Alvarado Moya

Instituto Tecnologico de Costa Rica
Escuela de Ingeniera Electronica
Notas de clase
Procesamiento Digital de Se
nales
Dr. Jose Pablo Alvarado Moya
Borrador de 20 de abril de 2006
Prefacio
Estas notas de clase pretenden ofrecer al estudiante una gua para el curso Procesamiento
Digital de Se
nales. No deben considerarse bajo ninguna circunstancia como fuente de
informacion u
nica. En cada captulo se hace referencia a fuentes bibliograficas adicionales
que el estudiante debera revisar por su cuenta, con ejercicios adicionales y mayor detalle
en su presentacion.
El concepto del curso se ha orientado en las sugerencias de los autores John G. Proakis y
Dimitris G. Manolakis [13] para un programa semestral de curso de pregrado, con algunas
adiciones y principalmente res
umenes de la materia considerados necesarios. Mas detalles
de los temas tratados aqu se podran entonces encontrar del captulo 1 al captulo 8 del
mencionado libro de texto.
Las presentes notas de clase son para uso exclusivo del curso Procesamiento Digital de
Se
nales de la Escuela de Ingeniera Electronica del Instituto Tecnologico de Costa Rica.
Dr. Jose Pablo Alvarado Moya

Cartago, 20 de abril de 2006
Reservados todos los derechos. Ni la totalidad ni parte de este documento pueden reproducirse, registrarse o transmitirse en ninguna forma ni por ning
un medio sin permiso
previo del autor.
c 2005-2006 P. Alvarado Escuela de Electronica Instituto Tecnologico de Costa Rica

Indice general
Indice de tablas
vii
Indice de ejemplos
ix
Revisar
xi
Lista de smbolos y abreviaciones
xiii
1 Introducci
on
1.1 Se
nales y sistemas . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Se
nales . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2 Sistemas . . . . . . . . . . . . . . . . . . . . . . . . .
1.1.3 Elementos de un sistema de procesamiento de se
nales
1.1.4 Ventajas del procesamiento digital sobre el analogico
1.1.5 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . .
1.2 Frecuencia en se
nales continuas y discretas . . . . . . . . . .
1.2.1 Se
nal sinusoidal continua . . . . . . . . . . . . . . . .
1.2.2 Se
nal sinusoidal discreta . . . . . . . . . . . . . . . .
1.2.3 Exponenciales complejos relacionados armonicamente
1.3 Conversiones analogica/digital y digital/analogica . . . . . .
1.3.1 Muestreo de se
nales analogicas . . . . . . . . . . . . .
1.3.2 Cuantificacion de se
nales de amplitud continua . . . .
1.3.3 Codificacion de los valores cuantificados . . . . . . .
1.3.4 Conversion Digital/Analogica . . . . . . . . . . . . .
1.4 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2 Se
nales y Sistemas de Variable Discreta
2.1 Se
nales de variable discreta . . . . . . . . . . . . . . . . . . . . .
2.1.1 Se
nales elementales de variable discreta . . . . . . . . . . .
2.1.2 Manipulaciones elementales de se
nales de variable discreta
2.1.3 Clasificacion de se
nales de variable discreta . . . . . . . . .
i
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
3
4
5
6
10
10
12
16
17
18
20
22
23
24
.
.
.
.
27
27
29
32
34
Indice general
2.2
2.3
2.4
2.5
2.6
2.7
Sistemas en tiempo discreto . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.1 Descripcion entrada-salida de sistemas . . . . . . . . . . . . . . .
2.2.2 Diagramas de bloques . . . . . . . . . . . . . . . . . . . . . . . .
2.2.3 Clasificacion de los sistemas discretos . . . . . . . . . . . . . . . .
2.2.4 Interconexion de sistemas discretos . . . . . . . . . . . . . . . . .
Analisis de sistemas discretos lineales e invariantes en el tiempo . . . . .
2.3.1 Tecnicas de analisis . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.2 Descomposicion de una se
nal en impulsos . . . . . . . . . . . . . .
2.3.3 Convolucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.4 Propiedades de la convolucion . . . . . . . . . . . . . . . . . . . .
2.3.5 Sistemas LTI causales . . . . . . . . . . . . . . . . . . . . . . . .
2.3.6 Estabilidad de sistemas lineales e invariantes en el tiempo . . . . .
2.3.7 Sistemas de respuesta finita e infinita . . . . . . . . . . . . . . . .
Sistemas discretos descritos mediante ecuaciones de diferencias . . . . . .
2.4.1 Sistemas discretos recursivos y no recursivos . . . . . . . . . . . .
2.4.2 Sistemas LTI caracterizados por ecuaciones de diferencias con coeficientes constantes . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.3 Solucion de ecuaciones de diferencias con coeficientes constantes .
2.4.4 Respuesta impulsional de un sistema recursivo LTI . . . . . . . .
Implementacion de sistemas discretos . . . . . . . . . . . . . . . . . . . .
2.5.1 Estructuras para la realizacion de sistemas LTI . . . . . . . . . .
Correlacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.6.1 Autocorrelacion y correlacion cruzada . . . . . . . . . . . . . . . .
2.6.2 Propiedades de la correlacion . . . . . . . . . . . . . . . . . . . .
2.6.3 Correlacion de secuencias periodicas . . . . . . . . . . . . . . . . .
2.6.4 Secuencias de correlacion de entrada-salida . . . . . . . . . . . . .
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3 An
alisis de sistemas LTI discretos con la transformada z
3.1 La transformada z . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 La transformada z directa . . . . . . . . . . . . . . . . . . .
3.1.2 La transformada z inversa . . . . . . . . . . . . . . . . . . .
3.2 Propiedades de la transformada z . . . . . . . . . . . . . . . . . . .
3.3 Transformadas z racionales . . . . . . . . . . . . . . . . . . . . . . .
3.3.1 Polos y ceros . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.2 Localizacion de los polos y el comportamiento en el dominio
para se
nales causales . . . . . . . . . . . . . . . . . . . . . .
3.3.3 La funcion de transferencia de un sistema LTI . . . . . . . .
3.4 Inversion de la transformada z . . . . . . . . . . . . . . . . . . . . .
ii
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
. .
. .
. .
. .
. .
. .
de
. .
. .
. .
.
.
.
.
.
.
n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
38
38
41
43
46
47
47
48
48
54
55
55
58
58
59
.
.
.
.
.
.
.
.
.
.
.
60
63
68
71
71
74
75
75
77
80
81
.
.
.
.
.
.
83
83
83
89
92
98
98
. 101
. 102
. 105
Borrador: April 20, 2006
Indice general
3.5
3.6
3.7
3.4.1 La transformada z inversa por integracion de contorno . . . . . . . 106

3.4.2 La transformada z inversa mediante expansion en serie de potencias 108
3.4.3 La transformada z inversa mediante expansion en fracciones parciales110
La transformada z unilateral . . . . . . . . . . . . . . . . . . . . . . . . . . 114
3.5.1 Definicion y propiedades . . . . . . . . . . . . . . . . . . . . . . . . 114
3.5.2 Solucion de ecuaciones de diferencias . . . . . . . . . . . . . . . . . 118
Analisis de sistemas LTI en el dominio z . . . . . . . . . . . . . . . . . . . 119
3.6.1 Respuesta de sistemas con funcion de transferencia racional . . . . . 119
3.6.2 Condiciones iniciales no nulas . . . . . . . . . . . . . . . . . . . . . 120
3.6.3 Respuesta transitoria y en regimen permanente . . . . . . . . . . . 122
3.6.4 Causalidad y Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . 123
3.6.5 Cancelacion polo-cero . . . . . . . . . . . . . . . . . . . . . . . . . . 123
3.6.6 Polos de orden m
ultiple y estabilidad . . . . . . . . . . . . . . . . . 123
3.6.7 Estabilidad de sistemas de segundo orden . . . . . . . . . . . . . . . 124
Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4 Ortogonalidad y Series de Fourier

4.1 Espacios vectoriales . . . . . . . . . .
4.1.1 Combinaciones lineales . . . .
4.1.2 Subespacios y bases . . . . . .
4.2 Espacios de Hilbert . . . . . . . . . .
4.3 Ortogonalidad de vectores . . . . . .
4.4 Ortogonalidad de funciones . . . . .
4.5 Series de Fourier . . . . . . . . . . .
4.5.1 Series generalizadas de Fourier
4.5.2 Series de Fourier . . . . . . .
4.6 Problemas . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 An
alisis frecuencial
5.1 Espectro de se
nales continuas . . . . . . . . . . . . . . . . . . . . . .
5.1.1 Espectro de se
nales continuas periodicas . . . . . . . . . . . .
nales continuas aperiodicas . . . . . . . . . . . .
5.2 Espectro de se
nales en tiempo discreto . . . . . . . . . . . . . . . . .
nales discretas periodicas . . . . . . . . . . . . .
nales discretas aperiodicas . . . . . . . . . . . .
5.2.3 Relacion de la transformada de Fourier con la transformada z
5.2.4 El teorema del muestreo . . . . . . . . . . . . . . . . . . . . .
5.3 Propiedades de la transformada de Fourier de se
nales discretas . . . .
5.4 Sistemas LTI en el dominio de la frecuencia . . . . . . . . . . . . . .
5.4.1 La funcion de respuesta en frecuencia . . . . . . . . . . . . . .
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
131
. 131
. 132
. 133
. 134
. 136
. 138
. 139
. 139
. 140
. 143
.
.
.
.
.
.
.
.
.
.
.
145
. 145
. 145
. 147
. 150
. 150
. 152
. 153
. 156
. 161
. 163
. 163
iii
Indice general
5.4.2
5.4.3
5.4.4
5.4.5
5.5
5.6
5.7
Respuesta transitoria y en regimen permanente a entradas sinusoidales166

Respuesta en regimen permanente a se
nales de entrada periodicas . 167
Respuesta a se
nales de entrada aperiodicas . . . . . . . . . . . . . . 167
Relaciones entre la funcion de transferencia y la respuesta en frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.4.6 Calculo de la respuesta en frecuencia . . . . . . . . . . . . . . . . . 169
Sistemas LTI como filtros selectivos en frecuencia . . . . . . . . . . . . . . 170
5.5.1 Filtros ideales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
5.5.2 Filtros paso alto, paso bajo y paso banda . . . . . . . . . . . . . . . 172
5.5.3 Resonadores digitales . . . . . . . . . . . . . . . . . . . . . . . . . . 175
5.5.4 Filtros ranura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.5.5 Filtros peine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.5.6 Filtros paso todo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
5.5.7 Osciladores digitales . . . . . . . . . . . . . . . . . . . . . . . . . . 183
Sistemas inversos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
5.6.1 Invertibilidad de sistemas LTI . . . . . . . . . . . . . . . . . . . . . 184
5.6.2 Sistemas de fase mnima, fase maxima y fase mixta . . . . . . . . . 186
5.6.3 Identificacion de sistemas . . . . . . . . . . . . . . . . . . . . . . . . 189
Transformada Discreta de Fourier . . . . . . . . . . . . . . . . . . . . . . . 190
5.7.1 Muestreo en el dominio de la frecuencia . . . . . . . . . . . . . . . . 190
5.7.2 La transformada discreta de Fourier . . . . . . . . . . . . . . . . . . 194
5.7.3 Relacion de la DFT con otras transformadas . . . . . . . . . . . . . 196
5.7.4 Propiedades de la DFT . . . . . . . . . . . . . . . . . . . . . . . . . 197
5.7.5 Filtrado lineal basado en la DFT . . . . . . . . . . . . . . . . . . . 202
5.7.6 Filtrado de secuencias de larga duracion . . . . . . . . . . . . . . . 204
5.7.7 Analisis frecuencial de se
nales usando la DFT . . . . . . . . . . . . 206
6 Introducci
on al dise
no de filtros digitales
209
6.1 Causalidad y sus implicaciones . . . . . . . . . . . . . . . . . . . . . . . . . 209
6.2 Filtros de respuesta de impulso finita . . . . . . . . . . . . . . . . . . . . . 212
6.2.1 Dise
no de filtros FIR por el metodo de ventanas . . . . . . . . . . . 215
6.2.2 Dise
no de filtros optimos . . . . . . . . . . . . . . . . . . . . . . . . 219
6.3 Dise
no de filtros de respuesta impulsional infinita a partir de filtros analogicos222
6.3.1 Dise
no por aproximacion de derivadas . . . . . . . . . . . . . . . . 223
6.3.2 Dise
no por invarianza impulsional . . . . . . . . . . . . . . . . . . . 224
6.3.3 La transformada z adaptada . . . . . . . . . . . . . . . . . . . . . . 225
6.3.4 Dise
no por transformacion bilineal . . . . . . . . . . . . . . . . . . 225
6.3.5 Filtros Analogicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
6.4 Transformacion de Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . 225
iv
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Indice general
Bibliografa
229
A Octave y Matlab
231
B Respuestas a Problemas
233
Indice alfab
etico
241
Borrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Indice general
vi
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Indice de tablas
1.1
Caractersticas de las se
nales . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1
2.2
2.3
2.4
Propiedades de se
nales de variable discreta. . . . . . . . . . . . . . . . . . .
Propiedades de sistemas discretos. . . . . . . . . . . . . . . . . . . . . . . .
Ejemplo de convolucion de dos secuencias finitas. . . . . . . . . . . . . . .
Forma general de la solucion particular para diversos tipos de se
nal de entrada
35
43
50
68
3.1
3.2
3.3
Propiedades de la transformada z. . . . . . . . . . . . . . . . . . . . . . . . 91
Transformada z de algunas funciones comunes . . . . . . . . . . . . . . . . 98
Funciones de transferencia de segundo orden y equivalentes temporales . . 126
5.1
Propiedades de la DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.1
6.2
6.3
6.4
6.5
6.6
Simetras en filtros FIR de fase lineal . . . . . . . . . .

Funciones utilizadas como ventanas. . . . . . . . . . . .
Descomposicion de filtros FIR en P () y Q(). . . . .
Caractersticas de Filtros Paso Bajo Analogicos . . . .
Transformaciones de frecuencia para filtros analogicos.
Transformaciones de frecuencia para filtros digitales. . .
vii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
215
216
220
226
227
228
Indice de tablas
viii
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Indice de ejemplos
1.1
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
2.12
2.13
2.14
2.15
2.16
2.17
2.18
2.19
2.20
2.21
2.22
2.23
2.24
4.1
4.2
5.1
5.2
Frecuencias positivas y negativas. . . . . . . . . . . . . .

Escalon unitario como suma de impulsos desplazados . .
Operaciones basicas con se
nales . . . . . . . . . . . . . .
Se
nales de energa y potencia . . . . . . . . . . . . . . . .
Simetra de funciones . . . . . . . . . . . . . . . . . . . .
Simetra de funciones . . . . . . . . . . . . . . . . . . . .
Descripcion entrada-salida . . . . . . . . . . . . . . . . .
Salida de sistema acumulador . . . . . . . . . . . . . . . .
Diagrama de bloques . . . . . . . . . . . . . . . . . . . .
Invarianza en el tiempo . . . . . . . . . . . . . . . . . . .
Sistemas lineales . . . . . . . . . . . . . . . . . . . . . . .
Descomposicion en impulsos . . . . . . . . . . . . . . . .
Convolucion . . . . . . . . . . . . . . . . . . . . . . . . .
Longitud de la convolucion de dos se
nales finitas . . . . .
Reaccion de sistemas con respuesta exponencial . . . . . .
Estabilidad y convergencia . . . . . . . . . . . . . . . . .
Estabilidad y convergencia . . . . . . . . . . . . . . . . .
Sistemas discretos recursivos y no recursivos . . . . . . .
Linealidad de sistema de primer orden . . . . . . . . . . .
Solucion homogenea . . . . . . . . . . . . . . . . . . . . .
Respuesta de entrada nula para sistema de segundo orden
Respuesta de entrada nula con raz de multiplicidad 2 . .
Solucion particular . . . . . . . . . . . . . . . . . . . . . .
Solucion total . . . . . . . . . . . . . . . . . . . . . . . .
Respuesta impulsional de un sistema recursivo LTI . . . .
Coeficientes de una base ortogonal . . . . . . . . . . . . .
Ortogonalidad en el espacio euclidiano bidimensional . . .
Serie de Fourier de pulso rectangular continuo periodico .
Serie de Fourier de pulso rectangular continuo aperiodico
ix
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
33
34
36
37
38
39
40
42
44
45
48
49
49
52
57
57
59
62
64
65
66
67
68
69
135
137
146
149
Indice de ejemplos
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Revisar
Por
Por
Por
Por
Por
Por
Por
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xi
237
237
237
237
237
237
237
Revisar
xii
c
2005-2006
P. Alvarado
Uso exclusivo ITCR

Notaci
on general
A
Matriz.
a11 a12 a1m

a21 a22 a2m
A= .
.. . .
..
.
.
.
.
.
an1 an2 anm
+
IN , IN
Conjunto de los n
umeros naturales sin cero IN+ = IN\{0}.
IN, IN0
Conjunto de los n
umeros naturales IN = {0, 1, 2, . . .}.
Z
Conjunto de los n
umeros enteros Z = {. . . , 2, 1, 0, 1, 2, . . .}.
Q
Conjunto de los n
umeros racionales Q = {q | q = nd ; n, d Z}.
IR
Conjunto de los n
umeros reales.
C
Conjunto de los n
umeros complejos.
Cuanto. Distancia entre dos niveles de cuantificacion.

eq (t) o eq (n) Error de cuantificacion.
F
Frecuencia en ciclos por unidad de tiempo para se
nales de variable continua.
f
Frecuencia en ciclos por muestra para se
nales de variable discreta.
Fs
Frecuencia de muestreo de una se
nal analogica. Fs = 1/T
h(n)
Respuesta al impulso
H()
Respuesta en frecuencia
H()
Respuesta en fase
| H() |
Respuesta en magnitud
H(z)
Funcion de transferencia
Im(z) o zIm Parte imaginaria del n
umero complejo z
j
j = 1
Mapeo de un dominio temporal al dominio frecuencial o z
Mapeo de un dominio frecuencial al dominio temporal o z

Re(z) o zRe Parte real del n
umero complejo z
T []
Transformacion realizada por un sistema
T
Intervalo de muestreo. T = 1/Fs
Tp
Periodo fundamental Tp = 1/F para se
nales de variable continua.
xiii
xa (t)
x(n)
x
Se
nal analogica.
Se
nal de variable discreta.
Vector.

x1
x2

x = [x1 x2 . . . xn ]T = .
..
xn
y
z
Escalar.
Complejo conjugado de z
Frecuencia angular en radianes por unidad de tiempo para se
nales de variable
continua.
Frecuencia angular en radianes por muestra para se
Abreviaciones
BIBO
DSP
FIR
IIR
LTI
PDS
SQNR
xiv
Entrada acotada Salida acotada (bounded input bounded output)

