Matemática aplicada - Appd Math, Probabilidades

Elementos de un modelo probabilístico – Axiomas.

Un modelo probabilístico es una descripción matemática de una situación incierta. Debe estar de acuerdo con un marco teórico fundamental que tenga dos ingredientes principales: null

Espacio de muestra Ω y Evento (The sample space Ω)

Cada modelo probabilístico implica un proceso subyacente, llamado experimento, que producirá exactamente uno de varios resultados posibles. El conjunto de todos los resultados posibles se denomina Espacio Muestral del experimento y se denota con Ω. Un subconjunto del espacio muestral, es decir, una recopilación de posibles resultados, se denomina Evento. Es importante tener en cuenta que en nuestra formulación de un modelo probabilístico, solo hay un experimento.

El espacio muestral de un experimento puede consistir en un número finito o infinito de resultados posibles. Los espacios muestrales finitos son conceptualmente y matemáticamente más simples. Aún así, los espacios muestrales con un número infinito de elementos son bastante comunes. Como ejemplo, considere lanzar un dardo sobre un objetivo cuadrado y ver el punto de impacto como resultado.

Independientemente de su número, los diferentes elementos del espacio muestral deben ser distintos y mutuamente excluyentes, de modo que, cuando se lleve a cabo el experimento, haya un resultado único.

Generalmente, el espacio muestral elegido para un modelo probabilístico debe ser colectivamente exhaustivo, en el sentido de que no importa lo que suceda en el experimento, siempre obtenemos un resultado que se ha incluido en el espacio muestral. Además, el espacio de muestra debe tener suficientes detalles para distinguir entre todos los resultados de interés para el modelador, mientras se evitan los detalles irrelevantes.

Para resumir: este conjunto denominado Espacio Muestral debe ser tal que, al final del experimento, siempre se pueda señalar uno y exactamente uno de los posibles resultados y decir que este es el resultado que se produjo. Los resultados físicamente diferentes deben distinguirse en el espacio muestral y corresponder a puntos distintos. Pero cuando decimos resultados físicamente diferentes, ¿qué queremos decir? Realmente queremos decir diferente en todos los aspectos relevantes, pero quizás no diferente en aspectos irrelevantes.

Leyes de Probabilidad

Supongamos que nos hemos asentado en el espacio muestral Ω asociado con un experimento en particular, proceso esbozado en el apartado anterior. Para completar el modelo probabilístico, ahora debemos introducir una Ley de Probabilidad.

Intuitivamente, una ley de probabilidad especifica la “probabilidad” de cualquier resultado , o de cualquier conjunto de posibles resultados (un evento, como lo llamamos antes) que forman parte del espacio muestral Ω. Más precisamente, la ley de probabilidad asigna a cada evento A, un número P (A), denominado probabilidad de A, que satisface los siguientes axiomas:

1. No negatividad.

null

2. Aditividad. Si A y B son dos conjuntos disjuntos, entonces la probabilidad de su unión satisface lo siguiente:

null

Más genéricamente, si el espacio muestral  tiene un número infinito de eventos y A1, A2, A3, A4,… es una secuencia de conjuntos disjuntos de eventos, entonces la probabilidad de su unión satisface lo siguiente:

null

3. Normalización. La probabilidad de todo el espacio muestral  es igual a 1:

null

Para visualizar en que consiste la ley de probabilidad, considere una unidad de masa que se “extiende” sobre todo el espacio muestral Ω. Entonces, P (A) es simplemente la masa total que fue asignada colectivamente a los elementos de A. En términos de esta analogía, el axioma de aditividad se vuelve bastante intuitivo: la masa total en una secuencia de eventos (o conjunto de eventos) separados es la suma de sus masas individuales

Hay muchas propiedades naturales que pueden derivarse de los anteriores enunciados. Por ejemplo, utilizando los axiomas de normalización y aditividad podemos encontrar la probabilidad del evento vacío (o conjunto vacío) P (Ø) como sigue

null

Esto implica que:

null

Modelo Discreto - Ley de probabilidad discreta

Si el espacio muestral consiste en un número finito de resultados posibles, entonces la ley de probabilidad se especifica por las probabilidades de los eventos que consisten en un solo elemento. En particular, la probabilidad de cualquier  evento {s1, s2, …., sn} es la suma de las probabilidades de cada uno de sus elementos:

null

En el caso especial donde las probabilidades P(s1), P(s2), …, P(sn) son todas de un mismo valor, tomando en cuenta el axioma de normalización, obtenemos la siguiente ley.

Discrete Uniform Probability Law 

Si el espacio muestral consta de n resultados posibles que son igualmente probables (es decir, todos los eventos de un solo elemento tienen la misma probabilidad), la probabilidad de cualquier evento A nos es dada por:

null

Modelo Continuo

Los modelos probabilísticos con espacio muestral continuo se diferencian de sus homólogos discretos en que las probabilidades de los eventos de un solo elemento pueden no ser suficientes para caracterizar la ley de probabilidad.

Propiedades de las leyes de probabilidad

Las leyes de probabilidad tienen una serie de propiedades, que pueden deducirse de los axiomas. Algunos de ellas se resumen a continuación.:

null

El rol de la teoría de probabilidades.

La teoría de la probabilidad puede ser una herramienta muy útil para hacer predicciones y decisiones que se aplican al mundo real. Ahora, si sus predicciones y decisiones serán buenas dependerá de si ha elegido un buen modelo. ¿Has elegido un modelo que proporcione una representación suficientemente buena del mundo real? ¿Cómo se asegura de que este sea el caso? Existe todo un campo, el campo de las estadísticas, cuyo propósito es complementar la teoría de la probabilidad utilizando datos para obtener buenos modelos. Y así tenemos el siguiente diagrama que resume la relación entre el mundo real, las estadísticas y la probabilidad. El mundo real genera datos. El campo de estadística e inferencia utiliza estos datos para generar modelos probabilísticos. Una vez que tenemos un modelo probabilístico, utilizamos la teoría de la probabilidad y las herramientas de análisis que nos proporciona. Y los resultados que obtenemos de este análisis conducen a predicciones y decisiones sobre el mundo real. Video sugerido: Interpretation and uses of Probability

 

null

 

Fuentes:

  1. Introduction to probability (bertsekas, 2nd, 2008)
  2. Probability – The Science of Uncertainty and Data (MITx – 6.431x)

Revisión literaria hecha por:

Prof. Larry Francis Obando – Technical Specialist – Educational Content Writer

Twitter: @dademuch

Copywriting, Content Marketing, Tesis, Monografías, Paper Académicos, White Papers (Español – Inglés)

Escuela de Ingeniería Eléctrica de la Universidad Central de Venezuela, UCV CCs

Escuela de Ingeniería Electrónica de la Universidad Simón Bolívar, USB Valle de Sartenejas.

