tica (FIQ, UNL)

Departamento de Matema

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

Ecuaciones en diferencias

n
1. Introduccio
Las ecuaciones en diferencias y diferenciales ordinarias son herramientas versatiles de analisis. Son
una excelente representaci
on de un gran n
umero de situaciones dinamicas y su teora asociada es suficientemente rica para suministrar elementos para su comprension.
Supongamos tener una variable y de la que se conocen sus valores en una sucesion de instantes {tk }
con ndices k N, esos valores ser
an denotados y(tk ), o y(k), o bien yk seg
un resulte conveniente. Una
ecuaci
on en diferencias es una ecuacion que relaciona el valor y(k), en el tiempo tk , con los valores de
y en otros instantes (usualmente cercanos).
1.1. Ejemplo. Un caso simple es la ecuacion
y(k + 1) = ay(k),

k = 0, 1, 2, . . .

donde a es una constante.

El nombre ecuaci
on en diferencias se utiliza para reflejar el hecho que los instantes de tiempo involucrados se suceden siguiendo el ndice k de modo que la ecuacion involucra los valores y(k+n), y(k+n1),
. . ., y(k + 1), y(k), para los sucesivos valores naturales k. El orden de la ecuacion en diferencias es la
diferencia entre el mayor y el menor ndice que aparece en la ecuacion.
Una ecuaci
on en diferencias de orden n se denomina lineal e invariante si tiene la forma
an y(k + n) + an1 y(k + n 1) + . . . + a1 y(k + 1) + a0 y(k) = u(k)
con a0 , . . . , an constantes (ecuaci
on invariante) y u(k) una funcion dada, que suele llamarse control o
simplemente lado derecho.
Una soluci
on de una ecuaci
on en diferencias es una funcion y(k) que reduce la ecuacion a una identidad. Por ejemplo, para la ecuaci
on de primer orden
y(k + 1) = ay(k)
la funcion y(k) = ak reduce la ecuacion a una identidad puesto que y(k + 1) = ak+1 = aak = ay(k).
Notar asimismo que cualquier m
ultiplo cak de la anterior con c una constante, tambien es solucion,
mientras que una expresi
on de la forma crk solamente puede serlo si r = a puesto que crrk = cark
obliga, en los casos no triviales, (c 6= 0, r 6= 0) a que r = a.

2. Existencia y unicidad de soluciones

Dada una ecuaci
on en diferencias nos preguntamos si existiran soluciones y, en caso de existir alguna,
si esta ser
au
nica. En este caso se tiene el siguente

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

2.1. Teorema (Existencia y unicidad). Consideremos una ecuacion en diferencias de la forma

y(k + n) + F [y(k + n 1), y(k + n 2), . . . , y(k), k] = 0,

k = 0, 1, . . .

donde F es una funci

on arbitraria. Para cada especificacion de los n valores iniciales y(0), y(1), . . .,
y(n 1), la ecuaci
on tiene una u
nica solucion y(k)
Demostraci
on: Especificados los n valores iniciales y(0), y(1), . . ., y(n 1) es posible calcular el valor
que toma y(n) calculando la funci
on F . Con el conocimiento de y(1), y(2), . . ., y(n) es posible calcular
y(n + 1), y as puede continuarse indefinidamente para los sucesivos valores de k.
Debe observarse que la ecuaci
on en diferencias lineal invariante (i.e. con coeficientes constantes) es
un caso particular de este teorema (la funcion F se reduce a una simple suma de terminos).
2.2. Ejemplo (La ecuaci
on de primer orden). La ecuacion
y(k + 1) = ay(k) + b
donde a y b son constantes es un u
til modelo en variadas e importantes aplicaciones. Su analisis motiva
muchos aspectos de la teora de ecuaciones en diferencias. Si suponemos que y(0) = C, una constante,
se tiene
y(0) = C
y(1) = ay(0) + b = aC + b
y(2) = ay(1) + b = a2 C + ab + b
y(3) = a3 C + a2 b + ab + b
El termino general es
y(k) = ak C + (ak1 + ak2 + . . . + a + 1)b
En el caso que a = 1 esta expresi
on se reduce a
y(k) = C + kb
En cambio, si a 6= 1 se puede utilizar la identidad
1 + a + . . . + ak1 =