Digital Signal Processing (o Processor ).
Respuesta finita al impulso (Finite Impulse Response)
Respuesta infinita al impulso (Infinite Impulse Response)
Sistema lineal e invariante en el tiempo (Linear and Time Invariant)
Procesamiento Digital de Se
nales.
Relacion se
nal a ruido de cuantificacion (signal to quantization noise ratio).
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Captulo 1
Introducci
on
1.1
Se
nales y sistemas
1.1.1
Se
nales
Este curso introduce conceptos del Procesamiento Digital de Se

nales (PDS), un area de
la ciencia y la ingeniera que se ha desarrollado rapidamente en los u
ltimos 50 a
nos. Para
definir las tareas del PDS se requiere primero precisar el concepto de se
nal :
[. . . ] se puede definir se
nal como aquella cantidad fsica que vara con el
tiempo, espacio o cualquier otra variable o variables independientes. [16]
En general, toda se
nal contiene informacion que se desea extraer o modificar de acuerdo
a los requerimientos de cada aplicacion particular. Sismografos, por ejemplo, registran
se
nales ssmicas que contienen informacion sobre intensidad y caractersticas espectrales
de los sismos, con ayuda de las cuales pueden determinarse entre otras cosas la ubicacion
de epicentros y la naturaleza de los ssmos. Las se
nales electrocardiograficas permiten al
medico determinar el estado del corazon de sus pacientes.
Las se
nales son representadas por funciones matematicas de una o mas variables. Una
se
nal de voz, por ejemplo, puede representarse como una funcion de una variable temporal f (t), mientras que imagenes se pueden considerar como funciones de dos variables
espaciales f (x, y).
Las funciones pueden ser ademas escalares o vectoriales. Si la voz se captura con un
microfono monofonico, la se
nal electrica de salida tendra por ejemplo un solo valor de
tension electrica en cada instante de tiempo. Por otro lado, un electroencefalograma
1
1 Introducci
on
provee un conjunto o vector de se

nales electricas provenientes de los diferentes electrodos
para cada instante t:
f1 (t)
f2 (t)
f (t) = .
..
fn (t)
Otro ejemplo de se
nales vectoriales utilizadas frecuentemente en ingeniera son las imagenes
en color, en las que cada elemento de la imagen o pixel se representa como un vector en
un espacio de color, donde las componentes del vector pueden, por ejemplo, representar
los valores de los colores primarios rojo, verde y azul. A cada una de las componentes de
las se
nales vectoriales se les denomina usualmente canales y por lo tanto a la se
nal se le
denota como multicanal .
Las variables de las que depende la se
nal pueden ser discretas o continuas. La salida de
un foto-transistor puede, por ejemplo, ser obtenida en todo instante de tiempo t (variable
continua), mientras que el n
umero de llamadas realizado por hora es una se
nal que el ICE
puede generar para instantes discretos de tiempo nT distanciados por un intervalo de T =
1 h (variable discreta). Los puntos donde la variable independiente de una se
nal discreta
esta definida no deben ser necesariamente equidistantes; sin embargo, usualmente este tipo
de distribucion homogenea de las muestras se utiliza por su conveniencia computacional
y manejabilidad matematica.
Los valores que puede tomar una se
nal pueden ser tambien discretos o continuos. As, el
voltaje del fototransistor puede tomar cualquier valor real en un intervalo, mientras que
el n
umero de llamadas es siempre un valor entero. Tambien los valores de una funcion
discreta pueden ser equidistantes o seguir otros patrones mas complejos (como el logartmico). El termino digital se utiliza para se
nales de variables independientes discretas
y de valores discretos, mientras que analogica es una se
nal con variables independientes continuas y valores continuos. Muchos aspectos del tratamiento de se
nales digitales
pueden ser analizados matematicamente de manera mas simple a traves de funciones de
valor continuo y variable discreta, llamadas usualmente se
nales en tiempo discreto, por
representar la variable independiente generalmente instantes de tiempo definidos. Este
sera el enfoque utilizado en la mayor parte del presente curso.
Un u
ltimo criterio de caracter matematico para clasificar las se
nales es su naturaleza
estadstica: las se
nales pueden ser deterministas si puede especificarse con precision la
forma de la funcion. Por ejemplo, para se
nales determinsticas definidas en el tiempo,
sus valores en el pasado, presente y futuro son siempre conocidos (por ejemplo, una
se
nal senoidal). Las se
nales aleatorias solo permiten una descripcion aproximada de la
forma de su funcion, por tener asociado un comportamiento impredecible (por ejemplo,
2
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1.1 Se
nales y sistemas
Tabla 1.1: Caractersticas de las se

nales
Caracterstica
Valores
N
umero de variables
Dimensionalidad
Variables independientes
Valores de la se
nal
Naturaleza estadstica
una variable
escalar
discretas
discretos
deterministas
multiples variables
vectorial (multicanal)
continuas
continuos
aleatorias
un generador de ruido, una se

nal ssmica, una se
nal ac
ustica de voz).
nales. En el presente
La tabla 1.1 resume las caractersticas utilizadas para clasificar las se
texto se estudiaran se
nales de una variable, de valor escalar, digitales y de naturaleza
determinista. En cursos de procesamiento de imagenes se extienden los conceptos a se
nales
vectoriales (usualmente tres dimensiones) de dos variables discretas espaciales (x, y). El
analisis de se
nales estocasticas es tema usual para cursos de posgrado; sin embargo, es en
este curso introductorio donde se presentan todas las bases necesarias para comprender
los conceptos avanzados.
1.1.2
Sistemas
El termino sistema denota a una coleccion o conjunto de elementos interrelacionados que

conforman un todo unificado [18]. Su raz etimologica es el termino latino systema, que a
su vez proviene del griego
relacionado con los conceptos combinar e instalar.
Un sistema puede formar parte de otro sistema de mayor nivel, en cuyo caso al primero
se le denomina subsistema del segundo. Los diferentes subsistemas intercambian por lo
general informacion, materia o energa para lograr alg
un objetivo. Los terminos se
nales
de entrada o de salida se utilizan entonces para abstraer ese flujo de informacion, materia
o energa en el concepto matematico de funciones.
El sistema entonces puede interpretarse como un conjunto de subsistemas que logran
transformar una se
nal en otra. Estos dispositivos pueden ser entes fsicos, como un circuito
electronico, o virtuales, como algoritmos implementados en software.
En la literatura actual se tiende a diferenciar entre dos tipos de tareas de los sistemas:
procesamiento y analisis. Se dice que un sistema procesa una se
nal si la se
nal de salida
tiene las mismas caractersticas semanticas de la entrada: por ejemplo, si la entrada
representa una se
nal de voz, la salida de un sistema procesador sera tambien voz aunque
quiza modificada para cumplir ciertos requisitos de la aplicacion. Se dice que un sistema
realiza analisis de la se
nal, si la salida tiene otra naturaleza semantica a la entrada.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1 Introducci
on
Por ejemplo, un modulo de un reconocedor de habla puede extraer de una se

nal de voz
informacion sobre la presencia de la vocal a en ella. Usualmente el analisis de una se
nal
se realiza a traves de diversos pasos de procesamiento de la se
nal, junto con tareas de
reconocimiento o codificacion de patrones.
En resumen, el procesamiento digital de se
nales1 , abreviado PDS o DSP por sus siglas en
ingles (Digital Signal Processing) se refiere al proceso de modificacion de una se
nal digital
en un sistema, realizado para destacar o suprimir diferentes caractersticas de la se
nal que
tienen alg
un significado especial para una aplicacion en particular.
1.1.3
Elementos de un sistema de procesamiento de se

nales
La mayora de las se
nales en ciencia e ingeniera tienen una naturaleza analogica, es decir,
tanto las variables independientes de las funciones que las representan como sus valores
son continuos. Matematicamente estas se
nales se representan como funciones f (t)
f : IR IR
es decir, relaciones matematicas que mapean valores reales en valores reales. Este tipo
de se
nales pueden ser tratadas directamente utilizando sistemas analogicos, como por
ejemplo filtros pasivos o analizadores de frecuencia (figura 1.1).
Se
nal de
Entrada
Anal
ogica
Procesador
Anal
ogico
de Se
nal
Se
nal de
Salida
Anal
ogica
Figura 1.1: Procesamiento analogico de una se

nal [13].
El procesamiento digital (figura 1.2) requiere transformar las se

nales de entrada a un
formato digital, es decir, a funciones f (n)
f : Z Z.
Esto ocurre en una etapa llamada conversion analogica-digital (A/D).
La se
nal digitalizada es tratada luego en el procesador digital de se
nales, que puede ser
desde un computador de proposito general, pasando por sistemas autocontenidos basados
1
En la literatura en castellano se encuentran los terminos tratamiento o procesamiento de se

nales
como sin
onimos. La preferencia de autores y traductores espa
noles por el primero radica en la acepci
on
principal de proceso en la variante dialectal iberica como causa civil o criminal, que no se aplica tanto
en Latino America.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1.1 Se
nales y sistemas
Se
nal de
Entrada
Anal
ogica
Convertidor
A/D
Procesador
Digital de
Se
nal
Convertidor
D/A
Se
nal de
Salida
Anal
ogica
Figura 1.2: Procesamiento digital de una se

nal analogica [13].
en microcontroladores, hasta circuitos digitales especficamente dise

nados para realizar
las tareas de procesamiento deseadas; sin embargo, las configuraciones programables son
las que han brindado al procesamiento digital una flexibilidad inalcanzable con sistemas
analogicos equivalentes. El vertiginoso avance en la electronica digital ha permitido el uso
cada vez mas generalizado de las tecnicas digitales de procesamiento. En la actualidad
hasta los mas peque
nos telefonos celulares utilizan algoritmos de alta complejidad que
hace tan solo 15 a
nos hubieran requerido computadores de gran tama
no y costo.
El u
ltimo paso del procesamiento digital consiste en convertir la salida del bloque procesador a una se
nal analogica, lo que ocurre en el llamado convertidor digital-analogico
(D/A). En muchos casos de modulos de analisis de se
nal, la u
ltima etapa no es necesaria,
pues la informacion a extraer puede obtenerse facilmente de las representaciones digitales.
1.1.4
Ventajas del procesamiento digital sobre el anal

ogico
Para poder representar una se

nal analogica por medio de una se
nal digital sin que sufra
perdidas de informacion considerables, la se
nal analogica debe ser digitalizada con una
tasa de muestreo suficientemente alta (esto se analizara con suficiente detalle en captulos
posteriores). La tecnologa digital impone lmites de velocidad de procesamiento, que,
aunque cada vez menos restrictivos, determinan los anchos de banda de se
nales que pueden ser tratadas digitalmente. Es por esto que los sistemas analogicos siguen siendo
irreemplazables en aplicaciones con se
nales de muy amplios anchos de banda. En casos
donde las se
nales pueden ser digitalizadas sin perder demasiada informacion y se cuenta
con suficiente tiempo para realizar los calculos necesarios, es preferible utilizar un sistema
digital sobre su equivalente analogico. Esto por varias razones:
Los sistemas digitales son usualmente mas baratos y confiables para el procesamiento de
se
nales. Como ya se menciono, pueden utilizarse sistemas programables, por lo que a
traves de cambios en el software pueden modificarse o adaptarse sus caractersticas, proveyendo as un alto grado de flexibilidad en el dise
no. Ademas, las precisiones alcanzables
con sistemas digitales son usualmente mucho mayores que los circuitos analogicos, en los
que el error acumulado en forma de ruido aumenta con cada etapa de procesamiento.
Otra ventaja de los sistemas de procesamiento digital tiene que ver con las posibilidaBorrador: 20 de abril de 2006
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1 Introducci
on
des de almacenaje. Los niveles de ruido introducidos en sistemas de almacenamiento

analogicos (como cintas magneticas) son extremadamente altos comparados con el almacenamiento practicamente sin perdidas (excepto las introducidas por la propia digitalizacion) de se
nales digitales. Por este motivo, con se
nales digitales es mas factible realizar
los llamados procesamientos fuera de lnea (off-line), donde el tratamiento de la se
nal
se realiza en otro tiempo al de la captura de la se
nal. Esto es muy u
til por ejemplo en astronoma, donde las altas cantidades de informacion capturadas por los radio-telescopios
pueden ser entonces analizadas mucho despues de la adquisicion de datos, sin riesgos de
producir conclusiones incorrectas producto de imprecisiones del almacenaje. Otro ejemplo
es el analisis de imagenes medicas, donde altos vol
umenes de informacion son analizados
en procesos automaticos o semi-automaticos a posteriori en la deteccion de enfermedades
y el planeamiento de operaciones quir
urgicas.
Pero quiza una de las ventajas fundamentales del procesamiento digital es la complejidad
alcanzable por medio de algoritmos de software, para los cuales pueden incluso no existir
equivalentes analogicos. Debido a las consiguientes simplificaciones en los procesos de
dise
no de sistemas digitales y considerando la predictibilidad en el incremento de las
capacidades de procesamiento y memoria (por ejemplo, por medio de la Ley de Moore),
se acostumbra desarrollar los modernos y complejos algoritmos para el tratamiento digital
de se
nales utilizando equipos de alto costo y tal vez de dimensiones volumetricas que
exceden los requerimientos, puesto que se asume que en los proximos a
nos se podra
integrar y mejorar el hardware utilizado hasta satisfacer las expectativas de aparatos
domesticos. Como ejemplo, los nuevos estandares de codificacion de video del grupo
MPEG necesitan varios microprocesadores de u
ltima generacion para funcionar, y a
un
as no alcanzan las velocidades necesarias para desplegar los videos con la naturalidad
deseada. Se sabe sin embargo que en unos 4 a
nos los prototipos actuales podran ser
integrados y comercializados hasta en sistemas portatiles.
1.1.5
Aplicaciones
Areas
de aplicaci
on
Las aplicaciones del procesamiento digital de se
nal son hoy en da incontables. Quiza las
areas mas conocidas, pero no las u
nicas, son el procesamiento y analisis digitales de
se
nales ac
usticas
imagenes bidimensionales o tridimensionales
se
nales de radar y sonar
se
nales ssmicas, volcanicas, etc.
6
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1.1 Se
nales y sistemas
se
nales de sensores industriales para el control automatico
se
nales en comunicaciones electricas
El tratamiento de se
nales ac
usticas es utilizado entre otros en el almacenamiento y transmision eficientes de sonido digital (MP3, OggVorbis, etc.), el procesamiento profesional
de sonido en industria musical y cinematografica, el manejo de se
nales de ultrasonido
para elaboracion de imagenes medicas, o el procesamiento de voz humana, necesario para
codificar, encriptar, reconocer o sintetizar el habla.
El procesamiento de imagenes bidimensionales permite analizar las se
nales obtenidas por
medio de camaras industriales, hoy en da frecuentemente encontradas en las lneas de
produccion; ademas, el procesamiento de imagenes tomadas por satelite permiten identificar entre otras cosas el uso del suelo, facilitan la construccion de mapas actualizados,
etc. Esta area es central en la codificacion y compresion de se
nales de video, tal y como
los establecen los estandares MPEG (Motion Picture Expert Group).
El procesamiento de imagenes tridimensionales se utiliza por ejemplo en el analisis y
generacion de imagenes de resonancia magnetica (MRI), utilizadas en medicina como
instrumento de observacion de tejidos internos de un paciente, sin tener la necesidad de
utilizar procedimientos quir
urgicos.
Las tecnicas modernas de analisis permiten obtener mejores resoluciones y aumentar la
confiabilidad de la informacion producida por sonares y radares. Por otro lado, el estudio digital de se
nales ssmicas y volcanicas permite incorporar tecnicas de simulacion y
reconocimiento de patrones que mejoran la prediccion de zonas y periodos de riesgo.
En los procesos de automatizacion industrial el procesamiento digital es en la actualidad
omnipresente, pues a pesar de que la mayora de los sensores producen salidas analogicas,
estas son transformadas casi inmediatamente a se
nales digitales para permitir una transmision mas confiable y sin mayores perdidas a las unidades de procesamiento, para facilitar
la aplicacion de algoritmos de extraccion de la informacion de interes, y para hacer posible
la utilizacion de tecnicas confiables de almacenamiento de la informacion, que puede ser
la base luego para el mejoramiento de los procesos productivos, en el calculo de costos,
etc.
En la preparacion de se
nales para su transmision y en la decodificacion y mejoramiento de
la mismas del lado de los receptores, el procesamiento digital juega un papel cada vez mas
importante. Un ejemplo lo representan los modems utilizados actualmente para permitir
enlaces de alta velocidad a traves de las lneas telefonicas de cobre, denominado ADSL
(Asymmetric Digital Subscriber Line), donde el procesamiento digital es utilizado para
codificar y decodificar las tramas y las se
nales de acuerdo a los estandares de modulacion
digitales.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1 Introducci
on
Algoritmos
Conceptos algortmicos clasicos del procesamiento digital, encontrados en las areas de
aplicacion anteriores son: compresion, encriptacion, reconocimiento, identificacion, sintetizacion, eliminacion de ruido, estimacion espectral y filtrado, solo por mencionar algunos.
La compresion consiste en la reduccion de capacidad necesaria para almacenar o transmitir
una se
nal. En telefona celular se
nal de la voz es comprimida para poder transmitirla en
anchos de banda relativamente peque
nos, comparados con los utilizados en telefona fija.
Los estandares MPEG contienen sofisticados algoritmos de compresion de imagenes que
permiten reducir en factores de 8 a 12 veces las se
nales de video.
La encriptacion o cifrado es necesaria cuando la confidencialidad de la informacion en las
se
nales debe ser asegurada. Algoritmos complejos codifican la informacion de forma tal
que solo el destinatario pueda decodificarla.
Tareas de reconocimiento intentan inferir de patrones en la se
nal, informacion contenida
de forma implcita. Por ejemplo, de una se
nal de voz puede reconocerse tanto el mensaje
hablado, como el hablante (reconocimiento de habla y de voz, respectivamente). En
imagenes medicas pueden utilizarse algoritmos para reconocer tejidos malignos y benignos,
o en imagenes industriales pueden ser reconocidos caracteres, formas de productos, el
ensamblaje correcto de partes, etc.
La identificacion esta relacionada con el reconocimiento. Aqu no se intenta encontrar una
identificacion previamente desconocida en alguna se
nal sino verificar que una identidad
dada previamente es compatible con la se
nal. Metodos de identificacion se utilizan, junto
con la encriptacion, en aplicaciones de alta seguridad.
La sintetizacion permite producir se
nales artificiales similares a aquellas generadas a
traves de fenomenos fsicos. Es utilizada por ejemplo en la elaboracion de efectos ac
usticos
e imitacion de instrumentos musicales en sintetizadores de sonido. Otro ejemplo es la sintetizacion de voz humana, utilizada en interfaces avanzadas hombre-maquina.
Las se
nales transmitidas por canales analogicos usualmente son perturbadas con ruido, es
decir, con alteraciones indeseables que no contienen ninguna informacion relevante para
la aplicacion. Por medio del procesamiento digital es posible aplicar diversos algoritmos
que permiten reducir el efecto de dichas distorsiones.
El filtrado es un concepto basico del procesamiento digital que forma parte de practicamente
cualquier otro algoritmo. El sistema que realiza esta tarea se denomina filtro, y permite
el paso de solo ciertas componentes de su se
nal de entrada, y bloqueando el paso de
otras. Algunos detalles seran presentados en los captulos 5.5 y 6.
La estimacion espectral es utilizada en varias areas de las comunicaciones para encontrar
8
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1.1 Se
nales y sistemas
los rangos de frecuencias en que se concentra la energa de una se

nal (como en el caso del
arriba mencionado ADSL).
Casos
Los codificadores de voz (o codecs) utilizados en telefona celular son un ejemplo de
algoritmos complejos imposibles de realizar con circuitos analogicos, al menos en el tama
no
de un telefono celular actual. En GSM, por ejemplo, la se
nal analogica adquirida por el
microfono es muestreada a 8 kHz, con 13 bits por muestra, lo que equivale a 104 000 bit/s.
Seg
un la calidad deseada o disponible, la salida de los codecs reducen el ancho de banda
requerido de 4,75 kbit/s a 13 kbit/s, es decir, permiten factores de compresion de 21 a 8
veces.
Otro caso impresionante es el de los diversos algoritmos para compresion de video. Considerando que una imagen de television tiene 320x200 pixels aproximadamente y cada pixel
necesita 24 bits para ser representado digitalmente con suficiente precision, entonces una
sola imagen necesita, sin compresion alguna, 187,5 kB para ser almacenada. Un segundo
de video, asumiendo una frecuencia de 30 imagenes por segundo, necesitara 5,6 MB. Una
pelcula que tarde 90 minutos requerira entonces mas de 30 GB, lo que sera imposible
de almacenar en las tecnologas actuales de DVD. Solo con los sofisticados algoritmos de
codificacion de video y sonido pueden almacenarse no solo la se
nal de video, sino varias
versiones ac
usticas en diferentes idiomas, y especiales adicionales con video y audio, en
poco mas de 4 GB de espacio, con factores de compresion mas de 10 veces.
Incluso los sistemas de transmision de radio y television modernos estan cambiando de
ser completamente analogicos a conceptos digitales. Los nuevos formatos de television
de alta definicion (HDTV) son completamente digitales, que no seran practicos sin la
presencia de los algoritmos para el procesamiento y compresion adecuadas de las se
nales
en cuestion.
Medicina es quiza una de las areas que mas ventajas ha tomado del procesamiento digital
de se
nales. Las nuevas tecnologas de visualizacion de ultrasonido permiten por ejemplo la
reconstruccion de una imagen tridimensional del feto en el vientre de la madre, ayudando
as al ginecologo a tomar las precauciones del caso cuando algo no este en orden. El
manejo digital de tomografas computarizadas y de imagenes de resonancia magnetica
permite la visualizacion de tejidos internos en formatos legibles para los medicos. Los
equipos mas modernos permiten incluso hacer uso de la llamada realidad aumentada,
donde imagenes reconstruidas a partir de las mediciones se superponen a las reales para
guiar a los cirujanos en operaciones delicadas.
La creacion de protesis cada vez mas complejas es tambien posible gracias a las tecnicas
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1 Introducci
on
de procesamiento digital. El implante de coclea, por ejemplo, permite a personas sordas