Escuela de Turismo de la Universidad Simón Bolívar, Núcleo Litoral.

Contact: Caracas, Quito, Guayaquil, Cuenca. telf – 0998524011

WhatsApp: +593998524011   +593981478463 

Twitter: @dademuch

FACEBOOK: DademuchConnection

email: dademuchconnection@gmail.com

Anuncios
Matemática aplicada - Appd Math, Probability

Elements of a probabilistic model – models and axioms.

A probabilistic model is a mathematical description of an uncertain situation. It must be in accordance with a fundamental framework which has two main ingredients:

null

Sample space and Events

Every probabilistic model involves an underlying process, called the experiment,  that will produce exactly one out of several possible outcomes. The set of all possible outcomes is called the sample space of the experiment, and is denoted by . A subset of the sample space, that is, a collection of possible outcomes, is called an Event. It is important to note that in our formulation of a probabilistic model, there is only one experiment.

The sample space of an experiment may consist of a finite or an infinite number of possible outcomes. Finite sample spaces are conceptually and mathematically simpler. Still, sample spaces with an infinite number of elements are quite common. As an example, consider throwing a dart on a square target and viewing the point of impact as the outcome.

Regardless of their number, different elements of the sample space should be distinct and mutually exclusive, so that, when the experiment is carried out, there is a unique outcome.

Generally, the sample space chosen for a probabilistic model must be collectively exhaustive, in the sense that no matter what happens in the experiment, we always obtain an outcome that has been included in the sample space. In addition, the sample space should have enough detail to distinguish between all outcomes of interest to the modeler, while avoiding irrelevant details.

To summarize– this set should be such that, at the end of the experiment, you should be always able to point to one, and exactly one, of the possible outcomes and say that this is the outcome that occurred. Physically different outcomes should be distinguished in the sample space and correspond to distinct points. But when we say physically different outcomes, what do we mean? We really mean different in all relevant aspects but perhaps not different in irrelevant aspects.

Probability Laws

Suppose we have settled on the sample space associated with an experiment. To complete the probabilistic model, we must now introduce a Probability Law.

Intuitively, a probability law specifies the “likelihood” of any outcome, or of any set of possible outcomes (an event, as we called it early). More precisely, the probability law assigns to every event A, a number P(A), called the probability of A, satisfying the following axioms:

1. Nonnegativity.

null

2. Additivity. If A and B are two disjoints events, then the probability of their union satisfies the following:

null

More generally, if the sample space has an infinite number of elements and A1, A2, A3, A4,… is a sequence of disjoint events, then the probability of their union satisfies:

null

3. The probability of the entire sample space is equal to 1, that is:

null

In order to visualize a probability law, consider a unity of mass which is “spread” over the sample space . Then, P(A) is simply the total mass that was assigned collectively to the elements of A. In terms of this analogy, the additivity axiom becomes quite intuitive: the total mass in a sequence of disjoint events is the sum of their individual masses.

There are many natural properties of a probability law which can be derived from them. For example, using the normalization and additivity axioms we may find out the probability of the empty event P(Ø) as following:

null

This implies that:

null

Discrete Model - Discrete Probability Law 

If the sample space consists of a finite number of possible outcomes, then the probability law is specified by the probabilities of the events that consist of a single element. In particular, the probability of any event {s1, s2, …., sn} is the sum of the probabilities of its elements:

null

In the special case where the probability P(s1), P(s2), …, P(sn) are all the same, in view of the normalization axiom we obtain the following law.

Discrete Uniform Probability Law 

If the sample space consists of n possible outcomes which are equally likely (i.e., all single-element events have the same probability), the probability of any event A us given by:

null

Continuous Model

Probabilistic models with continuous sample space differ from their discrete counterparts in that the probabilities of the single-element events may not be sufficient to characterize the probability law.

Properties of Probability Laws

Probability laws have a number of properties, which can be deduced from the axioms. Some of them are summarized below:

null

The role of Probability Theory

Probability theory can be a very useful tool for making predictions and decisions that apply to the real world. Now, whether your predictions and decisions will be any good will depend on whether you have chosen a good model. Have you chosen a model that’s provides a good enough representation of the real world? How do you make sure that this is the case? There’s a whole field, the field of statistics, whose purpose is to complement probability theory by using data to come up with good models. And so we have the following diagram that summarizes the relation between the real world, statistics, and probability. The real world generates data. The field of statistics and inference uses these data to come up with probabilistic models. Once we have a probabilistic model, we use probability theory and the analysis tools that it provides to us. And the results that we get from this analysis lead to predictions and decisions about the real world.  Suggested video: Interpretation and uses of Probability

null

 

Sources:

  1. Introduction to probability (bertsekas, 2nd, 2008)
  2. Probability – The Science of Uncertainty and Data (MITx – 6.431x)

Literature review made by:

Prof. Larry Francis Obando – Technical Specialist – Educational Content Writer

Twitter: @dademuch

Copywriting, Content Marketing, Tesis, Monografías, Paper Académicos, White Papers (Español – Inglés)

Escuela de Ingeniería Eléctrica de la Universidad Central de Venezuela, UCV CCs

Escuela de Ingeniería Electrónica de la Universidad Simón Bolívar, USB Valle de Sartenejas.

Escuela de Turismo de la Universidad Simón Bolívar, Núcleo Litoral.

Contact: Caracas, Quito, Guayaquil, Cuenca. telf – 0998524011

WhatsApp: +593998524011   +593981478463 

Twitter: @dademuch

FACEBOOK: DademuchConnection

email: dademuchconnection@gmail.com

Matemática aplicada - Appd Math, Señales y Sistemas, Sistemas LDCID

Señales elementales en el tiempo continuo – Ejemplos y Simulación en Matlab

Las señales periódicas, exponenciales, escalón unitario y rampa unitaria, son algunas de las funciones del tiempo continuo más utilizadas para el análisis de sistemas en ingeniería. 

Una señal x(t) es una función con valor real o escalar de la variable de tiempo t, si para cualquier valor fijo de la variable t, el valor asumido por la señal en ese tiempo t es un número real. Cuando la variable t toma sus valores del conjunto de los números reales, se dice que t es una variable de tiempo continuo, y que la señal x(t) es una señal de tiempo continuo o una señal analógica.

Señales periódicas

Sea T un número real positivo fijo. Se dice que una señal continua x(t) es periódica con período T si se cumple que:

Si x(t)  es periódica con período T, entonces  también es periódica con período qT, donde q es cualquier entero positivo. El período fundamental T es el número más pequeño para el cual se cumple la ecuación (1).

