repiten.

2.2.4. Utilización de la tabla de parejas de transformadas

Para emplear las tablas 2.5 y 2.6 para obtener la transformada inversa de
una función, primero hay que expresar ésta última como alguno de los casos que
aparecen en dichas tablas. Suele ser útil recordar que las transformaciones de
 Z 
Laplace y   son funciones lineales.
  4
Ejemplo 2.3   Para obtener la transformada inversa de Laplace de   F (s) = s 3,
−
primero reescribimos la F (s) como:
  4  1
F (s) =  = 4
−
s 3 s 3 −
32
 

OSCAR G. DUARTE

× ×

× × ×

× ×

Figura 2.3:  Funciones contı́nuas según la ubicación de sus polos en el plano  s

 




 


 

 

×






 





×
 





  
 





×
 

   







 

× × × × ×


          


 






×




 

×


 

 

×


 

 

 

 




Figura 2.4:  Funciones discretas según la ubicación de sus polos en el plano  s

34
 

OSCAR G. DUARTE

2.2.5. Transformadas inversas por expansión de fracciones

parciales
Una de las estrategias que pueden emplearse para obtener la transformada
 Z 
Inversa de Laplace (o ) de una función racional de polinomios en s  (o  z ):
  αm sm + ··· + α1s + α0
F (s) =
β n sn + ··· + β 1s + β 0
consiste en reescribir F (s) (o F (z)) como suma de funciones más sencillas, cu-
yas transformadas inversas sean posibles de obtener mediante la lectura de las
tablas de parejas. Este procedimiento se conoce como la expansi´ 
on en fracciones 
parciales .
El procedimiento general puede enumerarse como sigue:
 ≥
1. Si m  n  entonces se realiza la división hasta obtener una fracción en la
que el grado del polinomio del denominador sea mayor al del numerador;
en los siguientes puntos se trabaja sólo con la fracción.

Ejemplo 2.5
 2s2 + s + 2
F (s) =
s+1
  = 2s − 1 + s  +3 1
2. Identificar las raı́ces del polinomio del denominador ( pi ), y cuántas veces
se repite cada una de ellas (ri , o multiplicidad de la raiz).
  N (s)   N (s)
F (s) =  = r1 (s r2 rk
D(s) (s − p1) − p2) ··· (s − p ) k

Evidentemente la suma de las multiplicidades será n, el grado del polino-

mio D(s)
3. Escribir la fracción como suma de de fracciones parciales:
  N (s)   A11
F (s) =
D(s)
 =
−
(s  p1 )
 + ··· + (s  −A1 p1) r1
r1
+
  A21
−
(s  p2 )
 + ··· + (s  −A p )
krk
k
rk

4. Obtener los coeficientes A ij

Este sencillo procedimiento tiene dos puntos de dificultad, el primero de los
cuales es cómo encontrar las raı́ces de   D(s), y el segundo cómo obtener los
coeficientes A ij .
Para la obtención de las raı́ces suponemos que disponemos de algún tipo
de procedimiento (analı́tico o computacional) para ello. Para la obtención de
los coeficientes A ij , por su parte, pueden seguirse los siguientes procedimientos,
según sea el caso:
1.   Polos de multiplicidad 1 Si el polo p i  tiene multiplicidad 1, el coeficiente
Ai1  de la expansión podrá calcularse como:
 { − p )F (s)}| =
Ai1  = (s i s  pi (2.18)

36
 

2.2. TRANSFORMADAS DE LAPLACE Y  Z

Ejemplo 2.6

F (s) =
 − 3s + 1
 =
  A11
 +
  A21
(s + 2)(s + 4) s + 2 s + 4

A11  =
 (s + 2)
 − 3s + 1
 =
 − 
3s + 1
=
 7
(s + 2)(s + 4) (s + 4) 2

A21  =
 (s + 4)
 − 3s + 1
 s= 2
−
=
 − 
3s + 1
s= 2
−
= − 132
(s + 2)(s + 4)  s= 4
− (s + 2)
 s= 4
−

F (s) =
 − 3s + 1
 =
  7/2
 +
13/2  −
(s + 2)(s + 4) s+2 s+4

2.   Polos de multiplicidad mayor que 1

Si el polo p i  tiene multiplicidad r i , el coeficiente Aij  de la expansión podrá
calcularse como:

Aij  =
  1 dri −j
(s  { − p ) i
ri
F (s) }
 (2.19)
(ri  j)! dsri −j
− s= pi

Esta expresión también es válida para r i  = 1, si se considera que 0! = 1,

y que la derivada de orden cero es la misma función.

Ejemplo 2.7

  4s2 1−   A11   A12   A13

F (s) =  =  +  +
(s + 2)3 (s + 2) (s + 2)2 (s + 2) 3

A13  =
1 d0
 (s + 2)3
 4s2 1 −  = 4s2 −1 
(0)! ds0 (s + 2)3  −  = 15
s= 2
s= 2 −
A12  =
1 d 1
 (s + 2)3
 4s2
− 
1
|
= 8s s=−2  = 8( 2) = − −16
(1)! ds1 (s + 2)3  s= 2 −
A11  =
1 d 2
 (s + 2)3
 4s2
− 
1  1
|
=   8 s=−2  = 4
(2)! ds2 (s + 2)3  s= 2 − 2

  4s2 1−   4 16  −
  16
F (s) =  =  +  +
(s + 2)3 (s + 2) (s + 2)2 (s + 2) 3

El procedimiento anterior también es válido cuando las raı́ces del denomi-

nador son complejas:

37
 

OSCAR G. DUARTE

Ejemplo 2.8
  10   A11   A21   A31
F (s) =  =  +  +
s(s2 + 4s + 13) − −−
s 0 s ( 2 + j3) s ( 2  j3) −−−

A11  =
 (s)
10
  =
10
 =
10
s(s2 + 4s + 13)  
s=0 (s2 + 4s + 13) 
s=0 13

A21  =
 (s − (−2 + j3)) s(s2  + 14s
10
+ 13)
 s= 2+j 3−
A21  =
   10

s(s − − − j3))
( 2  s= 2+j 3
−
  10   10
A21  =
−
 −
( 2 + j3)( 2 + j3 − (−2 − j3))   = (−2 + j3)( j6)   = −0.38 + j0.26

  10
A31  = (s − (−2 − j3)) 2
s(s + 14s + 13) 
s= 2 j 3−−
A31  =
 10  

−−
s(s ( 2 + j3))  s= 2 j 3
−−
  10   10
A31  =
− −
( 2  j3)( 2  j3 − − − (−2 − j3))   = (−2 − j3)(− j6)  = −0.38 − j0.26

F (s) =
  10
 =
 10/13
  +
 −
0.38 + j0.26
 +
0.38  j0.26  − −
s(s2 + 4s + 13) s s ( 2 + j3) −− s ( 2  j3) −− −
Las fracciones complejas pueden sumarse (nótese que los numeradores y deno-
minadores de una fracción son los conjugados de la otra):

  10   10/13
F (s) =
s(s2 + 4s + 13)
 =
s
  −  s0.77s + 3.08
2 + 4s + 13

Otra estrategia
Existe otra posibilidad para obtener los coeficientes  A ij . Consiste en efectuar
la suma de las fracciones parciales e igualar coeficientes.
También pueden combinarse las dos estrategias. Además, puede emplear-
se el hecho según el cual la suma de las fracciones debidas a polos complejos
conjugados serán de la forma
As + B
s2 + Cs + D
Ejemplo 2.9
F (s) =
 − 3s + 1
 =
  A11
 +
  A21
(s + 2)(s + 4) s+2 s+4

38
 

2.3. SOLUCIÓN DE E.D. LINEALES MEDIANTE

TRANSFORMADAS

Al sumar las fracciones parciales se tiene:

F (s) =
 − 3s + 1
 =
 A11 s + 4A11 + A21s + 2A21
(s + 2)(s + 4) (s + 2)(s + 4)
  (A11 + A21 )s + (4A11 + 2A21 )
=
(s + 2)(s + 4)
Al igualar coeficientes se genera un sistema de dos ecuaciones lineales con dos
incógnitas:
   A11 + A21  =   −3   A11  = 7/2   A21  = −13/2
4A11 + 2A21  = 1

F (s) =
 − 3s + 1
 =
  7/2
 +
13/2  −
(s + 2)(s + 4) s+2 s+4
Ejemplo 2.10
  10   A11   As + B
F (s) =  =  + 2
s(s2 + 4s + 13) s s + 4s + 13
Obtenemos el primer coeficiente con 2.18:

A11  =
 (s)
  10
  =
  10
 =
  10
s(s2 + 4s + 13)  s=0 (s2 + 4s + 13) 
s=0 13
Reescribimos la expansión e igualamos coeficientes:
10
13   As + B
F (s) =  +
s s2 + 4s + 13
10 2 10 10
s + 4 13 s + 3 13  + As2 + Bs
F (s) = 13
s(s2 + 4s + 13)
   10
13
 + A = 0
  A = −10/13   B = −40/13
4 10
13  + B = 0

10
  10   10/13 s   40  − −
F (s) =  =   + 2 13 13
s(s2 + 4s + 13) s s + 4s + 13
  10   10/13  0.77s + 3.08
F (s) =
s(s2 + 4s + 13)
 =
s
 −
s2 + 4s + 13

2.3. Solución de E.D. lineales mediante

transformadas
La solución de Ecuaciones Diferenciales (o de diferencia) mediante transfor-
madas emplea el siguiente procedimiento:

39
 

OSCAR G. DUARTE

1. Aplicar la transformada (de Laplace o Z   según sea el caso) a cada lado de
la Ecuación.

2. Despejar la transformada de la función desconocida.

3. Aplicar la transformada inversa (de Laplace o  Z   según sea el caso) a la

función desconocida.

Para la aplicación del último paso, suele ser conveniente utilizar la expansión
en fracciones parciales.

Ejemplo 2.11   Resolver la ecuación diferencial

y(k + 2) + 3y(k + 1) + 2y(k) = 5µ(k)

Con las condiciones iniciales : y(0) = −1, y (1) = 2.

1. Al aplicar la Transformada  Z   a cada lado de la ecuación se tiene:
Z {y(k + 2) + 3y(k + 1) + 2y(k)} = Z {5µ(k)}
Debido a la propiedad de linealidad se tiene

Z {y(k + 2)} + 3Z {y(k + 1)} + 2Z {y(k)} = 5Z {µ(k)}

Si denominamos por Y (z) a  Z {y(k)}, y empleamos la propiedad de diferen-
cias positivas, tenemos
z 2 Y (z) − z2y(0) − zy(1)  + 3 [zY (z) − zy(0)] + 2Y (z) = 5 z  −z 1
Reemplazando los valores de las condiciones iniciales, tenemos:

   z
z 2 Y (z) + z 2 − 2z) + 3 [zY (z) + z] + 2Y (z) = 5
−
z 1

2. Para despejar la transformada de la función desconocida Y (z) escribimos:


Y (z) z 2 + 3z + 2 + z 2
 − 2z + 3z = 5 z  −z 1
3

Y (z) z 2 + 3z + 2  = 5
 2  z −z + 6z
−  − z − z = z − 1
z 1

Y (z) =
  −z 3 + 6z   =   −z3 + 6z
(z − 1)(z 2 + 3z + 2) (z − 1)(z + 1)(z + 2)

40
 

2.3. SOLUCIÓN DE E.D. LINEALES MEDIANTE

TRANSFORMADAS

3. Para aplicar la transformada inversa  Z   primero efectuamos una expansión en

fracciones parciales de (z )
  Y  z

Y (z)
  =
  −z 2 + 6   A11   A21   A31
z (z − 1)(z + 1)(z + 2)  = z − 1  + z + 1  + z + 2
Los coeficientes se pueden calcular como

A11  =
 − z2 + 6
 =
 5
(z + 1)(z + 2)  z=1 6

A21  =
 − z2 + 6
 =
 −5
−(z 1)(z + 2) z= 1 − 2

A31  =
 − z2 +6
 =
 2
(z − 1)(z + 1) 
z= 2 − 3

Por lo tanto

5 −5 2
Y (z)
  =
  −z 2 + 6 6 2 3
z (z − 1)(z + 1)(z + 2)  = z − 1  + z + 1  + z + 2
5 −5  z 2
6z 2 3z
Y (z) =
z − 1  + z + 1  + z + 2
 Z  se puede obtener ahora en forma directa:
La transformada inversa
 5  −5
y(k) = Z −1 {Y (z)} = µ(k) +   (−1) + (−2)
 2 k k
6 2 3

41
 

OSCAR G. DUARTE

42
 

Capı́tulo 3

Introducción al análisis de sistemas

dinámicos lineales

En este capı́tulo se presentan algunas herramientas básicas del análisis de

sistemas dinámicos. La sección 3.1 muestra cómo puede descomponerse la res-
puesta de cualquier sistema dinámico en las respuesta de entrada cero y de
estado cero; a partir de ésta última se presenta en la sección 3.2 la definición de
función de transferencia; con esta definición se desarrollan en las secciones 3.3
y 3.4 se presentan dos herramientas gráficas; la respuesta al impulso se analiza
en la sección 3.5.

3.1. Respuestas de estado cero y de entrada cero

3.1.1. Sistemas continuos

u(t)  Sistema
   y(t)

Figura 3.1:  Sistema Dinámico Continuo

Supóngase un sistema dinámico lineal continuo como el de la figura 3.1,

cuya relación entre la entrada u(t) y la salida y(t) está descrita por la siguiente
ecuación diferencial genérica:

dn y dm u
an
dtn
 + ··· + a1 dy
dt
  + a0 y(t) =  b m
dtm
 + ··· + b1 du
dt
  + b0 u(t) (3.1)

43
 

OSCAR G. DUARTE

o en forma resumida:
 n m
ai y (i) (t) = bi u(i) (t)
i=0 i=0

Al aplicar la transformada de Laplace a esta ecuación se tiene:

     n  m
L L ai y (i) (t)  = bi u(i) (t)
i=0 i=0

 L   L  n m
ai y (i) (t)  = bi u(i) (t)
i=0 i=0

  −
n

ai si Y (s)
i 1
−
si−k−1 y (k) (0+ )  =
i=0 k=0
  − m
bi si U (s)
i 1
− 
si−k−1 u(k) (0+ )
i=0 k=0

 −  
n

ai si Y (s)
n i 1
−
si−k−1 y (k) (0+ )  =
i=0 i=0 k=0
 −   m
bi si U (s)
m i 1
− 
si−k−1 u(k) (0+ )
i=0 i=0 k=0

De esta ecuación podemos despejar Y (s) como:

n m

ai si Y (s) = bi si U (s)+
i=0 i=0
 n i 1
−
si−k−1 y (k) (0+ )
  
−
m i 1
− 
si−k−1 u(k) (0+ )
i=0 k=0 i=0 k=0

Y (s) =
 m i
i=0 bi s U (s)
n   +
i
i=0 i s
a
  n
i=0
i 1 i k 1 (k) +
−
k=0 s
−−
y (0 )
   m
i=0
i 1 i k 1 (k ) +
−
k=0 s
−− u (0 )

n i
  −  n i
i=0 ai s i=0 ai s

o de otra forma:

44
 

3.1. RESPUESTAS DE ESTADO CERO Y DE ENTRADA CERO

Y (s) =
  m
i=0 bi s
n
i
U (s)+
a s i
i=0 i
  n
i=0
i 1 i k 1 (k) +
k=0 s
− −−
y (0 )
 −   m
i=0
i 1 i k 1 (k ) +
−
k=0 s
−−u (0 )

  n i
   (3.2)
i=0 ai s

La ecuación (3.2) muestra que la respuesta de un sistema dinámico continuo

puede descomponerse en dos partes1:
Respuesta de estado cero:  Es la primera parte de la ecuación (3.2). Depen-
de de la entrada   U (s) y no de las condiciones iniciales; de hecho, es la
respuesta que tiene el sistema si las condiciones iniciales son cero, es decir,
si su estado inicial es cero (de allı́ su nombre).
Respuesta de entrada cero:  Es la segunda parte de la ecuación (3.2). De-
pende de las condiciones iniciales y no de la entrada  U (s); de hecho, es la
respuesta que tiene el sistema si la entrada es cero (de allı́ su nombre).

3.1.2. Sistemas discretos

u(k)  Sistema
   y(k)

Figura 3.2:  Sistema Dinámico Discreto

Supóngase un sistema dinámico lineal discreto como el de la figura 3.2, cuya

relación entre la entrada   u(k) y la salida   y(k) está descrita por la siguiente
ecuación de diferencias genérica:

an y(k + n) + ··· + a1y(k + 1) + a0y(k) =

bn u(k + n) + ··· + b1y(k + 1) + b0u(k) (3.3)
o en forma resumida:
 n  m
ai y(k + i) = bi u(k + i)
i=0 i=0

Al aplicar la transformada Z   a esta ecuación se tiene:

 n
   m

Z  ai y(k + i)  = Z  bi u(k + i)
i=0 i=0
1 Otra clasificación
corresponde a  respuesta forzada   (con la forma de la entrada) y respuesta 
natural  (con la forma debida al polinomio caracterı́stico)

45
 

OSCAR G. DUARTE

 n  Z{ } m
ai Z {y(k + i)} = bi u(k + i)
i=0 i=0

  − 
n
ai z i Y (z)
i 1
−
   
z i−j y( j)  =
  − m
 bi z i U (z)
i 1
−
z i−j u( j)
i=0 j =0 i=0 j =0

 −  
n
ai z i Y (z)
n i 1
−
 
z i−j y( j)  =
 −
  
m
bi z i U (z)
m i 1
−
z i−j u( j)
i=0 i=0 j =0 i=0 i=0 k=0

De esta ecuación podemos despejar Y (z) como:

n
ai z i Y (z) =
 m
bi z i U (z) +
 
n i 1
−
z i−k y( j)
  
−  m i 1
−
z i−k u( j)


i=0 i=0 i=0 j =0 i=0 j =0

Y (z) =
 m i
i=0 bi z U (z)
n   +
i
i=0 ai z
  n
i=0
i 1 i k 1 (k) +
−
k=0 s
−− y (0 )
   m
i=0
i 1 i k 1 (k ) +
−
k=0 s
−− u (0 )

 n
ai z i
  −  n
 a i z i
i=0 i=0

o de otra forma:

Y (z) =
  m
i=0 bi z
n
i
U (s)+
i
i=0 ai z
   n
i=0
i 1 i k
−
j =0 j
−
y( j)
 −   m
i=0
i 1 i k
−
j =0 z
−
u( j)

  n i
   (3.4)
i=0 ai z

De forma semejante al caso continuo, la ecuación 3.4 muestra que la respuesta

de un sistema dinámico continuo puede descomponerse en dos partes:
Respuesta de estado cero:  Es la primera parte dela ecuación 3.4. Depende
de la entrada U (z) y no de las condiciones iniciales; de hecho, es la res-
puesta que tiene el sistema si las condiciones iniciales son cero, es decir, si
su estado inicial es cero (de allı́ su nombre).
Respuesta de entrada cero:  Es la segunda parte dela ecuación 3.4. Depen-
de de las condiciones iniciales y no de la entrada   U (z); de hecho, es la
respuesta que tiene el sistema si la entrada es cero (de allı́ su nombre).

46
 

3.2. FUNCIONES DE TRANSFERENCIA

3.2. Funciones de transferencia

Se define la funci´ 
on de transferencia  de un sistema continuo o discreto como
la relación en el dominio de la frecuencia compleja entre salida y entrada con
condiciones iniciales nulas

F (s) =
  Y (s)
 F (z) =
  Y (z)

U (s) C .I.=0 U (z) C .I.=0

De acuerdo con las ecuaciones 3.2 y 3.4, la función de transferencia será,

para los casos continuo y discreto, respectivamente:

F (s) =  m
i=0 bi s
m
i=0 ai s
i

i
  F (z) = 
m
i=0 bi z
m
i=0 ai z
i

Las expresiones

Y (s) =  F (s)U (s)   Y (z) =  F (z)U (z)

sólo son válidas si las condiciones iniciales son nulas. En este caso, es posible
representar gráficamente la relación entrada-salida del sistema mediante dos
tipos de diagramas:

Diagramas de bloque:  La figura 3.3 muestra un sistema como un  bloque  de-

finido por la función de transferencia F (s) o  F (z), que recibe una   se˜ nal 
de entrada   U (s) o U (z) y entrega una se˜ 
nal de salida   Y (s) o Y (z). Estos
diagramas se explican en la sección 3.3.

Diagramas de flujo de señal:   La figura 3.4 muestra un sistema como dos

señales U (s) y Y (s) (o U (z) y Y (z)) relacionadas entre sı́ por la función
de transferecia F (s) o F (z). Estos diagramas se explican en la sección 3.4

U (s)  F (s)
   Y (s)  
U (z)  F (z)
   Y (z)

Figura 3.3:  Diagrama de bloques mı́nimo


F (s) 
F (z)
U (s)     Y (s) U (z)     Y (z)
Figura 3.4:  Diagrama de flujo de señal mı́n imo

47
 

OSCAR G. DUARTE

3.3. Diagramas de bloques

Un sistema complejo puede representarse por distintos subsistemas interre-
lacionados. Estas relaciones pueden visualizarse mediante un  Diagrama de Blo-
ques .
La figura 3.5 muestra algunas de las equivalencias que rigen el álgebra de
los diagramas de bloques.  Éstas se emplean para obtener diagramas de bloques
equivalentes reducidos, y asi encontrar la función de transferencia de sistemas
complejos.

Ejemplo 3.1   2 Para obtener la función de transferencia equivalente del diagrama de

la figura 3.6 inicialmente intentariamos efectuar reducciones de bloques en cascada
o en paralelo, pero en el diagrama no se identifica ninguno de estos bloques. No
obstante, podemos efectuar una reducción con el siguiente procedimiento:

Desplazamos el sumador que recibe la señal de b 1  (ver figura 3.7(a))

Intercambiamos el orden de los dos sumadores contiguos, ya que la suma es

conmutativa (ver figura 3.7(b))

Efectuamos una reducción del bloque en retroalimentación resultante (ver

figura 3.7(c))

Efectuamos una reducción del bloque en cascada resultante (ver figura 3.7(d))

Identificamos un bloque en paralelo (ver figura 3.7(e))

Efectuamos la reducción del bloque en paralelo (ver figura 3.7(f))

Efectuamos un desplazamiento del segundo sumador (ver figura 3.7(g))

Identificamos un bloque en paralelo y un bloque en retroalimentación (ver

figura 3.7(h))

Efectuamos la reducción de los bloques identificados (ver figura 3.7(h))

Efectuamos la reducción del bloque en cascada final (ver figura 3.7(i))

3.4. Diagramas de flujo de señal

La figura 3.8 presenta las relaciones básicas de un diagrama de flujo de señal.
Nótese que el énfasis se pone en la señal y no en el sistema, a diferencia de los
diagramas de bloques. Este es un texto de análisis de sistemas y no de análisis
de señales, por esa razón preferimos los diagramas de bloques a los de flujo de
señal.
2 Adaptado de [9]

48
 

OSCAR G. DUARTE

b2

b1 +   +
+   + +


1/s   

1/s 

− − a1

a0

Figura 3.6:  Diagrama de Bloques del ejemplo 3.1

No obstante lo anterior, el ejemplo 3.1 pone de manifiesto que para la ob-

tención de la función de transferencia de un sistema a partir de su diagrama
de bloques es necesario desarrollar una habilidad especı́fica debido a que no
existe un algoritmo para ello. Por el contrario, si se utilizan diagramas de flujo
de señal sı́ se cuenta con un procedimiento para la obtención de la función de
transferencia conocido como la regla de Mason .
La regla de Mason, que se explica en la sección 3.4.1, emplea las definiciones
que se presentan a continuación y que se ilustran en el ejemplo 3.2.

Camino directo  Conjunto de ramas que llevan de la entrada a la salida, sin

repetirse.

Ganancia de camino directo   Producto de las ganancias de las ramas que

forman el camino directo.

Lazo cerrado  Conjunto de ramas que parten de un nodo y llegan a el mismo

nodo, sin repetir ningún otro nodo.

Ganancia de lazo cerrado   Producto de las ganancias de las ramas que for-
man un lazo.

Lazos adyacentes  Lazos que comparten al menos un nodo.

Lazos no adyacentes  Lazos que no comparten ningún nodo.

Ejemplo 3.2   Considérese el diagrama de flujo de señal de la figura 3.9(a)

Camino directo  Las figuras 3.9(b) y 3.9(c) muestran los caminos directos. 3.2

Ganancia de camino directo  Las ganancias de camino directo Son:

Figura 3.9(b): T 1  =  G1 (s)G2 (s)G3 (s)G4 (s)G5 (s)G6 (s)

50
 

OSCAR G. DUARTE

Nodos y Ramas

F (s) Y (s) = F (s)X (s)

X (s) 

  

Y (s)

Suma de Se˜ 
nales

X 3 (s) −F 3(s)

F 2 (s)
X 2 (s) Y (s) Y (s) = F 1 (s)X 1 (s)+
F 2 (s)X 2 (s) − F 3(s)X 3 (s)
X 1 (s) F 1 (s)

Figura 3.8:  Equivalencias de los Diagramas de de Flujo de Señal

Figura 3.9(c): T 2  = G 1 (s)G2 (s)G3 (s)

G12 (s)G6 (s).

Lazo cerrado  Las figuras 3.9(d) a 3.9(f) muestran los lazos del ejemplo.

Ganancia de lazo cerrado  Las ganancias de lazo cerrado son:

Figura 3.9(d): L 1  = G 4 (s)G9 (s)G10 (s)

Figura 3.9(e): L 2  =  G6 (s)G7 (s)G8 (s)
Figura 3.9(f): L 3  = G 2 (s)G3 (s)G4 (s)G12 (s)G13 (s)

Lazos adyacentes   Los lazos mostrados en las figuras 3.9(e) y 3.9(f) son adya-
centes.

Lazos no adyacentes  Los lazos mostrados en las figuras 3.9(d) y 3.9(e) son no
adyacentes.

3.4.1. Regla de Mason

El cálculo de la función de transferencia   F (s) de un diagrama de flujo de
señal esta dado por:

F (s) =
  Y (s)
 =
  p
k=1 T k ∆k
X (s) ∆
Donde:

p= Número de caminos directos de  X (s) a Y (s)

T k = Ganancia del camino directo número k

52
 

3.4. DIAGRAMAS DE FLUJO DE SEÑAL

G11 (s)

G1 (s)   G2 (s)   G3 (s)   G4 (s)   G5 (s)   G6 (s)

G9 (s) G8 (s)
G10 (s)   G7 (s)
G12 (s)

G13 (s)

(a) Ejemplo

(b) Camino Directo 1 (c) Camino Directo 2

(d) Lazo Cerrado 1 (e) Lazo Cerrado 2

(f) Lazo Cerrado 3

Figura 3.9:  Definiciones de Diagramas de Flujo de Señal

53
 

OSCAR G. DUARTE

G1 (s)   G2 (s)   G3 (s)   G4 (s)   G5 (s)

X (s)   Y (s)

H 1 (s)   H 2 (s)

H 5 (s) G6 (s) H 4 (s)

H 3 (s)

Figura 3.10:  Diagrama de Flujo de Señal del ejemplo 3.3

∆= 1
- (Suma de ganancias de lazos cerrados)
+ (Suma de ganancias de lazos no adyacentes tomados de a 2)
- (Suma de ganancias de lazos no adyacentes tomados de a 3)
+ (Suma de ganancias de lazos no adyacentes tomados de a 4)
−···
∆k  :∆ para el diagrama eliminando los lazos que tocan el camino número
k
Ejemplo 3.3  Para el sistema de la figura 3.10 la aplicación de la regla de Mason
es como sigue:
Sólo existe un camino directo ( p = 1), cuya ganancia es:
T 1  =  G1 G2 G3 G4 G5

Existen cuatro lazos cerrados, cuyas ganancias son:

L1  =G2 H 1
L2  =G4 H 2
L3  =G6 H 3
L4  =G2 G3 G4 G5 H 4 G6 H 5

Como existen 4 lazos, hay 6 posibles grupos de 2 lazos (L 1 L2 , L1 L3 , L 1 L4 ,

L2 L3 , L 2 L4 , L3 L4 ), pero de ellos, sólo son no adyacentes los siguientes:

L1 L2  =G2 H 1 G4 H 2

L1 L3  =G2 H 1 G6 H 3
L2 L3  =G4 H 2 G6 H 3

54
 

3.5. RESPUESTA AL IMPULSO

Como existen 4 lazos, hay 4 posibles grupos de 3 lazos ( L1 L2 L3 , L1 L2 L4 ,

L1 L3 L4 , L 2 L3 L4 ), pero de ellos, sólo hay uno que es no adyacentes:

L1 L2 L3  = G2 H 1 G4 H 2 G6 H 3

Como existen 4 lazos, sólo hay un posible grupo de 4 lazos (L 1 L2 L3 L4 ), pero

estos son adyacentes.

De acuerdo con lo anterior, el valor de  ∆ es:

 1

∆=
− (L1 + L2  + L3  + L3) 
+(L1 L2  + L1 L3  + L2 L3 )
 − 
(L1 L2 L3 )
 1

∆=
− (G2 H 1  + G4 H 2  + G6 H 3 + G2 G3 G4 G5 H 4 G6 H 5 ) 
+(G2 H 1 G4 H 2  + G2 H 1 G6 H 3  + G4 H 2 G6 H 3 )
 − 
(G2 H 1 G4 H 2 G6 H 3 )

Al eliminar los lazos que tocan el único camino directo sólo subsiste el lazo
L3 . Por lo tanto resulta:
∆1  = 1 (G6 H 3 )−
Dado que sólo hay un camino directo, la función de transferencia se calcula
como:  p 
  Y (s)  T k ∆k   T 1 ∆1
F (s) =  = k=1   =
X (s) ∆ ∆
  G1 G2 G3 G4 G5 (1 (G6 H 3 ))−
F (s) = 1−(G H  +G H  +G H  +G G G G H  G H  )
2 1 4 2 6 3 2 3 4 5 4 6 5
+(G2 H 1 G4 H 2 +G2 H 1 G6 H 3 +G4 H 2 G6 H 3 )
−(G2 H 1 G4 H 2 G6 H 3 )

3.5. Respuesta al impulso

La función de transferencia presentada en la sección 3.2 permite caracterizar
un sistema dinámico lineal invariante en el tiempo, en situación de reposo, me-
diante una expresión en el dominio de la frecuencia compleja s o z. La respuesta 
al impulso  logra esa misma caracterización, pero en el dominio del tiempo t o
k, mediante el estudio del comportamiento del sistema cuando se estimula con
una señal especial: el impulso unitario3 .
3 Pese a que en todo el texto se presentan los temas primero para el caso continuo y luego

para el discreto, en esta sección se ha hecho una excepción, debido a que el caso discreto es
notablemente más fácil de presentar que el continuo.

55
 

OSCAR G. DUARTE

−3 −2 −1 1 2 3

Figura 3.11:  Función Impulso Unitario discreto

3.5.1. Caso discreto

La función impulso unitario discreto
Dado un sistema como el de la figura 3.2 la   respuesta al impulso  es la res-
puesta del sistema cuando la entrada es el  impulso unitario δ (k), con condiciones
iniciales nulas. La respuesta al impulso suele denotarse por h(k), y su transfor-
 Z 
mada   por H (z)
La función δ (k) (ver figura 3.11) se define como:

δ (k) =

1   k = 0
0   k=0 
Una de las caracterı́sticas importantes de la función δ (k) es que su transfor-
 Z 
mada   es 1, tal como se muestra a continuación:
∞
Z{δ (k)} = δ (k)z −k = δ (0)z −0 = 1
k=−∞
Supóngase un sistema discreto con condiciones iniciales nulas, con función
de transferencia   F (z), que se excita con el impulso unitario (figura 3.12). La
respuesta del sistema, en el dominio de la frecuencia  z   será el producto de la
entrada por la función de transferencia:

H (z) =  U (z)F (z) = 1F (z) =  F (z)

Z{δ (k)} = 1   
F (z)  H (z)

Figura 3.12:  Sistema Dinámico Discreto estimulado con el impulso unitario

Este hecho pone de manifiesto la relación que existe entre la respuesta al

impulso y la función de transferencia (ver figura 3.13): la funci´ 
on de transferencia 
 Z 
es la transformada    de la respuesta al impulso

56
 

3.5. RESPUESTA AL IMPULSO

Z 
Respuesta al Impulso   Función de Transferencia

Z −1

Figura 3.13:  Relación entre la respuesta al impulso y la función de transferencia.

Caso discreto

La respuesta a un impulso genérico

Supóngase un sistema discreto lineal, que es excitado con la función impulso
δ (k), y cuya salida es la respuesta al impulso   h(k), tal como el de la figura
3.14(a). Si ese mismo sistema se excita con la función impulso, pero retrasada
en 1, la salida debe ser la misma respuesta al impulso retrasada en 1, como se
muestra en la figura 3.14(b) ya que se supone que el sistema es invariante en el
tiempo.
Por otra parte, debido a que el sistema es lineal, al multiplicar la entrada
por un escalar c la salida se multiplicará por el mismo escalar c; por lo tanto, si
−
el sistema recibe como entrada la señal impulso cδ (k i), la salida será ch(k i) −
(ver figura 3.14(c)).

Convolución
Una señal discreta cualquiera x(k) es un conjunto de valores en el tiempo,
que puede representarse como la suma de infinitos impulsos individuales y i , tal
como se muestra en la figura 3.15.
Además, cada uno de los pulsos individuales  wi   puede representarse como
un impulso aplicado en el instante de tiempo   i, cuya amplitud es justamente
x(i) Dicho de otra forma, cualquier señal puede escribirse como:

x(k) = ··· + x(−1)δ (k − (−1)) + x(0)δ (k − 0) + x(1)δ (k − 1) + ···

∞
x(k) = x(i)δ (k − i)
i=
−∞
Debido a que el sistema es lineal, podemos aplicar el principio de superpo-
sición, y obtener la respuesta del sistema  y (k) cuando la entrada es  x(k) como
la suma debida a cada uno de los impulsos w i  (suponiendo condiciones iniciales
nulas). Estas respuestas son de la forma que se muestra en la figura 3.14(c), y
por tanto la respuesta y(k) será de la forma:

y(k) = ··· + x(−1)h(k − (−1)) + x(0)h(k − 0) + x(1)h(k − 1) + ···

57
 

OSCAR G. DUARTE

δ (k) h(k)
1 1

F (z )
−1 1 2 3 4 5 −1 1 2 3 4 5

(a) Respuesta al Impulso discreto

δ (k  − 1) h(k −  1)

1 1

F (z )
−1 1 2 3 4 5 −1 1 2 3 4 5

(b) Respuesta al Impulso discreto retrasado

cδ (k −  i) F ( z ) ch(k −  i)

(c) Respuesta al Impulso discreto genérica

Figura 3.14:  Respuesta al Impulso discreto

58
 

3.5. RESPUESTA AL IMPULSO

∞
y(k) = x(i)h(k − i) =  x(k) ∗ h(k)
i= −∞
Esta última sumatoria corresponde a la  convoluci´ 
on discreta  de las señales
x(k) y h(k), representada por el operador ∗
El resultado anterior no debe sorprender, ya que al aplicar transformada  Z 
a cada lado de la igualdad se tiene:

Z{y(k)} = Z{x(k) ∗ h(k)} = Z{x(k)}Z{h(k)} = X (z)H (z)

 Z 
y la transformada   de la respuesta al impulso resulta ser la función de trans-
ferencia del sistema, tal como se habı́a mostrado ya en la figura 3.13

3.5.2. Caso continuo

La función impulso unitario continuo
Para obtener con sistemas continuos un resultado similar el mostrado para
sistemas discretos en la sección 3.5.1 es necesario contar con una función con-
tinua cuyas propiedades sean análogas a las de la función impulso discreto; es
decir, se necesita una función cuya transformada de Laplace sea 1. Dicha función
es la funci´ 
on impulso o delta de Dirac , generalmente representado por  δ (t).
Para presentar la función δ (t), primero consideramos la función d ∆ (t), cuya
gráfica se muestra en la figura 3.16:

d∆ (t) =
 ∈
1/∆   t [0, ∆]
  ∆ > 0
∈
0   t / [0, ∆]

Nótese que el área bajo la gráfica de la función d∆ (t) es 1, independiente-

mente del valor de ∆, es decir,
 
 ∞
d∆ (t)dt = 1   ∀ ∆ > 0
−∞
Se define la función delta de Dirac  como la función que resulta al disminuir
∆ progresivamente, hasta llevarlo al lı́mite en que tiende a cero:

δ (t) = lı́m d∆ (t)

∆ →0
Esta función, cuya gráfica se muestra en la figura 3.17 conserva la propiedad
según la cual el área bajo la gráfica es 1
 
 ∞
δ (t)dt = 1
−∞
Además, si calculamos el área bajo la gráfica desde  −∞  hasta un valor t el
resultado es la función escal´ 
on unitario  µ(t)
  t
δ (t)dt = µ(t) =
 ∈ −∞
0 t ( , 0)
0− ∈ ∞
1   t (0, )

59
 

OSCAR G. DUARTE

x(k)1

=
−3 −2 −1 1 2 3

..
.
+
w−1
1

−3 −2 −1 1 2 3

+
w0
1

−3 −2 −1 1 2 3

+
w1
1

−3 −2 −1 1 2 3

+
..
.

Figura 3.15:  Descomposición de una señal discreta

60
 

3.5. RESPUESTA AL IMPULSO

d∆ (t)
1/∆

Figura 3.16:  Función  d ∆

δ (t)

Figura 3.17:  Función Impulso Unitario Continuo

Por otra parte, consideremos el producto de la función d ∆ (t) desplazada en

el tiempo, con una función f (t) cualquiera, y calculemos el área bajo la gráfica
de ese producto (ver figura 3.18)
   ∞
f (t)d∆ (t − τ )dt =
    τ +∆
f (t)
 1
dt
−∞ τ  ∆
Para valores de ∆ suficientemente pequeños, el área puede hacerse equiva-
lente a la de un rectángulo de base ∆ y altura f (τ )  1∆ , por lo tanto,

lı́m
 ∞    1
f (t)d∆ (t − τ )dt = ∆f (τ )   = f (τ )
∆→0 −∞ ∆
El lı́mite puede introducirse en la integral, con lo que se obtiene
  ∞
f (t) lı́m d∆ (t − τ )dt =
 
 ∞
f (t)δ (t − τ )dt = f (τ ) (3.5)
−∞ ∆ →0 −∞
Es posible demostrar que la transformada de Laplace del impulso es 1, es
decir que   ∞
L{δ (t)} = e−st δ (t)dt = 1
0
Para ello, puede aplicarse directamente el resultado de la ecuación 3.5 o consi-
derar la propiedad de la transformada de Laplace según la cual

L
  
 t
x(t)dt  =
 L {x(t) } =   X (s)
0− s s

61
 

OSCAR G. DUARTE

f (t)
1/∆
f (t)d∆ (t)

t t
τ    τ  + ∆ τ    τ  + ∆

Figura 3.18:  Área bajo la curva  f (t)d∆

Observese que la transformada de Laplace de µ(t), que es 1/s puede escribirse

como
L{ } L
µ(t) =
 t   
δ (t)dt  =
δ (t)
  =
 L { }
 1
0− s s
por lo tanto

L{δ (t)} = 1
Respuesta al impulso

Dado un sistema como el de la figura 3.1 la   respuesta al impulso  es la res-

puesta del sistema cuando la entrada es el impulso unitario δ (t), con condiciones
iniciales nulas. La respuesta al impulso suele denotarse por  h(t), y su transfor-
mada de Laplace por H (s)
Si el sistema continuo tiene una función de transferencia F (s), (figura 3.19),
la respuesta del sistema, en el dominio de la frecuencia s  será el producto de la
entrada por la función de transferencia:

H (s) = U (s)F (s) = 1F (s) = F (s)

Este hecho pone de manifiesto la relación que existe entre la respuesta al im-
pulso y la función de transferencia (ver figura 3.20):La funci´ 
on de transferencia 
es la transformada de Laplace de la respuesta al impulso

L{δ (t)} = 1   
F (s)  H (s)

Figura 3.19:  Sistema Dinámico Contı́nuo estimulado con el impulso unitario

De manera semejante al caso discreto (ver sección 3.5.1) puede argumentarse

que debido a que el sistema es lineal e invariante en el tiempo, la respuesta del
−
sistema a una señal impulso genérica cδ (t τ ) será ch(t τ ) −
62
 

3.5. RESPUESTA AL IMPULSO

L
Respuesta al Impulso   Función de Transferencia

L−1

Figura 3.20:  Relación entre la respuesta al impulso y la función de transferencia.

Caso contı́nuo

Convolución
La ecuación 3.5 muestra que una señal cualquiera x(t) puede representarse
como la  convoluci´ 
on contı́nua   entre  x(t) y   δ (t) identificada con el operador  ∗
(se han intercambiado las variables t  y  τ , lo que no altera el resultado):

x(t) =
  ∞
x(τ )δ (t − τ )dτ   = x(t) ∗ δ (t)
−∞
La integral es la suma de infinitos términos (términos infinitesimales), y por
tanto podemos emplear el principio de superposición para obtener la respuesta
del sistema y(t) cuando la entrada es x(t) como la suma debida a cada uno de
los términos infinitesimales (suponiendo condiciones iniciales nulas), es decir:

y(t) =
  ∞
x(τ )h(t − τ )dτ   = x(t) ∗ h(t)
−∞
Al igual que en al caso discreto, la respuesta del sistema a una entrada
cualquiera x(t) se puede obtener como la convolución (contı́nua) de esa entrada
con la respuesta al impulso.
Este resultado concuerda con una afirmación previa, ya que al aplicar trans-
formada de Laplace a cada lado de la igualdad se tiene:

L{y(t)} = L{x(t) ∗ h(t)} = Lx(t)L{h(t)} = X (s)H (s)

y la transformada de Laplace de la respuesta al impulso resulta ser la Función
de Transferencia del sistema, tal como se habı́a mostrado ya en la figura 3.20

63
 

OSCAR G. DUARTE

64
 

Capı́tulo 4

Sistemas de primer y segundo

orden

Los sistemas de primer y segundo orden merecen especial atención, ya que

ellos presentan los comportamientos básicos que pueden aparecer en cualquier
sistema dinámico. Dicho de otra forma, en general un sistema dinámico presen-
tará un comportamiento que puede descomponerse en los comportamientos más
simples de los sistemas de primer y segundo orden.
Este hecho puede explicarse observando el método de solución de E.D. que
emplea expansión en fracciones parciales (ver sección 2.2.5): una fracción se des-
compone en fracciones más simples en donde los denominadores son polinomios
de primer o segundo orden.
La excepción a esta regla la constituyen los sistemas con polos repetidos, en
donde además aparecen los mismos comportamientos básicos multiplicados por
tn o k n (ver tablas 2.5 y 2.6).
En este capı́tulo se estudian los sistemas continuos de primer y segundo
orden. En todos los casos se procederá de la misma forma: se seleccionará una
función de transferencia prototipo, se calculará su respuesta al escalón unitario1
con condiciones iniciales nulas, y se analizará la relación existente entre esa
respuesta y el valor de los polos dela función de transferencia. Las secciones
4.5 y 4.6 buscan resaltar que los resultados presentados en este capı́tulo son
estrictamente válidos para las funciones prototipo seleccionadas.

1 Tambien denominado paso unitario.

65
 

OSCAR G. DUARTE

y(t) y(t)
2 a = 2 2 a = 3
1 1

1 2 3 4
t 1 2 3 4
t

y(t) y(t)
2 a = −1 2 a = 1
1 1

1 2 3 4
t 1 2 3 4
t

Figura 4.1: Respuesta al paso de un sistema continuo de primer orden

4.1. Sistemas continuos de primer orden

Supóngase un sistema continuo de primer orden, cuya función de transferen-
cia sea
  1
F (s) =   (4.1)
s + a
Al estimular el sistema con un paso unitario  µ(t), con condiciones iniciales
nulas, la respuesta y(t) puede calcularse como sigue:

Y (s) =  F (s)U (s) =
  1 1  1/a
 =  +
1/a  −
(s + a) s s s+a

 1
y(t) = −1 Y (s) = µ(t)
L { a
} −  1a e−
at
µ(t) =
 1
a
(1 − e− at
)µ(t)

 1
y(t) =
a
(1 − e− at
)µ(t) (4.2)

La expresión (4.2) muestra que la respuesta del sistema dependerá del valor
de a. Este hecho se constata en la figura 4.1, que muestra las gr´aficas de y(t)
para distintos valores de a.
Al cambiar el valor de a tambien cambia el valor del único polo de la función
−
de transferencia (4.1), que es a. Para cualquier valor real positivo de  a  el polo
 −
es un real negativo a, y viceversa. Cuando el polo es positivo, la respuesta
del sistema tiende a infinito, y se dice que el sistema es  inestable . La figura 4.2
muestra cuales son las regiones de estabilidad e inestabilidad  con referencia a la
recta real, es decir, en qué lugares debe estar ubicado el polo de la función de
transferencia para que el sistema sea, respectivamente, estable o inestable.

66
 

4.1. SISTEMAS CONTINUOS DE PRIMER ORDEN

Región de Estabilidad Región de Inestabilidad

Figura 4.2:  Regiones de estabilidad e inestabilidad para un sistema continuo de

primer orden

y(t)
y = t
1/a
67 %

1/a t

Figura 4.3:  Respuesta al paso de un sistema continuo de primer orden, polo

negativo en  − a

−
Para un polo negativo cualquiera a, la respuesta es como la que se muestra
en la figura 4.3. El valor a  determina qué tan empinada es la respuesta (y cuál
será el valor final de la respuesta); para valores grandes de   a, la respuesta es
más empinada, debido a que la respuesta natural e −at se extingue más rápido.
Para medir qué tan rápido decae una respuesta natural, podemos definir el
tiempo de asentamiento   o tiempo de estabilizaci´ 
on , como el tiempo a partir del
cual la respuesta natural (su valor absoluto) no supera un porcentaje de su valor
máximo, por ejemplo el 5 %. Para el caso del sistema continuo de primer orden,
este tiempo t as  satisface:

e−atas = 0.05   tas  = − ln 0.05

a
  tas ≈ 3/a
En general, al alejar el polo del origen (al desplazarlo hacia la izquierda)
disminuye el tiempo de asentamiento, es decir, la respuesta es más empinada.
Esto nos permite definir una  regi´ on de tiempo de asentamiento m´  aximo, como
la que se muestra en la figura 4.4. Si el polo de la función de transferencia (4.1)
cae en esa región podemos asegurar que su tiempo de asentamiento satisface
 ≤
tas 3/a.
Nótese que la región de tiempo de asentamiento máximo está contenida
dentro de la región de estabilidad; esto es lógico, ya que la definición de tiempo
de asentamiento sólo tiene sentido para sistemas estables.

67
 

OSCAR G. DUARTE

tas ≤ 3/a

−a 0

Figura 4.4:  Región de tiempo de asentamiento máximo para un sistema continuo de

primer orden

4.2. Sistemas discretos de primer orden

Supóngase un sistema discreto de primer orden, cuya función de transferencia
sea
  1
F (z) =   (4.3)
z + a
Al estimular el sistema con un paso unitario µ(k), con condiciones iniciales
nulas, la respuesta y(k) puede calcularse como sigue:

  1 z   z/(1 + a)  z /(1 + a)
Y (z) = F (z)U (z) =
(z + a) (z 1)
 =
− (z 1) −   − z + a
y(k) = Z −1{Y (z)} = 1  +1 a µ(k) − 1  +1 a (−a) µ(k) = (1  +1 a) (1 − (−a) )µ(k)
k k

  1 k
y(k) =
(1 + a)
(1 − (−a) )µ(k) (4.4)

La expresión (4.4) muestra que la respuesta del sistema dependerá del valor de
a. Este hecho se constata en la figura 4.1, que muestra las gráficas de y(k) para
distintos valores de a.
Al cambiar el valor de a tambien cambia el valor de el único polo de la función
−
de transferencia (4.3), que es a. Para cualquier valor real positivo de  a  el polo
−
es un real negativo a, y viceversa. Cuando el polo es negativo, la respuesta del
sistema es de signo alternante (P.ej. ( 1/2)k = 0, 1/2, 1/4, 1/8, ); por el
− − − ···
contrario, si el polo es positivo la respuesta siempre será del mismo signo.
Por otra parte, si el valor absoluto de  a   es mayor que 1, el valor absoluto
de la respuesta tiende a infinito, y se dice que el sistema es  inestable . La figura
4.6 muestra cuales son las regiones de estabilidad e inestabilidad   con referencia
a la recta real, es decir, en qué lugares debe estar ubicado el polo de la función
de transferencia para que el sistema sea, respectivamente, estable o inestable;
también se muestra en la misma figura cuando la respuesta es alternante o no.

Para medir qué tan rápido decae una respuesta natural en los sistemas esta-
bles podemos definir el tiempo de asentamiento o tiempo de estabilizaci´ on , como
el tiempo a partir del cual la respuesta natural (su valor absoluto) no supera

68
 

4.2. SISTEMAS DISCRETOS DE PRIMER ORDEN

y(k) y(k)
2 2
a = 0.5 a = 1.5
1 1
 

 

1 2 3 4
k 1


2 3 4
k
−1 −1

−2 −2

y(k)  

y(k)
2 2
a = −1.5 



1 1
  

  
a = −0.5
1 2 3 4
k 1 2 3 4
k
−1 −1

−2 −2

Figura 4.5:  Respuesta al paso de un sistema discreto de primer orden

Inestabilidad Estabilidad   Inestabilidad

−1 0 1

Alternante No Alternante

Figura 4.6:  Regiones de estabilidad e inestabilidad para un sistema discreto de

primer orden

69
 

OSCAR G. DUARTE

kas  ≤ −3/ ln |a|

  a
−1−a 0 1

Figura 4.7:  Regiones de tiempo de asentamiento máximo para un sistema discreto

de primer orden

un porcentaje de su valor máximo, por ejemplo el 5 %. Para el caso del sistema

discreto de primer orden, este tiempo será el menor entero k as  tal que:
kas
( | − a|) ≤ 0.05
En consecuencia, k as  satisface

kas ≤  lnln(0.05
|a|)   kas  ≤ −3/ ln(|a|)
En general, al alejar el polo del origen (al acercarlo a 1 o 1) aumenta el  −
tiempo de asentamiento, es decir, la respuesta es más lenta. Esto nos permite
definir una regi´ 
on de tiempo de asentamiento m´  aximo, como la que se muestra
en la figura 4.7. Si el polo de la función de transferencia (4.3) cae en esa región
podemos asegurar que su tiempo de asentamiento satisface k as 3/ ln( a ).  ≤ ||
Al igual que en el caso continuo, en el caso discreto la región de tiempo de
asentamiento máximo está contenida dentro de la región de estabilidad.

4.3. Sistemas continuos de segundo orden

Supóngase un sistema continuo de segundo orden, cuya función de transfe-
rencia sea
  ωn
F (s) = 2 (4.5)
s + 2ξω n s + ωn2
Los polos de la función de transferencia serán:

 p1,2  =
 −2ξω ± n
  4ξ 2 ωn2 4ωn2
 
− = ω n
− ±   − 
ξ  ξ 2 1
2
 | |
En caso de que ξ   <  1, el radical es negativo, y los polos resultan ser com-
plejos conjugados:  −
 p1,2  = ξω n  jω n 1 ξ 2
− ±
La figura 4.8 muestra la ubicación de los polos complejos. Nótese que la
distancia de los polos al origen (la magnitud del complejo) es justamente ωn :

d =
  (ξω n )2 + ωn2 (1 − ξ 2) = ω n

70
 

4.3. SISTEMAS CONTINUOS DE SEGUNDO ORDEN

Im(s)

×  jω n
 − 1 ξ 2
ω  
n 

φ Re(s)

−ξω n
  ω  n

× − jω n
 − 1 ξ 2

Figura 4.8:  Ubicación de los polos de un sistema continuo de segundo orden, con
polos complejos

Además, el coseno del ángulo   φ  formado con el semieje real negativo, es

 justamente ξ :
  ξω n
cos φ = = ξ 
ωn
Al estimular el sistema (4.5) con un paso unitario   µ(t), con condiciones
iniciales nulas, la respuesta y (t) puede calcularse como sigue:
  ωn 1
Y (s) =  F (s)U (s) =
s2 + 2ξωs + ωn2 s
   1   − 
y(t) = L−1{Y (s)} = 1 −  − 1 ξ 2
e−ξωn t sin ωn 1 ξ 2 t + φ µ(t) (4.6)

donde,
φ = cos−1 ξ 
Las figuras 4.9 a 4.11 muestran la gráfica de (4.6) en varias condiciones: en
la figura 4.9 se ha fijado ω n  = 1, y se ha variado ξ . En la figura 4.10 se ha fijado
ξ   = 0.5 y se ha variado ωn . La figura 4.11 muestra la forma genérica de (4.6)
 ∈
con ξ  (0, 1).

4.3.1. Región de estabilidad

Al evaluar (4.6) se observa que para valores positivos de ξω n   el término  −
exponencial crece indefinidamente, y por tanto la respuesta se hará infinita.
 −
El término ξω n  coincide con la parte real de los polos de (4.5), tal como se
muestra en la figura 4.8, por lo tanto, la regi´ 
on de estabilidad , aquella en la que

71
 

OSCAR G. DUARTE

y(t)
: ξ  = 0.1
2 : ξ  = 0.5
: ξ  = 0.9
1

t
1 2 3 4 5 6 7 8 9

Figura 4.9: Respuesta al paso de un sistema continuo de segundo orden,  w n  = 1

y(t)
: ω n  = 1
2 : ω n  = 0.5
: ω n  = 2
1

t
1 2 3 4 5 6 7 8 9

Figura 4.10:  Respuesta al paso de un sistema continuo de segundo orden,  ξ  = 0.5

y(t)

ymax

yfinal

tc t

Figura 4.11:  Respuesta al paso de un sistema continuo de segundo orden

72
 

4.3. SISTEMAS CONTINUOS DE SEGUNDO ORDEN

Im(s)

Estabilidad Inestabilidad
Re(s)

Figura 4.12:  Región de Estabilidad para un sistema continuo de segundo orden

deben ubicarse los polos para que el sistema sea estable, resulta ser el semiplano
izquierdo. Esto se muestra en la figura 4.12

4.3.2. Región de tiempo máximo de asentamiento

La respuesta transitoria de (4.5) es el producto de una exponencial  e −ξωn t
  − 
por una sinusoidal sin ωn 1 ξ 2 t + φ , es decir, su amplitud es menor o igual
que e −ξωn t .
Si tomamos el  tiempo de asentamiento  como el tiempo a partir del cual la
respuesta natural (su valor absoluto) no supera el 5 % de su valor máximo, en
el caso del sistema continuo de segundo orden este tiempo  t as  satisface:

e−ξω n tas = 0.05   tξωn s  = − lnξω0.05

n
tas  ≈ 3/ξω n

−
Debido a que ξω n  es la parte real de los polos de (4.5) , tal como se muestra
en la figura 4.8, la región de tiempo de asentamiento máximo es la que se muestra
en la figura 4.13

4.3.3. Región de frecuencia máxima de oscilación

La frecuencia de oscilación de la respuesta es la frecuencia de la sinusoidal
 −
de (4.5), es decir es   ωn 1 ξ 2 , que corresponde a la parte imaginaria de los
polos de (4.5) (ver figura 4.8). Por esta razón, la región de frecuencia máxima
de oscilación es la que se muestra en la figura 4.14

73
 

OSCAR G. DUARTE

Im(s)

tas  ≤   3
a
  tas  >   a3
Re(s)
−a

Figura 4.13:  Región de Tiempo máximo de asentamiento para un sistema continuo

de segundo orden

Im(s)

w > w∗
 jw ∗

w ≤ w∗
Re(s)

− jw ∗
w > w∗

Figura 4.14:  Región de Frecuencia máxima de oscilación para un sistema continuo

de segundo orden

74
 

4.3. SISTEMAS CONTINUOS DE SEGUNDO ORDEN

4.3.4. Región de sobrepico máximo

Uno de los parámetros más importantes de la respuesta graficada en la figura
4.11, es el sobrepico m´ 
aximo, sp, que indica qué tanto llega a valer la respuesta
en relación con su valor final:

sp =
−
  ymax yfinal
∗ 100%
yfinal
donde y max  es el valor máximo, y y final  el valor final (estacionario) de y (t).
Para calcular el sobrepico máximo, primero derivamos   y(t) e igualamos a
cero para obtener los instantes  t c  en los que suceden los máximos y mı́nimos de
y(t):      
dy   −1
√ 1− −
dt   = 2
ξω n e−ξω n t sin ωn 1 ξ 2 t + φ +
−
   ξ    
ω 1 − ξ 2 e−
n cos ω ξωn t
1 − ξ 2 t + φ   =0
n

ξω n sin
   
ωn 1 − ξ 2 t + φ  = ω 1 − ξ 2 cos ω
     
n 1 − ξ 2 t + φ n
  1 − ξ 2
  = tan ω
   
1 − ξ 2 t + φ n
ξ 
  − ωn 1
ξ 2   −
ξ 2 t + φ  = tan−1
1
ξ 
Para obtener el valor de la arcotangente en la ecuación anterior, obsérvese en la
figura (4.8) el valor de tan φ:

tan φ =
  ωn
 −  −
1 ξ 2
=
1 ξ 2
ξω n ξ 
La función tan−1 (x) es periódica, de periodo π, por lo tanto
  − 
ωn 1 ξ 2 t + φ  = tan−1
 − 1 ξ 2
  = φ + nπ
ξ 
  nπ
 − t =
ωn 1 ξ 2
n = 0, 1, 2, ···
Existen infinitos instantes en los que la derivada de  y(t) es nula, que correspon-
den a los máximos y mı́nimos locales que se observan en la figura 4.11. Para
n = 0 resulta  t = 0, por lo tanto la respuesta y(t) es prácticamente horizontal
en su inicio. El sobrepico máximo sucede en t c , que corresponde a n = 1:
  π
tc  =  −
ωn 1 ξ 2
El valor de y (t) en t c  es el valor máximo de y (t), es decir y max  = y(tc )

  1 −ξωn ωn  √ π1−ξ2

      π
ymax  = 1 −  − e −   −
sin ωn 1 ξ 2 +φ
1 ξ 2 ωn 1 ξ 2

75
 

OSCAR G. DUARTE

sp( %)
100

80

60

40

20

ξ 
0
0 0.2 0.4 0.6 0.8 1.0

Figura 4.15:  Sobrepico en función de  ξ

  1 √ −ξπ
ymax  = 1 −  − 1 ξ 2
e 1−ξ 2 sin(π + φ)

Dado que sin(π + x) = − sin(x), podemos escribir

  1 √ −ξπ
1−ξ2
ymax  = 1 +  − e sin(φ)
1 ξ 2
√ −ξπ
ymax  = 1 + e 1−ξ 2 = 1 + e−π cot φ
El valor final de y (t) es 1, por lo tanto
√ −ξπ
sp = e 1−ξ 2 100 % = e −π cot φ 100%
Las figuras 4.15 y 4.16 muestran cómo varı́a el sobrepico máximo en función de
el factor de amortiguamiento ξ   y el ángulo φ, respectivamente. Es interesante
observar que el sobrepico depende del ángulo   φ   que forman los polos con el
semieje real negativo (figura 4.8), lo que nos permite establecer una  regi´ 
on de 
sobrepico m´ aximo, tal como la que se muestra en la figura 4.17

4.3.5. Región de diseño

Las regiones que se muestran en las figuras 4.12, 4.13, 4.14 y 4.17 pueden
resumirse en una única regi´  no, como la que se muestra en la figura
on de dise˜ 
4.18. Refiriéndonos a esta figura, la región de diseño puede interpretarse asi:
Dado un sistema de segundo orden como el de la ecuación (4.5) con condi-
ciones iniciales nulas, cuyos polos están ubicados dentro de la regi´ 
on de dise˜ 
no,
puede asegurarse que:

76
 

4.3. SISTEMAS CONTINUOS DE SEGUNDO ORDEN

sp( %)
100

80

60

40

20

φ
0
0 18 36 54 72 90

Figura 4.16:  Sobrepico en función de  φ

Im(s)

sp ≤ e−
πcotφ
φ sp > e−πcotφ
Re(s)

Figura 4.17:  Región de Sobrepico máximo para un sistema continuo de segundo

orden

77
 

OSCAR G. DUARTE

Im(s)

 jw ∗

φ Re(s)
−a

− jw ∗

Figura 4.18:  Región de Diseño para un sistema continuo de segundo orden

el sistema es estable

el tiempo de asentamiento es menor o igual que 3/a

la frecuencia máxima de oscilación de la respuesta natural es  w ∗

al estimularlo con un escalón unitario el sobrepico máximo es menor que

e−π cot φ 100%

4.4. Sistemas discretos de segundo orden

Supóngase ahora un sistema discreto de segundo orden, cuya función de
transferencia sea
  1 2b cos a + b2−
F (z) = 2   (4.7)
z 2bz cos a + b2
−
Los polos de la función de transferencia serán:

 p1,2  =
  2b cos a ± √ 4b2 cos2 a  − 4b2 = b  ±  
cos a cos2 a −1

2
El término del radical será menor o igual que cero; en caso de que sea menor,
los dos polos serán los complejos conjugados:

 p1,2  =  b cos a  j ±
 − 
1 cos2 a  = b (cos a  j sin a)
±
La figura 4.19 muestra la ubicación de los polos en el plano complejo.