1 ak
1a

para obtener la soluci

on completa
(
C + kb,
y(k) =
k
ak C + 1a
1a b,

a=1
a 6= 1

Esta soluci
on puede verificarse reemplazando en la ecuacion original.
Si a = 1 en la ecuaci
on del ejemplo precedente, esta establece que el nuevo valor de y es el anterior
con el agregado de la constante b, de este modo los sucesivos y simplemente acumulan adiciones de b
(acumulador lineal).
Si a 6= 1 la ecuaci
on multiplica el valor anterior por el factor a en cada perodo y suma la constante b.
Es un efecto an
alogo a guardar un valor y, o bien pagar interes (si a > 1) o deducir una tasa (si a < 1).
Claramente, cualquier cantidad inicial C se transformara luego de k perodos en ak C. El termino b act
ua
como un dep
osito adicional realizado en cada perodo. De este modo podemos justificar el siguiente

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

s y amortizacio
n)
3. Ejemplo (Intere
Como se ha mencionado, la acumulacion de depositos bancarios se puede describir mediante una
ecuacion en diferencias de primer orden. Supongamos que se efect
uan depositos al final de cada a
no y
sea y(k) el valor de la cuenta al comienzo del a
no k. Si el banco no paga interes, entonces la cuenta es
simplemente un mecanismo de acumulacion regido por la ecuacion
y(k + 1) = y(k) + b(k)
donde b(k) es el dinero depositado al fin del a
no k Si se realizan depositos iguales a b cada a
no la cuenta
crecera en forma lineal
Si el banco paga un interes i, compuesto anualmente, la cuenta queda regida por
y(k + 1) = (1 + i)y(k) + b
puesto que se agrega al dep
osito realizado la suma iy(k) en concepto de interes.
El resultado es similar en el caso que se toma un prestamo con tasa de interes i. La amortizaci
on
es el metodo de pago de una deuda, incluyendo el capital y los intereses, mediante una serie de pagos
(generalmente a intervalos iguales y de igual magnitud). Si se abona B al final de cada a
no la deuda
total deber
a satisfacer la ecuaci
on
d(k + 1) = (1 + i)d(k) B
donde d(0) = D es la suma tomada en prestamo. Si se desea amortizar la deuda de modo que quede
cancelada en n a
nos, debe elegirse B de modo que d(n) = 0. Pero sabemos que
d(n) = D(1 + i)n

1 (1 + i)n
B
1 (1 + i)

la condici
on d(n) = 0 obliga a que
1 (1 + i)n
= D(1 + i)n
i
la que permite calcular la conocida f
ormula de amortizacion
iD
B=
1 (1 + i)n
B

neas
4. Linealidad y ecuaciones no homoge
Supongamos tener dos soluciones y(k), y(k) de la ecuacion en diferencias lineal invariante
an y(k + n) + an1 y(k + n 1) + . . . + a1 y(k + 1) + a0 y(k) = u(k)
es simple verificar que la diferencia y(k) y(k) es solucion de la ecuacion homogenea
an y(k + n) + an1 y(k + n 1) + . . . + a1 y(k + 1) + a0 y(k) = 0
En razon de lo observado bastar
a hallar el conjunto completo de soluciones de esta u
ltima y una solucion
particular yp (k) de la ecuaci
on completa para obtener el conjunto completo de soluciones de la ecuacion
lineal no homogenea. Esto es as puesto que toda otra solucion de la ecuacion original diferira de yp (k)
en una soluci
on de la ecuaci
on homogenea.
La ecuaci
on homogenea
an y(k + n) + an1 y(k + n 1) + . . . + a1 y(k + 1) + a0 y(k) = 0
es la que posee la propiedad de linealidad. Es decir que:
Si y(k), y(k) son soluciones de esta ecuacion homogenea entonces la combinacion lineal
y (k) + y(k)
tambien es soluci
on para cualquier eleccion de las constantes y . Notar que esta propiedad de

