Documente Academic
Documente Profesional
Documente Cultură
Matlab
Presentado por:
Eduardo Rojas Murcia
Código: 7128357.
Deivy Faviany Vanegas Vásquez.
Código: 80829122.
Curso:
243005_9.
Presentado a:
Ing. Santiago Rua.
Tabla de contenidos
Objetivos ........................................................................................................................................ iv
Conclusiones ................................................................................................................................. 51
Introducción
Para el desarrollo de esta fase de trabajo, se procede en utilizar la herramienta ident matlab para
hallar los distintos modelos matemáticos, que requiere esta temática, con el fin de representar las
Tenemos en cuenta para llevar a cabo esta fase de demostración gráfica, el modelo de arx,
Objetivos
validación.
herramienta ident.
1. Desarrollo de la actividad
Identificación online: (Identificación recursiva), es en los que los parámetros se van actualizando
continuamente a partir de los nuevos datos de entrada-salida obtenidos durante la evolución del
proceso. Estos métodos son muy utilizados en sistemas de control adaptativo.
Modelo box Jenkins: se aplica a los modelos autorregresivos de media móvil ARMA o a los
modelos autorregresivos integrados de media móvil (arima) para encontrar el mejor ajuste de una
serie temporal de valores, a fin de que los pronósticos sean más acertados.
Modelo arx: da lugar a un sistema de ecuaciones donde las incógnitas a y b serán los coeficientes
de la función de transferencia discreta y que se obtienen según: mínimos cuadrados y variable
instrumental.
Mínimos Cuadrados: Minimiza la suma de los cuadrados de la parte derecha menos la parte
izquierda con respecto a los coeficientes a y b. Para esto se usa la función arx del Matlab.
Variable Instrumental: Se determinan a y b de manera tal que el error entre las partes derecha e
izquierda no correlaciona con alguna combinación lineal de la entrada. Para esto se usa la función
iv4.
Modelo armax: da lugar a un sistema de ecuaciones donde las incógnitas son los coeficientes del
modelo discreto, cuyas soluciones (de este modelo y los posteriores) se obtienen por predicción
del error con el Método de Máxima Verosimilitud.
Modelo output error: Este modelo describe la dinámica del sistema por separado de la dinámica
estocástica. El modelo de salida de errores no utiliza ningún parámetro para la simulación de las
características de las perturbaciones.
Comando ident:
El proceso de Identificación de Sistemas abarca los siguientes 6 pasos:
1. Importar datos desde el identificador: para crear un conjunto de datos a partir de las señales
de entrada y salida disponibles en el espacio de trabajo se debe seleccionar:
7
2. Examinando el dato: hay tres maneras para examinar un conjunto de datos. Se puede generar
para el conjunto de datos seleccionados en el cuadro de Data View.
• Time Plot: muestra uno o más conjuntos de datos seleccionados, la salida es el máximo
grafico y la entrada es el mínimo grafico. Las escalas de tiempo son consistentes con la
información del tiempo de muestra y el tiempo de inicio ingresado cuando se importo el
dato.
• Data spectra: espectro estimado de las entradas y salidas de los datos seleccionados.
• Frequency function: muestra las respuestas de frecuencia de los datos seleccionados.
8
3. Preprocessing data: preparando los datos para la estimación, contiene comandos para crear
onjuntos nuevos de datos basados en el Working Data Set.
• Select channels: permite seleccionar un subconjunto de los canales de entrada y salida del
conjunto de datos.
• Select experiments (no es utilizado con frecuencia): cuando el dato contiene varios
experimentos, permite seleccionar un subconjunto de experimentos.
• Merge experiments : permite combinar conjuntos de datos en conjuntos de
multiexperimentos. Útil cuando se usan más datos para estimar un modelo, pero
losconjuntos de datos han sido obtenidos en diferentes ocasiones y no pueden ser
fácilmente concatenados.
• Select range (únicamente usado para el tiempo de dominio del dato): permite seleccionar
porciones del conjunto de datos para ser usados con propósitos de estimación y validación.
9
• Remove means (únicamente usado para el tiempo de dominio del dato): elimina el
significado de los valores de ambas secuencias de entrada y salida.
• Remove trends (únicamente usado para el tiempo de dominio): estima y elimina la
orientación linear de las señales de entrada y salida.