78
 

4.4. SISTEMAS DISCRETOS DE SEGUNDO ORDEN

Im(z)

 jb sin a ×
   b

a Re(z)
a b cos a
b  

−b sin a ×

Figura 4.19:  Ubicación de los polos de un sistema discreto de segundo orden, con
polos complejos

Al estimular el sistema (4.7) con un paso unitario   µ(k), con condiciones

iniciales nulas, la respuesta y (k) puede calcularse como sigue:

Y (z) = F (z)U (z) =
  1 − 2b cos a + b2    z
z2 − 2bz cos a + b2 z 1 −
Y (z)   A   Bz + C 
  =  +
z z 1 z 2 2bz cos a + b2
− −
sumando e igualando coeficientes se obtiene

A = 1   B = −1 −1 + 2b cos a

  C   =
2
Y (z) =
  z
z−1
 −  zz2 +−(12bz−cos
2bz cos a)
a + b2
  z   z 2 − bz cos a   z(1 − 2z cos a)
Y (z) =  −  −
z − 1 z 2 − 2bz cos a + b2 z 2 − 2bz cos a + b2

y(k) = Z −1 {Y (z)} = 1 − b cos ak − k  (1 − b cos a)
  b sin ak µ(k) k

b sin a
Finalmente, las dos sinusoidales se pueden agrupar en una sola, para obtener:

y(k) = Z −1{Y (z)} = 1 − Cb  k
sin(ak + φ) µ(k)
 (4.8)

donde
√ 1 + b2 − 2b cos a   1
   b sin a

C   =   =   φ = tan−1
b sin a sin φ −
1 b cos a

79
 

OSCAR G. DUARTE

y(k)

2  

 

 

 

1
 

 

 

 

 

  

k
1 2 3 4 5 6 7 8 9

Figura 4.20:  Respuesta al paso de un sistema discreto de segundo orden,  a  = 1.2,

b  = 0.8

La figura 4.20 muestra la gráfica de y(k) para unos valores especı́ficos de a
y b. Aunque  y(k) sólo tiene sentido en los valores enteros de  k, se ha trazado
también en punteado la curva que se obtendrı́a para valores reales de k.
Podrı́a plantearse que para estudiar la secuencia y(k) (los puntos en la figura
4.20) serı́a válido analizar el sistema continuo que la genera ((la curva punteada
en la figura 4.20)); sin embargo, en ocasiones los resultados pueden ser muy
engañosos: considérese el caso en que a = 3 y b = 0.7, que se grafica en la figura
4.21; si se analiza la curva contı́nua, se concluye que el máximo valor (absoluto)
de  y(k) será cercano a 14, pero al ver la secuencia de puntos observamos que
ésta nunca supera (en valor absoluto) a 4.
No obstante, dado que un análisis de la curva contı́nua arrojará valores ma-
yores o iguales que la secuencia, puede utilizarse para establecer cotas superiores
de los valores de la secuencia, y asi establecer regiones de diseño.

4.4.1. Región de estabilidad

Al evaluar (4.8) se observa que para valores de  b mayores que 1 el término
exponencial crece indefinidamente, y por tanto la respuesta se hará infinita. El
término b coincide con la magnitud de los polos de (4.7), tal como se muestra
en la figura 4.19, por lo tanto, la regi´ 
on de estabilidad , aquella en la que deben
ubicarse los polos para que el sistema sea estable resulta ser el cı́rculo unitario
centrado en el origen, tal como se ve en la figura 4.22.

4.4.2. Región de tiempo máximo de asentamiento

La respuesta transitoria de (4.7) es el producto de la exponencial  bk por la
sinusoide sin (ak + φ), es decir, su amplitud es menor o igual que b k .
Si tomamos el  tiempo de asentamiento  como el tiempo a partir del cual la
respuesta natural (su valor absoluto) no supera el 5 % de su valor máximo en el

80
 

4.4. SISTEMAS DISCRETOS DE SEGUNDO ORDEN

y(k)

10

5
 

 

 

 

 

 

  

 

 

k
 

1 2 3 4 5 6 7 8 9
− 5

−10

Figura 4.21:  Respuesta al paso de un sistema discreto de segundo orden,  a  = 3,

b  = 0.7

Im(z)
 j
Inestabilidad

Estabilidad
Re(z)

−1 1

− j

Figura 4.22:  Región de Estabilidad para un sistema discreto de segundo orden

81
 

OSCAR G. DUARTE

Im(z)
1
 jb

tas  <   3 Re(z)

ln b
−1 −b b 1

− jb
−1

Figura 4.23:  Región de tiempo de asentamiento máximo para un sistema discreto

de segundo orden

caso del sistema discreto de segundo orden, este tiempo  kas  satisface:

bkas ≤ 0.05 ln bkas ≤ ln 0.05   kas ln b ≤ ln 0.05   kas  ≤  ln3b

Debido a que b es la magnitud de los polos de (4.7) , tal como se muestra en
la figura 4.19, la región de tiempo de asentamiento máximo es la que se muestra
en la figura 4.23.

4.4.3. Región de Frecuencia máxima de oscilación

La frecuencia de oscilación de la respuesta es la frecuencia de la sinusoidal
de (4.7), es decir es  a, que corresponde al ángulo de los polos de (4.7) respecto
a la horizontal (ver figura 4.19). Por esta razón, la región de frecuencia máxima
de oscilación es la que se muestra en la figura 4.24.

4.4.4. Región de sobrepico máximo

Al comparar las respuestas a escalones unitarios de los sistemas continuos y
discretos de segundo orden, que aparecen en las ecuaciones (4.6) y (4.8) respec-
tivamente, podemos ver las semejanzas de estas respuestas.
 
k
Si reescribimos bk como eln b = ek ln b , podemos asimilar los coeficientes
de los exponentes y las sinusoides:
−ξω n  = ln b ωn
 − 1 ξ 2 = a
De tal manera que
ln b   ξ 
a
 = −  −1 ξ 2
= − cot φ
82
 

4.5. EFECTO DE LOS CEROS. SISTEMAS DE FASE M ÍNIMA

Im(z)

a
frec ≤a
Re(z)
a

Figura 4.24:  Región de Frecuencia máxima de oscilación para un sistema discreto

de segundo orden

  aξ
− √ 
b = e −a cot φ = e 1−ξ 2 (4.9)

La ecuación 4.9 permite definir, para el caso discreto, curvas análogas a las
que generan la región de sobrepico máximo de los sistemas continuos (figura
4.17). La figura 4.25 muestra las curvas generadas por la ecuación (4.9) para
distintos valores de ξ .
Por su parte, la figura 4.26) muestra la región definida por (4.9) al fijar un
valor de ξ   (o de φ), es decir, al establecer un factor de amortiguamiento. Esta
región no es la región de sobrepico máximo, sino la regi´ 
on de amortiguamiento
mı́nimo. El sobrepico máximo es más difı́cil de obtener debido a que el tiempo
es discreto.

4.4.5. Región de diseño

Al combinar las regiones definidas en las figuras 4.22 a 4.26 se obtiene la
regi´  no que se muestra en la figura 4.27. Su significado es análogo a la
on de dise˜ 
región de diseño del caso continuo.

4.5. Efecto de los ceros. Sistemas de fase mı́nima

Pese a que en las secciones anteriores se ha hecho énfasis en el efecto que
tiene sobre la respuesta natural la ubicación de los polos en el plano, no debe
desconocerse que los ceros también influyen en la respuesta.

83
 

OSCAR G. DUARTE

Im(z)
: ξ  = 0.1
 j
: ξ  = 0.5
: ξ  = 0.9

Re(z)

−1 1

− j

Figura 4.25:  Curvas de Amortiguamiento fijo para un sistema discreto de segundo

orden

Im(z)
 j

Re(z)

−1 1

− j

Figura 4.26:  Región de Amortiguamiento mı́nimo para un sistema discreto de

segundo orden

84
 

4.5. EFECTO DE LOS CEROS. SISTEMAS DE FASE M ÍNIMA

Im(z)
 j

Re(z)

−1 1

− j

Figura 4.27:  Región de Diseño para un sistema discreto de segundo orden

Supóngase un sistema continuo de segundo orden, con un cero real:

(b2 +ω 2 )
a   (s + a)
F (s) =   (4.10)
(s + b)2 + ω 2
La respuesta al escalón del sistema definido por (4.10) es :
  
1 +   a1 (b2 + ω 2 )[(a − b)2 + ω2]e− bt

sin(ωt + φ) µ(t)
y(t) = 
w
   w
  (4.11)
 φ = tan−1 b + tan−1 −
a b

La figura 4.28 muestra la gráfica de (4.11), para tres valores distintos de  a,
con unos valores fijos de  b  = 1 y  ω   = 1; es decir, lo que se está modificando
es la posición del cero de la función de transferencia. Alli puede verse que la
ubicación del cero afecta directamente la forma de la respuesta.
Es importante resaltar que las regiones de diseño de las figuras 4.18 y 4.27
fueron desarrolladas para sistemas prototipo  de segundo orden, sin ceros. Estas
regiones pueden emplearse para el análisis y control de sistemas de segundo
orden con ceros, pero sólo como una guı́a de carácter general.
Más importante aún es resaltar que para ceros en el semiplano derecho (este
 −
es el caso   a   = 1 en la figura 4.28) la respuesta al escalón presenta en sus
inicios valores de signo contrario a los de la respuesta de estado estacionario;
este fenómeno, conocido como subpico   (en inglés undershoot ) puede llegar a ser
muy peligroso en algunos sistemas fı́sicos, y constituye una gran dificultad para
su control.
Los sistemas que no poseen ceros en el semiplano derecho, se conocen como
sistemas de fase mı́nima , o simplemente minifase   2 .
2 Esta denominación está relacionada con la respuesta de frecuencia del sistema

85
 

OSCAR G. DUARTE

y(t)
: a == 0.5
: a = 1
−
: a = 1
1

t
1 2 3 4

Figura 4.28:  Respuesta al paso de un sistema continuo de segundo orden, con cero
real  b  =  ω  = 1

La presencia de subpicos ante una entrada escalón es fácil de demostrar para

un sistema de segundo orden con polos reales y un cero real 3 , tal como

  (s + a)
F (s) =   (4.12)
(s + b)(s + c)

La respuesta al escalón será:

Y (s) =
  (s + a) a/(b + c)  (a
  +
− b)/(c − b)(−  b) + (a − c)/(c − b)(c)
s(s + b)(s + c) s (s + b) (s + c)

y(t) =
  a
 +
−
  (a b)
e−bt +
  (a c) −ct
e µ(t)
− 
− −
bc (c b)( b) (c b)(c) −
El signo de la derivada de y(t) evaluada en t = 0 nos indica si la respuesta
crece o decrece en ese momento:

dy
 =
 a − b  a − c  c − b
dt t=0 c − b   = c − b   = c − b  = 1
La derivada siempre es positiva, por lo tanto, para valores cercanos a t = 0,
y(t) será siempre positiva. Por otra parte, la respuesta de estado estacionario
de y(t) será a/bc; para sistemas estables, tanto b como c son positivos, y por lo
tanto el signo de la respuesta estacionaria es el mismo signo de  a.
En conclusión, para valores negativos de a  (ceros positivos), la respuesta en
sus inicios tendrá un signo diferente al de la respuesta de estado estacionario y
sucederá el subpico.
3 Para otro tipo de sistemas la demostración es más complicada, y se omite aqui

86
 

4.6. POLOS DOMINANTES

: 0.25e−10t

y(t) y(t) : 0.25e−15t

1 1 : 0.5e−t cos 2t

t t

1 2 3 4 1 2 3 4

(a) respuesta exacta (b) componentes de la respuesta natural

y(t) : y(t)

1 : y aprox (t)

1 2 3 4

(c) respuesta exacta y aproximada

Figura 4.29:  Sistema continuo de orden 4 con polos dominantes

4.6. Polos dominantes

Supongamos ahora un sistema continuo de orden superior a 2, como por
ejemplo uno cuya función de transferencia sea

  6.75s3 + 102.5s2 + 318.75s + 750

F (s) =
(s + 10)(s + 15)(s2 + 2s + 5)
Al estimular ese sistema con un escalón unitario la respuesta será

1   6.75s3 + 102.5s2 + 318.75s + 750

Y (s) = F (s)   =
s s(s + 10)(s + 15)(s2 + 2s + 5)

 1   0.25
Y (s) =
s
 − (s +  −   0.25  − − (s  0.5(s
10) (s + 15)
+ 1)
2 + 2s + 5)

y(t) =
 1 − 0.25e−10 − 0.25e−15 − 0.5e− cos2t µ(t)
t t t
 (4.13)
La figura 4.29(a) muestra la gráfica de y(t), mientras que la figura 4.29(b)
muestra por separado los tres componentes de la respuesta natural, 0.25e −10t, −
− 0.25e−15t y 0.5e−t cos2t.
 −
En la figura 4.29(b) se observa que el aporte a la respuesta natural debido
 −  −
a los polos   p1   = 10 y   p2   = 15 es considerablemente más pequeño que el

87
 

OSCAR G. DUARTE

−±
debido a los polos p 3,4  = 1  j2. Lo anterior se debe a que los aportes de  p 1  y
 p2  decaen mucho más rápidamente que el aporte de  p3,4 , ya que e−10t y e−15t
decaen más rápidamente que e −t .
Se dice entonces que los polos  p 3,4  dominan  el comportamiento del sistema,
o simplemente que son los  polos dominantes . La figura 4.29(c) compara la res-
puesta exacta y(t) calculada según (4.13) y una respuesta aproximada y aprox(t)
que se obtendrı́a eliminando de y (t) los aportes de los polos p 1  y p 2 , es decir:

y(t) = 1
− 
0.5e−t cos2t µ(t)

Se observa cómo el aporte de los polos p 1  y p2  sólo es significativo al comienzo

de la respuesta, cuando la componente de la respuesta natural asociada a ellos
aún no ha decaido, pero este aporte se desvanece rápidamente, y la respuesta
aproximada resulta ser prácticamente la misma respuesta exacta.
En conclusión, se dice que un sistema continuo estable tiene (1 o 2)   polos 
dominantes   si la parte real de dichos polos es suficientemente mayor (est´a más
hacia la derecha, en el semiplano izquierdo) que la de los demás polos del sistema,
como para que el aporte de éstos últimos se desvanezca mucho antes de que haya
desaparecido el aporte debido a los polos dominantes.
En estos casos, las regiones de diseño, que fueron desarrolladas para sistemas
de segundo orden, pueden ser una herramienta muy útil para analizar el sistema,
aunque éste sea de un orden superior.
Algo análogo sucede con los sistemas discretos, sólo que aqui el tiempo de
decaimiento no depende de la parte real de los polos, sino de su distancia al
origen.
En conclusión, se dice que un sistema discreto estable tiene (1 o 2)   polos 
dominantes   si la magnitud de dichos polos es suficientemente mayor (está más
lejos del origen, dentro del cı́rculo unitario) que la de los demás polos del sistema,
como para que el aporte de éstos últimos se desvanezca mucho antes de que haya
desaparecido el aporte debido a los polos dominantes.

88
 

Capı́tulo 5

Sistemas realimentados simples

En este capı́tulo centramos nuestro interés en sistemas continuos y discretos

como los que se muestran en las figuras 5.1 y 5.2, respectivamente. Este tipo de
sistemas se denominan realimentados   o retroalimentados , debido a que la señal
de salida Y   es retornada para ser comparada con la entrada  U   mediante una
resta. El resultado de esta comparación es la señal de error   E .
Esta es una estructura tı́pica de control; G es la planta  que se desea controlar,
y U  el comportamiento que se desea que tenga  G. Y   es el comportamiento real
de G, que es medido y comparado con  U   a través de  H . Si el comportamiento
real difiere del deseado, existirá un error E , que se amplifica por K  como entrada
directa a G
Definimos la funci´  on de transferencia del sistema realimentado  como la re-
lación entre la salida y la entrada con condiciones iniciales nulas. En el caso
continuo será

 Y (s)   KG(s)
F (s) =  =   (5.1)
U (s) 1 + KG(s)H (s)
y en el discreto:

 Y (z)   KG(z)
F (z) =  =   (5.2)
U (z) 1 + KG(z)H (z)

U (s)    E (s)   Y (s)

 K    G(s) 
+ −
 
H (s) 

Figura 5.1:  Sistema continuo retroalimentado simple

89
 

OSCAR G. DUARTE

U (z)   E (z)   Y (z)

   K    G(z) 
+ −
 
H (z) 

Figura 5.2:   Sistema discreto retroalimentado simple

También se define la funci´  on de transferencia del error   o transmitancia del 

error  como la relación entre el error y la entrada. En el caso continuo:

  E (s)   1
F E (s) =  =   (5.3)
U (s) 1 + KG(s)H (s)
y en el discreto:

  E (z)   1
F E (z) =  =   (5.4)
U (z) 1 + KG(z)H (z)
Además, a los productos G(s)H (s) y G(z)H (z) se les denomina ganancia de 
lazo abierto.
Si escribimos  G  y  H   como dos fracción de polinomios  N G /DG   y   N H /DH 
respectivamente, las expresiones (5.1), (5.2), (5.3) y (5.4) se convierten en:
Función de transferencia del sistema realimentado, caso continuo:
G (s)
  Y (s) K N 
DG (s)   KN G (s)DH (s)
F (s) =  = N G (s) N H (s)
=
U (s) 1 + K DG (s) DH (s) DG (s)DH (s) + KN G (s)N H (s)
(5.5)
Función de transferencia del sistema realimentado, caso discreto:
N G (z )
  Y (z) K D G (z )   KN G (z)DH (z)
F (z) =  = G (z ) N H (z )
=
U (z) 1 + K N 
DG (z ) DH (z)
DG (z)DH (z) + KN G (z)N H (z)
(5.6)
Función de transferencia del error, caso continuo:
  E (s)   1   DG (s)DH (s)
F E (s) =  = =
G (s) N H (s)
U (s) 1 + K N 
DG (s) DH (s)
DG (s)DH (s) + KN G (s)N H (s)
(5.7)
Función de transferencia del error, caso discreto:
  E (z)   1   DG (z)DH (z)
F E (z) =  = G (z ) N H (z )
=
U (z) 1 + K N 
DG (z ) DH (z)
DG (z)DH (z) + KN G (z)N H (z)
(5.8)

90
 

5.1. TIPO DE SISTEMA Y ERROR DE

ESTADO ESTACIONARIO

5.1. Tipo de sistema y error de

estado estacionario
5.1.1. Caso continuo
Uno de los objetivos de los esquemas de control como el que se muestra
en las figura 5.1 suele ser el asegurar que la señal de error sea nula, al menos
despues de que las respuestas transitorias hayan desaparecido. Por ese hecho,
se estudia la respuesta de estado estacionario  de la señal de error, comunmente
denominada el error de estado estacionario.
Bajo la suposición de que el sistema realimentado es estable 1 , se puede argu-
mentar que despues de un cierto tiempo la respuesta transitoria se habr´a hecho
lo suficientemente pequeña como para considerar que no existe, y por lo tanto
sólo queda la respuesta estacionaria, es decir

eee   = lı́m e(t) (5.9)

t →∞
donde   eee  es el error de estado estacionario, y   e(t) es la señal de error en el
dominio del tiempo, es decir e(t) = −1 E (s) L { }
El  teorema de valor final  de la transformada de Laplace provee una forma
de calcular e ee :

eee   = lı́m e(t) = lı́m sE (s)

t →∞ s →0
{ }   (5.10)

Combinando (5.10) con (5.3) se obtiene:

→0 { }
eee  = lı́m sF E (s)U (s)   (5.11)
s

Al observar (5.11), se encuentra que el error de estado estacionario podrá

 ∞
ser 0,  o un valor finito, dependiendo del número de polos y ceros en  s = 0
que tengan F E (s) y U (s), como se muestra en los siguientes ejemplos.

  (s+4)   1
Ejemplo 5.1   Sea F E (s) = (s+3)(s+5)   y U (s) = (s2 +4) . Según (5.11) el error de
estado estacionario será

eee  = lı́m s
   (s + 4) 1
 = 0
   (0 + 4) 1
 = 0
s →0 (s + 3)(s + 5) (s2 + 4) (0 + 3)(0 + 5) (02 + 4)
  (s+4)  1
Ejemplo 5.2   Sea F E (s) = (s+3)(s+5)   y U (s) = s . Según (5.11) el error de estado
estacionario será

eee  = lı́m s
   (s + 4) 1
 
 = lı́m
  (s + 4)
 =

  (0 + 4)
 =
 4
s→0 (s + 3)(s + 5) s s→0 (s + 3)(s + 5) (0 + 3)(0 + 5) 15
1 La determinación de la estabilidad de los sistemas realimentados continuos se estudia en

la sección 5.2

91
 

OSCAR G. DUARTE

Tipo de u(t) =  µ(t)   u(t) =  tµ(t)   u(t) =  t 2 µ(t)/2   ···

sistema
2 3
U (s) = 1/s U (s) = 1/s U (s) = 1/s ···
0 {
lı́ms→0 F E (s) } ∞   ∞ ···
F E (s)
1 0 lı́ms→0 s   ∞   ···
F E (s)
2 0 0 lı́ms→0 s2   ···
.. .. .. ..   ..
. . . . .

Tabla 5.1:   Error de estado estacionario para sistemas continuos

  s(s+4)  1
Ejemplo 5.3   Sea F E (s) = (s+3)( s+5)  y U (s) = s3 . Según (5.11) el error de estado
estacionario será  
  s(s + 4) 1
eee  = lı́m s
s →0 (s + 3)(s + 5) s3

eee  = lı́m
   (s + 4) 1
 =

  (0 + 4) 1  4
 =   = ∞
→0
s (s + 3)(s + 5) s (0 + 3)(0 + 5) 0 0

En los ejemplos anteriores puede observarse que el valor de  eee  depende de

si la   s que aparece en (5.11) puede o no cancelarse con otros términos   s   que
aparezcan en F E (s)U (s). Con esto en mente, definimos el tipo de sistema  como
el número de ceros en s = 0 que tenga F E (s) y construimos la tabla 5.1. Nótese
que las entradas u(t) que se han empleado son aquellas cuyas transformadas de
Laplace tienen términos  s n en el denominador.
De acuerdo con (5.7) los ceros de F E (s) son los valores de s que hacen que
DG (s)DH (s) sea cero, es decir son iguales a los polos de   G(s)H (s). Por esta
razón también podemos definir el tipo de sistema  como el número de polos en
s = 0 que tenga G(s)H (s).

5.1.2. Caso discreto

Consideraciones similares pueden hacerse para el caso discreto. Si el sistema
realimentado es estable 2 , el error de estado estacionario de un sistema como el
de la figura 5.2 será
eee   = lı́m e(k) (5.12)
k →∞
donde   eee   es el error de estado estacionario, y   e(k) es la señal de error en el
dominio del tiempo, es decir e(k) = −1 E (z) Z  { }
El teorema de valor final  de la transformada   provee una forma de calcular Z 
eee :

eee   = lı́m e(k) = lı́m (z

k→∞ z →1
{ − 1)E (z)}   (5.13)

2 La determinación de la estabilidad de los sistemas realimentados discretos se estudia en

la sección 5.3

92
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

Tipo u(k) =  µ(k)   u(k) = kµ(k)   u(k) =  k 2 µ(k)   ···

de
sistema
U (z) =   U (z) =   U (z) = ···  
z/(z 1) −   − z/(z 1)2 z(z + 1)/(z 1)3
−
0   lı́mz 1 {zF E (z )}
→   n∞ o ∞ · ··
  z
1 0   lı́mz 1
→
(z −1) F  (z )
E   n∞ o ···
z (z +1)
2 0 0   lı́m
z →1 F  (z )   ···
(z −1)2 E

.. .. .. ..   ..
. . . . .

Tabla 5.2:  Error de estado estacionario para sistemas discretos

o lo que es igual,

eee   = lı́m e(k) = lı́m (z

k →∞ z →1
{ − 1)F  (z)U (z)}
E    (5.14)

Ahora el valor de   eee  depende del numero de ceros y polos en   z   = 1 que

tengan F E (z) y U (z). Por lo tanto, definimos tipo de sistema  como el número
de ceros en  z = 1 que tenga  F E (z) y construimos la tabla 5.2. Nótese que las
entradas u(k) que se han empleado son aquellas cuyas transformadas de Laplace
tienen términos (z 1)n en el denominador.
−
De acuerdo con (5.8), los ceros de  F E (z) son los valores de z  que hacen que
DG (z)DH (z) sea cero, es decir son iguales a los polos de   G(z)H (z). Por esta
razón también podemos definir el tipo de sistema  como el número de polos en
z = 1 que tenga  G(z)H (z).

5.2. Estabilidad y criterios de estabilidad en sis-

temas continuos
En este capı́tulo empleamos la definición de  estabilidad de entrada acotada 
- salida acotada 3 , tambien conocida como estabilidad BIBO por sus siglas en
inglés (Bounded Input - Bounded Output).
Un sistema dinámico es BIBO estable si cualquier entrada acotada produ-
ce una salida acotada. En otras palabras, si ante entradas de valor fininto la
respuesta (su valor absoluto) no tiende a infinito.
La figura 2.3 muestra que las funciones continuas cuyos valores absolutos
crecen indefinidamente tienen sus polos en el semiplano derecho. Si una función
de transferencia tiene uno de sus polos en esa zona la respuesta natural tenderá
a infinito, independientemente del valor de la entrada, y por tanto el sistema
sera inestable.
3 Existen varias definiciones de estabilidad de sistemas dinámicos; afortunadamente para los

sistemas lineales todas ellas son equivalentes y podemos adoptar indistintamente cualquiera
de ellas.

93
 

OSCAR G. DUARTE

En consecuencia, para asegurar que un sistema dinámico lineal sea estable,

todos los polos de su función de transferencia deben estar en el semiplano iz-
quierdo. Basta con que un polo esté en el semiplano derecho para que el sistema
sea inestable. Si existe un polo en el eje imaginario, es decir, en la frontera en-
tre los semiplanos derecho e izquierdo, se dice que el sistema es marginalmente
estable.

5.2.1. Arreglo y criterio de Routh-Hurwitz

Dado que la estabilidad de un sistema dinámico está determinada por la
ubicación de los polos de su función de transferencia, es decir por la ubicación
de las raı́ces de un cierto denominador, planteamos ahora el siguiente problema:
¿C´ 
omo determinar si las raı́ces de un polinomio como (5.15) est´ 
an 
ubicadas todas en el semiplano izquierdo? 

 p(s) =  a n sn + an−1 sn−1 + ··· + a1s + a0   (5.15)

Antes de contestar esta pregunta, hacemos notar lo siguiente:
Si (5.15) tiene coeficientes de signos diferentes, o coeficientes cero, entonces
tiene al menos una raiz en el semiplano derecho o en el eje imaginario.
Si (5.15) tiene todos sus coeficientes del mismo signo, no podemos extraer
conclusiones a priori sobre la ubicación de sus raı́ces.
Para demostrar lo anterior, supóngase primero que (5.15) tiene sólo raı́ces
reales, y por tanto puede factorizarse asi:

− α1)(s − α2) ··· (s − α )

 p(s) =  A(s n (5.16)

Si las raı́c es α  son todas negativas, los términos  −α  serán todos positivos,
i i
y en general el producto (s − α1 )(s − α2 ) ··· (s − α ) tendrá todos los coeficientes
n
positivos. De esta forma, los coeficientes de (5.15) serán todos positivos o todos
negativos, dependiendo del signo de  A en (5.16). Por esta razón, si  p(s) tiene
coeficientes de signos diferentes o cero, necesariamente al menos un término α i −
debe ser negativo, lo que implicarı́a que tendrı́a al menos una raiz positiva (en
el semiplano derecho).
Ahora supóngase que (5.15) tiene dos raı́ces complejas conjugadas:

 p(s) =  A(s − (δ  + jω))(s − (δ  − jω))(s − α3) ··· (s − α n) (5.17)

El producto de los términos que tienen que ver con las raı́ces complejas es:

(s − (δ  + jω))(s − (δ  − jω)) =  s 2 − 2δs + (δ 2 + ω2) (5.18)

Si δ < 0, es decir si las raı́ces están en el semiplano izquierdo, ( 5.18) tendrá
sólo coeficientes positivos, y por tanto (5.15) tendrá todos sus coeficentes del
mismo signo (positivos si A  es positiva y negativos si  A  es negativa).

94
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

sn an   an−2   ···   a1
sn−1 an−1   an−3   ···   a0
sn−2
..
.
s1
s0

Figura 5.3: Arreglo de Routh. Primeras dos lı́neas

..
.
si+2 a1   a2   a3   ···
si+1 b 1   b2   b3   ···
si c1   c2   c3   ···
..
.

Figura 5.4: Arreglo de Routh. Dos lı́neas genéricas

Como consecuencia de lo anterior, si (5.15) tiene coeficientes de signos di-

ferentes, o cero, podemos asegurar que tiene una o más raı́ces en el semiplano
derecho o en el eje imaginario. Si por el contrario tiene todos los coeficientes
de igual signo, es necesario realizar otro tipo de pruebas antes de establecer
la ubicación de sus raı́ces. Una de esas pruebas se conoce como la prueba de
Routh-Hurwitz , para lo cual es necesario primero construir un arreglo especı́fico
con los coeficientes de (5.15)

Construcción del arreglo de Routh

Dado un polinomio p(s) como (5.15)
Es posible construir el  arreglo de Routh   de p(s) a partir de los coeficientes
ai  que aparecen en (5.15). Para ello, inicialmente construimos el arreglo que se
muestra en la figura 5.3. A continuación, se completa el arreglo de Routh lı́nea
por lı́nea, siguiendo las siguientes indicaciones.

Cada nueva lı́nea se construye con información de las dos lı́neas inmedia-
tamente anteriores.
−
Para calcular el término   j ésimo de una lı́nea (cj   en la figura 5.4) se
efectúa la operación  
a1   aj+1
b1   bj +1
cj  = −b1
(5.19)

Ejemplo 5.4  Considere el polinomio

 p(s) =  s 5 + s4 + 3s3 + 9s2 + 16s + 10 (5.20)

95
 

OSCAR G. DUARTE

s5 1 3 16
s4 1 9 10
s3 c1   c2   c3
s2 d1   d2   d3
s1 e1   e2   e3
s0 f 1   f 2   f 3

Figura 5.5:  Arreglo de Routh del ejemplo 5.4. Primeras dos lı́neas

s5 1 3 16
s4 1 9 10
s3 −6 6
s2 10 10
s1 12
s0 10

Figura 5.6:  Arreglo de Routh del ejemplo 5.4

La figura 5.5 muestra las dos primeras lı́neas del arreglo de routh para (5.20)
Los valores de la lı́nea correspondiente a s 3 se calculan asi:
1 3
 
1 16

1 9 1 10
c1  = − 1
  = −6   c2  = − 1
  =6

No es necesario calcular  c3 , porque ya no hay más columnas en las dos primeras
lı́neas, y por lo tanto el resultado será 0.
Para la lı́nea correspondiente a  s2 se tiene:
 1 9
  1 10

d1  = −− 6 6
−6
  = 10   d2  = −− 6 0
−6
  = 10

Para la lı́nea correspondiente a  s1 :

−6 6

10 10
e1  = − 10
  = 12

Y para la lı́nea correspondiente a  s 0 :


10 10

12 0
f 1  = − 12
  = 10

El resultado es el arreglo que se muestra en la figura 5.6

Es conveniente resaltar algunos aspectos de la construcción del arreglo

96
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

s2 1   K  + 2
s1 3
s0 K  + 2

Figura 5.7:  Arreglo de Routh del ejemplo 5.5

El número de filas del arreglo disminuye progresivamente: cada dos filas

se disminuye una columna.

El término que está en la última columna justo antes de desaparecer ésta

es siempre el mismo (es 10 en la figura 5.6), debido a que éste se calculará
siempre como  
a b
c   0
− c
  = b

Criterio de Routh-Hurwitz
El criterio de Routh-Hurtwiz puede expresarse asi:

Criterio de Routh-Hurwitz
El número de raı́ces de (5.15) en el semiplano derecho es igual al número
de cambios de signo que se suceden en la primera columna del arreglo
de Routh de dicho polinomio.

Retomando el ejemplo 5.20, el polinomio (5.20) tiene dos raı́ces en el semi-

plano derecho, ya que su arreglo de Routh (figura 5.6) tiene dos cambios de
 −
signo en la primera columna: uno al pasar de 1 a 6, y otro al pasar de 6 a  −
10.
Miremos ahora el sistema realimentado de la figura 5.1. La función de trans-
ferencia, y por lo tanto sus polos, dependen de la variable K , como claramente
se establece en (5.5). La utilización del criterio de Routh-Hurwitz permite esta-
blecer condiciones en la varible K  para que el sistema realimentado sea estable.
Esto podemos verlo mediante los ejemplos 5.5, 5.6 y 5.7:

Ejemplo 5.5   Supóngase que en el sistema de la figura 5.1 se tiene que

  1   1
G(s) =   H (s) =
s+2 s + 1
La función de transferencia del sistema realimentado es
  KG(s)   K (s + 1)
F (s) =  = 2
1 + KG(s)H (s) s + 3s + (K  + 2)

El arreglo de Routh para el polinomio del denominador   s2 + 3s + (k + 2)  se

muestra en la figura 5.7.

97
 

OSCAR G. DUARTE

s3 1 11
s2 6 6 + K 
  60 K 
−
s1 6
s0 6 + K 

Figura 5.8:  Arreglo de Routh del ejemplo 5.6

Para que todas las raı́ces estén en el semiplano izquierdo, y por lo tanto el
sistema sea estable, se necesita que todos los signos de la primera columna sean
iguales, y por lo tanto:
K  + 2 > 0   K > 2 −
 −
Podemos concluir que para cualquier valor de  k  superior a 2 el sistema será
 −
estable, y para cualquier valor menor que 2 será inestable. Justo cuando k  = 2 −
el sistema tendrá estabilidad Marginal.

Ejemplo 5.6   Supóngase que en el sistema de la figura 5.1 se tiene que

  1   1
G(s) =   H (s) =
(s + 1)(s + 2) s + 3
La función de transferencia del sistema realimentado es
  KG(s)   K (s + 3)
F (s) =  = 3   (5.21)
1 + KG(s)H (s) s + 6s2 + 11s + (6 + K )

El arreglo de Routh para el polinomio del denominador s 3 + 6s2 + 11s +(6+ K )
se muestra en la figura 5.8.
Para que todas las raı́ces estén en el semiplano izquierdo, y por lo tanto el
sistema sea estable, se necesita que todos los signos de la primera columna sean
iguales, y por lo tanto:

60 − K > 0   y   6 + K > 0

−
Podemos concluir que para cualquier valor de   K   en el intervalo   ( 6, 60)   el
sistema será estable, y para cualquier valor por fuera de ese intervalo será inestable.
−
Justo cuando K  = 6 o K  = 60  el sistema tendrá estabilidad Marginal.

Ejemplo 5.7   Supóngase que existe un sistema dinámico continuo cuya función de
transferencia tiene el siguiente denominador

DF (s) = s 3 + 3Ks2 + (K  + 2)s + 4

El arreglo de Routh correspondiente se muestra en la figura 5.9.

Para que el sistema sea estable se necesita que todos los términos de la primera
columna sean del mismo signo, por lo tanto deben cumplirse las siguientes dos
condiciones   
  3K > 0
3K 2 +6K −4
3K    > 0

98
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

s3 1   K  + 2
s2 3K    4
2
  3K  +6K  4 −
s1 3K 
s0 4

Figura 5.9:  Arreglo de Routh del ejemplo 5.7

4
s 1 2 3
s3 1 2
s2 0 3
s1
s0

Figura 5.10:  Arreglo de Routh con cero en la primera columna. Arreglo incompleto

La segunda condición podrı́a darse si tanto numerador como denominador son

del mismo signo, sin embargo descartamos la opción de que ambos sean negativos,
porque la primera condición impone que el denominador sea positivo, es decir las
dos condiciones son:
   K > 0
3K 2 + 6K  4 > 0 −
 −
La segunda condición se cumple si   K < 2.52   o   K >   0.52. De estas dos
posibilidades descartamos la primera, debido a que   K   debe ser positivo. Por lo
tanto, aseguramos que el sistema sea estable si y sólo si K > 0.52

Problemas en la construcción del arreglo de Routh

Debido a que los términos del arreglos de Routh se calculan como está indi-
cado en (5.19), surge una dificultad cuando en la primera columna aparece un
cero, pues para calcular los términos de las columnas siguientes será necesario
dividir por cero. Tal es el caso del polinomio

 p(s) =  s4 + s3 + 2s2 + 2s + 3

cuyo arreglo de Routh se muestra (parcialmente) en la figura 5.10.

Para calcular los términos de la siguiente columna serı́a necesario dividir por
cero. Una estrategia para obviar este problema consiste en remplazar 0 por  ε,
completar el arreglo, y luego analizar el lı́mite cuando   ε  tiende a cero por la
derecha. En esas condiciones, el arreglo de Routh será como el que se muestra
en la figura 5.11. Cuando  ε  →   0+, el arreglo resulta ser como el de la figura
5.12, y por lo tanto el polinomio tiene dos raı́ces en el semiplano derecho.
Una dificultad mayor surge cuando todos los términos de una fila se hacen
cero. Este hecho se conoce como la  terminaci´  on prematura del arreglo, y está
relacionada con polinomios cuyas raı́ces están ubicadas en forma simétrica res-
pecto al origen, como por ejemplo cuando existen raı́ces en el eje imaginario.

99
 

OSCAR G. DUARTE

s4 1 2 3
s3 1 2
s2 ε   3
s1 2 − 3 ε
s0 3

Figura 5.11:  Arreglo de Routh con cero en la primera columna. Aproximación

s4 1 2 3
s3 1 2
s2 0+ 3
s1 −∞
s0 3

Figura 5.12:  Arreglo de Routh con cero en la primera columna. Arreglo completo

Tal es el caso del polinomio

 p(s) =  s 5 + s4 + 5s3 + 5s2 + 4s + 4

cuyo arreglo de Routh se muestra (parcialmente) en la figura 5.13.

La estrategia a emplear en este caso consiste en escribir el polinomio  p(s)
ˆ
que se obtiene con los coeficientes de la fila inmediatemente superior a la que
quedó con ceros; el orden del primer monomio está dado por el término a la
izquierda de la lı́nea vertical (s4 en el ejemplo) y el de los demás monomios se
decrementa en dos:
ˆ =  s 4 + 5s2 + 4
 p(s)

Este polinomio resulta ser un divisor exacto de   p(s) (puede comprobarse que
 p(s) =  p(s)(s +
ˆ 1)). El arreglo de Routh lo continuamos remplazando la fila de
ceros por los coeficientes de la derivada de  p(s):
ˆ

dˆ
 p(s)
  = 4s3 + 10s
ds

El arreglo resultante se muestra en la figura 5.14

s5 1 5 4
s4 1 5 4
s3 0 0
s2
s1
s0

Figura 5.13:  Arreglo de Routh con terminación prematura. Arreglo incompleto

100
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

s5 1 5 4
s4 1 5 4
s3 4 10
s2 2.5 4
s1 3.6
s0 4

Figura 5.14:  Arreglo de Routh con terminación prematura. Arreglo completo

5.2.2. Lugar geométrico de las raı́ces

De acuerdo con la ecuación (5.5) los polos de la función de transferencia de
un sistema como el de la figura5.1 dependen del valor de K . El  lugar geométrico
de las raı́ces , o simplemente root-locus  es el gráfico en el plano s de la ubicación
de los polos de (5.5) conforme K  varia de cero a infinito (K   : 0 ). →∞
Se define también el root-locus complementario  como el gráfico en el plano s
de la ubicación de los polos de (5.5) conforme K  varia de menos infinito a cero
(K  :−∞ → 0)

Ejemplo 5.8   Supóngase que en el sistema de la figura 5.1 los bloques G(s) y H (s)

son:
  1   1
G(s) =   H (s) =
(s + 1) (s + 3)
De tal manera que la función de transferencia del sistema realimentado es
  K (s + 3)
F (s) =   (5.22)
s2 + 4s + (3 + K )

Los polos de 5.22 estarán dados por

 p1,2  =
 −4 ±   −
16 4(3 + K )
  = −2 ± √ 1 − K    (5.23)
2
La tabla 5.3 muestra el valor de p 1,2  para diversos valores positivos de K , según
(5.23). La figura 5.15 muestra cómo varı́a la ubicación de los polos de (5.22): en
 ∞
rojo se muestra qué sucede al variar K   de  0 a   es decir, lo que corresponde al
root-locus; en azul se muestra el efecto de variar  K  de menos infinito a cero, lo que
corresponde al root-locus complementario.

Determinación de la estabilidad
Si nos referimos a la ecuación (5.5), encontramos que la condición para los
polos de F (s) será

DG (s)DH (s) + KN G (s)N H (s) = 0

N G (s)N H (s)
DG (s)DH (s)
 = −  1K    G(s)H (s) = −  1K    (5.24)

101
 

OSCAR G. DUARTE

K p1   p2
−8   −5 1
−3   −4 0
0   −3   −1
0.75   −2.5   −1.5
1   −2   −2
2   −2 + j   −2 − j
5   −2 + 2 j   −2 − 2 j

Tabla 5.3:  Polos de la función de transferencia del ejemplo 5.8

Im(s)

1
Re(s)

−5 −4 −3 −2 −1 1 2 3 4
−1
−2

Figura 5.15:  Root-ocus (en rojo) y root-locus complementario (en azul) del ejemplo
5.8

102
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

Es importante hacer notar que la condición expresada en (5.24) está dada

en términos de la ganancia de lazo abierto   G(s)H (s) en lugar de la función de
transferencia del sistema realimentado (5.5). Dado que   G(s) es un complejo,
(5.24) puede escribirse en términos de su magnitud y ángulo:

|G(s)H (s)| =  |K 1 |   arg[G(s)H (s)] =

± 180o K > 0
  (5.25)
0o K < 0

De acuerdo con (5.25), si un valor  s0  forma parte del root-locus, entonces
arg[G(s0 )H (s0 )] = 180o; además, podemos saber cuál es el valor de   K   que
 ±
hace que la rama del root-locus pase justamente por s 0 , pues K  = |G (s0 )1H (s0 )| ;
| |
como K   es positiva (estamos suponiendo que s 0  está en el root-locus) entonces
K   = |G (s0 )1H (s0 )| .
Si por el contrario, s 0  forma parte del root-locus complementario, entonces.
arg[G(s0 )H (s0 )] = 0o ; el valor de K   que hace que la rama del root-locus pase
 justamente por   s0 , será tal que pues K    = |G (s0 )1H (s0 )| ; como   K   es negativa
 | |
(estamos suponiendo que s0  está en el root-locus complementario) entonces  K  =
  1
− |G(s0 )H (s0 )| .
Ejemplo 5.9   Si tomamos el ejemplo de la figura 5.15, podemos conocer cuál es el
valor de K  que hace que la rama del root-locus complementario que viene desde ∞
llegue a 0. Este valor será justamente:

K   = − |G(s  0)H 

1
(s0 )|
 = −
  1
1 = −3
(0+1)(0+3)

De esta manera, podemos concluir que para valores de   K   menores que 3  −
siempre habrá un polo en el semiplano derecho, y por lo tanto el sistema será
 −
inestable. Para valores K  mayores que 3 todas las ramas del root-locus están en
el semiplano izquierdo, y por lo tanto el sistema será estable.

Ejemplo 5.10   Supóngase que en la figura 5.1 los valores de  G(s) y H (s) son

  1   1
G(s) =   H (s) =   (5.26)
(s + 1)(s + 2) (s + 3)

La figura 5.16 muestra los diagramas de Root-Locus y Root-Locus complemen-

tario para (5.26). Nótese como una rama del root locus complementario (en azul)
∞
viene desde + por el eje real, y pasa del semiplano derecho al semiplano izquierdo.
Esto significa que para valores de  K  muy negativos el sistema realimentado tiene
un polo en el semiplano derecho y por lo tanto es inestable.
Sin embargo, conforme K  aumenta y se acerca a  0 el polo que origina la inesta-
bilidad se desplaza a la izquierda, y en algún momento pasa al semiplano izquierdo
y por lo tanto el sistema realimentado deja de ser inestable. Para determinar cuál
es el valor de K  en el que sucede esta transición, observamos que la rama cruza el
eje imaginario justo en s  = 0 + j0. De acuerdo con 5.25 tenemos:

103
 

OSCAR G. DUARTE

Imag. axis Evans root locus

0 +  j 3.316
3

× × × 0 +  j 0
0
× × ×

−1

−2

−3
0 − j3.316

−4 Real axis
−4 −3 −2 −1 0 1 2
closed−loop poles loci
root locus
×
open loop
asymptotic
open
asymptoticpoles
loopdirections
poles
directions
×

root locus complementario

Figura 5.16:  Diagramas de Root Locus para el ejemplo 5.10

104
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

|G(s)H (s)| =  |K 1 |   = |(0 + j0 +  1)(0 + j01 + 2)(0 + j0 + 3)|   =   61   (5.27)

|K | = 6 (5.28)
La ecuación (5.28) establece cuál es el valor absoluto de   K   que hace que la
rama del root-locus complementario pase del semiplano derecho al izquierdo. Como
sabemos que se trata de valores negativos de  K  podemos establecer que para K <
− −
6 el sistema realimentado es inestable, mientras que para 6 < K  0 es estable.  ≤
Si observamos ahora el diagrama de root-locus (en rojo) observamos que existen
dos ramas (simétricas respecto al eje horizontal) que nacen en el semiplano izquierdo
y pasan al semiplano derecho. Esto significa que para valores pequeños de   K   el
sistema realimentado es estable, pero a partir de algún valor positivo de K  se torna
en inestable.
Las dos ramas cruzan el eje imaginario simultaneamente, asi que para determinar
el momento en el que sucede la transición basta con estudiar una de ellas. Tomemos
por ejemplo la rama superior, que cruza el eje imaginario en  0 + j3.316. El valor de
K   en el que esto sucede puede determinarse empleando 5.25:

1   1  1
|K |   = |(0 + j3.316 + 1)(0 + j3.316 + 2)(0 + j3.316 + 3)|   = 60   (5.29)
|K | = 60 (5.30)
Según la ecuación (5.30) para 0 ≤ K < 60 el sistema retroalimentado es estable,
y para K > 60  es inestable.
Combinando esta información con la que se obtuvo al analizar el root-locus
complementario puede concluirse que el sistema realimentado es estable si y sólo si
 ∈ −
K  ( 6, 60)

Reglas de construcción de los diagramas

La figura 5.15 ha sido construida a partir de la expresión exacta de la ubi-
cación de los polos, dada por (5.23). No obstante, podrı́a haberse empleado un
método diferente, ya que existen varias reglas constructivas , que permiten tra-
zar manualmente el root-locus y el root-locus complementario de funciones de
transferencia de orden superior, con un alto grado de precisión.
Estas reglas constructivas, algunas de las cuales se han resumido en la tabla
5.54 , se basan en la ecuación (5.5). En el ejemplo 5.11 se muestra cómo se
emplean estas reglas.

Ejemplo 5.11   Trazar el root-locus y el root-locus complementario de

  s+1
G(s)H (s) =
s(s + 4)(s2 + 2s + 2)
4 n = número de polos de G(s)H (s); m  = número de ceros de  G(s)H (s)

105
 

OSCAR G. DUARTE

Regla root-locus root-locus complementa-

rio
R1  : número de n n
ramas
R2  : Inicio de las Polos de   G(s)H (s) (o en Ceros de   G(s)H (s) (o en
ramas ∞ ) ∞ )
R3   : Fin de las ra- Ceros de   G(s)H (s) (o en Polos de   G(s)H (s) (o en
mas ∞ ) ∞ )
R4  : Intervalos A la izquierda de un nú- A la izquierda de un nú-
del eje real mero impar de polos y ce- mero par de polos y ceros
ros de G(s)H (s) de G(s)H (s)
R5  : Número de | − |
n m | − |
n m
ramas que
van hacia
(o vienen
desde)  ∞
R6  :   Ángulos de θi   =   |n2i−+1
m| 180
o
i = θi   =  |n−
2i
m| 180
o
i =
las rectas ··· | − |
0, 1,  , n m ··· | − |
0, 1,  , n m
ası́n totas
n
P polos de m
R7  : Centroide σ = −P
 G (s)H (s) ceros de  G (s)H (s)
| − |
n m
de las rectas
ası́n totas

Tabla 5.5:  Reglas de construcción para el root-locus y el root-locus complementario

106
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

Para trazar el diagrama de root-locus, comenzamos por ubicar en el plano com-

plejo los polos y ceros de G(s)H (s) (figura 5.17(a)). De acuerdo con la Regla  R 4 ,
podemos definir qué intervalos del eje real forman parte del root locus y cuales
del root locus complementario (figura 5.17(b)). Las reglas  R2   y  R3  nos permiten
determinar si las ramas del eje real llegan o salen de los ceros y polos de  G(s)H (s)
(figura 5.17(c))
−
Según la regla R 5 , deberán existir 4 1 = 3 ramas que van al infinito en el root
locus, y otras 3 ramas que vienen desde el infinito en el root locus complementario.
Estas ramas serán ası́ntotas a unas rectas que cruzan el eje real en el centroide σ,
que según la regla R 7   será:

σ =
− −
 ((0) + ( 4) + ( 1 + j) + ( 1 − − j)  − (−1) = −5
4 1− 3

Podemos calcular los ángulos de esas rectas siguiendo la regla R 6  (figura 5.17(d))

i   RL RLC
0   θ0  =   24i−+11
 180 = 60
o o
θ0  =  42−i1 180 = 0
o o

1   θ1  =   24i−+1
1 180 = 180
o o
θ1  =  42−i1 180 = 120
o o

2   θ2  =   24i−+1
1 180 = 300
o o
θ2  =  42−i1 180 = 240
o o

Con esta información podriamos trazar parte de las ramas que van o vienen al
infinito (figura 5.17(e)), pero serı́a necesario emplear otras reglas, o programas de
simulación, para obtener los diagramas completos (figura 5.17(f))

5.2.3. Diagramas y criterio de Bode

El análisis del lugar geométrico de las raı́ces permite establecer la ubicación
de los polos de un sistema como el de la figura 5.1 conforme cambia el valor de  K .
Si estamos interesados en estudiar la estabilidad del sistema, debemos analizar
los puntos en los cuales las ramas del root-locus y el root locus complementario
cruzan el eje imaginario, pues es en ese punto en donde los polos pasan del
semiplano izquierdo al derecho, o viceversa, y por lo tanto son los puntos en
donde puede cambiar la estabilidad del sistema realimentado.
Además, el root-locus es simétrico respecto al eje horizontal, por lo cual
basta con estudiar en qué momento las ramas atraviesan una de las dos mitades
del eje imaginario, generalmente la mitad positiva.
Este hecho sugiere otra posibilidad de estudiar la estabilidad de los sistemas
realimentados: En lugar de estudiar en d´  onde est´ an ubicadas las ramas del root-
locus en todo el plano complejo, centrar nuestra atenci´  on unicamente
´  en el eje 
imaginario positivo, y detectar cu´  ando es atravesado por alguna rama del root-
locus .
Recordemos que de acuerdo con (5.25) los puntos del plano complejo que
forman parte del root-locus son tales que al evaluar en ellos la función G(s)H (s)
el ángulo del número complejo resultante debe ser 180o o 0o .
 ±
107
 

OSCAR G. DUARTE

Im (s) Im(s)

 
× Re(s) 
× Re(s)
× × × ×
× ×

(a) Primer paso (b) Segundo paso

Im (s) Im(s)


× Re(s) 
× Re(s)
× × × ×
× ×

(c) Tercer paso (d) Cuarto paso

Im (s) Im(s)


× Re(s) 
× Re(s)
× × × ×
× ×

(e) Quinto paso (f) Sexto paso

Figura 5.17:  Root-locus (en rojo) y root-locus complementario (en azul) del ejemplo
5.11

108
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

De acuerdo con lo anterior, los puntos en donde puede cambiar la estabilidad

del sistema realimentado coincide con aquellos puntos  jω  del eje imaginario en
donde

{
arg G( jω)H ( jω) = }
± 180o
  (5.31)
0o
Para encontrar cuáles son los valores de ω  que satisfacen (5.31) pueden tra-
zarse los diagramas de bode 5 de G(s)H (s) y buscar gráficamente en el diagrama
de fase cuáles son los puntos en donde el ángulo de G( jω)H ( jω) vale 180 o o  ±
0o , tal como se muestra en la figura 5.18 6.
Para determinar los valores de K   en los cuales la rama del root-locus atra-
viesa el eje imaginario, puede emplearse nuevamente
(5.25):
 1
|
G( jω)H ( jω) = | | |
K 
  (5.32)

| |
El valor de G( jω)H ( jω) puede leerse (en decibeles) en el diagrama de bode
de magnitud, tal como se muestra en la figura 5.18. A partir de ese valor, y
empleando (5.32) puede determinarse los valores de K  para los cuales una rama
del root-locus atraviesa el eje imaginario (K c  en la figura 5.18).

Márgenes de estabilidad
Las ecuaciones (5.31) y (5.32) establecen dos condiciones que deben cumplir
los puntos jω   del plano complejo para formar parte del root-locus o del root-
locus complementario; una de las condiciones hace referencia a la   gananacia   de
G(s)H (s) y la otra a su fase . La idea de los m´ 
argenes de estabilidad  consiste en
suponer que k  = 1, y explorar qué margen se tiene cuando se cumple una de
esas condiciones:

Margen de ganancia:  El margen de ganancia consiste en el menor valor por

el que se debe amplificar la ganancia de  G(s)H (s) cuando se satisface la
condición (5.31), para que simultáneamente se cumpla la condición (5.32).
Para el caso en que  K > 0, el margen de ganancia puede leerse (en deci-
beles) en los diagramas de bode como el valor negativo de la ganancia a
la frecuencia en la que la fase es de 180o.
 ±
Para el caso en que  K < 0, el margen de ganancia puede leerse (en deci-
beles) en los diagramas de bode como el valor negativo de la ganancia a
la frecuencia en la que la fase es de 0o .

Margen de fase:  El margen de fase consiste en el menor valor que se le debe
sumar al ángulo de G(s)H (s) cuando se satisface la condición (5.32), para
que simultáneamente se cumpla la condición (5.31)
5 ver apéndice B
6 Existe un método gráfico caido en desuso para calcular F ( jω) a partir de G( jω) cuando

K  =  H (s) = 1. Ese método se basa en las cartas de Nichols, presentadas en el apéndice C

109
 

OSCAR G. DUARTE

Diagrama de Bode de magnitud

 j ω̂ ω
root-locus:  K > 0  K < 0

1
 j ω̂ |K c |

 j ω̄ ω
0o
 j ω̄  j ω̂

180o

Diagrama de Bode de fase

Figura 5.18:  Relación entre el root-locus y los diagramas de Bode

Para el caso en que K > 0, el margen de fase puede leerse en los diagramas
de bode como 180 o φ, donde φ es el ángulo a la frecuencia en la que la
−
ganancia es de 0db.
Para el caso en que K < 0, el margen de fase puede leerse en los diagramas
−
de bode como φ, donde φ es el ángulo a la frecuencia en la que la ganancia
es de 0db.