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

linealidad, que convierte al conjunto de soluciones de la ecuacion lineal homogenea en un espacio vectorial,
no es valida para la ecuaci
on completa, sin embargo por tradicion historica se la contin
ua llamando
ecuacion lineal (pese a no serlo en realidad).
El siguiente paso es caracterizar el conjunto (completo) de soluciones de la ecuacion homogenea.
Hemos visto que en el caso de la ecuacion de orden n, para cada conjunto de exactamente n valores
iniciales que demos, obtendremos una u
nica solucion. El problema que enfrentamos es, entonces, ver
de cuantas formas distintas es posible elegir tales condiciones iniciales. Se puede pensar a un conjunto
de n condiciones iniciales como un vector n-dimensional w de constantes. Sabemos que cualquiera de
estos vectores w se puede expresar como combinacion lineal de un conjunto de n vectores linealmente
independientes (esto es una base del espacio de n-vectores)
w = 1 v1 + . . . + n vn
Cada uno de los vectores vi de la base origina una solucion de la ecuacion (llamemosla yi ), la combinacion
lineal
y = 1 y1 + . . . + n yn
es solucion de la ecuaci
on en diferencias y los primeros n valores de y coinciden con el vector w, razon
por la cual y es la u
nica soluci
on que tiene a w por condiciones iniciales.
El razonamiento previo demuestra que el espacio vectorial de soluciones de la ecuacion en diferencias
homogenea invariante de orden n tiene dimension n, y, por lo tanto, una base con n elementos que
se obtienen como las soluciones (
unicas) con condiciones iniciales tomadas en una base del espacio de
vectores con n coordenadas.
A continuaci
on incluimos algunos problemas y ejercicios
s)
5. Ejercicio (Intere
Un banco ofrece un interes anual del 7%. Cual sera la tasa anual efectiva si el interes del 7% se
compone trimestralmente?
n no lineal)
6. Ejercicio (Ecuacio
Con la suposici
on de que y(0) = y(1) = y(2) = 0 hallar los valores de y(k), k = 3, 4, 5, . . . que
satisfacen la ecuaci
on en diferencias
y(k + 3) y(k + 2) + [y(k + 1) + y(k)]2 = 1
Utilizar matlab para calcular la soluci
on para distintos valores de las condiciones iniciales y representar
graficamente los resultados.
7. Ejercicio (Coeficientes no constantes)
Hallar la soluci
on general de la ecuacion en diferencias
(k + 1)2 y(k + 1) k 2 y(k) = 1,

k = 1, 2, . . .

Utilizar matlab para representar las soluciones para diversas elecciones de los valores iniciales
n para pruebas de inteligencia)
8. Ejercicio (Sucesio
Hallar la ecuaci
on en diferencias lineal homogenea de segundo orden que genera la sucesion
1, 2, 5, 12, 29, 70, 169, . . .
Cual es el lmite del cociente de terminos consecutivos?