• Filter: permite filtrar el conjunto de datos.
• Resample: permite cambiar el intervalo de muestreo usando interpolación y estimación. Se
puede volver a muestrear el Working Data Set para cualquier nuevo intervalo de muestreo
por interpolación y estimación.
• Transform data: permite transformar a frecuencia en función de los datos.
• Quick start: crea tres nuevos conjuntos de datos del Working Data Set. Primero los valores
significativos son eliminados, luego el dato es dividido en dos mitades, la primera mitad
se convierte en el nuevo Working Data set, y la segunda mitad se convierte en el conjunto
de validación de datos. Este comando también abre la ventada de gráficos. Para datos de
multi experimentos.
4. Estimate: provee de métodos para estimación de modelos basados en el Working Data Set. Tiene
los siguientes comandos:
• Parametric models: abre una ventana que permite generar modelos lineales dinámicos con
diferentes estructuras, órdenes y atrasos. Una estructura de modelos caracterizada por las
relaciones entre la entrada y salida de datos y entre las desconocidas fuentes de ruido y la
salida de dato.
• Process models: abre una ventana que permite generar, simple, tiempo continuo, modelos
lineares dinámicos caracterizados por una ganancia estática, tiempos constantes y tiempos
de atrasos.
5. Examining models: existen 6 formas de examinar modelos. Puedes generar estas vistas
seleccionando el modelo en la caja correspondiente en el área de Model Views.
• Model Output: muestra la simulación de salida del modelo seleccionado junto con la
medición de la salida. Los cálculos son llevados fuera del conjunto de validación.
• Model Resids: muestra el resultado del análisis residual de cada uno de los modelos
seleccionados. La predicción de errores es procesada usando la validación del conjunto de
datos y sus funciones de correlación son mostradas.
• Transient Response: muestra la respuesta transitoria de los modelos seleccionados.
• Frequency Resp: muestra la frecuencia de los modelos seleccionados.
• Zeros and Poles: muestra los ceros y polos del modelo seleccionado.
• Noise Spectrum: muestra el espectro del sonido aditivo de los modelos seleccionados.
Cuando una serie de tiempo es modelada, su espectro es mostrado.
6. Exportando datos y modelos: los datos y modelos no producen automáticamente una variable
en MATLAB. Se debe exportar cualquier variable en un conjunto de datos o modelo.
Modelos mentales:
Estos modelos carecen de formalismo matemático.
Modelos no parametricos:
Caracterización mediante gráficos y tablas que describan sus propiedades dinámicas mediante un
número no finito de parámetros.
Deterministicos o estocasticos:
Se dice que es un modelo es deterministico cuando expresa la relacion entre entradas y salidas
mediante una ecuacion exacta. Por el contra, un modelo es estocastico si posee un cierto grado de
incertidumbre. Estos ultimos se definen mediante conceptos probabilísticos o estadísticos.
11
Dinámicos o estáticos:
Un sistema es estático cuando la salida depende únicamente de la entrada en ese mismo instante
(un resistor, por ejemplo, es un sistema estático). En estos sistemas existe una relación directa entre
entrada y salida, independiente del tiempo. Un sistema es dinámico es aquel que en las salidas
evolucionan con el tiempo tras la aplicación de una determinada entrada.
Modelo teórico:
Se trata de un método analítico, en el que recurre a las leyes básicas de la física, para describir el
comportamiento dinámico de un fenómeno o proceso.
Identificación del sistema:
Se trata de un método experimental que permite obtener el modelo de un sistema a partir de datos
reales recogidos de la planta bajo estudio.
IdentenMATLAB:
Método que se utiliza para el análisis de circuitoseléctricos y representación parcial de modelos.
Existen diversos métodos de identificación, que pueden clasificarse según distintos criterios:
Dependiendo del tipo de modelo obtenido:
Métodos no paramétricos: que permiten obtener modelos no paramétricos del sistema bajo
estudio. Algunos de estos métodos son: análisis de la respuesta transitoria, análisis de la respuesta
en frecuencia, análisis de la correlación, análisis espectral, análisis de Fourier, etc.