Ejemplo 5.12   Supóngase que en el sistema de la figura 5.1 los bloque G(s) y H (s)

son:
  1   1
G(s) =   H (s) =   (5.33)
(s + 1)(s + 2) (s + 3)
La figura 5.19 muestra los Diagramas de Bode de  G(s)H (s). Según (5.31) los
puntos en los cuales puede cambiar la estabilidad del sistema realimentado son
aquellos en los que el ángulo de G( jω)H ( jω) es  0 o es 180 .
o
 ± o

Al observar la figura 5.19 notamos que el ángulo de  G( jω)H ( jω)   es 180  − o

para una frecuencia de  0.528Hz, es decir para ω  = 2π0.528 = 3.316rad/s. En esa

−
frecuencia el valor de la magnitud de  G( jω)H ( jω) es de 35.56db, lo que significa
que la magnitud de K , en decibeles, para la cual una rama del root-locus atraviesa
el eje imaginario es tal que | K |1 = 35.56, lo que equivale a:
en db
−
1 |K|en db |K|en db −35.56

|K |  = 10 20 |K | = 10− 20 |K | = 10− 20 = 60

110
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

Magnitude
db
10
−15.56db
−35.56db −30

−70

−110

−150

−190
Hz
−230
−3 −2 −1 0 1 2 3
10 10 10 10 10 10 10
0.528Hz
Phase
degrees
20
−20
−60
−100
−140
−180o−180

−220
−260
Hz
−300
−3 −2 −1 0 1 2 3
10 10 10 10 10 10 10

Figura 5.19:  Diagramas de Bode para un ejemplo

111
 

OSCAR G. DUARTE

como K > 0  (hemos encontrado una rama del root locus) entonces K  = 60.
También debemos buscar los puntos para los cuales el ángulo de G( jω)H ( jω)
es 0 . En la figura 5.19 se observa que el diagrama de fase es asintótico a  0 , es
o o

decir, que para ω = 0 el ángulo de  G( jω)H ( jω) es 0 . El diagrama de magnitud

o

 −
de G( jω)H ( jω) es asintótico a 15.56db, lo que significa que la magnitud de K ,
en decibeles, para la cual una rama del Root-Locus complementario atraviesa el eje
imaginario es tal que | K |1 = 15.56, lo que equivale a:
en db
−
1 |K|
en db |K|en db −15.56

| | K 
 = 10 20 |K | = 10− 20 |K | = 10− 20 =6

como K < 0 (hemos encontrado una rama del root locus complementario) entonces
K  = 6. −
Hemos encontrado los valores de   K  para los cuales un polo cruza el eje ima-
 −
ginario, y han resultado ser 6   y   60. Esto significa que al variar   K   desde  −∞
 ∞
hasta , la estabilidad del sistema realimentado sólo puede cambiar en 6 y 60.  −
En consecuencia, podemos definir tres intervalos para K  en los cuales la estabilidad
es constante; para conocer la estabilidad de cada intervalo basta con determinar la
de uno de sus puntos:
K  ( ∈ −∞ −
, 6): Seleccionamos K  = −10 de tal manera que el denominador
de (5.21) se convierte en
s3 + 6s2 + 11s −4
Como el denominador tiene coeficientes de signos diferentes al menos tiene
una raiz en el semiplano derecho, y en consecuencia el sistema realimentado
es inestable.
 ∈ −
K   ( 6, 60): Seleccionamos K   = 0 de tal manera que el denominador de
(5.21) se convierte en
s3 + 6s2 + 11s + 6 = (s + 1)(s + 2)(s + 3)

Las raices del denominador son negativas ( 1, − −2 y −3) , y en consecuencia

el sistema realimentado es estable.
 ∈ ∞
K  (60, ): Seleccionamos K  = 100 de tal manera que el denominador de
(5.21) se convierte en
s3 + 6s2 + 11s + 106
 − ±
cuyas raices son 6.71   y   .36  j3.96, es decir que tiene dos raices en el
semiplano derecho y en consecuencia el sistema realimentado es inestable.

5.2.4. Diagrama y criterio de Nyquist

Para poder presentar el criterio de Nyquist, es conveniente recordar antes el
principio del argumento, que puede explicarse a partir de la metodologı́a gráfica
para calcular el valor de una función compleja racional.

112
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

c1

( s0     − 
c  
1  ) 
 p1 c     
s0
×
1     

 s  0
 p3
×

 p2×

 

c2

Figura 5.20:  Determinación gráfica del valor de una función de transferencia

racional

Determinación gráfica del valor de una función compleja racional

Supóngase una función compleja F (s) que puede escribirse como una razón
de polinomios:
  a0  + a1 s1 + + am sm ···
F (s) =   (5.34)
b0  + b1 s1 + + bn sn ···
Al factorizar los polinomios, la ecuación (5.34) podrá escribirse como

F (s) =  A
(s − c1)(s − c2) ··· (s − c m)
  (5.35)
(s − p1)(s − p2) ··· (s − p n)

Si se quiere calcular el valor de  F (s) para un valor especı́fico de s, digamos

s0 , es decir, si se quiere calcular  F (s0 ), basta con remplazar s  por s 0 :

F (s0 ) =  A
(s0 − c1)(s0 − c2) ··· (s0 − c m)
  (5.36)
(s0 − p1)(s0 − p2) ··· (s0 − p n)

Cada uno de los paréntesis que aparecen en (5.36) puede determinarse de

forma gráfica, tal como se explica a continuación: La figura 5.20 muestra el
diagrama de polos y ceros de una función de transferencia F (s) hipotética; en
dicho diagrama se observa que el vector (s0 c1 ) corresponde al vector que va−
desde c 1  hasta s0 . La magnitud y el ángulo de dicho vector pueden medirse en
la gráfica, y corresponderı́a al primero de los paréntesis de (5.36).
De forma similar podrı́a procederse con cada uno de los paréntesis de (5.36),
de tal manera que una forma de calcular la magnitud y el ángulo de F (s 0 ) serı́a :

|F (s0 )| = |A|

m
n
Magnitudes de los vectores que van de ceros a  s 0
(5.37)
Magnitudes de los vectores que van de polos a  s 0

113
 

OSCAR G. DUARTE

Plano s  Plano F 
2 2

s0 F (s) F (s0 )
1 

1 

 

−2 −1 1 2 −2 −1 1 2
−1 −1
−2 −2

Figura 5.21:  Plano   s  y Plano   F 

arg F (s0 ) = arg A +

n
 m
Ángulos de los vectores que van de ceros a  s 0
− Ángulos de los vectores que van de polos a s 0
(5.38)
siendo arg A = 0o si A > 0 o argA = 180o si A < 0

Principio del argumento

Para presentar el principio del argumento, supongamos inicialmente que la
función F (s) a que se refiere la ecuación (5.34) es

F (s) =  s + 1 (5.39)

−
es decir, tiene un único cero en s  = 1 y no tiene polos. Supongamos también
que deseamos calcular F (s0 ), para s 0  = 1 + j.
La figura 5.21 muestra dos planos complejos: en el primero de ello se ha
dibujado el diagrama de polos y ceros de (5.39); este plano lo denominaremos
plano s . En el segundo plano se ha dibujado el resultado de calcular  F (s 0 ), y
por eso lo denominaremos plano F . Para obtener F (s0 ) y poder graficarlo en el
plano  F   se ha empleado el método gráfico en el plano  s, y el resultado se ha
trasladado, tal como se señala en la figura 5.21.
Si ahora quisieramos calcular F (s) no en un único punto s 0  sino en todos los
puntos de una trayectoria cerrada del plano s, podriamos repetir el procedimien-
to anterior en cada uno de los puntos de la trayectoria. Las figuras 5.22 y 5.23
muestran los resultados para dos trayectorias diferentes que se han recorrido en
el sentido horario. En ambos casos se produce en el plano   F   otra trayectoria
cerrada en sentido horario.

114
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

Plano s  Plano F 
2 2
   

1 1
F (s)
 

 

−2 −1 1 
2 −2 −1 1 2 

−1 

−1 

−2 −2

Figura 5.22:  Plano   s  y Plano   F  en una trayectoria cerrada que no encierra el cero

La principal diferencia entre las dos trayectorias seleccionadas es que la pri-

mera de ellas (figura 5.22) no encierra al cero de  F (s) mientras que la segunda
(figura 5.22) sı́ lo hace. Como consecuencia de esto, en el primer caso la trayec-
toria cerrada que aparece en el plano  F  no encierra al origen, mientras que en
el segundo sı́ lo hace.

Las figuras 5.24 y 5.25 muestran cuál habrı́a sido el resultado si F (s) tuviera
−
un polo en s = 1 en lugar de un cero, es decir si F (s) = 1/(s + 1). En el plano
F  aparecen trayectorias cerradas que sólo encierran al origen si la trayectoria
del plano s encierra al polo. Sin embargo, debe resaltarse que el sentido de la
trayectoria que encierra al origen es antihorario, lo que se explica observando
que en la ecuación (5.38) el ángulo de los vectores que van de polos a  s0  tiene
signo negativo.

Ahora bien, si la trayectoria hubiese encerrado varios ceros y varios polos,

cada uno de estos ceros habrı́a contribuido en 5.36 con un término que habrı́a
variado 360o en sentido horario, mientras que cada polo lo harı́a con otro término
que habrı́a variado 360 o en sentido antihorario.

Otro detalle a tener en cuenta, es que si la trayectoria pasa por un polo de

∞
F (s), al calcularla en ese punto el resutado será , y por lo tanto la trayectoria
generada en el plano   F   no necesariamente será cerrada. Estos hechos pueden
consignarse en el  principio del argumento, que se presenta a continuación:

115
 

OSCAR G. DUARTE

Plano s  Plano F 
2 2
   

1 1
F (s)
 

 

−2 −1 
1 2 −2 −1 1

2


−1 −1 

−2 −2

Figura 5.23:  Plano   s  y Plano   F  en una trayectoria cerrada que encierra el cero

Plano s  Plano F 
2 2
 

1 1
F (s) 

×


−2 − 1 1 
2 −2 −1 
1 2
−1 

−1
−2 −2

Figura 5.24:  Plano   s  y Plano   F  en una trayectoria cerrada que no encierra el polo

116
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

Plano s  Plano F 
2 1


   

1 

F (s)
 

×
−2 −1  
1 2 −1 1


 

−1  

−2 −1

Figura 5.25:  Plano   s  y Plano   F  en una trayectoria cerrada que encierra el polo

Principio del argumento

Dada una función F (s), calculada en una trayectoria cerrada Γ, que no
pasa por ningún polo de F (s), recorrida en sentido horario, el resultado es
también una trayectoria cerrada que encierra al origen en sentido horario
un número de veces α:
α = n Γ − mΓ
(5.40)
nΓ  = Número de ceros de F(s) encerrados por Γ
mΓ  = Número de polos de F(s) encerrados por Γ

Trayectoria de Nyquist
La trayectoria de Nyquist para un sistema continuo realimentado como el
de la figura 5.1 es una curva cerrada Γ que abarca todo el semiplano derecho, y
que no contiene ningún polo de G(s)H (s). La figura 5.26 muestra la trayectoria
de nyquist Γ para el caso general.
Nótese que la trayectoria de Nyquist recorre todo el eje emaginario y regresa
 ∞
por una semicircunferencia de radio , abarcando todo el semiplano derecho.
Para el caso especial en que G(s)H (s) tiene polos en el eje imaginario es ne-
cesario modificar la trayectoria, tal como se muestra en la figura 5.26, mediante
pequeñas semicircunferencias de radio arbitrariamente pequeño ε

Diagrama de Nyquist
Para un sistema continuo como el de la figura 5.1, el diagrama de Nyquist
es la trayectoria orientada que resulta de calcular  G(s)H (s) a través de la tra-

117
 

OSCAR G. DUARTE

 ∞
  =
  r

Figura 5.26:   Trayectoria de Nyquist para el caso general

Γ
×  ∞
  =
  r

ε
×

Figura 5.27:  Trayectoria de Nyquist con polos en el eje imaginario

118
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

Plano s  Plano GH 

Γ
G(s)H (s)
 ∞
  =
  r

Figura 5.28:  Diagrama de Nyquist

yectoria de Nyquist (ver figura 5.28).

Criterio de Nyquist
Para el sistema continuo realimentado de la figura 5.1, con  K  = 1 definamos
la función

 N G (s) N H (s)

R(s) = 1 + G(s)H (s) = 1 +  =
DG (s) DH (s)
DG (s)DH (s) + N G (s)N H (s)
  (5.41)
DG (s)DH (s)

Si calculamos  R(s) a lo largo de la trayectoria de Nyquist Γ, el resultado

es una curva Υ. El criterio de Nyquist se deriva de aplicar el principio del
argumento a esta curva. Aplicando (5.40) se tiene:

Número de veces Número de ceros Número de polos

que Υ encierra al = de   R(s) encerrados − de   R(s) encerrados (5.42)
origen por Γ por Γ

La ecuación (5.42) puede escribirse de otra forma, si se tiene en cuenta que:

La curva Γ encierra todo el semiplano derecho

Los polos de   R(s) son los mismos polos de   G(s)H (s), como se puede
verificar en (5.41)

Los ceros de   R(s) son los mismos polos del sistema realimentado (con
K   = 1) como puede verse al comparar (5.41) con (5.5)

119
 

OSCAR G. DUARTE

Con estas consideraciones la ecuación (5.42) se convierte en

Número de polos
Número de veces Número de polos de
del sistema reali-
que Υ encierra al =
mentado en el semi-
− G(s)H (s) en el se- (5.43)
origen miplano derecho
plano derecho

Υ es la curva que resulta de calcular   R(s) a lo largo de la trayectoria de

Nyquist Γ, pero como R(s) = 1 + G(s)H (s), Υ es igual al diagrama de Nyquist
de   G(s)H (s) desplazado a la derecha una unidad; de tal manera que evaluar
cuántas veces encierra Υ al origen es igual que evaluar cuántas veces encierra
−
el diagrama de Nyquist de G(s)H (s) el punto ( 1, 0). Por esta razón podemos
convertir (5.43) en la forma conocida como el criterio de Nyquist:

Criterio de Nyquist
El número de polos en el semiplano derecho que tiene un sistema continuo
realimentado como el de la figura 5.1 , con K  = 1 puede determinarse a
partir de la ecuación

Número de veces
Número de polos
que el diagrama Número de polos de
del sistema reali-
de Nyquist de =
mentado en el semi-
−
G(s)H (s) en el se- (5.44)
G(s)H (s) encierra miplano derecho
plano derecho
−
al punto ( 1, 0)

Para que el sistema realimentado sea estable debe tener cero polos en el
semiplano derecho.

El criterio de Nyquist también permite determinar qué valores puede tener

K  en la figura 5.1, para que el sistema realimentado sea estable. Para ello de-
be notarse que el diagrama de Nyquist de  kG(s)H (s) difiere del diagrama de
Nyquist de G(s)H (s) sólo en la escala, es decir tienen la misma forma, pero el
primero está amplificado respecto al segundo   K  veces. Observando el diagra-
ma de Nyquist puede determinarse qué tanto debe amplificarse G(s)H (s) para
asegurar que no haya polos en el semiplano derecho.
Para estudiar los valores negativos de   K   que harı́an que el sistema fuera
 −
estable, podrı́amos trazar el diagrama de Nyquist de G(s)H (s); sin embargo
esto no es necesario, ya que ese diagrama sólo puede diferir del de G(s)H (s) en
una rotación de 180o, por lo tanto es suficiente con averiguar qué tantas veces
se encierra el punto (1, 0).

Ejemplo 5.13  La figura 5.29 muestra el diagrama de Nyquist correspondiente a un

sistema realimentado con
  1   1
G(s) =   H (s) =   (5.45)
(s + 1)(s + 2) (s + 3)

120
 

5.2. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS CONTINUOS

Nyquist plot
Im(h(2i*pi*f))
0.15

−0.132   −0.093
0.11
−0.059
−0.190

0.07

−0.024

0.03

−1000
−0.01
−  60
1 1
6

−0.05
0.229 0.034

−0.09
0.151 0.068
Re(h(2i*pi*f))
0.103

−0.13
−0.05 −0.01 0.03 0.07 0.11 0.15 0.19

Figura 5.29:  Diagrama de Nyquist para el ejemplo 5.13

En esa figura se han destacado los puntos en los que el Diagrama de Nyquist
−
cruza el eje real ( 1/60   y   1/6). El número de polos que   G(s)H (s)   tiene en el
semiplano derecho es cero, de acuerdo con (5.45). De esta forma, el criterio de
Nyquist, ecuación (5.44), establece que:
Número de polos del
sistema realimenta-
0=
do en el semiplano
0 (5.46) −
derecho
y por lo tanto el sistema realimentado es estable para   K   = 1. Además, en el
diagrama de Nyquist se observa que éste se puede amplificar hasta 60 veces sin que
cambie el número de veces que encierra al punto ( 1, 0), lo que significa que para −
0 < k <  60  el sistema sigue siendo estable. Si se amplifica por un valor superior
−
a 60 el punto ( 1, 0) resulta encerrado dos veces por el diagrama, y por lo tanto
el sistema realimentado tendrá dos polos en el semiplano derecho, es decir, será
inestable.
Evaluamos ahora la estabilidad para valores negativos de K  Remitiéndonos nue-
vamente a la figura 5.29, observamos que podemos amplificar 6 veces el diagrama
sin que cambie el número de veces que encierra al punto (1, 0), lo que significa que
−
para 6 > K > 0 el sistema sigue siendo estable. Si se amplifica por un valor mayor
a 6  el punto (1, 0) resulta encerrado una vez por el diagrama, y por lo tanto el sis-
tema realimentado tendrá un polo en el semiplano derecho, es decir, será inestable.
En resumen, el sistema será estable para K  ( 6, 60).  ∈ −
121
 

OSCAR G. DUARTE

5.3. Estabilidad y criterios de estabilidad en sis-

temas discretos
Por razones análogas a las expresedas en la sección 5.2, la estabilidad de
sistemas dinámicos lineales discretos también está determinada por la ubicación
de sus polos. La condición de estabilidad consiste en que éstos deben estar
ubicados en el interior del cı́rculo unitario.
Debido a que esta condición es diferente a la que existe para los sistemas
continuos, las herramientas presentadas en la sección 5.2 no pueden emplearse
directamente, sino que es necesario efectuar algún tipo de adecuación. Existen
en general tres estrategias:
Adecuar el sistema discreto para que parezca  un sistema continuo. Este es
el caso de la  transformaci´ 
on bilineal  que se explica en la sección 5.3.1.
Diseñar estrategias especı́ficas para sistemas discretos. El  criterio de Jury 
que se presenta en la sección 5.3.2 corresponde a este caso.
Adecuar las estrategias de análisis para que funcionen con sistemas discre-
tos. Las secciones 5.3.3, 5.3.4 y 5.3.5 explican como adecuar las estrategias
de root-locus, Bode y Nyquist, respectivamente (ver sección5.2), para apli-
carlas en el caso discreto.

5.3.1. Transformación bilineal

La transformación
 z + 1
r =   (5.47)
z 1 −
Se conoce como la   transformaci´  on bilineal , ya que al despejar   r   en (5.47)
resulta una expresión similar:
 r + 1
z =   (5.48)
r 1 −
La transformación bilineal tiene la propiedad de transformar la circunferencia
unitaria en el eje imaginario. Para demostrarlo, supongamos un valor de z  que
está en la circunferencia unitaria, es decir  z = cos φ + j sin φ para algún valor
de φ. Al aplicar (5.47) observamos que z  se transforma en
  cos φ + j sin φ + 1
r =
−
cos φ + j sin φ 1
que puede escribirse como

r =
  1 + cos φ + j sin φ
 =
− −
  (1 + cos φ + j sin φ) ( 1 + cos φ  j sin φ)
− 1 + cos φ + j sin φ − − −
( 1 + cos φ + j sin φ) ( 1 + cos φ  j sin φ)
Al efectuar las operaciones se obtiene que  r es un imaginario puro:

r =
  − j2sin φ  = j   sin φ   (5.49)
2 − 2cos φ cos φ − 1

122
 

5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS

z r
1 + j0 indefinido
0.707+ j0.707 −
0  j2.4142
0 + j1 −
0  j1
−0.707+ j0.707 −
0  j0.4142
− 1 + j0 0 + j0
− −
0.707  j0.707 0 + j0.4142
−
0  j1 0 + j1
−
0.707  j0.707 0 + j2.4142

Tabla 5.6:   Transformación bilineal de algunos puntos sobre la circunferencia unitaria

Plano z  Plano r 
2 +1 2
r =   zz− 1

1 1
  

   

    

−2 −1    
1 2 −2 −1 

1 2
−1  

−1 

−2 −2 

Figura 5.30:   Transformación Bilineal

La tabla 5.6 muestra cómo se transforman algunos puntos sobre la circunfe-

renca unitaria. Esta transformación se visualiza en la figura 5.30.
Ejemplo 5.14   Supóngase que en el sistema de la figura 5.2 se tiene que
  1   1
G(z) =   H (z) =   (5.50)
z + 0.3 z + 0.7
La función de transferencia del sistema realimentado es
  KG(z)   K (z + 0.7)
F (z) =  = 2   (5.51)
1 + KG(z)H (z) z + z + (K  + 0.21)
Al aplicar la transformación bilineal a F (z) se obtiene
  K  r +1
r 1
− + 0.7   K (r2 1.4r 0.3)
− −
F̂ (r) =     2 =
r +1 r +1 r2 (2.21 + K ) + r(1.58 2K ) + 0.21
−
r 1
− + r 1
− + (K  + 0.21)

123
 

OSCAR G. DUARTE

r2 (2.21 + K ) (0.21 + K )

r1 −
(1.58 2K )
r0 (0.21 + K )

Figura 5.31:  Arreglo de Routh para el sistema transformado

Los valores de K   que hacen que todas las raı́ces de F (z) estén dentro del cı́r culo
unitario en el plano z son los mismos valores que hacen que todas las raı́ces de  F̂ (r)
estén en el semiplano izquierdo del plano r. Estos últimos pueden determinarse por
medio del criterio de Routh Hurwitz. El arreglo correspondiente se muestra en la
figura 5.31 de donde se deduce que las condiciones para que el sistema del ejemplo
sea estable son:

2.21 + K > 0 1.58 − 2K > 0 0.21 + K > 0 (5.52)

O lo que es equivalente:
−0.21 < K < 0.79 (5.53)

5.3.2. Arreglo y criterio de Jury

El criterio de Jury  7 permite determinar cuántas raı́ces tiene un polinomio en
el interior del cı́rculo unitario. Cumple, para el caso discreto, un papel análogo
al que cumple el criterio de Routh-Hurwitz en el caso continuo.

Construcción del arreglo de Jury

Dado un polinomio p(z)

 p(z) = a n sn + an−1 sn−1 + ··· + a2s2 + a1s1 + a0   (5.54)

en donde los coeficientes  ai   son reales y  an  es positivo, es posible construir el
Arreglo de Jury   de p(z) a partir de los coeficientes  ai  que aparecen en (5.54).
Para ello, inicialmente se construye el arreglo que se muestra en la figura 5.32: la
primera lı́nea contiene los coeficientes de  p(z) en orden, desde a 0  hasta a n , y en
la segunda lı́nea en orden inverso. En general, cada lı́nea par contiene los mismos
coeficientes que la lı́nea inmediatamente anterior pero en el orden inverso.
Los elementos de las lı́neas impares se construyen asi:

bk  =

a0   an−k

ck  =

b0   bn−1−k
dk  =

c0   cn−2−k
  ···   (5.55)
an   ak bn−1   bk cn−2   ck

Es decir, el primer elemento de una fila impar se calcula como el determinate

de la matriz construida tomando de las dos lı́neas inmediatamente anteriores la
7 Existen versiones diferentes del criterio de Jury a las presentadas en estas notas

124
 

5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS

Fila z0
  z1 z2 ···   z n−k ···   z n−2 z n−1 z n
1   a0   a1   a2   ···   an−k   ···   an−2   an−1   an
2   an   an−1   an−2   ···   ak   ···   a2   a1   a0
3   b0   b1   b2   ···   bn−k   ···   bn−2   bn−1
4   bn−1   bn−2   bn−3   ···   bk−1   ···   b1   b0
5   c0   c1   c2   ···   cn−k   ···   cn−2
6   cn−2   cn−3   cn−4   ···   ck−2   ···   c0
.. .. .. ..
. . . .   ···
2n − 5   p0   p1   p2   p3
2n − 4   p3   p2   p1   p0
2n − 3   q 0   q 1   q 2

Figura 5.32:  Arreglo de Jury. Primeras dos lı́neas

primera y la última columna; el segundo elemento de forma similar pero con la

primera y la penúltima columnas; el tercero con la primera y la antepenúltima,
y asi sucesivamente. Dado que el último elemento serı́a el determinante de la
matriz formada con dos columnas iguales (la primera dos veces), este valor será
siempre cero, y por tanto no se escribe en el arreglo (se ha eliminado).

Ejemplo 5.15   Considérese el polinomio

 p(z) = 1 + 2z + 3z 2 + 4z 3 + 5z 5 (5.56)

Las primeras dos lı́neas del arreglo de Jury para p(z) se muestran en la figura
5.33. Sólo es necesario construir 5 lı́neas, porque  n = 4 y 2n 3 = 5. −
La tercera lı́nea se construye asi:

b0  =
1 5
=
 −24   b1  =
1 4
=
 −18
5 1 5 2

b2  =

1 3
=
 −12   b3  =

1 2
=
 −6
5 3 5 4
El arreglo con las cuatro primeras lı́neas su muestra en la figura 5.34.La quinta
lı́nea se construye asi:

c0  =
−   − 
24 6
= 504   c1  =
−   − 
24 12
= 360
−  −
6 24 −  − 6 18

c2  =
−   − 
24 18
= 180
−  −
6 12

Criterio de Jury
El Criterio de Jury puede expresarse asi:

125
 

OSCAR G. DUARTE

Fila   z0 z1 z2 z3 z4
1 1 2 3 4 5
2 5 4 3 2 1
3   b0   b1   b2   b3
4   b3   b2   b1   b0
5   c0   c1   c2

Figura 5.33:  Arreglo de Jury del ejemplo 5.15. Primeras dos lı́neas

Fila   z 0 z1 z2 z3 z4
1 1 2 3 4 5
2 5 4 3 2 1
3   −  −  −   −
24 18 12 6
4   −   −  −  −
6 12 18 24
5   c0   c1   c2

Figura 5.34:  Arreglo de Jury del ejemplo 5.15. Primeras cuatro lı́neas

Fila   z 0 z1 z2 z3 z4
1 1 2 3 4 5
2 5 4 3 2 1
3   −  −  −   −
24 18 12 6
4   −   −  −  −
6 12 18 24
5 504 360 180

Figura 5.35:  Arreglo de Jury del ejemplo 5.15. Arreglo completo

126
 

5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS

Criterio de Jury
Las condiciones necesarias y suficientes para que   p(z) en (5.54) tenga
todas sus raı́ces en el interior del cı́rculo unitario del plano  z  son:

 p(1) > 0 (5.57a)

−
 p( 1)
 > 0 si n  es par
  (5.57b)
< 0 si n  es impar
|a0 |   < an

|b0|   >   | |
bn−1
|c0|   >   | | −
cn−2 n 1 condiciones (5.57c)
.. 
.
| |
q 0   >  | |
q 2

Nótese que este criterio se reduce a unas condiciones muy simples para el
caso de polinomios de segundo orden (n = 2):

 p(1) > 0 (5.58a)

−
 p( 1) > 0 (5.58b)
|a0| < a2   (5.58c)

Ejemplo 5.16   Supóngase el polinomio p(z)  de la ecuación (5.56) en el Ejemplo

5.15, cuyo arreglo de Jury se muestra en la figura 5.35. Las condiciones (5.57) se
convierten en:

 p(1) = 1 + 2(1)1 + 3(1)2 + 4(1)3 + 5(1)4 = 15 > 0 (5.59a)

 p( 1) = 1 + 2( 1)1 + 3( 1)2 + 4( 1)3 + 5( 1)4 = 3  > 0
− − − − − (5.59b)
1 = |a0 |   < a4  = 5
24 = |b0 |   >   |b3 | = 6 (5.59c)
504 = |c0 |   >   |c2 | = 180
Por lo que p(z) tiene todas su raı́ces en el interior del cı́rculo unitario. Efectiva-
mente, las raı́ces de p(z) son:

r12  = 0.1378 ± i0.6782   r3,4  = −0.5378 ± i0.3583

|r1 | = 0.692 < 1   |r3 4| = 0.646 < 1
2 ,

Ejemplo 5.17   Supóngase ahora un sistema como el del ejemplo 5.14, es decir un
sistema realimentado como el de la figura 5.2 con
  1   1
G(z) =   H (z) =   (5.60)
z + 0.3 z + 0.7

127
 

OSCAR G. DUARTE

La función de transferencia del sistema realimentado es

  KG(z)   K (z + 0.7)
F (z) =  = 2   (5.61)
1 + KG(z)H (z) z + z + (K  + 0.21)

Para que el denominador de F (z) tenga todas sus raı́ces en el cı́rculo unitario,

y por tanto el sistema realimentado sea estable, se deben satisfacer (5.57); como
el denominador es de segundo orden, estas condiciones se convierten en las que
muestra (5.58), es decir:

 p(1) = 1 + 1 + (0.21 + K )  > 0 (5.62a)

−
 p( 1) = 1− 1 + (0.21 + K ) > 0 (5.62b)
|0.21 + K | = |a0| < a 2  = 1 (5.62c)
Estas condiciones se convierten en

K> −2.21 (5.63a)

K > −0.21 (5.63b)

−1.21 < K < 0.79 (5.63c)
o lo que es equivalente:
−0.21 < K < 0.79 (5.64)
que coincide con lo obtenido en (5.53)

Problemas en la construcción del arreglo de Jury

Es posible que algunos o todos los elementos de una fila en el arreglo de
Jury sean cero, en cuyo caso se considera que el arreglo ha terminado de forma
prematura. La solución ha este inconveniente se considera fuera del alcance del
curso y por lo tanto se ha omitido en estas notasfootnotevéase [22].

5.3.3. Lugar geométrico de las raı́ces

El root-locus y el root-locus complementario muestran cómo varı́a la ubica-
ción de los polos de la ecuación (5.5) al variar K . Como la forma de (5.5) y la de
(5.6) son idénticas, pueden emplearse estos diagramas en forma análoga a como
se emplean en el caso continuo para determinar la estabilidad de un sistema dis-
creto realimentado como el de la figura 5.2: deben encontrarse las condiciones
para que todas las ramas del root-locus y el root-locus complementario estén en
el interior del cı́rculo unitario.

Ejemplo 5.18  Tomemos el mismo sistema analizado en los ejemplos 5.14 y 5.17.
Se trata de un sistema realimentado como el de la figura 5.2 con
  1   1
G(z) =   H (z) =   (5.65)
z + 0.3 z + 0.7

128
 

5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS

El root-locus y el root-locus complementario de G(z)H (z) se muestra en la figura

5.36. Se ha dibujado allı́ también el cı́rculo unitario, para facilitar la determinación
de la estabilidad.
 − ± √  −
El root-locus cruza el circulo unitario en 0.5  j 1 0.52 = 0.5  j0.86,  − ±
Estos puntos corresponden a una ganancia K c1  positiva tal que

K c1  =
 1
= 0.79
 (5.66)
− −
( 0.5 + j0.86 + 0.3)( 0.5 + j0.86 + 0.7)

−
El root-locus complementario cruza el cı́rculo unitario en 1 y en 1.Estos puntos
corresponden a unas ganancias K c2  y K c3  negativa tales que

K c2  =

− (−1 + 0.3)(1 −1 + 0.7)
 = −0.21 (5.67)

K c3  = −
 1
 = −2.21 (5.68)
(1 + 0.3)(1 + 0.7)
De las ecuaciones (5.66), (5.67) y (5.68) se desprenden las condiciones para que
el root-locus y el root locus complementario estén en el interior del cı́rculo unitario:
Para el root-locus se necesita que K < 0.79 y para el root-locus complementario
− −
que K > 0.21 y  K > 2.21. Estas condiciones se pueden resumir en una sóla

−0.21 < K < 0.79 (5.69)

que coincide con las encontradas en (5.53) y (5.64)

5.3.4. Diagramas y criterio de Bode

En la sección 5.2.3 se muestra cómo pueden emplearse los Diagramas de
Bode para estudiar la estabilidad de sistemas realimentados contı́nus como los
de la figura 5.1. La figura 5.18 muestra la relación entre el cruce por el eje real
de las ramas del root-locus y el root-locus complementario con los diagramas de
bode de G(s)H (s).
Para estudiar la estabilidad de los sistemas discretos ya no es importante el
cruce por el eje imaginario, sino el cruce por la circunferencia unitaria. Por esta
 | |
razón, los diagramas de G( jω)H ( jω)  y arg G( jω)H ( jω) ya no son útiles.
Dicho de otra forma, ya no es interesante recorrer el eje imaginario  jω, sino la
circunferencia unitaria. Esta última se puede recorrer con la función e jω , varian-
do ω entre 0 y 2π. En efecto, podemos emplear la Fórmula de Euler para escribir

ejω = cos ω + j sin ω   (5.70)

La ecuación (5.70) muestra que  ejω es un número complejo de magnitud 1
y ángulo  ω, por lo tanto, si   ω   varı́a entre 0 y 2π  se recorre la circunferencia
unitaria.

129
 

OSCAR G. DUARTE

Im(z)
1.5

1.0

0.5
Re(z)

−1.5 −1.0× ×
−0.5 0.5 1.0 1.5
−0.5
−1.0
−1.5

Figura 5.36:  root-locus (en rojo) y root-locus complementario (en azul) para el
ejemplo 5.18

Al igual que en el caso continuo, podemos argumentar la simetrı́a del root-

locus para recorrer unicamente la mitad de la circunferencia, es decir, tomar
≤  ≤
0 ω π.
En resumen, podemos trazar los diagramas de magnitud y ángulo para
G(ejω )H (ejω ) con 0 ω π, o lo que es igual, para G( jf )H ( jf ) con 0 < f <   12 .
≤  ≤
Estos son los diagramas de bode para sistemas discretos  y emplean las mismas
escalas que los diagramas de bode para sistemas continuos.
La relación que existe entre los diagramas de root-locus y root-locus com-
plementario, por una parte, y los diagramas de bode, por otra, para sistemas
discretos se muestra en la figura 5.37. De esta forma, la determinación de la es-
tabilidad de sistemas realimentados discretos es completamente análoga al caso
continuo, y se ilustra con el ejemplo 5.19
Ejemplo 5.19  Retomemos el mismo sistema analizado en los ejemplos 5.14, 5.17
y 5.18. Se trata de un sistema realimentado como el de la figura 5.2 con
  1   1
G(z) =   H (z) =   (5.71)
z + 0.3 z + 0.7
Los diagramas de bode de G(z)H (z) se muestran en la figura 5.38 (Nótese que
f  varı́a de  0  a   12 ).
Se observa que el ángulo de  G(ejω )H (ejω )  es 180 para una frecuencia de
 − o

0.3338Hz, es decir para   ω   = 2π0.3338 = 2.094rad/s. En esa frecuencia el valor

130
 

5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS

Diagrama de Bode de magnitud

ejω̂ ω
root-locus:  K > 0  K < 0

1
ejω̄ ej ω̂ |K c |

ω
0o
ejω̄ ejω̂

180o

Diagrama de Bode de fase

Figura 5.37:  Relación entre el root-locus y los diagramas de Bode para el caso
discreto

de la magnitud de G(ejω )H (ejω ) es de 2.04db, lo que significa que la magnitud de

K , en decibeles, para la cual una rama del Root-Locus atraviesa la circunferencia
  1
unitaria es tal que |K 
c1 |
= 2.04, lo que equivale a:
en db

1 |Kc1 | en db |Kc1 |en db

| | K c1
  = 10 20 |K  1| = 10−
c 20

2.04
|K  1| = 10 −
c 20 = 0.79   K c1  = 0.79 (5.72)
Para estudiar los cruces por la circunferencia unitaria de ramas del root-locus
complementario, observamos que el diagrama de fase es asintótico a  0 , es decir o

que para  ω   = 0  el ángulo de   G(ejω )H (ejω ) es  0 . También se observa que para
o

una frecuencia de   12 Hz, es decir ω  = π  el ángulo es de 360 , que es igual a 0 .
 − o o

Lo anterior significa que dos ramas del root locus complementario cruzan la
circunferencia unitaria en K c2  y K c3  que se pueden calcular como:
−6.89
|K  2| = 10−
c 20 = 2.21   K c2  = −2.21 (5.73)
13.555
|K  3| = 10−
c 20 = 0.21   K c3  = −0.21 (5.74)
Los resultados de las ecuaciones (5.72) a (5.74) son coherentes con los obtenidos
en (5.53), (5.64) y (5.69).

131
 

OSCAR G. DUARTE

Magnitude
db
17

13.555db 13

5
2.04db
1

−3
Hz
−6.89db −7
−3 −2 −1 0
10 10 10 10
0.3338Hz
Phase
degrees
0
−40
−80
−120
−160
−180o
−200
−240
−280
−320 Hz
−360
−3 −2 −1 0
10 10 10 10

Figura 5.38:  Diagramas de Bode para el ejemplo 5.19

132
 

5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS

 ∞
1  

Figura 5.39:  Trayectoria de Nyquist para el caso discreto general

5.3.5. Diagrama y criterio de Nyquist

El criterio de Nyquist para sistemas realimentados continuos de la ecuación

(5.44) se construye empleando las trayectorias de Nyquist que se muestran en las
figuras 5.26 y 5.27. Estas trayectorias han sido diseñadas en forma tal que encie-
rran todo el semiplano derecho y asi poder emplear el principio del argumento
(ecuación (5.40)) en forma conveniente.

Para sistemas discretos realimentados como los de la figura 5.2 es necesario

modificar la trayectoria de Nyquist para que encierre toda la porción del plano
complejo que está por fuera del cı́rculo unitario. La trayectoria seleccionada se
muestra en la figura 5.39; en caso de que   G(z)H (z) tenga polos exactamente
sobre la circunferencia unitaria, es necesario modificar la trayectoria como se
muestra en la figura 5.40. Denominaremos al diagrama obtenido con estas tra-
yectorias Diagrama de Nyquist para sistemas discretos , o simplemente Diagrama 
de Nyquist discreto.

En estas condiciones, el Criterio de Nyquist para sistemas discretos puede

enunciarse asi:

133
 

OSCAR G. DUARTE

 ∞
×
1  

Figura 5.40:  Trayectoria de Nyquist para el caso discreto con polos en la

circunferencia unitaria

Criterio de Nyquist para sistemas discretos

El número de polos por fuera del cı́rculo unitario que tiene un siste-
ma discreto realimentado como el de la figura 5.2 , con K   = 1 puede
determinarse a partir de la ecuación
Número de veces
que el diagrama de Número de polos Número de polos de
Nyquist discreto de = del sistema reali- G(z)H (z) por fuera (5.75)
−
G(z)H (z) encierra mentado por fuera del cı́rculo unitario
−
al punto ( 1, 0) del cı́rculo unitario

Para que el sistema realimentado sea estable debe tener cero polos por
fuera del cı́rculo unitario.

Ejemplo 5.20  Retomemos el mismo sistema analizado en los ejemplos 5.14, 5.17,
5.18 y 5.19. Se trata de un sistema realimentado como el de la figura 5.2 con

  1   1
G(z) =   H (z) =   (5.76)
z + 0.3 z + 0.7

El diagrama de Nyquist de G(z)H (z) se muestra en la figura 5.41; puede ob-

−
servarse que el diagrama de Nyquist encierra una vez el punto   ( 1, 0). Además,
G(z)H (z) tiene cero polos por fuera del c´ırculo unitario. Según (5.75) se tiene que

134
 

5.3. ESTABILIDAD Y CRITERIOS DE ESTABILIDAD EN SISTEMAS DISCRETOS

Número de polos del

sistema realimenta- −
1= 0 (5.77)
do por fuera del
cı́rculo unitario
y por lo tanto el sistema realimentado con   K   = 1   es inestable. Sin embargo el
−
número de veces que se encierra el punto   ( 1, 0)   puede ser   0   si el diagrama se
amplifica por un valor positivo menor que   0.79. En estas condiciones el sistema
realimentado será estable. Por lo tanto, para que el sistema realimentado sea estable
con valores positivos de K , se necesita que 0 < K < 0.79
Para estudiar los valores negativos de K  que harı́an que el sistema fuera estable,
 −
podrı́amos trazar el diagrama de Nyquist de G(z)H (z); sin embargo esto no es
necesario, ya que ese diagrama sólo puede diferir del de G(z)H (z) en una rotación
de   180 , por lo tanto es suficiente con averiguar qué tantas veces se encierra el
o

punto (1, 0).
En la figura 5.41 se observa que el número de veces que el diagrama de Nyquist
puede encerrar al punto (1, 0) es  0, 1 o  2  en las siguientes condiciones:
Si se amplifica por una cantidad menor que  0.21 lo encierra 0  veces.
Si se amplifica por una cantidad mayor que 0.21 y menor que 2.21 lo encierra
1 vez.
Si se amplifica por una cantidad mayor que 2.21 lo encierra 2  veces.
Por lo tanto, para que el sistema realimentado sea estable con valores negativos
 −
de K , se necesita que 0.21 < K < 0
Al combinar los resultados obtenidos para valores positivos y negativos de  K  se
tiene que
− 0.21 < K < 0.79 (5.78)
que coincide con (5.53), (5.64), (5.69) y (5.72).

135
 

OSCAR G. DUARTE

Nyquist plot
Im(h(exp(2i*pi*f*dt)))
4

0.451 0.466
3
0.479

2
0.4

1
−0.135

−0.5
0

−1
− 0  .179 1
2.21
1
0.21
−0.388
−0.488

−2

−0.425
−0.476
−3
−0.447 −0.463 Re(h(exp(
2i*pi*f*dt)))

−4
−2 −1 0 1 2 3 4 5

Figura 5.41:  Diagrama de Nyquist para el ejemplo 5.20

136
 

Capı́tulo 6

Representación en variables de
estado

6.1. Introducción
En los capı́tulos anteriores se han presentado distintas estrategias para mo-
delar el comportamiento de sistemas dinámicos continuos y discretos, entre ellas:

Ecuaciones diferenciales o de diferencia

Funciones de transferencia

Respuestas al impulso

Diagramas de bloque

Diagramas de flujo de señal

En este capı́tulo se estudia una nueva alternativa que emplea un conjunto

de variables denominadas variables de estado. Puede pensarse que éstas son tan
sólo variables matemáticas auxiliares, aunque en ocasiones tienen un sentido
fı́sico. Algunas de las ventajas que se obtienen con esta nueva representación
son las siguientes:

La representación de sistemas de múltiples entradas y múltiples salidas es

más sencilla.

Toda la dinámica del sistema se representa por ecuaciones diferenciales o

de diferencia de primer orden.

137
 

OSCAR G. DUARTE

u1 (t) y1 (t)
u2 (t) Sistema y2 (t)
.. Dinámico ..
. .
u p (t) yq (t)

Figura 6.1:  Sistema Continuo de múltiples entradas y múltiples salidas

u1 (k) y1 (k)
u2 (k) Sistema y2 (k)
.. Dinámico ..
. .
u p (k) yq (k)

Figura 6.2:  Sistema Discreto de múltiples entradas y múltiples salidas

Permite el desarrollo de métodos computacionales más eficientes para la

simulación de sistemas dinámicos.

Brinda una nueva perspectiva sobre la dinámica de los sistemas.

Algunas de las técnicas de control moderno (como el control robusto) se

basan en este tipo de representación.

Vale la pena aclarar que si bien las ecuaciones que se emplean son de primer
orden, éstas operan sobre vectores. Refiriéndonos a las figuras 6.1 y 6.2, si se
trata de un sistema continuo serán:

ẋ(t) =f (x(t), u(t), t)

  (6.1)
y(t) =g(x(t), u(t), t)

y si se trata de un sistema discreto serán:

x(k + 1) =f (x(k), u(k), k )

  (6.2)
y(k) =g(x(k), u(k), k)

En las ecuaciones (6.1) y (6.2) u  es un vector que contiene cada una de las
 p entradas al sistema, y  es un vector que contiene cada una de las q  salidas del
sistema, x es un vector que contiene cada una de las  n  variables de estado del

138
 

6.1. INTRODUCCIÓN

sistema, es decir:
u1
  y1
  x1

u2  y2   x2 
u = . y = . x = .. (6.3)
..  ..  . 
u p  p 1× yq q 1× xn n 1 ×
Las ecuaciones vectoriales (6.1) y (6.2) son en realidad un conjunto de ecua-
ciones. Por ejemplo, las ecuaciones (6.1) corresponden a algo de la forma:
 ẋ1 (t) = f 1 (t) (x1 (t), x2 (t), ···  , x n (t), u1 (t), u2 (t), ···  , u (t), t)  p
 ẋ2 (t) = f 2 (t) (x1 (t), x2 (t), ···  , x n (t), u1 (t), u2 (t), ···  , u (t), t)  p
..
 .
ẋn (t) = f n (t) (x1 (t), x2 (t), ···  , xn (t), u1 (t), u2 (t), ···  , u (t), t)  p
 ẏ1 (t) =  g 1 (t) (x1 (t), x2 (t), ···  , x n (t), u1 (t), u2 (t), ···  , u (t), t)
 p
 ẏ1 (t) =  g 2 (t) (x1 (t), x2 (t), ···  , x n (t), u1 (t), u2 (t), ···  , u (t), t)
 p
..
 .
ẏq (t) =  g q (t) (x1 (t), x2 (t), ···  , xn (t), u1 (t), u2 (t), ···  , u (t), t)
 p

En general, estudiaremos sistemas dinámicos lineales invariantes en el tiem-

po, de múltiples entradas y múltiples salidas. Si el sistema es continuo, como el
de la figura 6.1 su modelo corresponderá a las ecuaciones Matriciales
ẋ(t) =  Ax(t) + Bu(t)
  (6.4)
y(t) = Cx(t) + Du(t)
Si el sistema es discreto, como el de la figura 6.2 su modelo corresponderá a
las ecuaciones matriciales
x(k + 1) = Ax(k) + Bu(k)
  (6.5)
y(k) = Cx(k) + Du(k)
En las ecuaciones (6.4) y (6.5)  A, B, C y D son matrices de tamaño ade-
cuado:
ẋ(t)n×1  =  An×n x(t)n×1  + Bn× p u(t) p×1
(6.6)
y(t)q×1  = C q×n x(t)n×1  + Dq× p u(t) p×1

x(k + 1) n×1  =  A n×n x(k)n×1  + Bn× p u(k) p×1

(6.7)
y(k)q×1  = C q×n x(k)n×1  + Dq× p u(k) p×1
Para encontrar la solución de las ecuaciones (6.4) y (6.5) y efectuar su aná-
lisis, pero sobre todo para buscarle un significado a las variables de estado, se
emplean algunos conceptos de  Álgebra Lineal. Con el propósito de recordar esos
conceptos, se presenta en la sección 6.2 los resultados necesarios más importan-
tes. Una presentación formal de éstos se encuentra en el apéndice D, de donde
se han extraido algunos apartes y ejemplos.

139
 

OSCAR G. DUARTE

6.2. Algunos resultados de álgebra lineal

6.2.1. Espacios vectoriales
⊕⊗
Sea un conjunto Γ y F  : (Φ, , ) un campo (usualmente F  se trata de   R  o
C  con las operaciones usuales de suma y multiplicación). A los elementos de Γ
se les denomina Vectores , y a los elementos de Φ Escalares . Γ tiene estructura
de Espacio Vectorial sobre  F si está dotado de una operación binaria + (suma
 ·
vectorial) y una operación   entre elementos de Γ y Φ (Producto por escalar)
que cumplen las siguientes propiedades:
Para la suma vectorial
V.1  Clausurativa:  ∀ x, y ∈ Γ   x + y ∈ Γ
V.2   Asociativa: ∀ x,y,z ∈ Γ (x + y) + z =  x + (y + z)
V.3   Modulativa: ∃ 0 ∈ Γ | ∀x ∈ Γ   x + 0 = x
V.4   Invertiva: ∀ x ∈ Γ   ∃ (−x) | x + (−x) = 0
V.5   Conmutativa: ∀ x, y ∈ Γ   x + y = y + x
Para el producto por escalar
V.6  Clausurativa:  ∀ x ∈ Γ, ∀ α ∈ Φ   α · x ∈ Γ
V.7   Asociativa: ∀ x ∈ Γ, ∀ α, β  ∈ Φ (α ⊗ β ) · x = α · (β  · x)
V.8   Modulativa: ∀ x ∈ Γ,   1 · x = x. 1 es el módulo de ⊗
V.9   Anulativa: ∀ x ∈ Γ,   0 · x = 0. Donde 0 es el módulo de ⊕, y 0 es el módulo
de +
Para las dos operaciones
V.10  Distributiva respecto a +: ∀ x, y ∈ Γ, ∀α ∈ Φ   α·(x+y) = (α·x)+(α·y)
V.11  Distributiva respecto a ⊕: ∀ x ∈ Γ, ∀α, β  ∈ Φ ⊕ · · ·
(α β ) x = (α x)+(β  x)

Ejemplo 6.1  Uno de los espacios vectoriales más conocidos, y que servirá para
futuros ejemplos en este capı́tulo es el formado por   R2 sobre el campo   R  con las
operaciones usuales. En general,   Cn sobre el campo   C  con las operaciones usuales
forma un espacio vectorial.

Ejemplo 6.2  El conjunto de todos los polinomios sobre el campo  R  con las opera-
ciones usuales entre polinomios forma un espacio vectorial.

Ejemplo 6.3   El conjunto de todas las funciones continuas a trozos sobre el campo
C   con la operación   +   definida como la suma punto a punto forma un espacio
vectorial.

140
 

6.2. ALGUNOS RESULTADOS DE   ÁLGEBRA LINEAL

×
Ejemplo 6.4  El conjunto de todas las matrices de tamaño fijo m n sobre el campo
C  con las operaciones usuales entre matrices forma un espacio vectorial.

Los siguientes son algunos conceptos asociados a los espacios vectoriales:

Subespacio:   Es un espacio vectorial contenido dentro de otro espacio vectorial,

por ejemplo una recta que cruce por el origen dentro del plano.

Combinación lineal:  Es una expresión de la forma

 n
α1 x1  + α2 x2  + ··· + α n xn  = αi xi
i=1

en donde los α i  son escalares y los  x i  son vectores

Independencia lineal:  Un conjunto de vectores es lineamente independiente

si la única combinación lineal de ellos cuyo resultado es  0 es la que tiene
todos los coeficientes α  iguales a 0.

Conjunto generado:  Es el conjunto de todas las posibles combinaciones li-

neales de los vectores de un cierto conjunto, al que se denomina  conjunto
generador .

Dimensión:  Es el máximo número de vectores linealmente independientes que

puede haber en un espacio vectorial.

Base:  Es cualquier conjunto de vectores linealmente independiente que además

genera el espacio vectorial. En   R2 la base estándar está formada por los
vectores (1, 0) y (0, 1)

Coordenadas de un vector:  Un vector x de un espacio vectorial puede escri-

birse como una única combinación lineal de su base B = b1 , b2 ,  , bn : { ··· }
x = α 1 b1  + α2 b2  + ··· + α n bn

Los coeficientes α i  de esa combinación lineal son las coordenadas de x en
la base B .

Cambios de base:  Un mismo vector tendrá diferentes coordenadas en dos ba-
{ ··· } {
ses diferentes. Sean A = a1 , a2 ,  , an  y  B  = b1 , b2 ,  , bn  dos bases··· }
del mismo espacio vectorial V   de dimensión n. Definimos las matrices A y
B como las matrices que tienen en sus columnas cada uno de los elementos
de las bases A  y  B   respectivamente:

A = a1   a2   ···   a n

B =
 b1   b2   ···   bn

141
 

OSCAR G. DUARTE

Un vector x   tendra coordenadas α i  en la base A  y β i  en la base B. Defi-

nimos los vectores columna α  y β   que contienen las coordenadas:
 α1
  β 1

 α2   β 2 
α = .. β  = ..
 .   . 
αn β n

Las expresiones que permiten encontrar las coordenadas de x  en una base
a partir de sus coordenadas en la otra son las siguientes:

Aα = Bβ α = A −1 Bβ β  =  B −1 Aα   (6.8)

En caso de que  A  sea la base estándar, la matriz A resulta ser la matriz

identidad de orden n  y (6.8) se convierte en

α = Bβ β   = B −1 α   (6.9)

Transformaciones lineales:  Dado un espacio vectorial   V   de dimensión   n,

entenderemos por  transformaci´ 
on lineal , en el contexto de este capı́tulo,
una función V →
V que puede representarse por una matriz cuadrada A
×
de dimensión n n:
y = Ax

En otras palabras, una transformación lineal toma un vector   x  ∈   V   y

∈
produce un vector y V mediante la operación y  = Ax.

Transformaciones y cambios de base:  Sea T   una transformación lineal, que

en la base estándar se representa por la matriz T α . La misma transforma-
{
ción se representará en otra base B  = b1, b2 ,  , bn  por ··· }
Tβ  = B −1 Tα B   (6.10)

en donde B = [b1  b 2  ··· bn ]

Ejemplo 6.5   La función T   : R2   R2 consistente en la rotación de vectores 90

→ o

en sentido horario es una transformación lineal representada por la matriz A:

A =
  0 1
−1 0

Un vector x  de coordenadas (a, b) se convertirá en un vector y  cuyas coordenadas

se calculan asi:     
 0 1 a  b
y = Ax =  =
−
1 0 b a −
142
 

6.2. ALGUNOS RESULTADOS DE   ÁLGEBRA LINEAL

α1 =1
γ 1 =1
α2 =3
β 2 =2 γ 2 =-2

β 1 =-1

: base   : vector x

Figura 6.3:  Cambio de base de un Vector

Ejemplo 6.6   En   R2 puede definirse una base con cualquier pareja de vectores no
 { }  {
paralelos. Definamos por ejemplo  A = (1, 0), (0, 1) , B  = (3, 1), (2, 2)  y C   = }
{− − − }
( 1, 1)( 1, 1) (vectores rojos en la figura 6.3).
Consideremos ahora el vector   x en la figura 6.3. Sus coordenadas en la base
estándar A  serán   
α 1
α = 1  =
α2 3
Para obtener las coordenadas de x en las bases B  y C  construimos las matrices
B y  C  y empleamos (6.9)

B =
 
3 2
−   − 
  C =
1 1
1 2  − 1 1

β  =

β 1
 = B −1 α =
   −   − 
  1/2 1/2 1
 =
1

γ  =
β 2

γ 1
 = C −1 α =
−−    
1/4

1/2 1/2
3/4 3

1
 =
 1
2

γ 2 −1/2   −1/2 3 2 −

Puede verificarse que las coordenadas en las bases B y C  satisfacen las relaciones
(6.8)
β  = B −1 Cγ γ  = C −1 Bβ 

Ejemplo 6.7  En el ejemplo 6.5 se mostró que la rotación de 90 en sentido horario o

estaba representada en la base estándar por la matriz

Tα  =
   0 1
−1 0

 {
La misma transformación se representará en la base  B = (3, 1), (2, 2)  por la }
matriz
Tβ  = B −1 Tα B

143
 

OSCAR G. DUARTE

Tβ  =
  1/2   −1/2    
 0 1 3 2
 =
 2 2

− 1/4 3/4 − 1 0 1 2 −  − 2.5 2
Supóngase ahora el vector x, cuyas coordenadas en la base estándar son α x  =
−
(1, 3) y en la base B  son β x  = ( 1, 2) (ejemplo 6.6). Al efectuar la rotación de 90 o

en sentido horario se obtendrá un vector y  cuyas coordenadas en la base estándar

serán α y  y en la base  B  serán β y :

αy  =
    
 0 1 1
 =
 3
  αy  =
  2 2
−   
1
 =
 2
− 1 0 3 −
1 −  −2.5 2 2 −1.5

6.2.2. Valores y vectores propios

Sea A  una transformación lineal   Rn Rn . Un escalar λ  es un valor propio
→
o  valor caracterı́stico   de   A   si existe un vector no nulo   v   tal que   Av   =   λv.
Cualquier vector no nulo v  que satizfaga

Av = λv   (6.11)

es un  vector propio  asociado con el valor propio λ 1 .

La relación (6.11) implica que para un vector propio  v  el efecto de aplicarle
la transformación lineal A es igual que amplificarlo por el escalar λ. Esto implica
que un vector y el vector transformado son colineales o paralelos y por lo tanto
linealmente dependientes.
Para calcular los valores propios de una matriz  A puede reescribirse la ecua-
ción (6.11) como
Av λv = 0 −
−
(A λI)v = 0

En donde I es la matriz identidad de igual orden que A, es decir n n. Para ×

 −
que exista una vector  v =  0  tal que (A λI)v = 0 debe cumplirse que

det(λI − A) = 0 (6.12)

El lado izquierdo de la ecuación (6.12) corresponde a un polinomio de orden

n en la variable λ conocido como el polinomio caracterı́stico   de A y denotado
por ∆(λ).
Dicho de otra forma, los valores propios de A  son las raices de su polinomio
caracterı́stico ∆(λ). Por tanto, la matriz A tiene n valores propios λ1 , λ2 ,  , λn ; ···
estos valores podrán ser reales o complejos y podrán ser diferentes o repetidos.
1 La definición (6.11) se refiere estrictamente a  valores y vectores propios por derecha , para

distinguirlos de los   valores y vectores propios por izquierda , que deben satisfacer   v t A = λ vt .
En este texto sólo se consideran los primeros, y por tanto se hace referencia a ellos simplemente
como   valores y vectores propios.