La sinusoide es la función periódica por excelencia utilizada en las ciencias y en la ingeniería. Numerosos procesos tienen este comportamiento de manera natural. En la siguiente ecuación sinusoidal, A es la amplitud, ω es la frecuencia en radianes por segundo, y θ es la fase en radianes, aunque también suele expresarse en grados:

La frecuencia f  en Hertz, y el período T en rad/s, de la función en la ecuación(2) son:

Al aplicar trigonometría podemos constatar que la ecuación (2) cumple la condición de la ecuación (1), es decir, la función coseno es periódica:

La sinusoide de la Figura (1) representa el caso en que:

Figura 1.

Ejemplo y simulación de la Señal sinusoidal

La sinusoide es la función periódica por excelencia utilizada en las ciencias y en la ingeniería. Numerosos procesos tienen este comportamiento de manera natural. El caso de un circuito eléctrico es de relevante importancia. Los circuitos de corriente alterna tienen voltajes y corrientes sinusoidales. Suponga que se tiene el circuito de la Figura (2):

Figura 2. Circuito eléctrico de corriente alterna (CA).

Hemos calculado la corriente y el voltaje en este sistema en el artículo siguiente: La impedancia y la admitancia de un circuito eléctrico. La solución para el voltaje eo(t) es:

Este resultado se puede visualizar a través de una simulación computarizada, introduciendo el siguiente código en Matlab:

>> t=0:0.01:10;

>> x=4.48*cos(4*t-0.7048);

>> plot(t,x)

>> grid

>> xlabel(‘Tiempo(segundos)’)

>> ylabel(‘Voltaje(voltios)’)

El resultado se puede observar en la Figura (3):

null
Figura 3. Simulación en Matlab de e(t)=4.48cos(4t-0.7048)
Señales exponenciales

Las señales exponenciales son extremadamente importantes en el análisis de señales y sistemas, ya que ellas sirven como bloques fundamentales a partir de los cuales podemos construir muchas otras señales.

En la Figura (4) vemos el caso de una función exponencial ascendente y de inmediato se muestra su estructura matemática.

Figura 4. Función exponencial ascendente

En la Figura (5) vemos el caso de una función exponencial descendente y de inmediato se muestra su estructura matemática.

null
Figura 5. Función exponencial descendente.

Ejemplo y simulación de la Señal exponencial

La función exponencial también representa muchos procesos de la naturaleza, como por ejemplo, el crecimiento de una comunidad de bacterias. Es de gran utilidad la función exponencial para representar el caso de movimientos amortiguados en el campo de la mecánica. La Figura (6) muestra la Función de Transferencia para un sistema masa-resorte-amortiguador simple:

null
Figura 6. Sistema masa-resorte-amortiguador

La dinámica del sistema de la Figura (6) se describe mediante una sola ecuación diferencial:

null

En la ecuación (5), x(t) es el desplazamiento horizontal del sistema, que es un desplazamiento sinusoidal amortiguado, conocido como movimiento armónico amortiguado, concepto básico para la física y la ingeniería mecánica clásica.

La siguiente ecuación es una solución para la ecuación diferencial (5). Se trata de una función exponencial multiplicada por una función sinusoidal:

null

Con el fin de utilizar el mismo código de Matlab utilizado en el ejemplo de la función sinusoidal, supongamos el siguiente ejemplo para la ecuación anterior de x(t):

null

Este resultado se puede visualizar a través de una simulación computarizada, introduciendo el siguiente código en Matlab:

>> t=0:0.01:30;

>> x=5*exp(-0.1*t).*cos(4*t-0.7048);

>> plot(t,x)

>> grid

>> xlabel(‘Tiempo(segundos)’)

>> ylabel(‘Desplazamiento X(metros)’)

null
Figura 7. Movimiento armónico amortiguado

En la siguiente Figura vemos remarcada la influencia de la función exponencial de color naranja, denominada “envolvente”:

>> t=0:0.01:30;

>> x=5*exp(-0.1*t).*cos(4*t-0.7048);

>> y=5*exp(-0.1*t);

>> plot(t,x,t,y)

 

Figura 8. Función exponencial envolvente en color naranja.

Para mayor información en este tema ver: Ejercicio de dinámica masa-resorte-amortiguado, función de transferencia.

Funciones escalón y rampa

Dos señales ampliamente utilizadas en el campo de la ingeniería son el escalón unitario u(t) y la función rampa unitaria r(t), mostradas en la Figura 9:

Figura 9.

En particular, para el análisis de sistemas, estas funciones son ideales. A veces es posible predecir el comportamiento de tales sistemas, o el tipo de entrada que tendrán que procesar con mayor frecuencia. Si se prevé que la entrada a un sistema será un cambio instantáneo, como por ejemplo una entrada al sistema de suspensión de un automóvil, lo más razonable es probar ese sistema con una entrada escalón unitario (step). Si por el contrario, esa entrada cambia proporcionalmente con el tiempo, el sistema debe probarse con una entrada rampa unitaria.

Ejemplo y simulación de la Señal Escalón Unitario

Ambas señales, escalón unitario y rampa unitaria, son ampliamente utilizadas en sistemas de control, porque permiten visualizar la respuesta transitoria del sistema y el error en estado estable.

Suponga que se solicita determinar la respuesta transitoria a una entrada escalón unitario, del siguiente Sistema mecánico rotacional:

Figura 10. Sistema mecánico rotacional..

Dónde:

Se sabe que la función de transferencia del sistema es la siguiente:

Determinar la respuesta transitoria implica determinar el valor de los siguientes parámetros:

  • Sobrepaso máximo, tiempo de levantamiento, tiempo de asentamiento, entre otros.

En Matlab, podemos responder esta  pregunta mediante el siguiente comando:

>> numg=1/J;

>> deng=[1   D/J   K/J];

>> G=tf(numg,deng)

G =

3.846

—————–

s^2 + 4 s + 19.23

>> stepinfo(G)

RiseTime (tiempo de levantamiento): 0.3554 s

SettlingTime (tiempo de asentamiento): 1.8989 s

Overshoot (Sobrepaso máximo): 19.9891 %

Peak: 0.2400

El analista obtiene una excelente representación gráfica de esta respuesta mediante:

>> step(G)

Figura 11. Respuesta transitoria a la entrada escalón unitario.

El diagrama siguiente esquema muestra lo que hemos hecho. Hemos colocado una función escalón unitario en la entrada del sistema que tiene la función de transferencia G(s) y hemos obtenido la respuesta mostrada a la salida:

Figura 12.