volver a escuchar utilizando el analisis digital de las se
nales ac
usticas obtenidas con un
microfono. Similar a este u
ltimo se trabaja en la actualidad en los implantes de retina,
donde complejos algoritmos de PDS intentan transformar la se
nal capturada por una
camara en impulsos electricos que pueden ser acoplados al nervio optico en el ojo de
personas ciegas.
1.2
Frecuencia en se
nales continuas y discretas
El estudio clasico de se
nales se basa en su representacion como combinacion de una serie
de se
nales elementales con un comportamiento conocido o predecible en los sistemas con
que se trabaja. En cursos anteriores se han introducido conceptos del analisis de Fourier,
transformada de Laplace, donde las se
nales elementales se caracterizan por su frecuencia
y fase respecto a alguna referencia com
un. El concepto de frecuencia sera revisado en
las siguientes secciones, donde se apreciaran las diferencias que existen entre los dominios
discreto y continuo. El punto de partida para el analisis seran la funciones sinusoidales,
como representantes espectrales puras.
1.2.1
Se
nal sinusoidal continua
Una oscilacion armonica simple se describe matematicamente a traves de la se

nal continua
[13]:
xa (t) = A cos(t + ), < t <
(1.1)
donde el subndice a indica que es una se
nal analogica. A representa la amplitud de la
se
nal, es la frecuencia angular en radianes por segundo (rad/s) y es la fase en radianes.
Es tambien com
un utilizar la frecuencia F en ciclos por segundo o Hertz (Hz) con
= 2F
con lo que (1.1) se puede expresar como
xa (t) = A cos(2F t + ),
< t < .
Si F es constante, entonces xa es periodica

xa (t + Tp ) = xa (t)
con perodo fundamental Tp = 1/F (figura 1.3).
10
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
x(t)
A
A cos
0
Tp = 1/F
Figura 1.3: Ejemplo de una se

nal analogica sinusoidal.
Este sinusoide esta muy relacionado con la funcion exponencial compleja

xa (t) = Aej(t+)
a traves de la identidad de Euler
ej = cos + j sen .
La frecuencia en contextos fsicos representa el n
umero de ciclos u oscilaciones por unidad
de tiempo, motivo por el cual esta solo puede tomar valores positivos; sin embargo, el
utilizar frecuencias negativas trae consigo ciertas ventajas de manipulacion matematica,
como lo muestra el ejemplo 1.1.
Ejemplo 1.1 Demuestre que la ecuacion (1.1) puede ser expresada como la suma de
dos se
nales exponenciales conjugadas.
Soluci
on:
Utilizando la identidad de Euler se tiene que
ej + ej = cos + j sen + cos() + j sen()
= cos + j sen + cos j sen
= 2 cos
reemplazando = t + en el resultado anterior y multiplicando ambos lados por la
amplitud A se obtiene finalmente
A cos(t + ) =
A j(t+) A j(t+)
e
+ e
2
2
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
11
1 Introducci
on
Im
A/2
Re
Figura 1.4: Representaci

on de la funcion cosenoidal con desfase como la suma de dos funciones
exponenciales complejas conjugadas.
El primer termino del lado derecho de la ecuacion se puede interpretar como un fasor de
magnitud A/2 que gira en sentido contrario a las manecillas del reloj (frecuencia positiva),
mientras que el lado izquierdo es otro fasor que gira en el sentido de las manecillas del
reloj (frecuencia negativa), ambos a una frecuencia de F ciclos por unidad de tiempo
(figura 1.4).
1.1
1.2.2
Se
nal sinusoidal discreta
La se
nal sinusoidal en tiempo discreto se expresa como
x(n) = A cos(n + ),
< n <
(1.2)
con la variable entera n Z (tambien denominada n

umero de muestra), A la magnitud,
es la frecuencia en radiantes por muestra y la fase en radianes. De forma similar al
caso continuo, puede utilizarse = 2f para reescribir (1.2) como
x(n) = A cos(2 f n + ),
< n < .
(1.3)
En este caso las dimensiones de la frecuencia son ciclos por muestra, y tal como estas
unidades lo indican, usualmente tiene valores menores que la unidad. La figura 1.5 muestra
un ejemplo con f = 1/12 y = /3.
12
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
x(n)
Figura 1.5: Ejemplo de una se

nal sinusoidal discreta ( = /6 y = /3) [13].
Periodicidad de un sinusoide discreto

Por definicion una se
nal de variable discreta x(n) es periodica con periodo N (N > 0) si
y solo si
x(n + N ) = x(n) para todo n
(1.4)
El menor valor de N para el que se cumple (1.4) se denomina periodo fundamental . Una
se
nal sinusoidal de frecuencia f0 es periodica si
cos (2 f0 (N + n) + ) = cos (2 f0 n + )
lo que se cumple solo si existe un entero k tal que
2 f0 N = 2k
o, en otros terminos
k
(1.5)
N
que es siempre un n
umero racional. Esto quiere decir, que una se
nal sinusoidal discreta
con un valor irracional de frecuencia no es periodica!
f0 =
Para determinar el periodo fundamental de una se

nal sinusoidal se expresa su frecuencia
como en (1.5) y se simplifican los factores comunes de tal forma que k y N formen n
umeros
primos relativos. Por ejemplo si f1 = 5/32 = 0,15625 el periodo fundamental es N = 32,
pero si la frecuencia es f2 = 4/32 = 0,125 el periodo fundamental es N = 8 (figura 1.6).
Esto quiere decir que a
un cuando los valores de frecuencia se encuentren relativamente
cerca, sus periodos pueden cambiar radicalmente.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
13
1 Introducci
on
x(n)
x(n)
(a)
(b)
Figura 1.6: Comparaci

on de dos frecuencias cercanas en se
nales de variable discreta. (a) Frecuencia f = 5/32, periodo N = 32. (b) Frecuencia f = 4/32, periodo N = 8. La
lnea punteada denota una se
nal continua con frecuencia equivalente para simplificar la comparaci
on.
Equivalencia de frecuencias en sinusoides discretos

Considerese de nuevo la se
nal sinusoidal cos(0 n + ). Es facil de obtener que:
cos ((0 + 2)n + ) = cos(0 n + 2n + ) = cos(0 n + )
por lo que todas las secuencias sinusoidales
xk (n) = A cos(k n + ),
k = 0, 1, 2, . . .
con
k = 0 + 2k
son identicas. Por otro lado, las secuencias de cualesquiera dos se
nales sinusoidales discre1
1
tas con frecuencias en el rango o 2 f 2 son diferentes. Combinando los
resultados anteriores se obtiene que cualquier secuencia sinusoidal de frecuencia || >
o |f | > 21 tiene una se
nal equivalente con || o |f | 12 . A las frecuencias || o
|f | 21 se les considera frecuencias fundamentales y a las frecuencias || > o |f | > 12
se les denomina alias.
Tasa m
axima de oscilaci
on
Considerese ahora la secuencia sinusoidal x0 (n) = cos(0 n) para el rango de frecuencias
0 [0, ]. La figura 1.7 muestra algunos casos particulares como ejemplo. Se puede
14
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
apreciar que la tasa de oscilacion aumenta conforme la frecuencia aumenta.

x(n)
x(n)
x(n)
0 = 0 (f = 0)
0 = /6 (f = 1/12)
x(n)
0 = /3 (f = 1/6)
x(n)
0 = /2 (f = 1/4)
0 = (f = 1/2)
Figura 1.7: Secuencia sinusoidal con diferentes frecuencias.
Ahora, para analizar el caso de frecuencias angulares mayores que considerese el caso
especial de 1 = 2 0 . Si 0 [0, ] entonces 1 [, 2] de tal forma que si 0
aumenta 1 disminuye.
Debido a que
x1 (n) = A cos(1 n) = A cos((2 0 )n) = A cos(0 n) = x0 (n)
la frecuencia angular 1 es un alias de 0 . De aqu se concluye que si la frecuencia angular
aumenta de hacia 2 la tasa de oscilacion se reduce, al representar estos alias frecuencias
que bajan de a 0.
De forma similar al caso de senoides de variable continua puede utilizarse la identidad de
Euler en el caso discreto para introducir el concepto de frecuencia negativa:
x(n) = A cos(n + ) =
c
2005-2006
P. Alvarado
A j(n+) A j(n+)
e
+ e
2
2
Uso exclusivo ITCR
15
1 Introducci
on
Debido a que las se

nales sinusoidales de variable discreta con frecuencias separadas por
un entero m
ultiplo de 2 son identicas, entonces todas las frecuencias en un intervalo
[1 , 1 + 2] representan todas las frecuencias existentes para estas se
nales. En otras
palabras, el rango de frecuencias distinguibles para sinusoides de variable discreta es
finito con un ancho de banda de 2. Usualmente se utilizan los rangos de frecuencias
angulares [, ] (f [ 12 , 21 ]) o [0, 2] (f [0, 1]) y reciben el nombre de rango
fundamental .
1.2.3
Exponenciales complejos relacionados arm

onicamente
Las se
nales de variable continua
sk (t) = ejk0 t = ej2kF0 t
k = 0, 1, 2, . . .
se denominan se
nales exponenciales relacionadas armonicamente. El periodo fundamental de la se
nal sk (t) es 1/(kF0 ) = Tp /k, lo que equivale a una frecuencia fundamental de
kF0 . Puesto que una se
nal periodica con periodo Tp /k es tambien periodica con periodo
k(Tp /k) = Tp con k Z entonces todas las se
nales sk (t) tienen como periodo com
un Tp . El
nombre proviene de la relacion de estas funciones con las oscilaciones de una cuerda, que
tienen relaciones armonicas (mantienen los nodos externos fijos) cuando las frecuencias
son m
ultiplos enteros de una frecuencia fundamental.
En este caso de variable continua, para k1 6= k2 se cumple siempre que sk1 (t) 6= sk2 (t), o en
otros terminos, existe un n
umero infinito de se
nales complejas relacionadas armonicamente
j2F0 t
con e
.
Para el caso de se
nales exponenciales complejas de variable discreta, puesto que son se
nales
periodicas solo si su frecuencia es racional, se escoge f0 = 1/N y se define el conjunto de
se
nales relacionadas armonicamente como
sk (n) = ejk0 n = ej2kf0 n
k = 0, 1, 2, . . .
(1.6)
A diferencia del caso continuo se tiene para k1 = k + N

sk+N (n) = ej2
(k+N )
n
N
kn
kn
= ej2 N ej2n = ej2 N = sk (n)
Esto significa que en el caso discreto solo existen N se

nales complejas relacionadas armonicamente, donde todos los miembros del conjunto descrito en (1.6) tienen como periodo
com
un N muestras.
16
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1.3 Conversiones analogica/digital y digital/analogica
1.3
Conversiones anal
ogica/digital y digital/anal
ogica
nales analogicas por medios digitales

Tal y como se describio en la figura 1.2, para tratar se
es necesario poder convertir entre representaciones analogicas y digitales.
Conceptualmente en la conversion de una se
nal analogica a una representacion digital
intervienen tres pasos (figura 1.8):
1. Muestreo es la conversion de una se
nal de variable continua a otra de variable
discreta que es el resultado de tomar muestras de la se
nal de variable continua en
ciertos instantes. Si xa (t) es la entrada al bloque de muestreo, entonces la salida es
xa (nT ), donde a T se le denomina el intervalo de muestreo.
2. Cuantificacion es la conversion de la se
nal de variable discreta y valores continuos a
otra se
nal de variable discreta pero con valores discretos. El valor de cada muestra
es aproximado entonces con un valor de un conjunto finito de posibles valores. A
la diferencia entre el valor continuo y su aproximacion se le denomina error de
cuantificacion.
3. Codificacion consiste en la asignacion de una representacion usualmente binaria para
los valores cuantificados.
Convertidor A/D
xa (t)
Se
nal
Anal
ogica
x(n)
Muestreo
Cuantificaci
on
Se
nal de
Variable Discreta
xq (n)
c(n)
Codificaci
on
Se
nal
Cuantificada
Se
nal
Digital
Figura 1.8: Pasos b

asicos en la conversion analogica/digital.
Estos pasos en la practica se realizan en un solo bloque operacional.

La conversion digital/analogica es necesaria en todos aquellos casos en los que la representacion propiamente digital no tiene significado para el usuario final. Por ejemplo, la salida
digital de un decodificador de voz debe ser convertida a una se
nal analogica ac
ustica para
poder ser comprendida por los clientes. Este proceso de conversion debe interpolar la
se
nal discreta, es decir debe conectar las muestras con alg
un tipo de curva.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
17
1 Introducci
on
1.3.1
Muestreo de se
nales anal
ogicas
Existen muchas posibilidades de seleccionar las muestras de una se

nal analogica en la
fase de muestreo. Aqu se utilizara el llamado muestreo periodico o uniforme por las
facilidades que este brinda al analisis matematico, lo cual ha hecho que sea el tipo de
muestreo mas utilizado en aplicaciones reales. En el muestreo periodico la relacion entre
la se
nal analogica y la se
nal de variable discreta esta dada por
x(n) = xa (nT )
<n<
donde la secuencia x(n) contiene entonces muestras de la se

nal analogica xa (t) separadas
por un intervalo T (figura 1.9).
Se
nal
Anal
ogica
xa (t)
Se
nal
de variable
discreta
x(n) = xa (nT )
Fs = 1/T
Muestreo
x(n)
xa (t)
xa (t)
x(n) = xa (nT )
Figura 1.9: Muestreo periodico de una se

nal analogica.
Las variables t y n de las se

nales de variable continua y discreta respectivamente estan
relacionadas a traves del intervalo de muestreo T
t = nT = n/Fs
donde a Fs se le denomina tasa de muestreo. Para encontrar la relacion entre las frecuencias de las se
nales en ambos dominios considerese la se
nal analogica
xa (t) = A cos(2F t + )
la cual, muestreada periodicamente con una tasa Fs = 1/T resulta
xa (nT ) x(n) = A cos(2F T n + )

2F n
= A cos
+
Fs
18
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
y comparando con (1.3) se obtiene

= T
o
F
(1.7)
Fs
lo que justifica que a f se le denomina tambien frecuencia normalizada. Con esto queda
claro que la frecuencia f puede corresponder con las unidades de frecuencia de F (por
ejemplo, en Hertz) si y solo si se conoce la frecuencia de muestreo Fs .
f=
En las secciones anteriores se obtuvo que el rango para la frecuencia F es practicamente

infinito, mientras que el rango de la frecuencia f es finito ([ 21 , 21 ]). Utilizando (1.7) se
obtiene
1
1
<f
2
2
1
1
F
<
2
Fs
2
Fs
Fs
<F
2
2
El muestreo periodico de la se
nal de variable continua representa entonces un mapeo del
rango infinito de frecuencias F a un rango finito de frecuencias f . Puesto que la mayor
frecuencia de f es f = 21 puede concluirse que con la tasa de muestreo Fs como maximo
se podra representar
Fs
1
Fmax =
=
2
2T
max = Fs =
T
En los parrafos anteriores se demostro que las frecuencias f son u
nicas dentro de un rango
finito: el rango fundamental, y que todas las frecuencias fuera de ese rango son alias de
alguna frecuencia fundamental. Se demostro ademas que para una se
nal sinusoidal la
frecuencia angular y + 2k son equivalentes para todo k Z, lo que implica que f + k
es un alias de f . Con (1.7) se tiene que
f +k =
F
f Fs + kFs = F
Fs
o en otras palabras f Fs + kFs es un alias de F = f Fs . Con esto, la relacion entre las

frecuencias de las se
nales de variable continua y discreta puede graficarse como lo muestra
la figura 1.10.
La figura 1.11 muestra un ejemplo con las frecuencias F1 = 2/7 y su alias F2 = 5/7
para una tasa de muestreo de Fs = 1Hz. Aqu se aprecia con claridad que las muestras
tomadas para las dos se
nales coinciden, por lo que estas muestras por si solas no pueden
determinar de cual de las dos se
nales fueron tomadas.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
19
1 Introducci
on
replacemen
f
1
2
Fs F2s
Fs
2
Fs
21
Figura 1.10: Relaci

on entre las frecuencias de se
nales de variable discreta y continua para el
caso de muestreo uniforme.
x(n)
F2 = 57 Hz
t[s]
F1 =
2
7
Hz
Figura 1.11: Muestreo de una se

nal sinusoidal y de un alias.
La frecuencia Fs /2 corresponde entonces a la frecuencia maxima representable en forma

discreta con una tasa de muestreo Fs , que corresponde entonces a f = 12 . Cual frecuencia
fundamental corresponde a un alias de frecuencia mayor a Fs /2 se puede terminar utilizando Fs /2 como pivote para reflejar el alias dentro del rango fundamental. A Fs /2 (o
= ) se le denomina entonces frecuencia de plegado,o en ingles folding frequency.
1.3.2
Cuantificaci
on de se
nales de amplitud continua
La cuantificacion de una se
nal de amplitud continua consiste en asignar a cada valor continuo otro valor tomado de un conjunto finito. El reemplazar los valores continuos por
los valores cuantificados introduce el llamado error de cuantificacion o ruido de cuantificacion. Si x(n) es la secuencia de valores continuos entonces la secuencia de valores
20
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
cuantificados sera xq (n) = Q[x(n)] donde Q representa un operador de cuantificacion. La

secuencia de errores de cuantificacion esta dada entonces por
eq (n) = xq (n) x(n)
Para analizar el error de cuantificacion considerese la se
nal sinusoidal de variable continua
mostrada en la figura 1.12. Es posible apreciar que alrededor de cada nivel de cuantifix(t)
t
-1
Figura 1.12: Se
nal sinusoidal de variable continua cuantificada.
cacion la se
nal analogica se puede aproximar de forma lineal. En terminos estadsticos este
hecho se describe diciendo que el ruido de cuantificacion sigue una distribucion uniforme,
donde los valores de error estaran distribuidos con las mismas probabilidades entre /2
y /2, donde es igual al cuanto, es decir la distancia entre dos niveles de cuantificacion.
Esta aproximacion lineal se esquematiza en la figura 1.13, donde se ha asumido que los
saltos hacia los otros cuantos de esta se
nal ocurren en y .
eq (t)
/2
/2
/2
Figura 1.13: Error de cuantificacion eq (t) = xa (t) xq (t).

c
2005-2006
P. Alvarado
Uso exclusivo ITCR
21
1 Introducci
on
La potencia media del error cuadratico Pq es

Z
Z
1
1 2
2
Pq =
e (t) dt =
e (t) dt
2 q
0 q
que considerando la aproximacion lineal del error eq (t) (/2 )t para t [, ] resulta
en
Z 2
2
1
t2 dt =
Pq =
0
2
12
Si el cuantificador utiliza b bits de precision y todo el rango posible con ellos para representar la amplitud de 2A, entonces se puede calcular el cuanto como = 2A/2b , lo que
implica que
A2 /3
Pq = 2b
2
La potencia media de la se
nal xa (t) se calcula como
Z Tp
1
A2
Px =
.
(A cos(0 t))2 dt =
Tp 0
2
Con estos dos terminos es posible entonces aproximar la relacion se
nal a ruido de cuantificacion (SQNR signal to quantization noise ratio) como:
SQNR =
Px
3
= 22b
Pq
2
y expresada en decibels (dB)

SQNR(dB) = 10 log10 SQNR = 1,76 + 6,02b
lo que implica que por cada bit a
nadido a la palabra, y si se utiliza todo el rango, es decir,
si se duplica la cantidad de cuantos utilizados, la calidad de la se
nal mejora en 6 dB. Con
esta formula, que puede aplicarse a varios otros casos ademas de la se
nal sinusoidal, es
posible determinar el n
umero de bits necesarios para alcanzar una determinada relacion
de se
nal a ruido.
1.3.3
Codificaci
on de los valores cuantificados
El proceso de codificacion asigna un n

umero binario u
nico a cada nivel de cuantificacion.
Si se disponen de L niveles entonces seran necesarios al menos b = dlog2 (L)e bits. Los
convertidores D/A disponibles comercialmente usualmente utilizan una precision de 16
bits.
22
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1.3.4
Conversi
on Digital/Anal
ogica
El sistema ideal de conversion de una se

nal digital a una analogica interpola las se
nales
utilizando una funcion sa(x) = sen(x)/x, que tiene la propiedad de reconstruir a la perfeccion se
nales muestreadas con una tasa suficientemente alta (esto se revisara con mas
detalle posteriormente); sin embargo, existen varias desventajas en este tipo de interpolacion que obliga a utilizar simplificaciones, como el mantenedor de cero orden, que
simplemente mantiene la se
nal hasta que una nueva muestra este disponible.
En general, las tecnicas de interpolacion suboptimas introducen frecuencias superiores
a la frecuencia de plegado, que se intentan reducir por medio de filtros suavizantes
(smoothing filters).
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
23
1 Introducci
on
1.4
Problemas
Problema 1.1. Busque un ejemplo de se

nal para cada una de las 32 posibles combinaciones de las caractersticas de las se
nales indicadas en la Tabla 1.1.
Problema 1.2. Una se
nal puede clasificarse seg
un cinco criterios:
N
umero de variables
Dimension del valor
Variables independientes
Valores de la se
nal
Naturaleza estadstica
(Una variable
(Escalar
(Discretas
(Discretas
(Determinista
o
o
o
o
o
Multiples variables)
Vectorial
)
Continuas
)
Continuas
)
Aleatoria
)
Utilice las letras may

usculas indicadas en negrita para identificar las caractersticas de
las se
nales a continuacion. Si alguna caracterstica no se aplica o puede interpretarse con
cualquier valor de la propiedad, indquelo con .
Estadstica (D/A/)
Valores (D/C/)
Variables (D/C/)
Dimension (E/V/)
Caracterstica
N
um. Variables (U/M/)
Se
nal
Imagen tomada por una camara digital a color