144
 

6.2. ALGUNOS RESULTADOS DE   ÁLGEBRA LINEAL

Ejemplo 6.8  Obtener los valores y vectores propios de la matriz

A =
 
 4 1
−2 1

 − −   
Construimos la matriz B  = (λI A) y hallamos su determinante:

− A) = λ 10 01 − 42 11  = (λ −2 4)  (λ−−11)

B = (λI

∆(λ) = det(B) = (λ − 4)(λ − 1) + 2 = λ 2 − 5λ + 6 = (λ − 2)(λ − 3)
Los valores propios de A serán las raı́c es de  ∆(λ)

λ1  = 2   λ2  = 3

Los vectores propios asociados a λ 1  = 2 deben cumplir (6.11):

Av1  =  λ 1 v1
     
 4 1 v11 v
 = 2 11
 4v11 + v21
  
 =
2v11
− 2 1 −
v21 v21 2v11 + v21 2v21
Se crea entonces un sistema de ecuaciones con infinitas soluciones:
  4v11 + v21   = 2v11
−2v11 + v21   = 2v21
Para obtener un vector propio asociado a  λ1   = 2  podemos escoger arbitraria-
mente un valor para v 11  o para v 21 . Por ejemplo, si escogemos v 11  = 1  obtenemos
−
v21  = 2. En consecuencia, un vector propio asociado a  λ 1  = 2 será

v1  =

 1
  en general   v1  =
 
 a
−2 −2a
Los vectores propios asociados a λ 2  = 3 también deben cumplir (6.11):

Av2  =  λ 1 v2
     
 4 1 v12 v
 = 3 12
 4v12 + v22
  
 =
3v12
− 2 1 −
v22 v22 2v12 + v22 3v22
Se crea entonces un segundo sistema de ecuaciones con infinitas soluciones:
  4v12 + v22   = 3v12
−2v12 + v22   = 3v22
Para obtener un vector propio asociado a  λ2   = 3  podemos escoger arbitraria-
mente un valor para v 12  o para v 22 . Por ejemplo, si escogemos v 12  = 1  obtenemos
−
v22  = 1. En consecuencia, un vector propio asociado a  λ 2  = 3 será

v2  =

 1
  en general   v2  =

 a
− 1 −a
145
 

OSCAR G. DUARTE

Ejemplo 6.9  Obtener los valores y vectores propios de la matriz

A =
 
 2 1
−1 2

Construimos la matriz B = (λI

B = (λI − A) = λ

 − −   
1 0  2 1
A) y hallamos su determinante:

(λ − 2)   −1

0 1 −1 2  = 1 (λ − 2)
∆(λ) = det(B) = (λ − 2)2 + 1 = λ 2 − 4λ + 5
Los valores propios de A  serán las raı́c es de  ∆(λ)

λ1,2  = 2 ± j
Al aplicar (6.11) para λ1  y λ2  se obtienen dos sistemas de ecuaciones con infinitas
soluciones
   2v11 + v21   = (2 + j)v11
 2v12 + v22   = (2 − j)v12
− v11 + 2v21   = (2 + j)v21 −v12 + 2v22   = (2 − j)v22
Seleccionando arbitrariamente v 11  = 1 y  v 12  = 1 se obtiene

v1  =
 1
  v2  =

 1
 j −
 j

o en general   
a  a
v1  =   v2  =
 ja − ja

6.2.3. Forma canónica de Jordan

Matrices con valores propios diferentes
···
Sean λ1 , λ2 ,  , λn   los n valores propios de una matriz A de orden n n, ×
todos diferentes, y sea   vi   un vector propio asociado a   λi   con   i   = 1, 2,  , n. ···
 { ··· }
El conjunto V   = v1 , v2 ,  , vn  es linealmente independiente, y por lo tanto
sirve como una base para el espacio vectorial.
Si se efectua un cambio de base a la nueva base  V , la matriz A se transforma
en la matriz Λ  de acuerdo con (6.10):

Λ = M −1 AM   (6.13)

La matriz Λ es la matriz diagonalizada , o la  forma can´ 

onica de Jordan   de
A, y se define asi:  
λ1   0   ···   0
0   λ2   ···   0 
Λ = . ..   . .  
.. . . ... 
0 0   ···   λ n

146
 

6.2. ALGUNOS RESULTADOS DE   ÁLGEBRA LINEAL

La matriz M  se denomina la matriz modal , y se define asi:

M = v1   v2
   ···   v n

Esta afirmación puede demostrarse facilmente al comprobar que MΛ = AM:

λ1   0   ···
  0

 0   λ2
    ···
  0   
MΛ = v1   v2   ···   vn .. ..   . .   .. = λ1 v1   λ2 v2
. .
  ···   λn vn
. . 
0 0   ···
  λn

AM = A v1   v2   ···   v n
 
 = Av1   Av2   ···   Av
n

Como Avi   =   λi vi  entonces las ecuaciones anteriores se reducen a   MΛ =
AM o lo que es igual
Λ = M −1 AM

Ejemplo 6.10   La transformación lineal representada por la matriz

A =
   4 1
−2 1

cuyos valores propios son (Ejemplo 6.8) λ1   = 2, λ2   = 3  con vectores propios v1 ,
v2 :  
 1  1
v1  =   v2  =
2 − 1 −
 { }
Tiene una representación en la base v1  v 2  dada por la matriz diagonal

Λ = M −1 AM =
−   −  
1 1  4 1  1 1
  
 =
2 0 λ   0
 = 1
2 1 −2 1 −2   −1 0 3 0   λ2

Ejemplo 6.11   La transformación lineal representada por la matriz

A =
   2 1
−1 2

cuyos valores propios son (Ejemplo 6.9) λ 1,2  = 2

v1  =
1
  v2  =
± 
 j con vectores propios v 1 , v 2 :

 1
 j − j
 { }
Tiene una representación en la base v1  v 2  dada por la matriz diagonal

Λ = M −1 AM

Λ =

 j/2 −  j/2
   
 2 1 1 1
 =
2 + j   0 λ   0
 = 1
  
 j/2   j/2 − 1 2  j  −  j 0 2  j 0   λ2 −
147
 

OSCAR G. DUARTE

Matrices con valores propios repetidos

Al intentar efectuar la diagonalización de una matriz  A que tenga valores
propios repetidos puede encontrarse un tropiezo debido a que los vectores propios
no necesariamente son linealmente independientes; de hecho, lo usual es que no
lo sean aunque existen casos en que lo son.
Al no contar con un número suficiente de vectores propios linealmente inde-
pendientes no es posible construir una base que diagonalice la matriz. No será
posible obtener M −1 y no se podrá calcular Λ = M −1 AM. Pese a ello, siempre
se podrá obtener una  diagonalizaci´  on por bloques .
×
Dada una transformación lineal A de orden n n, de valores propios λ 1 , λ 2 ,
··· , λ n , se define la degeneracidad  del valor propio λ i , denotada por d i , como el
número de vectores propios de linealmente independientes asociados a un valor
propio λ i , y se calcula asi:

di  =  n − ρ(λ I − A)
i

en donde ρ(X) es el rango  de la matriz X, que equivale al número de columnas

(o filas) linealmente independientes de X

Ejemplo 6.12  Obtener los valores y vectores propios de la matriz A y diagonalizarla

A =
 
 1 2
−2 5

Construimos la matriz B = (λI

B = (λI − A) = λ

1 0
 − −   A) y hallamos su determinante:

 1 2   −
 =
(λ 1) 2 − 
0 1 − 2 5 − 2 (λ 5)

∆(λ) = det(B) = (λ − 1)(λ − 5) + 4 = λ 2 − 6λ + 9 = (λ − 3)2

Los valores propios de A  serán las raı́c es de  ∆(λ)

λ1  =  λ 2  =  λ = 3

La degeneracidad de λ  = 3 se obtiene asi:

d1  = 2 − ρ(3I − A)
d1  = 2 −ρ
 −3 1   −2   = 2 −ρ
   − 
2 2
 = 2 −1 = 1
2 3−5 2   −2
Lo anterior significa que aunque λ  tiene multiplicidad 2, sólo es posible encontrar
un vector linealmente independiente. Este se obtiene empleando (6.11), y resulta
ser  
1 a
v1  =   en general   v1  =
1 a
No es posible construir una base para el espacio de dimensión   2  con un sólo
vector, por lo tanto no es posible diagonalizar A

148
 

6.2. ALGUNOS RESULTADOS DE   ÁLGEBRA LINEAL

Ejemplo 6.13  Obtener los valores y vectores propios de la matriz A y diagonalizarla

 3 0   −1 
A = − 1 2   −1 
1 0 3

Construimos (λI − A):
−(λ 3) 0 1

λI − A = − 1
1 (λ − 2)
0 (λ
1
− 3)

Su polinomio caracterı́stico resulta ser

∆(λ) = (λ − 3)2(λ − 2) − (λ − 2) =  λ3 − 8λ2 + 20λ − 16

Las raı́ces del polinomio son λ 1  = λ 2  = 2, λ3  = 4. Para determinar la degeneracidad
de λ 1  calculamos λ 1 I A−
− (2 3) 0 1
 − 1 0 1

λI − A = − 1 (2 2)− 1  =  − 1 0 1
1 0 (2 3) − 1 0  − 1

d1  = n − ρ(λI − A)   d1  = 3 −1 = 2
Lo anterior significa que existen dos vectores propios linealmente independientes
asociados a λ 1  = λ 2  = 2. Estos dos vectores junto con el vector propio asociado a
λ3  = 4 pueden formar una base y por tanto es posible diagonalizar A. Para obtener
los tres vectores propios empleamos (6.11):
 3 0   −1       −    
a a 3 0 1 d d
− 1 2   −1     −   −     
b  = 2 b 1 2 1 e  = 4 e
1 0 3 c c 1 0 3 f  f 

Se originan los sistemas de ecuaciones

 −  −
3a c = 2a 3d f   = 4a
− − − −
a + 2b c = 2b d + 2e f   = 4e
a + 3c = 2c d + 3f   = 4f 

Que se convierten en
a = c d = e = −f 
Podemos construir dos vectores linealmente independientes  v1 , v2  que satisfacen

1 1
 −
a = c  y un tercero v 3  que satisface d = e = f , por ejemplo
  1
v1  = 0    v2  = 1    v3  = −  1
1 1 1

149
 

OSCAR G. DUARTE

 { }
En la base v1  v 2  v3  la transformación A  se representa por Λ:
 1   −1 0
 3 0   −1 1 1 1

Λ = M −1 AM = − 1/2 1 1/2  −1 2   −1 0 1 1 
1/2

2 0
  −
0 1/2

0
  1 0

λ1   0 0
3 1
 1  −1

Λ = M−1 AM = 0 2  0  = 0   λ2   0
  
0 0 4 0 0   λ3

Cuando no se puede encontrar un conjunto de vectores propios linealmen-

te independiente lo suficientemente grande para diagonalizar la matriz, debe
acudirse al concepto de  vectores propios generalizados  para lograr una diagona-
on por bloques .
lizaci´ 
El concepto de vector propio generalizado, y la forma de calcularlos se sale
del ámbito de este texto, aunque una presentación detallada puede encontrarse
en el apéndice D. No obstante, es posible determinar en forma sencilla cuál es
la forma de la matriz diagonalizada por bloques, o  forma can´  onica de Jordan 
de una matriz, según se explica a continuación.
En general, se representa la forma canónica de Jordan de la matriz  A por
J, y es de la forma  
J1   0   0  ···
0 J2
   0  ··· 
J = . .
.. ..   . . .   ... 
0 0   ···   J2
en donde cada término  J i  es una submatriz cuadrada (un bloque de Jordan ) de
la forma  
λj   1 0   0   ···
 0   λj   1   0   ··· 
. ..   . .
J  = ..
i  . .   0   ··· 
  ..
0 0 0 .   1
0 0 0   ···   λj
Cada bloque de Jordan está asociado a un valor propio de la matriz  A. Para
conocer la forma exacta de la matriz J  es necesario responder estas preguntas:

¿Cuántos bloques tiene asociados cada valor propio no repetido de la ma-

triz A?

¿De qué tamaño es cada uno de los bloques de Jordan asociados a cada
valor propio no repetido de la matriz  A?

El siguiente algoritmo permite obtener las respuestas. Se plantea para un

valor propio λ, y deberá aplicarse para cada valor propio diferente:

1. Se define la matriz B  = A − λI.

150
 

6.2. ALGUNOS RESULTADOS DE   ÁLGEBRA LINEAL

ν̂    ×
r ×
··· ··· ···
ν̂ 2   × ··· ×
ν̂ 1   × ··· × ×
Figura 6.4:  Diagrama de Matthew vacio simple

2. Se calcula   ρ(B0 ), ρ(B1 ), ρ(B2 ), ···  , ρ(B) r

hasta que no haya cambio al
incrementar el exponente.

i
···  , ν  , en donde ν   = n − ρ(B ).
3. Se calculan las nulidades   ν 0 , ν 1 , ν 2 , r i

4. Se calcula ν̂   =  ν  − ν  −1 , para i  = 1, 2, ···  , r.

i i i

5. Se construye el  diagrama de Matthew  con la forma que se presenta en la

figura 6.4: el número de celdas de cada fila del diagrama de Matthew está
determinado por ν̂ i .

6. Utilizar las siguientes convenciones:

a ) Identificar el número de columnas del diagrama como q .

b) Identificar las columnas del diagrama como c 1 , c2 , ···  , c  de izquierda
q
a derecha.
c ) Identificar el tamaño de cada columna como h 1 , h2 , ···  , h .
q

7. En esas condiciones el número de bloques de Jordan asociados al valor

propio λ  es  q , y el tamaño de cada uno de esos bloques es  h 1 , h2 ,  , hq . ···
En general, la forma canónica de Jordan será entonces:
 J11   0   ···
  0

 0 J12   ···
  0 
.. ..   . .   ..
 . . . .   0 
0 0   ···
  J1q1
J = ..
 . 
Jm1   0   ···
  0
 0 Jm2   ···
  0 
.. ..   . .   ..
 0 . . . . 
0   ···  0 Jmqm

151
 

OSCAR G. DUARTE


λj   1 0   ···   0 
0   λj   1
   ···   0 
. ..   . .
Jji  = .. . .   ···   0 
  ..
0 0 0 .   1
0 0 0   ···   λ j hij ×hij
Ejemplo 6.14   Sea A  la matriz2
3
  − 1 1 1 0

0
1
0
   −   − 1
0 2
1
0
1 0
1
0

1
A =
0   − 0 0 2 1 −1
0 0 0 0 1 1
0 0 0 0 1 1
Para calcular los valores propios de A  hacemos
det(A − λI) = [(3 − λ)(1 − λ) + 1](λ − 2)2[(1 − λ)2 − 1] = (λ − 2)5λ = 0
Es decir,  A tiene un valor propio  2 de multiplicidad 5   y un valor propio  0  de
multiplicidad 1. Nos proponemos encontrar el diagrama de Matthew de los vectores
propios asociados a λ 1  = 2.
Para ello definimos B = (A 2I) y calculamos B 0 , B1 , B2 , B3 , , sus rangos
− ···
y nulidades
B0 = I   ρ(A 2I)0 = 6   ν 0  = 6 6 = 0
1
  − −  1 1 1 0 0
−
1
0
   −   −   −
0
1
0
1 0
1 0
1
0
1 −
ρ(A 2I) = 4
B =
0  0   −  − 
0 0 1 1 −
ν 1  = 6 4 = 2
0 0  −
0 0 1 1
0 0 0  − 0 1 1
0
 0 2
 2 0 0
0  0 2  2 0 0
0 0 0 0 0 0 ρ(A 2I)2 = 2−
B2 =
0  0 0  0 0 0 ν 2  = 6 2 = 4 −
0 0 0  − 0 2 2
0  −
0 0 0 2 2
0
 0 0
 0 0 0
0  0 0 0 0 0
0 0 0 0 0 0 ρ(A 2I)3 = 1−
B3 =
0  0 0 0
 0 0 ν 3  = 6 1 = 5 −
0  −
0 0 0 4 4
0 0 0  − 0 4 4
2 adaptado de [5, pp.: 43]

152
 

6.2. ALGUNOS RESULTADOS DE   ÁLGEBRA LINEAL

Al calcular B 4 encontramos ν 4  = ν 3  y por tanto no es necesario continuar. Con

la información anterior podemos calcular  ν̂ i :

ν̂ 3   =   ν 3 − ν 2   = 5 − 4 = 1

ν̂ 2   =   ν 2 − ν 1   = 4 − 2 = 2
ν̂ 1   =   ν 1 − ν 0   = 2 − 0 = 2

Con esta información podemos construir el diagrama de Matthew

×
× ×
× ×
De donde se deduce que q   = 2, h1   = 3  y h2   = 2; en otras palabras, el valor
×
propio 2  tendrá 2 bloques de Jordan, uno de tamaño 3 3 y otro de tamaño 2 2. ×
Adicionalmente, el valor propio 0 tendrá un único bloque de Jordan de tamaño 1 1, ×
por ser un valor propio de multiplicidad 1. En consecuencia la forma canónica de
Jordan de la matriz A será
 2 1 0 0 0 0
  
  2 1 0 0 0 0
0 2 1 0 0 0 0
 2 1 0 0 0 
0 0 2 0 0 0 0 0 2 0 0 0
J = M−1 AM =
 0 0 0 2 1 0
 =
0
 0 0 2 1 0 
 0 0 0 0 2 0  0 0 0 0 2 0
0 0 0 0 0 0
0 0 0 0 0   0

Matrices con valores propios complejos

Dado que los valores propios de una matriz pueden ser complejos, en general
las matrices de Jordan y Modal, J  y  M, serán complejas.
No obstante, cuando existen valores propios complejos es posible efectuar
otro cambio de coordenadas diferente que produce también una matriz diagonal
por bloques, pero real, conocida como la forma can´  onica real de Jordan .
La nueva matriz modal M R  reemplaza cada pareja de vectores propios com-
plejos conjugados de M por dos vectores reales, uno con la parte real y otro con
la parte imaginaria de los vectores reemplazados.
±
Para un valor propio complejo   λ   =   a  jb   que no se repite, el bloque de
Jordan asociado tendrá la forma

Ji  =
 
 a b
−b a

Ejemplo 6.15  Sea la matriz A

0
 0.5
0
A = 0  0  − 2
1 1  − 2

153
 

OSCAR G. DUARTE

Los valores propios de A  son

λ1  = −1   λ2,3  = −0.5 ± j0.866
La forma canónica de Jordan de A y la matriz modal que la producen son:
− 1 0 0

J =   −
0
0
0.5 + j0.866
0   − −
0
0.5  j0.866

− − − −
0.408 ( 0.015  j0.408) ( 0.015 + j0.408)

M =  0.816 (0.721 + j0.382) (0.721  j0.382) − 
0.408 (0.346  j0.217) −
(0.346 + j0.217)
Para obtener la forma canónica real de Jordan de  A  construimos la matriz real
MR  remplazando las columnas complejas por columnas con la parte real e imaginaria
de éstas, y verificamos.
− 0.408   −0.015   −0.408 
MR  =  0.816 0.721 0.382 
0.408 0.346   −0.217

−1 0 0

JR  =  M −1  AMR
R  = 0   −0.5 0.866
 
0   −0.866   −0.5

6.2.4. Funciones de matrices cuadradas

Sea f (σ) una función que opera sobre un escalar, y sea  A una matriz cua-
×
drada n n. En esta sección se aborda el problema de cómo calcular f (A), es
decir, como extender f (σ) de los escalares a las matrices.
Si   f (σ) es un polinomio, la extensión a las matrices se fundamenta en la
definición
Ak = AA A A0 = I
  ···     (6.14)
k  veces
Si la matriz A  tiene una representación canónica de Jordan J  obtenida con
la matriz modal M, es decir, si A  = MJM −1 entonces
Ak = (MJM−1 )(MJM−1 ) (MJM−1 ) = M (J J) M−1
   ···       ···  
k  veces k  veces

Ak = MJ k M−1 (6.15)

Como J es un a matriz diagonal por bloques, el cálculo de Jk puede efectuarse
como sigue:

J1   0   ···   0
 
Jk1   0   ···   0

0 J2
   ···   0  0 Jk2
   ···   0 
k
J = . ..   . .   J = .
..  . . ...  ..
 ..   . .   ..
. . . 
0 0   ···   J n 0 0   ···  Jkn

154
 

6.2. ALGUNOS RESULTADOS DE   ÁLGEBRA LINEAL

Empleando la definición (6.14), un polinomio genérico

f (σ) =  a 0  + a1 σ + a2 σ 2 + ··· + a nσ

n

puede calcularse en A  como

f (A) =  a 0 I + a1 A + a2 A2 + ··· + a nA
n

o en función de las matrices M  y  J:

f (A) = a 0 MIM−1 + a1 MJM−1 + a2 MJ2 M−1 + ··· + a n MJ

n
M

f (A) =  Mf (J)M−1 (6.16)

k
Ejemplo 6.16   Calcular A cuando A  es una matriz diagonal:

λ1   0   ···   0
 
λk1   0   0   ··· 
0   λ2
   ···   0  k
0   λk2
   0   ··· 
A = . ..   . .   A = .
..
 . . ...  ..  ..   . .   ..
. . . 
0 0   ···   λ n 0 0   λkn  ···
k
Ejemplo 6.17   Calcular  A cuando A es una matriz con la forma de los bloques
reales de Jordan para el caso en que los valores propios son imaginarios puros

A =
 
 0   b
−b   0
calculamos los primeros términos A 1 , A2 , A 3 , A4 , A 5 y A 6 :

A1 =
  − 
 0   b
  A2 =
b2 0
  A3 =
 0   −b3 
b2 b3

4
A =
−     − 
b4 0
b  0

  A =5  0   b5
0

  A = 6
− b6
0
0

0   b4 − b5 0 0   −b6
Observando la secuencia se puede inferir que
  −  k
( 1) 2 bk 0
 k   si k es par
− 0 ( 1) 2 bk
k
A =
 −  0

k+1
k−1
( 1) 2   bk
  si k  es impar
 ( 1) 2   bk
− 0

También es posible extender una función f (σ) que no sea un polinomio de

los escalares a las matrices empleando la representación de   f (σ) en series de
Taylor expandidas alrededor de 0 (series de MacLaurin):

f (σ) =
∞ σk dk f (σ)  (6.17)
k! dσk σ
k=0

155
 

OSCAR G. DUARTE

Empleando (6.17) se puede expresar  f (σ) como un polinomio de σ. Si A  es
una matriz cuadrada, puede calcularse f (A) empleando ese polinomio.
Las siguientes son las expansiones de algunas funciones comunes:

 σt  σ 2 t2  σ3 tk  σ 4 tk
eσt = 1 +  +  +  +  + ···   (6.18)
1! 2! 3! 4!

2 2 4 4 6 6 8 8
cos σt = 1 − σ2!t   + σ4!t   − σ6!t   + σ8!t   + ···   (6.19)

3 3 5 5 7 7
  σt
sin σt =  −  σ3!t   +  σ5!t   −  σ7!t   + ···
1!
  (6.20)

Ejemplo 6.18   Sea A  una matriz diagonal como la del ejemplo 6.16. Para calcular
eAt podemos emplear (6.18)

 At  A 2 t2  A 3 tk  A4 tk
eAt = I +  +   +   +   + ···
1! 2! 3! 4!
que de acuerdo con los resultados del ejemplo 6.16 se calculará asi:
1 0   ···   0  λ1   0
   0   ···λ21   0
2
   0
   ··· 
0
 1   ···   0    t 0   λ2    0   ···
 t 2 0   λ2    0    ··· 
eAt = . ..   . .   .. + . ..   . .   .. + . + ···
..
 . . .  1! .. .  . . 2! .. ...   . . .   ...
  
0 0   ···  1 0 0   λn   ···0 0   λ2n   ···

g1 (t) 0   0   ··· 
At
0   g2 (t)
   0   ··· 
e = .. ..   . .   ..
.  . . . 
0 0   gn (t)   ···
 λ i t  λ2i t2  λ 3i t3
gi (t) = (1 +
1!
 +
2!
 +
3!
 + ) ···
Cada uno de los términos de la diagonal, gi (t), corresponde a la expansión en
series de Taylor de una exponencial como las de (6.18), por lo tanto  e At será:

eλ1 t 0   0   ··· 
0   eλ2 t
   0 ··· 
eAt = ..
.
 ...   . . .   ... 
0 0   eλn t
  ···
Ejemplo 6.19   Sea A una matriz con la forma de los bloques reales de Jordan para
el caso en que los valores propios son imaginarios puros, como la del ejemplo 6.17.
Para calcular e At podemos emplear (6.18)

 At  A 2 t2  A 3 tk  A4 tk
eAt = I +  +   +   +   + ···
1! 2! 3! 4!

156
 

6.3. VARIABLES DE ESTADO

que de acuerdo con los resultados del ejemplo 6.17 se calculará asi:

eAt =
    −  
1 0
+
  t  0   b  t2
+
b2 0
+
 t3 0   −b3   
+
 t4 b4 0
+ ···
b2 3! b3 4! 0   b4
0 1
 −−1! −
···
b  0

 −
2!
2 2 4 4
  (1   t 2!b   +   t 2!b   +
0

) ( tb   t 3 b3
0

  t5 b5
···
3!   + 45!4   +
 )
eAt = 3 3
  t5 b5
1!
  t2 b2
( tb
− 1!
 +   t 3!b  − 5!
 + ···
) (1 − 2!
 t b
  + 2!   + ··· )
Cada uno de los términos de la matriz corresponde a la expansión de Taylor de una
sinusoide como las de (6.19) y (6.20), por lo tanto e At puede calcularse como

eAt =
  cos(bt) sin(bt)

− sin(bt) cos(bt)

Ejemplo 6.20   Sea A  una matriz con la forma de los bloques reales de Jordan

A =
 
 a b
−b a

Patra calcular e At escribimos A  como la suma de dos matrices:

A =
  a b
 = B + C =
a  0
+
  
 0   b
−b a 0  a b 0 −
At Bt Ct
De tal manera que e = e e . Empleando los resultados de los ejemplos 6.18 y
6.19 se tiene que

eBt =
 eat 0
   eCt =
  cos(bt) sin(bt)

0   eat − sin(bt) cos(bt)

y por lo tanto

eAt =
 eat 0
  cos(bt) sin(bt)
 =
 
 e at cos(bt)   eat sin(bt)

0   eat − sin(bt) cos(bt) eat sin(bt)   eat cos(bt)
−

6.3. Variables de estado

De acuerdo con la presentación de la sección 6.1, se estudiarán en este capı́-
tulo sistemas dinámicos de múltiples entradas y múltiples salidas como los de
las figuras 6.1 y 6.2.
El modelo matemático de estos sistemas serán las ecuaciones (6.21) y (6.22)
para los casos continuos y discretos, respectivamente; en ambos casos la primera
ecuación, que contiene la dinámica del sistema, se denomina ecuaci´  on de estado
y la segunda ecuaci´ 
on de salida .
  ẋ(t) = Ax(t) + Bu(t)
  (6.21)
y(t) = Cx(t) + Du(t)

157
 

OSCAR G. DUARTE

+
u(s) + sx(s)   x(s) + y(s)
B 1/s   C
+

Figura 6.5:  Diagrama de Bloques de un sistema contı́nuo en representación de

espacio de Estado

 x(k + 1) = Ax(k) + Bu(k)

  (6.22)
y(k) =  Cx(k) + Du(k)

En las ecuaciones (6.21) y (6.22)   A,   B,   C   y   D  son matrices reales cuyas

dimensiones están especificadas en (6.6), mientras que   u,   y,   x   son los vecto-
res definidos en (6.3), que contienen las variables de entrada, salida y estado
respectivamente.
Nótese que la dinámica del sistema está representada en la ecuación de esta-
do, pues es allı́ en donde aparecen las derivadas o las diferencias, mientras que
la ecuación de salida es algebráica.
Las figuras 6.5 y 6.6 muestran dos diagramas de bloques que representan las
ecuaciones 6.21 y 6.22 respectivamente. Para interpretar adecuadamente estos
diagramas es necesario tener en cuante que:

1. Las flechas representan vectores   de señales y los bloques   A,   B,   C   y   D

matrices.

2. El bloque 1/s en la figura 6.5 corresponde a la función de transferencia de

t  
un integrador y(t) = 0  x(t)dt que opera sobre cada una de las señales de
entrada de forma independiente.

3. El bloque 1/z  en la figura 6.6 corresponde a la función de transferencia

−
de un bloque de retardo y (k) = x(k 1) que opera sobre cada una de las
señales de entrada de forma independiente.

4. Como en todo diagrama de bloques con funciones de transferencia, se han

supuesto condiciones iniciales nulas.

158
 

6.3. VARIABLES DE ESTADO

+
u(z) + zx(z)   x(z) + y(z)
B 1/z   C
+

Figura 6.6:  Diagrama de Bloques de un sistema discreto en representación de

espacio de Estado

6.3.1. El concepto de estado

¿Qué son las variables de estado? una posible aproximación es pensar en
ellas como variables matemáticas auxiliares que permiten representar el com-
portamiento de sistemas mediante ecuaciones como (6.1) y (6.2), que en el caso
de sistemas lineales invariantes en el tiempo se convierten en (6.21) y (6.22).
No obstante, existe otra posible interpretación: Los sistemas dinámicos se
rigen por ecuaciones diferenciales y de diferencia; este tipo de ecuaciones tie-
nen una única solución unicamente si se establece un conjunto de condiciones,
denominadas condiciones auxiliares ; usualmente éstas determinan en el instan-
te de tiempo considerado como inicial, y por tanto se denominan   condiciones 
iniciales .
De lo anterior se desprende que para conocer el comportamiento de un sis-
tema dinámico se necesita cierta información adicional a la sóla ecuación dife-
rencial. Este hecho justifica la siguiente definición:

Definición 6.1 Estado

El  Estado   de un sistema en el tiempo t 0  (o en k 0  si es discreto) es la cantidad de
información necesaria en ese instante de tiempo para determinar de forma única,
 ≥
 junto con las entradas u, el comportamiento del sistema para todo  t  t 0  (o para
≥
todo k k0  si es discreto)

De acuerdo con la definición 6.1, las  variables de estado   serán variables que
muestran cómo evoluciona el estado del sistema, es decir, serán variables que
contienen la información necesaria para predecir la evolución del comportamien-
to del sistema en forma única.
También suelen definirse las variables de estado como cualquier conjunto
de variables que describa el comportamiento del sistema, siempre y cuando ese
conjunto sea del menor tamaño posible.

159
 

OSCAR G. DUARTE

R L

+
+ vR (t) − iL (t)
  +
v(t) −
C  vC (t)
−
Figura 6.7:  Circuito RLC serie

Cualquiera que sea la interpretación que se adopte, debe tenerse presente

que:
Las variables de estado pueden tener o no sentido fı́sico.
Las variables de estado pueden o no ser medibles.
Para un mismo sistema dinámico las variables de estado no son únicas; de
hecho, se pueden definir infinitos conjuntos de variables que sirvan como
variables de estado.

Ejemplo 6.21  Para conocer el comportamiento de un circuito RLC serie como el

de la figura 6.7 es necesario establecer los valores de   i L (0+ )   y   vC (0+), por esta
razón, las variables i L (t) y  v C (t) sirven como variables de estado.
La aplicación de las leyes de Kirchhoff en el circuito da como resultado
 RiL (t) + L
diL (t)
  + vC (t) = v(t)
dt
 dvC (t)
iL (t) = C 
dt
Estas ecuaciones pueden organizarse de la siguiente forma
 diL (t)
  =
 R
− iL (t) −  L1 v
C (t) +
 1
v(t)
dt L L
 dvC (t)  1
  = iL (t)
dt C 
O en forma matricial:
 diL (t)/dt
 =
 − R/L  −
1/L
     
iL (t)
+
1/L
v(t)
dvC (t)/dt 1/C    0 vC (t) 0
Supóngase que en el circuito se quiere estudiar el comportamiento de las varia-
bles vR (t) e iL (t), es decir, que seleccionamos estas variables como las salidas del
sistema. Dado que v R (t) = Ri L (t), podremos escribir la ecuación
    
vR (t)
 =
R 0 iL (t)
iL (t) 1 0 vC (t)

160
 

6.3. VARIABLES DE ESTADO

En resumen, una representación en variable de estado del circuito estarı́a dada

por las ecuaciones
  −   −  
diL (t)/dt
  =
R/L 1/L iL (t)
 +
  
1/L
v(t)
 dvC (t)/dt 1/C    0 vC (t) 0
  
vR (t)
  
  =
R  0 iL (t)
  +
  
0
v(t)
iL (t) 1 0 vC (t) 0
que son de la forma
  ẋ(t) = Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
en donde    
  vR (t) iL (t)
u(t) = v(t)   y(t) =   x(t) =
iL (t) vC (t)

A =
−   −    
R/L 1/L
  B =
1/L
  C =
R  0
    D = 0
1/C    0 0 1 0
Ejemplo 6.22   Supóngase un motor eléctrico de corriente continua controlado por
campo, como el que se muestra en la figura 6.8, con corriente de armadura cons-
tante, que mueva una carga de momento de inercia  J , con coeficiente de fricción
viscosa B  a una velocodad angular ω (t).

Rf    Lf 

J, B
+
vs (t) −

if (t) ω(t)

Figura 6.8:  Motor DC controlado por campo

La ecuación del circuito eléctrico de campo es

dif (t)
Rf if (t) + Lf    = vs (t) (6.23)
dt
Al considerar que la corriente de armadura es constante, se tiene que el par
motor T (t) generado es directamente proporcional a la corriente de campo con una
cierta constante de proporcionalidad K T , es decir
T (t) = K T if (t) (6.24)
La aplicación de las leyes de newton al sistema dan la ecuación

T (t) − Bω(t) =  J dω(t)

dt
  (6.25)

161
 

OSCAR G. DUARTE

Las ecuaciones (6.23), (6.24) y (6.25) pueden escribirse como

 dif (t)
  =
Rf 
− if (t) +
 1
vs (t)
dt Lf  Lf 
(6.26)
 dω(t)   K T   B
dt
  =
J 
  if (t) −
 ω(t)
J 
que en forma matricial se convierten en
 dif (t)/dt
 −
 =
Rf /Lf    0 if (t)
+
     
1/Lf 
vs (t)   (6.27)
dω(t)/dt K T /J B/J   ω(t) 0
Si seleccionamos como variable de salida la velocidad angular, obtenemos una
representación en variable de estado del sistema:
  −
dif (t)/dt
     
 =
Rf /Lf    0 if (t)
 +
1/Lf 
vs (t)
dω(t)/dt K T /J B/J   ω(t) 0
(6.28)
  
ω(t)
     =
   0 1
if (t)
ω(t)
  + 0 vs (t)

No obstante, esta no es la única representación posible; podemos, por ejemplo,

seleccionar como variables de estado T (t) y ω(t), en cuyo caso la representación en
variable de estado será
  −
dT (t)/dt
 =
      Rf /Lf    0 T (t)
  +
K T /Lf 
vs (t)
dω(t)/dt 1/J B/J   ω(t) 0
(6.29)
  
ω(t)
    =
   0 1
T (t)
ω(t)
  + 0 vs (t)

Ejemplo 6.23   A continuación se presenta un modelo lineal simple del crecimiento

demográfico de una sociedad. Se ha distribuido el total de la población por franjas
de edad:
x1 (k) :   Población con edades entre 0 y  10  años
x2 (k) :   Población con edades entre 10 y  20  años
.. ..
. .
xn (k) :   Población con edades entre (n − 1) × 10 y  n × 10 años
Si denotamos por  y(k)   la población total de la sociedad en el periodo   k   se
tendrá: n
y(k) = x 1 (k) + x2 (k) + ··· + x n (k) =
 xi (k)
i=1
Si tomamos cada periodo como un intervalo de 10  años, en el periodo k + 1 las
personas que en el periodo  k  están en la franja  i, estarán en la franja  k + 1 en el
periodo i + 1, salvo aquellos que mueran, es decir
xi (k + 1) = xi−1 (k) − γ  −1 x −1(k)
i i   i = 1, 2, 3, ··· , n − 1
162
 

6.3. VARIABLES DE ESTADO

en donde γ i  es la rata de mortalidad para la franja de edades número i.

Para encontrar x1 (k+1), es decir el número de personas que nacen en el periodo
k, podemos suponer que cada franja de edades tiene una rata de reproductividad
diferente ν i , es decir
n
x1 (k + 1) = ν 1 x1 (k) + ν 2 x2 (k) + ··· + ν  xn n (k) = ν i xi (k)
i=1

De esta manera podemos escribir las ecuaciones matriciales

 x1 (k + 1)
  ν 1   ν 2   ν 3   ···   ν n−1   ν n
  x1 (k)

 x2 (k + 1)   − x2 (k) 
x3 (k + 1)
1 γ 1   0 0   ···   0 0   x3 (k)
 ..  = 0 1 − γ 2   0   ···   0 0 ..
 .
xn−1 (k + 1)  ..
.
..
.
..   . .
. .
  ..
.
..
.
  .
xn−1 (k)


 xn (k + 1)
0 0 0   ··· −
  1 γ n−1   0
xn (k)
  x1 (k)

x2 (k)

   
y(k)  = 1 1 1   ···   1  
1
x3 (k)
..


 .
 xn−1 (k) 
xn (k)

Además, podriamos considerar los fenómenos de migración como entradas al

sistema. Definamos   ui (k)   como la diferencia entre el numero de inmigrantes y
emigrantes de la franja i  en el periodo k; con esta definición el modelo se convierte
en
8>2
>> x (k + 1) 3 61 −ν  γ      ν 0    ·· ·· ··    ν 0 7 2x (k)3 601 00    ·· ·· ··    007 2u (k)3
2 1 2
3 2n
3
1 1 1
1
>>66x (k + 1) 77 66 0 1 − γ    · · ·   0 77 66x (k)77 660 1   · · ·   077 66u (k)77
2 2 2
>>64 ... 75 = 66 .   .   .   . 77 64 ... 75 + 66 .   .   .   . 77 64 ... 75
2

>>< x (k + 1) 4 ..
n
.. .. .. 5
x (k )
4 .. .. . . .. 5 u (k)
n n
0 0   ···   0 0 0   ···   0
>>
x (k)
>> 2 3 1
>> ˆy(k)˜  = ˆ1 1   · · ·   1˜ 666 x (. k)777 2

>> 4 .. 5
x (k)
: n

6.3.2. Representación de estado a partir de E.D.

Existe un procedimiento sencillo para obtener una representación en varia-
bles de estado de sistemas de una entrada y una salida de los cuales se conoce
la ecuación diferencial o de diferencia que lo rige.

163
 

OSCAR G. DUARTE

Supóngase un sistema dinámico continuo descrito por la ecuación diferencial

dn y(t) dn−1 y(t)
an
dtn
  + an−1
dtn−1
  + ··· + a1 dy(t)
dt
  + a0 y(t) = u(t) (6.30)

El comportamiento del sistema queda únivocamente determinado si se co-

nocen las condidiones iniciales y(0), ẏ(0), , y (n−1) (0), por lo tanto podemos
 ···
seleccionar las siguientes variables de estado:
x1 (t) =   y(t)
x2 (t) =   dy
dt   = ẋ1 (t)
2
x3 (t) =   ddt2y   = ẋ2 (t)
.. .. .. (6.31)
. . .
  dn−2 y
xn−1 (t) = dtn−2   = ẋn−2 (t)
  dn−1 y
xn (t) = dtn−1   = ẋn−1 (t)
De tal manera que (6.30) puede escribirse como
an ẋn (t) + an−1 xn (t) + ··· + a1x2 (t) + a0x1 (t) =  u(t)

ẋn (t) = − aa0 x1(t) −  aa1 x2 (t) − · · · − aa−1 x

n n
n
n
n (t) +
 1
an
u(t) (6.32)

Las ecuaciones (6.31) y (6.32) se escriben en forma matricial asi:

 ẋ1 (t)
  0 1 0   ···   0
 x1 (t)
  0

 ẋ2 (t)   0 0 1   ···   0   x2 (t)   0   
ẋ3 (t) 0 0 0   ···   0 x3 (t) 0
 ..  =  .. .. ..   . .   ..   ..  +  .. u(t)

. . . . . . . .
ẋn−1 (t)
   0
a0
0
a1
0
a2
  ···   1
an−1
 xn−1 (t)   0
1

ẋn (t) − an − an − an ··· − an xn (t) an
 x1 (t)

x2 (t)
  
y(t)  = 1 0 0   ···   0 0
  x3 (t)
..

   
+ 0 u(t)
 .
xn−1 (t) 
xn (t)
De forma análoga puede obtenerse una representación en variables de estado
de sistemas discreto de una entrada y una salida a partir de su ecuación de
diferencias
Supóngase un sistema dinámico discreto descrito por la ecuación de diferen-
cias
an y(k + n) + an−1 y(k + n − 1) + ··· + a1y(k + 1) + a0y(k) =  u(k) (6.33)

164
 

6.4. SISTEMAS CONTINUOS LIBRES

Podemos seleccionar las variables de estado:

x1 (k) =   y(k)
x2 (k) =   y(k + 1) =   x1 (k + 1)
x3 (k) =   y(k + 2) =   x2 (k + 1)
.. .. .. (6.34)
. . .
xn−1 (k) =   y(k + n − 2) =   xn−2 (k + 1)
xn (k) =   y(k + n − 1) =   xn−1 (k + 1)

de tal manera que la ecuación (6.33) se convierte en

xn (k + 1) = − aa0 x1(k) −  aa1 x2 (k) − · · · − aa−1 x

n n
n
n
n (k) +
 1
an
u(k) (6.35)

Las ecuaciones (6.34) y (6.35) se escriben en forma matricial asi:

 x1 (k + 1)
  0 1 0   ···   0
  
x1 (k) 0

 x2 (k + 1)   0 0 1   ···   0 x2 (k)
    0   
x3 (k + 1) 0 0 0   ···   0 x3 (k) 0
 ..  =  .. .. ..   . .   .. ..
    + .. u(k)

. . . . . . . .
xn−1 (k + 1)
   0
a0
0
a1
  ···
0
a2
  1
an−1
xn−1 (k)
   0
1

xn (k + 1) − an − an − ··· −
an an xn (k) an
 x1 (k)

x2 (k)
  
y(k)  = 1 0 0   ···   0 0
  x3 (k)
..
   
+ 0 u(k)

 .
xn−1 (k) 
xn (k)

6.4. Sistemas continuos libres

Como un primer paso para el análisis de la ecuación (6.21), en esta sección
se estudia la ecuación de estado con el sistema   libre   (sin entradas), es decir
estudiamos la ecuación
ẋ(t) = Ax(t) (6.36)
La ecuación matricial (6.36) recuerda la ecuación escalar

dx
  = ax(t)
dt
cuya solución es
x(t) =  e at x(0) (6.37)

165
 

OSCAR G. DUARTE

debido a que
d eat
  = ae at ea0 x(0) = x(0) (6.38)
dt
Resulta entonces natural preguntarse si al reemplazar el escalar   a   por la
matriz A, y la variable x por el vector de variables x se mantienen las relaciones
(6.38) y asi encontrar una solución de (6.36) similar a (6.37).
Es posible demostrar que
d eAt
  = AeAt eA0 x(0) = x(0) (6.39)
dt
Para ello, empleamos la expansión en series de Taylor (6.18)

 At  A2 t2  A3 t3  A4 t4

eAt = I +  +  +  +  + ···
1! 2! 3! 4!
A0 A0
de donde se observa que e = I, y por lo tanto  x(0)e = x(0). Además,
podemos calcular la derivada de eAt :
d eAt   d
  =
 I+
 At  A 2 t2  A 3 t3  A 4 t4
 +   +   +   + ···

dt dt 1! 2! 3! 4!

d eAt  A2 t  A 3 t2  A 4 t3  A 5 t4
dt
  = 0 + A +
1!
 +
2!
  +
3!
  +
4!
  + ···
d eAt
  = A I +
  At  A 2 t2  A 3 t3  A 4 t4
 +   +   +   + ···

dt 1! 2! 3! 4!
d eAt
  = AeAt
dt
De esta forma hemos demostrado (6.39), y por lo tanto también hemos de-
mostrado que la solución de (6.36) es

x(t) = e At x(0) (6.40)

En (6.40) x(0) es el vector que contiene las condiciones iniciales de  x(t). Por

otra parte, es posible calcular eAt por diversos métodos, de los cuales destacamos
los siguientes3 :

Series de Taylor:   Podemos emplear la expansión en series de Taylor (6.18)

directamente:
 At  A2 t2  A3 t3  A4 t4
eAt = I +  +   +   +   + ···   (6.41)
1! 2! 3! 4!
Este método no es práctico, debido a la dificultad de calcular A k ; sin em-
bargo, en algunos casos especiales este cálculo es sencillo, como se muestra
en los ejemplos 6.18, 6.19 y 6.20
3 Los ejemplos 6.18, 6.19 y 6.20 ponen de manifiesto que si   A   =   {a }   entonces   eAt 
=
ij
{eaij t }.

166
 

6.4. SISTEMAS CONTINUOS LIBRES

Forma canónica de Jordan:  Si se ha obtenido la forma canónica de Jordan

de la matriz A, entonces se tienen dos matrices  J  y  M  tales que

J = M −1 AM A = MJM −1

y por lo tanto e At puede calcularse asi:

 (MJM−1 )t  (MJM−1 )2 t2  (MJM−1 )3 t3

eAt = MIM −1 +   +   +   + ···
1! 2! 3!

 MJM−1 t  MJ2 M t2  MJ 3 M t3

−1 −1
eAt = MIM −1 +   +   +   + ···
1! 2! 3!

eAt = M I +
 Jt  J2 t2  J 3 t3
 +  +  + ···
 M−1
1! 2! 3!

eAt = MeJt M−1 (6.42)

La ventaja de emplear (6.42) radica en que  J  es una matriz diagonal por
bloques, y por lo tanto eJt es más fácil de calcular, especialmente si  J es
completamente diagonal

Transformada de Laplace:   Podemos obtener la solución de (6.36) emplean-

do la transformada de Laplace, y asi deducir el valor de e At .

L{ẋ} = L{Ax}
sx(s) − x(0) = Ax(s)

sx(s) − Ax(s) =  x(0)

(sI − A)x(s) = x(0)

x(s) = (sI − A)−1 x(0)


x(t) = L−1 {x(s)} = L−1 (sI − A)−1 x(0)

 
x(t) = L−1 (sI − A)−1 x(0) = e x(0) At

e = L−1 (sI − A)−1

At
  
 (6.43)

Jordan y Laplace:   Pueden combinarse (6.42) y (6.43) para obtener

eAt = M −1 (sI L  − J)−1  M−1 (6.44)

167
 

OSCAR G. DUARTE

Ejemplo 6.24  Obtener la solución de la ecuación

    
ẋ1 (t) 2 0 0 x1 (t)
     −  
ẋ2 (t)  = 0
ẋ3 (t) 0 0
1 0
3
x2 (t)
x3 (t)

sujeta a las condiciones iniciales x 1 (0) = 2, x 2 (0) = 1, x 3 (0) = 1 −

La ecuación es de la forma ẋ = Ax, por lo tanto la solución será x(t) = e Atx(0).
El cálculo de  e At es muy simple, debido a que A  es una matriz diagonal (Ejemplo
6.18):  
e2t 0 0
eAt = 0   e−1t 0 
0 0   e3t
Este resultado también se habrı́a podido obtener mediante la transformada de La-
place:
−
s 2 0 0
  1
−    01
s 2 0

sI − A =  0   s+1 0    (sI − A)−1 =  0 s+1
 
  0
1

0 0 s − 3 0 0 s 3
−

eAt = −1 (sI
L  − A)−1  
 =
2t
e 0
0   e−1t 0
0


0 0   e3t
por lo tanto la solución de la ecuación diferencial será

At
e2t 0
0
  2
x(t) = e x(0) = 0   e−1t 0
 1
 − 
0 0   e3t 1

x1 (t)
    2e2t
x(t) = x2 (t)  =
  −  e−t
x3 (t) e3t
En un caso como este en el que la matriz A  es diagonal, realmente la ecuación
diferencial matricial representa un conjunto de ecuaciones diferenciales sencillas en
el que las variables están   desacopladas ; La ecuación matricial y las condiciones
iniciales pueden escribirse como:
 ẋ1 (t) = 2x1 (t)   x1 (0) = 2
 −
ẋ2 (t) = 1x2 (t)   x2 (0) = 1
ẋ3 (t) = 3x3 (t)   x3 (0) = 1 −
cuyas soluciones son  x1 (t) = 2e2t
x2 (t) =  e −t
 x3 (t) = et −
168
 

6.4. SISTEMAS CONTINUOS LIBRES

Ejemplo 6.25  Obtener la solución de la ecuación

    
ẋ1 (t)
 =
 4 1 x1 (t)
ẋ2 (t) 2 1− x2 (t)

sujeta a las condiciones iniciales x 1 (0) = x 10  y x 2 (0) = x 20

En el ejemplo 6.10 se ha obtenido la forma canónica de Jordan de la matriz A,
que ha resultado ser la matriz Λ, perfectamente diagonal; es decir se han encontrado
las matrices M  y  Λ  tales que

Λ = M −1 AM

M =
  1 1
   Λ =
  2 0
−2   −1 0 3
lo que permite calcular e At :

eAt = MeΛt M−1

eAt =
  1 1
 e2t 0
−   −   −
1 1
 =
( e2t + 2e3t ) ( e2t + e3t ) − 
−2   −1 0   e3t 2 1 (2e2t 2e3t ) (2e2t e3t )
− −
También podemos obtener este resultado mediante la Transformada de Laplace:

sI

− A = s −2 4    s−−11
   (sI − A)−1 = s2  − 5s
1 (s − 1)
 1

+6 −2 (s − 4)
   s 1
−
(s 2)(s 3)
− −
1
(s 2)(s 3)
− −
   − 1   2
(s 2)  + (s 3)
− −
  − 1   1
(s 2)  + (s 3)
− −

(sI − A)−1 = − 2 s 4
−  =
  2 2 −
   2 1 −

(s 2)(s 3)
− − (s 2)(s 3)
− − (s 2)  + (s 3)
− − (s 2)  + (s 3)
− −

eAt = −1 (sI L  − A)−1  −

 =
( e2t + 2e3t ) ( e2t + e3t )
(2e2t 2e3t ) (2e2t e3t )
−
−
−

por lo tanto la solución de la ecuación diferencial será

x(t) = e Atx(0) =

− ( e2t + 2e3t ) ( e2t + e3t )
−   x10
(2e2t 2e3t ) (2e2t e3t )

x(t) =
  − −
x1 (t)
 =
( e2t t
−
+ 2e3 )x10 + ( −e2 t
 x20

+ e3t )x20
(2e2t 3 2
2e t)x10 + (2e t
e3t )x20

x(t) =
   −− −
x2 (t)
x1 (t)   e2t ( x10 x20 ) + e3t (2x10 + x20 )
 = 2t
−

x2 (t) e (2x10 + 2x20 ) + e3t( 2x10 x20 ) − −
Ejemplo 6.26  Obtener la solución de la ecuación
  −  
ẋ1 (t)
 =
1 4 x1 (t)
ẋ2 (t) −1   −1 x2 (t)

sujeta a las condiciones iniciales x 1 (0) = x 10  y x 2 (0) = x 20

169
 

OSCAR G. DUARTE

son
Los valores propios de A son  λ 1,2  =

v1  =
−  − ±  
 j2
1

  v2  =
 j2, y dos vectores propios asociados

 j2
1 1
Debido a que los valores propios son complejos, es conveniente encontrar la forma
canónica real de Jordan de  A.
1
JR  = M −
R   AMR

MR  =
  − 
0 2
  JR  =
− 1 2
1 0 −2   −1
lo que permite calcular e At :

eAt = M R eJR t M−

R
1

Empleando el resultado del ejemplo 6.20

eAt =
   − 
0 2  e −t cos2t e−t sin2t
   0 1
e−t sin2t e−t cos2t
1
−
0

eAt =
  e−t cos2t   2e−t sin2t
− 1/2 0

− 12 e− sin2t
t
e−t cos2t
También podemos obtener este resultado mediante la Transformada de Laplace:

sI − A =
 s+1 4 −    (sI − A)−1 = s2  + 2s
1 (s + 1)
 4

1   s+1 +5 −1 (s + 4)
   s+1
(s+1)2 +22
4
(s+1)2 +22

(sI − A)−1 = 1− s+1
(s+1)2 +22 (s+1)2 +22

eAt = −1 (sI
L  − A)−1  − =
  e−t cos2t   2e−t sin2t
1 −t
sin2t e−t cos2t

2e
por lo tanto la solución de la ecuación diferencial será

x(t) = e Atx(0) =
  e−t cos2t   2e−t sin2t
1 −t
  x10
sin2t e−t cos2t

x(t) =
  −
x1 (t)
 =
2e

x10 e−t cos2t + 2x20 e−t sin2t

x10 −t
 x20

x2 (t) 2 e − sin2t + x20 e−t cos2t

Ejemplo 6.27  Obtener la solución de la ecuación

  −  
ẋ1 (t)
 =
3 4 x1 (t)
ẋ2 (t) −1   −1 x2 (t)

sujeta a las condiciones iniciales x 1 (0) = x 10   y x2 (0) = x 20

170
 

6.4. SISTEMAS CONTINUOS LIBRES

−
Los valores propios de A son λ1  =  λ 2  = 1. Además se puede comprobar que no
es posible diagonalizar A. En consecuencia, la forma canónica de Jordan de A será
un único bloque de tamaño 2. La obtención de los vectores propios generalizados
con los que se obtiene la forma canónica de Jordan escapa al alcance de este texto.
No obstante, vamos a suponer que se han encontrado las matrices  M  y  J:

J = M −1 AM

M =
− 
2 1
  J =
−  1 1
−1 0 0   −1
de tal manera que se puede calcular  e At :

eAt = MeJtM−1

No obstante, como J no es diagonal, debemos calcular  e Jt mediante la trans-

formada de Laplace.
 s + 1  −1
    1
(s+1)
1
(s+1)2

sI − J = 0   s+1
  (sI − J)−1 = 0   1
(s+1)

 −  
eJt = −1 (sI
L J)−1  =
e−t te−t
0   e−t

Retomando el cálculo de e At

eAt =
− 2 1 e−t te−t
   −  
0 1
 =
e−t − 2te− t
4te−t

−1 0 0   e−t 1   −2 −te− t
e−t + 2te−t

También podemos obtener este resultado mediante la Transformada de Laplace:

sI − A =
 s+3 4
 −
 − −
  (sI
 A)−1 =
  1 (s 1) 4
−
1   s 1
   − 
  1 2  −
(s+1)  + (s+1)2
(s + 1)2

  4
(s+1)2
1 (s + 3)

(sI − A)−1 =
    
 −
1   1   2
(s+1)2 (s+1)  + (s+1)2

L  − 
eAt = −1 (sI
 −
A)−1  =
 e−t 2te−t 4te−t
− te−t e−t + 2te−t
por lo tanto la solución de la ecuación diferencial será
 −
x(t) =  e Atx(0) =
 
e−t 2te−t 4te−t x10
te−t e−t + 2te−t

x(t) =
  −−
x1 (t)
 =

(e−t 2te−t)x10 + 4x20 te−t
x20

−
x2 (t) x10 te−t + (e−t + 2te−t )x20

x(t) =
 x1 (t)
 =
− 
(x10 )e−t + ( 2x10 + 4x20 )te−t
x2 (t) (x20 )e−t + ( x10 + 2x20)te−t
−
171
 

OSCAR G. DUARTE

6.4.1. Retratos de fase

Supóngase ahora un sistema como (6.36) de dimensión dos, es decir, supón-
gase    
ẋ1 (t) x (t)
 = A 1   (6.45)
ẋ2 (t) x2 (t)
Una vez solucionada (6.45) es posible trazar las curvas   x1 (t) vs   t   y   x2 (t)
vs t. También es posible trazar una curva x1 (t) vs x2 (t), en un plano x1 x2  ×
conocido como el  plano de fase  (ver Ejemplo 6.28). La curva resultante es un
trayectoria   de (6.45), y puede visualizarse como una curva paramétrica definida
por (x1 (t), x2 (t)) con el parámetro t  variando de 0 a .  ∞
La solución de (6.45) depende de las condiciones iniciales, por lo tanto la
trayectoria depende de las condiciones iniciales. Sobre el mismo plano de fa-
se se pueden trazar diferentes trayectorias obtenidas con distintas condiciones
iniciales; el resultado es el  retrato de fase  de (6.45).

Ejemplo 6.28  La solución de la ecuación

  −  
ẋ1 (t)
 =
1 4 x1 (t)
ẋ2 (t) −1   −1 x2 (t)

sujeta a las condiciones iniciales x 1 (0) = 0 y  x 2 (0) = 2 es (Ejemplo 6.26)

x(t) =
  
x1 (t)
 =
4e−t sin2t

x2 (t) 2e−t cos2t

La figura 6.9 muestra las gráficas de x 1 (t) vs  t, x 2 (t) vs t, a partir de las cuales
se ha trazado x1   vs x2  tomando para cada tiempo  τ   el valor de  x1 (τ )  y x2 (τ )  y
trasladándolos al plano de fase. La curva resultante es una trayectoria de la ecuación
diferencial.La flecha roja indica el sentido en el que se recorre la trayectoria cuando
el tiempo avanza.
Se ha repetido el procedimiento para varios juegos de condiciones iniciales, con
el fin de obtener el retrato de fase que se muestra en la figura 6.10. Las condiciones
iniciales seleccionadas han sido:

xa (0) =

0
  xb (0) =

 0
  xc (0) =
− 
2
  xd (0) =
 
 2
2 − 2 1.5 −1.5
La figura 6.11 muestra los retratos de fase tı́picos de sistemas lineales   es-
tables 4 , mientras que la figura 6.12 muestra los retratos de fase tı́picos de los
sistemas lineales  inestables . Debemos resaltar que la forma de estos retratos
depende de cómo son los valores propios de la matriz  A.
En general, un sistema lineal como (6.45) tendrá un retrato de fase semejante
a alguno de los que se muestran en las figuras6.11 y 6.12. No obstante, el retrato
de fase no necesariamente será idéntico. La semejanza a la que nos referimos aqui
consiste en una equivalencia de forma  (serán topol´ 
ogicamente equivalentes ).
4 el   centro  se considera como un sistema marginalmente estable

172
 

6.4. SISTEMAS CONTINUOS LIBRES

x1 (τ ) (τ, x1 (τ ))

x1 (t)
Plano de Fase 
x2

x2 (τ )   (x1 (τ ), x2 (τ ))

x2 (t) x1 (τ )x1

x2 (τ ) (τ, x2 (τ ))

τ  t

Figura 6.9: Construcción de una trayectoria en el Plano de Fase

x2

x1

Figura 6.10:  Retrato de Fase

173
 

OSCAR G. DUARTE

Nombre Retrato e-valores   Ejemplo

Reales Negativos
A =
− 
1 0
0   −2
Estable 
x1 (t) = x 10 e−t
x2 (t) = x 20 e−2t

Reales Negativos A =

− 
1 1
Repetidos 0   −1
Estable de 
multiplicidad 2 
x1 (t) = (x10 + tx20 )e−t
x2 (t) = x 20 e−t

Complejos de Parte A =

− 
1 2
Real Negativa −2   −1
Sif´ 
on 
x1 (t) =  x 10 e−2t cos t + x20 e−2t sin t
x2 (t) = x10e−2t sin t + x20 e−2t cos t
−
Imaginarios puros   A =
 
 0 1
−1 0
Centro
x1 (t) =  x 10 cos t + x20 sin t
−
x2 (t) = x10 sin t + x20 cos t

Figura 6.11:  Retratos de Fase Estables tı́picos

174
 

6.4. SISTEMAS CONTINUOS LIBRES

Nombre Retrato e-valores   Ejemplo

Reales Positivos A =

 
1 0
0 2
Inestable 
x1 (t) = x 10et
x2 (t) =  x 20 e2t

Reales Positivos A =

 
1 1
Repetidos 0 1
Inestable de 
multiplicidad 2 
x1 (t) = (x10 + tx20 )et
x2 (t) = x 20et

Complejos de Parte A =

 
 1 2
Real Positiva −2 1
Fuente 
x1 (t) = x 10e2t cos t + x20 e2t sin t
x2 (t) = x10 e2t sin t + x20 e2t cos t
−
Reales de Signo A =
− 
1 0
Diferente 0 1
Punto de Silla 
x1 (t) = x 10 e−t
x2 (t) = x 20et

Figura 6.12:  Retratos de Fase Inestables tı́picos

175
 

OSCAR G. DUARTE

Ejemplo 6.29   La figura 6.13 muestra los retratos de fase de varios ejemplos. En
cada caso se ha anotado la matriz   A y su formacanonica de Jordan  J. Nótese la
semejanza de forma con los ejemplos tı́picos de las figuras 6.11 y 6.12.

En las figuras 6.11 y 6.12 se observa que el origen del plano de fase juega
un papel importante, atrayendo o repeliendo todas las trayectorias (o siendo el
centro  de ellas en el caso especial en el que los valores propios son imaginarios
puros).
El origen del plano de fase es el punto de equilibrio de (6.45), que definimos
a continuación.