Para más información en este tema ver: Respuesta Transitoria de un Sistema de Control

Fuentes:

  1. Fundamentos_de_Señales_y_Sistemas_usando la Web y Matlab
  2. Análisis de sistemas lineales asistido con Scilab, Ebert Brea.
  3. Analisis_de_Sistemas_Lineales
  4. Oppenheim – Señales y Sistemas

Escrito por Prof. Larry Francis Obando – Technical Specialist – Educational Content Writer – Twitter: @dademuch

Mentoring Académico / Emprendedores / Empresarial

Copywriting, Content Marketing, Tesis, Monografías, Paper Académicos, White Papers (Español – Inglés)

Escuela de Ingeniería Eléctrica de la Universidad Central de Venezuela, UCV CCs

Escuela de Ingeniería Electrónica de la Universidad Simón Bolívar, USB Valle de Sartenejas.

Escuela de Turismo de la Universidad Simón Bolívar, Núcleo Litoral.

Contact: Caracas, Quito, Guayaquil, Cuenca. telf – 0998524011

WhatsApp: +593981478463

Twitter: @dademuch

FACEBOOK: DademuchConnection

email: dademuchconnection@gmail.com

Análisis de sistemas de control, Señales y Sistemas

La Función de Transferencia

La Función de Transferencia H(s) es el cociente formado por Y(s), la Transformada de Laplace de la salida de un sistema LTI (Causal, Lineal e Invariante en el tiempo), dividida entre X(s), la Transformada de Laplace de la entrada a dicho sistema, cuando las condiciones iniciales son iguales a cero en el tiempo t=0 :Dónde:Observación: La Función de Transferencia sólo se expresa como una función de la variable compleja s. Para obtenerla, es necesario que las condiciones iniciales sean nulas. De no serlo, se debe obligar a dichas condiciones a ser cero.

Observación: Conociendo la Función de Transferencia H(s) de un sistema, podemos conocer la salida y(t) en el dominio del tiempo para cualquier entrada x(t), aplicando los siguientes pasos:

Veremos un par de comandos en Matlab que ilustran este importante resultado.

Observación: La Función de Transferencia es una propiedad intrínseca del sistema, no depende del tipo o naturaleza de la entrada o excitación.

Observación: La Función de Transferencia no ofrece información sobre las características físicas del sistema. De hecho, sistemas con diferentes estructuras, dimensiones o distribuciones físicas pueden tener la misma Función de Transferencia.

Observación: La Función de Transferencia es una parte importante del primer paso necesario para el diseño y análisis de sistemas de control: el modelo matemático del sistema.

Observación: La Función de Transferencia H(s) de un sistema LTI también se puede definir como la Transformada de Laplace de la Respuesta al Impulso, con todas las condiciones iniciales iguales a cero. Suponiendo que la respuesta del sistema al impulso se denota como h(t), entonces:

La Función de Transferencia se obtiene a partir  de la representación de un sistema LTI por medio de ecuaciones diferenciales con coeficientes constantes, el modelo dinámico del sistema.  Se hace uso intensivo de la propiedad de La Transformada de Laplace definida como “derivación n-ésima de una función en el dominio del tiempo”. Dicha propiedad sirve de fundamento para el método que permite separar algebraicamente la salida de la entrada, y obtener la Función de Transferencia.

Ejemplo.

Hallar la Función de Transferencia X(s)/P(s) del siguiente sistema mecánico:

Para obtener la ecuación diferencial que describe el comportamiento dinámico de este sistema, aplicamos la Ley de Newton:

Suponiendo las condiciones iniciales iguales a cero, y que se trata de un sistema lineal, causal e invariante en el tiempo (LTI), aplicamos superposición y determinamos las fuerzas que actúan sobre la masa m, así obtenemos:

Esta es la ecuación diferencial del sistema, su modelo matemático. Por ser un sistema LTI, los coeficientes de la ecuación son constantes. Se procede ahora a aplicar la Transformada de Laplace a esta ecuación. Sabemos de La Transformada de Laplace que la manera más práctica es actuar sobre cada término de la ecuación por separado:

Así la ecuación del sistema luego de aplicarle Laplace es:

que podemos expresar como:

con el fin de despejar y obtener la Función de Transferencia del sistema:

La Función de Transferencia y el Diagrama de Bloques.

La Función de Transferencia permite representar un sistema mediante una herramienta gráfica que muestra el flujo de información a través de todos los componentes del mismo: El diagrama de bloques.

En construcción…

 

Atención: 

Si lo que Usted necesita es resolver con urgencia un problema: 

Atención:

Si lo que Usted necesita es determinar La Función de Transferencia de un Sistema..Le entregamos la respuesta en dos horas o menos, dependiendo de la complejidad. En digital. Póngase en contacto con nosotros, respuesta inmediata, resolvemos y entregamos la Función de Transferencia de sistemas masa-resorte-amortiguador, eléctricos, electromecánicos, electromotriz, nivel de líquido, térmico, híbridos, rotacional, no lineales, etc.. Opcional, Representación en Variables de Estado. Opcional, Entrevista por Skype para explicar la solución.

WhatsApp +593981478463, email: dademuchconnection@gmail.com.

Costo del servicio: 10 dólares por problema.

Escrito por Prof. Larry Francis Obando – Technical Specialist – Educational Content Writer

Mentoring Académico / Emprendedores / Empresarial

Copywriting, Content Marketing, Tesis, Monografías, Paper Académicos, White Papers (Español – Inglés)

Escuela de Ingeniería Eléctrica de la Universidad Central de Venezuela, UCV CCs

Escuela de Ingeniería Electrónica de la Universidad Simón Bolívar, USB Valle de Sartenejas.

Escuela de Turismo de la Universidad Simón Bolívar, Núcleo Litoral.

Contact: Caracas, Quito, Guayaquil, Cuenca. telf – 0998524011

WhatsApp: +593981478463 

email: dademuchconnection@gmail.

Matemática aplicada - Appd Math, Señales y Sistemas, Sin categoría, Transformada de Laplace

Ejemplo 1: Transformada de Laplace de una función exponencial – Matlab

En general, La Transformada de Laplace de una función x(t) es:

Considere la señal exponencial x(t):

Donde a es un número real cualquiera y  u(t) es la función escalón unitario. La Transformada de Laplace de x(t) es:

Para evaluar el lado derecho es necesario determinar:

Este límite existe si solo si:

Por tanto:

Y:

La región de convergencia de la transformada X(s) es el conjunto de todos los números complejos tales que Re{s}>-a (Parte real de s es mayor que menos a). Nota: Dos señales distintas pueden tener la misma expresión algebraica cuando se le aplica la transformada de Laplace. Por tanto, cuando se especifica la transformada de Laplace de una señal, se requiere tanto la expresión algebraica como el intervalo de valores s para el cual esta expresión es válida. Lo correcto es expresar el resultado anterior de la siguiente manera: 

Observar que en el caso de que a=0, x(t) es simplemente la función escalón unitario, y por tanto se obtiene el importante resultado:

Cálculo de la Transformada de Laplace en Matlab 

Continuando con el caso x(t):