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

n del precio
9. Equilibrio de oferta y demanda. Efecto de la prediccio
Suponer que la demanda de un producto en el tiempo k esta dada por
d(k) = d0 ap(k)
donde d0 y a son constantes positivas y p(k) es el precio en el tiempo k. En el modelo clasico simple de
la telara
na la oferta se supone que esta regida por la ecuacion
s(k) = s0 + bp(k 1)
donde s0 y b son constantes positivas. Si igualamos la oferta y la demanda se obtiene una ecuacion
dinamica para p(k), la que es convergente si b < a.
El precio p(k 1) que aparece en la ecuacion de oferta puede ser considerado una estimacion del
precio futuro. En otras palabras, cuando se planifica en el tiempo k 1 cuanto ofertar en el tiempo k,
los productores desearan en realidad conocer cual sera el precio p(k). Como ellos no pueden observar
(conocer) el precio por adelantado, realizan su planificacion sobre la base de p(k 1, que act
ua como
una estimaci
on de p(k). Se pueden pensar procedimientos mas elaborados para estimar el precio futuro.
Un procedimiento habitual para estimar el precio en el tiempo k, es utilizar extrapolacion lineal a partir
de los precios en los tiempos k 1 y k 2. Mostrar que esto da
p(k) = 2p(k 1) p(k 2)
donde p(k) denota la estimaci
on de p(k) a partir de los precios anteriores. Representar graficamente.
(a) Si se utiliza p(k) en lugar de p(k 1) en la ecuacion de oferta, igualar oferta y demanda para
hallar una ecuaci
on din
amica para p(k)
(b) Definiendo c = b/a para simplificar la notacion, Cuales son los valores caractersticos de la
nueva ecuaci
on?
(c) Comparar con el modelo cl
asico. Evaluar las ventajas o desventajas de la nueva estimacion.
10. Races repetidas
Considerar la ecuaci
on en diferencias de segundo orden
y(k + 2) 2ay(k + 1) + a2 y(k) = 0
Su polinomio caracterstico tiene los dos ceros iguales a = a
(a) Mostrar que las dos funciones
y(k) = ak

y(k) = kak

son soluciones
(b) Hallar la soluci
on de esta ecuacion que satisface las condiciones iniciales y(0) = 1 e y(1) = 0.
Representar graficamente.
(c) Hallar la soluci
on para otras condiciones iniciales.
n de Fibonacci
11. Sucesio
La serie de n
umeros
1, 1, 2, 3, 5, 8, 13, 21, . . .
se llama sucesi
on de Fibonacci. Sus terminos estan generados por la ecuacion en diferencias
y(k + 2) = y(k + 1) + y(k)
con las condiciones iniciales y(1) = y(2) = 1. Sus terminos pueden ser calculados en forma recursiva, o,
alternativamente, obtenerse su soluci
on general.

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

La ecuaci
on caracterstica correspondiente a la sucesion de Fibonacci es
2 1 = 0
Sus soluciones son

1+ 5
1.618
2

1 5
2 =
.618
2
El n
umero 1 se conoce como la secci
on
aurea y fue considerada por los antiguos Griegos como el valor
con mejores caractersticas esteticas para la razon entre los lados adyacentes de un rectangulo.
En termino de estos valores la solucion de la ecuacion en diferencias de Fibonacci es
1 =

y(k) = Ak1 + Bk2

para constantes indeterminadas A y B. Utilizando las condiciones iniciales para k = 1 y k = 2 se pueden
obtener (verificarlo)

A = 1/ 5

B = 1/ 5
En consecuencia la soluci
on resulta

!
1 + 5 k
y(k) =

!k
1 5
1

5
2

Los n
umeros de Fibonacci son F1 = 1, F2 = 1, F3 = 2, F4 = 3, y as sucesivamente. Dado que
F48 = 4, 807, 526, 976 y F49 = 7, 778, 742, 049 (?), cual es la suma de los cuadrados de los primeros
cuarenta y ocho n
umeros de Fibonacci?
12. Ruina del jugador
Considerar una situaci
on de juego que involucra dos jugadores A y B. (Un ejemplo es la ruleta con
A un jugador y B la casa). En una jugada hay una probabilidad p, 0 < p < 1, de que el jugador A gane
una ficha del jugador B y una probabilidad q = 1 p de que el jugador B gane una ficha del jugador
A. Los jugadores comienzan con cantidades iniciales a y b de fichas, respectivamente. Un jugador gana
si obtiene todas las fichas. Cu
al es la probabilidad de que el jugador A gane?
Para resolver este problema cl
asico considerar la situacion general en que A tiene k fichas, 0 k a+b,
y B tiene a + b k fichas. Denotemos la probabilidad de que, en estas condiciones, gane el jugador A
como u(k), y determinemos una ecuacion en diferencias para u(k).
Si el jugador A ti[ene k fichas, al terminar el siguiente juego debera tener k 1 o k + 1 dependiendo
de que pierda o gane el juego. En consecuencie debera tenerse
u(k) = pu(k + 1) + qu(k 1)
Ademas se tienen las condiciones adicionales
u(0) = 0,