Definición 6.2 Punto de Equilibrio de Sistemas Continuos

x̄   es un   Punto de Equilibrio   de un sistema descrito por la ecuación diferencial
ẋ = f (x) si derivada es cero, es decir, si  f (x̄) = 0

Si la matrix A en (6.45) es no singular, el único punto de equilibrio de (6.45)

es el origen del plano de fase. Lo anterior se demuestra al notar que un punto
de equilibrio x̄ es la solución del sistema de ecuaciones  Ax̄ =  0, que tiene una
única solución en x̄ = 0  si y sólo si A  es no singular.
Si la matriz A en (6.45) es singular pueden existir infinitos puntos de equi-
librio, y los retratos de fase serán diferentes a los contemplados en las figuras
6.11 y 6.12. Estos casos no se considerar´  an en este curso.

6.4.2. Espacio de estado

Dada una ecuación de la forma (6.36), podemos definir el conjunto formado
por todas las soluciones de (6.36). Este conjunto forma un espacio vectorial co-
nocido como el espacio de estado, tal como se especifica en el siguiente teorema.

Teorema 6.1   Dada una ecuación de la forma (6.36), el conjunto de todas las
soluciones forma un espacio vectorial  Σ   sobre el campo   C   con las operaciones
usuales.

Demostración 6.1  El conjunto de todas las soluciones de (6.36) es un subconjunto

del espacio vectorial formado por las funciones vectoriales continuas de orden n. Por
lo tanto, sólo es necesario demostrar que el conjunto es cerrado bajo las operaciones
usuales de suma de funciones y producto por escalar.
Supóngase dos funciones x 1 (t) y  x 2 (t) que son solución de (6.36).

ẋ1 (t) = Ax1 (t)   ẋ2 (t) =  Ax2 (t)

Podemos multiplicar estas ecuaciones por cualesquiera escalares  α 1 , α2  ∈   C  y su-

marlas
α1 ẋ1 (t) = α1 Ax1 (t)   α2 ẋ2 (t) = α 2 Ax2 (t)
d
 [α1 x1 (t) + α2 x2 (t)] = A(α1 x1 (t) + α2 x2 (t))
dt

176
 

6.4. SISTEMAS CONTINUOS LIBRES

1.0 1.0

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 .
0 .

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

-1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0

„ 0 1
« „−1 0
« „ 0 1
« „1 0«
A  =   J  =   A  =   J  =
−2   −3 0   −2 −2 3 0 2

1.0 1.0

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
. .

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

-1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0

„ 0 1
« „ −0.5 0.87
« „ 0 1
« „   0.5 0.87
«
A  =   J  =   A  =   J  =
−1   −1 −0.87   −0.5 −1 1 −0.87 0 .5

1.0 1.0

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 .
0 .

-0.2 -0.2

-0.4 -0.4

-0.6 -0.6

-0.8 -0.8

-1.0 -1.0

-1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0 -1.0 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1.0

„0   −1« „j   0
« „0 1
« „1 0
«
A  =   J  =   A  =   J  =
1 0 0   −j 2  − 1 0  − 2

Figura 6.13:  Ejemplos Retratos de Fase

177
 

OSCAR G. DUARTE

Esta expresión demuestra que cualquier combinación lineal de soluciones de (6.36)

es también una solución de (6.36), es decir, Σ es cerrada bajo la suma y el producto
por escalar, y por lo tanto forma un espacio vectorial.
Los siguientes son algunos conceptos importantes asociados al Espacio de
Estado. En todos los casos se ha supuesto que   A es no singular y de tamaño
×
n n:
Dimensión del Espacio de Estado: El espacio vectorial Σ tiene una dimen-
sión igual al rango de la matriz A  en (6.36). La dimensión de Σ  es  n.
Soluciones linealmente independientes: Las soluciones de (6.36) dependen
de las condiciones iniciales. Si se utilizan dos condiciones iniciales lineal-
mente independientes, las soluciones que se obtienen también son lineal-
mente independientes. Por el contrario, Si se utilizan dos condiciones ini-
ciales linealmente dependientes, las soluciones que se obtienen también son
linealmente dependientes.
Base del espacio de estado:   Una base de   Σ estará formada por   n  solucio-
nes de (6.36) linealmente independientes. Denotemos estas funciones por
···
ψ1 (t), ψ2 (t),  , ψn (t). Estas soluciones pueden obtenerse seleccionando n
condiciones iniciales linealmente independientes.
Matriz Fundamental:  Una matriz Ψ(t) que tenga n columnas formadas por
n soluciones de (6.36) linealmente ndependientes se denomina una Matriz 
Fundamental   de (6.36).

Ψ(t) = ψ1 (t)   ψ2 (t)   ···   ψ 
n (t)

Bases y vectores propios:  Si la matriz A en (6.36) tiene  n vectores propios

linealmente independientes, entonces éstos pueden escogerse como el juego
de n condiciones iniciales que se necesitan para construir una base de  Σ.
Este cambio de base es equivalente a la obtención de la Forma canónica
de Jordan de A.
Ejemplo 6.30   Supóngase el sistema dinámico
  −
ẋ1 (t)
 =
1.5 0.5
 
x1 (t)
ẋ2 (t) 0.5   −1.5 x2 (t)
que es de la forma (6.36). Los valores propios de la matriz   A   son   λ 1   =  −1   y
−
λ2  = 2, y unos vectores propios asociados a ellos son:

v1  =
 1
  v2  =
 1
1 − 1
de tal manera que la forma canónica de Jordan y la matriz modal son

J =
− 
1 0
  M =
 1 1
0   −2 1   −1
178
 

6.4. SISTEMAS CONTINUOS LIBRES

La matriz e At es la siguiente:

eAt =
 (0.5e−t + 0.5e−2t ) (0.5e−t 0.5e−2t)
− 
(0.5e−t 0.5e−2t ) (0.5e−t + 0.5e−2t)
−
y por lo tanto la solución de la ecuación diferencial, para unas condiciones iniciales
x10  y x 20  es

x(t) =
 (0.5e−t + 0.5e−2t)x10 + (0.5e−t 0.5e−2t)x20
− 
(0.5e−t 0.5e−2t)x10 + (0.5e−t + 0.5e−2t)x20
−

 e−t (0.5x10 + 0.5x20 ) + e−2t (0.5x10 − 0.5x20)
x(t) = −t

e (0.5x10 + 0.5x20 ) + e−2t (−0.5x10 + 0.5x20 )
El retrato de fase del sistema se muestra en la figura 6.14. Cada trayectoria
del retrato de fase es una solución de la ecuación diferencial para unas ciertas
condiciones iniciales. De esas trayectorias se destacan 2 que corresponden a lı́neas
rectas. No es casualidad que esas trayectorias rectas coincidan con los vectores
propios v 1  y v 2 . Veamos:
Si seleccionamos como condiciones iniciales las mismas coordenadas del vector
propio v 1 , es decir, si hacemos x 10  = 1 y  x 20  = 1 la solución de la ecuación será

ψ1 (t) =
 
x1 (t)   e−t (0.5 + 0.5) + e−2t (0.5 0.5)
 = −t
− = −t
  
e−t
x2 (t) e (0.5 + 0.5) + e−2t ( 0.5 + 0.5)
− e

Es decir, se encuentra que x1 (t) = x 2 (t) lo que corresponde a una recta en el
plano de fase. Además, la dinámica del sistema sólo depende de términos  e −t , es
decir, sólo depende del valor propio λ 1  al cual está asociado v 1 . Al seleccionar como
condición inicial un punto del primer vector propio, toda la dinámica del sistema
depende exclusivamente del primer valor propio.
Un resultado similar obtendremos si seleccionamos como condiciones iniciales las
mismas coordenadas del vector propio v 2 , es decir, si hacemos x 10  = 1 y x 20  = 1. −
La solución de la ecuación será

ψ2 (t) =
  
x1 (t)  e−t(0.5 0.5) + e−2t (0.5 + 0.5)
 = −t
−  =
  
 e−2t
x2 (t) e (0.5 0.5) + e−2t ( 0.5 0.5)
− − − e−2t
−
Es decir, se encuentra que x 1 (t) = −x2 (t) lo que corresponde a otra recta en el
−2
plano de fase. Además, la dinámica del sistema sólo depende de términos e t , es
decir, sólo depende del valor propio λ 2  al cual está asociado v 2 . Al seleccionar como
condición inicial un punto del segundo vector propio, toda la dinámica del sistema
depende exclusivamente del segundo valor propio.
Hay otra forma de comprender estos resultado: Supóngase que en algún instante
(por ejemplo en t = 0) el vector de estado  x es un vector propio del primer valor
propio  λ1 ; su derivada podrá calcularse como   ẋ   =   Ax, pero como es un vector
propio, entonces  ẋ = Ax = λ 1 x. En otras palabras, la derivada será un vector con
la misma dirección de x  y por lo tanto el sistema evolucionará en esa dirección, que
es justamente la del vector propio.

179
 

OSCAR G. DUARTE

1.0

0.8

0.6

0.4

0.2

0
.

−0.2

−0.4

−0.6

−0.8

−1.0
−1.0 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1.0

Figura 6.14:  Retrato de Fase de un Ejemplo

Las dos soluciones que se han obtenido ψ 1 (t) y  ψ 2 (t)  son linealmente indepen-
dientes, y por lo tanto sirven como base del espacio de estado  Σ. Construimos la
matriz fundamental

Ψ(t) = ψ1 (t)   ψ2 (t)  =
  e−t
e−t −e−2
e−2t
t

Lo que se ha hecho es equivalente a efectuar un cambio de base en el plano
de fase, tomando como nueva base la formada por los vectores propios. El nuevo
retrato de fase se muestra en la figura 6.15

6.4.3. Matriz de transición de estado

Definimos la  matriz de transici´ on de estado   Φ(t2 , t1 ) como la matriz que-
permite obtener el estado en el tiempo   t2  a partir del estado en el tiempo   t1
mediante la expresión   5 :
x(t2 ) = Φ(t2 , t1 )x(t1 ) (6.46)
Para un sistema como (6.36) es posible obtener Φ(t2 , t1 ) calculando x(t1 ) y
x(t2 ):
x(t1 ) =  e At1 x(0)
5 Una definición alternativa que es equivalente emplea la matriz fundamental: Φ(t , t ) =
2 1
Ψ(t1 )Ψ 1 (t1 )
−

180
 

6.5. SISTEMAS DISCRETOS LIBRES

1.0

0.8

0.6

0.4

0.2

0
.

−0.2

−0.4

−0.6

−0.8

−1.0
−1.0 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1.0

Figura 6.15:  Retrato de Fase de un Ejemplo en la base de los vectores propios

x(t2 ) =  e At2 x(0)

x(0) = (eAt1 )−1 x(t1 ) = e −At1 x(t1 )
x(t2 ) =  e At2 e−At1 x(t1 )
x(t2 ) = e A(t2 −t1 ) x(t1 )
Φ(t2 , t1 ) =  e A(t2 −t1 ) (6.47)

6.5. Sistemas discretos libres

Abordamos ahora el análisis de la ecuación (6.22) con el sistema  libre   (sin
entradas), es decir estudiamos la ecuación

x(k + 1) = Ax(k) (6.48)

La ecuación matricial (6.48) recuerda la ecuación escalar

x(k + 1) = ax(k)

cuya solución es
x(k) = x(0)ak (6.49)

181
 

OSCAR G. DUARTE

debido a que
ak+1 = aa k x(0)a0 = x(0) (6.50)
Al igual que en el caso continuo, nos preguntamos si al reemplazar el escalar
a por lamatriz A, y la variable x por el vector de variables  x   se mantienen las
relaciones (6.50) y asi encontrar una solución de (6.48) similar a (6.49).
Evidentemente
Ak+1 = AA k x(0)A0 = x(0) (6.51)
En consecuencia la solución de (6.48) es
x(k) = A k x(0) (6.52)
En (6.52) x(0) es el vector que contiene las condiciones iniciales de x(k). Por
otra parte, es posible calcular Ak por diversos métodos, de los cuales destacamos
los siguientes
Definición:   Podemos emplear la definición de A k directamente:
Ak = AAA ··· A   k veces (6.53)
Este método no es práctico, debido a la dificultad de calcular   Ak ; sin
embargo, en algunos casos especiales este cálculo es sencillo (matrices dia-
gonales)
Forma canónica de Jordan:  Si se ha obtenido la Forma canónica de Jordan
de la matriz A, entonces se tienen dos matrices  J  y  M  tales que
J = M −1 AM A = MJM −1
k
y por lo tanto A puede calcularse asi:
Ak = MJ k M−1 (6.54)

La ventaja de emplear (6.54) radica en que  J es una matriz diagonal por
bloques, y por lo tanto  Jk es más fácil de calcular, especialmente si  J es
completamente diagonal
 Z 
Transformada :   Podemos obtener la solución de (6.48) empleando la trans-
formada , y asi deducir el valor de Ak .
 Z 
Z {x(k + 1)} = Z {Ax(k)} =
zx(z) − zx(0) = Ax(z)
zx(z) − Ax(z) =  zx(0)
(zI − A)x(z) = zx(0)
x(z) = z(zI − A)−1 x(0)

x(k) = Z −1 {x(z)} = Z −1 z(zI − A)−1 x(0)

 
x(k) = Z −1 z(zI − A)−1 x(0) = A x(0) k

k

A = Z −1 z(zI − A)−1
   (6.55)

182
 

6.6. SISTEMAS CONTINUOS EXCITADOS

Jordan y Transformada  Z :  Pueden combinarse (6.54) y (6.55) para obtener


A = M Z −1 z(zI − J)−1 M−1
k
 (6.56)

6.5.1. Matriz de transición de estado

Definimos la Matriz de Transici´ on de Estado   Φ(k2 , k1 ) como la matriz que
permite obtener el estado en el tiempo   k2  a partir del estado en el tiempo  k1
mediante la expresión
x(k2 ) = Φ(k2 , k1 )x(k1 ) (6.57)
Para un sistema como (6.48) es posible obtener Φ( k2 , k1 ) calculando x(k1 )
y x(k2 ):
x(k1 ) =  A k1 x(0)
x(k2 ) =  A k2 x(0)
x(0) = (Ak1 )−1 x(k1 ) = A −k1 x(k1 )
x(k2 ) =  Ak2 A−k1 x(k1 )
x(k2 ) = A(k2 −k1 ) x(k1 )
Φ(k2 , k1 ) = A (k2 −k1 )

6.6. Sistemas continuos excitados

Estudiamos ahora el sistema continuo con excitación, es decir el sistema
descrito por (6.58)

ẋ(t) =  Ax(t) + Bu(t)

  (6.58)
y(t) = Cx(t) + Du(t)

Para ello, aplicamos transformada de Laplace a cada lado de las ecuaciones

sx(s) − x(0) = Ax(s) + Bu(s)   (6.59)

y(s) = Cx(s) + Du(s)

En la primera ecuación podemos despejar x(s)

sx(s) − Ax(s) =  x(0) + Bu(s)

(sI − A)x(s) = x(0) + Bu(s)
x(s) = (sI − A)−1 x(0) + (sI − A)−1 Bu(s) (6.60)

183
 

OSCAR G. DUARTE

Ahora podemos incorporar (6.60) en la segunda ecuación de (6.59)

y(s) = C (sI − A)−1 x(0) + C ((sI − A)−1 Bu(s) + Du(s)
y(s) =  C(sI
     −         −    
A)−1 x(0) + C(sI
Rta de entrada cero
A)−1 B + D u(s)
Rta de estado cero
(6.61)

En (6.61) se observa que la respuesta y(s) tiene dos componentes 6 :

Respuesta de estado cero:   Es la primera parte de la ecuación (6.61). De-
pende de las entradas u(s) y no de las condiciones iniciales; de hecho, es
la respuesta que tiene el sistema si las condiciones iniciales son cero, es
decir, si su estado inicial es cero (de allı́ su nombre).
Respuesta de entrada cero:  Es la segunda parte de la ecuación (6.61). De-
pende de las condiciones iniciales y no de las entradas  u(s); de hecho, es la
respuesta que tiene el sistema si las entradas son cero (de allı́ su nombre).

6.6.1. Matriz de funciones de transferencia

Si se consideran condiciones iniciales nulas, la ecuación (6.61) se convierte
en  
y(s) = C(sI − A)−1B + D u(s)
Podemos definir la Matriz de Funciones de Transferencia  como la matriz de
relaciona las entradas y las salidas, cuando las condiciones iniciales son nulas:
y(s) = G(s)u(s) | C.I.=0 − A)−1 B + D
  G(s) = C(sI   (6.62)
×
La matriz G(s) en (6.62) es una matriz q   p ( p entradas y q  salidas):
 y1 (s)
 G11 (s)   G12 (s)   ···   G1 (s) u1 (s)  p
 
 y2 (s)  G21 (s)   G22 (s)   ···   G2 (s) u2 (s)
  p
  
.. = .. ..  
 .   . .
  ..
. ...  ... 
yq (s) Gq1 (s)   Gq2 (s)   ···   G qp (s) u p (s)
El elemento G ij (s) de la matriz G(s) muestra cómo afecta la entrada u j (s)
a la salida y i (s).
En general, una entrada u j (s) afectará a todas las salidas y(s). No obstante,
existe un caso especial en que esto no es ası́: supóngase que existe el mismo nú-
mero de entradas que de salidas p, y que la matriz de funciones de transferencia
es diagonal:
y1 (s)

G11 (s) 0
   ···   0
 u1 (s)

y2 (s)
 0   G22 (s)
    ···   0   u2 (s) 
.. = .. ..   . .   .. ..
 . . . . .  . 
y p (s) 0 0   ···   G pp (s) u p (s)
6 Compárese con las definiciones de la página 45 para sistemas de una entrada y una salida

184
 

6.7. SISTEMAS DISCRETOS EXCITADOS

En este caso especial, la entrada u j (s) sólo afecta la salida yj (s). Se dice entonces
que el sistema es desacoplado.

6.6.2. Variables de estado en el tiempo

Podemos obtener el comportamiento en el tiempo de las variables de estado
aplicando la transformada inversa de Laplace a (6.60)
x(t) = −1 [x(s)] = −1 (sI
L L  − A)−1  
x(0) + −1 (sI
L − A)−1Bu(s) 
La primera de las transformadas corresponde a   eAt = Φ(t, 0) como puede
verse en (6.43) y (6.47). Nótese que la segunda transformada incluye el producto
de dos funciones de s. El resultado es:

x(t) = Φ(t, 0)x(0) +

   t
Φ(t, τ )Bu(τ )dτ    (6.63)
0

En la sección 6.7.2 buscaremos aproximarnos a una interpretación de (6.63)

apoyándonos en el caso discreto.

6.7. Sistemas discretos excitados

Estudiamos ahora el sistema discreto con excitación, es decir el sistema des-
crito por (6.64)
x(k + 1) = Ax(k) + Bu(k)
  (6.64)
y(k) = Cx(k) + Du(k)
Para ello, aplicamos transformada  Z   a cada lado de las ecuaciones
zx(z) − zx(0) = Ax(z) + Bu(z)   (6.65)
y(z) = Cx(z) + Du(z)
En la primera ecuación podemos despejar x(z)
zx(z) − Ax(z) = zx(0) + Bu(z)
(zI− A)x(z) =  zx(0) + Bu(z)
x(z) =  z(zI − A)−1 x(0) + (zI − A)−1 Bu(z) (6.66)
Ahora podemos incorporar (6.66) en la segunda ecuación de (6.65)
y(z) = C z(zI
 − A)−1 x(0) + (zI − A)−1Bu(z)  + Du(z)

  −     
y(z) = Cz(zI A)−1 x(0) + C(zI
Rta de entrada cero
   
− A)−1B + D
Rta de estado cero
u(z) (6.67)

De forma análoga al caso continuo, (6.67) muestra que la respuesta   y(z)

tiene dos componentes7 :
7 Compárese con las definiciones de la página 46 para sistemas de una entrada y una salida

185
 

OSCAR G. DUARTE

Respuesta de estado cero:   Es la primera parte de la ecuación (6.67). De-

pende de las entradas u(z) y no de las condiciones iniciales; de hecho, es
la respuesta que tiene el sistema si las condiciones iniciales son cero, es
decir, si su estado inicial es cero (de allı́ su nombre).
Respuesta de entrada cero:  Es la segunda parte de la ecuación (6.67). De-
pende de las condiciones iniciales y no de las entradas u(z); de hecho, es la
respuesta que tiene el sistema si las entradas son cero (de allı́ su nombre).

6.7.1. Matriz de funciones de transferencia

Si se consideran condiciones iniciales nulas, la ecuación (6.67) se convierte
en  
y(z) = C(zI − A)−1B + D u(z)
Podemos definir la Matriz de Funciones de Transferencia  como la matriz de
relaciona las entradas y las salidas, cuando las condiciones iniciales son nulas:
|
y(z) =  G(z)u(z) C.I.=0   G(z) = C(zI − A)−1B + D   (6.68)
×
La matriz G(z) en (6.68) es una matriz q   p ( p entradas y q  salidas):
 y1 (z)
 G11 (z)   G12 (z)   ···   G1 (z)  p
 u1 (z)

 y2 (z)  G21 (z)   G22 (z)   ···   G2 (z)
  p   u2 (z) 
.. = .. ..  
 .   . .
  ..
. ...  ..
. 
yq (z) Gq1 (z)   Gq2 (z)   ···   G qp (z) u p (z)
El elemento G ij (z) de la matriz G(z) muestra cómo afecta la entrada u j (z)
a la salida y i (z).
En general, una entrada u j (z) afectará a todas las salidas y(z). No obstante,
existe un caso especial en que esto no es ası́: supóngase que existe el mismo nú-
mero de entradas que de salidas p, y que la matriz de funciones de transferencia
es diagonal:
 y1(z)

G11 (z)
0   ···   0
 u1 (z)

 y2(z) 0   G22 (z)
    ···   0   u2 (z) 
.. = .. ..   . .   .. ..
 . . . . .  . 
y p (z) 0 0   ···   G pp (z) u p (z)
En este caso especial, la entrada uj (z) sólo afecta la salida y j (z). Se dice entonces
que el sistema es  desacoplado.

6.7.2. Variables de estado en el tiempo

Podemos obtener el comportamiento en el tiempo de las variables de estado
aplicando la Transformada inversa   a (6.66)  Z 
x(k) = Z −1 [x(z)] = Z −1  z(zI − A)−1  x(0) + −1 (zIL  − A)−1Bu(z) 
186
 

6.8. INTRODUCCIÓN AL CONTROL POR

VARIABLE DE ESTADO

La primera de las transformadas corresponde a  Ak = Φ(k, 0) como puede

verse en (6.55) y (6.57). Nótese que la segunda transformada incluye el producto
de dos funciones de z . El resultado es:
k 1
 −
x(k) = Φ(k, 0)x(0) + Φ(k, l + 1)Bu(l) (6.69)
l=0

La ecuación (6.63) y (6.69) son análogas; sin embargo, es más fácil de analizar
(6.69). Para ello, vamos a expandir la sumatoria:

x(k) = Φ(k, 0)x(0) + Φ(k, 1)Bu(0) + Φ(k, 2)Bu(1) + ··· + Φ(k, k)Bu(k − 1)
x(k) = Φ(k, 0)x(0) + Φ(k, 1)Bu(0) + Φ(k, 2)Bu(1) + ··· + Bu(k − 1) (6.70)
La ecuación (6.70) muestra que x(k) esta formada por aportes de las condi-
ciones iniciales x(0), y de las entradas  u(k). Además muestra cuál es el aporte
exacto del valor de la entrada en un instante de tiempo especı́fico: por ejemplo,
la entrada en k = 1, que es   u(1) aporta a la construcción de x(k) justamente
Φ(k, 2)Bu(1).
Un análisis similar podrı́a hacerse para el caso continuo con la ecuación
−
(6.63); para ello debe emplearse la función impulso δ (t τ ). Debido a que este
análisis no aporta ningún concepto nuevo, se ha omitido en este texto.

6.8. Introducción al control por

variable de estado
El esquema básico de control por variable de estado se muestra en la figura
6.16. La estrategia, que es igualmente válida para sistemas continuos y discretos
consiste en utilizar las variables de estado x para realimentar el sistema mediante
una matriz K, y comparar el estado con unas señales de referencia r, de donde
se tiene que
u = r + Kx   (6.71)
Para que (6.71) tenga sentido, las dimensiones de las variables involucradas
deben ser las siguientes:

u p×1  =  r p×1  + K p×n xn×1

Podemos emplear los diagramas de bloques de la representación en variable

de estado para sistemas continuos y discretos que se muestran en las figuras 6.5
y 6.6 para complementar la figura 6.16. El resultado se muestra en las figuras
6.17 y 6.18
Combinando las ecuaciones (6.21) y (6.22) con (6.71) se obtienen las ecua-
ciones de estado para sistemas continuos y discretos con realimentación por
variable de estado:

187
 

OSCAR G. DUARTE

r   + u   y
Sistema
+
x

Figura 6.16:  Realimentación por Variable de Estado

+ y(s)
r(s)+ + sx(s) x(s) +
B 1/s   C
u(s)
+ +

Figura 6.17:  Realimentación por Variable de Estado de un sistema contı́nuo

188
 

6.8. INTRODUCCIÓN AL CONTROL POR

VARIABLE DE ESTADO

+ y(z)
r(z)+ + zx(z) x(z) +
B 1/z   C
u(z)
+ +

Figura 6.18:  Realimentación por Variable de Estado de un sistema discreto

  ẋ(t) = Ax(t) + B[r(t) + Kx(t)]

y(t) = Cx(t) + D[r(t) + Kx(t)]
 x(k + 1) = Ax(k) + B[r(k) + Kx(k)]
y(k) = Cx(k) + D[r(k) + Kx(k)]
que pueden reescribirse como
  ẋ(t) = [A + BK]x(t) + Br(t)
y(t) = [C + DK]x(t) + Dr(t)
 x(k + 1) = [A + BK]x(k) + Br(k)
y(k) = [C + DK]x(k) + Dr(k)
Se obtienen entonces unos nuevos sistemas para los que las entradas son  r,
las salidas son u y las variables de estado son  x (ver figura 6.16). Si definimos
Ā = A + BK y  C̄ = C + DK las ecuaciones de estos nuevos sistemas serán
  ẋ(t) =  Āx(t) + Br(t)   Ā = A + BK
  (6.72)
y(t) =  C̄x(t) + Dr(t)   C̄ = C + DK
 x(k + 1) =  Āx(k) + Br(k)   Ā = A + BK
  (6.73)
y(k) =  C̄x(k) + Dr(k)   C̄ = C + DK
Dado que el comportamiento de los sistemas descritos por (6.72) y (6.73)
dependen de los valores propios de  Ā, se desprende que la estrategia de control

189
 

OSCAR G. DUARTE

por variable de estado consiste en establecer un sistema como el de la figura 6.16

y seleccionar una matriz  K tal que los valores propios de  Ā en (6.72) y (6.73)
sean los deseados.
Como este no es un texto de control, no abordaremos el problema de cómo
obtener esa matriz   K. Sin embargo, resaltamos que esta estrategia plantea al
menos dos interrogantes:

1. ¿Pueden asignarse con total libertad los valores propios de  Ā?, es decir,
dado un conjunto de valores propios deseados, ¿existirá siempre una matriz
K que permita asignarle a  Ā dichos valores propios?

2. Dado que las variables de estado no necesariamente tienen sentido fı́sico,

y en caso de tenerlo no necesariamente son medibles, ¿Como pueden co-
nocerse los valores de las variables de estado para implementar el esquema
de la figura 6.16?

Las secciones 6.8.1 y 6.8.2 intentan dar respuesta a estas preguntas.

6.8.1. Controlabilidad
La noción de controlabilidad  de un sistema está asociada con la posibilidad
de hacer que sus variables de estado tomen cualquier valor deseado, no importa
cuales sean las condiciones iniciales, en un tiempo finito.

Definición 6.3 Controlabilidad

Un sistema dinámico es  controlable  en  t 1  si para cualquier estado x(t1 ) y cualquier
estado deseado x d  es posible encontrar una entrada u(t) que aplicada entre t 1  y t 2
produce x(t2 ) = xd , con t 2  < ∞
Ejemplo 6.31   Considérese el circuito de la figura 6.19, en el que la variable de en-
trada es v(t) y la variable de salida es v x (t). Es claro que para escribir las ecuaciones
de estado de ese circuito podemos escoger como variable de estado la tensión en el
condensador v C (t).
Debido a la simetrı́a del circuito, si las condiciones iniciales son nulas (v C (0) =
0), la tensión en el condensador siempre será cero, sin importar qué valor tome la
fuente  v(t). Por lo tanto, no es posible modificar a nuestro antojo el valor de la
variable de estado, y en consecuencia el sistema es  no controlable .

La definición 6.3 no brinda por sı́ sóla un mecanismo fácil para determinar
si un sistema es controlable o no. No obstante, podemos aplicar un   test de 
controlabilidad   para determinar si un sistema dinámico lineal invariante en el
tiempo es o no controlable.

Test de controlabilidad
Para determinar si un sistema como (6.21) o como (6.22) es o no controlable,
 ×  ×
con   A   una matriz   n  n   y   B   una matriz   n  p, se construye la   matriz de 

190
 

6.8. INTRODUCCIÓN AL CONTROL POR

VARIABLE DE ESTADO

1Ω 1Ω

+
1F 
v(t) −

1Ω 1Ω

Figura 6.19:  Circuito

controlabilidad   V y se verifica su rango:


V = B AB A2 B A3 B   ···  An−1 B
   (6.74)
olo si   rank(V) = n
El sistema es controlable sı́ y s´ 

Anotaciones al concepto de Controlabilidad

1. La definición 6.3 es realmente la definición de  controlabilidad de estado,
dado que se refiere a la posibilidad de obtener cualquier estado. Existe una
definición semejante para la controlabilidad de salida , que no se aborda en
este texto.
2. El test de controlabilidad (6.74) pone de manifiesto que la controlabilidad
sólo depende de las matrices A  y  B, es decir, sólo depende de la ecuación
de estado y no de la ecuación de salida
3. Para determinar la controlabilidad de un sistema como(6.21) no es nece-
sario resolver la ecuación diferencial. Se realiza un an´ 
alisis cualitativo  de
la ecuación.
4. Si un sistema es controlable, entonces con un esquema de control por
realimentación de variable de estado como el de la figura 6.16 siempre es
posible encontrar una matriz K real para que la matriz  Ā en (6.72) o en
(6.73) tenga los valores propios deseados 8 .
5. El test es igualmente válido para sistemas continuos y discretos.

6.8.2. Observabilidad
Al observar la estrategia de control por Realimentación de Variable de Estado
sugerida en la figura 6.16 surge la cuestión de cómo medir las variables de estado
x, ya que es posible que estas no tengan sentido fı́sico, o que no sean medibles.
8 Se supone en esta afirmación que los valores propios deseados complejos aparecen en

parejas conjugadas.

191
 

OSCAR G. DUARTE

r   + u   y
Sistema
+

Observador

x̂
K

Figura 6.20:  Realimentación por Variable de Estado con Observador

Para solucionar este problema se plantea la utilización de un  estimador de 

estado, u observador de estado, que es un elemento que intenta estimar el estado
del sistema a partir de mediciones de las entradas y salidas al sistema (se supone
que éstas sı́ tienen sentido fı́sico y son medibles), tal como se observa en la figura
6.20, en la que x̂ es la estimación que el observador hace del estado x
La noción de observabilidad  de un sistema está asociada con la posibilidad
de determinar el estado del sistema a partir de mediciones de sus entradas y
salidas durante un tiempo finito, es decir, con la posibilidad de construir un
observador.
Definición 6.4 Observabilidad
Un sistema dinámico es   observable   en   t1   si es posible conocer el estado   x(t1 )
a partir de mediciones de las entradas   u(t)  y las salidas   y(t)   durante el periodo
∞
comprendido entre t 1  y t 2 , con t 2  <
Ejemplo 6.32  Considérese nuevamente el circuito de la figura 6.19, en el que la
variable de entrada es v(t), la variable de salida es  v x (t) y la variable de estado la
tensión en el condensador v C (t).
Es claro que a partir de mediciones de v(t) y v x (t) (que son iguales) no es posible
conocer las condiciones iniciales del condensador y en consecuencia el sistema es  no 
observable .

La definición 6.4 no brinda por sı́ sóla un mecanismo fácil para determinar
si un sistema es observable o no. No obstante, podemos aplicar un test de obser-
vabilidad   para determinar si un sistema dinámico lineal invariante en el tiempo
es o no observable.

Test de observabilidad
Para determinar si un sistema como (6.21) o como (6.22) es o no observable,
 ×  ×
con   A   una matriz   n  n   y   C   una matriz   q   n, se construye la   matriz de 

192
 

6.8. INTRODUCCIÓN AL CONTROL POR

VARIABLE DE ESTADO

observabilidad   S y se verifica su rango:

 C

 CA 
CA2
S =  CA3  olo si  rank(S) = n   (6.75)
El sistema es observable sı́ y s´ 
..
 . 
CAn−1

Anotaciones al concepto de observabilidad

1. El test de observabilidad (6.75) pone de manifiesto que la controlabilidad
sólo depende de las matrices  A  y C.
2. Para determinar la observabilidad de un sistema como(6.21) no es necesaro
resolver la ecuación diferencial. Se realiza un   an´ 
alisis cualitativo  de la
ecuación.
3. Si un sistema es observable, entonces puede construirse un observador
como el que se sugiere en la figura 6.20. En este texto no se aborda el
problema de cómo construir dicho observador.
4. El test es igualmente válido para sistemas continuos y discretos.

Ejemplo 6.33  Tomemos nuevamente el circuito de la figura 6.19. Para escribir las
ecuaciones que rigen el sistema, nótese que el equivalente Thévenin del circuito visto
por el condensador es una resitencia de valor  R, de tal manera que:

vC  = −Ri C  = −RC ddtvC 

d  1
dt
vC (t) = − RC v C (t)

La ecuación de salida es trivial:

vx (t) = v(t)

De tal manera que la representación en variable de estado para el circuito es:

 −  1
v̇C  = RC  vC 
vx  = v(t)

−
Es decir, es un sistema como (6.21) con A = 1/RC , B = 0, C = 0, y D = 1.
Las matrices de controlabilidad y observabilidad definidas en (6.74) y (6.75) son:

V = [0]   S = [0]

y por lo tanto tienen rango 0, lo que significa que el sistema es no controlable y no

observable

193
 

OSCAR G. DUARTE

194
 

Capı́tulo 7

Introducción a los sistemas no

lineales

Si bien el objetivo de este curso es el análisis de los sistemas dinámicos lineales

invariantes en el tiempo, en este capı́tulo se hace una breve presentación de los
sistemas no lineales , con el propósito principal de resaltar:

Que los resultados y las técnicas presentadas en capı́tulos anteriores tienen

una aplicabilidad limitada a los sistemas lineales.
Que el comportamiento de los sistemas lineales es limitado a un cierto
tipo de respuestas, mientras que los sistemas no lineales pueden tener un
comportamiento de mayor riqueza.

Para ello, hacemos inicialmente una distinción entre dos tipos de funciones
no lineales:
No linealidades estáticas:  Se trata de sistemas no lineales  sin memoria , es
decir, aquellos cuyas salidas   y(t) sólo dependen de las entradas en ese
mismo instante u(t). La figura 7.1 resume algunas de las no linealidades
estáticas más frecuentes. Algunos de los elementos que se pueden modelar
con este tipo de no linealidades estáticas son:
Válvulas de apertura gradual.
Transformadores y motores en regiones de saturación magnética.
Materiales ferromagnéticos en general.
Huelgos en engranajes.
Cilindros hidraúlicos y neumáticos con cambio de dirección.
Linealizaciones de elementos eléctricos y electrónicos.

195
 

OSCAR G. DUARTE

Saturaciones Relés

Histéresis Zonas Muertas

Zonas Muertas Trazos Rectos

Figura 7.1:   No Linealidades Estáticas más frecuentes

196
 

7 .1 . PÉRDIDA DE SUPERPOSICICI ÓN Y PROPORCIONALIDAD

No linealidades dinámicas: Se trata de sistemas no lineales con memoria , es

decir, aquellos cuyas salidas y (t) dependen no sólo de las entradas en ese
mismo instante  u(t), sino también de sus derivadas o diferencias finitas.
Es decir, consideramos ecuaciones diferenciales y de diferencia de la forma

ẋ(t) = f (x(t), u(t), t)   x(k + 1) = f (x(k), u(k), k)

En donde el vector u contiene las entradas al sistema,  x las variables de

estado, y   f   es un función vectorial no lineal (no necesariamente lineal).
Las secciones 7.1 a 7.8 se refieren a este tipo de no linealidades

7.1. Pérdida de superposicición y proporciona-

lidad
Las propiedades de   superposici´ 
on   y  proporcionalidad   son inherentes a los
sistemas lineales. Estas dos propiedades se pierden en los sistemas no lineales.

Ejemplo 7.1  Consideremos un sistema continuo descrito por la ecuación (7.1) que
no es lineal debido al término x 2

ẋ + εx2 = u(t) (7.1)

En la figura 7.2 se muestra el comportamiento del sistema con  ε = 1 y condi-
ciones iniciales nulas ante dos entradas diferentes:

Se ha simulado la salida y 1 (t) con una entrada u 1 (t) =  µ(t).

Se ha simulado la salida y 2 (t) con una entrada u 2 (t) = 4µ(t).

Nótese que aunque se ha multiplicado por 4  la entrada, la salida no está multi-
plicada por 4; de hecho, el valor estacionario tan sólo se ha duplicado, con lo que
se demuestra que el sistema no tiene la propiedad de proporcionalidad.
Ahora trabajamos con el sistema suponiendo ε = 0.1 (es decir, haciendo más pe-
queño el efecto no lineal) y manteniendo condiciones iniciales nulas. Se ha simulado
el comportamiento del sistema en tres condiciones diferentes:

Se ha simulado la salida y 3 (t) con una entrada u 3 (t) =  µ(t).

Se ha simulado la salida y 4 (t) con una entrada u 4 (t) = sin(t)µ(t).

Se ha simulado la salida y 5 (t) con una entrada u 5 (t) =  µ(t) + sin(t)µ(t).

La figura 7.3 muestra   y3 (t),   y4 (t),   y3 (t) + y 4 (t)  y   y5 (t). Se destaca como la
suma  y3 (t) + y 4 (t)  es diferente de la salida que se obtiene cuando la entrada es
u3(t) + u 4 (t), con lo que se demuestra que el sistema no tiene la propiedad de
superposición.

197
 

OSCAR G. DUARTE

3.0

2.5

2.0
y2 (t)

1.5

y1 (t)
1.0

0.5

0.0
0 1 2 3 4 5 6 7 8 9 10

Figura 7.2:  Sistema No Lineal con dos entradas escalón

4
y3 (t) + y4 (t)

2
y3 (t) y5(t)

y4 (t)
−1
0 1 2 3 4 5 6 7 8 9 10

Figura 7.3:  Sistema No Lineal con una entrada escalón y una sinusoide

198
 

7.2. MÚLTIPLES PUNTOS DE EQUILIBRIO

7.2. Múltiples puntos de equilibrio

Un punto de equilibrio de un sistema continuo es un punto x 0  tal que  ẋ(t) en
ese punto valga cero, ya que en esas condiciones el sistema no cambiará nunca
de estado.
Por otra parte, un punto de equilibrio de un sistema discreto es un punto  x 0
tal que x(k + 1) = x(k) en ese punto valga cero, ya que en esas condiciones el
sistema no cambiará nunca de estado.
Si consideramos un sistema continuo lineal libre de la forma  ẋ = Ax, es claro
que el único punto de equilibrio que existe1 corresponde a x = 0, sin embargo,
pueden existir sistemas no lineales con más de un punto de equilibrio.

Ejemplo 7.2  Tomemos como ejemplo un  péndulo simple  de barra rı́gida como el
de la figura 7.4 cuyas ecuaciones dinámicas son

ẋ1  =  x 2
(7.2)
−
ẋ2  = a sin(x1 ) − bx2
en donde

x1  representa el ángulo de giro del péndulo medido respecto a la vertical en

el punto de giro.

x2  representa la velocidad angular.

a = g/l, b = k/m

g es la aceleración de la gravedad.

l es la distancia del punto de giro al centro de gravedad del péndulo.

k es el coeficiente de fricción viscosa del punto de giro.

m es la masa del péndulo.

Para que  ẋ1   y  ẋ2  sean cero en (7.2) se necesita que  x2  = 0 y sin(x1 ) = 0, es
decir que los puntos de equilibrio son:
  ±  ±  ±  ···
0
,
π
,
2π
,
3π
,
0 0 0 0

Este resultado corresponde a nuestra experiencia: el péndulo está en reposo sólo

en dirección vertical, bien sea hacia arriba o hacia abajo; si está hacia abajo el ángulo
± ± ···
x1  es 0  (que es igual a 2π, 4π, ) y si está hacia arriba el ángulo x 1  es π  (que
 − ± ···
es igual a π, 3π, ), y en ambos casos la velocidad angular  x 2  es 0.
Para mostrar gráficamente la presencia de varios puntos de equilibrio se ha
trazado el retrato de fase del péndulo simple en la figura 7.5 con a = b = 1.
1 Salvo en los casos especiales en que   A  es singular.

199
 

OSCAR G. DUARTE

 

l        

 x 1

Figura 7.4:  Diagrama del péndulo simple

2.0

1.6

1.2

0.8

0.4

   

0
.

−0.4

−0.8

−1.2

−1.6

−2.0
−1 1 3 5 7 9 11

Figura 7.5:  Retrato de Fase del péndulo simple con  a  =  b  = 1

200
 

7.3. ESTABILIDAD LOCAL

7.3. Estabilidad local

El concepto de estabilidad   está asociado con los puntos de equlibrio, es decir
se dice que un punto de equilibrio puede tener un cierto tipo de estabilidad (ser
estable, inestable, un punto de sila, etc.).
Como los sistemas lineales sólo tienen un punto de equilibrio, se dice que la
estabilidad del sistema es la de ese punto de equilibrio. Debido a que los sistemas
no lineales pueden tener más de un punto de equilibrio, ya no es válido hablar
de la  estabilidad del sistema  como un todo, sino que es necesario estudiar la
establidad de cada punto de equilibrio. A este tipo de estabilidad se le denomina
estabilidad local .

Ejemplo 7.3  Considéremos de nuevo el caso del péndulo simple descrito por (7.2)
y cuyo retrato de fase se muestra en la figura 7.5. Para conocer el comportamiento
del sistema en todos los puntos de equilibrio basta con analizarlo en dos de ellos

xa  =
±
(un ángulo  θ  es igual a un ángulo  θ 2nπ):

0
  xb  =

π
0 0

La figura 7.6 muestra una ampliación del retrato de fase de la figura 7.5 cerca
al punto de equilibrio xa . El retrato de fase resultante es similar al de un  sif´ 
on  de
un sistema lineal, por lo tanto diremos que  xa  es un punto de equilibrio del tipo
sifón, y por lo tanto estable.
Por otra parte, la figura 7.7 muestra una ampliación del retrato de fase de la
figura 7.5 cerca al punto de equilibrio x b . El retrato de fase resultante es similar al
de un  punto de silla  de un sistema lineal, por lo tanto diremos que x b  es un punto
de equilibrio del tipo punto de silla, es decir, es inestable.

7.4.   Órbitas periódicas no sinusoidales

En un sistema lineal la única posibilidad de tener soluciones periódicas se da
cuando los valores propios son imaginarios puros; en estos casos las trayectorias
del retrato de fase son elipses y se denominan ´ orbitas cerradas   del sistema.
En los sistemas no lineales hay otras posibilidades de tener soluciones perió-
dicas, que no necesariamente corresponderán a elipses en los retratos de fase.

Ejemplo 7.4   Supóngase un sistema descrito por las ecuaciones de  Lotka-Volterra

ẋ1   =  −
x1  + x1 x2
ẋ2   =   x2 x1 x2 −   (7.3)

La ecuación (7.3) sirve como un modelo simplificado para predecir el crecimiento

de las poblaciones de dos especies en un ámbito cerrado en la que una de ellas es
el predador de la otra (la presa).   x1  representa la población del predador y x2   la
de la presa. La variación de la población está afectada por cuántas veces se cruzan

201
 

OSCAR G. DUARTE

0.7

0.5

0.3

0.1

−0.1

−0.3

−0.5

−0.7
4.8 5.2 5.6 6.0 6.4 6.8 7.2 7.6 8.0

Figura 7.6:  Retrato de Fase del péndulo simple alrededor de un punto de equilibrio
del tipo sifón

0.7

0.5

0.3

0.1

−0.1

−0.3

−0.5

−0.7
2.1 2.5 2.9 3.3 3.7 4.1 4.5

Figura 7.7:  Retrato de Fase del péndulo simple alrededor de un punto de equilibrio
del tipo punto de silla

202
 

7.5. CICLOS LÍMITE

0
.

−1
−1 0 1 2 3 4 5

Figura 7.8:  Retrato de Fase del Sistema de Lotka-Volterra

miembros de una especie con los de la otra, que se supone que es proporcional al
producto x 1 x2 .
La figura 7.8 muestra el retrato de fase del sistema descrito por (7.3). Se nota
un punto de equilibrio en (1, 1) que es un centro, y otro punto de equilibrio en (0, 0)
que es un punto de silla. Además, se destacan infinitas soluciones periódicas que no
tienen forma de elipse ni están centradas en (0, 0)

7.5. Ciclos lı́mite

En ocasiones las trayectorias del sistema tienden a formar una órbita cerrada;
cuando esto sucede se dice que existe un   ciclo lı́mite estable . También se da el
caso en el que las trayectorias se desprenden de una órbita cerrada, en cuyo caso
se dice que se existe un ciclo lı́mite inestable .

Ejemplo 7.5   Supóngase un sistema descrito por las ecuaciones:

ẋ1   =   x2
ẋ2   =   µ(1 − x21 )x2 − x2   (7.4)

La ecuación (7.4) representa al  Oscilador de Van der Pol , y corresponde a un

oscilador con un amortiguamiento no lineal correspondiente al término proporcional
a x 21 x2 .

203
 

OSCAR G. DUARTE

0
.

−1

−2

−3

−4
−3 −2 −1 0 1 2 3

Figura 7.9:  Retrato de Fase del Oscilador de Van der Pol con  µ = 1

La figura 7.9 muestra el retrato de fase del sistema descrito por (7.4) con µ = 1.
Nótese que todas las trayectorias tienden a formar una órbita cerrada (marcada en
rojo); está órbita corresponde a un  ciclo lı́m ite   del sistema.

7.6.   Órbitas homoclı́nicas

En un sistema lineal, cuando el punto de equilibrio es del tipo punto de silla,
una trayectoria que inicie en el vector propio inestable viajará por ese vector
hasta el infinito.
En algunos sistemas no lineales puede darse un comportamiento especial:
una trayectoria que inicie en un punto de equilibrio del tipo punto de silla
puede llegar a terminar en el mismo punto de equilibrio. Cuando esto sucede,
la trayectoria descrita se denomina una  ´ 
orbita homoclı́nica 
Ejemplo 7.6   Supóngase un sistema descrito por las ecuaciones:
ẋ1   = x 2
−
ẋ2   = kx2  + x1 − x31   (7.5)

La ecuación (7.5) representa al Oscilador de Duffing , y corresponde a un oscilador

con una excitación adicional; por ejemplo, (7.5) puede representar a un péndulo
simple como el de la figura 7.4 cuando el ángulo es pequeño, y adicionalmente se
ejerce una fuerza proporcional a  x 31 .

204
 

7.7. BIFURCACIONES

2.0

1.6

1.2

0.8

0.4

0
.

−0.4

−0.8

−1.2

−1.6

−2.0
−2.0 −1.6 −1.2 −0.8 −0.4 0 0.4 0.8 1.2 1.6 2.0

Figura 7.10:  Retrato de Fase del Oscilador de Duffing con  k  = 0

La figura 7.10 muestra el retrato de fase del sistema descrito por (7.5) con
k = 0 (sin amortiguamiento). El sistema tiene tres puntos de equilibrio: en (1, 0)
−
y en ( 1, 0) hay unos puntos de equilbrio del tipo centro; en (0, 0) hay un punto
de equilibrio del tipo punto de silla. En este punto hay dos trayectorias especiales
(en rojo): una de ellas inicia en la dirección (1, 1) y despues de dar una vuelta hacia
−
la derecha regresa al punto   (0, 0)   desde la dirección   (1, 1); la otra inicia en la
− −
dirección ( 1, 1) y despues de dar una vuelta hacia la izquierda regresa al punto
−
(0, 0) desde la dirección ( 1, 1). Estas dos trayectorias son  ´ 
orbitas homoclı́nicas  del
sistema.

7.7. Bifurcaciones

Si las ecuaciones de un sistema dinámico dependen de un parámetro, es

lógico pensar que el comportamiento de dicho sistema dependa del valor de ese
parámetro. Esto es cierto tanto para sistemas lineales como no lineales.
Sin embargo, las variaciones de comportamiento que puede tener un sistema
lineal son menores en comparación con las que pueden suceder en sistemas no
lineales. Si al variar un parámetro el comportamiento del sistema cambia   es-
tructuralmente   (de forma muy notoria), se dice que el parámetro ha tomado un
on .
valor de bifurcaci´ 

205
 

OSCAR G. DUARTE

Ejemplo 7.7  Consideremos el sistema descrito por la ecuación

ẋ = (α − x2)x   (7.6)

Para valores negativos de  α  el sistema tendrá un único punto de equilibrio en

≥
x = 0, porque es la única condición en la que ẋ = 0. Sin embargo, si α 0 existirán
√ 
tres puntos de equilibrio en x1   = 0, x2   = + a, x3   =  −√  a. Este cambio es muy
importante, y por lo tanto decimos que en  α = 0 hay una  bifurcaci´  on  del sistema,
o lo que es igual, que el valor de bifurcación para el parámetro α  es  0.

7.8. Comportamientos caóticos

El comportamiento de un sistema dinámico, lineal o no lineal, depende de
las condiciones iniciales. En los sistemas lineales esta dependencia es suave, es
decir, que si se escogen dos condiciones iniciales cercanas el comportamiento del
sistema será muy parecido.
Existen algunos sistemas no lineales en los que pequeñas variaciones en las
condiciones iniciales desencadenan comportamientos muy diferentes; tales siste-
mas se denominan ca´  oticos .

Ejemplo 7.8  Consideremos el sistema discreto de primer orden descrito por la ecua-
ción:
 −
(2 x)/4   x ∈ [0, 18/41)
x(k + 1) = f (x(k))   f (x) =
 −
10x 4   x ∈ [18/41, 1/2) (7.7)
−
10x 5   x
 ∈ [1/2, 23/41)
−
(3 x)/4   x ∈ [23/41, 1]
f (x) se muestra en la figura 7.11. En la figura 7.12 se muestra el comportamiento
del sistema para tres condiciones iniciales muy cercanas:   xa (0) = 0.445 + 1E   −
 −
11  (en negro),   xb (0) = 0.445 + 3E  11   (en azul) y   xc (0) = 0.445 + 5E  11 −
(en rojo). Nótese cómo a partir de  k   = 35 el comportamiento del sistema difiere
notablemente aun cuando las tres condiciones iniciales se asemejan mucho. Este
tipo de comportamiento es  ca´ otico .

206
 

7.8. COMPORTAMIENTOS CAÓTICOS

1.00

0.75

0.50

0.25

0
0 0.25 0.50 0.75 1.00

Figura 7.11:  Función discreta que origina un sistema caótico

1.0

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 10 20 30 40 50

Figura 7.12:  Respuesta de un sistema discreto caótico a tres entradas diferentes:

11
xa  = 0.445 + 1 · 10 −
(negro),  x b  = 0.445 + 3  · 10 11 (azul) y  x c  = 0.445 + 5  · 10 11
− −

(rojo)

207
 

OSCAR G. DUARTE

208
 

Apéndice A

Demostraciones de las
Transformadas de Laplace y   Z 

A.1. Propiedades de la Transformada

de Laplace
La transformada de Laplace de una función f (t) f   :   R  →  R  es una función
→
F (s) F   :  C C  calculada como

F (s) = L{f (t)} =
 
 ∞
f (t)e−st dt   (A.1)
0

Sean   f (t), f 1 (t), f 2 (t) tres funciones cuyas Transformadas de Laplace son,
respectivamente  F (s), F 1 (s), F 2 (s), y a un escalar (real o complejo). Se cumplen
las siguientes propiedades:

A.1.1. Linealidad:

L{f 1(t) + f 2(t)} = F 1(s) + F 2 (s) (A.2)

L{af (t)} = aF (s) (A.3)
Demostración A.1   La propiedad de Linealidad de la Trasformada de Laplace se
desprende de la propiedad de Linealidad de la integración. Demostramos primero la
propiedad de superposición (A.2).
La Transformada de Laplace de  f 1 (t) + f 2 (t) es, según la definición (A.1):

L{f 1(t) + f 2(t)} =
 
 ∞
[f 1 (t) + f 2 (t)]e−st dt
0

209
 

OSCAR G. DUARTE

Debido a que la Integración es una operación lineal, podemos separar la integral

de una suma en la suma de las integrales:

L{f 1(t) + f 2(t)} =
  ∞
f 1 (t)e−st dt +
  ∞
f 2 (t)e−st dt
0 0

Las dos integrales corresponden a las transformadas de Laplace de f 1 (t) y f 2 (t),
respectivamente, con lo que queda demostrada (A.2)

L{f 1(t) + f 2(t)} = F 1(s) + F 2 (s)

Para demostrar A.3 también acudimos a la propiedad de linealidad de la inte-
gración. La Transformada de Laplace de  af (t) es

L{af (t)} =
   ∞
[af (t)]e−st dt = a
   ∞
f (t)e−st dt = aF (s)
0 0

A.1.2. Diferenciación:
  − L df (t)
 = sF (s) f (0+) (A.4)
dt
  − n 1
−
dn f (t)
L  = s n F (s) sn−i−1 f (i) (0+) (A.5)
dtn i=0

Demostración A.2  Para demostrar A.4 calculamos la Transformada de Laplace de

la derivada   df 
dt
df (t)
L  =
     
  ∞ df 
e−st dt
dt 0 dt

Esta integral puede resolverse por partes, haciendo u =  e −st y dv =


df 
dt dt y
por lo tanto du = −se− st
dt y  v  = f (t) :

L
 
df (t)   −  
∞
 =   f (t)e−st 0
 ∞
( s)e−st f (t)dt
−
dt 0

La integral es respecto a t, y por tanto s es constante y puede salir de la integral

L
 
df (t) ∞   
 =   f (t)e−st 0   + s
 ∞ ∞
e−st f (t(dt =   f (t)e−st 0   + sF (s)

dt 0

L
 
df (t)
  = lı́m f (t)e−st − f (0+)e− 0 + sF (s)
s
dt t→∞

El valor del lı́mite no está determinado, hasta tanto no se conozca f (t). Sin em-
bargo, para todas aquellas funciones que decrezcan, sean constantes, o que crezcan

210
 

A.1. PROPIEDADES DE LA TRANSFORMADA

DE LAPLACE

más lentamente que  e st el valor del lı́m ite será 0. Este tipo de funciones son las que
empleamos en Análisis de Sistemas Dinámicos, y en consecuencia podemos escribir

L
 
df (t)
 = −f (0+) + sF (s)
dt
Esto concluye la demostración de (A.4).
Para demostrar (A.5), hacemos notar que para n = 1 se reduce a (A.4), y por
tanto podemos emplear el método de inducción para la demostración: Calculemos
(k+1)
la transformada de   ddt(k+1)f   empleando (A.4):

L
 L    L   − 
 d(k+1) f 
 =
d df k
 = s
df k   df k
dt(k+1) d dtk dtk dtk t=0+

L
   −
d(k+1) f 
 
 = s sk F (s)
−
k 1
−
sk−i−1 f (i) (0+ )
  df k
=
dt(k+1) i=0
dtk t=0

L
   −
d(k+1) f 

 = s(k+1) F (s)
−
k 1
−
s(k+1)−i−1 f (i) (0+ ) f (k) (0)
dt(k+1) i=0

El término  f k (0)  puede escribirse como   s((k+1)−i−1) f (k) (0)  cuando  i   =   k, e
incorporarlo en la sumatoria

L
 
d(k+1) f 
 = s(k+1) F (s) −
k
 s(k+1)−i−1 f (i) (0+ )

dt(k+1) i=0

L
 d(k+1)
f 
 
 = s(k+1) F (s) −
(k+1) 1
 −
s(k+1)−i−1 f (i) (0+ )


dt(k+1) i=0

Esta expresión corresponde a (A.5) para (k +1) lo que completa la demostración

por inducción.

A.1.3. Desplazamiento en la frecuencia:

L  
eat f (t)  = F (s − a) (A.6)

Demostración A.3  La Transformada de Laplace de e at f (t) es

L    
eat f (t)  =
 ∞
e−st [eat f (t)]dt =
 
 ∞
e−(s−a)t f (t)dt
0 0

La integral corresponde a la definición de la Transformada de Laplace (A.1), pero

−
evaluada en s a en lugar de s, es decir

L  
eat f (t)  = F (s − a)
211
 

OSCAR G. DUARTE

A.1.4. Multiplicación por   t:

L{tf (t)} = − dF (s)
ds
  (A.7)

n dn F (s)
L{t f (t) = ( 1)n
} −   (A.8)
dsn
Demostración A.4  Para demostrar (A.7) calculamos la derivada de  F (s) respecto
a s  ∞  
dF (s)   d
  = e−st f (t)dt
ds ds 0
La derivada se hace respecto a   s   y la integral respecto a   t, por lo tanto la
derivada puede incorporarse dentro de la integral
dF (s)
  =
 ∞ d  
e−st f (t) dt

ds 0 ds
Como la derivada es respecto a s, t  y  f (t) son constantes:

dF (s)
  =
  −
 ∞
tf (t)e−st dt = −
 
 ∞
[tf (t)]e−st dt
ds 0 0
La integral corresponde a la Transformada de Laplace de  tf (t), lo que completa
la demostración de (A.7).
Para demostrar (A.8) resaltamos que cuando   n   = 1  se convierte en (A.7), y
por tanto podemos emplear el método de inducción. Al evaluar (A.8) en  n =  k  se
obtiene
  dk F (s)
L tk f (t)  = ( 1)k
− dsk
La derivada k + 1  de  F (s) respecto a s  es

d(k+1) F (s)   d
  =
  dk f 
ds(k+1) ds dsk

d(k+1) F (s)   d
  =
 L  
  1
tk f (t)
ds(k+1) ( 1)k
d(k+1) F (s)
  =
ds
  1 d
 −   
 ∞
e−st tk f (t) dt
ds(k+1) ( 1)k ds
− 0
Como la integral es respecto a t  y la derivada respecto a s se tiene

d(k+1) F (s)
  =
  1
   
 ∞ d
e−st tk f (t) dt
ds(k+1) ( 1)k 0 ds
−
d(k+1) F (s)
  =
  1  ∞   
tk f (t)
 d −st
e dt
ds(k+1) ( 1)k 0
− ds

212
 

A.1. PROPIEDADES DE LA TRANSFORMADA

DE LAPLACE

d(k+1) F (s)
  =
  1  ∞  
t(k+1) f (t)e−st dt
ds(k+1) ( 1)(k+1) 0 −
La integral corresponde a la transformada de Laplace de  t (k+1) f (t), es decir

d(k+1) F (s)  
  = L t(k+1) f (t)
ds(k+1)
Esta expresión resulta ser igual a (A.8) evaluada en  n = k + 1  con lo que se
completa la demostración.