Symbolic Math Toolbox de Matlab calcula la Transformada de Laplace mediante el siguiente comando:

>> syms x a t
>> x=exp(-a*t);
>> X=laplace(x)

X =

1/(a + s)

De igual manera podemos calcular Laplace para la función escalón unitario mediante:

>> x=sym(1);
>> X=laplace(x)

X =

1/s

Teniendo la Transformada de Laplace X(s) podemos aplicar la antitransformada para obtener su equivalente en el dominio del tiempo:

>> X=1/(a + s)

>> x=ilaplace(X)

x =

exp(-a*t)

Por poner un caso más complicado, considere el siguiente ejemplo:

>> syms X s x
>> X=(s+2)/(s^3+4*s^2+3*s);

>> x=ilaplace(X)

x =

2/3 – exp(-3*t)/6 – exp(-t)/2

Además puedo graficar este resultado mediante:

>> ezplot(x,[0,10])

Referencias:

  1. Fundamentos_de_Señales_y_Sistemas_usando la Web y Matlab
  2. Oppenheim – Señales y Sistemas

ANTERIOR: La Transformada de Laplace

Te puede interesar:

  1. Ejemplo 1 – Función Transferencia de Sistema masa-resorte-amortiguador
  2. Ejemplo 1 – Función de Transferencia de Sistema Electromecánico
  3. Ejemplo 1 – Función de transferencia de un sistema de nivel de líquidos

Escrito por: Prof. Larry Francis Obando – Technical Specialist – Educational Content Writer

Escuela de Ingeniería Eléctrica de la Universidad Central de Venezuela, Caracas.

Escuela de Ingeniería Electrónica de la Universidad Simón Bolívar, Valle de Sartenejas.

Escuela de Turismo de la Universidad Simón Bolívar, Núcleo Litoral.

Contact: Caracas, Quito, Guayaquil, Cuenca – Telf. 00593998524011

WhatsApp: +593981478463

email: dademuchconnection@gmail.com

Matemática aplicada - Appd Math, Señales y Sistemas, Transformada de Laplace

La Transformada de Laplace

La Transformada de Laplace X(s) es la Transformada Continua de Fourier después de multiplicarla por una señal exponencial real decreciente. Es por ello que se considera una generalización de la Transformada de Fourier. La notación y la ecuación utilizadas para determinar la Transformada de Laplace son las siguientes:

Es decir, Laplace adapta la Transformada de Fourier para que pueda ser aplicada a un conjunto más amplios de señales para las cuáles no existe la Transformada de Fourier.

Bajo ciertas condiciones iniciales, La Transformada de Laplace nos permite visualizar el efecto que un sistema LTI (causal, lineal e invariante en el tiempo) tiene sobre cualquier señal de entrada a dicho sistema.

La Transformada de Laplace a partir de la Transformada de Fourier

Dada una señal de tiempo continuo x(t) se define la Transformada de Fourier X(ω) de x(t) como:

La ecuación (1) genera las componentes de frecuencia que forman la señal x(t). Para algunas señales de uso común en la ingeniería, esta integral no existe. Para resolver este inconveniente, se añade un factor de convergencia exponencial  e^-σt a la integral de la ecuación (1), donde sigma (σ) es un número real. De esa manera obtenemos:

La cual puede escribirse como:

Para ser más prácticos, hacemos:

Así podemos escribir la ecuación (3) como:

La ecuación (4) es conocida como La Transformada de Laplace de una señal general x(t).

La transformada de Laplace convierte las funciones expresadas en término de la variable real t  en funciones de una variable completamente diferente, la variable compleja s. Nos mueve desde el dominio del tiempo a lo que a menudo se denomina el dominio de frecuencia.

La Transformada de Laplace comparte las propiedades algebraicas de La Transformada de Fourier: transforman una señal en el tiempo en la suma de varias señales en frecuencia. De allí su enorme utilidad para determinar, por ejemplo, la salida de un sistema a partir de la ecuación diferencial que describe la dinámica de dicho sistema, aplicando La transformada de Laplace y el conjunto de propiedades que se definen a continuación.

Por otra parte, no es necesario calcular la integral de la ecuación (4) en la mayoría de los casos de interés científico ya que se dispone de tablas para determinar la Transformada de Laplace de dichos casos.

Ejemplo 1: La Transformada de Laplace de una función exponencial

Considere la señal x(t):

Donde a es un número real cualquiera y  u(t) es la función escalón unitario. Aplicando la ecuación (4), La Transformada de Laplace de x(t) es:

Para evaluar el lado derecho es necesario determinar:

Este límite existe si solo si:

Por tanto:

Y:

La región de convergencia de la transformada X(s) es el conjunto de todos los números complejos tales que Re{s}>-a (Parte real de s es mayor que menos a). Nota: Dos señales distintas pueden tener la misma expresión algebraica cuando se le aplica la transformada de Laplace. Por tanto, cuando se especifica la transformada de Laplace de una señal, se requiere tanto la expresión algebraica como el intervalo de valores s para el cual esta expresión es válida. Lo correcto es expresar el resultado anterior de la siguiente manera: 

Observar que en el caso de que a=0, x(t) es simplemente la función escalón unitario, y por tanto se obtiene el importante resultado:

Para realizar este cálculo mediante matlab ver: Ejemplo 1: Transformada de Laplace de una función exponencial – Matlab

Propiedades de la Transformada de Laplace

La Transformada de Laplace satisface un número de propiedades útiles en una gran variedad de aplicaciones. Las siguientes propiedades fundamentales permiten calcular sin necesidad de calcular la integral de la ecuación (4), la Transformada de Laplace de la mayoría de situaciones de interés para la ingeniería. Daremos algunos ejemplos de aplicación:

  1. Linealidad. La Transformada de Laplace es una operación lineal, por tanto:

Ejemplo:

  1. Desplazamiento en el tiempo por la derecha. Para cualquier número real positivo c:

Ejemplo: sea x(t) la función pulso rectangular en términos de la función escalón:

  1. Escalamiento en el tiempo. Para cualquier número real positivo a:

Ejemplo: sea x(t) la función escalón escalada en el tiempo:

  1. Multiplicación por una potencia de t. Para cualquier número entero positivo N:

Ejemplo: sea x(t) la función rampa unitaria:      5. Derivación en el dominio del tiempo.

La propiedad de derivación en el dominio del tiempo de la Transformada de Laplace es de suma importancia en el campo de la ingeniería ya que permite determinar la respuesta de un sistema LTI, o señal de salida y(t), a una entrada al sistema, o señal de excitación. Una vez determinada la Transformada de Laplace de la ecuación diferencial que representa la dinámica del sistema, se obtiene la expresión para la salida Y(s) y se aplica anti-transformada de Laplace. Pero existe una herramienta poderosa para observar el comportamiento de la salida en el dominio del tiempo. Veamos como funciona La Función de Transferencia de un sistema LTI.