Registro mensual de la posicion de
una bandada de aves migratorias
Se
nales de salida de un microfono estereo
Se
nal digital
Se
nal analogica
Problema 1.3. Determine si cada una de las se

nales siguientes es periodica, y de ser as
determine su periodo fundamental. Asuma t IR y n Z.
24
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1.4 Problemas
1. xa (t) =
2. x(n) =
5 sen(4t + /3)
5 sen(4n + /3)
3. x(n) = 2ej(n/6)
4. x(n) = cos(n/8) cos(n/8)
5. x(n) = sen(n/4) + sen(n/8) + 3 cos(n/2 + /6)
nal exponencial compleja

Problema 1.4. En la seccion 1.2.3 se demostro que una se
jk0 n
discreta sk (n) = e
solo tiene N 1 se
nales armonicamente relacionadas, cuando se
cumple 0 = 2/N . Demuestre que si la frecuencia es 0 = 2M/N con M < N , M y
N n
umeros primos relativos, el n
umero de frecuencias armonicamente relacionadas sigue
siendo N .
Problema 1.5. Investigue que circuitos se utilizan para realizar la conversion de una
se
nal analogica a una se
nal digital. Identifique en ellos los tres pasos basicos de muestreo,
cuantificacion y codificacion.
Problema 1.6. El sistema de audio digital utilizado en CD comerciales utiliza una frecuencia de muestreo de 44,1 kHz con 24 bits por pixels. Determine la frecuencia maxima
representable por este sistema y el valor maximo de la relacion de se
nal a ruido de cuantificacion SQNR alcanzable.
Cuantos bits necesitara por muestra si la aplicacion require un SQNR de 100 dB?
Problema 1.7. Investigue que circuitos se utilizan para realizar la conversion de una
se
nal digital a una analogica.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
25
1 Introducci
on
26
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Captulo 2
Se
nales y Sistemas de
Variable Discreta
En el captulo anterior se analizaron se
nales de la forma
x(n) = A cos(n + ) o x(n) = Aej(n+) .
Estas funciones tienen, por sus caractersticas y propiedades matematicas, gran importancia en el analisis de se
nales en tiempo discreto, pues constituyen la base del analisis
frecuencial a tratar en captulos posteriores. Antes de entrar en el detalle de dichas propiedades es necesario introducir otros tipos de se
nales basicas o elementales y algunos
conceptos de su manipulacion, que serviran de base para el analisis de se
nales y sistemas
expresados en un dominio de variable discreta.
2.1
Se
Sea x(n) una se

nal de variable discreta, es decir, una funcion definida para n entero. La
figura 2.1 muestra una tpica representacion grafica de una se
nal de este tipo. A n se le
denomina n
umero de muestra y a x(n) la n-esima muestra de la se
nal.
Notese que x(n) no esta definida para n no entero. Un error com
un es considerar que la
se
nal es cero entre las muestras, cuando en realidad all simplemente la funcion no esta
definida. La suposicion de que la se
nal es cero entre muestras es valido solo para una
se
nal de variable real x(t), que es otro concepto diferente.
nales de valor complejo, donde
La figura 2.6 introduce otra representacion grafica para se
el valor de la n-esima muestra x(n) se denota en un plano complejo perpendicular al eje
27
2 Se
x(n)
n
1

on gr
afica de una funcion real de variable discreta x(n).
n. En esta representacion se pueden apreciar tanto las componentes real e imaginaria de

x(n), como su magnitud y fase.
Ademas de las representaciones graficas para las se
nales discretas, se utilizan otras tres
notaciones:
1. Funcional:
x(n) =
para n = 1
5n
para 2 n 4
el resto
Esta representacion es la forma mas compacta de representar se

nales cuyo comportamiento puede ser expresado directamente por expresiones algebraicas cerradas.
2. Tabular
n
x(n)
...
...
-1 0
0 0
1
1
2 3
3 2
4 5
1 0
...
...
En programas computacionales como MatLab[11] u Octave[4] las se

nales se representan con esta notacion, donde las dos filas de la tabla se interpretan como dos
arreglos de datos independientes.
3. Como secuencia.
Una secuencia de duracion infinita con el origen en n = 0 (indicado con ) se
representa como
x(n) = {. . . , 0, 0, 1, 3, 2, 1, 0, . . .}
Si la secuencia es 0 para n < 0 se suele representar como

x(n) = {0, 1, 3, 2, 1, 0, . . .}
y si es finita
x(n) = {0, 1, 3, 2, 1}
28
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.1 Se
Si la secuencia inicia en cero, entonces usualmente se omite la flecha:

x(n) = {0, 1, 3, 2, 1}
Por su brevedad y simpleza notacional, esta sera la representacion de se
nales de
preferencia en el presente texto.
2.1.1
Se
nales elementales de variable discreta
Ciertas se
nales aparecen frecuentemente en el analisis de sistemas y se
nales discretas.
Impulso unitario
El impulso unitario (n) esta definido como (figura 2.2a):
(
1 para n = 0
(n) =
0 para n 6= 0
y es el equivalente discreto del delta Dirac (t) en el dominio continuo.
Escal
on unitario
El escalon unitario u(n) se define como (figura 2.2b):
(
0 para n < 0
u(n) =
1 para n 0
Notese que el escalon se puede obtener a traves de la sumatoria
u(n) =
n
X
(i)
i=
que es el equivalente discreto de la integracion desde hasta t del delta Dirac (t).
Rampa unitaria
La rampa se genera a su vez a partir del escalon unitario y la sumatoria:
ur (n) =
n1
X
u(n)
i=
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
29
2 Se
lo que resulta en (figura 2.2c)

ur (n) =
(
0
para n < 0
para n 0
replacemen
(n)
ur (n)
u(n)
n
3
n
3
(a)
(b)
n
3
(c)
Figura 2.2: Tres funciones elementales (a) Impulso unitario. (b) Escalon unitario. (c) Rampa
unitaria
Se
nal exponencial
La se
nal exponencial se define como
x(n) = an
y su comportamiento depende de la constante a. Para valores reales y complejos de a y

n creciente, la funcion converge si |a| < 1 o diverge si |a| > 1 (figura 2.3).
Si a es complejo entonces puede expresarse como
a = rej x(n) = rn ejn
es decir, un fasor de magnitud rn con fase n (figura 2.4).
Utilizando la identidad de Euler, que establece ej = cos() + j sen(), se obtiene
x(n) = rn cos(n) + jrn sin(n)
cuyas partes real e imaginaria se muestran en la figura 2.5.
Notese que si r = 1 la se
nal tiene amplitud constante.
Otra representacion de una se
nal exponencial compleja se presenta en la figura 2.6, donde
el valor de cada muestra se grafica sobre un plano complejo perpendicular al eje n, generandose as un patron fasorial en el tiempo discreto, en el que se aprecian tanto las
componentes real e imaginaria, como la magnitud y fase de cada muestra.
30
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.1 Se
x(n)
3
x(n)
1.5
2.5
2
1.5
1
0.5
0.5
0
-1
10 11 12
-1
(a)
x(n)
10 11 12
10 11 12
x(n)
1
0.5
0
0
(b)
1.5
-1
10 11 12
-0.5
-1
-1.5
3.5
3
2.5
2
1.5
1
0.5
0
-1 0
-0.5
-1
-1.5
-2
-2.5
-3
-3.5
n
1
(c)
(d)
Figura 2.3: Funciones exponenciales para valores de a reales. (a) 0 < a < 1 (b) a > 1
(c) 1 < a < 0 (d) a < 1.
|x(n)|
6
x(n)
2
1
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-1
-2
-1
-3
(a)
(b)
Figura 2.4: Magnitud y fase de la funcion exponencial compleja con a = rej , r < 1 y 0 <
< . (a) Magnitud. (b) Fase
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
31
2 Se
Re{x(n)}
Im{x(n)}
-1
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-1
(a)
(b)
Figura 2.5: Partes real e imaginaria de la funcion exponencial con a compleja. (a) Parte real.
(b) Parte imaginaria
Im{x(n)}
Re{x(n)}

on de muestras complejas en planos complejos, situados en cada muestra n.
2.1.2
Manipulaciones elementales de se
Se describen a continuacion algunas transformaciones elementales para se

nales de variable
independiente discreta (o tiempo discreto). Estas transformaciones son la base de operaciones mas complejas en el procesamiento digital de se
nales y se utilizaran a menudo en
este y los siguientes captulos.
Desplazamiento
La se
nal x(n) se desplaza k muestras sustituyendo la variable n por n k. Si k > 0 la
se
nal se retarda k muestras y si k < 0 la se
nal se adelanta k muestras.
En la manipulacion fuera de lnea (off-line) ambos tipos de desplazamiento son posibles;
sin embargo, en sistemas de tiempo real o en lnea (on-line), solo el retraso de la funcion
32
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.1 Se
es realizable.
Ejemplo 2.1 Utilizando desplazamientos exprese el escalon unitario en terminos de una
suma de impulsos desplazados.
Soluci
on:
u(n) = (n) + (n 1) + (n 2) + . . . =
N
X
(n i)
i=0
2.1
Reflexi
on
Consiste en plegar la se
nal x(n) en el instante n = 0, sustituyendo la variable n por su
inverso aditivo n.
Notese que las operaciones de reflexion y desplazamiento no son conmutativas, es decir,
no es lo mismo reflejar una se
nal y luego retardarla k unidades que retardar la se
nal y
luego reflejarla, puesto que:
x((n) k) = x(n k) 6= x((n k)) = (n + k)
|
{z
} |
{z
}
Reflexi
on,
Desplazamiento
Desplazamiento,
Reflexion
Escalado de variable o submuestreo

En el escalado de variable o submuestreo (en ingles downsampling) se sustituye la variable
discreta n por n con IN+ .
Si la se
nal analogica original fue muestreada con el intervalo de muestreo T entonces
x(n) = xa (nT ), de donde se deriva que x(n) = xa (n(T )). Esto implica que el submuestreo equivale a utilizar un intervalo de muestreo de mayor duracion, igual a T .
Suma, multiplicaci
on y escalado de secuencias
Todas estas operaciones afectan la amplitud de las muestras de una secuencia.
Escalado de amplitud: y(n) = Ax(n)
Suma de secuencias: y(n) = x1 (n) + x2 (n)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
33
2 Se
Producto: y(n) = x1 (n)x2 (n)
Ejemplo 2.2 Dadas las secuencias

x1 (n) = ur (n) = {0, 1, 2, 3, 4, 5, 6, . . .}
x2 (n) = (1)n ur (n) = {0, 1, 2, 3, 4, 5, 6, . . .}
x3 (n) = {0, 0, 1}
Calcule la secuencia
x4 (n) = 2x3 (2 n) x1 (2n 1) + x2 (4 n)u(n)
Soluci
on: El primer termino 2x3 (2n) corresponde a una reflexion seguida por un atraso
(de la reflexion), escalado por un factor 2. Esto resulta en
2x3 (2 n) = {2}
El segundo termino representa un submuestreo retrasado:

x1 (2n 1) = {0, 1, 3, 5, 7 . . .}
El primer factor del tercer termino contiene una inversion atrasada:

x2 (4 n) = {6, 5, 4, 3, 2, 1, 0}
y al multiplicarlo por el escalon unitario u(n) se eliminan todas las muestras anteriores a
n = 0:
x2 (4 n)u(n) = {4, 3, 2, 1, 0}
Finalmente, se deben combinar estos tres resultados parciales aditivamente:

x4 (n) = {6, 4, 1, 6, 7, 9, 11, 13 . . .}
2.2
2.1.3
Clasificaci
on de se
La tabla 2.1 presenta cinco propiedades que caracterizan a las se

34
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.1 Se
Tabla 2.1: Propiedades de se

Propiedad
Energa
Periodicidad
Simetra
Acotacion
Longitud
Se
nal
Se
nal
Se
nal
Se
nal
Se
nal
p(t) =
i(t)
de energa
periodica
simetrica
acotada
finita
Se
nal
Se
nal
Se
nal
Se
nal
Se
nal
|v(t)|2
v(t)v(t)
=
R
Z R
t
v(t)
p( ) d
e(t) =
1
=
R
|v( )|2 d
de potencia
aperiodica
asimetrica
no acotada
infinita
p(t) = i(t)i(t)R = |i(t)|2 R

Z t
e(t) =
p( ) d
Z t
=R
|i( )|2 d
Figura 2.7: Potencia instantanea p(t) y energa e(t) de una se

nal analogica.
Se
nales de energa y potencia
La figura 2.7 muestra el calculo de potencia instantanea p(t) y de energa disipada e(t)
en un circuito electrico simple. El valor de resistencia R representa una constante que
u
nicamente repercutira en factores de escala de las funciones p(t) y e(t), es decir, el valor
de R no altera la forma de p(t) o e(t).
Usualmente, a las funciones de forma |f (t)|2 se les denomina entonces funciones de potenRt
cia de f (t) y a su integral hasta el instante t, |f (t)|2 dx, funcion de energa de f (t),
por la similitud con las funciones de energa y potencia en el circuito mostrado (asuma
por ejemplo R = 1 ).
De forma analoga, para una se
nal de variable discreta x(n) se define su energa como
E=
x(n)x(n) =
n=
|x(n)|2
n=
donde el uso de la magnitud de la se

nal permite aplicar la definicion a se
nales de valor
complejo.
Si E es finita entonces a x(n) se le denomina se
nal de energa. Muchas se
nales de energa
infinita poseen potencia promedio finita:
N
X
1
P = lim
|x(n)|2
N 2N + 1
n=N
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
35
2 Se
Si se define la energa EN de x(n) en un intervalo finito como

EN =
N
X
|x(n)|2
n=N
entonces
E = lim EN
N
y la potencia promedio puede entonces tambien expresarse como

1
P = lim
EN
N 2N + 1
con lo que se deriva que si E es finita entonces P = 0 y a su vez que si P > 0 entonces
E . En caso de que P sea finita, se dice que x(n) es una se
nal de potencia.
Ejemplo 2.3 Especifique si el escalon unitario u(n), la rampa ur (n) y la se
nal expoj0 n
nencial x(n) = Ae
son se
nales de energa o potencia.
Soluci
on:
1. Si x(n) = u(n) entonces
N
X
1
|u(n)|2
P = lim
N 2N + 1
n=N
N
X
1
= lim
1
N 2N + 1
n=0
1
N +1
=
N 2N + 1
2
lo que implica que u(n) es una se
nal de potencia.
2. La se
nal rampa unitaria ur (n) no es ni se
nal de energa ni se
nal de potencia, puesto
que tanto E como P tienden a infinito.
3. La se
nal x(n) = Aej0 n , A IR, tiene una potencia media P = A2 y es por lo tanto
una se
nal de potencia.
= lim
2.3
Se
nales acotadas y no acotadas
Una se
nal x(n) se dice ser acotada (en ingles bounded signal ) si existe un n
umero finito M
tal que |x(n)| < M < para todo n. Por el contrario, si la magnitud de cualquier muestra
es infinita, entonces la se
nal no es acotada. Esta propiedad es de fundamental importancia
en el concepto de estabilidad de sistemas, que se revisara con detalle posteriormente.
36
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.1 Se
Se
nales peri
odicas y aperi
odicas
Una se
nal es periodica con periodo N (N > 0) si y solo si
x(n + N ) = x(n),
para todo n
(2.1)
El valor mas peque

no de N para el que se cumple lo anterior se denomina periodo fundanal es entonces aperiodica.
mental . Si no existe ning
un N que satisfaga (2.1) la se
Como ejemplo particular, en el captulo anterior se demostro, que la se
nal x(n) = cos(2f0 n)
k
es periodica si y solo si f0 es un n
umero racional f0 = N , donde si k y N son primos
relativos entonces el periodo es N .
Si una se
nal periodica no toma valores infinitos (es decir, es una se
nal acotada) entonces
es a su vez una se
nal de potencia, por ser su potencia promedio finita e igual al promedio
en un periodo:
N 1
1 X
P =
|x(n)|2
N n=0
Se
nales sim
etricas y asim
etricas
Una se
nal es simetrica o par si
x(n) = x(n)
(2.2)
x(n) = x(n)
(2.3)
Se dice ser asimetrica o impar si
en cuyo caso siempre debe cumplirse que x(0) = 0.

Toda se
nal puede expresarse como la suma de una se
nal par xp (n) y otra se
nal impar
xi (n), donde
x(n) + x(n)
x(n) x(n)
xp (n) =
xi (n) =
(2.4)
2
2
Ejemplo 2.4 Demuestre que xp (n) es par, xi (n) es impar y que x(n) = xp (n) + xi (n).
Soluci
on:
Sustituyendo (2.4) en (2.2) y (2.3) se logra demostrar facilmente que xp (n) y xi (n) son
par e impar respectivamente.
La suma de xp (n) y xi (n) resulta claramente en x(n).
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.4
37
2 Se
Ejemplo 2.5 Dada una se

nal x(n) = {0, 1, 2} encuentre sus componentes par e impar.
Soluci
on:
Para calcular la componente par se realiza la suma de la se
nal con su reflexion, y luego
se divide por dos:
x(n)
= { 0,
0,
0,
1,
2 }
x(n)
= { 2,
1,
0,
0,
0 }
x(n) + x(n)
= { 2,
1,
0,
1,
2 }
xp (n) =
x(n)+x(n)
2
= { 1, 1/2, 0, 1/2, 1 }
Para calcular la componente impar se le substrae la reflexion a la se

nal, y luego se divide
por dos:
x(n)
= { 0,
0,
0, 1, 2 }
x(n)
x(n) x(n)
xi (n) =
x(n)x(n)
2
= {
2,
= { 2,
1,
0,
0,
0 }
1,
0,
1,
2 }
= { 1, 1/2, 0, 1/2, 1 }
Puede comprobarse directamente que con los anteriores resultados se cumple xp (n) +
xi (n) = x(n).
2.5
2.2
Sistemas en tiempo discreto
A los dispositivos que operan sobre se

nales de variable discreta (o tiempo discreto) se les
denomina sistemas discretos. En general, reciben una se
nal de entrada x(n) para producir
una se
nal de salida y(n). Se dice que el sistema transforma x(n) en y(n), lo que se expresa
como
y(n) = T [x(n)]
donde T [] representa al operador de transformacion o procesamiento realizado por el
sistema sobre x(n) para producir y(n).
2.2.1
Descripci
on entrada-salida de sistemas
La descripcion de entrada-salida define la relacion entre x(n) y y(n). La estructura interna

del sistema es desconocida o ignorada, es decir, el sistema se considera como una caja
38
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.2 Sistemas en tiempo discreto
negra cuyo funcionamiento interno no interesa, sino el comportamiento especfico ante

cierta entrada (figura 2.8).
Sistema
Discreto
x(n)
y(n)
Figura 2.8: Entrada-salida de un sistema discreto
Ejemplo 2.6 Determine la salida de los siguientes sistemas para la entrada
x(n) =
1.
2.
3.
4.
5.
6.
(
3 |n| para 2 n 2
0
en el resto
y(n) = x(n)
y(n) = x(n 2)
y(n) = x(n + 1)
y(n) = 13 [x(n + 1) + x(n) + x(n 1)]
y(n) = max {x(n + 1), x(n), x(n 1)}
P
y(n) = nk= x(k)
Soluci
on:
1. Al sistema y(n) = x(n) se le denomina identidad , pues su salida es identica a la
entrada: y(n) = {1, 2, 3, 2, 1}
2. El sistema y(n) = x(n 2) retarda la entrada dos muestras: y(n) = {1, 2, 3, 2, 1}.
3. El sistema y(n) = x(n + 1) adelanta la se

nal una unidad y solo puede ser realizado
fuera de lnea, por ser imposible en un sistema de tiempo real determinar el valor
de una muestra en el futuro: y(n) = {1, 2, 3, 2, 1}.
4. El filtro de media mobil y(n) = 13 [x(n + 1) + x(n) + x(n 1)] calcula el promedio
de tres muestras: y(n) = {1/3, 1, 2, 7/3, 2, 1, 1/3}.
5. El filtro de rango y(n) = max {x(n + 1), x(n), x(n 1)} entrega el valor maximo
de la muestra actual, la anterior y la futura: y(n) = {1, 2, 3, 3, 3, 2, 1}. Este filtro
puede considerarse como filtro paso bajos.