A.1.5. Teorema de valor inicial:

lı́m f (t) = lı́m sF (s) (A.9)

t →0+ s →∞
Demostración A.5   Para demostrar (A.9) consideremos primero la propiedad de

L  − → ∞
diferenciacion (A.4) y calculemos el lı́mite cuando s

df (t)
a cada lado de la igualdad:

 = sF (s) f (0+)
dt
L    − 
lı́m
df (t)
  = lı́m sF (s) f (0+)
s→∞ dt s→∞
 
lı́m
  − 
 ∞
e−st
df (t)
  dt   = lı́m sF (s) f (0+)
s→∞ 0 dt s→∞

Cuando s →∞  la integral de hace cero, y por lo tanto tenemos

 −  s
lı́m sF (s)
→∞ f (0+ )

Dado que f (0+) es independiente de s, y además f (0+ ) =  lim t→0+ f (t) se tiene

lı́m sF (s) = f (0+ ) = lı́m+ f (t)

s →∞ t →0

A.1.6. Teorema de valor final:

lı́m f (t) = lı́m sF (s) (A.10)

t →∞ s→0
Demostración A.6   Para demostrar (A.10) consideremos primero la propiedad de

L  − →
diferenciacion (A.4) y calculemos el lı́mite cuando s

df (t)
0 a cada lado de la igualdad:

 = sF (s) f (0+)
dt

lı́m
L    − 
df (t)
 = lı́m sF (s) f (0+)
→0
s dt s→0
213
 

OSCAR G. DUARTE

lı́m
  ∞
e−st
df (t)
 
  dt  = lı́m sF (s) − f (0+) 
s→0 0 dt s→0

Cuando s
 → 0 la integral se simplifica
  ∞ df (t) 
  dt  = lı́m f (t) − f (0+) = lı́m  sF (s) − f (0+) 
0 dt t →∞ →0 s

Con lo que resulta

lı́m f (t) = lı́m sF (s)

t →∞ s →0

A.1.7. Convolución:

L{f 1(t) ∗ f 2(t)}   =     1F  (s)F  (s)

∞  f  (t 2
  (A.11)
f 1 (t) ∗ f 2 (t) = 0 1 − τ )f  (τ )dτ  2

Demostración A.7  Para demostrar (A.11) calculemos la transformada de Laplace

de la convolución entre f 1 (t) y  f 2 (t):

L{f 1(t) ∗ f 2(t)} = L
  −  ∞
f 1 (t

τ )f 2 (τ )dτ   =
0

L{f 1(t) ∗ f 2(t) }
    −
=
 ∞  ∞
f 1 (t

τ )f 2 (τ )dτ  e−st dt
0 0

L{f 1(t) ∗ f 2(t) }
    −
=
 ∞  ∞
f 1 (t τ )e−st f 2(τ )dτdt
0 0
Podemos interambiar el orden de integración y reagrupar:

L{f 1(t) ∗ f 2(t) }
    −
=
 ∞  ∞
f 1 (t τ )e−st f 2(τ )dtdτ 
0 0

L{f 1(t) ∗ f 2(t) }
   
=
 ∞
f 2 (τ )
 ∞
f 1 (t − τ )e− st

dt dτ 
0 0
Ahora efectuamos un cambio de variable  ξ  = t − τ  de tal manera que  dξ  = dt
y t  = ξ  + τ 

L{f 1(t) ∗ f 2(t)} =
   
 ∞
f 2 (τ )
 ∞
f 1 (ξ )e−s(ξ+τ ) dξ  dτ 

0 −τ 

L{f 1(t) ∗ f 2(t)} =
 
 ∞   f 2 (τ )e−sτ 
 ∞
f 1 (ξ )e−sξ dξ  dτ 

0 −τ 
Como ξ  es independiente de τ  podemos sacar la integral

L{f 1(t) ∗ f 2(t)} =
   ∞
f 1 (ξ )e−sξ dξ 
   ∞
f 2 (τ )e−sτ dτ 

−τ  0

214
 

A.2. PROPIEDADES DE LA TRANSFORMADA Z

Además, consideramos de f 1 (t) vale cero para valores negativos de t, y por tanto
podemos modificar los lı́mites de la integral, completando asi la demostración

L{f 1(t) ∗ f 2(t)} =
  ∞
f 1 (ξ )e− dξ  sξ
 
f 2(τ )e−
 ∞
sτ 

dτ 
0 0

L{f 1(t) ∗ f 2(t)} = F 1(s)F 2(s)

A.1.8. Desplazamiento en el tiempo:

L{f (t − T )} = e − sT 

F (s) (A.12)
Demostración A.8  La transformada de Laplace de  f (t − T ) es
L{f (t − T )} =
  ∞
f (t − T )e− st
dt
0

Efectuando el cambio de variable   τ   =   t − T   de tal manera que   dt   =   dτ   y

t = τ  + T  se tiene

L{f (t − T )} =
  ∞
f (τ )e−s(τ +T ) dτ   =
 
 ∞
f (τ )e−sτ e−sT dτ 
−T  −T 
Como la intergal es respecto a τ   y T  es constante, puede sacarse de la integral
el término e −sT   ∞  
L{f (t − T )} = e− sT 
f (τ )e−sτ dτ 
−T 
Si asumimos que  f (t)   vale cero para todo valor negativo de   t, entonces los
lı́mites de la integral pueden modificarse asi:

L{f (τ )} = e− sT 

 
 ∞
f (τ )e−sτ dτ 
0

La integral corresponde a la transformada de Laplace de  f , en dónde la variable

en la que se calcula se ha denominado ahora τ  en lugar de t, es decir

L{f (τ )} = e− sT 

F (s)

A.2. Propiedades de la transformada   Z 

 Z 
La transformada   de una función   f (k)   f   :   Z  →   R  es una función   F (z)
→
F   :  C C  calculada como
∞
F (z) = Z {f (k)} = z −k f (k) (A.13)
k=0

Sean   f (k), f 1 (k), f 2 (k) tres funciones cuyas Transformadas   son, respec-  Z 
tivamente  F (z), F 1 (z), F 2 (z) y   a   un escalar (real o complejo). Se cumplen las
siguientes propiedades:

215
 

OSCAR G. DUARTE

A.2.1. Linealidad:

Z {f 1(k) + f 2(k)} = F 1(z) + F 2(z) (A.14)

Z {af (k)} = aF (z) (A.15)

Demostración A.9  La propiedad de Linealidad de la Trasformada   se desprende  Z 

de la propiedad de Linealidad de la sumatoria. Demostramos primero la propiedad
de superposición (A.14).
 Z 
La Transformada de   f 1 (k) + f 2 (k) es, según la definición (A.13):
∞

Z {f 1(k) + f 2(k)} = z −k [f 1 (k) + f 2 (k)]
k=0

Debido a que la sumatoria es una operación lineal, podemos separarla en la suma

de dos sumatorias:
∞
 ∞
Z {f 1(k) + f 2(k)} = z −k f 1 (k) + z −k f 2 (k)
k=0 k=0

Las dos integrales corresponden a las transformadas  Z   de  f 1(k) y   f 2(k), res-
pectivamente, con lo que queda demostrada (A.14)

Z {f 1(k) + f 2(k)} = F 1(z) + F 2(z)

Para demostrar A.15 también acudimos a la propiedad de linealidad de la suma-
 Z 
toria. La Transformada   de af (k) es
∞
 ∞
Z {af (k)} = z −k [af (k)] =  a z −k [f (k)] =  aF (z)
k=0 k=0

A.2.2. Diferencia positiva:

Z {f (k + 1)} = z F (z) − zf (0) (A.16)

n 1
−
Z {f (k + n)} = z n
F (z) − z n−i f (i) (A.17)
i=0

Demostración A.10   Para demostrar A.16 calculamos la Transformada  Z   de la

diferencia f (k + 1)

∞
Z {f (k + 1)} = z −k f (k + 1) = z −0 f (1) + z −1 f (2) + z −2 f (3) + ···
k=0

216
 

A.2. PROPIEDADES DE LA TRANSFORMADA Z

Si dividimos a cada lado de la ecuación por z  tenemos

z −1 Z {f (k + 1)} = z −1f (1) + z −2f (2) + z−3f (3) + ···
Si sumamos a cada lado de la ecuación z − 0f (0) = f (0)
∞
z −1 Z {f (k + 1)} + f (0) = z −0f (0) + z−1f (1) + z−2f (2) + ··· = z −k f (k)
k=0

La sumatoria resulta ser la Transformada  Z   de f (k), es decir

z −1 Z {f (k + 1) } + f (0) = F (z)
De donde se deduce que

z −1
Z {f (k + 1)} = F (z) − f (0)
Z {f (k + 1)} = zF (z) − zf (0)
Esto concluye la demostración de (A.16).
Para demostrar (A.17) calculamos la Transformada  Z   de f (k + n)
∞
Z {f (k + n)} = z −k f (k + n) = z −0 f (n) + z −1 f (n + 1) + z −2 f (n + 2) + ···
k=0

Si dividimos a cada lado de la ecuación por z n tenemos

Z {f (k + n)} = z − f (n) + z− −1f (n + 1) + z − −2f (n + 2) + ···
z −n n n n

Si sumamos a cada lado de la ecuación z −0 f (0)+z −1f (1)+ ··· +z − +1f (n − 1) n

z − Z {f (k + n)} + z −0 f (0) + z −1 f (1) + ··· + z − −1 f (n + 1) =

n n

z −0 f (0) + z −1 f (1) + ··· + z − +1f (n − 1)+ n

z f (n) + z − −1 f (n + 1) + z − −2 f (n + 2) + ···

− n n n

∞

= z −k f (k)
k=0

La sumatoria resulta ser la Transformada  Z   de f (k), es decir

z −n Z {f (k + n)} + f (0) + z −1f (1) + ··· + z − +1f (n − 1) =  F (z)
n

De donde se deduce que

z −nZ {f (k + n)} = F (z) − f (0) − z −1f (1) − · · · − z− +1f (n − 1) n

Z {f (k + n)} = z F (z) − z f (0) − z −1f (1) − · · · − z1f (n − 1)

n n n

−1 n

Z {f (k + n)} = z F (z) − z − f (i)
n n i

i=0
Esto concluye la demostración de (A.17).

217
 

OSCAR G. DUARTE

A.2.3. Escalamiento en la frecuencia:

  k
Z  a f (t)  = F (z/a) (A.18)
k
Demostración A.11   La Transformada Z   de a f (k) es
  ∞ ∞
  z −k
Z  ak f (k)  = z −k [ak f (k)]dt =
a
f (k)
k=0 k=0

La integral corresponde a la definición de la Transformada Z   (A.13), pero evaluada

en z /a en lugar de z , es decir
  k
Z  a f (t)  = F (z/a)

A.2.4. Multiplicación por   k :

Z {kf (k)} = −z  dzd  {F (z)}   (A.19)

Z {k n
} −z  dzd Z 
f (k) =
 k(n−1) f (k)
   (A.20)

Demostración A.12  Para demostrar (A.19) calculamos la derivada de   F (z) res-

pecto a z  
dF (z)   d
 ∞
  = z −k f (k)
dz dz
k=0

dF (z)
∞
−
  = ( k)z −k−1 f (k)
dz
k=0
Multiplicando por z  a cada lado de la ecuación se tiene

dF (z) ∞
z   = − z −k kf (k)
dz
k=0

 Z 
La sumatoria corresponde a la Transformada   de  kf (k), lo que completa la
demostración de (A.19)
Para demostrar (A.20) definamos una función g (k) =  k (n−1) f (k) y apliquemos
(A.19)
 d
Z{ kg(k) = z } −  {
dz
G(z) }
Z 
 k[k (n−1) f (k)]  = z
 d

Z{ k n f (k)] = z
} − d
dz
−Z   {Z { }}
g(k)

k (n−1) f (k)
dz
Lo que completa la demostración de (A.20)

218
 

A.2. PROPIEDADES DE LA TRANSFORMADA Z

A.2.5. Teorema de valor inicial:

f (0) = lı́m F (z) (A.21)

z →∞
Demostración A.13   La demostración de (A.21) se desprende de la definición de
 Z 
transformada   (A.13)
∞
F (z) =
 z −k f (k)
k=0

F (z) = z −0 f (0) + z −1 f (1) + z −2 f (2) + ···

F (z) = f (0) + z −1 f (1) + z −2 f (2) + ···
Cuando z  → ∞
cada uno de los términos de la derecha se hace cero, salvo f (0)
lo que completa la demostración

lı́m F (z) =  f (0)

z →∞

A.2.6. Teorema de valor final:

k
lı́m f (k) = lı́m (z
→∞ z →1
− 1)F (z) (A.22)

Demostración A.14   Para demostrar (A.22) calculemos la transformada   de la  Z 

−
expresión f (k + 1) f (k) y apliquemos la propiedad de diferencia positiva (A.16)

 ∞
Z {f (k + 1) − f (k)} = [f (k + 1) − f (k)] z− k

k=0

 j
zF (z) − zf (0) − F (z) = lı́m
j →∞ k=0
[f (k + 1) − f (k)] z − k

 j
(z − 1)F (z) − zf (0) = lı́m
j →∞ k=0
[f (k + 1) − f (k)] z − k

Al tomar el lı́mite cuando z  → 1 se obtiene

j

z
lı́m (z
→1
− 1)F (z) − f (0) = lı́m
j →∞ k=0
[f (k + 1) − f (k)]

z
lı́m (z
→1
− 1)F (z) − f (0) =
lı́m [f (1)
j →∞
− f (0) + f (2) − f (1) + ··· + f ( j) − f ( j − 1) + f ( j + 1) − f ( j)]
219
 

OSCAR G. DUARTE

lı́m (z
z →1
− 1)F (z) − f (0) = j →∞
−
lı́m [ f (0) + f ( j + 1)]

Como f (0) es independiente de j  puede salir del lı́mite, con lo que se completa
la demostración

z
lı́m (z
→1
− 1)F (z) − f (0) = −f (0) + lı́→∞
m f ( j + 1)
j

lı́m (z − 1)F (z) = lı́m f ( j + 1) = lı́m f ( j)

z→1 →∞j →∞ j

A.2.7. Convolución:

Z{ ∗
  }
f 1 (k) f 2 (k) = F 1 (z)F 2 (z)
∞   (A.23)
∗
f 1 (k) f 2 (k) = k=0 f 1 (k)f 2 (h k) −
Demostración A.15  Para demostrar (A.23) calculemos la transformada  Z   de la
convolución entre f 1 (k) y  f 2 (k):
  ∞ 
Z {f 1(k) ∗ f 2(k)} Z  = f 1 (k)f 2 (h − k)
k=0

Z {f 1(k) ∗ f 2(k) }
 
=
∞  ∞
f 1 (k)f 2 (h − k)

z −h
h=0 k=0
Podemos intercambiar el orden de las sumatorias y reagrupar los términos:
  ∞ ∞
Z {f 1(k) ∗ f 2(k)} = f 1 (k) f 2 (h − k)z − h

k=0 h=0

Efectuamos el cambio de variable r  = h − k que implica h = r + k

  ∞ ∞
Z {f 1(k) ∗ f 2(k)} = f 1 (k) f 2 (r)z −r z −k
k=0 r= k
−
  ∞ ∞
Z {f 1(k) ∗ f 2(k)} = f 1 (k)z −k f 2 (r)z −r
k=0 r= k −
  
 ∞  ∞ 
Z {f 1(k) ∗ f 2(k) }= f 1 (k)z −k f 2 (r)z −r
k=0 r= k−
Si consideramos sólo funciones f (k) que valgan cero para valores negativos de k
podemos cambiar los lı́mites de la sumatoria, con lo que se completa la demostración

 ∞   ∞ 
Z {f 1(k) ∗ f 2(k)} = f 1 (k)z −k f 2 (r)z −r
k=0 r =0

Z {f 1(k) ∗ f 2(k)} = F 1 (z)F 2(z)

220
 

A.3. PAREJAS DE TRANSFORMADAS DE LAPLACE

A.3. Parejas de transformadas de Laplace

A.3.1. Escalón unitario
Sea 
f 1 (t) = µ(t) =
1 si t 0 ≥
0 si t < 0
La transformada de Laplace de f 1 (t) será

L{µ(t)} =
  ∞
e−st µ(t)dt =
 
 ∞
e−st dt =
  e−st
 ∞  e−s∞  e −s0
0 0 s− 0
=
−   − −s
s

 1  1
L{µ(t)} = 0 − − ( )=
s s
  (A.24)

A.3.2. Exponenciales
Sea f 2 (t) = e at µ(t). Para obtener la transformada de Laplace de  f 2 (t) apli-
camos la propiedad de desplazamiento en la frecuencia (A.6) a la transformada
del escalón (A.24)

L  
eat µ(t)  = L{µ(t)} −  =   1s
 =
  1
  (A.25)
s a
−
s a −
s a

A.3.3. Sinusoides
Seno
Sea f 3 (t) = sin(ωt)µ(t). Para obtener la transformada de Laplace de  f 3 (t)
empleamos la Fórmula de Euler para reescribir la función:

f 3 (t) = sin (ωt)µ(t) = µ(t)

  ejωt − e−   jωt

2 j
Al aplicar la transformada de Laplace a cada lado de la igualdad resulta

L{sin(ωt)µ(t)} = L
 ejωt − e−  jωt
 L   − L 
µ(t)  =
 1
ejωt µ(t) e−jωt µ(t)

2 j 2 j
Cada una de las dos transformadas de Laplace pueden obtenerse empleando
A.25:   − 
 1   1   1
L{
sin(ωt)µ(t) = }
2 j s  jω − s + jω
Al efectuar la suma se obtiene

L{sin(ωt)µ(t)} =  2 j1
 −   
s + jω s + jω
 =
  1   2 jω
s2 + ω 2 2 j s2 + ω 2

L{sin(ωt)µ(t)} = s 2 +ω ω2   (A.26)

221
 

OSCAR G. DUARTE

Coseno
Sea f 4 (t) = cos ωt. Para obtener la transformada de Laplace de f 4 (t) podria-
mos emplear la fórmula de Euler; sin embargo, optamos por otra posibilidad:
empleamos la propiedad de diferenciciación (A.4) y la aplicamos a la transfor-
mada de sin ωt, (A.26):
 1 d
f 4 (t) = cos ωt =  sin ωt
ω dt

L{cos(ωt)µ(t)} =   ω1 L
  d
 sin(ωt)µ(t)

dt

L{cos(ωt)µ(t)} =   ω1  [sL{sin(ωt)µ(t)} −  sin ωt| =0] t

L{cos(ωt)µ(t)} =   ω1
 s
  ω

 − sin ω0
s2 + ω 2

L{cos(ωt)µ(t)} = s 2 +s ω2   (A.27)

A.3.4. Sinusoides amortiguadas

Sean f 5 (t) = e at sin(ωt)µ(t) y f 6 (t) = e at cos(ωt)µ(t) . Para obtener la trans-
formada de Laplace de f 5 (t) y f 6 (t) aplicamos la propiedad de desplazamiento
en la frecuencia (A.6) a las transformadas de seno y coseno (A.26) y (A.27):
    ω
L eat sin(ωt)µ(t)  =   (A.28)
− a)2 + ω2
(s
  s−a
L eat cos(ωt)µ(t)
  =
(s − a)2 + ω 2
  (A.29)

A.3.5. Rampas, parábolas y monomios de   t

Sea f 7 (t) = t n µ(t). Para calcular la transformada de Laplace de  f 7 (t) apli-
camos la propiedad de multiplicación por el tiempo (A.8) a la transformada del
escalón unitario (A.24).

L{f 7(t) = t n
µ(t) = ( 1)n
} −   dn 1

  n!
 = n+1   (A.30)
dsn s s
n
Para los casos particulares en que   n   = 1 y   n   = 2, la función   t µ(t) se
convierte en las funciones rampa y parábola unitarias, respectivamente:

L{f 8(t) = tµ(t)} =  s12   (A.31)

   2
L f 9 (t) =  t 2 µ(t)  =   (A.32)
s3

222
 

A.4. PAREJAS DE TRANSFORMADAS Z

A.3.6. Exponenciales por   tn

Sea f 10 (t) = t n eat µ(t). Para calcular la Transformada de Laplace de  f 10 (t)
aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la transfor-
mada del t n µ(t) (A.30)
    n!
L f 10 (t) = t n eat µ(t)  =   (A.33)
(s a)n+1
−
A.3.7. Sinusoides por   t
Sea   f 11 (t) =   t sin(ωt)µ(t). Para calcular la Transformada de Laplace de
f 11 (t) aplicamos la propiedad de multiplicación por el tiempo (A.7) a la trans-
formada de sin(ωt)µ(t) (A.26)

L{t sin(ωt)µ(t)} = −  dds

   ω
   ωs
 = 2   (A.34)
s2 + ω 2 (s + ω 2 )2
Sea   f 12 (t) =   t cos(ωt)µ(t). Para calcular la Transformada de Laplace de
f 12 (t) aplicamos la propiedad de multiplicación por el tiempo (A.7) a la trans-
formada de cos(ωt)µ(t) (A.27)

L{t cos(ωt)µ(t)} = −  dds

   s
  s2 ω 2
 = 2
−   (A.35)
s2 + ω2 (s + ω 2 )2

A.3.8. Sinusoides amortiguadas multiplicadas por   t

Sea f 13 (t) = te at sin(ωt)µ(t). Para calcular la Transformada de Laplace de
f 13 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la
transformada de t sin(ωt)µ(t) (A.34)

L  
teat sin(ωt)µ(t)  =
  ω(s a) −   (A.36)
((s a)2 + ω 2 )2
−
Sea f 14 (t) = te at cos(ωt)µ(t). Para calcular la Transformada de Laplace de
f 14 (t) aplicamos la propiedad de desplazamiento en la frecuencia (A.6) a la
transformada de t cos(ωt)µ(t) (A.35)
    (s a)2 ω 2
− −
L teat cos(ωt)µ(t)  =   (A.37)
((s a)2 + ω 2 )2
−

A.4. Parejas de transformadas   Z 

A.4.1. Escalón unitario
Sea 
f 1 (k) = µ(k) =
1 si k 0 ≥
0 si k < 0

223
 

OSCAR G. DUARTE

La transformada  Z   de f 1(k) será

∞ ∞
  ∞
Z {µ(k)} = z −k µ(k) = (z −1 )k µ(k) = (z −1 )k
k=0 k=0 k=0

La sumatoria puede calcularse recordando que

  ∞  ak =   1  (siempre y
k=0 1−a
cuando la serie converja, es decir, con a < 1)  | |
Z {µ(k)} = 1  −1z−1   = z  −z 1   (A.38)

A.4.2. Series geométricas

Sea f 2 (k) = a k µ(k). Para obtener la transformada   de f 2 (k) aplicamos la
 Z 
propiedad de escalamiento en la frecuencia (A.18) a la transformada del escalón
(A.38)

 
k
Z  a µ(k)  = Z {µ(k)}   z
   z/a   z
z/a  = =  =   (A.39)
z 1 − z/a −
z/a 1 z a −
A.4.3. Sinusoides
Seno
Sea f 3 (k) = sin (ak)µ(k). Para obtener la transformada  Z   de f 3(k) emplea-
mos la Fórmula de Euler para reescribir la función:

f 3 (k) = sin(ak)µ(k) =

  ejak − e−   jak
µ(k) =
  (eja )k − (e−   ) ja k
µ(k)
2 j 2 j

Al aplicar la transformada Z   a cada lado de la igualdad resulta

 − ja k
Z {sin(ak)µ(k)} = Z  (e ) −2 j(e   ) µ(k)  =
ja k

Z {sin(ak)µ(k)} =  2 j1 Z  (eja )k µ(k)
 − Z  (e−ja )k µ(k)

Cada una de las dos transformadas Z   pueden obtenerse empleando A.39:

Z {sin(ak)µ(a)} =  2 j1 z −ze  − z − ze−

ja ja

Al efectuar la suma se obtiene

Z {sin(ak)µ(a)} =  2 j1
   z 2 ze −ja z 2 + ze ja
− −  =

z 2 ze −ja ze ja + eja e−ja
− −
224
 

A.4. PAREJAS DE TRANSFORMADAS Z

  
ja
z e −2je
−ja 
Z {sin(ak)µ(a)} = z2 − 2z eja +e−ja
  +1
2

Las fracciones que contienen exponenciales complejas pueden reescribirse

empleando la fórmula de Euler:

Z {sin(ak)µ(a)} = z 2  − 2z
z sin a
cos a + 1
  (A.40)

Coseno

Sea f 4 (k) = cos(ak)µ(k). Para obtener la transformada Z   de f 4(k) emplea-

mos la Fórmula de Euler para reescribir la función:

  ejak + e−jak  (eja )k + (e−ja )k

f 4 (k) = cos(ak)µ(k) =   µ(k) =   µ(k)
2 2

Al aplicar la transformada Z   a cada lado de la igualdad resulta

Z {cos(ak)µ(k)} = Z 
 (eja )k + (e−ja )k
  µ(k)  =

2

Z {cos(ak)µ(k)} =   21 Z  (e
 ja k
) µ(k) +
 Z  (e−ja )k µ(k)

Cada una de las dos transformadas Z   pueden obtenerse empleando A.39:
Z {cos(ak)µ(a)} =  12 z −ze
  +
  z

ja z e−ja
−
Al efectuar la suma se obtiene

Z {cos(ak)µ(a)} =   21
   z s ze −ja + z 2 ze ja
−  =
− 
z 2 ze −ja ze ja + eja e−ja
− −
   z2 −z eja +e−ja
2

Z {cos(ak)µ(a)} = z2 − 2z eja +e−ja
2   +1

Las fracciones que contienen exponenciales complejas pueden reescribirse

empleando la fórmula de Euler:

2
Z {cos(ak)µ(a)} = z  2 z− 2z− zcoscosa a+ 1   (A.41)

225
 

OSCAR G. DUARTE

A.4.4. Sinusoides amortiguadas

Sean   f 5 (k) =   bk sin(ak)µ(k) y   f 6 (k) =   bk cos(ak)µ(k). Para obtener la
 Z 
transformada   de   f 5 (k) y   f 6 (k) aplicamos la propiedad de escalamiento en
la frecuencia (A.18) a las transformadas de seno y coseno (A.40) y (A.41):

z
b  sin a   zb sin a

Z  b k
sin(ak)µ(k)  =
 ( zb )2 −2 z
 cos a+1
 =
z2 − 2b cos a + b2   (A.42)
b


Z  b k
cos(ak)µ(k)  =
  − −
z 2
(b)
z 2
b
z
 z
b  cos a
2 b  cos a + 1
 =
  z 2 zb cos a
−
z 2 2b cos a + b2
−   (A.43)

A.4.5. Rampas, y monomios de   k

 Z 
Sea f 7 (k) = kµ(k). Para calcular la transformada   de  f 7 (k) aplicamos la
propiedad de multiplicación por el tiempo (A.19) a la transformada del escalón
unitario (A.38).

Z {kµ(k)} = −z  dzd z  −z 1
   = −z (z(z−−1)1)−2 z

Z {kµ(k)} = (z  −z 1)2   (A.44)

Para obtener la transformada   de   k n µ(k) es necesario aplicar en forma

 Z 
iterativa la propiedad de multiplicación por el tiempo (A.19).

A.4.6. Series geométricas por   k n

Sea f 8 (k) =  ka k µ(k). Para calcular la transformada   de f 8 (k) aplicamos la
Z 
propiedad de multiplicación por el tiempo (A.19) a la transformada de las series
geométricas (A.39).

 k
Z  ka µ(k)   =
 
−z  dzd z  −z a  = −z (z(z−−a)a)−2 z

Z {kµ(t)} = (z  −aza)2   (A.45)

Para obtener la transformada   de k n ak µ(k) es necesario aplicar en forma

 Z 
iterativa la propiedad de multiplicación por el tiempo (A.19)

226
 

A.4. PAREJAS DE TRANSFORMADAS Z

A.4.7. Sinusoides por   k

Seno
Z 
Sea f 9 (k) = k sin(ak)µ(k). Para calcular la transformada   de f 9 (k) aplica-
mos la propiedad de multiplicación por el tiempo (A.19) a la transformada de
seno (A.40).

Z {k sin(ak)µ(k)} = −z  dzd
   sin a
  =
z2 − 2z cos a + 1

Z {k sin(ak)µ(k)} =
2
− z (z − 2z cos a(z+2 1)− sin a − z sin a(2z − 2cos a)
2z cos a + 1) 2

Z {k sin(ak)µ(k)} =
2
a + sin a − 2z 2 sin a + 2z sin a cos a
− z z sin a − 2z cos a sin
(z 2 − 2z cos a + 1) 2

3
Z {k sin(ak)µ(k)} = (z  z2 −sin2zacos
+ z sin a
a + 1) 2
  (A.46)

n
Para obtener la transformada  Z   de   k sin(ak)µ(k) es necesario aplicar en
forma iterativa la propiedad de multiplicación por el tiempo (A.19).

Coseno
Z 
Sea f 10 (k) = k sin(ak)µ(k). Para calcular la transformada   de f 10 (k) apli-
camos la propiedad de multiplicación por el tiempo (A.19) a la transformada de
coseno (A.41).

Z {k cos(ak)µ(k)} = −z  dzd
   z 2 z cos a
−  =

z 2 2z cos a + 1
−
Z {k cos(ak)µ(k)} =
2
− z (z − 2z cos a + 1)(2z(z2−−cos)a − (z 2 − z cos a)(2z − 2cos a)
2z cos a + 1) 2

Z {k cos(ak)µ(k)} =  
2z 3 − z 2 cos a − 4z 2 cos a + 2z cos2 a + 2z − cos a
−z −2z3 + 2z2 cos a + 2z 2 cos a − 2z cos2 a
(z 2 − 2z cos a + 1) 2

227
 

OSCAR G. DUARTE

2
Z {k cos(ak)µ(k)} = −z ((z−2z −−2z1)cos a + 2z
cos a + 1)2
3 a − 2z 2
Z {k cos(ak)µ(k)} =   (z(z2 +− z)cos
2z cos a + 1) 2
  (A.47)

n
Para obtener la transformada  Z   de  k cos(ak)µ(k) es necesario aplicar en
forma iterativa la propiedad de multiplicación por el tiempo (A.19).

A.4.8. Sinusoides amortiguadas por   k

Sean f 11 (k) = kbk sin(ak)µ(k) y f 12(k) = kbk cos(ak)µ(k). Para calcular la
Z 
Transformada  de f 11 (k) y f 12 (k) aplicamos la propiedad de escalamiento en la
frecuencia (A.18) a las transformadas de k sin(ak)µ(k), (A.46) y k cos(ak)µ(k),
(A.47)
 k
   (z/b)3 sin a + (z/b)sin a
Z  kb sin(ak)µ(k)  =
((z/b)2 2(z/b)cos a + 1) 2
−
  bz 3 sin a + b3 z sin a
Z  k
kb sin(ak)µ(k)  = 2
(z

2bz cos a + b2 )2
−   (A.48)

 k
  ((z/b)3 + (z/b))cos a 2(z/b)2
−
Z  kb cos(ak)µ(k)  =
((z/b)2 2(z/b)cos a + 1)2
−
 k
  (bz 3 + b3 z)cos a 2b2 z 2
−
Z  kb cos(ak)µ(k)  =
(z 2 2bz cos a + b2 )2
−   (A.49)

n k n k
Z 
Para obtener las transformadas   de k b sin(ak)µ(k) y k b cos(ak)µ(k)es
necesario aplicar en forma iterativa la propiedad de multiplicación por el tiempo
(A.19).

228
 

Apéndice B

Diagramas de Bode para sistemas

continuos

B.1. Definición
El valor de una función de transferencia   F (s), para un   s  especı́fico, es un
 | | {
número complejo cuya amplitud es F (s)   y cuyo ángulo es arg F (s) . Los }
diagramas de Bode para sistemas continuos muestran cómo varı́a la amplitud y
el ángulo de ese número complejo, cuando s  toma todos los posibles valores del
 ∈ ∞
eje imaginario positivo (s = jω;   w  (0, )). Especı́ficamente se definen los
siguientes diagramas:

Diagrama de magnitud:

La abscisa (eje horizontal) muestra el valor de ω en escala logarı́tmica.

La ordenada (eje vertical) muestra la magnitud de  F ( jω) medida en
decibeles :
|F ( jω)|en db  = 20 log10 |F ( jω)|
Diagrama de fase:

La abscisa (eje horizontal) muestra el valor de ω en escala logarı́tmica.

La ordenada (eje vertical) muestra el ángulo de   F ( jω) medida en
grados o radianes.

229
 

OSCAR G. DUARTE

B.2. Construcción de los diagramas de Bode

Debido a las escalas empleadas en los diagramas de Bode, éstos pueden ser
construidos en forma aproximada mediante trazos rectos. La figura B.1 muestra
los diagramas de Bode aproximados para funciones sencillas de orden 1.
La figura B.2 muestra los diagramas de bode para funciones de orden 2; en
estos casos, las aproximaciones pueden ser bastante lejanas de los diagramas
exactos, dependiendo del factor de amortiguamiento  ξ . Por esta razón se han
trazado los diagramas exactos para una función de segundo orden (para el primer
caso de la figura B.2), en las figuras B.3 y B.4
Para funciones de transferencia más sofisticadas que las de las figuras B.1 y
B.2 se descompone la función de trasferencia como productos de términos más
sencillas, se trazan los diagramas de bode estas de funciones y luego se suman
punto a punto para obtener los diagramas de la función original

Ejemplo B.1   Considérese la función de transferencia

  (s + 10)
F (s) =
(s + 1)(s + 100)

Esta función puede descomponerse como el producto de cuatro funciones de

transfenecia más sencillas:
 s + 10 1 100 1
F (s) =
10 s + 1 s + 100 10
          
      
F A (s) F B (s) F C (s) F D (s)

Cada una de las funciones F A (s), F B (s), F C (s) y F D (s) son de la forma que se

muestra en las figuras B.1 y B.2. Pueden trazarse los diagramas de bode aproximados
de estas funciones, y luego sumarlos punto a punto para obtener los diagramas de
F (s)

230
 

B.2. CONSTRUCCIÓN DE LOS DIAGRAMAS DE BODE

F (s)   |F ( jw)|   arg F ( jw)

π
2
K > 0
π
−2
π
K < 0
−π
π
20db/dc 2
s
1 π
−2
π
2
1 1
s
π
−20db/dc −2
π
20db/dc 2
s+a
a   a > 0 a   a a   10a
π
−2 10

π
  2 a
a
  a > 0 a 10   a   10a
s+a
π
−20db/dc − 2

π
20db/dc 2 a
−
s a 10   a   10a
−   a > 0
a a π
− 2

π
2
−   a > 0
a a
−
s a
π
a a   10a
−20db/dc −2 10

Figura B.1:  Resumen de los diagramas de Bode aproximados para sistemas

continuos de primer orden (los cuatro primeros casos son exactos)

231
 

OSCAR G. DUARTE

F (s)   |F ( jw)|   arg F ( jw)

π
π
2 ωn
2
ωn 10   ωn   10ωn
s2 +2ξω n s+ωn
2
ωn − π
2
ξω n  >  0
−40db/dc −π

π
π
2 2
ωn
s2 +2ξω n s+ωn
2
ωn π
ωn ωn   10ωn
−2 10
ξω n  <  0
−40db/dc −π

40db/dc
π
π
ωn 2
s2 +2ξω n s+ωn
2
2
ωn
π
ωn ωn   10ωn
−2 10
ξω n  >  0 −π

40db/dc
π
π
2 2
ωn 2 ωn
  ωn   10ωn
s +2ξω n s+ωn 10
2
ωn π
− 2
ξω n  <  0 −π

Figura B.2: Resumen de los diagramas de Bode aproximados para sistemas

continuos de segundo orden

232
 

B.2. CONSTRUCCIÓN DE LOS DIAGRAMAS DE BODE

Diagrama de Bode de magnitud

|F(jw)|
20

10

−10

−20
: ξ  = 0.01
: ξ  = 0.1
: ξ  = 0.3
−30
: ξ  = 0.5
: ξ  = 1.0 w/wn

−40
−1 0 1
10 10 10
0.01 0.5
0.1 1.0
0.3

Figura B.3: Diagrama de Bode de magnitud para un sistema continuo de segundo

orden con distintos factores de amortiguamiento

233
 

OSCAR G. DUARTE

Diagrama de Bode de fase

ang(F(jw))
0

−30

−60

−90

−120
: ξ  = 0.01
: ξ  = 0.1
: ξ  = 0.3
−150
: ξ  = 0.5
: ξ  = 1.0 w/wn

−180
−1 0 1
10 10 10
0.01 0.5
0.1 1.0
0.3

Figura B.4:  Diagrama de Bode de fase para un sistema continuo de segundo orden
con distintos factores de amortiguamiento

234
 

Apéndice C

Carta de Nichols

Supóngase la función de transferencia (C.1), que corresponde a un sistema

realimentado simple con realimentación unitaria,
  G(s)
F (s) =   (C.1)
1 + G(s)
Al evaluar F (s) en s = j ω la ecuación (C.1) se convierte en

  G( jω)
F ( jω) =   (C.2)
1 + G( jω)
Podemos calcular la magnitud y el ángulo de F ( jω), a partir de la parte real
y la parte imaginaria de G( jω):

G( jω) = X  + jY    (C.3)

Al remplazar (C.3) en (C.2) se obtiene

  X  + jY 
F ( jω) =   (C.4)
1 + X  + jY 
La magnitud de F ( jω) será

|
M   = F ( jω) = |  √  X 2 + Y 2
(1 + X )2 + Y 2
(C.5)

El ángulo de F ( jω) será

α = arg F ( jω) = tan−1

 − 
Y 
tan−1
  Y 
   (C.6)
X  (1 + X )

235
 

OSCAR G. DUARTE

La tangente del ángulo de F ( jω) será

N   = tan(α) = tan(arg F ( jω)) (C.7)

En las secciones C.1 y C.2 se muestra como (C.5) y (C.7) corresponden a las
ecuaciones de unas circunferencias, para  M   y N  constantes.

C.1.   M -circunferencias

Al elevar al cuadrado la ecuación (C.5) se tiene

  X 2 + Y 2   X 2 + Y 2

M 2 =  =   (C.8)
(1 + X )2 + Y 2 1 + 2X  + X 2 + Y 2

Que puede reescribirse como

M 2 + 2XM 2 + X 2 M 2 + Y 2 M 2 = X 2 + Y 2

X 2 (1 M 2 ) 2M 2 X  M 2 + (1 M 2 )Y 2 = 0
− − − −
  2M 2   M 2
X 2 + X  +  + Y 2 = 0 (C.9)
(M 2 1) − (M 2 1) −
La ecuación C.9 es una cuadrática, y para analizarla completamos el cua-
drado en X :

  2M 2   M 4   M 4   M 2

X 2 +  + Y 2 =
(M 2 1)
− X  +
(M 2 1)2 − (M 2 1)2 (M 2 1) −  −
 =
−
4 2 2
M  M  (M  −
1)
 
− (C.10)
(M 2 1)2 −
  2  2
  M 2   M 2   M 
X  + + Y 2 =  = (C.11)
(M 2 1)
− (M 2 1)2
− (M 2 1)
−
− La ecuación (C.11) corresponde a la de una circunferencia con centro en

M 2 M 
(M 2 −1) , 0   y radio (M 2 −1) . Estas circunferencias se conocen como las   M-
circunferencias .

C.2.   N -circunferencias

Empleando (C.6) y la identidad trigonométrica

A − tan B
tan A − B =  1tan
+ tan A tan B
la ecuación (C.7) se convierte en

236
 

C.3. CARTA DE NICHOLS

Y    Y 
N   = X  − 1+X
  Y  Y 
1 + X 1+X
que puede reescribirse como
Y  +XY  XY 
−
N   =
X (1+X )
=
 −
  Y   + XY  XY 
X +X 2 +Y  2 X  + X 2 + Y 2
X (1+X )

X 2 + X  + Y 2 −  Y N   = 0 (C.12)

La ecuación (C.12) corresponde a una cuadrática y para analizarla comple-

tamos los cuadrados en X   y en Y 

 1
X 2 + X  +  + Y 2
   
−  Y N   +  1
2
 1
=  +
 1
2
=
 N 2 + 1
  (C.13)
4 2N  4 2N  4N 2
    − 
X  +
 1
2
+ Y 
 1
2
=
 N 2 + 1
  (C.14)
2 2N  4N 2

− La ecuación (C.14) corresponde a la de una circunferencia con centro en

√ 
1  1
2 , 2N   y radio  21N  N 2 + 1. Estas circunferencias se conocen como las   N-
circunferencias .

C.3. Carta de Nichols

Las ecuaciones (C.11) y (C.14) muestran que en un plano que tenga por ejes
X   y Y , es decir la parte real y la parte imaginaria de  G( jω), el lugar geométrico
de las magnitudes y ángulos de   F ( jω) constantes son las M-circunferencias y
N-circunferencias respectivamente.
En la figura C.1 se muestran algunas de estas circunferencias, para unos
valores especı́ficos de la magnitud y el ángulo de F ( jω). Esta figura se conoce
como la Carta de Nichols en coordenadas rectangulares . La principal utilidad de
esta carta es la de poder determinar en forma gráfica el valor de F ( jω) a partir
de G( jω), es decir, calcular de forma gráfica la ecuación (C.2).
Sin embargo, resulta más sencillo conocer la magnitud y el ángulo de G( jω)
que sus partes real e imaginaria, empleando para ello los diagramas de Bode; por
esta razón se propone trabajar con la carta de Nichols en coordenadas polares 
que se muestra en la figura C.2, cuyos ejes corersponden a la magnitud y ángulo
de G( jω). En estos ejes las M-circunferencias y N-circunferencias se distorsionan,
y pierden su forma de circunferencia.

237
 

OSCAR G. DUARTE

3.0

Im{G( jω )}
2.4

30o
1.8

1.2
60o

0.6 2db 90o

3db 5db   −5db   −3db   −2db

0.0

−0.6 −90o
−60o
−1.2

−1.8
−30o

−2.4

Re{G( jω )}
−3.0
−4.80 −3.84 −2.88 −1.92 −0.96 0.00 0.96 1.92 2.88 3.84 4.80

:|F ( jω )|en db   :arg{F ( jω )}

Figura C.1:   Diagrama de Nichols en coordenadas rectangulares

20

|G( jω )|en db
16
2db
12 −2db

3db
8

−3db 5db
4
−5db

−4

−8

−12

−16

30o 60o 90o   −90o −60o −30o

−20
0 36 72 108 144 180 216 252 288 324 360

arg{G( jω )}
:|F ( jω )|en db   :arg{F ( jω )}

Figura C.2:  Diagrama de Nichols en coordenadas polares

238
 

Apéndice D

Apuntes de   álgebra lineal

D.1. Espacios vectoriales

D.1.1. Estructuras algebráicas básicas
Definición D.1 Grupo
Un conjunto Γ dotado de una operación binaria  ⊕  tiene estructura de   grupo   si la
operación satisface las siguientes propiedades:

G.1   Clausurativa (Cerradura): ∀ x, y ∈ Γ   x ⊕ y ∈ Γ

G.2   Asociativa: ∀x,y,z  ∈ Γ (x ⊕ y) ⊕ z =  x ⊕ (y ⊕ z)
G.3   Modulativa: ∃ 0 ∈ Γ | ∀x ∈ Γ   x ⊕ 0 = x

G.4   Invertiva: ∀ x ∈ Γ   ∃ (−x) | x ⊕ (−x) = 0

Definición D.2 Grupo conmutativo

 ⊕
Un conjunto Γ dotado de una operación binaria  tiene estructura de  grupo con-
mutativo   o  grupo abeliano   si la operación satisface las propiedades de grupo y:

G.5   Conmutativa: ∀ x, y ∈ Γ   x ⊕ y = y ⊕ x

Ejemplo D.1   El conjunto Γ = {a,b,c}  dotado con la operación ⊕  descrita en la
tabla
⊕  a b c
a a b c
b b c a
c c a b

239
 

OSCAR G. DUARTE

tiene estructura algebráica de grupo conmutativo, en donde el módulo 0  de  ⊕ es el

elemento a
{ }
Ejemplo D.2   El conjunto Γ = 0, 1 dotado con la operación suma usual no tiene
estructura de grupo porque no se satisface la propiedad clausurativa (1+1 = 2 Γ).∈
 ⊕
Sin embargo, con la operación  descrita en la tabla sı́ tiene estructura de grupo
⊕ 0 1
0 1 0
1 0 1
Definición D.3 Anillo
Un conjunto Γ dotado de dos operaciones binarias  y ⊕  ⊗ tiene estructura de  anillo 
si las operaciones satisfacen las siguientes propiedades.
 ⊕
Para la operación
R.1   Clausurativa: ∀ x, y ∈ Γ   x ⊕ y ∈ Γ
R.2   Asociativa: ∀ x,y,z ∈ Γ (x ⊕ y) ⊕ z = x ⊕ (y ⊕ z)
R.3   Modulativa: ∃ 0 ∈ Γ | ∀x ∈ Γ   x ⊕ 0 =  x
R.4   Invertiva: ∀ x ∈ Γ   ∃ (−x) | x ⊕ (−x) = 0
R.5   Conmutativa: ∀ x, y ∈ Γ   x ⊕ y = y ⊕ x
Para la operación ⊗
R.6   Clausurativa: ∀ x, y ∈ Γ   x ⊗ y ∈ Γ
R.7   Asociativa: ∀ x,y,z ∈ Γ (x ⊗ y) ⊗ z = x ⊗ (y ⊗ z)
Para las dos operaciones
R.8  Distributiva respecto a  ⊕: ∀ x,y,z ∈ Γ   x ⊗ (y ⊕ z) = (x ⊗ y) ⊕ (x ⊗ z)
Definición D.4 Anillo modulativo (anillo con unidad)
⊕  ⊗
Un conjunto Γ dotado de dos operaciones binarias  y  tiene estructura de  anillo 
modulativo   o de  anillo con unidad   si las operaciones satisfacen las propiedades de
 ⊗
anillo y además la operación  satisface:
R.9   Modulativa: ∃ 1 ∈ Γ | ∀x ∈ Γ   x ⊗ 1 = 1 ⊗ x = x
Definición D.5 Anillo conmutativo
⊕  ⊗
Un conjunto Γ dotado de dos operaciones binarias  y  tiene estructura de  anillo 
conmutativo   si las operaciones satisfacen las propiedades de anillo y además la
 ⊗
operación  satisface:
R.10   Conmutativa: ∀ x, y ∈ Γ   x ⊗ y = y ⊗ x
Definición D.6 Campo
Un conjunto Γ dotado de dos operaciones binarias y ⊕ ⊗ tiene estructura de campo 
si tiene estructura de anillo conmutativo con unidad.
Ejemplo D.3   Algunos de los campos más conocidos son los reales R , los complejos
C  y el conjunto de las funciones racionales de  s  con coeficientes reales   R(s).

240
 

D.1. ESPACIOS VECTORIALES

D.1.2. Definición de espacio vectorial

Definición D.7 espacio vectorial
⊕⊗
Sea un conjunto Γ y F : (Φ, , ) un campo. A los elementos de Γ se les denomina
vectores , y a los elementos de  Φ   escalares .  Γ tiene estructura de  espacio vectorial 
sobre   F si está dotado de una operación binaria + (suma vectorial) y una opera-
 ·
ción  entre elementos de Γ  y Φ (producto por escalar) que cumplen las siguientes
propiedades:
Para la suma vectorial

V.1   Clausurativa: ∀ x, y ∈ Γ   x + y ∈ Γ

V.2   Asociativa: ∀ x,y,z ∈ Γ (x + y) + z =  x + (y + z)
V.3   Modulativa: ∃ 0 ∈ Γ | ∀x ∈ Γ   x + 0 = x

V.4   Invertiva: ∀ x ∈ Γ   ∃ (−x) | x + (−x) = 0

V.5   Conmutativa: ∀ x, y ∈ Γ   x + y = y + x

Para el producto por escalar

V.6   Clausurativa: ∀ x ∈ Γ, ∀ α ∈ Φ   α · x ∈ Γ

V.7   Asociativa: ∀ x ∈ Γ, ∀ α, β  ∈ Φ (α ⊗ β ) · x = α · (β  · x)
V.8   Modulativa: ∀ x ∈ Γ,   1 · x = x. 1  es el módulo de ⊗

V.9   Anulativa: ∀ x ∈ Γ,   0 · x = 0.En donde 0 es el módulo de ⊕, y 0 es el módulo

de +

Para las dos operaciones

V.10  Distributiva respecto a  + : ∀ x, y ∈ Γ, ∀α ∈ Φ   α · (x + y) = (α · x) + (α · y)

V.11  Distributiva respecto a ⊕: ∀ x ∈ Γ, ∀α, β  ∈ Φ (α ⊕ β ) · x = (α · x) + (β · x)
Ejemplo D.4   Uno de los espacios vectoriales más conocidos, y que servirá para
futuros ejemplos en este capı́tulo es el formado por   R2 sobre el campo   R  con las
operaciones usuales. En general,   Cn sobre el campo   C  con las operaciones usuales
forma un espacio vectorial.

Ejemplo D.5  El conjunto de todos los polinomios sobre el campo   R  con las ope-
raciones usuales entre polinomios forma un espacio vectorial.

Ejemplo D.6   El conjunto de todas las funciones contı́nuas a trozos sobre el campo
C   con la operación   +   definida como la suma punto a punto forma un espacio
vectorial.

241
 

OSCAR G. DUARTE

Ejemplo D.7   El conjunto de todas las matrices de tamaño fijo   m n   sobre el ×

campo   C  con las operaciones usuales entre matrices forma un espacio vectorial.

Definición D.8 Subespacio

·
Sea V   : (Γ, +, , F) un espacio vectorial sobre  F; sea Ω un subconjunto de Γ. Si
·
W   : (Ω, +, , F) forma un espacio vectorial sobre F se dice que W  es un  subespacio 
de V .

·
Teorema D.1   Sea V   : (Γ, +, , F) un espacio vectorial sobre F; sea Ω  un subcon-
·  ·
 junto de Γ. W   : (Ω, +, , F) es un subespacio de V  si y sólo si +,  son cerradas en
Ω.

 ·
Demostración D.1   Si +,  son cerradas en Ω se satisfacen V.1 y V.6. Las demás
propiedades contenidas en la definición D.7 se satisfacen porque V   : (Γ, +, , F) es ·
·
un espacio vectorial; por lo tanto W (Ω, +, , F) es un Espacio vectorial y de acuerdo
con la definición D.8, es un subespacio de V .

Ejemplo D.8   (R2 , R) es un subespacio de (R3 , R), ya que la suma y el producto
por escalar son operaciones cerradas en   R2 . En general si   n   m   se tiene que  ≤
(Rn , R) es un subespacio de ( Rm , R)

Ejemplo D.9   Una lı́nea recta que cruce por el origen es un subsepacio de ( R 2 , R),
ya que: i) la suma de dos vectores que estén sobre una misma recta da otro vector
sobre esa recta y ii) el producto por escalar de un vector da otro vector sobre la
misma recta.

Ejemplo D.10   El conjunto de los polinomios de orden 2, es un subespacio del

conjunto de los polinomios de orden 4 (con las operaciones usuales y sobre   R), ya
que: i) la suma de dos polinomios de orden 2 da otro polinomio de orden 2 y ii) el
producto de un polinomio de orden 2 por un escalar da otro polinomio de orden 2.
Se entiende que un polinomio de orden n es un polinomio que no tiene monomios
de orden superior a n.

D.1.3. Bases
Definición D.9 Combinación lineal
···
Sea   V   : (Γ, F)  un espacio vectorial. Sean   x1 , x2 ,  , xn  cualesquiera vectores y
···
α1 , α2 ,  , αn   cualesquiera escalares de  F denominados  coeficientes . Una  combi-
···
on lineal   de x1 , x2 ,  , xn  es la operación
naci´ 
n

α1 x1  + α2 x2  + ··· + α n xn  = αi xi
i=1

Definición D.10 Independencia lineal

 { ··· }
Un conjunto de vectores x1 , x2 ,  , xn  es linealmente independiente si la única
combinación lineal nula se obtiene con coeficientes nulos. Es decir, si

α1 x1  + α2 x2 + ··· + α n xn  = 0  ⇒  α1  = α 2  = ··· = α n  = 0

242
 

D.1. ESPACIOS VECTORIALES

Definición D.11 Dimensión

El máximo número de vectores linealmente independientes en un espacio vectorial
V  se denomina la  dimensi´ 
on  de  V .
Definición D.12 Conjunto generador
 { ··· }
Dado un conjunto de vectores X   = x1 , x2 ,  , xn ; S   es un   Conjunto generado 
por X  si es el conjunto de todas las posibles combinaciones lineales de elementos
de X ; se dice que X  es un  Conjunto generador   de S  y se denota por
  
n
S   = span(X ) = y | ∃ α1 , α2, ···  , α n   y = αi xi
i=1

Definición D.13 Base de un espacio vectorial

 { ··· }
Un conjunto de vectores  B   = b1 , b2 ,  , bn  es una  base  del espacio vectorial
V   : (Γ, F) si B  es linealmente independiente y genera a Γ.
Teorema D.2   En un espacio vectorial V   de dimensión n, cualquier conjunto de n
vectores linealmente independientes es una base de V .
 { ··· }
Demostración D.2   Sea A = a1 , a2 ,  , an  un conjunto arbitrario de n vecto-
res linealmente independientes en V . Para demostrar que  A es una base de  V   es
necesario demostrar que cubre a V , es decir, que cualquier elemento x  de  V   puede
expresarse como una combinación lineal de los elementos de A.
{ ···
Debido a que A tiene n elementos, el conjunto x, a1 , a2 ,  , an es linealmente }
dependiente (tiene n+1 elementos y n es el máximo número de vectores linealmente
independientes) y por tanto existe una combinación lineal
α0 x + α1 a1 + α2 a2  + ··· + α a  = 0 n n   (D.1)
   
con algunos de los α i = 0. Es claro que α 0 = 0 por que de lo contrario se obtendrı́a
α1 a1  + α2 a2  + ··· + α a  = 0 n n   (D.2)
lo que implica que todos los αi   deberı́an ser cero ya que los elementos de  A  son
 
linealmente independientes (son una base). Como α 0 = 0 podemos despejar x
 α1  α2  α n
x =
α0
a1  +
α0
a2  + +
α0
···
an   (D.3)

es decir, que existe una combinación lineal de los elementos de A  cuyo resultado es
x, y por lo tanto A  genera el espacio vectorial  V .
Definición D.14 Coordenadas de un vector
 { ··· }
Sea  x un elemento del espacio vectorial  V , y  B   = b 1 , b2 ,  , bn  una base de
···
V . Si x =  α 1 b1  + α2 b2  + + αn bn  se dice que las  coordenadas   de x en la base

agrupan en un vector
α1
   { ··· }
B son los coeficientes de esa combinación lineal α 1 , α2 ,  , αn . Usualmente se

α2  
α = .
..  
αn

243
 

OSCAR G. DUARTE

Teorema D.3   Todo elemento x  de un espacio vectorial V  tiene unas únicas coor-
{
denadas en una determinada base B  = b1 , b2 ,  , bn ··· }
Demostración D.3   Según la definición D.14 B  genera a V  y por lo tanto existe al
menos una combinación lineal de los elementos de B  cuyo resultado es x, es decir,
existen al menos unas coordenadas de x  en la base B .
Para demostrar que estas coordenadas son únicas, supongamos que existen dos
 { ··· }  { ···
 juegos de coordenadas diferentes α1 , α2 ,  , αn   y β 1 , β 2 ,  , β n . Según la }
definición D.14 se tiene

α1 b1   +   α2 b2   +   ···   +   α b n n   = x
β 1 b1   +   β 2 b2   +   ···   +   β  b n n   = x
Al restar estas dos expresiones se obtiene

− β 1)b1 + (α2 − β 2)b2 + ··· + (α − β  )b  = 0

(α1 n n n

De acuerdo con la definición D.13, el conjunto B = {b 1 , b2 , ···  , b }  es lineal-n

mente independiente, y por lo tanto la única combinación lineal de sus elementos
que es nula es la que tiene todos sus coeficientes nulos, por lo tanto  α i  = β i   para
···
i = 1, 2,  , n lo que significa que los dos juegos de coordenadas deben ser iguales.

Teorema D.4  Al aumentar los elementos de una base el conjunto resultante es
linealmente dependiente.

{ ··· }
Demostración D.4   Sea B  = b1 , b2 ,  , bn  una base de V   y sea x  un elemento
cualquiera de V . Debido a que B  genera a V   es posible encontrar α i  tales que

x = α1 b1  + α2 b2  + ··· + α n bn

y por tanto puede escribirse

α1 b1  + α2 b2  + ··· + α b − x = 0
n n

Esta es una combinación lineal nula con coeficientes no nulos (al menos el coeficiente
 − { ··· }
de x  es 1) y por tanto el conjunto b1 , b2 ,  , bn , x  es linealmente dependiente.

Teorema D.5  Todas las bases de un mismo espacio vectorial tienen el mismo nú-
mero de elementos que coincide con la dimensión del espacio vectorial.

Demostración D.5  Por el teorema D.2 sabemos que pueden existir bases de tama-
ño igual a la dimensión. Según las definiciones D.11 y D.13 no puede haber bases
con un número mayor de elementos, debido a que este conjunto serı́a linealmente
dependiente, por lo tanto sólo es necesario probar que no puede haber bases con un
número de elementos inferior a la dimensión del espacio.
Sea V   un espacio vectorial de dimensión n. Supongamos dos bases B  y A:

{
B = b1 , b2 , ···  , b }
n {
  A = a1 , a2 , ··· , a }
r

244
 

D.1. ESPACIOS VECTORIALES

 {
con r < n. Según el teorema D.4 el conjunto  C 1   = b1 , a1 , a2 ,  , ar  es lineal- ··· }
mente dependiente y alguno de los elementos ai  es una combinación lineal de los
otros elementos de C 1 ; supongamos que este a i  es justamente a r , (en caso de que
no lo sea, reorganizamos el conjunto y cambiamos los subı́ndices).
El espacio cubierto por C 1  es el mismo espacio cubierto por A y por b 1 , a 1 , a 2 , {
··· } {
, a r−1 , por lo tanto el conjunto C 2  = b2 , b 1 , a 1 , a 2 , ···
, a r−1 es linealmente }
dependiente; de nuevo podemos argumentar que alguno de los elementos  a i   es
una combinación lineal de los otros elementos de C 2 ; supongamos que este ai   es
 justamente a r−1 .
Efectuando este procedimiento podemos construir en forma consecutiva C 3 , C 4 ,
··· ,  C r , todos los cuales serán conjuntos linealmente dependientes. Sin embargo,
C r   es
{ ···
C r  = br , br−1 ,  , b2 , b1 }
que es un subconjunto de la base  B  y por lo tanto no puede ser linealmente de-
pendiente. De esta forma demostramos que   r < n   es una contradicción. Como
consecuencia, todas las bases del espacio vectorial deben tener el mismo tamaño,
que coincide con la dimensión del espacio.