A tabla siguiente ofrece un resumen del resto de las propiedades, junto con las ya mencionadas:

Referencias:

  1. Fundamentos_de_Señales_y_Sistemas_usando la Web y Matlab
  2. Oppenheim – Señales y Sistemas
  3. Análisis de Sistemas Lineales Asistido con Scilab – Un Enfoque desde la Ingeniería Eléctrica.

SIGUIENTE: Ejemplo 1: Transformada de Laplace de una función exponencial – Matlab

Te puede interesar:

  1. Ejemplo 1 – Función Transferencia de Sistema masa-resorte-amortiguador
  2. Ejemplo 1 – Función de Transferencia de Sistema Electromecánico
  3. Ejemplo 1 – Función de transferencia de un sistema de nivel de líquidos

 

Atención: 

Si lo que Usted necesita es resolver con urgencia un problema: 

Atención:

Si lo que Usted necesita es determinar La Función de Transferencia de un Sistema..Le entregamos la respuesta en dos horas o menos, dependiendo de la complejidad. En digital. Póngase en contacto con nosotros, respuesta inmediata, resolvemos y entregamos la Función de Transferencia de sistemas masa-resorte-amortiguador, eléctricos, electromecánicos, electromotriz, nivel de líquido, térmico, híbridos, rotacional, no lineales, etc.. Opcional, Representación en Variables de Estado. Opcional, Entrevista por Skype para explicar la solución.

WhatsApp +593981478463, email: dademuchconnection@gmail.com.

Costo del servicio: 10 dólares por problema.

Escrito por Prof. Larry Francis Obando – Technical Specialist – Educational Content Writer

Mentoring Académico / Emprendedores / Empresarial

Copywriting, Content Marketing, Tesis, Monografías, Paper Académicos, White Papers (Español – Inglés)

Escuela de Ingeniería Eléctrica de la Universidad Central de Venezuela, UCV CCs

Escuela de Ingeniería Electrónica de la Universidad Simón Bolívar, USB Valle de Sartenejas.

Escuela de Turismo de la Universidad Simón Bolívar, Núcleo Litoral.

Contact: Caracas, Quito, Guayaquil, Cuenca. telf – 0998524011

WhatsApp: +593981478463 

email: dademuchconnection@gmail.

Matemática aplicada - Appd Math, Señales y Sistemas

Convolución de señales discretas – Sumatoria de convolución

Dadas dos señales de tiempo discreto x[n] y v[n], la convolución de ambas señales se define como: 

La expresión del lado derecho de la ecuación (1) se conoce como sumatoria de convolución. En el caso de que ambas señales x[n] y v[n] sean iguales a cero para n<0, entonces x[i]=0 para i<0, y v[n-i]=0 para n-i<0, entonces la ecuación (1) se puede escribir como:

Ejemplos
  1. Suponiendo que x[n]=anu[n], donde u[n] es la función escalón, y v[n]= bnu[n]. La convolución entre ambas señales es igual a:

Si a=b:Entonces:

Si ab:

Por tanto: 

2. La convolución de dos señales discretas puede representarse en Matlab mediante el siguiente código. Por ejemplo, la convolución de una señal p[n] consigo misma:

>> p=[0 ones(1,11) zeros(1,5)]%correspondiente a n=-1 a n=14

>>x=p

>> v=p

>> y=conv(x,v)

>> n=-2:25;

>> stem(n,y(1:length(n)),’filled’)

Convolución de una señal (p{n]=1 ) consigo misma.

 

3. Si aplicamos la convolución entre una entrada discreta x[n] a un sistema y la respuesta h[n] al impulso unitario discreto de dicho sistema, obtendremos la salida. Si h[n]=sen(0.5n) para n0, y la entrada x[n]=sen(0.2n) para n ≥0, podemos representar la salida mediante Matlab como sigue:

>> n=0:40;

>> x=sin(.2*n);

>> h=sin(.5*n);

>>y=conv(x,h);

>> stem(n,y(1:length(n)),’filled’) 

Salida y[n] para el sistema con entrada x[n]=sen(0.2n) y respuesta al impulso h[n]=sen(0.5n)

Fuente:

  1. Fundamentos_de_Señales_y_Sistemas_usando la Web y Matlab

ANTERIOR: Señales de tiempo discreto – muestreo en matlab

SIGUIENTE:

Escrito por: Prof. Larry Francis Obando – Technical Specialist – Educational Content Writer

Escuela de Ingeniería Eléctrica de la Universidad Central de Venezuela, Caracas.

Escuela de Ingeniería Electrónica de la Universidad Simón Bolívar, Valle de Sartenejas.

Escuela de Turismo de la Universidad Simón Bolívar, Núcleo Litoral.

Contact: Caracas, Quito, Guayaquil, Cuenca – Telf. 00593998524011

WhatsApp: +593981478463

email: dademuchconnection@gmail.com

Matemática aplicada - Appd Math, Matemática Financiera

Solución de problemas financieros mediante ecuaciones lineales – método.

Introducción - Definición de ecuación lineal

Una ecuación es una proposición que expresa la igualdad de dos expresiones algebraicas. Por lo regular involucra una o más variables y el símbolo de igualdad. Un valor de la variable que haga que la ecuación sea una proposición cierta se denomina raíz o solución de la ecuación dada. Decimos que tal valor de la variable satisface la ecuación. Así, por ejemplo, 5 es una raíz de la ecuación 2x 3 = x + 2. De manera similar, -2 es solución de la ecuación:

Porque cuando 2 sustituye a y en la ecuación, obtenemos:

La cual es una proposición verdadera.

Una clase importante de ecuaciones consta de aquellas denominadas ecuaciones polinomiales. En una ecuación polinomial, los dos lados pueden constar de uno o varios términos sumados algebraicamente; cada término incluye una potencia entera no negativa de la variable multiplicada por un coeficiente constante. El grado de la ecuación polinomial es la máxima potencia de la variable que aparece en la ecuación. Así, por ejemplo:

Una ecuación polinomial de grado 1 se denomina ecuación lineal; en tanto que una ecuación polinomial de grado 2 se llama ecuación cuadrática. La forma canónica de una ecuación lineal en la variable x es:

donde a y b son constantes. Esta la ecuación lineal tiene una y sólo una solución, es decir, x=-b/a. Para graficar una ecuación lineal, es necesario fabricar una función lineal, generalmente mediante la estructura función afín:

Donde a es la pendiente de una recta (representa el aumento del valor de la función si x aumenta en 1) y b es el punto donde la recta intersecta el eje y. Para repasar esta materia ver: The graph of a polynomial function, de donde extraemos la siguiente figura:

Ejemplo: Solución de problemas financieros mediante ecuaciones lineales

Los métodos algebraicos y la teoría vista sobre función afín, a menudo son útiles en la solución de problemas aplicados en finanzas y administración. En general, tales problemas se establecen en forma verbal; antes de que podamos utilizar nuestras herramientas algebraicas, es necesario cambiar las declaraciones verbales a proposiciones algebraicas correspondientes.