Métodos paramétricos: que permiten obtener modelos paramétricos. Estos métodos requieren la
elección de una posible estructura del modelo, de un criterio de ajuste de parámetros, y por último
de la estimación de los parámetros que mejor ajustan el modelo a los datos experimentales.
Algunos de estos modelos, pueden ser: modelo ARX, modelo Output Error (OE), modelo
ARMAX, modelo Box Jenkins
Técnicas de identificación no paramétrica: Los métodos de identificación no paramétricos
permiten obtener modelos o representaciones no paramétricas de la planta bajo estudio.
12
en donde η(t) es el término que modela la salida debida a la entrada u(t), w(t) es el término que
modela la salida debida a las perturbaciones e(t), s(t) es la salida medible del sistema, y(t) es la
salida de interés del sistema.
Figura 6. Diagramas de bloques para los diferentes modelos (Fuente: Mª Elena López Guillén, p. 12).
Las diferentes estructuras (ARX, ARMAX, OE y BJ) presentan características que las diferencian
las unas de las otras, y deben de ser escogidas, fundamentalmente, en función del punto previsto
en el que el ruido del sistema es añadido. A pesar de tener en cuenta el punto de inclusión del
ruido, puede ser conveniente ensayar con diferentes estructuras y con varios órdenes dentro de una
misma estructura, hasta dar con un modelo adecuado del sistema (López 2016, p. 13).
14
Una vez elegido el tipo (ARX, ARMAX, BJ, OE, etc) y el orden de cada polinomio de la estructura
del modelo, hay que determinar el valor de los parámetros que ajustan la respuesta del modelo a
los datos de entrada y salida experimentales.
Esta etapa del proceso de identificación se puede realizar mediante el uso de herramientas
software, como por ejemplo el Toolbox de Identificación de Matlab (ident), que proporciona
diferentes algoritmos para el ajuste de parámetros. Existen diferentes métodos o criterios para
realizar el ajuste de parámetros, como por ejemplo el método de los mínimos cuadrados y el de
variables instrumentales.
Comando ident:
Herramienta Ident em MATLAB: Método que se utiliza para el análisis de circuitos eléctricos y
representación parcial de modelos.
Ident: Función de identificación de sistemas dinámicos incluida en Matlab a través de la caja de
herramientas “System Identification Toolbox”, la cual provee funciones de Matlab, bloques de
Simulink, y una aplicación para la construcción matemática de modelos de sistemas dinámicos a
partir de datos medidos de entrada y salida. Permite crear y usar modelos de sistemas dinámicos
que no es posible obtener fácilmente a partir de los datos o especificaciones iniciales. Es posible
usar entradas y salidas de datos en el dominio del tiempo y/o de la frecuencia para identificar
funciones de transferencia en tiempo continuo y discreto, modelos de proceso y modelos de
espacio de estados. La herramienta también provee algoritmos para estimación de parámetros
integrados en línea.
• ModeloARX:Sistema de ecuaciones donde las incógnitas serán los coeficientes de la
función de transferencia discreta.
• ModeloARMAX:Sistema de ecuaciones donde las incógnitas son los coeficientes del
modelodiscreto.
• ModeloOutput-Error:Modelos de ruido que no contienen la dinámica del proceso.
• ModeloBox-Jenkins del sistema.
15
Modelos no parametricos:
Caracterización mediante gráficos y tablas que describan sus propiedades dinámicas mediante un
número no finito de parámetros.
Modelos paramétricos o matemáticos:
Para aplicaciones más avanzadas, puede ser necesario utilizar modelos que describan las relaciones
entre las variables del sistema mediante expresiones matemáticas como pueden ser ecuaciones
diferenciales (para sistemas continuos) o en diferencias (para sistemas discretos).
16
Figura 7. Diagramas de bloques para los diferentes modelos (Fuente: Mª Elena López Guillén, p. 12).
19
Referencias Bibliograficas:
Angermann, A. (2011) MATLAB - Simulink - Stateflow: Grundlagen. Toolboxen, Beispiele
(Vol. 7., aktualisierte Auflage). Munich, Germany: De Gruyter Oldenbourg. (pp. 117 - 133).