c
2005-2006
P. Alvarado
Uso exclusivo ITCR
39
2 Se
P
6. El acumulador y(n) = nk= x(k) realiza la integracion discreta de la entrada:
y(n) = {1, 3, 6, 8, 9, 9, . . .}. Note que el acumulador puede reescribirse como
y(n) =
n
X
x(k) =
k=
n1
X
x(k) + x(n) = y(n 1) + x(n)
k=
{z
y(n1)
}
2.6
En general, la salida y(n) en el instante n puede depender no solo de la muestra actual

x(n), sino tambien de la se
nal en instantes anteriores y posteriores a n. Ademas, la
salida de un sistema puede depender de un estado interno. Por ejemplo, en el acumulador
y(n) = y(n 1) + x(n) si una secuencia de entrada se aplica en dos instantes de tiempo
distintos, las dos reacciones del sistema difieren, dependiendo de la historia anterior del
sistema y(n1). Para determinar la salida del acumulador en un instante n0 es necesario
conocer y(n0 1). El calculo de la secuencia de salida y(n) para todo instante n > n0
tiene como condicion inicial al valor y(n0 1), que en cierta forma resume todo el pasado
del sistema.
Si la condicion inicial es cero se dice que el sistema estaba en reposo. Siempre se asume
que en n = todo sistema estaba en reposo. La salida de un sistema en reposo puede
expresarse entonces utilizando u
nicamente la se
nal de entrada, puesto que por definicion
todas las salidas anteriores son cero.
Ejemplo 2.7 Determine la salida del sistema acumulador para la entrada x(n) = nu(n)
con condicion inicial y(1) = .
Soluci
on:
n
X
y(n) =
x(k) =
k=
1
X
k=
|
Recuerde que
Pn
k
Pk=0
n
k
Pk=0
n
2 k=0 k
P
2 nk=0 k
Pn
k=0 k
40
=
=
=
1
n
n+1
x(k) +
{z
y(1)=
n
X
k =+
|k=0
{z }
n(n + 1)
2
n(n+1)
2
+
2
+
3
+ ... +
n
+ n 1 + n 2 + ... +
1
+ n + 1 + n + 1 + ... + n + 1
= n(n + 1)
=
n(n+1)
2
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.7
2.2.2
Diagramas de bloques
En el captulo anterior se indico que un sistema esta conformado por subsistemas, es decir,
bloques de procesamiento de se
nal con tareas especficas dentro del sistema total. Este
concepto se aplica recursivamente, de tal modo que un subsistema se descompone a su
vez en otros subsistemas mas sencillos, que a su vez pueden estar constituidos por otros
subsistemas, y as sucesivamente, hasta llegar a ciertos componentes elementales descritos
a continuacion.
Sumador
El sumador es un bloque sin memoria, que se representa como lo indica la figura 2.9. Tal
replacemen
x1 (n)
y(n) = x1 (n) + x2 (n)
x2 (n)
Figura 2.9: Diagrama de un sumador.
y como lo indica su nombre, su tarea es sumar dos se

nales o mas se
nales muestra por
muestra.
Multiplicador por constante
El multiplicador por constante es un bloque sin memoria, que se representa como lo indica
la figura 2.10. Se utiliza para escalar toda una secuencia por un mismo factor.
x(n)
y(n) = ax(n)
Figura 2.10: Diagrama de un multiplicador por constante.
Multiplicador de se
nal
El multiplicador de se
nal es un bloque sin memoria, que se representa como lo indica la
figura 2.11, y que genera una nueva secuencia a partir de los productos entre muestras de
las se
nales de entrada correspondientes a un mismo instante n.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
41
2 Se
x1 (n)
y(n) = x1 (n)x2 (n)
x2 (n)
Figura 2.11: Diagrama de un multiplicador de se

nales.
Retardador de un elemento
El retardador es un bloque con memoria de longitud 1, representado como lo indica
la figura 2.12. Es uno de los elementos de procesamiento digital mas utilizados. Su
x(n)
z 1
y(n) = x(n 1)
Figura 2.12: Diagrama de elemento retardador.
smbolo esta muy relacionado con las propiedades de la transformada z que se analizaran
posteriormente.
Adelantador de un elemento
El adelantador no es realizable fsicamente y solo existe en sistemas de tratamiento de
se
nales fuera de lnea. Se representa como lo indica la figura 2.13.
x(n)
y(n) = x(n + 1)
Figura 2.13: Diagrama de elemento adelantador.
Ejemplo 2.8 Realice el diagrama de bloques para

1
1
1
y(n) = y(n 1) + x(n) + x(n 1)
4
2
2
Soluci
on:
Notese primero que esta expresion puede reescribirse de la siguiente forma:
1
1
y(n) = y(n 1) + (x(n) + x(n 1))
4
2
(2.5)
con lo que se deriva facilmente el diagrama mostrado en la figura 2.14.

2.8
42
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1
2
y(n)
x(n)
z 1
1
4
z 1
Figura 2.14: Diagrama de bloques de la ecuacion 2.5.
2.2.3
Clasificaci
on de los sistemas discretos
Un sistema se dice tener una determinada propiedad, si dicha propiedad se cumple para
todas las se
nales de entrada posibles. Un contraejemplo basta para descartar que un sistema posea una determinada propiedad. La tabla 2.2 resume las propiedades de sistemas
discretos, que se detallan a continuacion.
Tabla 2.2: Propiedades de sistemas discretos.
Propiedad
Memoria
Varianza
Linealidad
Causalidad
Estabilidad
Sistema
Sistema
Sistema
Sistema
Sistema
estatico
Sistema dinamico
variante en el tiempo Sistema invariante en el tiempo
lineal
Sistema no lineal
causal
Sistema no causal
estable
Sistema inestable
Sistemas est
aticos y din
amicos
En un sistema estatico, o sin memoria, la salida y(n) depende solo de la entrada x(n) en
el mismo instante n, y no de las entradas pasadas o futuras. Todos los otros casos son
sistemas dinamicos.
Si la salida y(n) depende de las entradas de x(n N ) a x(n) se dice que el sistema tiene
memoria de duracion N , donde N puede ser finita o infinita.
Por ejemplo, y(n) = ax(n) + nx2 (n) + bx3 (n) representa un sistema estatico, mientras que
P
y(n) = nk=0 ak x(n k) es un sistema dinamico.
Sistemas variantes e invariantes en el tiempo
Un sistema T en reposo es invariante en el tiempo o invariante al desplazamiento si y solo
si
T
T
x(n) y(n) x(n k) y(n k)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
43
2 Se
Ejemplo 2.9 Determine si los siguiente sistemas son o no invariantes en el tiempo:

1. y(n) = x(n) x(n 1)
2. y(n) = x(n) cos(0 n)
Soluci
on:
El sistema y(n) = x(n) x(n 1) es invariante en el tiempo. Para demostrarlo se
calcula la respuesta del sistema en reposo a la entrada desplazada x(n k), que resulta
en yk (n) = x(n k) x(n k 1). La respuesta a x(n), retrasada k muestras es
y(n k) = x(n k) x(n k 1). Como y(n k) = yk (n) el sistema es invariante en el
tiempo.
El sistema modulador y(n) = x(n) cos(0 n) es variante en el tiempo, puesto que su
respuesta yk (n) a x(n k) es yk (n) = x(n k) cos(0 n), y la repuesta a x(n), retardada
k muestras es y(n k) = x(n k) cos(0 (n k)) que es diferente a yk (n).
2.9
Sistemas lineales y no lineales
Un sistema es lineal si satisface el teorema de superposicion, es decir, para cualesquiera
dos constantes a1 , a2 y para toda se
nal x1 (n) y x2 (n) se cumple
T [a1 x1 (n) + a2 x2 (n)] = a1 T [x1 (n)] + a2 T [x2 (n)] .
Como consecuencia, todo sistema lineal tiene la propiedad multiplicativa o de escalado
T [a1 x1 (n)] = a1 T [x1 (n)]
y la propiedad aditiva
T [x1 (n) + x2 (n)] = T [x1 (n)] + T [x2 (n)] .
El principio de superposicion puede generalizarse para M se
nales como
x(n) =
M
X
ak xk (n) y(n) =
k=1
M
X
ak T [xk (n)]
k=1
De la propiedad de escalado se deduce ademas que un sistema lineal en reposo con entrada
cero (x(n) = 0, n Z) debe tener como salida una se
nal nula y(n) = 0.
Si para un sistema la propiedad de superposicion no se cumple, entonces el sistema se
dice ser no lineal.
44
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Ejemplo 2.10 Compruebe si los siguientes sistemas son lineales.

1.
2.
3.
4.
5.
y(n) = nx(n)
y(n) = x(n2 )
y(n) = x2 (n)
y(n) = Ax(n) + B
y(n) = ex(n)
Soluci
on:
1. Para el sistema 1 se obtiene primero la respuesta del sistema a una entrada igual a la
suma ponderada de dos se
nales x1 (n) y x2 (n), es decir, para una entrada total x(n) =
a1 x1 (n) + a2 x2 (n) y se obtiene yT (n) = n(a1 x1 (n) + a2 x2 (n)) = a1 nx1 (n) + a2 nx2 (n).
Ahora, la suma ponderada de las salidas del sistema para x1 (n) y x2 (n) por separado
es yS (n) = a1 y1 (n) + a2 y2 (n), con y1 (n) = nx1 (n) y y2 (n) = nx2 (n), lo que es igual a
yS (n) = a1 nx1 (n) + a2 nx2 (n). Como yT (n) = yS (n) se puede afirmar que el sistema
y(n) = nx(n) es lineal.
2. Para y(n) = x(n2 ) las salidas yT (n) = a1 x1 (n2 )+a2 x2 (n2 ) y yS = a1 x1 (n2 )+a2 x2 (n2 )
son identicas y por tanto el sistema es lineal.
3. Para y(n) = x2 (n) la salida yT (n) = (a1 x1 (n) + a2 x2 (n))2 = a21 x21 (n) + a22 x22 (n) +
2a1 a2 x1 (n)x2 (n) y la salida yS (n) = a21 x21 (n) + a22 x22 (n) evidentemente son diferentes
y por tanto el sistema no es lineal.
4. Para y(n) = Ax(n) + B la salida yT (n) = A(a1 x1 (n) + a2 x2 (n)) + B y la salida
yS (n) = Aa1 x1 (n) + B + Ax2 (n) + B = Aa1 x1 (n) + Ax2 (n) + 2B difieren para todo
B 6= 0 y por tanto el sistema, a pesar de su apariencia, no es lineal.
5. Para y(n) = ex(n) la salida yT = ea1 x1 (n)+a2 x2 (n) = ea1 x1 (n) ea2 x2 (n) y la salida yS =
ea1 x1 (n) + ea2 x2 (n) son diferentes y por tanto el sistema tampoco es lineal.
2.10
Sistemas causales y no causales

Un sistema es causal si y(n) depende u
nicamente de las entradas presentes y pasadas
(x(n), x(n 1), x(n 2), . . .), y salidas pasadas (y(n 1), y(n 2), . . .), pero no de las
entradas o salidas futuras (x(n+1), x(n+2), . . .; y(n+1), y(n+2), . . .). En caso contrario,
el sistema es no causal.
Sistemas que funcionan en lnea deben ser causales por la imposibilidad de determinar
el valor de la entrada o la salida en el futuro.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
45
2 Se
A una se
nal x(n) que es cero para n 0 y diferente de cero para n < 0 se le denomina
se
nal anticausal . Las implicaciones de la causalidad junto con la linealidad e invarianza
en el tiempo no son triviales, y se profundizara en ellas en los proximos captulos.
Sistemas estables e inestables

Un sistema arbitrario en reposo se denomina estable de entrada acotada - salida acotada
(BIBO: bounded input bounded output) si toda entrada acotada produce una salida
acotada:
T
|x(n)| Mx < |y(n)| My < ,
n Z
Basta con que alguna entrada acotada produzca una salida no acotada (es infinita), para
que el sistema sea inestable.
2.2.4
Interconexi
on de sistemas discretos
Hay dos maneras fundamentales de interconectar sistemas discretos: interconexion en

cascada (o serie) e interconexion paralela (figura 2.15). La interconexion en cascada se
describe con sistemas de la forma:
y(n) = T2 [T1 [x(n)]] = Tc [x(n)]
En general, el orden de los bloques para la conexion en cascada es relevante. Sin embargo,
si los sistemas son lineales e invariantes en el tiempo entonces Tc es a su vez lineal e
invariante en el tiempo, y T1 [T2 []] = T2 [T1 []]. La interconexion en paralelo se describe
por
y(n) = T1 [x(n)] + T2 [x(n)] = Tp [x(n)] .
T1
x(n)
T1
y1 (n)
T2
y(n)
y1 (n)
x(n)
y(n)
T2
(a)
y2 (n)
(b)
Figura 2.15: Interconexi

on de sistemas discretos. (a) Cascada. (b) Paralelo
46
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.3 An
alisis de sistemas discretos lineales e invariantes en el tiempo
2.3
An
El analisis de sistemas se simplifica enormemente si estos son lineales e invariantes en el

tiempo (LTI: Linear and Time Invariant).
2.3.1
T
ecnicas de an
alisis
Existen dos metodos basicos para el analisis del comportamiento de un sistema:

1. Descomposicion de la se
nal de entrada en se
nales elementales, cuya respuesta es
conocida.
2. Solucion de la ecuacion de diferencias.
La solucion de la ecuacion de diferencias se revisara en la seccion 2.4.
El concepto fundamental del analisis de sistemas lineales por descomposicion es el siguiente: supongase que la entrada x(n) puede expresarse como una suma ponderada de
funciones elementales {xk (n)}
X
ck xk (n)
x(n) =
k
donde ck son los coeficientes de ponderacion o pesos de la descomposicion de la se

nal x(n).
Si la respuesta del sistema en reposo a xk (n) es yk (n), es decir
yk (n) = T [xk (n)]
entonces con la propiedad de linealidad se obtiene
"
#
X
X
X
y(n) = T [x(n)] = T
ck xk (n) =
ck T [xk (n)] =
ck yk (n)
k
En otras palabras, si el sistema es lineal, la respuesta y(n) del sistema a una entrada x(n)
es igual a la suma ponderada de las repuestas yk (n) a cada una de las componentes xk (n)
en que se puede descomponer x(n), donde ademas los coeficientes ck de ponderacion de
las salidas corresponden a los coeficientes de ponderacion de la entrada.
En esta descomposicion, la eleccion de las funciones elementales dependera de las caractersticas de las se
nales a evaluar. Dos clases de funciones son usuales: impulsos ((nk))
y funciones exponenciales complejas ejk n , esta u
ltima utilizandose frecuentemente en el
llamado analisis frecuencial (ver captulo 5). En los u
ltimos a
nos ha cobrado fuerza el uso
de otras familias de funciones elementales caracterizadas a partir de la teora de wavelets,
tema que sin embargo excede el marco de este curso.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
47
2 Se
2.3.2
Descomposici
on de una se
nal en impulsos
Utilizando impulsos desplazados como funciones elementales puede expresarse cualquier

se
nal x(n) como:
X
x(n) =
x(k)(n k)
k=
Ejemplo 2.11 Descomponga la se

nal
x(n) = {0, 1, 2, 1, 1/2, 1}
en sus impulsos.
Soluci
on:
Esta se
nal puede expresarse como
x(n) = 1 (n 1) + 2 (n 2) 1 (n 3)
1
(n 4) + 1 (n 5)
2
2.11
2.3.3
Convoluci
on
Si se denota con h0 (n, k) la respuesta del sistema a un impulso desplazado k unidades

(n k)
h0 (n, k) = T [(n k)]
entonces la salida de un sistema lineal puede calcularse con las repuestas elementales a
dichos impulsos desplazados:
y(n) =
ck yk (n) =
x(k)h0 (n, k)
donde se han utilizado xk (n) = (n k) como entradas elementales y por lo tanto los
coeficientes ck = x(k).
Si el sistema es ademas invariante en el tiempo, entonces con h(n) = T [(n)] se tiene que
h0 (n, k) = h(n k) y por lo tanto
y(n) =
x(k)h(n k) = x(n) h(n)
k=
48
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.3 An
que se denomina sumatoria de convolucion. Se dice entonces que la respuesta del sistema
LTI y(n) a una entrada x(n) es igual a la convolucion de x(n) con la respuesta al impulso
h(n).
Esto quiere decir que en un sistema LTI en reposo su respuesta a cualquier entrada puede
determinarse con solo conocer dicha entrada y la respuesta al impulso h(n).
El calculo de la convolucion involucra cuatro pasos:
1. Reflexion de h(k) con respecto a k = 0 para producir h(k).
2. Desplazamiento del origen de h(k) hacia el punto n que se desea calcular.
3. Multiplicacion de x(k) y h(n k) para obtener la secuencia producto vn (k) =
x(k)h(n k).
4. Suma de todos los valores de vn (k) para obtener y(n).
Los pasos del 2 al 4 deben realizarse para todo instante n que se desee calcular.
Ejemplo 2.12 Determine la respuesta a la se
nal de entrada
x(n) = {1, 2, 3, 1}
de un sistema LTI con respuesta al impulso

h(n) = {1, 2, 1, 1}
Soluci
on:
Siguiendo el procedimiento indicado, primero se calcula la reflexion de la respuesta al
impulso
h(k) = {1, 1, 2, 1} .
Los pasos siguientes se resumen en la tabla 2.3.

Con lo que resulta la se
nal de salida en
y(n) = {1, 4, 8, 8, 3, 2, 1}
2.12
Ejemplo 2.13 Para el caso en que la entrada x(n) y la respuesta impulsional h(n) sean
de longitud finita, calcule la longitud de la salida en terminos de las longitudes de x(n) y
h(n).
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
49
2 Se
Tabla 2.3: Ejemplo de convolucion de dos secuencias finitas.

2. Desplazamiento
3. Multiplicacion
4. Suma
por x(k) = {1, 2, 3, 1}
h(1 k)={1, 1, 2, 1}
v1 ={0, 0, 0, 1, 0, 0, 0} y1 =1
h(0 k)={1, 1, 2, 1}
v0 ={0, 0, 2, 2, 0, 0}
y0 =4
h(1 k)={1, 1, 2, 1}
v1 ={0, 1, 4, 3, 0}
y1 =8
h(2 k)={1, 1, 2, 1}
v2 ={1, 2, 6, 1}
y2 =8
h(3 k)={0, 1, 1, 2, 1}
v3 ={0, 2, 3, 2}
y3 =3
h(4 k)={0, 0, 1, 1, 2, 1}
v4 ={0, 0, 3, 1}
y4 =-2
h(5 k)={0, 0, 0, 1, 1, 2, 1}
v5 ={0, 0, 0, 1}
y5 =-1
Soluci
on:
Una se
nal finita tiene longitud N si el intervalo mas peque
no con muestras diferentes de
cero tiene N muestras.
Asuma que los ndices menor y mayor de la entrada x(n) son ki y kf respectivamente, y
los de la respuesta impulsional h(n) son li y lf (figura 2.16).
replacemen
x(n)
ki
h(n)
kf
li
lf
Figura 2.16: Indices de las se

nales de entrada y repuesta impulsional.
La longitud de x(n) es entonces Nx = kf ki + 1, y la longitud de la respuesta impulsional

es Nh = lf li + 1.
El desplazamiento menor nmin para el que puede haber salida es (figura 2.17):
nmin = ki + li
El desplazamiento mayor nmax para el que puede haber salida es (figura 2.18):
nmax = kf + lf
50
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.3 An
x(k)
ki
h(n k)
lf
kf
li
nmin = ki + li
Figura 2.17: Menor desplazamiento para el que puede haber salida.

x(k)
ki
kf
h(n k)
lf
li
nmax = kf + lf
Figura 2.18: Mayor desplazamiento para el que puede haber salida.
La longitud de la se
nal de salida es entonces
Ny = nmax nmin + 1
= (kf + lf ) (ki + li ) + 1 + (1 1)
= (kf ki + 1) + (lf li + 1) 1
= Nx + Nh 1
es decir, el resultado de la convolucion tiene una longitud que es tan solo una muestra
menor que la suma de las longitudes de las dos se
nales sobre las que ella opera.
2.13
En el ejemplo anterior se observa que para los valores nmin y nmax , es decir, los lmites del
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
51
2 Se
intervalo de muestras donde existe salida no nula, es irrelevante que funcion representa la
entrada y que funcion representa la respuesta al impulso del sistema. Esto indica cierta
simetra en la convolucion. Con un simple cambio de variables es posible demostrar que
la convolucion es de hecho totalmente conmutativa, y no solo el valor de sus ndices:
y(n) = x(n) h(n) =
x(k)h(n k)
x(n m)h(m)
k=
m=nk m=
h(k)x(n k)
k=
= h(n) x(n)
Ejemplo 2.14 Encuentre a traves de la convolucion la respuesta de un sistema con
respuesta exponencial al impulso:
h(n) = an u(n),
|a| < 1 .
ante el escalon unitario u(n).