EJEMPLO 1. (Ingresos mensuales) Una vendedora gana un salario base de $600 por mes más una comisión del 10% de las ventas que haga. Descubre que en promedio, le toma una  hora y media realizar ventas por un valor de $100. ¿Cuántas horas deberá trabajar en promedio cada mes para que sus ingresos sean de $2000?

Paso 1 Representar la cantidad desconocida (es decir, la cantidad que debe determinarse) mediante un símbolo algebraico, tal como x. En algunos problemas, deben determinarse dos o más cantidades; en tales casos, denotamos sólo una de ellas con x.

En este ejemplo, x: horas de trabajo de la vendedora.

Paso 2 Expresar todas las demás cantidades, si las hay, en términos de x.

La otra cantidad relevante en este problema es  V: ventas en dólares.

El enunciado sugiere que la relación entre las ventas (V) y las horas de trabajo (x) es lineal y se puede expresar como V en función de x de la siguiente manera:

Donde a es la pendiente de una recta y b el punto de su intersección (offset) con el eje vertical.

Paso 3 Traduzca las expresiones verbales que aparezcan en el problema en expresiones algebraicas en las cuales intervenga x.

Según el enunciado, la vendedora requiere de hora y media para realizar una venta de 100 dólares. Como la unidad de medida de x es la hora, debemos reacomodar este enunciado y expresarlo en horas. Lo podemos hacer de la siguiente forma, siempre buscando facilidad de comprensión. Si la vendedora en hora y media vende 100 dólares, en tres horas venderá 200 dólares, o sea, en una hora vende 200/3. Hay que recordar que este dato nos indica la pendiente de la recta que representa la relación entre x y V, siendo x la abscisa y V  la ordenada (representa el aumento del valor de la función si x aumenta en 1). Es decir, a=200/3. Luego, sabemos también que en cero horas de trabajo la vendedora obtiene cero dólares en venta, es decir, b=0. Por tanto:

Por otra parte, el salario S será de $600 por mes más una comisión del 10% de las ventas. Es decir, en un mes:

Sustituyendo:

Paso 4 Resolver la expresión o expresiones algebraicas de acuerdo con los métodos algebraicos.

Este problema nos exige responder la pregunta siguiente: ¿Cuántas horas deberá trabajar en promedio cada mes para que sus ingresos sean de $2000? Es decir, para que S=2000. Entonces:

Es decir:

De donde despejamos x aplicando operaciones algebraicas:

Paso 5 Transforme la solución algebraica en forma verbal.

La vendedora necesitará trabajar 210 horas por mes, en promedio, para poder obtener ingresos por un valor de 2000$.

EJEMPLO 2 (Utilidades) Un comerciante de ganado compró 1000 reses a $150 cada una. Vendió 400 de ellas obteniendo una ganancia del 25%. ¿A qué precio deberá vender las restantes 600 si la utilidad promedio del lote completo debe ser del 30%?

En construcción…

 

Análisis Vectorial, Matemática aplicada - Appd Math

Descripción de un vector mediante el sistema de coordenadas rectangular

Introducción

Los conceptos fundamentales y las operaciones del análisis vectorial son imprescindibles para la ingeniería. En este paper, estos conceptos y operaciones se bosquejan en vez de exponerse rigurosamente, lo cual es bastante práctico para el ingeniero. Una cantidad vectorial tiene tanto magnitud como dirección en el espacio. Sólo serán de interés los espacios de dos y tres dimensiones, aunque en aplicaciones más avanzadas los vectores pueden definirse en espacios de n dimensiones. La fuerza, la velocidad, la aceleración y una línea recta que van de la terminal positiva a la negativa de un acumulador son ejemplos de vectores. A cada cantidad la caracterizan tanto una magnitud como una dirección.

Para describir con precisión un vector, debemos hacer uso de un sistema de coordenadas que permita determinar la longitud, dirección, proyección o componentes de un vector. Los tres sistemas más sencillos para lograr esto son el de coordenadas cartesianas o rectangulares, el de coordenadas cilíndricas y el de coordenadas esféricas. En esta oportunidad trataremos el primer caso.

Sistema de coordenadas rectangular

Utiliza tres ejes coordenados perpendiculares entre sí, llamados eje x, y y z. Se acostumbra elegir un sistema de coordenadas de mano derecha en el cual una rotación (que describe un pequeño ángulo) del eje x hacia el eje y causaría que un tornillo derecho avanzara en la dirección del eje z. Los dedos de la mano derecha, pulgar, índice y medio, pueden entonces identificar los ejes y, z y x, respectivamente. La figura 1.2a muestra un sistema de coordenadas cartesianas de la mano derecha:

La localización de un punto se hace por medio de sus coordenadas x, y y z. Éstas son, respectivamente, las distancias desde el origen a cada una de las intersecciones de una proyección perpendicular desde el punto de los ejes x, y y z. Un método opcional para interpretar los valores de las coordenadas, y que corresponde al que debe usarse en todos los demás sistemas de coordenadas, es considerar el punto como la intersección de tres superficies, los planos x = constante, y = constante y z = constante, siendo las constantes los valores de las coordenadas del punto. La figura 1.2b muestra los puntos P y Q, cuyas coordenadas son (1, 2, 3) y (2, −2, 1), respectivamente. Por consiguiente, el punto P se localiza en la intersección de los planos x = 1, y = 2 y z = 3, mientras que el punto Q se localiza en la intersección de los planos x = 2y = −2, z = 1.

Si se visualiza la intersección de tres planos en cualquier punto P, cuyas coordenadas sean x, y y z, puede incrementarse el valor de cada coordenada por una cantidad diferencial y obtenerse tres planos ligeramente desplazados que se intersecten en un punto P, cuyas coordenadas serán x + dx, y + dy y z + dz. Los seis planos definen un paralelepípedo rectangular cuyo volumen es dv = dxdydz; las superficies tienen diferenciales de áreas dS de dxdy, dydz y dzdx. Por último, la distancia dL de P a P es la diagonal del paralelepípedo y tiene una longitud:

El elemento diferencial de volumen lo muestra la figura 1.2c; el punto P está indicado, pero el punto P se localiza en la única esquina invisible.