Ejemplo D.11   Cualquier pareja de vectores no paralelos en el plano es una base

del espacio vectorial   R2

Ejemplo D.12  El conjunto formado por los polinomios 1, t , t2, t3 forma una base { }
del espacio vectorial de los polinomios de orden 3.

Ejemplo D.13  El espacio vectorial de todos los polinomios tiene dimensión infinita.
Una base de ese espacio es la formada por los polinomios 1, t , t 2 , t3 , { ···}
D.1.4. Cambio de base
{ ··· } { ··· }
Sean A = a1 , a2 ,  , an y B = b1 , b2 ,  , bn dos bases del mismo espacio
vectorial V   de dimensión  n. Definimos las matrices   A y  B como las matrices
que tienen en sus columnas cada uno de los elementos de las bases   A   y   B
respectivamente:  
A = a1   a2   an   ···
B = b1
 b2   ··· bn

Un vector x tendrá coordenadas αi  en la base A y β i  en la base B, de tal manera
que
x =   α1 a1   +   α2 a2   +   +   αn an   ··· (D.4)
x =   β 1 b1   +   β 2 b2   +   +   β n bn   ···
Definimos los vectores columna α  y  β  que contienen las coordenadas:
 α1
  β 1

 α2   β 2 
α = .. β  = ..
 .   . 
αn β n

245
 

OSCAR G. DUARTE

de tal manera que podemos reescribir (D.4) como

 α1

   α2 
x = a1   a2   ···   a n .. = Aα
. 
αn

β 1

 β 2
  
x = b1   b2   ···   b n .. = Bβ 
. 
β n
Igualando estas dos expresiones se encuentran las expresiones que permiten
encontrar las coordenadas de x en una base a partir de sus coordenadas en la
otra:
Aα = Bβ α = A−1 Bβ β  = B −1 Aα   (D.5)
En caso de que   A   sea la base estándar, la matriz   A   resulta ser la matriz
identidad de orden n  y (D.5) se convierte en

α = Bβ β  = B −1 α   (D.6)

Ejemplo D.14   En   R2 puede definirse una base con cualquier pareja de vectores
 { }
no paralelos. Definamos por ejemplo   A   = (1, 0), (0, 1) ,   B   = (3, 1), (2, 2)   y  { }
{− − − }
C  = ( 1, 1)( 1, 1) (vectores rojos en la figura D.1).
Consideremos ahora el vector   x en la figura D.1. Sus coordenadas en la base
estándar A  serán   
α 1
α = 1  =
α2 3
Para obtener las coordenadas de x en las bases B  y C  construimos las matrices
B y  C  y empleamos (D.6)

B =
 
3 2
−   − 
  C =
1 1
1 2  − 1 1

β  =

β 1
 = B −1 α =
   −   − 
 1/2 1/2 1
 =
1

γ  =
β 2

γ 1
 = C −1 α =
−−    
1/4

1/2
3/4

1/2
3

1
 =
 1
2

γ 2 −1/2   −1/2 3 2−

Puede verificarse que las coordenadas en las bases B y C  satisfacen las relaciones
(D.5)
β  = B −1 Cγ γ  = C −1 Bβ 

246
 

D.2. TRANSFORMACIONES LINEALES

α1 =1
γ 1 =1
α2 =3
β 2 =2 γ 2 =-2

β 1 =-1

: base   : vector

Figura D.1:  Cambio de base de un Vector

D.2. Transformaciones lineales

Definición D.15 Transformación Lineal
Una  transformaci´ 
on lineal   es una función lineal entre dos espacios vectoriales. Sean
V   y W  dos espacios vectoriales sobre el mismo campo F. Sea T  una función que
toma elementos de V  y les asigna elementos de W 

 → W 
T   : V    y = T (x)   x ∈ V    y ∈ W 
Si T   satisface las condiciones de linealidad se dice que T  es una transformación
Lineal. T   debe satisfacer:

∀ x1, x2  ∈ V   ∀ α1, α2  ∈ F   T (α1x1 + α2x2) =  α1T (x1) + α2T (x2) (D.7)

Ejemplo D.15   La función T   :  R 3

→ R2 consistente en la proyección de los puntos
en el plano xy  es una transformación lineal. Esta función toma un punto (a,b,c) en
R3 y le asigna la pareja (a, b) en   R2 .

Ejemplo D.16   La función   T   :   R2→  R2 consistente en la rotación de vectores

90t exto en sentido horario es una transformación lineal.

Ejemplo D.17  La función T   :   R3   P  , en donde   P  es el espacio vectorial de los

→
polinomios, consistente en la construcción de polinomios a partir de sus coeficientes
es una transformación lineal. Esta función toma un punto (a,b,c) en   R3 y le asigna
un polinomio a + bx + cx2 en   P.

Teorema D.6   Una transformación lineal T  de un espacio V   de dimensión n  a un

espacio W   de dimensión m puede representarse por una matriz T  de orden m n. ×
−
La columna i ésima de  T contiene las coordenadas del resultado de aplicar T   sobre
el elemento i-ésimo de la base de V .

Demostración D.6   Sea x  un elemento de V  sobre el que se aplica la transforma-

ción T 
y = T (x) (D.8)

247
 

OSCAR G. DUARTE

{ ··· }
Sea B = b1 , b2 ,  , bn una base sobre la cual x tiene coordenadas β 1 , β 2 ··· , β  ,
n
es decir, x  puede escribirse como
x = β 1 b1 + β 2 b2 + ··· + β  b n n

de tal manera que (D.8) es

y = T (β 1b1  + β 2 b2 + ··· + β  b n n) (D.9)
Debido a que   T   es una operación lineal y satisfece (D.7), la ecuación (D.9)
puede escribirse como
y = β 1 T (b1 ) + β 2 T (b2 ) + ··· + β  T (b )
n n (D.10)
o en forma matricial
 β 1

   β 2 
y = T (b1)   T (b2 )   ···   T (b n) .. = Tβ    (D.11)
. 
β n
Esto demuestra que La transformación lineal T  se puede representar por T, una
matriz cuyas columnas son el resultado de aplicar T  en cada una de las bases  b i .
el tamaño de cada columna debe ser m, ya que el resultado está en W , que es de
×
dimensión m, por lo tanto el orden de T es m n. Debe destacarse que el resultado
γ  = u − 1Tβ  realmente son las coordenadas de y  en el espacio W  en la base u.
Ejemplo D.18  Podemos definir la transformación lineal T   de   R2 a   R2 consistente
en la rotación de vectores 90 texto en sentido horario (figura D.2). Si empleamos la
base estándar, podemos construir la matriz   T  calculando la transformación de cada
uno de los vectores de la base:
      
T = T 
1
  T 
0
 =
 0 1
0 1 −1 0
Si deseamos efectuar la rotación sobre un vector x  de coordenadas (1, 3) debe-
mos efectuar la operación

y = Tx =
    
 0 1 1
 =
 3
−1 0 3 1 −
D.2.1. Transformaciones y cambios de base
El teorema D.6 permite efectuar transformaciones lineales mediante produc-
tos matriciales. Al cambiar de base, la matriz T que representa la transformación
lineal sufre unos cambios, según se presenta a continuación.
Teorema D.7   Sea T   una transformación lineal, que en la base estándar se repre-
senta por la matriz   Tα . La misma transformación se representará en otra base
B = b1 , b2 ,  , bn  por T β  = B −1 Tα B en donde B  = [b1 b2
{ ··· }  b n ]  · ··
248
 

D.2. TRANSFORMACIONES LINEALES

T 

: base   : vector

Figura D.2:  Rotación de 90o en sentido horario

Demostración D.7   Supóngase que el vector  x se transforma en el vector  y  me-
diante la transformación T . Sean α x  y β x  las coordenadas de x  en la base estándar
y en la base  B, respectivamente. Sean también αy   y β y  las coordenadas de y en
esas mismas bases. De acuerdo con el teorema D.6  T   podrá representarse en cada
una de esas bases como
αy  = T α αx   β y  = T β β x
Las coordenadas en la base  B pueden escribirse en función de las coordenadas de
la base estándar empleando (D.6)
β y  = B −1 αy   β x  = B −1 αx
y por tanto
B−1 αy  = T β B−1 αx
αy  = BT β B−1 αx
de donde se deduce que
Tα  =  BT β B−1 Tβ  = B −1 Tα B   (D.12)
Teorema D.8   Sea   T   una transformación lineal, que en la base estandar se re-
presenta por Tα . La misma transformación se representará en otra base B =
{ ··· }
b1 , b2 ,  , bn por la matriz T β . La misma transformación se representará en otra
base C  = c1 , c2 ,  , cn  por T γ   = C −1 BTβ B−1 C en donde B  = [b1 b2
 { ··· }  · ··
 b n ]
 · ··
y C  = [c1 c2  c n ]
Demostración D.8  Empleando D.12 podemos escribir T α  como
Tα  =  BT β B−1 Tα  = CT γ C−1
Igualando se tiene
BTβ B−1 = CT γ C−1

Tγ  = C −1 BTβ B−1 C

249
 

OSCAR G. DUARTE

Ejemplo D.19   En el ejemplo D.18 se mostró que la rotación de 90 texto en sentido
horario estaba representada en la base estándar por la matriz

Tα  =
 
 0 1
−1 0

 {
La misma transformación se representará en la base  B = (3, 1), (2, 2)  por la }
matriz
Tβ  = B −1 Tα B

Tβ  =
  1/2   −1/2    
 0 1 3 2
 =
 2 2

−1/4 3/4 −1 0 1 2 −2.5   −2
Supóngase ahora el vector x, cuyas coordenadas en la base estándar son α x  =
−
(1, 3) y en la base B  son β x  = ( 1, 2) (ejemplo D.14). Al efectuar la rotación de
90texto en sentido horario se obtendrá un vector y cuyas coordenadas en la base
estándar serán  α y  y en la base B   serán β y :

αy  =
    
 0 1 1
 =
 3
  β y  =
  2 2
−   
1
 =
 2
−1 0 3 1− −2.5   −2 2 −1.5

D.3. Normas de vectores y matrices

Definición D.16 Producto interno
· ⊕⊗
Sea   V   : (Γ, +, , F)  un espacio vectorial sobre   F : (Φ, , ). Una operación  P   :
 ×  →
Γ  Γ   F   se denomina   producto interno   o   producto interior   si satisface las
siguientes condiciones
P.1  ∀x1 ∈ Γ   P (x1 , x1 ) ≥ 0 La igualdad se cumple sólo si x 1  =  0
P.2  ∀x1 , x2, x3 ∈ Γ   P (x1 + x2, x3) =  P (x1 , x3) ⊕ P (x2, x3)
P.3  ∀x1 , x2 ∈ Γ ∀α ∈ F   P (αx1 , x2 ) =  α ⊗ P (x1 , x2 )
P.4  ∀x1 , x2 ∈ Γ   P (x1 , x2 ) = P (x2 , x1 )

Ejemplo D.20  El producto escalar usual es un producto interno. Se define como
n
x, y = xi yi
i=1

en donde xi ,  yi  son las coordenadas de  x,  y  respectivamente, y la dimension del

espacio es n,

Definición D.17 Norma de un vector

· ⊕⊗
Sea V   : (Γ, +, , F) un espacio vectorial sobre F  : (Φ, , ). Una operación   ·  :
Γ → F es una  funci´ on de Norma  si satisface las siguientes condiciones

N.1  ∀x ∈ Γ   x ≥ 0

250
 

D.3. NORMAS DE VECTORES Y MATRICES

  
N.2 x = 0 si y sólo si x = 0
N.3  ∀x ∈ Γ ∀α ∈ F   αx = |α| ⊗ x
N.4  ∀x1 , x2 ∈ Γ   x1  + x2  ≤ x1  ⊕ x2 
Ejemplo D.21   Sea V   : (Γ, +, ·, F) un espacio vectorial sobre  F, y sea P (x1 , x2 )
un producto interno de ese espacio. Si la cantidad
x = +
  P (x, x)
es una función de norma se dice que es una  norma inducida por el producto interno 
P . El signo   +  resalta que se trata de la raiz positiva del producto interno de   x
consigo mismo.
···
Ejemplo D.22   Sea V  un espacio vectorial de dimensión n, y sean x 1 , x2 ,  , xn  las
coordenadas del vector x. En esas condiciones, las siguientes funciones son funciones
de normas:
1.
 
  x1  = =1 |x | n
i i

2.   x2  =
 
=1 x
2 n
i i

3.   x  =
 p
 
  p
=1 x
n
i
 p
i

4.   x∞  = máx x i i

Definición D.18 Distancia entre vectores

· ⊕⊗
Sea V   : (Γ, +, , F) un espacio vectorial sobre F : (Φ, , ), y sea  ·
 una norma
definida en ese espacio vectorial. Se define la  distancia  entre los vectores  x 1   y x2
como la operación d : Γ Γ × →
F tal que
 − x2 
d(x1 , x2 ) = x1
Toda función de distancia satisface las siguientes propiedades:
d.1  ∀ x1 , x2 ∈ Γ   d(x1 , x2 ) ≥ 0
d.2   d(x1 , x2 ) = 0  si y sólo si x 1  = x 2
d.3  ∀ x1 , x2 ∈ Γ   d(x1 , x2 ) =  d(x2, x1)
d.4  ∀ x1 , x2 , x3 ∈ Γ   d(x1 , x2 ) ≤ d(x1, x3) ⊕ d(x3 , x2 )
Definición D.19 Vector normal
Un vector es   normal  si su norma es 1
Definición D.20 Bola unitaria
·
Sea  V   : (Γ, +, , F) un espacio vectorial sobre F, y sea  d(x1 , x2 )  una función de
distancia definida en ese espacio vectorial. Se define la  bola unitaria como el conjunto
de todos los vectores cuya distancia al origen sea 1. También puede definirse de forma
equivalente como el conjunto de todos los vectores cuya norma sea 1, o lo que es
igual, el conjunto de todos los vectores normales.

251
 

OSCAR G. DUARTE

 · 1    · 2    · ∞

Figura D.3:   Circunferencias Unitarias para diferentes normas

Ejemplo D.23   La figura D.3 muestra las bolas unitarias para tres funciones de
        
distancia diferentes, originadas las siguientes normas x 1 , x 2   y x ∞  definidas
en el Ejemplo D.22, para el espacio vectorial   R2 . Como se trata de un espacio de
dimensión 2  se emplea el término  circunferencia unitaria  en lugar de  bola unitaria
Definición D.21   Ángulo entre vectores
·
Sea V  : (Γ, +, , F) un espacio vectorial sobre F, sea P (x1 , x2 ) un producto interno
definido en ese espacio, y · la norma inducida por P . Se define el  ángulo  θ entre
los vectores x 1   y x 2  mediante cos θ asi:
  P (x1 , x2 )
cos θ =
  
x1 x2
Definición D.22 Vectores ortogonales
···
Un conjunto de vectores x 1 , x2 ,  , xk   es  ortogonal  si
 
= 0   si i = j
P (xi , xj )

= 0   si i  = j

Definición D.23 Vectores ortonormales

···
Un conjunto de vectores x1 , x2 ,  , xk   es  ortonormal  si es ortogonal y todos sus
vectores son normales, es decir, si
 
0   si i =  j
P (xi , xj ) =  δ ij  =
1   si i  = j

en donde δ ij  se conoce como la función  delta de Kronecker 

Teorema D.9  Los elementos de un conjunto ortogonal de vectores son linealmente
independientes.
Demostración D.9   Supóngase un conjunto ortogonal x 1 , x2 , ···  , x  y construya-
k
mos una combinación lineal nula de ellos:
α1 x1  + α2 x2  + ··· + α n xn  = 0

252
 

D.3. NORMAS DE VECTORES Y MATRICES

Si seleccionamos un vector cualquiera xj  y efectuamos el producto interno a cada

lado de la ecuación tenemos
α1 P (x1 , xj ) + α2 P (x2 , xj ) + ··· + α n P (xn , xj ) = 0

Como se trata de un sistema ortogonal el único P (xi , xj ) = 0 es  P (xj , xj ) =  P i  y
por lo tanto
αj P (xj , xj ) =  αj P i  = 0
Y por tanto
αj  = 0
Este conclusión se puede obtener para todos los coeficientes α, por lo tanto la unica
combinación lineal nula de los vectores es la que tiene coeficientes nulos, es decir,
los vectores son linealmente independientes.
Definición D.24 Proceso de ortonormalización de Gram-Schmidt
·
Sea V   : (Γ, +, , F) un espacio vectorial sobre F, sea P (x1 , x2 ) un producto interno
definido en ese espacio, y   · 
  la norma inducida por   P .Dado un conjunto de
···
vectores linealmente independientes x 1 , x2 ,  , xk  es posible encontrar un conjunto
···
de vectores ortonormales  y1 , y2 ,  , yk  siguiendo el   proceso de ortonormalizaci´  on
de Gram-Schmidt :

  x1
y1  =
x1
  x2 − P (x2 , y1 )y1
y2  =
x2 − P (x2, y1)y1 
  x3 − P (x3 , y1 )y1 − P (x3 , y2 )y2
y3  =
x3 − P (x3, y1)y1 − P (x3, y2)y2
....
..

yk  =
−xk
 j =1 k − 1P (x , y )y
k j j
 −xk j =1 k − 1P (x , y )y 
k j j

Definición D.25 Norma de una matriz cuadrada

Sea  A  una matriz que representa una transformación lineal   A   :   Cn n
→ C . Se
define la  norma  de la matriz A  inducida por una norma vectorial como

A = sup Ax  = sup Ax

= xx 0 x=1
Es decir, la norma de una matriz es la norma más grande que se obtiene al aplicar
la transformación lineal sobre los elementos de la bola unitaria.
Ejemplo D.24   Sea A  la matriz

A =
  2 1
0 3

253
 

OSCAR G. DUARTE

Figura D.4:  Norma de una matriz basada en   ·  1

  
Para calcular A 1   aplicamos la transformación A a la circunferencia unitaria
de la norma   · 
1 , tal como se muestra en la figura D.4.
La mayor distancia al origen que resulta es, según la norma  · 
1 , la correspon-
− −
diente a los puntos (1, 3) y  ( 1, 3), por lo tanto

A1  = |1| + |3| = 4

Ejemplo D.25   Sea A  la matriz

A =
 
2 1
0 3

  
Para calcular A 2   aplicamos la transformación A a la circunferencia unitaria
de la norma   · 
2 , tal como se muestra en la figura D.5.
La mayor distancia al origen que resulta es, según la norma   · 
2 , la marcada
en la figura D.5 como  d. Es un ejercicio interesante demostrar que esta distancia
corrresponde a los puntos (1.536, 2.871) y  ( 1.536, 2.871) por lo tanto 1
− −
 
 
A 2  = 1.5362 + 2.8712 = 3.256
También puede demostrarse que

 
 √ 
A 2  = 13 + 7 = 3.256

Ejemplo D.26   Sea A  la matriz

A =
 
2 1
0 3
1 Un punto de (cos φ, sin φ) de la circunferencia unitaria se transforma en (2 cosφ +

sin φ, 3sin φ); su distancia al origen r  es tal que r 2 = (2cos φ + sin φ)2 + (3sin φ)2 , que puede
escribirse como  r 2 = 2 sin2φ − 3cos2φ + 7. Los puntos crı́ticos corresponden a dr 2 /dφ = 0,
es decir a  φ  =   21  tan 1 (− 23 ); el máximo corresponde a φ  = 73.15t exto
−

254
 

D.4. SISTEMAS DE ECUACIONES ALGEBRÁICAS

A d

Figura D.5:  Norma de una matriz basada en   · 2

Figura D.6: Norma de una matriz basada en   ·  ∞

  
Para calcular A ∞  aplicamos la transformación A  a la circunferencia unitaria
de la norma  ·  ∞ , tal como se muestra en la figura D.6.
La mayor distancia al origen que resulta es, según la norma ·
∞, la correspon-
 −
diente a cualquiera de los puntos cuya segunda coordenada es 3  o 3, por ejemplo
(1, 3), por lo tanto
  { }
A ∞  = máx 1, 3 = 3

D.4. Sistemas de ecuaciones algebráicas

El propósito de esta sección es el de presentar algunas propiedades de las
matrices. Para ello, consideramos el sistema de ecuaciones algebráicas:

a11 x1  + a12x2  + ··· + a1 n xn  =  y 1

a21 x1  + a22x2  + ··· + a2 n xn  =  y 2
.. (D.13)
.
am1 x1  + am2 x2  + ··· + a mn xn  =  y m

255
 

OSCAR G. DUARTE

que puede escribirse en forma matricial como


a11   a12   ···
  a1n
  x1
  y1

a21   a22
   ···
  a2n   x1   y1 
Ax = y A = .. ..   . .   .. x = .. y = .. (D.14)
. . . .   .   . 
am1   am2   ···
  amn xn ym

La ecuación (D.14) puede interpretarse como el sistema de ecuaciones al-

gebraı́cas (D.13), como una transformación lineal A :   Rn   Rm , o en general
→
como una transformación lineal de un espacio vectorial de dimensión n a otro
espacio vectorial de dimensióm m A : V →
W con dim(V) = n y dim(W) = m.
Empleamos esta múltiple interpretación para hacer algunas definiciones y
obtener ciertas conclusiones acerca de la existencia y unicidad del sistema de la
solución del sistema de ecuaciones algebráicas.

Definición D.26 Codominio

 R(A) definido como
El  Codominio   de un operador lineal A  es el conjunto

R(A) = {y|∃x,   y = Ax}

Teorema D.10  El codominio de un operador lineal A : V → W es un subespacio
de W.

Demostración D.10  Es claro que el codominio   A  es un subconjunto de  W, es

 R  ⊂  R
decir (A)  W. Supónganse dos vectores y1 , y2   de (A). Según la definición
D.26 existen dos vectores x 1 , x 2  en V  tales que

y1  = Ax1   y2  =  Ax2

Gracias a la linealidad de A  cualquier combinación lineal de y 1 , y 2  puede escri-
birse como

α1 y1  + α2 y2  =  α 1 Ax1  + α2 Ax2  = A(α1 x1  + α2 x2 )

es decir, para cualquier combinación lineal de y1 , y2   es posible encontrar un ele-
 ∈
mento x  V   tal que y = Ax y por lo tanto según el teorema D.1 (A) es un  R
subespacio de W.

Definición D.27 Rango

El  rango  de una matriz A, denotado por ρ(A) es la dimensión del codominio del
operador lineal representado por A  (ver figura D.7).

Teorema D.11   El rango de una matriz A es igual el número de columnas lineal-

mente independientes de A.

256
 

D.4. SISTEMAS DE ECUACIONES ALGEBRÁICAS

dim(V) = n dim(W) =  m

V W
A
R(A)

R
ρ(A) = dim( (A))

Figura D.7:  Codominio y rango de un operador lineal

−
Demostración D.11   Si denotamos la   i ésima columna de   A   como  a i , es decir
A = [a1  a2  ···
  an ] la ecuación D.14 puede escribirse como

y = x 1 a1  + x2 a2  + ··· + x n an

es decir, y es una combinación lineal de las columnas de A   cuyos coeficientes son
···
x1 , x2 ,  , xn . El codominio de A será entonces el conjunto de todas las posibles
R { ···
combinaciones lineales de las columnas de A, es decir (A) = span a1 , a2 ,  , an ; }
R
por lo tanto la dimensión de (A), que es ρ(A), será igual al número de elementos
 { ··· }
linealmente independientes en el conjunto a1 , a2 ,  , an .

Ejemplo D.27   Considérese la transformación lineal de   R2 en   R2 representada por

y = Ax  en donde A  es la matriz

A =
 
1 1
0 0

Esa transformación toma un punto  (x1 , x2 )   en el plano y lo convierte en un

punto sobre el eje horizontal (figura D.8):

y =
   
1 1 x1
 =
(x1  + x2 )

0 0 x2 0

 R
El codominio de   A, que denotamos por (A)   resulta ser el eje horizontal,
es decir, un subespacio de   R2 . La dimensión de (A), que es el rango de   A,
 R
denotado por ρ(A)  es entonces 1. Nótese que el número de columnas linealmente
independientes de A  también es 1.

Ejemplo D.28   Considérese la transformación lineal de   R2 en   R2 representada por

y = Ax  en donde A  es la matriz

A =
 
1 2
1 2

257
 

OSCAR G. DUARTE

}
ρ(A) = 1

Figura D.8: Codominio y Rango del Operador Lineal del ejemplo D.27

}
ρ(A) = 1

Figura D.9: Codominio y Rango del Operador Lineal del ejemplo D.27

Esa transformación toma un punto  (x1 , x2 )   en el plano y lo convierte en un

punto sobre la recta de pendiente 1  (figura D.9):

y =
   
1 2 x1
 =
(x1  + 2x2 )

1 2 x2 (x1  + 2x2 )

 R
El codominio de  A, que denotamos por (A)   resulta ser la recta identidad,
es decir, un subespacio de   R2 . La dimensión de (A), que es el rango de   A,
 R
denotado por ρ(A) es entonces 1. Nótese que el número de columnas linealmente
independientes de A  también es  1.

En el teorema D.14 se demuestra que el rango de una matriz no se altera

al premultiplicarla o posmultiplicarla por matrices no singulares. Esto significa
que las operaciones elementales sobre matrices no alteran el rango de una matriz
y por lo tanto puede comprobarse que el rango también es igual el número de
filas linealmente independientes de la matriz, es decir, para una matriz   A   de
×
dimensiones m n se tiene que

ρ(A) = Número de columnas L.I.

ρ(A) = Número de filas L.I. (D.15)
ρ(A)  ≤   mı́n (m, n)

258
 

D.4. SISTEMAS DE ECUACIONES ALGEBRÁICAS

dim(V) = n dim(W) =  m

V W
 N (A) A
R(A)
 
0

A
 N 
ν (A) = dim( (A)) ρ(A) = dim( (A)) R
Figura D.10:  Codominio, espacio nulo, rango y nulidad de un operador lineal

Además, puede demostrarse que una matriz es no singular si y sólo si todas

sus filas y todas sus columnas son linealmente independientes,
Teorema D.12   El sistema de ecuaciones (D.14) donde   A   es una matriz  m n ×
 R
tiene solución para todo y en W  si y solo si (A) = W, o lo que es equivalente,
si y sólo si ρ(A) = m
Demostración D.12   La demostración se desprende directamente de las definicio-
nes D.26 y D.27
Definición D.28 Espacio Nulo
 →
El  Espacio Nulo   de un operador lineal A  :  V  W  es el conjunto  N (A) definido
como
 N  { ∈ |
(A) = x V Ax = 0 }
La linealidad del operador permite demostrar que el Espacio Nulo es un
Subespacio de V. Esto permite hacer la siguiente definición
Definición D.29 Nulidad
La  Nulidad   de un operador lineal A : V → W, denotada por ν (a) es la dimensión
del espacio nulo de A
El ejemplo D.29 muestra la relación existente entre el rango y la nulidad de
un operador lineal A : V →
W, con dim(V) = n y dim(W) = m (figura D.10).
ρ(A) + ν (A) = n = dim(V) (D.16)

Teorema D.13  El sistema de ecuaciones Ax  =  0  con A  una matriz m n tiene ×

una solución distinta de la trivial si y sólo si ρ(A) < n. Si m = n esto es equivalente
a decir si y sólo si det(A) = 0
Demostración D.13  De la definición D.29 se desprende que el número de solucio-
nes linealmente independientes de Ax =  0  es ν (A). Para que exista una solución
≥
no trivial se necesita que ν (A) 1. Empleando (D.16) esta condición se convierte
en ρ(A) < n. Si m = n entonces A es cuadrada y la condición es equivalente a
det(A) = 0, ya que las columnas de A  serı́an linealmente dependientes.

259
 

OSCAR G. DUARTE

Ejemplo D.29   Supóngase el sistema de ecuaciones Ax = 0  donde A  es la matriz

×
5 3   
0 1 1 0 1  − 
A = 2 1 3 4 1  = a1   a2   a3   a4   a5
 
1 0 1 2 1
en donde las dos primeras columnas son linealmente independientes, pero las últimas
tres no lo son (ρ(A) = 2), ya que pueden escribirse como combinaciones lineales
de las dos primeras:

a3  = a 1  + a2   a4  = 2a1   a5  = a 1 − a2   (D.17)

El sistema de ecuaciones Ax = 0  puede escribirse como

x1 a1  + x2 a2  + x3 a3  + x4 a4 + x5 a5  = 0
        − 
0 1 1 0 1 0

x1 2 + x2 1 + x3 3 + x4 4 + x5
      1  = 0    (D.18)
1 0 1 2 1 0
Empleando (D.17) la ecuación (D.18) se convierte en
  0 1 0

 − 
(x1  + x3  + 2x4  + x5 ) 2 + (x2  + x3 x5 ) 1  = 0    (D.19)
1 0 0

(x1  + x3  + 2x4  + x5 )a1  + (x2  + x3 − x5 )a2  =  0   (D.20)

Como a 1  y a 2  son linealmente independientes, (D.20) sólo puede cumplire si los
coeficientes son cero, es decir si
 x1  + x3  + 2x4  + x5   = 0
  (D.21)
−
x2 + x3 x5   = 0

El sistema de ecuaciones (D.21) tiene 5 incógnitas y 2 ecuaciones linealmente

independientes, es decir, existen 3 grados de libertad para escoger los valores de
xi . Dicho de otra forma,  ν (A) = 3. Nótese que ρ(A) + ν (A) = n (2 + 3 = 5),
cumpliendo con la ecuación (D.16).
Podemos escoger arbitrariamente los valores de 3 de las incógnitas x i  y deducir
 N 
el valor de las otras dos, para construir una base de (A). Si seleccionamos x 1 , x 2
y x 3  como los trios (1, 0, 0), (0, 1, 0) y  (0, 0, 1) tendremos los tres vectores base de
 N (A):
    
1 0 0
 0   1  0
 
0 0 1
− 1/2
0
 −1/2
1
 − 
1
1

260
 

D.5. VALORES Y VECTORES PROPIOS

×
Teorema D.14   Sea A  una matriz m n y  C, D dos matrices no singulares cua-
× ×
lesquiera n n y  m m respectivamente. En esas condiciones se tiene que
ρ(AC) =  ρ(A)   ρ(DA) =  ρ(A)
Demostración D.14  La demostración se apoya en la desigualdad de Sylvester, que
× ×
establece que si existen dos matrices A y  B de dimensiones q  n y n  p entonces
ρ(A) + ρ(B) − n ≥ ρ(AB) ≥ mı́n(ρ(A), ρ(B)) (D.22)
Al aplicar (D.22) a AC y DA se tiene que
ρ(A) + ρ(C) − n ≥ ρ(AC) ≥ mı́n(ρ(A), ρ(C))
ρ(D) + ρ(A) − m ≥ ρ(DA) ≥ mı́n(ρ(D), ρ(A))
como C  y D son no singulares, sus rangos son n  y  m  respectivamente:
− n ≥ ρ(AC) ≥ mı́n(ρ(A), n)
ρ(A) + n
− m ≥ ρ(DA) ≥ mı́n(m, ρ(A))
m + ρ(A)
Por (D.15) se sabe que  ρ(A) ≤ mı́n (m, n), por lo tanto
ρ(A) ≥ ρ(AC) ≥ ρ(A)
ρ(A) ≥ ρ(DA) ≥ ρ(A)
Las desigualdades sólo pueden cumplirse simultáneamente si se tiene que
ρ(A) = ρ(AC)   ρ(A) =  ρ(DA)

D.5. Valores y vectores propios

Definición D.30 Valor propio y vector propio2
Sea  A   una transformación lineal   (Cn , C)   (Cn , C). Un escalar   λ   es un   valor 
 →
propio   si existe un vector no nulo v  tal que Av = λv. Cualquier vector no nulo v
que satizfaga
Av = λv   (D.23)
es un  vector propio  asociado al valor propio λ.
La definición D.30 implica que para un vector propio  v  el efecto de aplicarle
la transformación lineal A es igual que amplificarlo por el escalar λ. Esto implica
que un vector y el vector transformado son colineales o paralelos y por lo tanto
linealmente dependientes.
La definición D.30 se refiere estrictamente a   valores y vectores propios por 
derecha , para distinguirlos de los   valores y vectores propios por izquierda , que
deben satisfacer v t A = λvt . En este texto sólo se consideran los primeros, y por
tanto se hace referencia a ellos simplemente como  valores y vectores propios .
2 También se conocen como   autovalores   y   autovectores   o  valores caracterı́sticos   y  vectores
caracterı́sticos.

261
 

OSCAR G. DUARTE

Teorema D.15   λ es un valor propio de A  si y sólo si satisface la ecuación

det(λI − A) = 0 (D.24)

donde I  es la matriz identidad de igual orden que A.

Demostración D.15   Si λ  es un valor propio de A  entonces existe un vector v  tal
que
Av = λv −
Av λv = 0
El término  λv puede escribirse como λIv para facilitar la factorización de v

Av − λIv = 0   (A − λI)v = 0
De acuerdo con el teorema D.13 esta ecuación tiene solución no trivial (existe un
vector propio v) si y sólo si
−
det(A λI) = 0
Como el determinante de una matriz no se afecta al multilpicar ésta por un escalar
no nulo, podemos escribir
det(λI A) = 0−
El teorema D.15 brinda una posibilidad para calcular los valores propios
 −
de   A: podemos construir el   polinomio caracterı́stico   ∆(λ) = det(λI  A) y
encontrar sus raices. Cada raiz de ∆(λ) será un valor propio de A. Los vectores
propios pueden obtenerse directamente de (D.23).
Debido a que los valores propios resultan ser las raices del polinomio carac-
terı́stico, éstos pueden ser reales o complejos, diferentes o repetidos.

Definición D.31 Multiplicidad

La multiplicidad ri   de un valor propio λi   es el número de veces que éste aparece
como raiz del polinomio caracterı́stico.

Ejemplo D.30  Obtener los valores y vectores propios de la matriz

A =
  4 1
−2 1

B = (λI − A) = λ

 − −   
Construimos la matriz B = (λI

1 0
A) y hallamos su determinante:

 4 1
 =
  −−
(λ 4) 1

0 1 − 2 1 2− (λ 1)
2
∆(A) = det(B) = (λ − 4)(λ − 1) + 2 = λ − 5λ + 6 = (λ − 2)(λ − 3)
Los valores propios de A  serán las raices de ∆(A)

λ1  = 2   λ2  = 3

Los vectores propios asociados a  λ 1  = 2 deben cumplir (D.23):

Av1  =  λ1 v1

262
 

D.5. VALORES Y VECTORES PROPIOS

     
 4 1 v11 v
 = 2 11
 4v11 + v21
  
 =
2v11
− 2 1 −
v21 v21 2v11 + v21 2v21
Se crea entonces un sistema de ecuaciones con infinitas soluciones:
  4v11 + v21   = 2v11
−2v11 + v21   = 2v21
Para obtener un vector propio asociado a λ 1  = 2 podemos escoger arbitrariamente
un valor para v 11  o para v 21 . Por ejemplo, si escogemos v 11  = 1 obtenemos v 21  =
−2. En consecuencia, un vector propio asociado a  λ 1  = 2 será

v1  =

 1
  en general   v1  =
 
 a
− 2 −2a
Los vectores propios asociados a λ 2  = 3 también deben cumplir (D.23):
Av2  =  λ 1 v2
     
 4 1 v12 v
 = 3 12
 4v12 + v22
  
 =
3v12
− 2 1 −
v22 v22 2v12 + v22 3v22
Se crea entonces un segundo sistema de ecuaciones con infinitas soluciones:
  4v12 + v22   = 3v12
−2v12 + v22   = 3v22
Para obtener un vector propio asociado a λ 2  = 3 podemos escoger arbitrariamente
un valor para v 12  o para v 22 . Por ejemplo, si escogemos v 12  = 1 obtenemos v 22  =
−1. En consecuencia, un vector propio asociado a  λ 2  = 3 será

v2  =

 1
  en general   v2  =

 a
−1 −a
Ejemplo D.31  Obtener los valores y vectores propios de la matriz

A =
 
 2 1
−1 2
Construimos la matriz B  = (λI

B = (λI − A) = λ

1
 − −   
0
 2 1
A) y hallamos su determinante:
(λ − 2)   −1

0 −1 2  = 1 (λ − 2)
1

∆(λ) = det(B) = (λ − 2)2 + 1 = λ 2 − 4λ + 5

Los valores propios de A serán las raices de  ∆(λ)
λ1,2  = 2 ± j
Al aplicar (D.23) para λ 1  y λ 2  se obtienen dos sistemas de ecuaciones con infinitas
soluciones
  2v11 + v21   = (2 + j)v11
  2v12 + v22   = (2 − j)v12
− v11 + 2v21   = (2 + j)v21 −v12 + 2v22   = (2 − j)v22
263
 

OSCAR G. DUARTE

Seleccionando arbitrariamente v 11  = 1 y  v 12  = 1 se obtiene

v1  =
 1
  v2  =

 1
 j −
 j

o en general   
a  a
v1  =   v2  =
 ja − ja
D.5.1. Valores propios diferentes
Teorema D.16   Sea A  una transformación lineal con valores propios no repetidos,
y sea v i  un vector propio de A  asociado al valor propio λ i . En esas condiciones v i
es directamente proporcional a cualquier columna no nula de adj(λ i I A) −
Demostración D.16   La demostración se basa en que para una matriz  P  se tiene
que
PadjP = det (P)I   (D.25)
Al aplicar (D.25) a la matriz  (λi I− A) se tiene
(λ I − A)adj(λ I − A) = det(λ I − A)I
i i i

Como vi  es un vector propio de A asociado al valor propio λ i , entonces Avi  =  λ i vi

o lo que es igual
−
(λi I A)vi  = 0   (D.26)
lo que implica que det(λi I − A) = 0 y por tanto
(λ I − A)adj(λ I − A) =  0
i i   (D.27)

Comparando (D.26) y (D.27) se concluye que vi   es directamente proporcional

a cualquier columna no nula de adj(λi I A). −
Ejemplo D.32   Para obtener los vectores propios del ejemplo D.30 construimos


− A) =  adj(2I − A) = adj −22   −11
   1 1
  a
 
adj(λ1 I  =
−2   −2 ⇒ v1  = −2a

adj(λ2 I

− A) =  adj(3I − A) = adj −21   −21

 =
 2 1
⇒  
v2  =
 a
−  −
2 1 −a
···
Teorema D.17   Sean λ1 , λ2 ,  , λr   valores caracterı́sticos diferentes de A, y sea
···
vi  un vector caracterı́sitico asociado a λi  con i  = 1, 2,  , r. El conjunto v1 , v 2 ,  {
··· }
, v r  es linealmente independiente.

264
 

D.5. VALORES Y VECTORES PROPIOS

Demostración D.17  Efectuamos la demostración por contradicción. Suponemos

que los vi  son linealmente dependientes, y por lo tanto existen αi   algunos de los
cuales no son nulos, tales que
 r
αi vi  =  0
i=1

 
Suponemos que α 1 = 0, (si es necesario reordenamos los vectores) y multiplicamos
  −
r
a cada lado de la ecuación por j=2 (A λj I)
r
 −  r
(A λj I) αi vi  = 0   (D.28)
j =2 i=0

El producto (A − λ I)v  se puede calcular como

j i

(λ − λ )v
 i j i   si i =  j 
(A − λ I)v  =
j i
0   si i  = j

Y por lo tanto (D.28) se convierte en

α1 (λ1 − λ2)(λ1 − λ3) ··· (λ1 − λ )v1  = 0 r

Por hipótesis, todos los λi  son diferentes y v 1  es no nulo (es un vector propio), lo
que significa que α 1  = 0. Con esta contradicción se concluye la demostración.

Teorema D.18   Sea A una transformación lineal A :  C n Cn ; sean λi  los valores→

propios de A  y  v i  un vector propio asociado a λ i , con i = 1, 2,  , n . Si todos los ···
λi  son diferentes, entonces el conjunto v1 , v2 ,  , vn  es una base de   Cn .
 { ··· }
Demostración D.18   Según el teorema D.17 el conjunto es linealmente indepen-
diente. Como además tiene  n   elementos, según el teorema D.2 el conjunto es una
base.

Teorema D.19   Sea A una transformación lineal A :  C n Cn ; sean λi  los valores

→
propios de  A  y   vi   un vector propio asociado a   λi , con  i   = 1, 2,  , n. Si todos ···
los λi   son diferentes, entonces la transformación lineal A se representa en la base
{ ··· }
v1 , v2 ,  , vn  por una matriz diagonal ∆  en la que el elemento i ésimo de la −
diagonal es λ i .

∆ = M −1 AM M = v1   v2
   ···   v n
   (D.29)

Demostración D.19  El teorema D.7 permite obtener la representación de A  en la
nueva base. Si denotamos esta representación por  Â tendremos

 = M −1 AM

con M  la  matriz modal  que contiene los vectores propios

M = v1   v2
   ···   v n

265
 

OSCAR G. DUARTE

Para demostrar el teorema construimos  Â = ∆  y demostramos  Â =  MAM −1 , o

lo que es equivalente, M  = AM:
λ1   0
   ···   0

0   λ2    ···   0 
 = ∆ = . ..   . .  
.. .  . ... 
0 0   ···   λ n

Calculamos por separado M  y  AM:


λ1   0   ···
  0

 0   λ2
    ···
  0   
M = v1   v2   ···   v n .. ..   . .   .. = λ1 v1   λ2 v2
. .
  ···   λ
n vn
. . 
0 0   ···
  λn
(D.30)

AM = A v1   v2
   ···   v n
 
 = Av1   Av2   ···   Av n
   (D.31)
Como Avi  =  λ i vi  entonces las ecuaciones (D.30) y (D.31) se reducen a M  =
AM o lo que es igual
 = ∆ = M−1 AM
Ejemplo D.33   La transformación lineal representada por la matriz

A =
 
 4 1
−2 1
cuyos valores propios son (Ejemplo D.30) λ 1  = 2, λ 2  = 3 con vectores propios v 1
v2 :  
 1  1
v1  =   v2  =
−2 − 1
 { }
Tiene una representación en la base v1  v 2  por la matriz diagonal

∆ = M −1 AM =
−   −       
1 1  4 1  1 1
 =
2 0 λ   0
 = 1
2 − − 1 2 1 2 1 0 3 0   λ2
Ejemplo D.34   La transformación lineal representada por la matriz
  A =
 2 1
− 1 2

   ±
cuyos valores propios son (Ejemplo D.31) λ 1,2  = 2  j con vectores propios v 1  v2 :

v1  =
1
  v2  =
 1
 j − j
 { }
Tiene una representación en la base v1  v 2  por la matriz diagonal
∆ = M −1 AM =

 j/2  −
 j/2
   
 2 1 1 1
 =
2 + j   0 λ   0
 = 1
 
 j/2   j/2 − 1 2  j  −  j 0 2  j −
0   λ2

266
 

D.5. VALORES Y VECTORES PROPIOS

D.5.2. Valores propios repetidos

La diagonalización planteada en el teorema D.19 no siempre es posible si
existen valores propios repetidos. Esto se debe a que el teorema D.17 se refiere a
valores propios distintos, y sin ese resultado no puede asegurarse que el conjunto
{ ··· }
v1 , v2 ,  , vn sea una base. Esto se traduce en que la matriz modal  M puede
ser singular, y por tanto (D.29) no puede usarse debido a que  M−1 puede no
existir.

Definición D.32 Degeneracidad

El número de vectores propios de una transformación lineal   A   de orden  n  n  ×
linealmente independientes asociados a un valor propio λ i  es la  degeneracidad   del
valor propio λ i , denotada por d i .

Teorema D.20   La degeneracidad de   λi , un valor propio de una transformación

×
lineal A  de orden n n es igual a

di  =  n − ρ(λ I − A)
i (D.32)

Demostración D.20   Un vector propio v i  de A  asociado a λ i  debe cumplir

Avi  =  λ i v   (λi I − A)v  = 0

i

Según la definición D.29, el número de vectores propios linealmente independientes

serán entonces la nulidad de la matriz que premultiplica al vector,

di  = ν (λi I − A)
Podemos emplear (D.16) para escribir

di  =  n − ρ(λ I − A)
i

Ejemplo D.35  Obtener los valores y vectores propios de la matriz  A y diagonali-
zarla  
 1 2
A =
− 2 5
− A) y hallamos su determinante:
Construimos la matriz B  = (λI

B = (λI − A) = λ

1 0
   
− − 12 52  = (λ −2 1)  (λ−−25)

0 1

∆(λ) = det(B) = (λ − 1)(λ − 5) + 4 = λ 2 − 6λ + 9 = (λ − 3)2

Los valores propios de A serán las raices de  ∆(A)

λ1  = λ2  =  λ 1,2  = 3

La degeneracidad de λ 1,2  = 3 se obtiene con (D.32):

d1  = 2 − ρ(3I − A)
267
 

OSCAR G. DUARTE

d1  = 2 −ρ
 −3 1   −2   = 2 −ρ
   − 
2 2
 = 2 −1 = 1
2 3−5 2   −2
Lo anterior significa que aunque λ  tiene multiplicidad 2, sólo es posible encontrar
un vector linealmente independiente. Este se obtiene empleando (D.23), y resulta
ser  
1 a
v1  =   en general   v1  =
1 a
No es posible construir una base para el espacio de dimensión   2  con un sólo
vector, por lo tanto no es posible diagonalizar A.

Ejemplo D.36  Obtener los valores y vectores propios de la matriz  A y diagonali-
zarla  
3 0 1  −
A = 1 2 1 −  − 
1 0 3
Construimos (λI − A):
−
(λ 3) 0 1

λI − A = − 1
1 (λ − 2)
0 (λ
1
− 3)

Su polinomio caracterı́stico resulta ser

∆(λ) = (λ − 3)2(λ − 2) − (λ − 2) =  λ3 − 8λ2 + 20λ − 16

Las raices del polinomio son λ 1  =  λ 2  = 2 λ 3  = 4. Para determinar la degeneracidad
de λ 1  calculamos λ 1 I A −
− (2 3) 0 1
 − 1 0 1

λI − A = − 1
1 (2 2)
0
−1
(2 3)
 =
−
 − 1 0
1 0  −
1
1

d1  =  n − ρ(λI − A)   d1  = 3 −1=2
Lo anterior significa que existen dos vectores propios linealmente independientes
asociados a λ1  = λ 2  = 2. Estos dos vectores junto con el vector propio asociado a
λ3  = 4  pueden formar una base y por tanto es posible diagonalizar A. Para obtener
los tres vectores propios empleamos (D.23):
 3 0   −1        −    
a a 3 0 1 d d
− 1 2   −1      −   −     
b  = 2 b 1 2 1 e  = 2 e
1 0 3 c c 1 0 3 f  f 

Se originan los sistemas de ecuaciones

 −  −
3a c = 2a 3d f   = 4a
− − − −
a + 2b c = 2b
a + 3c = 2c
d + 2e f   = 4e
d + 3f   = 4f 

268
 

D.5. VALORES Y VECTORES PROPIOS

Que se convierten en
a = c d = e = −f 
Podemos construir dos vectores linealmente independientes  v1 , v2  que satisfacen

   −  
a = c  y un tercero v 3  que satisface d = e = f , por ejemplo

1 1 1
v1  = 0   v2  = 1
    −    v3  = 1
1 1 1

 { }
En la base v1  v 2  v 3  la transformación A  se representa por Λ:
   −    − 
1 1 0 3 0 1 1 1 1

Λ = M−1 AM = −   −  −   −  
1/2 1 1/2 1 2 1 0 1 1 
1/2 0 1/2 1 0 3 1 1 −1
  
2 0
 0 λ1   0 0
Λ = M −1 AM == 0 2
    0  = 0   λ2   0
0 0 4 0 0   λ3

Definición D.33 Vectores propios generalizados

Sea A  una transformación lineal A :  C n Cn y sea λ  un valor propio de A. v  es
→
un  vector propio generalizado de grado  k  de A  asociado a λ  si y sólo si

(A λI)k v   = 0
−   (D.33)
(A λI)k−1 v =  0
−  
Nótese que para   k   = 1 la ecuación (D.33) se reduce a (A − λI) =   0  con

v =  0, que coincide con la definición D.30 de vector propio.

Definición D.34 Cadena de vectores propios generalizados

Sea  A  una transformación lineal A  :   Cn   Cn y sea  v  un vector propio gene-
→
···
ralizado de orden k  asociado a λ. Los vectores v k , vk−1 , vk−2 ,  , v1  forman una
cadena de vectores propios generalizados  de longitud k  si y sólo si

vk   =   v
vk−1   = −
(A λI)v   = (A λI)vk −
vk−2   = (A λI)2 v   = (A λI)vk−1
− − (D.34)
.. ..
. .
v1   = − λI) −1 v   = (A − λI)v2
(A k

i
Teorema D.21   Sea N  el espacio nulo de (A − λI) . N  es un subespacio de N +1 .
i i i

Demostración D.21   Sea   x   un vector en i , por lo tanto   (A λI)i x   =   0; al

 N  −
multiplicar a cada lado por (A λI) se tiene que (A λI)i+1 x = 0 y por lo tanto
− −
 N 
x está en i+1 . Esto demuestra que i  N  ⊂ N 
i+1 , y por lo tanto  N 
i  es un subespacio
 N 
de i+1 .

269
 

OSCAR G. DUARTE

..
.
 

vi

vi−1

..
.
 N −1  N   N +1
i i i

Figura D.11:  Espacios Nulos de ( A − λI)i y cadenas de vectores propios

generalizados

Teorema D.22   Sea i  el espacio nulo de (A λI)i . Sea v i  el i ésimo vector de
 N  − −
una cadena como las definidas en (D.34). El vector  v i  está en i  pero no en i−1 .  N   N 
i
Demostración D.22   La demostración se obtiene calculando (A − λI) v   y (A −
i
λI)i−1 vi  y utilizando (D.34) y (D.33):

(A− λI) v  = (A − λI) (A − λI) − v = (A − λI) v = 0

i
i
i k i k

(A − λI) −1 v  = (A − λI) −1 (A − λI) − v = (A − λI) −1 v =

i
i
i
  0 k i k

Los teoremas D.21 y D.22 se visualizan en la figura D.11. Cada subespacio

 N   N 
nulo i  está embebido dentro del subespacio nulo i+1 , y el vector vi  está justo
 N   N 
en la diferencia entre i  y i−1 .

Teorema D.23  Los vectores de una cadena de vectores propios generalizados como
los de la definición D.34 son linealmente independientes.

Demostración D.23  Dado que cada vector  v i  pertenece a un subespacio diferen-

te, según se muestra en la figura D.11, estos vectores no pueden ser linealmente
dependientes.

Ejemplo D.37   Sea A  la transformación 2

A =
×  1
2

2
−2 5

270
 

D.5. VALORES Y VECTORES PROPIOS

que tiene un valor propio repetido λ = 3 Para encontrar los espacios nulos  N 1  y N 2
construimos las matrices B  y  B 2 :

B = (A − λI) = −−22

  2
  B2 =
  0 0
2 0 0

 N 
El espacio nulo 1  es el conjunto de los vectores  v1  tales que Bv1  = 0, mientras
que el espacio nulo 2   es el conjunto de los vectores   v2   tales que   B2 v2   =   0.
 N 
Claramente se ve que

v1  =
a

  v2  =
b

a c

 N 
Es decir, el espacio nulo 1  es la recta de pendiente 1, mientras que el espacio
nulo 2  corresponde a   R2 , tal como se muestra en la figura D.12.
 N 
 N 
Un vector propio generalizado de orden 2 debe estar en 2 , pero no en 1 , por  N 
ejemplo

v =
1

0

Lo que origina una cadena de vectores generalizados

v2   =   v
v1   = −
(A λI)v2

v2  =

1
  v1  =
−  ∈ N 
2
1
0 −2

×
Teorema D.24   Sea A una transformación lineal n n con un único valor propio
 ···
repetido,   λ1   =   λ2   =   =   λn   =   λ. Sea   v   un vector propio generalizado de
orden n  asociado a λ. En esas condiciones, se cumple que J = M −1 AM en donde
M  es la matriz modal formada por los vectores de la cadena de vectores propios
×
generalizados creada por v  y  J  es una matriz n n  casi-diagonal  que tiene a λ en
la diagonal, 1  encima de la diagonal, y 0  en cualquier otro lugar. Es decir

λ   1 0   ···
  0

0   λ   1
   ···
  0 
0 0   λ   ···
  0
J = . . .   .   .
 
.. .. .. . . ..
0 0 0
   ···
  1 
0 0 0   ···
 λ

= v1   v2   ···   v n
 
−1 A v   v  
1 2 ···   v
n
   (D.35)

Demostración D.24   Demostrar (D.35) equivale a demostrar  MJ =  AM, por lo

271
 

OSCAR G. DUARTE

B
0

ν 1  = dim(  N 1) = 1

B2

} 0

ν 2  = dim(  N 2) = 2

Figura D.12:  Espacios Nulos del ejemplo

tanto calculamos por separado MJ  y  AM  y comparamos los resultados:

 λ   1 0   ···  0

0   λ   1   ···  0

MJ = v1   v2   v3   ···   v n
  0 0   λ   ···  0
.. .. ..   . .   ..
. .


 . . .
0 0 0   ···  1 
0 0 0   ··· λ

MJ = λv1   (v1  + λv2 ) (v2  + λv3 )   ···   (v −1 + λv )
n n


AM = A v1   v2   v3   ···   v n
 
 = Av1   Av2   Av3   ···   Av n

De acuerdo con la definición D.34, el vector  vi   de la cadena se calcula como
−
vi  = (A λI)vi+1  , por lo tanto

Avi+1  = vi  + λvi+1   i = 1, 2, ··· , n − 1

···
lo que significa que las columnas 2, 3,  , n de  MJ son iguales a las de AM. Para
demostrar que la primera columna también es igual, empleamos el teorema D.22,
según el cual v 1 ∈ N 
1 , es decir

(A − λI)1 v1  = 0
y por lo tanto Av 1  = λv1 , lo que concluye la demostración.

272
 

D.5. VALORES Y VECTORES PROPIOS

 × × 
 N   ··· 
r
·· · · ··  ···  ν r
  N   N  {
2
× ··· × ν 2
1 × · ·· × × } ν 1
Figura D.13:  Diagrama de Matthew vacı́o

Ejemplo D.38   Sea A  la transformación 2

A =
× 1
2

2
−2 5

que tiene un valor propio repetido λ  = 3 y una cadena de vectores propios genera-
lizados (ejemplo D.37): −  
2 1
v1  =   v2  =
2 − 0

El resultado de calcular M −1 AM es

M−1 AM =
−   −   
2 1
−1  1 2 2 1
 =
3 1
−2 0 −2 5 −2 0 0 3

D.5.3. Obtención de vectores propios generalizados

El teorema D.24 supone que la matriz A de tamaño n n tiene un vector ×
propio generalizado de orden n asociado al valor propio  λ, a partir del cual se
construye una única cadena de vectores. Esto no siempre sucede, por lo tanto,
es necesario contar con un procedimiento para encontrar el conjunto de vectores
propios asociados a λ.
 N   N 
Según el teorema D.21, i  es un subespacio de i+1 , si denotamos por ν i  la
 N 
dimensión de i , lo anterior significa que ν i  < ν i+1 .
Este hecho permite construir el diagrama de Matthew   (figura D.13) en el que
···
se muestran las nulidades ν 1 , ν 2 ,  , ν r  mediante casillas de un arreglo (ν i  será
 N 
igual al número de casillas para i  en el arreglo).
Debido a que i  es el espacio nulo de  B  = (A λI)i , es posible calcular ν i
 N  −
empleando (D.16) y de esa manera establecer la forma del diagrama de Matthew
i
ν i  =  n − ρ(B )
 −
Si definimos ν̂ i   =   ν i ν i−1   el diagrama de Matthew tendrá la forma que se
muestra en la figura D.14

Ejemplo D.39  Forma del arreglo

273
 

OSCAR G. DUARTE

ν̂    ×
r ×
··· ··· ···
ν̂ 2   × ··· ×
ν̂ 1   × ··· × ×
Figura D.14:  Diagrama de Matthew vacı́o simple

ν̂ r   v1   v2
ν̂ r−1   Bv1   Bv2
.. .. ..
. . .
r1 −2
ν̂ 2   B v1   Br2 −2 v2   ···   vq−1
ν̂ 1   Br1 −1 v1   Br1 −1 v2   ···   Bvq−1   vq

Figura D.15:  Diagrama de Matthew lleno

Cada casilla del diagrama de Matthew podrı́a contener un vector de la base

 N   N 
para un i . Los vectores que sirven de base para i  también pueden formar
 N 
parte de la base de i+1 , ya que i  N  ⊂ N 
i+1 .
Debido al teorema D.22, un vector vi  de una cadena de vectores puede formar
 N 
parte de una base para i  que no pueden formar parte de una base para i−1 .  N 
 N 
Esto permite diseñar una estrategia para buscar las bases de los i  y asi llenar
el diagrama de Matthew. Para ello empleamos las siguientes convenciones .

1. Identificar el número de columnas del diagrama como q .

2. Identificar las columnas del diagrama como  c1 , c2 , ···  , c   de izquierda a

q
derecha.

3. Identificar el tamaño de cada columna como h 1 , h2 , ···  , h .

q

4. Identificar cada celda por los subı́ndices   i, j, con   j   = 1, 2, ··· , q   e   i   =

···
1, 2,  , rj  de arriba a abajo.

5. Identificar el vector de la celda i, j por x i,j .

Para llenar el diagrama de Matthew deben buscarse  q   vectores propios ge-
··· ···
neralizados   v1 , v2 ,  , vq   de orden   h1 , h2 ,  , hq   respectivamente. Cada uno
de estos vectores estará ubicado en la primera celda de las columnas, es decir
xi,1   = vi . Cada columna se completa con la cadena de vectores propios gene-
ralizados creada por el primer elemento de la columna. La forma que adopta el
diagrama de Matthew se muestra en la figura D.15.