u(a + b) = 1

Esta ecuaci
on en diferencias para u(k) es lineal, homogenea y tiene coeficientes constantes. Su ecuacion
caracterstica es
p2 + q = 0
Sus races son 1 = 1, y 2 = q/p. En consecuencia, si p 6= q, la solucion general es
u(k) = c1 + c2 (q/p)k

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

Utilizar las condiciones inicial y final para obtener

1 (q/p)k
1 (q/p)a+b
En consecuencia, si el jugador A tiene originalmente a fichas la probabilidad de que gane resulta
1 (q/p)a
u(a) =
1 (q/p)a+b
Veamos un ejemplo: el caso de la ruleta en la que se juega a color. Si la casa tiene 1000 fichas y el
jugador 100 y se apuesta una ficha a rojo o negro cada vez, la probabilidad de que el jugador haga saltar
la banca se obtiene as,
18
19
p=
,
q=
,
a = 100,
b = 1000
37
37
y entonces
1 (19/18)100
u(100) =
= 3.29 1024
1 (19/18)1100
En muchos casinos europeos, inclusive Montecarlo, una apuesta a rojo o negro no se pierde al salir 0.
En cambio la apuesta queda pendiente en el color en que estaba hasta que salga o rojo o negro y en tal
caso se gana o pierde seg
un la apuesta
(a) Justificar que una ecuaci
on en diferencias apropiada para el problema de la ruina del jugador en
este caso es
1
1
18
18
u(k 1) + u(k) + u(k 1) + u(k + 1)
u(k) =
37
74
74
37
Hallar la probabilidad de hacer saltar la banca en Montecarlo.
(b) Realizar varias sesiones simuladas de ruleta y estudiar la evolucion del capital del jugador. (Notar
que son rojos los n
umeros 1, 3, 5, 7, 9, 12, 14, 16, 18, 19, 21, 23, 25, 27, 30, 32, 34, 36, el 0 no
es rojo ni negro y los restantes son negros, y, ademas que la funcion rand del matlab permite
obtener ciertas sucesiones de n
umeros casi al azar). Si se desea puede sustituirse la ruleta por
otro juego de azar.
u(k) =

13. Ejercicio (Equilibrio de oferta y demanda)

Dadas las funciones
dk = 100 2pk
sk = 20 + 3pk1
hallar el valor de equilibrio del precio y verificar si es estable o inestable. Suponer que el valor inicial
del precio es p0 = 25.
14. Ejercicio (Equilibrio de oferta y demanda)
(a) El mismo problema que el ejercicio previo con los datos
dk = 5 + 3pk ,
(b) Idem con
(i) dk = 80 4pk ,
(ii) dk = 80 pk ,
(iii) dk = 20 + pk ,