Componentes vectoriales y vector unitario

Para describir un vector en un sistema de coordenadas cartesianas se considera primero un vector r que se extiende alejándose del origen. Una manera lógica de identificar este vector es proporcionar los tres componentes vectoriales, que se encuentran a lo largo de los tres ejes coordenados y cuya suma vectorial debe ser igual al vector dado. Si las componentes vectoriales de un vector r son x, y y z, entonces r = x + y + z. Las componentes vectoriales se muestran en la figura 1.3a. En vez de un vector ahora se tienen tres, pero esto significa un paso hacia adelante porque los tres vectores son de naturaleza muy sencilla y cada uno se orienta siempre a lo largo de uno de los ejes coordenados.

En otras palabras, las componentes vectoriales tienen una magnitud que depende del vector dado (tal como el r citado antes), pero cada una tiene una dirección constante conocida. Esto sugiere el uso de vectores unitarios, los cuales tienen magnitud unitaria por definición y se orientan a lo largo de los ejes coordenados en la dirección en la que crecen los valores de las coordenadas. Se reservará el símbolo a para un vector unitario y se identifica su dirección con un subíndice apropiado. Entonces ax ay y az son los vectores unitarios en el sistema de coordenadas cartesianas.3 Son dirigidos a lo largo de los ejes x, y y z, respectivamente, como lo muestra la figura 1.3b.

Si la componente vectorial y tiene una magnitud de dos unidades y se dirige hacia donde aumentan los valores de y, se deberá escribir entonces y = 2ay. Un vector rP que apunta desde el origen a un punto P(1, 2, 3) se escribe como Rp= ax+ 2ay + 3az. El vector desde el punto P a Q se puede obtener aplicando la regla de la suma vectorial. Esta regla muestra que el vector desde el origen a P más el vector desde P a Q es igual al vector desde el origen a Q. El vector deseado desde P(1, 2, 3) a Q(2, 2, 1) es, por lo tanto:

 

Los vectores rP, rQ y RPQ se muestran en la figura 1.3c. Este último vector no empieza en el origen, como lo hacía el vector r considerado al principio. Sin embargo, hemos aprendido que los vectores que tienen la misma magnitud y apuntan en la misma dirección son iguales, así que para ayudar al proceso de visualización se tiene la libertad de desplazar cualquier vector hasta el origen, antes de determinar sus componentes vectoriales. Desde luego, el paralelismo se debe mantener durante el proceso de desplazamiento.

Si se considera un vector fuerza F en vez de cualquier otro vector, excepto uno de desplazamiento tal como el vector r, el problema radica en proporcionar letras apropiadas para los tres componentes vectoriales. No sería apropiado llamarlas x, y y z, pues representan desplazamientos o distancias dirigidas, medidas en metros (abreviado m) o alguna otra unidad de longitud. El problema se evita usando componentes escalares, simplemente llamadas componentes Fx, Fy y Fz. Las componentes son las magnitudes, con signo positivo o negativo, de los componentes vectoriales. Se escribe entonces F = Fxax + Fyay + Fzaz.  Los componentes vectoriales son Fxax, Fyay y Fzaz.

Cualquier vector B, entonces, se puede describir por B = Bxax + Byay + Bzaz. La magnitud de B, denotada por |B| o simplemente B, está dada por:

 

Cada uno de los tres sistemas coordenados tiene tres vectores unitarios fundamentales y mutuamente ortogonales, los cuales se utilizarán para descomponer cualquier vector en sus componentes vectoriales. Sin embargo, los vectores unitarios no se limitarán a esta aplicación. Es muy necesario saber cómo escribir un vector unitario que tenga una dirección específica. Esto es muy sencillo, pues un vector unitario en una dirección dada es simplemente un vector en esa dirección dividido entre su magnitud. Un vector unitario en la dirección B es:

 

Por ejemplo, si es necesario determinar un vector unitario en la dirección del punto G(2,-2,-1) desde el origen, se construye un vector desde el origen hasta G, calculamos su magnitud y aplicamos la ecuación anterior para hallar el vector unitario en esa dirección:

 Extraído de: Teoría Electromagnetica – Hayt 7ed

Escrito por: Larry Francis Obando – Technical Specialist – Educational Content Writer.

Mentoring Académico / Empresarial / Emprendedores

Copywriting, Content Marketing, Tesis, Monografías, Paper Académicos, White Papers (Español – Inglés)

Escuela de Ingeniería Eléctrica de la Universidad Central de Venezuela, Caracas.

Escuela de Ingeniería Electrónica de la Universidad Simón Bolívar, Valle de Sartenejas.

Escuela de Turismo de la Universidad Simón Bolívar, Núcleo Litoral.

Contact: Caracas, Quito, Guayaquil, Cuenca – Telf. 00593998524011

WhatsApp: +593981478463

+593998524011

email: dademuchconnection@gmail.com

 

 

Control System Analysis, Matemática aplicada - Appd Math

Example 1 – Linearization of non-linear systems.

Linearize a function

Suppose we have a system represented by the following function:
nullOur task is to linearize f (x) around xo = π / 2. As:
nullWe find the following values and substitute them in the previous equation:
nullThen we can represent our nonlinear system by means of the following negative line equation:
null

The result of the linearization of f (x) around xo = π / 2 can be seen in Figure 2.48:

null

null

Linearize a differential equation

Suppose now that our system is represented by the following differential equation:
nullThe presence of the term cosx makes the previous one a non-linear equation. It is requested to linearize said equation for small excursions around x = π / 4.

To replace the independent variable x with the excursion δx, we take advantage of the fact that:
nullSo:nullWe proceed then to the substitution in the differential equation:nullWe now apply the derivation rules:nullAnd for the term that involves the cosx function we apply the same methodology that we have just seen in the previous example for a given function, that is, linearize f (x) around xo = π / 4:

Note that in the previous equation the excursion is zero when the function is evaluated exactly at the point xo. The same happens when the slope is evaluated in xo:So:

Therefore, we can rewrite the differential equation in a linear fashion around the point xo =π /4 as follows:

That is to say:

NEXT: Example 2 – Linearization of a Magnetic Levitation (MAGLEV) system – sphere. 

 

Written by: Larry Francis Obando – Technical Specialist – Educational Content Writer.

Mentoring Académico / Empresarial / Emprendedores

Copywriting, Content Marketing, Tesis, Monografías, Paper Académicos, White Papers (Español – Inglés)

Escuela de Ingeniería Eléctrica de la Universidad Central de Venezuela, Caracas.

Escuela de Ingeniería Electrónica de la Universidad Simón Bolívar, Valle de Sartenejas.

Escuela de Turismo de la Universidad Simón Bolívar, Núcleo Litoral.

Contact: Caracas, Quito, Guayaquil, Cuenca – Telf. 00593998524011

WhatsApp: +593981478463

+593998524011

email: dademuchconnection@gmail.com