Soluci
on:
Observese que an = en ln a , con lo que se establece la relacion con los sistemas analogicos
de respuesta exponencial ha (t) = et/ (figura 2.19). Para encontrar mas detalles de esta
relacion as
umase que la se
nal ha (t) se discretiza en el tiempo con un intervalo de muestreo
T:
T
!
ha (nT ) = enT / = en ln a ln a = a = eT /
vent (t) = (t)
vsal (t)
vsal = 1 et/ ,
= RC
Figura 2.19: Circuito analogico con respuesta exponencial al impulso.
Puede observarse que este tipo de sistemas analogicos solo permiten a 0, mientras que
los sistemas discretos permiten ademas a < 0 sin ninguna complejidad computacional
adicional.
Para determinar la salida y(n) del sistema con la entrada escalon unitario u(n) se utiliza
la sumatoria de convolucion:
X
X
y(n) =
x(n k)h(k) =
u(n k)h(k)
(2.6)
k=
52
c
2005-2006
P. Alvarado
k=
Uso exclusivo ITCR
2.3 An
Puesto que las secuencias producto son 0 para n < 0 entonces y(n) = 0 para n < 0.
Evaluando entonces (2.6) para varios n se obtiene:
y(0) = h(0) = 1
y(1) = h(0) + h(1) = 1 + a
y(2) = h(0) + h(1) + h(2) = 1 + a + a2
..
.
n
n
X
X
ak
h(k) =
y(n) =
k=0
k=0
Recordando
Pn
ak
= 1 +a +a2 + . . . +an
Pk=0
a nk=0 ak
=
a +a2 + . . . +an +an+1
Pn
(1 a) k=0 ak = 1
an+1
con lo que se deriva
n
X
ak =
k=0
1 an+1
1a
Si |a| < 1 entonces lim an+1 = 0 lo que implica que y() =

n
un ejemplo de la respuesta para a = 0,9.
1
.
1a
La figura 2.20 muestra
x(n)
10
1
1a
9
8
7
6
5
4
3
2
1
0
n
0
10
12
14
16
18
20
22
24
26
28
30
Figura 2.20: Respuesta al sistema exponencial con a = 0,9.

c
2005-2006
P. Alvarado
Uso exclusivo ITCR
53
2 Se
Notese la similitud con la respuesta del sistema analogico al escalon continuo de la forma
k(1 et/ ). Mas tarde en el curso se retomaran estas similitudes.
2.14
2.3.4
Propiedades de la convoluci
on
Conmutatividad
x(n) y(n) = y(n) x(n)
x(n)
h(n)
y(n)
h(n)
x(n)
y(n)

on de la propiedad de la convolucion de conmutatividad.
Asociatividad
[x(n) h1 (n)] h2 (n) = x(n) [h1 (n) h2 (n)]
x(n)
x(n)
h1 (n)
h2 (n)
h1 (n) h2 (n)

on de la propiedad de la convolucion de asociatividad.
Distributividad
x(n) [h1 (n) + h2 (n)] = x(n) h1 (n) + x(n) h2 (n)
h1 (n)
x(n)
y(n)
x(n)
y(n)
h1 (n) + h2 (n)
h2 (n)

on de la propiedad de la convolucion de distributividad.
Las tres propiedades pueden generalizarse para mas de dos subsistemas.

54
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.3 An
2.3.5
Sistemas LTI causales
En un sistema causal la salida en n = n0 depende solo de valores de entrada x(n) para

n n0 , es decir, de valores pasados. Como
y(n0 ) =
h(k)x(n0 k) =
X
k=0
k=
h(k)x(n0 k) +
| {z }
Muestras
pasadas y
actual
1
X
k=
h(k)x(n0 k)
| {z }
Muestras
futuras
se deriva que h(k) = 0 para todo k 1, pues solo as la salida podra ser independiente
de entradas futuras.
Dado que h(n) es la respuesta impulsional de un sistema LTI en reposo, h(n) = 0 para
n < 0 es condicion necesaria y suficiente para la causalidad. Un sistema es causal entonces
si y solo si h(n) = 0, n < 0.
Si un sistema es causal entonces la convolucion puede simplificarse en
y(n) =
n
X
h(k)x(n k) =
x(k)h(n k)
k=
k=0
Generalizando, a una secuencia x(n) con x(n) 6= 0 para alg

un n < 0 se le denomina
secuencia no causal, y de lo contrario, secuencia causal. A secuencias con x(n) = 0
para n 0 y con x(n) 6= 0 para alguna muestra con n < 0 se les denomina secuencias
anticausales.
Si tanto la entrada x(n) como la respuesta impulsional son causales, entonces la convolucion se simplifica en:
y(n) =
n
X
h(k)x(n k) =
k=0
n
X
x(k)h(n k)
k=0
Notese que esta respuesta es a su vez causal, es decir, y(n) = 0 para todo n < 0.
2.3.6
Estabilidad de sistemas lineales e invariantes en el tiempo
Un sistema se dice estable si para toda entrada acotada su salida es tambien acotada:
|x(n)| Mx <
c
2005-2006
P. Alvarado
|y(n)| My < n
Uso exclusivo ITCR
55
2 Se
Dada la convolucion
y(n) =
h(k)x(n k)
k=
y su valor absoluto

X
X
X

h(k)x(n k)
|y(n)| =
|h(k)|Mx
|h(k)||x(n k)|

k=
|y(n)| Mx
k=
k=
|h(k)|
k=
lo que implica que |y(n)| es acotada solo si

Sh =
|h(k)|
k=
En consecuencia un sistema LTI es estable si su respuesta impulsional es absolutamente

sumable. Esta condicion es necesaria y suficiente.
Si h(n) no es absolutamente sumable entonces, derivado de lo anterior, debera existir al
menos una entrada que produce una salida no acotada y por tanto el sistema es inestable.
Si para un sistema con respuesta al impulso h(n) se elige como entrada la se
nal
( h(n)
x(n) =
|h(n)|
para h(n) 6= 0
para h(n) = 0
basta entonces con demostrar que existe alg

un valor de n para el que y(n) no esta acotada
para concluir inestabilidad. Por ejemplo, calc
ulese y(0)
X
X
|h(k)|2
y(0) =
x(k)h(k) =
=
|h(k)| = Sh
|h(k)|
k=
k=
k=
Quiere decir que si h(n) no es absolutamente sumable (Sh ) entonces la salida no es

acotada y el sistema es inestable.
P
La condicion
k= |h(k)| < implica que h(n) tiende a cero cuando n , lo que a
su vez implica que si la entrada x(n) es cero para todo n > n0 entonces la salida tiende a
cero para n :
56
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.3 An
y(n0 + N ) =
N
1
X
h(k)x(n0 + N k) +
h(k)x(n + N k)
k=N
k=
{z
=0
(x(n)=0,n>n0 )
X
X
X

h(k)x(n + N k)
|y(n0 + N )| =
|h(k)|
|h(k)||x(n + N k)| Mx
|
{z
}

k=N
k=N
Si N entonces limN
k=N
Mx
k=N
|h(k)| = 0 y de ah que lim y(n0 + N ) = 0.

N
Esto implica que en un sistema estable cualquier excitacion de duracion finita a la entrada
produce una respuesta transitoria, es decir, una respuesta cuya amplitud decrece y se anula
con el tiempo.
Ejemplo 2.15 Determine el rango del parametro a para el que el sistema LTI de respuesta al impulso h(n) = an u(n) es estable.
Soluci
on:
El sistema es estable si
X
k=0
|a | =
|a|k = 1 + |a| + |a|2 + . . .
k=0
converge. Esto ocurre si y solo si |a| < 1 y esta suma converge a
|ak | =
k=0
1
1 |a|
2.15
Ejemplo 2.16 Determine el rango de valores de a y b para los cuales el sistema LTI de
respuesta
(
an n 0
h(n) =
bn n < 0
es estable.
Soluci
on:
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
57
2 Se
La condicion de estabilidad es
1
X
X
X
1
|b|
1

|h(n)| =
|b| +
|a| =
|a|n =
+
b +
|b| 1 1 |a|
n=
n=
n=0
|n=0{z }
|n=1{z }
n
Converge
si |b| > 1
Converge
si |a| < 1
El sistema es estable si |a| < 1 y si |b| > 1.
2.3.7
2.16
Sistemas de respuesta finita e infinita
Es u
til distinguir los sistemas entre aquellos con una respuesta finita al impulso (FIR:
Finite Impulse Response) y aquellos con respuesta infinita al impulso (IIR: Infinite Impulse Response) por las consideraciones practicas que los distintos conceptos conllevan:
la implementacion de los primeros se puede realizar directamente, mientras que la de los
segundos se basa en ecuaciones de diferencias.
Para los sistemas causales FIR la convolucion se reduce a
y(n) =
M
1
X
h(k)x(n k),
h(k) = 0, k < 0 k M
(2.7)
k=0
El sistema se comporta como una ventana que solo permite ver M muestras para
calcular la salida. Se dice que el sistema FIR tiene memoria finita de M muestras.
2.4
Sistemas discretos descritos mediante ecuaciones

de diferencias
El calculo de la convolucion:
y(n) =
h(k)x(n k)
k=
solo es posible para sistemas FIR, puesto que en el caso de sistemas IIR se requerira de
una memoria infinita para almacenar h(n), y un n
umero infinito de multiplicaciones y
adiciones para calcular una sola muestra de la salida.
Las llamadas ecuaciones de diferencias permiten trabajar con sistemas IIR.
58
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.4 Sistemas discretos descritos mediante ecuaciones de diferencias
2.4.1
Sistemas discretos recursivos y no recursivos
Un sistema es recursivo si su salida en el instante n depende de valores anteriores de la

salida, y(n 1), y(n 2), . . .:
y(n) = F [y(n 1), y(n 2), . . . , y(n N ), x(n), x(n 1), . . . , x(n M )]
donde F [] denota una funcion cualquiera, y sus argumentos son las entradas y salidas
presentes y pasadas.
El sistema es no recursivo si solo depende de las entradas presentes y pasadas, mas no de
salidas pasadas:
y(n) = F [x(n), x(n 1), . . . , x(n M )]
Notese que los sistemas LTI FIR causales, cuya salida se expresa como la suma finita de
convolucion (2.7) no son recursivos.
y(n)
x(n)
F [x(n), x(n 1), x(n 2), . . . , x(n M )]
x(n)
Sistema no recursivo
y(n)
F [y(n 1), . . . , y(n N )

x(n), ..., x(n M )]
Sistema recursivo
z
Figura 2.24: Diagrama de bloques de sistemas recursivos y no recursivos.
El lazo de realimentacion da origen a una diferencia fundamental en el calculo de la salida:

La salida recursiva debe determinarse en orden, pues para calcular y(n0 ) se necesitan todos
los N valores anteriores, mientras que en un sistema no recursivo las salidas anteriores no
son necesarias y se puede calcular un valor directamente para cualquier n.
Ejemplo 2.17 Determine una expresion recursiva para el sistema de media acumulativa.
Soluci
on:
El sistema de media acumulativa
n
y(n) =
1 X
x(k)
n + 1 k=0
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
59
2 Se
es recursivo pues
(n + 1)y(n) =
ny(n 1) =
(n + 1)y(n) =
n
X
k=0
n1
X
k=0
n1
X
x(k)
x(k)
x(k) + x(n) = ny(n 1) + x(n)
k=0
n
1
y(n 1) +
x(n)
n+1
n+1
1
(ny(n 1) + x(n))
=
n+1
y(n) =
(2.8)
Notense los coeficientes no constantes para la salida anterior y(n 1) y la entrada actual
n
1
x(n), que son n+1
y n+1
respectivamente; estos implican que el sistema es variante en el
tiempo. La figura 2.25 muestra el diagrama de bloques correspondiente.
1
n+1
y(n)
x(n)
z 1
n
Figura 2.25: Diagrama de bloques del sistema de media acumulativa.

2.17
2.4.2
Sistemas LTI caracterizados por ecuaciones de diferencias

con coeficientes constantes
Los sistemas descritos por ecuaciones de diferencias con coeficientes constantes son una
subclase de los sistemas recursivos y no recursivos.
Considerese el sistema (ver ademas la figura 2.26)
y(n) = ay(n 1) + x(n)
60
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
x(n)
y(n)
z 1
Figura 2.26: Diagrama de bloques de un sistema LTI.
que a pesar de su similitud con (2.8), difiere por la naturaleza de los coeficientes, lo que
tiene implicaciones sobre la invarianza en el tiempo. En este u
ltimo caso, el coeficiente
a es constante y el sistema es invariante en el tiempo. Para la media acumulativa, el
coeficiente es dependiente del tiempo y el sistema es entonces variante en el tiempo.
Eval
uese ahora la respuesta de este sistema ante una entrada x(n) con x(n) = 0, n < 0,
y con una condicion inicial y(1):
y(0) = ay(1) + x(0)
y(1) = ay(0) + x(1) = a2 y(1) + ax(0) + x(1)
y(2) = ay(1) + x(2) = a3 y(1) + a2 x(0) + ax(1) + x(2)
..
.
y(n) = an+1 y(1) + an x(0) + an1 x(1) + . . . + a0 x(n)
n
X
n+1
= a y(1) +
ak x(n k), n 0
| {z }
}
|k=0 {z
yzi (n)
yzs (n)
El termino yzi (n) depende de las condiciones iniciales y se obtendra si la entrada fuese cero
(zero input), como producto del estado inicial del sistema y de sus caractersticas propias.
A yzi (n) se le denomina respuesta natural o libre del sistema, o tambien, respuesta a
entrada nula.
El termino yzs (n) se obtiene cuando el estado del sistema es cero (zero state), es decir, con
una entrada x(n) cuando el sistema esta en reposo, y se le denomina respuesta en estado
nulo o respuesta forzada. Notese que en el ejemplo, yzs (n) puede interpretarse como la
convolucion de x(n) con la respuesta impulsional:
h(n) = an u(n)
donde los ndices son finitos por la causalidad de ambas se
nales x(n) y h(n).
Este ejemplo corresponde a una ecuacion de diferencias de primer orden, y es un caso
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
61
2 Se
particular de la ecuacion de diferencias:

y(n) =
N
X
ak y(n k) +
k=1
M
X
bk x(n k)
k=0
o con a0 = 1:
N
X
ak y(n k) =
k=0
M
X
bk x(n k)
k=0
donde el entero N recibe el nombre de orden de la ecuacion de diferencias u orden del

sistema.
Las condiciones iniciales y(1), . . . , y(N ) resumen toda la historia pasada del sistema,
y son necesarias para efectuar el calculo de las salidas presentes y futuras.
El concepto de linealidad, descrito anteriormente, se puede replantear ahora como la
satisfaccion de tres requisitos:
1. La respuesta total es igual a la suma de las respuestas de entrada nula y en estado
nulo (y(n) = yzi (n) + yzs (n)).
2. El principio de superposicion se aplica a la respuesta en estado nulo (lineal en estado
nulo).
3. El principio de superposicion se aplica a la respuesta a la entrada nula (lineal a
entrada nula).
Ejemplo 2.18 Determine que un sistema descrito por la ecuacion de diferencias de
primer orden es lineal.
Soluci
on:
1.
y(n) = ay(n 1) + x(n) = an+1 y(1) +
n
X
ak x(n k)
k=0
Con la entrada cero se obtiene:

yzi (n) = an+1 y(1)
Con estado inicial cero se obtiene:
yzs (n) =
n
X
ak x(n k) y(n) = yzi (n) + yzs (n)
k=0
62
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2. Para x1 (n),
yzs1 (n) =
n
X
ak x1 (n k)
k=0
Para x2 (n),
yzs2 (n) =
n
X
ak x2 (n k)
k=0
yzs1 (n) + yzs2 (n) =
n
X
ak x1 (n k) +
k=0
n
X
n
X
ak x2 (n k)
k=0
ak (x1 (n k) + x2 (n k))
k=0
que equivale a la respuesta del sistema a x1 (n) + x2 (n) y, por lo tanto, el sistema es
lineal en estado nulo.
3. Con yzi1 (n) = an+1 y1 (1) y yzi2 (n) = an+1 y2 (1), se obtiene
yzi1 + yzi2 = an+1 y1 (1) + an+1 y2 (1)
= an+1 (y1 (1) + y2 (1))
que equivale a la respuesta de entrada cero del sistema con condiciones iniciales
y(1) = y1 (1) + y2 (1), por lo que el sistema es lineal a entrada nula.
De forma similar, es posible demostrar que todo sistema descrito por una ecuacion de
diferencias con coeficientes constantes es lineal. Estos sistemas son a su vez invariantes
en el tiempo, al ser sus coeficientes constantes.
El estudio de estabilidad en sistemas de orden mayor a 1, requiere de otras tecnicas que
seran estudiadas posteriormente.
2.18
2.4.3
Soluci
on de ecuaciones de diferencias con coeficientes constantes
El objetivo de solucionar la ecuacion de diferencias

N
X
ak y(n k) =
k=0
M
X
bk x(n k)
(2.9)
k=0
es encontrar la salida y(n) de un sistema para una determinada entrada x(n), n 0, dado
un conjunto de condiciones iniciales. Utilizando el llamado metodo directo, se asume que
la solucion se compone de dos partes:
y(n) = yh (n) + yp (n)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
(2.10)
63
2 Se
donde yh (n) es la solucion homogenea o complementaria, y yp (n) es la solucion particular .
La soluci
on homog
enea de una ecuaci
on de diferencias
Para solucionar la ecuacion (2.9) se asume primero una entrada nula x(n) = 0, para as
resolver:
N
X
ak y(n k) = 0
(2.11)
k=0
De forma analoga a la solucion de ecuaciones diferenciales, se asume que la solucion es de

forma exponencial:
yh (n) = n
(2.12)
Sustituyendo (2.12) como solucion tentativa en (2.11), se obtiene:
N
X
ak nk = 0
k=0
que se puede reescribir como:

nN (N + a1 N 1 + a2 N 2 + . . . + aN 1 + aN ) = 0
|
{z
}
polinomio caracterstico
El termino entre parentesis es llamado polinomio caracterstico y tiene en general N

races, denotadas 1 , 2 , . . . , N , que pueden ser reales o complejas, apareciendo en el
u
ltimo caso como pares complejos conjugados, siempre y cuando los coeficientes {ak }
sean reales. Algunas de las races pueden ser identicas (de orden m
ultiple).
Asumiendo que las races son distintas, la solucion mas general a la ecuacion de diferencias
homogenea es:
yh (n) = C1 n1 + C2 n2 + . . . + CN nN
con los coeficientes de ponderacion Ck , que se calculan a partir de las condiciones iniciales
especificadas para el sistema.
Ejemplo 2.19 Determine la solucion homogenea para la ecuacion de diferencias de

primer orden:
y(n) + a1 y(n 1) = x(n)
(2.13)
Soluci
on:
64
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Con x(n) = 0 y yh (n) = n se obtiene:

n + a1 n1 = 0
n1 ( + a1 ) = 0 = a1
y la solucion sera:
yh (n) = Cn = C(a1 )n
Sustituyendo en (2.13) para n = 0, junto con x(n) = 0, se obtiene:
y(0) + a1 y(1) = 0 y(0) = a1 y(1)
y con yh (0) = C = a1 y(1)
yh (n) = a1 y(1)(a1 )n = y(1)(a1 )n+1 = yzi (n), n 0
que corresponde ademas con la respuesta de entrada nula.
2.19
Ejemplo 2.20 Determine la respuesta a entrada nula del sistema descrito por la ecuacion
de diferencias homogenea de segundo orden
y(n) 3y(n 1) 4y(n 2) = 0 .
Soluci
on:
Suponiendo yh (n) = n , se obtiene:
n 3n1 4n2 = n2 (2 3 4) = n2 ( 4)( + 1)
Por lo que la forma general de la solucion homogenea es:
yh (n) = C1 n1 + C2 n2 = C1 (1)n + C2 (4)n
Para la respuesta a entrada nula se plantea:
y(0) = 3y(1) + 4y(2) = C1 + C2
(2.14)
y(1) = 3y(0) + 4y(1)

= 3(3y(1) + 4y(2)) + 4y(1)
= 13y(1) + 12y(2) = C1 + 4C2
Sumando y(0) y y(1) resulta en
C2 =
16y(1) + 16y(2)
5
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
65
2 Se
y considerando (2.14) se deriva ademas

3y(1) + 4y(2) C2 = C1
16y(1) + 16y(2)
3y(1) + 4y(2)
= C1
5
4y(2) y(1)
C1 =
5
Finalmente
yzi (n) =
4y(2) y(1)
16y(1) + 16y(2) n
(1)n +
4 .
5
5
2.20
Si 1 es una raz de multiplicidad m, entonces:

yh (n) = C1 n1 + C2 nn1 + C3 n2 n1 + . . . + Cm nm1 n1
+ Cm+1 n2 + . . .
Ejemplo 2.21 Repita el ejemplo anterior para:

y(n) 4y(n 1) + 4y(n 2) = 0
Soluci
on:
Suponiendo yh (n) = n , resulta en el polinomio caracterstico
n2 (2 4 + 4) = n2 ( 2)2 = 0
por lo que la solucion general es
yh (n) = C1 n1 + C2 nn1 ,
1 = 2
Se deja como ejercicio al lector demostrar que

yzi (n) = [y(1) y(2)]2n+2 + [y(1) 2y(2)]n2n+1
2.21
La soluci
on particular de la ecuaci
on de diferencias
La solucion particular yp (n) debe satisfacer:
N
X
k=0
ak yp (n k) =
M
X
bk x(n k),
a0 = 1
k=0
lo que generalmente depende de la forma de x(n).