sk = 35 + 1.5pk1 ,

sk = 10 + 2pk1 ,
sk = 10 + pk1 ,
sk = 10 + 2pk1 ,

p0 = 10

p0 = 18
p0 = 50
p0 = 31

n de sistemas en diferencias
Identificacio

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

n
15. Introduccio
La noci
on de modelo matem
atico es fundamental en ciencia e ingeniera. Un modelo es un metodo
u
til y compacto de resumir el conocimiento de un proceso. Un modelo es tambien una herramienta
muy efectiva para la educaci
on y la comunicacion. Los metodos para el dise
no de procesos suponen que
los modelos para el proceso y las perturbaciones son conocidos. Los modelos para el proceso pueden
obtenerse a veces a partir de principios fsicos. Es mas difcil obtener modelos de las perturbaciones, las
que son igualmente importantes. Estos deben obtenerse a menudo de experimentos. Un proceso no puede
caracterizarse con un modelo matem
atico. En cambio debera representarse con una jerarqua de modelos
que van desde modelos muy simples hasta modelos de simulacion detallados y complejos. Los primeros
se utilizan con prop
osito exploratorio y para obtener las caractersticas gruesas del comportamiento
del sistema. Los modelos complicados toman largo tiempo para su desarrollo y se usan para chequeo
detallado de la performance del sistema. Entre ambos extremos se tiene toda la gama posible. El metodo
de modelizaci
on debera ser entonces una serie de combinaciones inteligentes de los metodos basados en
+ conocimiento de las leyes del sistema,
+ experimentos.
Una de las vas para la construcci
on de modelos matematicos es el estudio directo de los mecanismos
que generan se
nales y variables dentro del sistema. A partir del conocimiento de las leyes y relaciones
fsicas que rigen el sistema se organiza el proceso denominado de modelado.
La otra va es el proceso de identificacion, que parte de la realizacion de experimentos concretos o
conceptuales especfica y cuidadosamente dise
nados con el fin de obtener informacion cierta, y desarrolla
un proceso en dos etapas: la primera de seleccion de una familia de modelos que pueda representar el
sistema a la luz de la informaci
on existente, y la segunda de determinacion del miembro particular de
la familia que mejor describe los datos observados. Esta u
ltima se denomina estimaci
on de par
ametros
del modelo que estamos identificando.
La identificaci
on es as un nexo entre el mundo de los modelos matematicos y el mundo real. Por ello
es de alto interes tanto desde el punto de vista conceptual como desde el practico.
La primera parte del proceso de identificacion, la seleccion de la familia de modelos entre los que luego
escogeremos el que se adapta mejor a los datos, esta asociada al conocimiento que podamos adquirir del
sistema que deseamos representar.
Una vez realizada la determinaci
on de la familia de modelos en cuestion, existen dos metodos generales
para procesar la informaci
on que define al sistema en estudio: uno de ellos consiste en acumular toda
la informaci
on hasta un cierto instante y procesarla en conjunto, el otro, en cambio, permite procesar
los datos a medida que van siendo producidos por el sistema (y nuestros procesos de determinacion). El
metodo que procesa toda la informacion en bloque se denomina proceso batch o identificacion off-line.
El otro metodo se denomina identificacion recursiva, on-line, o en tiempo real.
n de sistemas
16. Identificacio
La identificaci
on de sistemas es el campo del modelado matematico de sistemas a partir de datos
experimentales. Ha adquirido amplia aplicacion en muchas areas. En ingeniera de sistemas y control,
los metodos de identificaci
on de sistemas se utilizan para obtener modelos apropiados para la sntesis de
un regulador, dise
no de un algoritmo predictivo, o simulacion. En las aplicaciones de procesamiento de
se
nales (e.g. comunicaciones, ingeniera geofsica e ingeniera mecanica) los modelos obtenidos por identificacion de sistemas se utilizan para analisis espectral, deteccion de fallas, reconocimiento de patterns,
filtrado adaptivo, predicci
on lineal y otros propositos.
Las tecnicas de identificaci
on de sistemas se usan con exito en campos no ingenieriles como biologa, ciencias ambientales y econometra, o economa matematica para lograr modelos para mejorar el
conocimiento cientfico del objeto identificado, o para control o prediccion.

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

Identificar un sistema consiste en elegir en un conjunto dado de modelos (lo que caracteriza nuestro
conocimiento a priori del sistema) el modelo que mejor acuerda con los experimentos.
Lo anterior supone que se ha escogido un ndice de performance que caracterice el ajuste modelosistema. Adem
as deben existir metodos para minimizar ese ndice de performance, los que deben ser
aplicables.
Por ejemplo, se puede definir el error de salida (error de output)
e(t) = y(t) ym (t)
donde ym (t) es la salida del modelo para la entrada u(t). En tal caso un ndice de performance podra
ser
Z T
Je =
e0 (t)W (t)e(t)dt
t0

donde W (t) es una matriz definida positiva.