274
 

D.5. VALORES Y VECTORES PROPIOS

Ejemplo D.40   Sea A  la matriz3

3
  − 1

1 1 0 0
1
0
   −   −1
0
1

2 0
1 0
1
0
1
A =
0  0  −  − 
0 2 1 1
0 0 0 0 1 1
0 0 0 0 1 1
Para calcular los valores propios de A  hacemos

det(A − λI) = [(3 − λ)(1 − λ) + 1](λ − 2)2[(1 − λ)2 − 1] = (λ − 2)5λ = 0

Es decir,  A tiene un valor propio  2  de multiplicidad 5  y un valor propio   0  de
multiplicidad 1. Nos proponemos encontrar el diagrama de Matthew de los vectores
propios asociados a λ 1  = 2.
Para ello definimos B = (A 2I) y calculamos B 0 , B1 , B2 , B3 ,
− ···
B0 = I   ρ(A − 2I)0 = 6   ν 0  = 6 −6 =0
1
  − 1 1 1
 0 0
1
0
   −   −   −
0
1
0
1
0
1
 0
1
0
1 −
ρ(A 2I) = 4
B1 =
0  0 0  −  −  0 1 1 −
ν 1  = 6 4 = 2
0 0 0 − 0  1 1
0 0 0  − 0 1 1
0 0
 2 2
 0 0
0 0  2 2 0 0
2 0 0 0 0 0 0 ρ(A 2I)2 = 2
−
B =
0 0  0 0  0 0 −
ν 2  = 6 2 = 4
0 0 0  −
0 2 2
0 0  −
0 0 2 2
0 0
 0 0
 0 0
0 0  0 0  0 0
0 0 0 0 0 0 ρ(A 2I)3 = 1
−
B3 =
0 0  0 0  0 0 −
ν 3  = 6 1 = 5
0 0  −
0 0 4 4
0 0 0  −0 4 4
Puede comprobarse que ν 4  = ν 3  = 5 y por tanto no es necesario continuar. Con
la información anterior podemos calcular  ν̂ i :
ν̂ 3   =   ν 3 − ν 2   = 5 − 4 = 1
ν̂ 2   =   ν 2 − ν 1   = 4 − 2 = 2
ν̂ 1   =   ν 1 − ν 0   = 2 − 0 = 2
Con esta información podemos construir el diagrama de Matthew
3 adaptado de [5, pp.: 43]

275
 

OSCAR G. DUARTE

v1
Bv1   v2
B2 v1   Bv2

De donde se deduce que q  = 2, h 1  = 3 y  h 2  = 2.

El algoritmo para encontrar v 1 , v2 , ··· , v   es el siguiente:

q

1.   c = 1.

2.   V una matriz vacı́a.

3.   P una matriz vacı́a.

4. Encontrar N hc , una base para  N  .

hc

5. Construir Q = P B − Nhc . hc 1

6. Emplear el algoritmo izquierda-a-derecha para extraer las columnas de Q
linealmente independientes y adicionárselas a P. Por cada columna que se
extraiga de Q  se extrae la columna correspondiente de  N hc  y se adiciona
a la matriz V.

7. Sea   d la siguiente columna con   hd   < hc . Hacer   c   =   d y repetir desde 4
hasta terminar las columnas

8.   V es la matriz que contiene a  v 1 , v2 , ···  , v .q

Ejemplo D.41   Para obtener los vectores  v1   y v2  del ejemplo D.40 identificamos
q  = 2, h 1  = 3, h 2  = 2, y empleamos el algoritmo siguiendo los siguientes pasos

1. Para c = 1 se tiene que h c  = 3, por lo tanto buscamos N 3  una base para  N 3,
es decir buscamos los vectores x  tales que B 3 x = 0:

0
 0 0 1 0

0 0 1 0 0 
0 1 0 0 0
N3  =
1  0 0 0 0 
0 0 0 0 0.707
0 0 0 0 0.707

2. Construimos Q = B2 N3
 
2
 2 0 0 0

2  2 0 0 0 
0 0 0 0 0
Q =
0  0 0 0 0 
0 0 0 0 0
0 0 0 0 0

276
 

D.5. VALORES Y VECTORES PROPIOS

3. Al aplicar el algoritmo izquierda-a-derecha sólo se extrae la primera columna

de Q, por lo tanto las matrices P  y  V  serán:
2
 
0
2  0
 
0 0
P = V =
0   1
 
0 0
0 0
4. La siguiente columna de altura menor a 3  es la columna 2, con h 2  = 2, por lo
 N 
tanto buscamos N 2  una base para 2 , es decir buscamos los vectores x  tales
que B 2 x = 0:  
0 0 0 1   −
0.707 0.707
 − 0 0 
0.5 0.5 0 0
N2  =  0.5  −0.5 0 0 
0 0 0.707 0
0 0 0.707 0
5. Construimos Q = P
  BN2
  −
2 0.707   −0.707 0   −1 
   −
2
0
0.707
0
  −0.707 0   −1
0 1.414 0

Q =
0
 0 0   −1.414 0 
0 0 0 0 0
0 0 0 0 0
6. Al aplicar el algoritmo izquierda-a-derecha sólo se extraen la primera y la
cuarta columnas de Q, por lo tanto las matrices P  y  V   serán:
 2 0
 
0 0

 2 0  0
 0 
0 1.414 0 0
P =
   − V =
0 1.414  1 0 
0 0 0 0.707
0 0 0 0.707
 
7. La matriz V = v1   v2 contiene los dos vectores necesarios para construir el
diagrama de Matthew, por lo tanto el conjunto completo de vectores propios
generalizados de A  asociados a λ1  = 2 son los que aparecen en el diagrama
de Matthew:
2 1 0
 0 0


B2 v1   Bv1   v1   Bv2   v2  =
2
    −
0 0 1
1 0
0 0 0 1.414
0

1.414  −
0
0
0


0 0 0  0 0.707
0 0 0 0 0.707

277
 

OSCAR G. DUARTE

D.6. Forma canónica de Jordan

Sea A una transformación lineal A :   Cn   Cn . Sean λ1 , λ2 ,  , λm  los va-
→ ···
lores propios diferentes de A. Sea λ j  uno de esos valor propios, de multiplicidad
rj  cuyo diagrama de Matthew, tiene  q j  columnas; la i ésima columna tendrá −
altura hij ; además los vectores propios generalizados asociados a  λj   obtenidos
con este diagrama son v j1 , vj2 ,  , vjr j .···
En esas condiciones, es posible encontrar dos matrices M  y J  tales que
J = M −1 AM   (D.36)

 J11   0   ···   0

 0 J12   ···   0 
.. ..   . .   ..
 . . . .   0 
0 0   ···   J1q1
J = .. (D.37)
 . 
Jm1   0   ···
  0
 0 Jm2   0  ··· 
.. ..   . .   ..
 0 . . . . 
  ···
0   0 Jmqm

λj
   1 0   ···   0

0    λ   1   ···   0
j 
. ..   . .
Jji  = ..  . .   ···   0  (D.38)
  ..
0 0 0 .   1
0 0 0   ···   λ j hij ×hij

M = v11   v12   ···   v1   ···   v
r1 m1   vm2   ···   v mrm
   (D.39)
J  es conocida como la   forma can´  onica de Jordan   de  A. La ecuación D.37
muestra que la matriz   J   es   diagonal por bloques , es decir, está formada por
bloques organizados en la diagonal. Por fuera de estos bloques sólo hay ceros
en la matriz.   M   es la   matriz modal , y está formada por los vectores propios
generalizados de A. La matriz modal no es única.
Los bloques J ji  que forman J  tienen las siguientes propiedades:
Cada valor propio diferente λ j  tendrá asociados uno o varios bloques J ji .
El número de bloques asociados a λ j  será igual al número de columnas de
su diagrama de matthew, q j .
Los bloques J ji  son cuadrados, y el tamaño del bloque (el número de filas
o de columnas) es igual a la altura de la columna correspondiente en el
diagrama de Matthew, h ij .

278
 

D.6. FORMA CANÓNICA DE JORDAN

Cada bloque J ji  tiene en la diagonal al valor propio λ j , tiene 1 por encima

de la diagonal, y cero en las restantes casillas.

Cada valor propio que no se repita tendrá asociado un único bloque de

tamaño 1.

En el caso sencillo en que ningún valor propio se repita J  será una matriz
diagonal que tendrá en la diagonal a los valores propios λ 1 , λ2 ,  , λn . ···
Ejemplo D.42  Para obtener la forma canónica de Jordan de la matriz A  del ejem-
plo D.40, se necesita construir la matriz modal M con todos los vectores propios
generalizados. En el ejemplo D.41 se calcularon los vectores asociados a λ 1  = 2. En
vector propio asociado a λ 2  = 0 será:
 0

 0 
0
v = − 0 
0.707
0.707

Por lo tanto la matriz modal será

2
 1 0 0 0 0

2
0
   − 0
1 0
0
0
1.414
0
0
0
0

M =
0  0 1  −1.414 0 0 
0 0 0 0 0.707  − 0.707
0 0 0 0 0.707 0.707

La forma canónica de Jordan será

 2 1 0 0 0 0
  
  2 1 0 0 0 0
0 2 1 0 0 0 0
 2 1 0 0 0 
0 0 2 0 0 0 0 0 2 0 0 0
J = M−1 AM =
 0 0 0 2 1 0
 =
0
 0 0 2 1 0 
 0 0 0 0 2 0  0 0 0 0 2 0
0 0 0 0 0 0
0 0 0 0 0   0

Nótese que el valor propio   λ1   = 2   tiene dos bloques de Jordan asociados de

tamaño 3 y 2  respectivamente, tal como se podrı́a infereir de su diagrama de Matt-
hew: el diagrama tiene dos columnas, la primera de altura 3 y la segunda de altura
2.
El valor propio λ 2  = 0 no se repite, y por tanto tiene un único bloque de jordan
asociado de tamaño 1.

279
 

OSCAR G. DUARTE

D.7. Forma canónica real de Jordan

Dado que los valores propios de una matriz pueden ser complejos, en general
las matrices J y M que aparecen en las ecuaciones (D.37), (D.38) y (D.39) serán
complejas.
No obstante, cuando existen valores propios complejos es posible efectuar
otro cambio de coordenadas diferente que produce también una matriz diagonal
por bloques, pero real, conocida como la  forma can´ 
onica Real de Jordan .

D.7.1. Bloques de Jordan de tamaño 1

Supóngase que la matriz A tiene dos valores propios complejos conjugados
−
λi   = a + jb y λi+1   = a  jb, y que cada uno de estos valores tiene un bloque
de Jordan de tamaño 1 asociado a los vectores propios generalizados v k  y v k+1 ,
que también son complejos conjugados. Es decir, la forma canónica de Jordan
de A  es de la forma
 ..
.

J = M −1 AM =
 a + jb   0

 0   a  jb − 
..
.

M =
···   vk   vk+1   ···
La forma canónica real de Jordan remplaza los dos bloques de tamaño 1 por
uno de tamaño 2 de la forma   
 a b
b a −
Es decir, la forma canónica real de Jordan de A  será
 ..
.

JR  = M − 1
 a b

R   AMR  = −b a
 ..
.

La matriz modal real MR  se obtiene remplazando en  M los vectores com-
plejos conjugados v k  y v k+1  por dos vectores reales con la parte real y la parte
imaginaria de v, es decir

MR  =
···   Re(vk ) Im(vk )   ··· 
Ejemplo D.43  Sea la matriz A

0 0.5
 0
A = 0 0   − 2
1 1  − 2

280
 

D.7. FORMA CANÓNICA REAL DE JORDAN

Los valores propios de A  son

λ1  = −1   λ2,3  = −0.5 ± j0.866
La forma canónica de Jordan de A  y la matriz modal que la producen son:
− 1 0 0

J =   − 0
0
0.5 + j0.866
0   − −
0
0.5  j0.866

− 0.408 (−0.015 − j0.408) (−0.015 + j0.408)

M =  0.816 (0.721 + j0.382) (0.721 − j0.382) 
0.408 (0.346 − j0.217) (0.346 + j0.217)
Para obtener la Forma Canónica Real de Jordan de A construimos la matriz real
MR , y verificamos.
− 0.408   −0.015   −0.408 
MR  =  0.816 0.721 0.382 
0.408 0.346   −0.217

−1 0 0

JR  = M − 1
R   AMR
0   −0.5 0.866 
0   −0.866   −0.5

Otra alternativa
dado un bloque  
a + jb   0
Ji  =
0   a  jb −
existe una matriz   N   tal que   NAN−1 es real, con la forma canónica real de
Jordan:    
N =
−
(1  j) (1 + j)
  NAN−1 =
 a b
(1 + j) (1  j) − b a −
Una interpretación
Un bloque real de jordan J r  asociado a un valor propio a + jb  puede reescri-
birse de la siguente forma:

Ji  =
   
 a b
 =
a  0
+
 0   b
 = aI + bL
−b a 0  a b 0 −
En donde I  es la matriz identidad, y L  es una matriz que cumple un papel
 −
similar a j  = ( 1), ya que

J =
   0 1
J2 = −I
−1 0
De esta manera, un bloque de real de Jordan puede interpretarse como un
número complejo matricial.

281
 

OSCAR G. DUARTE

D.7.2. Bloques de Jordan de tamaño mayor que 1

dado un bloque
 a + jb   1 0 0

 0   a + jb   0 0 
Ji  =
0 0   a  jb   1 −
0 0 0   a  jb −
Su forma canónica real de Jordan es
 a b   1 0

JRi  =
− b a  
0 0  
0 1
a b

0 0  − b a

En la diagonal está la nueva presentación de los e-valores, como bloques

reales de Jordan y sobre la diagonal está la matriz identidad. Para obtener está
matriz puede procederse de forma similar a como se hace con los bloques de
tamaño 1, es decir, remplazar los vectores propios complejos conjugados por
vectores con las partes real e imaginaria de éstos.
En general J Ri  será de la forma:
 (aI + bL)   I 0   ···   0 0

 0   (aI + bL)   I   ···   0 0 
.. .. .. .. .. .. (D.40)
 . . . . . . 
0 0 0   ···   (aI + bL)   I
0 0 0   ···   0   (aI + bL)

D.8. Funciones de matrices cuadradas

Sea f (σ) una función que opera sobre un escalar, y sea  A una matriz cua-
×
drada n n. En esta sección se aborda el problema de cómo calcular f (A), es
decir, cómo extender f (σ) de los escalares a las matrices.

D.8.1. Polinomios de matrices

Si   f (σ) es un polinomio, la extensión a las matrices se fundamenta en la
definición
Ak = AA
  ···  
A A0 = I   (D.41)
k  veces

Si la matriz A  tiene una representación canónica de Jordan J  obtenida con

la matriz modal M, es decir, si A  = MJM −1 entonces

Ak = (MJM−1 )(MJM−1 ) (MJM−1 ) = M (J J) M−1

   ···       ···  
k  veces k  veces

282
 

D.8. FUNCIONES DE MATRICES CUADRADAS

Ak = MJ k M−1 (D.42)

Como J es una matriz diagonal por bloques, el cálculo de J k puede efectuarse
como sigue:

J1   0   ···   0
 
Jk1   0   ···
  0

0 J2
   ···   0  0 Jk2
   ···
  0 
k
J = . ..   . .   .. J = . ..   . .   ..
..
 . . .  ..  . . . 
0 0   ···   J n 0 0   Jkn
  ···
Empleando la definición (D.41), un polinomio genérico
f (σ) =  a 0  + a1 σ + a2 σ 2 + ··· + a nσ
n

puede calcularse en A  como

f (A) =  a 0 I + a1 A + a2 A2 + ··· + anA
n

o en función de las matrices M  y  J:

f (A) = a 0 MM−1 + a1 MJM−1 + a2 MJ2 M−1 + ··· + a n
n MJ M

f (A) = Mf (J)M−1 (D.43)

k
Ejemplo D.44   Calcular A cuando A  es una matriz diagonal:

λ1   0   ···   0
 
λk1   0   ···
  0

0   λ2
   ···   0  0   λk2
   ···
  0 
k
A = . ..   . .   A = .
..
 . . ...  ..  ..   . .   ..
. . . 
0 0   ···   λ n 0 0   λkn
  ···
k
Ejemplo D.45   Calcular A cuando A es una matriz con la forma de los bloques
reales de Jordan para el caso en que los valores propios son imaginarios puros

A =
 
 0   b
−b   0
calculamos los primeros términos A 1 , A2 , A 3 , A4 , A 5 y A 6 :

A1 =
  − 
 0   b
  A2 =
b2 0
  A3 =
 0   −b3 
b2 b3

A4 =
−     − 
b  0
b4 0
  A5 =
0
  0   b5
  A6 =
− b6
0
0

0   b4 − b5 0 0   −b6
Observando la secuencia se puede inferir que
  − 
( 1) 2 bk
k
0
 k   si k es par
− 0 ( 1) 2 bk
k
A =   k−1
−  0 ( 1) 2   bk
k+1   si k  es impar
 ( 1) 2 bk
− 0

283
 

OSCAR G. DUARTE

Ejemplo D.46   Calcular Ak cuando A es una matriz con la forma de los bloques
de Jordan; para ilustrar este caso supongamos una matriz de tamaño 5 5 ×

λ   1 0 0 0

0   λ   1 0
 0 
A = 0 0   λ   1 0
0 0 0   λ  
 1 
0 0 0 0   λ

Calculamos los primeros términos A 1 , A 2 , A 3


λ   1 0 0 0
 
λ2 2λ   1 0 0

0   λ   1 0
 0  0   λ2 2λ   1
 0 
A1 = 0 0   λ   1 0 A2 = 0 0   λ2 2λ   1
2
0 0 0   λ  
 1  0 0 0   λ 2λ 
0 0 0 0   λ 0 0 0 0   λ2

λ3 3λ2 3λ   1 0
 
λ4 4λ3 6λ2 4λ   1

0   λ3 3λ2 3λ   1
  0   λ4 4λ3
 6λ2 4λ 
A3 = 0 0   λ3 3λ2 3λ A4 = 0 0   λ4 4λ3 6λ2
0 0 0   λ3 3λ2  0 0
 0   λ4 4λ3 
0 0 0 0   λ3 0 0 0 0   λ4

λ5 5λ4 10λ3 10λ2 5λ
 
λ6 6λ5 15λ4 20λ3 15λ2

0   λ5
 5λ4 10λ3 10λ2  0   λ6
 6λ5 15λ4 20λ3 
A5 = 0 0   λ5 5λ4 10λ3 A6 = 0 0   λ6 6λ5 15λ4
0 0 0   λ5 5λ4  0 0
 0   λ6 6λ5 
0 0 0 0   λ5 0 0 0 0   λ6

Puede verse que Ak es una matriz triangular superior, en la que los elementos
de la fila   i son los mismos elementos de la fila  i + 1  pero están desplazados una
casilla a la derecha.
Los términos de la diagonal son  λk . Denotemos por aj   un elemento que esté
desplazado j  casillas de la diagonal en cualquier fila;  a j   será

aj  =
  
k!
0
−
k j
  si j < k
  aj  =

k
λk−j
j !(k j )! λ
− si j k  ≥  j

Este resultado se puede generalizar para una matriz  n × n con la forma de los
bloques de Jordan:
λ   1 0
   0   ··· 
0   λ   1    0   ··· 
A = ... ...   . . .   ... ..
.
 0 0   ···   λ   1

0 0   ···   0   λ

284
 

D.8. FUNCIONES DE MATRICES CUADRADAS

λk
   k!
1!(k 1)! λ
−
k 1 −   k!
2!(k 2)! λ
−
k 2 − ···   k!
(n 1)!(k n+1)! λ
−
k n+1
−
− 
 k   k! k 1 −   k! k n+2 −
0   λ 1!(k 1)!
− λ ··· (n 2)!(k n+2)!
− λ −

Ak = ...  ..
.
  ..
.
  ... ..
.  (D.44)
  k! k 1 −
0 0 0   λk 1!(k 1)! λ
−
k
0 0 0 0   λ
En caso de que un exponente k − j sea negativo, el término correspondiente en
D.44 será 0

D.8.2. Funciones como series de potencias

Es posible extender una función   f (σ) de los escalares a las matrices em-
pleando la representación de f (σ) en series de Taylor expandidas alrededor de
0 (series de MacLaurin):

f (σ) =
∞ σk dk f (σ)
  (D.45)
k! dσk σ
k=0

Empleando (D.45) se puede expresar f (σ) como un polinomio de σ. Si A  es

una matriz cuadrada, puede calcularse f (a) empleando ese polinomio.
Las siguientes son las expansiones de algunas funciones comunes:

 σt  σ 2 t2  σ 3 tk  σ 4 tk
eσt = 1 +  +  +  +  + ···   (D.46)
1! 2! 3! 4!

2 2 4 4 6 6 8 8
cos σt = 1 −  σ2!t   + σ4!t   −  σ6!t   +  σ8!t   + ···   (D.47)

3 3 5 5 7 7
  σt
sin σt =
1!
 −  σ3!t   +  σ5!t   −  σ7!t   + ···   (D.48)

Ejemplo D.47   Sea A una matriz diagonal como la del ejemplo D.44. Para calcular
eAt podemos emplear (D.46)

 At  A2 t2  A3 tk  A4 tk

eAt = I +  +   +   +   + ···
1! 2! 3! 4!
que de acuerdo con los resultados del ejemplo D.44 se calculará asi:

1 0   ···   0  
λ1   0   ···   0
 λ21   0
   ···   0

0 1
   ···   0    t 0   λ2
   ···   0   t 0   λ22
2    ···   0 
eAt = . .   ..   .. + . ..   . .   + + ···
.. ..
 . .  1! ..  . . ...  .
2! ..
..   . .
.  .
  ... 
0 0   ···   1 0 0   ···   λ n 0 0   ···   λ2n

285
 

OSCAR G. DUARTE


(1 +   λ1!1 t  +
  λ21 t2
2!   + ··· ) 0   ···   0

   λ22 t2 
0 (1 +   λ1!2 t  + 2!  + ··· )   ···   0
eAt = .. ..  
 . .
  ..
. ... 
0 0   ···   (1 +   λ1!1 t  + ··· )
Cada uno de los términos de la diagonal corresponde a la expansión de en series
de Taylor de una exponencial como las de (D.46), por lo tanto  e At será:

eλ1 t 0   0   ··· 
0   eλ2 t
   0 ··· 
eAt = .. ..   . .   ..
.  . . . 
0 0   eλn t   ···
Ejemplo D.48   Sea A una matriz con la forma de los bloques reales de Jordan para
el caso en que los valores propios son imaginarios puros, como la del ejemplo D.45.
Para calcular e At podemos emplear (D.46)
 At  A 2 t2  A 3 tk  A4 tk
eAt = I +  +   +   +   + ···
1! 2! 3! 4!
que de acuerdo con los resultados del ejemplo D.45 se calculará asi:

eAt =
    −  
1 0
+
  t  0   b  t2
+
b2 0
+
 t3 0   −b3   
+
 t4 b4 0
+ ···
b2 3! b3 4! 0   b4
0 1
 −−1! −
···
b 0

 −
2!
2 2 4 4
  (1   t 2!b   +   t 2!b   + )
0

( tb   t3 b3
0
  t5 b5
3!   + 45!4   + ···
 )
eAt =   t3 b3   t5 b5
1!
  t 2 b2
( tb
− 1!  + 3!  − 5!   + ) (1 ··· −  t b
2!   + 2!   + ··· )
Cada uno de los términos de la matriz corresponde a la expansión de Taylor de una
sinusoide como las de (D.47) y (D.48), por lo tanto e At puede calcularse como

eAt =
   cos(bt) sin(bt)

− sin(bt) cos(bt)
Ejemplo D.49   Sea A  una matriz con la forma de los bloques de jordan como la
del ejemplo D.46. Para calcular  e At podemos emplear (D.46)
 At  A 2 t2  A 3 tk  A4 tk
eAt = I +
 +   +   +   + ···
1! 2! 3! 4!
que de acuerdo con los resultados del ejemplo D.46 se calculará asi:

1 0 0
 
  ··· λ   1 0
 t 0   λ   1
  ···    t
λ2   1
2! λ   1   ··· 
e At
= 0
 1 0   ···
  +   ···  + 0   λk   1!
2! λ   ··· + ···

.. ..   . .   .. 1! .. ..   . .   .. 2! .. ..   . .   .
..
. . . . . . . . . . .
  ∞
k=0
k k
λ t
k!
∞ λ t k−1 k
k=1 1!(k−1)!
 ∞ λ t
k=2 2!(k−2)!
k−2 k 
  ···
eAt =
    0
∞ λk t k
k=0 k!
∞ λk−1 tk
k=1 1!(k−1)!   ···
.. ..   ..   ...
. . .

286
 

D.8. FUNCIONES DE MATRICES CUADRADAS

  
eAt
=
 ∞
k=0
0
λk tk
k!
t
1!
∞ λk−1 tk−1
k=1 (k−1)!
∞ λk tk
k=0 k!
t2
2!
t
1!
 ∞ λk−2 tk−2  
k=2 (k−2)!
∞ λk−1 tk−1  
k=1 (k−1)!
···
··· 
.. ..   ..   .
. . . ..
Efectuando el cambio de variable m  = k − j  se tiene
 
eAt =
 ∞
k=0
0
k k
λ t
k!
t
1!
∞ λm tm
m=0 (m)!
∞ λk tk
k=0 k!
t2
2!
t
1!
 ∞ λm tm  
m=0 (m)!
∞ λm t m  
m=0 (m)!
···
··· 
.. ..   ..   ...
. . .

Cada una de las sumatorias corresponde a la expansión de taylor de una expo-

nencial como la de (D.46), por lo tanto

eλt   1!t eλt   t2 λt
2! e ··· 
λt   t λt
e At
= 0   e
 1! e ···    (D.49)
.. .. ..   ..
. . . .

Ejemplo D.50   Sea A  una matriz con la forma de los bloques reales de Jordan

A =
   a b
−b a

Para calcular e At escribimos A  como la suma de dos matrices:

A =
   a b
 = B + C =
 a   0
+
 0   b
  
−b a b 0 b 0 − −
De tal manera que e At = e Bt eCt . Empleando los resultados de los ejemplos D.47 y
D.48 se tiene que

eBt =
 eat 0
   eCt =
  cos(bt) sin(bt)

0   eat − sin(bt) cos(bt)

y por lo tanto

eAt =
 eat 0
  cos(bt) sin(bt)
 =
 
 e at cos(bt)   eat sin(bt)

0   eat − sin(bt) cos(bt) eat sin(bt)   eat cos(bt) −

D.8.3. Definición de funciones mediante polinomios

Definición D.35 Polinomio mı́nimo de una matriz
Sea  A   una matriz cuadrada. El   polinomio mı́nimo   de   A  es el polinomio mónico
ψ(σ) de menor orden tal que ψ(A) = 0

Teorema D.25   El polinomio mı́nimo de una matriz cuadrada A  es el mismo poli-
nomio mı́nimo de su representación canónica de Jordan J.

287
 

OSCAR G. DUARTE

Demostración D.25   En virtud de (D.43), es claro que   ψ(A) =   0   si y sólo si

ψ(J) = 0.

Definición D.36   Índice de una matriz

Sea A   una matriz cuadrada, cuya forma canónica de Jordan es J, de la forma de
(D.37). Cada valor propio λ j  es de multiplicidad r j  y tiene asociados q j  bloques de
Jordan de la forma de (D.38). Cada bloque es de tamaño hij . Se define el ı́n dice 
del valor propio λ j , denotado por n̄j  como el tamaño más grande de los bloques de
 jordan J ji  asociados al valor propio λ j . Claramente n̄j rj   y n̄j  = máxi hij .  ≤ { }
···
Teorema D.26   Sean λ1 , λ2 ,  , λm , los valores propios de una matriz A con ı́n -
···
dices n̄1 , n̄2 ,  , n̄m   respectivamente. El polinomio mı́nimo de A  es

m
 n̄j
ψ(λ) = (λ −λ ) j (D.50)
j =1

Demostración D.26   De acuerdo con el teorema D.25, basta con demostrar que
(D.50) es el polinomio mı́nimo de J, la forma canónica de Jordan de A.
Consideremos primero la matriz J j  con los bloques de Jordan asociados al valor
propio λ j :

Jj 1   0   0  ··· 
0 Jj 2
   0   ··· 
Jj  = . ..   . .   ..
..
 . . . 
  ···
0 0   Jjqj

n̄j
El polinomio mı́nimo de J   es ψ (λ) = (λ − λ ) como puede comprobarse al
j j j
hij
calcular (J − λ I) :
ji j


0 1 0   ···   0 0

0 0 1   ···   0 0
 
0 0 0   ···   0 0
(J − λ I) = . . .   .   . .
ji j  
.. .. .. . . .. ..
0 0 0   ···   0 1
 
0 0 0   ···   0 0 × hij hij


0 0 1  0   ··· 0

0 0 0
  0   ··· 0 
0 0 0  0   ··· 0
(Jji − λj I)2 = . . .   .   .
 .. 
.. .. .. . . .. .
0 0 0
  0   ··· 0 
0 0 0  0   ··· 0 ×
hij hij

288
 

D.8. FUNCIONES DE MATRICES CUADRADAS

0 0 0
   ···   1 0

0 0 0   ···   0 1 
hij −2
0 0 0   ···   0 0
(Jji − λj I) = . . ..   .

.. .. . ..   .. .. 
. .
0 0 0    ···   0 0 
0 0 0   ···   0 0 ×
hij hij

0 0
 0   ···   0 1

0 0  0   ···   0 0 
0 0 0   ···   0 0
hij −1
(Jji − λj I) = . . .   .   .
.. .. ..
. . .. .. 
.
0 0 0   0   ··· 0 
0 0 0  0   ··· 0 ×
hij hij

hij
(Jji − λ I)
j = 0

De acuerdo con la definición D.36 n̄j  es el tamaño del bloque de Jordan asociado
a λ j  más grande, es claro que (Jji λj I)n̄j = 0 para todos los bloques de Jordan
−
asociados a λ j . Como Jj  es diagonal por bloques, y sus bloques son Jji  se desprende
que (Jj λj I)n̄j = 0 es decir, que el polinomio mı́nimo de J j   es (λ λj )n̄j .
 − −
Siguiendo un argumento similar, como J  es diagonal por bloques, y sus bloques
son J j , se tiene que el polinomio mı́nimo de J  es

 m
n̄j
ψ(λ) = (λ −λ )j
i=j

Ejemplo D.51   Las matrices,


a  0 0 0
 a
   0 0 0
 
a  1 0 0

0
  a   0 0  0    a   1 0  0   a  1
 0 
A1  = A2  = A3  =
0 0   a  0 0 0  a  0 0 0 a   0
0 0 0   b 0 0 0   b 0 0 0   b

que están en la forma canónica de Jordan, tienen todas el mismo polinomio carac-
terı́s tico  ∆(λ) = (λ a)3 (λ b). Sin embargo, el polinomio mı́nimo de cada una
− −
de ellas es diferente, debido a que el ı́ndice de a  es diferente:

para A 1  es ψ 1 (λ) = (λ − a)(λ − b)

para A 2  es ψ 2 (λ) = (λ − a)2 (λ − b)

para A 3  es ψ 3 (λ) = (λ − a)3 (λ − b)

Teorema D.27  (Teorema de Caley-Hamilton) Si  ∆(σ) es el polinomio caracterı́s-

tico de una matriz cuadrada A, entonces ∆(A) = 0

289
 

OSCAR G. DUARTE

Demostración D.27   El polinomio mı́mino de A  es

m
 n̄j
ψ(λ) = (λ −λ )
j
i=j

Mientras que el polinomio caracterı́stico es

m
 nj
∆(λ) = (λ −λ )
j
i=j

Como n̄j  ≤ n , y como ψ(A) = 0, queda demostrado que ∆(A) = 0

j

Definición D.37 Valores de una función en el espectro de una matriz

··· ···
Sean λ1 , λ2 ,  , λm , los valores propios de una matriz A con ı́ndices n̄ 1 , n̄2 ,  , n̄m
respectivamente. Sea ψ  el polinomio mı́nimo de A y sea f  un polinomio cualquiera.
El conjunto de   valores de   f   en el espectro de   A   son los valores:   f (l) (λi )   para

l
f (σ )
l = 0, 1, 2,  , n̄i 1; i  = 1, 2,  , m en donde f (l) (λi ) =   d dσ
··· − ··· l y en total
  σ=λi
m
son n  = i=1 n̄i   valores.

···
Teorema D.28   Sean λ1 , λ2 ,  , λm , los valores propios de una matriz A con ı́n -
···
dices   n̄1 , n̄2 ,  , n̄m   respectivamente. Sea ψ el polinomio mı́nimo de A y sean  f 
y   g  dos polinomios cualesquiera. En esas condiciones cualquiera de las siguientes
afirmaciones es equivalente
1.   f (A) = g(A)
2. Una de dos condiciones se cumple: o bien f  = h 1 ψ + g  ó g =  h 2 ψ + f   para
algunos polinomios h 1 , h 2 .
3. Los valores de f   y de g   en el espectro de  A son iguales f (l) (λi ) = g (l) (λi )
··· −
para l  = 0, 1, 2,  , n̄i 1; i = 1, 2,  , m. ···
Demostración D.28   Dado que ψ(A) = 0  es evidente la equivalencia de las afir-
maciones 1 y 2. Para demostrar la equivalencia entre 2 y 3 basta recordar que

m
ψ(λ) = j=1 (λ λj )n̄j y calcular las derivadas f (l) (λi ) y  g (l) (λi ).
−
Definición D.38 Funciones de matrices cuadradas
Sea f (λ)   una función, no necesariamente un polinomio, definida en el espectro
de  A. Si g(λ) es un polinomio que tiene los mismos valores en el espectro de  A
entonces se define f (A) =  g(A).

La definición D.38 brinda una posibilidad para extender a las matrices cua-
dradas una función f (λ) definida para escalares. Es decir, permite calcular  f (A)
buscando un polinomio adecuado g  y calculando g(A). El procedimiento com-
pleto puede resumirse asi:
×
Sea f (λ) una función, y sea A  una matriz n n. Para calcular f (A) deben
seguirse los siguientes pasos

290
 

D.8. FUNCIONES DE MATRICES CUADRADAS

1. Obtener el polinomio caracterı́stico de A

 m
ni
∆λ = (λ −λ ) i
i=1

2. Definir el polinomio g (λ)

g(λ) = α 0  + α1 λ + α2 λ2 + ··· + α −1λ −1

n
n

···
en donde α 0 ,  , αn−1  son desconocidas. Cualquier otro polinomio de or-
−
den n 1 es igualmente válido.

3. Plantear n  ecuaciones igualando los valores de f   y g  en el espectro de A
f (l) (λi ) = g (l) (λi ) para l  = 0, 1, 2,
··· , n̄ − 1; i  = 1, 2, ··· , m
i

4. Obtener α 0 , ···  , α −1  a partir de las n  ecuaciones del punto anterior

n

5. Calcular f (A) = g(A) = α0 I + α1 A + α2 A2 + ···  , +α −1 A −1 n

n

Ejemplo D.52   Calcular A 50 con

A =
  1 3
0 1

El problema puede plantearse también de la siguiente forma: dada f (λ) = λ 50

calcular  f (A). Empleamos el procedimiento propuesto:

1. El polinomio caracterı́stico de A  es

∆λ = (λ − 1)2
2. Definimos el polinomio
g(λ) = α0  + α1 λ

3. Obtenemos las ecuaciones

f (0)(1) = 150 = 1   g (0) (1) = α0  + 1α1

f (1)(1) = 50 149 = 50
·   g (1) (1) = α1
f (0)(1) = g (0)(1)   α0  + α1  = 1
f (1)(1) = g (1)(1)   α1  = 50

4. obtenemos α 0   y α1 :
 α0  + α1  = 1
 α0  = 49 −
α1  = 50
⇒ α1  = 50

291
 

OSCAR G. DUARTE

5. Calculamos f (A) = g(A)

f (A) =  g(A) = −49

     
1 0
+ 50
1 3
 =
1 150
0 1 0 1 0 1

Ejemplo D.53   Calcular f (A) cuando A es una matriz con la forma de los bloques

de Jordan. Para ilustrar suponemos una matriz de orden 4 4 ×
λ1   1 0 0

0   λ1   1
 0 
0 0   λ1   1
0 0 0   λ1

Empleamos el procedimiento propuesto:

1. El polinomio caracterı́stico es

δ (λ) = (λ − λ1 )4
2. Definimos un polinomio de orden 3

g(λ) =  α 0 + α1 (λ − λ1 ) + α2 (λ − λ1)2 + α3(λ − λ1 )3

3. Obtenemos 4  ecuaciones
f (λ1 ) =  g(λ1 ) =  α0
f (1) (λ1 ) =  g (1) (λ1 ) = 1!α1
f (2) (λ1 ) =  g (2) (λ1 ) = 2!α2
f (3) (λ1 ) =  g (3) (λ1 ) = 3!α3

4. Obtenemos los valores de α i :

α0  = f (λ1 )
α1  = f (1) (λ1 )/1!
α2  = f (2) (λ1 )/2!

α3  = f (3) (λ1 )/3!

5. Calculamos f (A) = g(A)

f (1) (λ1 ) f (2) (λ1 ) f (3) (λ1 )

f (A) = f (λ1 )I+   (A λI)+ −   (A λI)2 +   (A λI)3
− −
1! 2! 3!

1
 0 0 0
 0 1 0

0
0 1 0 0  f (1) (λ1 ) 0
 0 1 0

f (A) = f (λ1 ) + +
0 0 1 0 1! 0 0 0 1
0 0 0 1 0 0 0 0

292
 

D.8. FUNCIONES DE MATRICES CUADRADAS

 0 0 1 0
  0 0 0

1
f (2) (λ1 )  0 0 0 1  f (3) (λ1 )
  0 0 0 0

+
2! 0 0 0 0 3! 0 0 0 0
0 0 0 0 0 0 0 0
 f (λ1 )   f (1) (λ1 )
1!
f (2) (λ1 )
2!
f (3) (λ1 )
3!

   f (1) (λ1 ) f (2) (λ1 ) 
f (A) = 0   f (λ1 ) 1! 2!
  f (1) (λ1 )
 0 0   f (λ1 ) 1!

0 0 0   f (λ1 )

Siguiendo un procedimiento similar puede obtenerse   f (A)   cuando   A   es una

×
matrix n n con la forma de los bloques de Jordan
 f (λ1 )   f (1) (λ1 )
1!
f (2) (λ1 )
2!   ···   f (n−1) (λ1 )
(n 1)! −

 0   f (λ1 )   f (1) (λ1 )
1!   ···   f (n−2) (λ1 )
(n 2)! −

f (A) =   f (n−3) (λ1 ) (D.51)
 0 0   f (λ1 )   ··· (n 3)! − 
.. .. ..   ..  
...
 . . . . 
0 0 0   ···   f (λ1 )

Ejemplo D.54   Calcular f (A) cuando A es una matriz con la forma de los bloques

de Jordan y f (λ) =  e λt.
Empleando (D.51) se obtiene directamente e At

eλt   1!t eλt   t2! eλt
2
···

λt   t λt
e At
= 0   e
 1! e ···    (D.52)
.. ..   . .   ..
. . . .

Nótese que las derivadas en (D.51) son respecto a λ. Vale la pena comparar los
resultados (D.49) y (D.52)

Ejemplo D.55   Calcular f (A) cuando A es una matriz con la forma de los bloques

de Jordan y f (λ) = (s λ)−1 .
−
Empleando (D.51) se obtiene directamente (sI A)−1 : −
 1
(s λ1 )
−
1
(s λ1 )2
−
1
(s λ1 )3
−   ··· 
  1 1
 0 ( s λ1 )
− (s λ1 )2
−   ··· 
(sI − A)−1 = 0 0   1
( s λ1 )
−   ··· (D.53)
 ..
.
..
.
  ..
.
  ...


293
 

OSCAR G. DUARTE

294
 

Bibliograf ́ıa

[1] Fabiola Angulo.  An´ alisis de Sistemas de Control No Lineales . Facultad de

Ingenierı́a Universidad Nacional de Colombia, Sede Manizales, 1999.

[2] Antsaklis y Michel. Linear Systems . Mc GrawHill.

[3] Karl J. Astrom y Bjorn Wittenmark. Computer Controlled Systems. Theory 

and Design . Prentice Hall, 1997.

[4] Thomas J. Cavicchi. Digital Signal Processing . John Wiley and Sons, 2000.

[5] Chi-Tsong Chen.   Linear System Theory and Design . Oxford Press.

[6] Chi-Tsong Chen.   Analog and Digital Control System Design . Saunders
College Pubkishing, 1993.

[7] John J. D’azzo y Constantine Houpis.   Linear Control Systems Analysis 

and Design . Mc GrawHill, 1988.

[8] Eronini, Umez, y Eronini.   Din´ 

amica de Sistemas y Control . Thomson
Learning, 2001.

[9] CloseÑ. Frederick.   The Control Handbook , chapter Graphical Modeles, pa-
ges 85–98. CRC Press and IEEE Press, 1996.

[10] John Guckemheimer y Philip Holmes.   Nonlinear Oscillations, Dynamical 

Systems and Bifurcations of Vector Fields . Springer Verlag, 1983.

[11] G.H. Hostetter, C.J. Savant, y R.T. Stefani.   Sistemas de Control . Intera-
mericana, 1987.

[12] Benjamin Kuo.  Digital Control Systems . Oxford press, 1992.

[13] Benjamin Kuo.  Sistemas Autom´ 

aticos de Control . Mc. GrawHill, 1995.

[14] William S. Levine.   The Control Handbook . CRC Press and IEEE Press,
1996.

[15] Douglas K. Lindner.   Introducci´  nales y los sistemas . Mc. Graw

on a las se˜ 
Hill, 2002.

295
 

OSCAR G. DUARTE

[16] Lennart Ljung.  System Identification . Prentice hall.

[17] William L. Luyben, Bjorn D. Tyreus, y Michel L. Luyben.  Plantwide Pro-
cess Control . Mc Graw Hill, 1999.
[18] Adolfo Mora.  Tecnologı́a del Control de Procesos Industriales . Facultad de
Ingenierı́a Universidad Nacional de Colombia, 1987.
[19] Babatunde A. Ogunnaike y W. Harmon Ray. Process Dynamics, Modeling,
and Control . Oxford Press, 1994.
[20] Alan V. Oppenheim, Alan S. Willsky, y Hamid Nawab.   Signals and Sys-
tems . Prentice Hall, 1996.
[21] Alexander D. Poularikas.   The Transforms and Applications Handbook .
CRC Press and IEEE Press, 2000.
[22] M..V.C Rao y A.K. Subramanian. Elimination of singular cases in jury’s
test. IEEE Transactions on Automatic Control , AC-21(Feb. 1976):114–115.
[23] Mathukumalli Vidyasagar.   Nonlinear Systems Analysis . Prentice Hall,
1993.

296
 

Índice analı́tico

Ak , 282–285 Caley-Hamilton, 289

álgebra lineal, 140–157, 239–293 campo, 140, 240
amortiguamiento viscoso, 11 caos, 206
amortiguamiento viscoso rotacional, 11 capacitancia, 9, 11
ángulo entre vectores, 252 capacitancia térmica, 11
anillo, 240 carta de Nichols, 235–237
con unidad, 240 coordenadas polares, 237
conmutativo, 240 coordenadas rectangulares, 237
modulativo, 240 caudal, 11
anulativa, 140, 241 causalidad, véase   modelos causales
área de tanque, 11 condicionada, 17
asociativa, 140, 239–241 en grafos de enlace de potencia, 17
autovalor, véase  valores propios fija, 17
autovector,  véase  vectores propios indiferente, 18
preferida, 17
base, 141, 178, 242–246
centro, 172
cambio de, 141, 180, 245–246
ceros,   véase   función de transferencia,
y transformaciones lineales, 248–
efecto de los ceros
250
cerradura, véase   clausurativa
bifurcaciones, 205
ciclos lı́mite, 203
Bode
circunferencia unitaria, 252
caso continuo, 107–112
criterio, 109 clausurativa, 140, 239–241
diagramas, 109, 229–230 codominio, 256
caso discreto, 129–131 combinación lineal, 141, 242
diagramas, 130 condiciones auxiliares, 21, 22, 159
bola unitaria, 251 condiciones iniciales, 21, 22, 24, 159
Bond Graphs ,   véase   grafos de enlaces conductancia, 11
de potencia conjunto generado, 141, 243
conjunto generador, 141, 243
caja blanca, véase  modelos de caja blan- conmutativa, 140, 239–241
ca continuos
caja gris, véase  modelos de caja gris modelos, véase  modelos continuos
caja negra, véase  modelos de caja ne- control
gra por realimentación, 89

297
 

OSCAR G. DUARTE

por variable de estado, 187–193 eAt , 156, 157, 166, 285–287

controlabilidad, 190–191 ecuación
de estado, 191 de estado, 157
de salida, 191 de salida, 157
test de, 190 ecuaciones de diferencia, 22–23
convolución, 214, 220 condiciones auxiliares, 22
continua, 63 condiciones iniciales, 22
discreta, 57 lineales, 23–24
coordenadas, 141, 243 métodos de solución, 24–27
unicidad, 244 ordinarias de coeficientes constan-
corriente, 11 tes, 8
de armadura, 161 representación de estado, 163
de campo, 161 Z 
solución mediante transformada ,
crecimiento demográfico, 162 39–41
y sistemas discretos, 45
degeneracidad, 148, 267 ecuaciones de diferencias finitas, véase 
desigualdad de Sylvester, 261 ecuaciones de diferencia
desplazamiento en el tiempo, 215 ecuaciones diferenciales, 21
desplazamiento en la frecuencia, 211 condiciones auxiliares, 21
determinı́s ticos,   véase   modelos deter- condiciones iniciales, 21
minı́s ticos lineales, 23–24
diagonalización, 146, 265 métodos de solución, 24–27
por bloques, 148, 150 ordinarias de coeficientes constan-
diagrama de Matthew, 151, 273–275 tes, 8
diagramas de bloques, 48 representación de estado, 163
equivalencias, 48 solución mediante transformada de
diagramas de flujo de señal, 48–55 Laplace, 39–41
camino directo, 50 y sistemas continuos, 43
ganancia de camino directo, 50 entalpı́a , 11
ganancia de lazo cerrado, 50 entrada-salida, véase  modelos de entrada-
lazo cerrado, 50 salida
lazos adyacentes, 50, 52 error de estado estacionario, 91–93
lazos no adyacentes, 50, 52 escalamiento en la frecuencia, 218
regla de Mason, 52 escalares, 140
diferencia de temperatura, 11 esfuerzo, 9–11
diferencia positiva, 216 fuentes de, 12
diferenciación, 210 espacio de estado, 176–180
diferencias finitas, véase  ecuaciones de espacio vectorial, 140–144, 176, 239–
diferencias 246
dimensión, 141, 178, 243 base, 141, véase  base, 243
dinámicos, véase  modelos dinámicos cambio de, 141, 245–246
discretos definición, 241
modelos, véase   modelos discretos dimensión, 141, 243
distancia entre vectores, 251 estabilidad
distributiva, 140, 240, 241 BIBO, 93
Duffing, 204 de entrada-salida, 93

298
 

ÍNDICE ANALÍTICO

local, 201 forma canónica de Jordan, 146–154, 167,

marginal, 98 178, 182, 183, 278–282
merginal, 94 forma real, 280–282
sistemas realimentados continuos, fracciones parciales, 36–39
93–121 fuente, 172
Bode, diagramas y criterio de, fuentes
véase  Bode, caso continuo de esfuerzo, 12
lugar geométrico de raices,  véa- de flujo, 12
se   root-locus, caso continuo fuerza, 11
Nyquist, diagrama y criterio de, fuerza magnetomotriz, 11
véase  Nyquist, caso continuo función de transferencia, 47
Root-Locus, véase   root-locus efecto de los ceros, 83–86
Routh-Hurwitz, arreglo y crite- matriz de funciones, 184, 186
rio de, véase  Routh-Hurwitz y respuesta al impulso, 56, 62, 63
sistemas realimentados discretos, función impulso unitario, 56, 59
122–135 caso continuo, 59
Bode, diagramas y criterio de, caso discreto, 56
véase  Bode, caso discreto funciones de matrices cuadradas, 154–
Jury, arreglo y criterio de, véase  157, 282–293
Jury
lugar geométrico de raı́ces,  véa- grafos de enlaces de potencia, 11–20
se   root-locus, caso discreto aplicados a circuitos eléctricos, 20
Nyquist, diagrama y criterio de, aplicados a sistemas traslaciona-
véase  Nyquist, caso discreto les, 20
root-locus, véase  root-locus, ca- causalidad, véase  causalidad
so discreto ecuaciones, 18
transformación bilineal, véase  trans- elementos, 11
formación bilineal activos, 11
estado, 137–193 de 1 puerto, 11
definición, 159 de 2 puertos, 11
multipuerto, 11
ecuaciones de, 138–139
pasivos, 11
ventajas, 137
transformadores de potencia, 11
estáticos, véase  modelos estáticos
fuente, véase   fuentes
estimador de estado, 192
rotador, 12
estocásticos,   véase   modelos estocásti-
transformador, 12
cos
uniones, 11, véase  uniones
estrategia hı́brida, 4
variables, 11
estructuras algebráicas, 239
Gram-Schmidt, 253
grupo, 239
fase mı́n ima, véase  sistemas de fase mi-
nima identificación de sistemas, 4
flujo, 9–11 impulso, véase  respuesta al impulso
fuentes de, 12 independencia lineal, 141, 178, 242
flujo de calor, 11 ı́ndice de una matriz, 288
flujo magnético, 11 inductancia, 9, 11

299
 

OSCAR G. DUARTE

integrador, 158 de entrada-salida, 4

interno, véase  modelos interno de parámetros concentrados, 6
invariantes,  véase  modelos invariantes de parámetros distribuidos, 6
en el tiempo de sistemas, 2
invertiva, 140, 239–241 de software, 3
definición, 2–3
Jordan, véase   forma canónica de Jor- determinı́sticos, 6
dan discretos, 7
Jury, 124–128 el mejor, 3
arreglo estáticos, 6
construcción, 124 estocásticos, 6
problemas, 128 gráficos, 3
criterio, 125 interno, 4
invariantes en el tiempo, 7
Laplace, véase  transformada de Lapla- lineales, 6
ce lingüı́s ticos, 2
linealidad, 6, 23, 209, 216 matemáticos, 3
Lotka-Volterra, 201 mentales, 2
no causales, 4
M -circunferencias, 236 no estaticos, 6
MacLaurin, 155 no lineales, 6
márgenes de estabilidad, 109 perfectos, 3
margen de fase, 109 útiles, 3
margen de ganancia, 109 utilizados, 8–9
masa de inercia, 11 variantes en el tiempo, 7
Mason, véase  regla de Mason modulativa, 140, 239–241
matriz de funciones de transferencia, momento de inercia, 11
184, 186 motor eléctrico, 161
matriz de transición de estado, 180– multiplicidad, 262
181, 183
matriz diagonalizada, 146, 265 N -circunferencias, 236–237
matriz fundamental, 178, 180 Nichols, véase  carta de Nichols
matriz modal, 147, 265 nivel de lı́quido, 11
Matthew, véase  diagrama de Matthew no linealidades
migración, 163 dinámicas, 197
MIMO, véase  sistemas MIMO estáticas, 195
MISO, véase  sistemas MISO norma
modelamiento de sistemas, 4 de un vector, 250
modelos de una matriz, 253
causales, 4 inducida, 251
clasificación, 4–7 normas
construcción, 3–4 de matrices, 250–255
continuos, 7 de vectores, 250–255
de caja blanca, 4 nulidad, 151, 259, 269, 270
de caja gris, 4 Nyquist
de caja negra, 4 casi discreto

300
 

ÍNDICE ANALÍTICO

trayectoria, 133 rango, 256, 257

caso continuo, 112–121 región de estabilidad
criterio, 119 sistemas continuos de primer or-
diagrama, 117 den, 66
trayectoria, 117 sistemas discretos de primer orden,
caso discreto, 133–135 68
región de inestabilidad
observabilidad, 191–193 sistemas continuos de primer or-
test de, 192 den, 66
observador de estado, 192 sistemas discretos de primer orden,
órbitas 68
homoclı́nicas, 204 región de tiempo de asentamiento má-
periódicas, 201 ximo
ortogonalidad, 252 sistemas continuos de primer or-
ortonormalidad, 252 den, 67
ortonormalización sistemas siscretos de primer orden,
proceso de Gram-Schmidt, 253 70
oscilador regla de Mason, 52–55
de Duffing, 204 representación de estado, véase  estado
de Van der Pol, 203 representación en espacio de estado, véa-
se   estado
parámetros, 9, 11 representación en variables de estado,
parámetros concentrados, véase  mode- véase  estado
los de parámetros concentra- resistencia, 9, 11
dos resistencia hidraúlica, 11
parámetros distribuidos,   véase   mode- resistencia térmica, 11
los de parámetros distribuidos resorte, 11
péndulo, 199, 201 resorte torsional, 11
plano de fase, 172 respuesta
polinomio al impulso, 55–63
ubicación de las raices, 94 y función de transferencia, 56,
polinomio caracterı́stico, 24, 144, 262 62, 63
polinomio mı́nimo, 287 de entrada cero, 43–46, 184, 186
polinomios de matrices, 282 de estado cero, 43–46, 184, 186
polos dominantes, 87–88 retardo, 158
potencial quı́mico, 11 retrato de fase, 179
presión, 11 retratos de fase, 172–176
principio del argumento, 114 root-locus
producto caso continuo, 101–107
interior, 250 caso discreto, 128–129
interno, 250 complementario, 101
proporcionalidad, 6, 23 condiciones, 103
pérdida de  197 criterio, 101
”
punto de equilibrio, 176 reglas de construcción, 105
múltiples, 199 rotador, 12
punto de silla, 172 Routh-Hurwitz

301
 

OSCAR G. DUARTE

arreglo, 95 frecuencia máxima de oscilación,

construcción, 95 73
división por cero, 99 función de transferencia, 70
problemas, 99 polos, 70
terminación prematura, 100 región de diseño, 76
criterio, 97 región de estabilidad, 71
región de frecuencia máxima de
señales oscilación, 73
definición, 2 región de sobrepico máximo, 75
series de MacLaurin, 155, 285 región tiempo máximo de asen-
series de potencias, 285 tamiento, 73
series de Taylor, 155, 166, 285 sobrepico máximo, 75
sifón, 172 tiempo máximo de asentamien-
SIMO, véase  sistemas SIMO to, 73
SISO, véase  sistemas SISO error de estado estacionario, 91–92
excitados, 183–185
sistema, 11
libres, 165–181
desacoplado, 185, 186
polos dominantes, 87
sistemas
realimentados, véase  sistemas rea-
de fase mı́nima, 83–86
limentados
definición, 1–2
respuesta al impulso, 59–63
eléctricos, 11
tipo de sistema, 91–92
fı́s icos, 9–11
y ecuaciones diferenciales, 43
hidraúlicos, 11
Sistemas de ecuaciones algebráicas, 255–
magnéticos, 11 261
mecánicos rotacionales, 11 sistemas discretos
mecánicos traslacionales, 11 de primer orden, 68–70
MIMO, 2 estabilidad, 68
MISO, 2 función de transferencia, 68
modelos de, 2 polos, 68
no lineales, 195–206 región de estabilidad, 68
SIMO, 2 región de inestabilidad, 68
SISO, 2 región de tiempo de asentamien-
térmicos, 11 to máximo, 70
sistemas continuos tiempo de asentamiento, 70
de primer orden, 66–67 de segundo orden, 78–83
estabilidad, 66 estabilidad, 80
función de transferencia, 66 frecuencia máxima de oscilación,
polos, 66 82
región de estabilidad, 66 función de transferencia, 78
región de inestabilidad, 66 polos, 78
región de tiempo de asentamien- región de diseño, 83
to máximo, 67 región de estabilidad, 80
tiempo de asentamiento, 67 región de frecuencia máxima de
de segundo orden, 70–78 oscilación, 82
estabilidad, 71 región de sobrepico máximo, 82

302
 

ÍNDICE ANALÍTICO

región de tiempo máximo de asen- transformada de Laplace, 24, 27–41, 167,

tamiento, 80 209–215, 221–223
sobrepico máximo, 82 convolución, 214
tiempo máximo de asentamien- definición, 27
to, 80 desplazamiento en el tiempo, 215
error de estado estacionario, 92–93 desplazamiento en la frecuencia, 211
excitados, 185–187 diferenciación, 210
libres, 181–183 inversa, 28
polos dominantes, 88 inversas por fracciones parciales,
realimentados, véase  sistemas rea- 36–39
limentados linealidad, 209
respuesta al impulso, 56–59 multiplicación por t, 212
tipo de sistema, 92–93 parejas, 31–35, 221–223
y ecuaciones de diferencia, 45 propiedades, 29, 31, 209–215
sistemas realimentados, 89–135 teorema de valor final, 91, 213
error de estado estacionario, 91–93 teorema de valor inicial, 213
estabilidad, véase  estabilidad transformada bilateral, 28
función de transferencia, 89  Z 
transformada , 24, 27–41, 182, 183,
función de transferencia del error, 215–220, 223–228
90 convolución, 220
tipo de sistema, 91–93 definición, 28
sistemas retroalimentados, véase  siste- diferencia positiva, 216
mas realimentados escalamiento en la frecuencia, 218
solución homogénea, 24 inversa, 28
solución particular, 24 inversas por fracciones parciales,
subespacio, 141, 242 36–39
subpicos, 85 linealidad, 216
superposición, 7, 23 multiplicación por k, 218
pérdida de  197 parejas, 31–35, 223–228
” propiedades, 29, 31, 215–220
Sylvester, 261
teorema de valor final, 92, 219
teorema de valor inicial, 219
Taylor, 155, 166 transformada bilateral, 29
temperatura, 11 transformador, 12
tensión, 11 transmitancia del error, véase  sistemas
teorema de Caley-Hamilton, 289 realimentados, función de trans-
tiempo continuo, 7 ferencia del error
tiempo de asentamiento, 67, 70 trayectoria, 172
tiempo de estabilización, véase  tiempo
de asentamiento undershoot véase   subpicos 85
tiempo discreto, 7 uniones, 12
tipo de sistema, 91–93 Tipo 0, 12
torque, 11 Tipo 1, 12
transformación bilineal, 122–124
transformaciones lineales, 142, 247–250 valor caracterı́stico,  véase  valores pro-
y cambio de base, 248–250 pios

303
 

OSCAR G. DUARTE

valor final velocidad angular, 11

transformada de Laplace, 91, 213
Z 
transformada , 92, 219 Z  ,  véase  transformada z
valor inicial
transformada de Laplace, 213
Z 
transformada , 219
valor propio
cálculo, 144
por derecha, 144, 261
por izquierda, 144, 261
valores de una función en el espectro
de una matriz, 290
valores propios, 144–146, 179, 261–278
complejos, 153
diferentes, 146, 264–266
generalizados, 273–278
repetidos, 148, 267–273
Van der Pol, 203
variables, 9, 11
en grafos de enlaces de potencia,
11
variables de estado, 137, 157–165
en el tiempo, 185–187
variación de cambio de volumen, 11
variación de diferencia de entropı́a, 11
variación de flujo másico, 11
variación de flujo molar, 11
variación de flujo volumétrico, 11
variantes,  véase   modelos variantes en
el tiempo
vector
coordenadas, 141, 243
normal, 251
vector caracterı́stico, véase  vectores pro-
pios
vector propio
por derecha, 144, 261
por izquierda, 144, 261
vectores, 140
ortogonales, 252
ortonormales, 252
vectores propios, 144–146, 178, 179, 261–
278
generalizados, 150, 269
cadena, 269
velocidad, 11

304