Recuperado de:
http://bibliotecavirtual.unad.edu.co/login?url=https://bibliotecavirtual.unad.edu.co:2969/login.as
px?direct=true&db=nlebk&AN=674426&lang=es&site=ehostlive&ebv=EB&ppid=pp_117
Gil, R. M. (2003). Introducción rápida a Matlab y Simulink para ciencia e ingeniería. Madrid,
ES: Ediciones Díaz de Santos. (pp. 81 - 92). Recuperado de:
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=93&docID=3171391&t
m=1541556868646
Amaya Díaz, J. ( 17,12,2016). Identificación de sistemas. [Archivo de video]. Recuperado
de: http://hdl.handle.net/10596/10872
Villegas, L. (2007). Trabajo teórico práctico con Matlab. Buenos Aires, AR: El Cid Editor -
Informática. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=23&docID=10165756&t
m=1481844464476direct=true&db=e000xww&AN=650507&lang=es&site=ehost-live
Gil, R. M. (2003). Introducción rápida a Matlab y Simulink para ciencia e ingeniería. Madrid,
ES: Ediciones Díaz de Santos. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=33&docID=11059428&t
m=1481846504254
Creus, S. A. (2007). Simulación y control de procesos por ordenador (2a. ed.). Barcelona, ES:
Marcombo. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=45&docID=10212445&t
m=1481848330059
Identificación de Sistemas. (s.f.). Recuperado de http://www.ing.ula.ve/noriegam/index.php
Identificación de sistemas dinámicos. (s.f.). Recuperado de
https://catedra.ing.unlp.edu.ar/electrotecnia/cys/pdf/identificacion.pdf
5. Teniendo en cuenta los insumos entregados, realizar las siguientes actividades con la
herramienta ident incorporada en MATLAB®:
5.1. A partir de las mediciones de entrada y salida del sistema, utilice la herramienta ident
incorporada en MATLAB® para realizar el procedimiento requerido a las señales
dadas que le permita obtener la función de transferencia del sistema
Procedimiento:
• Importar los archivos de insumos a Matlab (Import Data).
• Las variables estarán disponibles en el workspace de Matlab.
• Se ejecuta la orden ident en Command Window.
• Importamos los datos en el dominio del tiempo.
• Input (u) Ouput (y) del workspace.
• Estimamos la función de transferencia.
• 2 Polos y 1 Zeros.
• Tiempo discreto.
• Obtenemos tf1.
• Llevamos tf1 a To LTI to Viewer.
24
Función de transferencia:
0.2584 𝑧 −1
𝐹𝑇 =
1 − 1.879 𝑧 −1 + 0.9076 𝑧 −2
0.2584
𝐹𝑇 = 𝑧
1.879 0.9076
1− 𝑧 +
𝑧2
0.2584
𝐹𝑇 = 𝑧
1 1.879 0.9076
1 − 𝑧 + 𝑧2
0.2584
𝐹𝑇 = 𝑧
1 𝑧 2 1.879 𝑧 0.9076
1 (𝑧 2 ) − 𝑧 (𝑧 ) + 𝑧 2