Asimismo, si la relaci
on entrada-salida esta dada por la expresion
y (n) = g(y (n1) , , u, t; )
donde es un conjunto de par
ametros, es posible definir el error

(t) = y (n) g(y (n1) , , u, t; )

y el criterio de performance
Z

J =

|(t)|2 dt

t0

El metodo de identificaci
on batch consiste en acumular la informacion suministrada por uno o varios
experimentos y obtener los par
ametros que permiten minimizar el ndice de performance elegido. Cuando
el problema es lineal en los par
ametros el problema admite solucion completa. Cuando se obtiene
informaci
on adicional debe recalcularse el conjunto de parametros utilizando todos los datos obtenidos.
Los metodos de identificaci
on recursiva presentan ciertas ventajas respecto de los metodos clasicos.
Son u
tiles para los sistemas adaptivos. Su requerimiento de memoria es modesto. Por sus caractersticas
pueden transformarse con facilidad en algoritmos con tiempo real. En consecuencia pueden ser el primer
paso en un algoritmo semiinteligente de deteccion de fallas.
16.1. Ejemplo (Estimaci
on recursiva de una constante). Considerese el modelo
y(t) = b + e(t)
donde e(t) es una perturbaci
on. Es conocido que la estima por cuadrados mnimos de = b es
t

X
=1
y(s),
(t)
t s=1
es posible reformularlo como recursivo:
!
t1
1 X
1

1) + y(t)] = (t
1) + 1 [y(t) (t
1)]
(t) =
y(s) + y(t) = [(t 1)(t
t s=1
t
t
Este resultado es muy atractivo. La estima de en el tiempo t es igual a la estima anterior mas un
termino de correcci
on.
En la siguiente secci
on construiremos un algoritmo de identificacion recursiva general.

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

10

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

n recursiva
17. Algoritmo de identificacio
Llamaremos z(t) al conjunto de datos recibido en el tiempo t, y
z t = {z(t), z(t 1), , z(1)}
a todos los datos hasta el tiempo t. El vector de parametros se denotara .
17.1. Ejemplo. Un motor electrico puede ser modelado en forma muy simplificada de la siguiente forma:
u(t): voltaje aplicado en el tiempo t
y(t): velocidad angular en el tiempo t
Supongamos que la ecuaci
on en diferencias que rige el movimiento es
y(t) + ay(t 1) = bu(t)
donde a y b son constantes desconocidas.
En este caso el vector de datos es z(t) = (y(t), u(t))0 y el de parametros del modelo = (a, b)0 .
Podemos enunciar entonces el problema de identificacion como la determinacion de una funcion de
los datos z t a los par
ametros del modelo
zt)
z t (t;
donde es la estimaci
on de basada en la informacion contenida en z t .
En el proceso off-line se junta toda la informacion hasta el instante N y se obtiene
; zN )
N = (N
mediante la aplicaci
on de alg
un algoritmo que permita procesar toda la informacion acumulada.
En el proceso on-line en cambio se trata de ir procesando la informacion a medida que llega. En la
practica deseamos que los recursos de memoria y de computo no se incrementen con t, para ello suele
ser u
til condensar la informaci
on de los datos observados en una matriz S(t) con dimension fija y dada
S(t)} mediante
de antemano. El proceso es el de actualizar en cada etapa el conjunto {(t),
= ((t
1), S(t), z(t))
(t)
1), z(t))
S(t) = (S(t 1), (t
se forma con la estimacion previa, la matriz auxiliar, y los datos corrientes.
donde debe observarse que (t)