66
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Ejemplo 2.22 Determine la solucion particular de

y(n) + a1 y(n 1) = x(n), |a1 | < 1
(2.15)
para x(n) = u(n)

Soluci
on:
Como x(n) es constante para n 0, se asume que la solucion tambien es constante para
n 0. La solucion particular es entonces:
yp (n) = Ku(n)
Sustituyendo esto en (2.15) se obtiene:
Ku(n) + a1 Ku(n 1) = u(n)
(2.16)
y para n 1 esto equivale a:

K + a1 K = 1
K(1 + a1 ) = 1
K=
1
1 + a1
lo que implica que la solucion particular es:

yp (n) =
1
u(n)
1 + a1
2.22
En el ejemplo anterior se asumio yp (n) como un escalon porque la entrada tena esta
forma. Si x(n) fuera exponencial, yp (n) tambien lo sera. Si x(n) fuera senoidal, entonces
yp (n) tambien lo sera. La tabla 2.4 muestra algunas formas de solucion particular para
entradas particulares.
Soluci
on total a la ecuaci
on de diferencias
Por la linealidad de los sistemas descritos por ecuaciones de diferencias con coeficientes
constantes, la solucion total se calcula como la suma de las soluciones homogenea y
particular (2.10).
Las constantes {Ck }, de la solucion homogenea, sin embargo, deben recalcularse para
poder satisfacer las condiciones iniciales.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
67
2 Se
Tabla 2.4: Forma general de la solucion particular para diversos tipos de se

nal de entrada
Se
nal de entrada
x(n)
Solucion particular
yp (n)
(n)
A(cte)
AM n
AnM
An n M

A cos 0 n
A sin 0 n
0
K
KM n
K0 nM + K1 nM 1 + . . . + KM
An (K0 nM + K1 nM 1 + . . . + KM )
K1 cos 0 n + K2 sin 0 n
Ejemplo 2.23 Determine la solucion total y(n), n 0 de la ecuacion de diferencias

y(n) + a1 y(n 1) = x(n), con x(n) = u(n) y condicion inicial y(1).
Soluci
on:
De los ejemplos anteriores se tiene:
yh (n) = C(a1 )n ,
y(n) = C(a1 )n +
yp (n) =
1
1 + a1
1
1 + a1
Con n = 1 se obtiene:
y(1) =
C
1
a1
+
a1 y(1) +
=C
a1 1 + a1
1 + a1
y por lo tanto:
y(n) = (a1 )n+1 y(1) +
1 (a1 )n+1
1 + a1
Notese que el valor de C depende no solo de las condiciones iniciales, sino tambien de la
2.23
entrada.
2.4.4
Respuesta impulsional de un sistema recursivo LTI
La respuesta impulsional h(n) en sistemas recursivos es igual a la respuesta de estado

cero del sistema cuando la entrada x(n) = (n), es decir, para la respuesta impulsional
siempre se considera que el sistema esta inicialmente en reposo.
68
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Por ejemplo, en el sistema recursivo de primer orden tratado anteriormente, la respuesta

de estado cero es:
n
X
yzs (n) =
ak x(n k)
k=0
y con x(n) = (n), se obtiene:

yzs (n) =
n
X
k=0
n
=a ,
ak (n k)
n0
As, su respuesta impulsional es h(n) = an u(n), que coincide con lo calculado previamente.
En el caso general de sistemas recursivos LTI (considerados causales), la respuesta de
estado cero en terminos de convolucion con una entrada causal se expresa como
yzs (n) =
n
X
h(k)x(n k) = h(n) x(n),
n0
k=0
Si la entrada es un impulso, lo anterior se reduce a:

yzs (n) = h(n) (n) = h(n)
Con la entrada (n), la solucion particular es cero, puesto que x(n) = 0 para n > 0.
Consecuentemente, la respuesta de un sistema a un impulso consiste en la solucion a la
ecuacion homogenea con los coeficientes Ck determinados para satisfacer las condiciones
iniciales.
Ejemplo 2.24 Determine la respuesta impulsional h(n) del sistema

y(n) 3y(n 1) 4y(n 2) = x(n) + 2x(n 1)
(2.17)
Soluci
on:
En el ejemplo 2.20 se obtuvo:
yh (n) = C1 (1)n + C2 (4)n ,
n0
(2.18)
que corresponde tambien a la respuesta impulsional h(n), debido a que para x(n) =
(n), yp (n) = 0. Sustituyendo (2.18) en (2.17), y considerando que el sistema esta en
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
69
2 Se
reposo (y(1) = y(2) = 0):

!
y(0) = 1 = C1 + C2
!
y(1) 3y(0) = 2 y(1) = 5 = C1 + 4C2

6
1
5C2 = 6 C2 = , C1 =
5
5
y finalmente

1
6 n
n
h(n) = (1) + (4) u(n)
5
5
2.24
Cualquier sistema recursivo descrito por una ecuacion de diferencias lineal con coeficientes
constantes es un sistema IIR, pero no todo sistema IIR LTI puede ser descrito con estas
ecuaciones.
La respuesta impulsional de un sistema de orden N , descrito por una ecuacion de diferencias lineal de orden N :
y(n) =
N
X
ak y(n k) +
M
X
bk x(n k)
k=0
k=1
se obtiene a traves de la solucion homogenea:

yh (n) =
N
X
Ck nk = h(n)
k=1
cuando las races del polinomio caracterstico son distintas, donde los coeficientes {Ck } se
obtienen con las condiciones iniciales
y(1) = y(2) = . . . = y(N ) = 0
Considerando que

X
N
N
X
X
X

n
|h(n)| =
Ck k
|Ck |
|k |n

n=0
n=0
n=0
k=1
k=1
P
si |k | < 1 para todo k, entonces n |k |n < , y por lo tanto
n=0 |h(n)| < . Si uno
o mas de los |k | > 1, entonces h(n) no es absolutamente sumable y en consecuencia el
sistema es inestable.
Por lo tanto, un sistema IIR causal descrito por una ecuacion de diferencias con coeficientes
constantes, es estable si todas las races del polinomio son menores que uno en valor
absoluto. Esto es as a
un con races de multiplicidad m.
70
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.5 Implementacion de sistemas discretos
2.5
Implementaci
on de sistemas discretos
Hasta ahora se ha visto el analisis de sistemas LTI descritos mediante ecuaciones de

diferencias lineales de coeficientes constantes y el analisis por convolucion, en el dominio
del tiempo (o de variable) discreto. Mas adelante se tratara el analisis en el dominio de
la frecuencia.
En la practica, el dise
no y la implementacion se tratan conjuntamente, y se deben considerar aspectos de costo, tama
no, hardware, potencia, etc. Algunos esquemas de implementacion se revisaran aqu.
2.5.1
Estructuras para la realizaci

on de sistemas LTI
Considerese el sistema de primer orden:

y(n) = a1 y(n 1) + b0 x(n) + b1 x(n 1)
y su realizacion directa (figura 2.27).
replacemen
x(n)
y(n)
v(n)
b0
b1
a1
z 1
z 1
Figura 2.27: Realizaci

on directa del sistema de primer orden y(n) = a1 y(n 1) + b0 x(n) +
b1 x(n 1).
que se puede interpretar como la serie de dos sistemas LTI:

v(n) = b0 x(n) + b1 x(n 1)
y
y(n) = a1 y(n 1) + v(n) .
Como la conexion en serie de sistemas LTI es conmutativa, se puede reemplazar el sistema
anterior por el indicado en la figura 2.28, donde se cumplen las ecuaciones:
(n) = x(n) a1 (n 1)
y(n) = b0 (n) + b1 (n 1)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
71
2 Se
replacemen
x(n)
(n)
y(n)
b0
b1
a1
z 1
z 1
Figura 2.28: Reemplazo del sistema de la figura 2.27.

replacemen
x(n)
y(n)
b0
z 1
b1
a1
Figura 2.29: Simplificacion del sistema de la figura 2.28.
Adicionalmente, se observa que los dos retardadores tienen la misma entrada (n) y por
lo tanto la misma salida (n 1), y se pueden agrupar en uno solo seg
un se muestra en
la figura 2.29.
A esta estructura se le denomina forma directa II y utiliza solo un elemento retardador,
en lugar de los dos utilizados en la forma directa I (figura 2.27).
Notese que esto puede generalizarse para la ecuacion de diferencias:
y(n) =
N
X
ak y(n k) +
M
X
bk x(n k)
(2.19)
k=0
k=1
compuesta de un sistema no recursivo:

v(n) =
M
X
bk x(n k)
k=0
y un sistema recursivo:
y(n) =
N
X
ak y(n k) + v(n)
k=1
mostrados en la figura 2.30. Invirtiendo el orden y combinando los retardadores se obtiene,

con M < N , el diagrama mostrado en la figura 2.31. Notese que esta estructura requiere
max{N, M } retardadores y M + N + 1 multiplicaciones, que contrastan con los N + M
retardadores de la forma directa, aunque el n
umero de multiplicaciones es el mismo. A esta
forma II, por poseer el mnimo de retardadores, se le denomina tambien forma canonica.
72
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.5 Implementacion de sistemas discretos
x(n)
y(n)
v(n)
b0
b2
a1
z 1
z 1
b2
a2
z 1
z 1
..
.
..
.
..
.
bM 1
aN 1
z 1
z 1
bM
aN
Figura 2.30: Forma directa I.
Al caso especial no recursivo con ak = 0, k = 1 . . . N :

y(n) =
M
X
bk x(n k)
k=0
se le denomina sistema de media ponderada movil o sistema MWA (moving weighted

average), que es un sistema FIR de respuesta impulsional:
(
bk , 0 k M
h(k) =
0,
en otro caso
Con M = 0, el sistema de la ecuacion (2.19) se torna puramente recursivo:
y(n) =
N
X
ak y(n k) + b0 x(n)
k=1
y calcula la combinacion lineal de las u

ltimas N salidas y la entrada actual.
Posteriormente se analizara el hecho de que un sistema FIR tambien puede implementarse
como un sistema recursivo, ademas de su realizacion no recursiva.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
73
2 Se
x(n)
(n)
y(n)
b0
z 1
(n 1)
a1
b1
z 1
(n 2)
a2
b2
z 1
(n 3)
a3
..
.
b3
..
.
aN 2
..
.
(n M )
bM
z 1
aN 1
z 1
aN
(n N )
Figura 2.31: Forma directa II.
2.6
Correlaci
on
La correlacion es una operacion similar a la convolucion que se utiliza para medir la

similitud entre dos secuencias. Se aplica en diversas areas de la ingeniera como radar,
sonar, comunicaciones digitales, geologa, etc.
74
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.6 Correlaci
on
2.6.1
Autocorrelaci
on y correlaci
on cruzada
La correlacion cruzada de las secuencias x(n) e y(n), ambas reales y de energa finita, se
define como:
X
rxy (n) =
x(k)y(k n), n = 0, 1, 2, . . .
k=
o lo que es equivalente:
rxy (n) =
x(k + n)y(k), n = 0, 1, 2, . . .
k=
El ndice n es el parametro de desplazamiento o retardo en el tiempo, y los subndices xy

indican cuales se
nales han sido correlacionadas. De esta forma se tiene entonces que:
ryx (n) =
y(k)x(k n) =
y(k + n)x(k) = rxy (n)
k=
k=
Por lo tanto, ryx (n) es la correlacion rxy (n) reflejada con respecto a n = 0.
Notese que exceptuando el paso de reflexion de una de las se
nales, la correlacion es identica
con la convolucion: se desplaza la segunda se
nal, se calcula la secuencia producto, y se
determina su suma. El lector puede demostrar que:
rxy (n) = x(n) y(n)
Si y(n) = x(n), entonces se obtiene la autocorrelacion de x(n), que se define como la
secuencia:
X
X
x(k + n)x(k)
x(n)x(k n) =
rxx (n) =
k=
k=
Si x(n) e y(n) son se

nales causales finitas de longitud N (esto es, x(n) = y(n) = 0, n <
0, n N ) la correlacion puede expresarse como:
N +min{0,n}1
rxy =
x(k)y(k n)
k=max{n,0}
2.6.2
Propiedades de la correlaci
on
Sean x(n) y y(n) dos se

nales de energa finita. La energa de la se
nal:
w(k) = ax(k) + by(k n)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
75
2 Se
es:
[ax(k) + by(k n)]2 = a2
k=
x2 (k) + b2
k=
2
y 2 (k n) + 2ab
k=
x(k)y(k n)
k=
= a rxx (0) + b ryy (0) + 2abrxy (n)

Notese que rxx (0) = Ex es la energa de la se
nal x(n) y ryy (0) = Ey la energa de y(n).
Puesto que la energa es una suma de valores positivos debe cumplirse que:
a2 rxx (0) + b2 ryy (0) + 2abrxy (n) 0
y suponiendo que b 6= 0, se obtiene dividiendo por b2 :
rxx (0)
a 2
b
+ 2rxy (n)
a
b
+ ryy (0) 0
que se puede considerar como ecuacion cuadratica de variable (a/b) con coeficientes
rxx (0), 2rxy (n) y ryy (0), que para ser no negativa requiere que el discriminante sea no
positivo:
q
p
2
4[rxy
rxx (0)ryy (0)] 0 |rxy (n)| rxx (0)ryy (0) = Ex Ey
y para y(n) = x(n):
|rxx (n)| rxx (0) = Ex
es decir, la autocorrelacion alcanza su valor maximo para el retardo cero, cuando por
decirlo as la se
nal es identica a s misma.
Un escalado de la se
nal por un escalar, escala la correlacion de la misma manera, y por
tanto carece en el analisis de importancia por ser mas relevante la forma de la correlacion.
Por ello en la practica se normaliza la correlacion para producir as valores entre -1 y 1.
La autocorrelacion normalizada se define como:
xx (n) =
rxx (n)
rxx (0)
y la correlacion cruzada como:

rxy (n)
xy (n) = p
rxx (0)ryy (0)
Como rxy (n) = ryx (n), se cumple para la autocorrelacion rxx (n) = rxx (n), es decir, es
una funcion par.
76
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.6 Correlaci
on
Ejemplo 2.25 Calcule la autocorrelacion de la se

nal:
x(n) = an u(n),
0<a<1
Soluci
on:
Para n 0:
rxx (n) =
x(k)x(k n) =
k=n
y puesto que lim

N
N +1
ak akn = an
k=n
a2
k
k=n
= 0 si < 1 entonces
n N +1
n
=
N
1
1
k=n
2n
a
an
=
rxx (n) = an
1 a2
1 a2
para n < 0:
rxx (n) =
x(k)x(k n) =
k=0
n
k = lim
k kn
a a
=a
k=0
a2
k
k=0
|n|
a
a
=
2
1a
1 a2
y combinando ambas partes se obtiene:

rxx (n) =
a|n|
1 a2
que es, como se predijo, una funcion par rxx (n) = rxx (n). Con rxx (0) =
la autocorrelacion normalizada:
xx (n) =
1
1a2
se obtiene
rxx (n)
= a|n|
rxx (0)
2.25
2.6.3
Correlaci
on de secuencias peri
odicas
La correlacion anterior fue definida para se

nales de energa. Si las se
nales x(n) e y(n) son
se
nales de potencia, su correlacion cruzada se define como:
M
X
1
rxy (n) = lm
x(k)y(k n)
M 2M + 1
k=M
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
77
2 Se
y la autocorrelacion de una se
nal de potencia como:
M
X
1
rxx (n) = lm
x(k)x(k n)
M 2M + 1
k=M
Si las se
nales son periodicas con periodo N , entonces este promedio puede calcularse en
un solo periodo:
N 1
1 X
rxy (n) =
x(k)y(k n)
N k=0
En la practica se utiliza la correlacion para encontrar periodicidades en se
nales fsicas
alteradas por interferencias aleatorias.
Si por ejemplo y(n) = x(n) + (n), donde x(n) es periodica y (n) es una se
nal aleatoria,
entonces la correlacion es:
ryy (n) =
M 1
1 X
y(k)y(k n)
M k=0
M 1
1 X
=
[x(k) + (k)][x(k n) + (k n)]
M k=0
M 1
1 X
[x(k)x(k n)] + [x(k)(k n)] + [(k)x(k n)] + [(k)(k n)]
=
M k=0
= rxx (n) + rx (n) + rx (n) + r (n)

considerando solo M muestras y asumiendo y(n) = 0 para n < 0, n M .
La periodicidad de x(n) permite asumir que rxx (n) tambien es periodica y presenta picos
en n = 0, N, 2N, etc.. Por la consideracion de tan solo M muestras, conforme N tiende
a M la magnitud de estos picos tiende a cero, por lo que debe escogerse M N y n no
debe evaluarse, como regla emprica, para n > M/2.
Si (n) es aleatoria puede asumirse que rx (n) y rx (n) son muy peque
nas, por no estar
relacionada con x(n). Por la naturaleza aleatoria de (n) puede asumirse ademas que
r (n) tiende rapidamente a cero, por lo que en ryy (n) dominara rxx (n), lo que permite
detectar el periodo.
nal ac
ustica representando
La figura 2.32 muestra un segmento de 701 muestras de una se
la vocal a. La se
nal original tiene una longitud de 57000 muestras. La figura 2.33
muestra el resultado de la autocorrelacion, donde se aprecia claramente un periodo de
aproximadamente 100 muestras, lo que se puede corroborar con la se
nal original en la
figura 2.32.
78
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.6 Correlaci
on
0.65
Senal
0.6
0.55
0.5
0.45
0.4
0.35
0.3
0.25
0.2
700
800
900
1000
1100
1200
1300
1.2
Senal y ruido
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
700
800
900
1000
1100
1200
1300
Figura 2.32: Se
nal ac
ustica representando la vocal a, en la parte superior pura, y en la parte
inferior con ruido.
5800
Autocorrelacion
5600
5400
5200
5000
4800
4600
4400
4200
4000
-300
-200
-100
100
200
300
Figura 2.33: Autocorrelacion de la se

nal con ruido en la figura 2.32.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
79
2 Se
2.6.4
Secuencias de correlaci
on de entrada-salida
Si se aplica la se
nal x(n) con autocorrelacion rxx (n) a un sistema con respuesta al impulso
h(n), entonces:
X
h(k)x(n k)
y(n) = h(n) x(n) =
k=
La correlacion entre la salida y la entrada es

ryx (n) = y(n) x(n)
= [h(n) x(n)] x(n)
= h(n) rxx (n)
que depende solo de la respuesta impulsional h(n) y la autocorrelacion de la entrada
rxx (n).
La autocorrelacion de la salida es
ryy (n) = y(n) y(n)
= [h(n) x(n)] [h(n) x(n)]
= [h(n) h(n)] [x(n) x(n)]
= rhh (n) rxx (n)
que equivale a la convolucion de la autocorrelacion de la respuesta impulsional rhh (n) con
la autocorrelacion de la entrada rxx (n).
80
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2.7 Problemas
2.7
Problemas
Problema 2.1. Encuentre expresiones algebraicas que permitan generar a partir de la

se
nal x(n) las siguientes secuencias, utilizando para ello las operaciones fundamentales de
reflexion y desplazamiento.
x(n) = {. . . , a2 , a1 , a0 , a1 , a2 , a3 , . . .}
1. x1 (n) = {. . . , a4 , a3 , a2 , a1 , a0 , a1 , a2 . . .}
2. x2 (n) = {. . . , a1 , a2 , a3 , a4 , a5 , a6 , a7 . . .}
3. x3 (n) = {. . . , a4 , a3 , a2 , a1 , a0 , a1 , a2 . . .}
4. x4 (n) = {. . . , a1 , a2 , a3 , a4 , a5 , a6 , a7 . . .}
Problema 2.2. Si x1 (n) = {4, 2, 1, 5, 1, 3} y x2 (n) = {1, 2, 3, 4, 5}, calcule
1. x3 (n) = x1 (n) + x2 (n)