0.2584
𝐹𝑇 = 2 𝑧
𝑧 1.879𝑧 0.9076
− +
𝑧2 𝑧2 𝑧2
0.2584
𝐹𝑇 = 2 𝑧
𝑧 − 1.879𝑧 + 0.9076
𝑧2
28
0.2584 𝑧 2
𝐹𝑇 =
𝑧(𝑧 2 − 1.879𝑧 + 0.9076)
0.2584 𝑧
𝐹𝑇 =
(𝑧 2 − 1.879𝑧 + 0.9076)
Función de transferencia:
0.2584 𝑧
𝐹𝑇 =
(𝑧 2 − 1.879𝑧 + 0.9076)
29
Función de transferencia:
𝑦(𝑡) 𝐵(𝑧)
= + 𝑒(𝑡)
𝑢(𝑡) 𝐴(𝑧)
1 1
𝑦(𝑡) 0.8138 𝑧 − 0.5961 2
= 𝑧
𝑢(𝑡) 1 − 1.78 1 + 0.8043 1
𝑧 𝑧2
0.8138 0.5961
𝑦(𝑡) 𝑧 − 𝑧2
=
𝑢(𝑡) 1 − 1.78 + 0.8043
𝑧 𝑧2
0.8138 𝑧 − 0.5961
𝑦(𝑡) 𝑧2
= 2
𝑢(𝑡) 𝑧 − 1.78 𝑧 + 0.8043
𝑧2
31
Función de transferencia:
𝑦(𝑡) 𝐵(𝑧)
= + 𝐶(𝑧)𝑒(𝑡)
𝑢(𝑡) 𝐴(𝑧)
1 1
𝑦(𝑡) 1.349 𝑧 − 1.226 2
= 𝑧
𝑢(𝑡) 1 − 1.892 1 + 0.9057 1
𝑧 𝑧2
1.349 1.226
𝑦(𝑡) − 2
𝑧 𝑧
=
𝑢(𝑡) 1 − 1.892 + 0.9057
𝑧 𝑧2
1.349 𝑧 − 1.226
𝑦(𝑡) 𝑧2
= 2
𝑢(𝑡) 𝑧 − 1.892 𝑧 + 0.9057
𝑧2
34
Función de transferencia:
Función de transferencia:
𝐵(𝑧)
𝑦(𝑡) = [ ] 𝑢(𝑡) + 𝑒(𝑡)
𝐹(𝑧)
𝑦(𝑡) 𝐵(𝑧)
=[ ] + 𝑒(𝑡)
𝑢(𝑡) 𝐹(𝑧)
𝑦(𝑡) 𝐵(𝑧)
=[ ]
𝑢(𝑡) 𝐹(𝑧)
1 1
𝑦(𝑡) 1.386 𝑧 − 1.262 2
= 𝑧
𝑢(𝑡) 1 − 1.89 1 + 0.9042 1
𝑧 𝑧2
37
1.386 1.262
𝑦(𝑡) 𝑧 − 𝑧2
=
𝑢(𝑡) 1 − 1.89 + 0.9042
𝑧 𝑧2
1.386 𝑧 − 1.262
𝑦(𝑡) 𝑧2
= 2
𝑢(𝑡) 𝑧 − 1.89 𝑧 + 0.9042
𝑧2
Función de transferencia:
Función de transferencia:
𝐵(𝑧) 𝐶(𝑧)
𝑦(𝑡) = [ ] 𝑢(𝑡) + [ ] 𝑒(𝑡)
𝐹(𝑧) 𝐷(𝑧)
𝐵(𝑧) 𝐶(𝑧)
𝑦(𝑡) = [ ] 𝑢(𝑡) + [ ] 𝑒(𝑡)
𝐹(𝑧) 𝐷(𝑧)
𝑦(𝑡) 𝐵(𝑧)
=[ ]
𝑢(𝑡) 𝐹(𝑧)
1 1
𝑦(𝑡) 1.351 𝑧 − 1.227 2
= 𝑧
𝑢(𝑡) 1 − 1.891 1 + 0.9052 1
𝑧 𝑧2
1.351 1.227
𝑦(𝑡) 𝑧 − 𝑧2
=
𝑢(𝑡) 1 − 1.891 + 0.9052
𝑧 𝑧2
1.351 𝑧 − 1.227
𝑦(𝑡) 𝑧2
= 2
𝑢(𝑡) 𝑧 − 1.891 𝑧 + 0.9052
𝑧2
Función de transferencia:
6.2. Utilice MATLAB® para simular la función de transferencia discreta del modelo ARX y
grafique la salida de cada sistema cuando se aplica una entrada constante 𝑉(𝑡) = 5 𝑉, durante
los primeros 5 segundos y en ese momento se aplica una entrada escalón unitario durante 5
segundos más. De manera que la simulación dura 10 segundos.
45
6.3. Utilice MATLAB® para simular la función de transferencia discreta del modelo
ARMAX y grafique la salida de cada sistema cuando se aplica una entrada constante 𝑉(𝑡) =
5 𝑉, durante los primeros 5 segundos y en ese momento se aplica una entrada escalón unitario
durante 5 segundos más. De manera que la simulación dura 10 segundos.
46
6.4. Utilice MATLAB® para simular la función de transferencia discreta del modelo OE y
grafique la salida de cada sistema cuando se aplica una entrada constante 𝑉(𝑡) = 5 𝑉, durante
los primeros 5 segundos y en ese momento se aplica una entrada escalón unitario durante 5
segundos más. De manera que la simulación dura 10 segundos.