El conjunto {(t), S(t)} se actualiza mediante un algoritmo con un n

umero de operaciones que no depende
del instante t.
En resumen tenemos que el proceso de identificacion recursiva se reduce entonces a:
Elecci
on de un modelo parametrico adecuado.
Elecci
on de las funciones y .
Una de las aproximaciones posibles a la identificacion recursiva es la modificacion de metodos existentes de identificaci
on off-line.
17.2. Ejemplo. Consideremos el sistema dinamico regido por la ecuacion lineal en diferencias
y(t) + a1 y(t 1) + + an y(t n) = b1 u(t 1) + + bm u(t m) + v(t)
donde v(t) es una perturbaci
on no especificada. Expresaremos la ecuacion precedente utilizando los
vectores
0 = (a1 an b1 bm )
y
0 (t) = (y(t 1) y(t n) u(t 1) u(t m))

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

11

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

en la siguiente forma:
y(t) = 0 (t) + v(t)
Este modelo describe la variable observada y(t) como una combinacion lineal de las componentes del
vector observado m
as ruido.
18. Minimos cuadrados recursivos
Consideramos el modelo del ejemplo precedente
y(t) = 0 (t) + v(t)
aqu deseamos estimar el vector de parametros a partir de las mediciones de y(t) y (t) con t =
1, 2, , N . Una forma habitual de hacerlo es elegir la estima minimizando lo que el modelo deja sin
explicar, es decir el error v(t). La funcion por minimizar respecto de es entonces
VN () =

N
1 X
t [y(t) 0 (t)]2
N 1

donde {t } es una sucesi

on de n
umeros positivos. La solucion del problema de minimizacion previo es
conocida:
"N
#1 N
X
X
0
)=
(N
t (t) (t)
t (t)y(t)
t=1

t=1

siempre que exista la inversa.

A continuaci
on veamos c
omo es posible expresar la solucion precedente en forma recursiva. Para ello
llamemos
t
X
S(t) =
k (k)0 (k)
k=1

entonces se tiene que

1) =
S(t 1)(t

t1
X

k (k)y(k)

k=1

y, por la definici
on de S(t),
S(t 1) = S(t) t (t)0 (t)
En consecuencia, luego de efectuar varias operaciones,
= (t
1) + S 1 (t)(t)t [y(t) 0 (t 1)(t)]
(t)
y
S(t) = S(t 1) + t (t)0 (t)
de manera que hemos obtenido una expresion recursiva para la estimacion.
Notemos que en cada paso de la recursion hay que invertir la matriz S(t). Podemos modificar el
algoritmo con el fin de evitar esta inversion. Sea entonces
P (t) = S 1 (t)
y trabajemos con P (t) directamente. Para poder hacerlo necesitamos el siguiente lema de inversion de
matrices.

Carlos Enrique Neuman, [email protected]

September 14, 2000

tica (FIQ, UNL)

Departamento de Matema

12

tica Aplicada. Ana

lisis Nume
rico, Programacio
n, Estadstica e Investig. Operativa.
Area
II: Matema

18.1. Lema. Sean A, B, C, y D matrices de dimensiones compatibles, de modo que existan BCD y
A + BCD. Entonces
(A + BCD)1 = A1 A1 B[DA1 B + C 1 ]1 DA1 .
Aplicando el lema con A1 = P (t 1), B = (t), C = t , y D = 0 (t) se obtiene
P (t) = P (t 1)

P (t 1)(t)0 (t)P (t 1)
1
0
t + (t)P (t 1)(t)

tambien se puede obtener

t P (t)(t) =

1
t

P (t 1)(t)
+ 0 (t)P (t 1)(t)

por mnimos cuadrados pueden calcularse recursivamente por

con lo que las estimaciones de (t)
= (t
1) + L(t)[y(t) 0 (t 1)(t)]
(t)
L(t) =

1
t

P (t 1)(t)
+ 0 (t)P (t 1)(t)

P (t) = P (t 1)

P (t 1)(t)0 (t)P (t 1)
1
0
t + (t)P (t 1)(t)

= 0, donde C es una constante adecuada.

si se define, por ejemplo, P (0) = C I y (0)
Continuara. . .

Carlos Enrique Neuman, [email protected]

September 14, 2000