47
6.5. Utilice MATLAB® para simular la función de transferencia discreta del modelo Box
Jenkins y grafique la salida de cada sistema cuando se aplica una entrada constante 𝑉(𝑡) = 5
𝑉, durante los primeros 5 segundos y en ese momento se aplica una entrada escalón unitario
durante 5 segundos más. De manera que la simulación dura 10 segundos.
48
Funciones de transferencia:
Función de transferencia:
𝑦(𝑡) 0.2584 𝑧
= 2
𝑢(𝑡) (𝑧 − 1.879𝑧 + 0.9076)
Modelo ARX:
𝑦(𝑡) 0.8138 𝑧 − 0.5961
= 2
𝑢(𝑡) 𝑧 − 1.78 𝑧 + 0.8043
Modelo ARMAX:
𝑦(𝑡) 1.349 𝑧 − 1.226
= 2
𝑢(𝑡) 𝑧 − 1.892 𝑧 + 0.9057
Modelo OE:
𝑦(𝑡) 1.386 𝑧 − 1.262
= 2
𝑢(𝑡) 𝑧 − 1.89 𝑧 + 0.9042
Modelo Box Jenkins:
𝑦(𝑡) 1.351 𝑧 − 1.227
= 2
𝑢(𝑡) 𝑧 − 1.891 𝑧 + 0.9052
49
Conclusiones:
Con el fin de realizar una correcta estimación del modelo de predicción 09 se evaluaron diferentes
modelos de predicción tales como:
Modelo ARX El modelo auto regressive with exogenous input (ARX), es comúnmente
seleccionado como la primera opción en la identificación de sistemas lineales
Modelo ARMAX El modelo auto regressive with moving average and exogenous input
(ARMAX), describe el error en la ecuación como un promedio móvil.
Modelo Output Error El modelo Output-Error (OE), es un tipo de modelo ARMAX, el cual
posee una relación de entrada/salida sin perturbación, y que adicionalmente posee ruido blanco en
la salida.
Modelo Box-Jenkins El Modelo Box-Jenkins, es una generalización del modelo OE, el cual se
define como un modelo ARMAX con una relación de entrada/salida sin perturbación, más ruido
blanco en la salida.
Con el fin de determinar el índice de desempeño de cada uno de los modelos predictivos propuestos
para el modelamiento del sistema, se hace uso de los criterios mediante la identificación del
sistema. Se trata de un método experimental que permite obtener el modelo del sistema.
Generalmente los modelos paramétricos se describen en el dominio discreto, puesto que los datos
que sirven de base para la identificación se obtienen por muestreo. En el caso de que se requiera
un modelo continuo, siempre es posible realizar una transformación del dominio discreto al
continuo.
Para el sistema del modelo 09 y dado que el ruido se suma directamente a la salida, el tipo de
estructura más apropiada para identificación debe ser del tipo “Output Error” (OE). Dentro de
este tipo, el número de parámetros óptimo de los polinomios B y F son los que coinciden con la
estructura real del sistema, es decir: y por tanto nb=2, nf=2 y nk=1.
Con base en los resultados obtenidos por los modelos frente al error cuadrático medio estimado,
así como frente al índice de desempeño, se puede concluir que el modelo obtenido por medio de
modelos de predicción lineal basados en métodos paramétricos es el OE, el cual mostró los mejores
resultados para ambos criterios.
Puesto que la correlación no se sale del margen de validez, se deduce que la dinámica del sistema
queda suficientemente caracterizada con el modelo escogido.
50
Link Video:
https://youtu.be/wO5-xlRG7ds
51
Conclusiones
Se representaron los diferentes órdenes de modelos, para llevar a cabo el proceso de muestra de
una señal dada la entrada y salida del circuito analizado y sus respectivos tiempos, permitiendo
mediante ecuaciones, poder representar los diagramas de modelo arx, output error, box Jenkins.
las características de sistemas lineales, donde se ha logrado interactuar con las herramientas del
software Matlab y Simulink, siendo identificado los modelos de mejor respuesta al sistema en
estudio.
Mediante estos datos experimentales se logra hallar y evaluar cada uno de los modelos, además se
maneja de una forma más profunda los sistemas de programación en Matlab y su correspondiente
Referencias Bibliográficas