2. x4 (n) = x1 (n)x2 (n)
3. x5 (n) = 3x1 (n)x2 (n)
Problema 2.3.
Genere y muestre las siguientes secuencias en MatLab:
1.
2.
3.
4.
5.
x1 (n) = 0,75 (n 5) para 0 n 10

x2 (n) = 0,9 (n) para 7 n 7
x3 (n) = 1,5(n 250) para 300 n 350
x4 (n) = 4,5(n + 7) para 10 n 0
x5 (n) = . . . , 0, 1, 2, 3, 4, 0, 1, 2, 3, 4, 0, 1 . . . para 5 n 9
6.
7.
8.
9.
x6 (n) = sen 17
n para 0 n 25
x7 (n) = sen 17 n para 15 n 25

x8 (n) = sen(3n + 2 ) para 10 n 10
x9 (n) = cos( 23 n) para 0 n 50
Problema 2.4. Dada una se

nal x(n) = {2, 3, 4, 1, 0, 2, 3, 2}.
Represente esta se
nal en MatLab y muestrela graficamente.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
81
2 Se
Calcule las componentes par e impar de esta se

nal xp (n) e xi (n).
Verfique que la suma de ambas componentes generan la se
nal de entrada original.
Problema 2.5. Genere y visualice en MatLab una representacion para la se
nal h(n) =
{2/7, 2/7, 3/14, 1/7, 1/14, 0}, y otra para la se
nal x(n) = {1, 0, 0, 0, 0, 1}.
Calcule y visualice la convolucion de las se

nales h(n) y x(n) utilizando el operador conv.
Para una se
nal constante, que salida tiene un sistema con respuesta impulsional h(n)?
Que tipo de filtro es h(n)?
Problema 2.6. Genere y visualice en MatLab una representacion para la se
nal h(n) =
{1, 1}, y otra para la se
nal x(n) = {1, 0, 0, 0, 0, 1}.
Calcule y visualice la convolucion de ambas se

nales
Para una se
nal constante, que salida tiene un sistema con respuesta impulsional h(n)?
Que tipo de filtro es h(n)?
Problema 2.7. Programe una funcion de MatLab que reciba dos se
nales finitas y retorna
su convolucion.
Verifique el funcionamiento de su funcion comparandola con el operator conv.
Problema 2.8. Genere una funcion de MatLab que reciba un vector con los coeficientes
ak y otro vector con los coeficientes bk , ademas de la se
nal de entrada, y que utilizando
la expresion del sistema como ecuacion de diferencias genere la se
nal de salida para un
n
umero dado de muestras. Las condiciones iniciales deben poder darse en forma opcional,
asumiendo un valor de cero en todas ellas si se omiten.
82
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Captulo 3
An
alisis de sistemas LTI discretos
con la transformada z
La transformada z es a los sistemas discretos lo que la transformada de Laplace es a los
sistemas continuos. Ambas representan herramientas para el analisis de ciertas propiedades de las se
nales, que en el dominio del tiempo solo pueden ser evaluadas con un mayor
n
umero de pasos.
3.1
3.1.1
La transformada z
La transformada z directa
La transformada z directa de una se

nal x(n) se define como la serie de potencias:
X(z)
x(n)z n
(3.1)
n=
que mapea la se
nal x(n) en el dominio del tiempo discreto a la funcion X(z) en el dominio
z, lo que se denota como:
X(z) Z {x(n)}
La relacion entre ambos dominios se indica como:
x(n) X(z)
x(n) X(z)
Como la transformada z es una serie infinita de potencias, esta existe solo para los valores
de z para los que la serie converge. La region de convergencia (ROC, region of convergence)
de X(z) es entonces el conjunto de valores de z para los que X(z) es finita.
83
3 Analisis de sistemas LTI discretos con la transformada z
Notese que siempre que se hable de la transformada z de una se

nal x(n), debe incluirse
la ROC.
Ejemplo 3.1 Calcule la transformada z de:
1. x1 (n) = {1, 2, 5, 7, 0, 1}
2. x2 (n) = {1, 2, 5, 7, 0, 1}
3. x3 (n) = (n)
4. x4 (n) = (n + k), k > 0
Soluci
on:
1.
2.
3.
4.
X1 (z) = 1 + 2z 1 + 5z 2 + 7z 3 + 1z 5 , ROC: z C\{0}

X2 (z) = z 3 + 2z 2 + 5z + 7 + z 2 , ROC: z C\{0, }
X3 (z) = 1, ROC: z C
X4 (z) = z +k , ROC: z C\{}
La ROC de se
nales finitas es todo el plano z excepto z = 0 y/o z = . Notese que el
exponente de z basta para identificar las muestras de la se
nal.
3.1
Ejemplo 3.2 Determine la transformada z de:
n
1
x(n) =
u(n)
2
Soluci
on:
X(z) =
x(n)z
n=
n
X
1
n=0
1 n
X
z
n=0

que converge si 21 z 1 < 1 |z| > 12 , a:
X(z) =
1
1
1 1 ,
z
2
ROC : |z| >
1
2
3.2
Si se expresa z en su forma polar z = rej , con r = |z| y = z, entonces

X(z) =
x(n)rn ejn .
n=
84
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
3.1 La transformada z
Puesto que dentro de la ROC de X(z) se debe cumplir |X(z)| < , entonces:

X
X

n jn
x(n)rn
x(n)r e
|X(z)| =

n=
n=
(3.2)
es decir, |X(z)| es finita si y solo si x(n)rn es absolutamente sumable.

Para encontrar la ROC se debe entonces encontrar el rango de valores de r para los que
la secuencia x(n)rn es absolutamente sumable.
Ahora bien, la ecuacion (3.2) puede reescribirse como:
1
X
X

X

X

n
n
n
x(n)rn

=
|x(n)r | +
+
x(n)r
|X(z)| =
x(n)r
n=1
n=0
n=
n=0
y ambas sumatorias deben converger si |X(z)| ha de ser finito. Para la primera suma,
que corresponde a los elementos anticausales, deben existir valores de r suficientemente
peque
nos para que x(n)rn sea absolutamente sumable (r < r1 ) (figura 3.1).
Im{z}
Plano z
r1
ROC de
|x(n)rn |
n=1
Re{z}

on grafica de la ROC para r suficientemente peque
nos.
Para la segunda suma, correspondiente a los elementos causales de x(n), se necesitan

valores de r suficientemente grandes para que x(n)rn sea absolutamente sumable y por
tanto converja. Por ello, la ROC seran los puntos fuera de una circunferencia r > r2
(figura 3.2).
Como ambas sumas deben converger, la ROC de X(z) es la region anular del plano z,
r2 < r < r1 (figura 3.3).
x(n) = n u(n)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
85
Im{z}
Plano z
r2
Re{z}

on grafica de la ROC para r suficientemente grandes.
Im{z}
Plano z
r1
r2
Re{z}
Figura 3.3: Representacion grafica completa de la ROC.
Soluci
on:
Se tiene que:
X(z) =
x(n)z
n=
1 n
{z } =
n=0
(z 1 )
n=0
que converge si |z 1 | < 1 (|z| > ||) a

X(z) =
1
,
1 z 1
ROC: |z| > ||
Notese que si = 1, se tiene la transformada z del escalon unitario:

x(n) = u(n) X(z) =
1
,
1 z 1
ROC: |z| > 1

3.3
86
c
2005-2006
P. Alvarado
Uso exclusivo ITCR

x(n) = n u(n 1)
Soluci
on:
X(z) =
x(n)z
n=
1
X
n n
n=
m m
z =
m=1
(1 z)m
m=1
que converge solo si |1 z| < 1, es decir, si |z| < ||, a:

X(z) =

1
1 z
1
1
=
=
1 1 z
1 1 z
1 z 1
Notese que esta expresion es identica a la obtenida para x(n) = n u(n). Se concluye que
la forma compacta de la transformada z no especifica una u
nica se
nal en el dominio del
tiempo. Esto solo ocurre indicando ademas la ROC. El termino transformada z de alguna
funcion de variable discreta x(n) indica entonces no solo la expresion X(z), sino tambien
su ROC.
De lo anterior se puede inferir ademas que la ROC de una se
nal anticausal es el interior de
una circunferencia, mientras que para se
nales causales es el exterior de una circunferencia.
3.4

x(n) = an u(n) + bn u(n 1)
Soluci
on:
X(z) =
X
n=
x(n)z n =
X
n=0
an z n +
1
X
n=
bn z n =
X
n=0
az 1
n
b1 z
n
n=1
La primera suma converge si |az 1 | < 1 (|z| > |a|) y la segunda si |b1 z| < 1 (|z| < |b|).
Esto implica que la transformada z existe si y solo si |b| > |a| y la ROC es un anillo en el
plano z.
3.5
La figura 3.4 muestra un resumen de lo discutido hasta el momento en cuanto a la relacion
de la causalidad de una se
nal con respecto a la ROC de su transformada z.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
87
Funciones de duraci
on finita
Causal
z \ {0}
Anticausal
z \ {}
Bilateral
z \ {0, }
Funciones de duraci
on infinita
Causal
r2 < |z|
n
Anticausal
|z| < r1
n
Bilateral
r2 < |z| < r1
n
Figura 3.4: Familia de Se

nales y sus ROC[13].
88
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
3.1.2
La transformada z inversa
El procedimiento de pasar de la transformada z a su se

nal correspondiente se denomina
transformada z inversa. Para determinarla se puede recurrir a la formula integral de
Cauchy, que establece:
1
2j
I
C
f (z)
dz =
z z0
(
f (z0 )
0
Si z0 esta dentro de C
Si z0 esta fuera de C
(3.3)
donde C es cualquier contorno cerrado en el plano z, f (z) una funcion de variable compleja,
analtica dentro y sobre el contorno C.
De forma mas general, si la funcion f (z) es analtica dentro y sobre el contorno C, entonces
existen todas las derivadas de orden (k 1), y se cumple:
1
2j
I
C

1
dk1 f (z)
(k 1)! dz k1 z=z0
f (z)
dz =
(z z0 )k
0
(3.4)
Utilizando lo anterior es posible calcular

I
1
z n1k dz
2j C
en tres casos, con z0 = 0.
Caso 1
n > k:
1
2j
I
C
z nk
dz =
z
(
z0nk = 0
0
Si C encierra al origen del plano z

Si C no encierra al origen del plano z
Caso 2
n = k:
1
2j
I
C
1
dz =
z
(
1
0
Si C encierra al origen del plano z

Si C no encierra al origen del plano z
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
89
Caso 3
n < k:
1
2j
puesto que k + 1 n 2 y
dk1
1
dz k1
I
C
1
z k+1n
dz = 0
= 0.
Lo que se resume en:

I
1
2j
z n1k dz =
(
1
k=n
k 6= n
(3.5)
si C contiene al origen z = 0.
Con la transformada z
X(z) =
x(k)z k ,
k=
multiplicando ambos lados por z n1 , e integrando en un contorno cerrado que contenga

al origen y este dentro de la ROC, se obtiene:
I
X(z)z
n1
I
dz =
x(k)z k+n1 dz
C k=
Como la serie converge dentro de C, la integral y la sumatoria pueden ser intercambiadas:

I
X(z)z
C
n1
dz =
I
x(k)
k=
z k+n1 dz
que con el resultado en (3.5) solo es diferente de cero para k = n, es decir:

1
x(n) =
2j
X(z)z n1 dz
(3.6)
Este metodo inverso de transformacion de forma analtica no se utiliza con frecuencia. En

vez de ello se emplean tablas de algunas transformaciones conocidas, que junto con las
propiedades de la transformada z permiten obtener mas facilmente la se
nal buscada. En
la seccion 3.4 se presentaran estos otros metodos. El lector interesado puede encontrar
mas detalles sobre el calculo de integrales de contorno para funciones de variable compleja
en [1].
90
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
z k X(z)
x(n k)
Desplazamiento en n
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Im{x(n)}
nx(n)
x1 (n) x2 (n)
rx1 x2 (n) = x1 (n) x2 (n) Rx1 x2 = X1 (z)X2 (z 1 )

Si x(n) es causal
x1 (n)x2 (n)
Parte imaginaria
Derivacion en z
Convolucion
Correlacion
Teorema del valor inicial
Multiplicacion
91
n=
x1 (n)x2 (n) =
Re{x(n)}
Parte real
x(n)
Conjugacion
Relacion de Parseval
x(n)
Reflexion en n
x(0) = lim X(z)

z
I
z
1
X1 (v)X2
v 1 dv
2j IC
v
1
1
v 1 dv
X1 (v)X2
v
2j C
X1 (z)X2 (z)
X(z)

1
X(z) + X(z)
2

1
X(z) X(z)
2
dX(z)
z
dz
X(z 1 )
an x(n)
Escalado en z
X(a1 z)
a1 X1 (z) + a2 X2 (z)
X2 (z)
x2 (n)
a1 x1 (n) + a2 x2 (n)
X(z)
X1 (z)
x(n)
x1 (n)
Linealidad
Notacion
Propiedad
Tabla 3.1: Propiedades de la transformada z.

Dominio n
Dominio z
Por lo menos r1l r2l < |z| < r1u r2u
Por lo menos la interseccion de

ROC1 y la de X2 (z 1 )
Por lo menos ROC1 ROC2
r2 < |z| < r1
Incluye ROC
Incluye ROC
ROC
1
1
< |z| <
r1
r2
|a|r2 < |z| < |a|r1
como la de X(z) excepto z = 0 si

k > 0 y z = si k < 0
por lo menos ROC1 ROC2
ROC: r2 < |z| < r1

ROC1
ROC2
ROC
3.2 Propiedades de la transformada z
3.2
Propiedades de la transformada z
Linearidad
Si x1 (n) X1 (z) y x2 (n) X2 (z), entonces
x(n) = a1 x1 (n) + a2 x2 (n) X(z) = a1 X1 (z) + a2 X2 (z) .
Ejemplo 3.6 Determine la transformada z de x(n) = [3(2n ) 4(3n )]u(n).

Soluci
on: Si x1 (n) = 2n u(n) y x2 (n) = 3n u(n), entonces x(n) = 3x1 (n) 4x2 (n)
En el ejemplo (3.3) se derivo:
n u(n)
1
,
1 z 1
ROC : |z| > ||
con lo que se obtiene:

1
,
1 2z 1
1
,
X2 (z) =
1 3z 1
X1 (z) =
ROC : |z| > 2

ROC : |z| > 3
y la transformada de x(n) es:

X(z) =
3
4
,
1
1 2z
1 3z 1
ROC : |z| > 3
Notese que la ROC final debe ser al menos la interseccion de las dos ROC individuales.
3.6
Desplazamiento en el tiempo
Si x(n) X(z), entonces x(n k) z k X(z).
La ROC de z k X(z) es la misma de X(z) excepto z = 0 si k > 0 y z = si k < 0.
Ya que el coeficiente de z n representa el valor de la muestra en el instante n, se aprecia que
retrasar una se
nal en k muestras (k > 0) es equivalente a multiplicar todos los terminos
de la transformada z por z k .
92
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Escalado en el dominio z
Si x(n) X(z), ROC: r1 < |z| < r2 , entonces:
an x(n) X(a1 z),
ROC : |a|r1 < |z| < |a|r2
para todo a C.
Demostracion:
Z {an x(n)} =
an x(n)z n =
n=
x(n)(a1 z)n = X(a1 z)
n=
Dado que la ROC de X(z) es r1 < |z| < r2 , entonces para X(a1 z) se cumple que
r1 < |a1 z| < r2 |a|r1 < |z| < |a|r2 .

Con a = r0 ej0 , z = rej y w = a1 z = r10 r ej(0 ) , se observa con Z {x(n)} = X(z)
y Z {an x(n)} = X(a1 z) = X(w), que r0 > 1 implica una contraccion del plano z, y
r0 < 1 una expansion del plano z, en combinacion con una rotacion (si 0 6= 2k).
Ejemplo 3.7 Determine la transformada z de la se
nal an cos(0 n)u(n)
Soluci
on:
Con la identidad de Euler se obtiene primero que:
1
1
cos(0 n) = ej0 n + ej0 n
2
2
y con Z {an u(n)} =
1
1az 1
se obtiene con a = ej0 y la linealidad de la transformacion:

1
1
1
+
Z {cos(0 n)u(n)} =
2 1 ej0 z 1 1 ej0 z 1

2 z 1 (ej0 + ej0 )
1
, (ej0 + ej0 ) = 2 cos 0
=
j
1
j
1
2
0
0
2 1e
z e z +z
1
1 z cos 0
=
; ROC: |z| > |ej0 | = 1
1 2z 1 cos 0 + z 2
por lo que
Z {an cos(0 n)u(n)} =
1 az 1 cos 0
,
1 2az 1 cos 0 + a2 z 2
|z| > |a|

3.7
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
93
Inversi
on temporal
x(n) X(z),
ROC: r1 < |z| < r2

1
1
< |z| <
x(n) X(z 1 ), ROC:
r2
r1
Demostracion:
Z {x(n)} =
x(n)z n =
n=
x(l)(z 1 )l = X(z 1 )
l=
La ROC de X(z 1 ) sera r1 < |z 1 | < r2
1
r2
< |z| <
1
r1
Ejemplo 3.8 Determine la transformada z de u(n).

Soluci
on:
Puesto que Z {u(n)} =
ROC: |z| > 1 Z {u(n)} =
1
,
1z 1
1
,
1z
ROC: |z| < 1.
3.8
Diferenciaci
on en el dominio z
Si x(n) X(z), entonces nx(n) z dX(z)
.
dz
Demostracion: derivando ambos lados de la definicion con respecto a z se obtiene:
X
dX(z)
d X
n
=
x(n)z =
x(n)(n)z n1
dz
dz n=
n=
= z
(nx(n))z n = z 1 Z {nx(n)}
n=
dX(z)
= Z {nx(n)}
dz
Ejemplo 3.9 Determine la transformada z de x(n) = nan u(n).

Soluci
on:
Con x1 (n) = an u(n), entonces x(n) = nx1 (n), y puesto que X1 (z) =
|a|, se obtiene:
94
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1
1az 1
ROC: |z| >
dX1 (z)
az 1
,
na u(n) X(z) = z
=
dz
(1 az 1 )2
n
ROC : |z| > |a|
Con a = 1 se obtiene la transformacion de la rampa unidad:

nu(n)
z 1
,
(1 z 1 )2
ROC : |z| > 1

3.9
Convoluci
on de dos secuencias
Si
x1 (n) X1 (z),
ROC1
x2 (n) X2 (z),
ROC2
entonces:
x(n) = x1 (n) x2 (n) X(z) = X1 (z)X2 (z)
la ROC es al menos ROC1 ROC2 .
Demostracion:
x(n) =
x1 (k)x2 (n k) = x1 (n) x2 (n)
k=
la transformada z de x(n) es:

X(z) =
x(n)z n =
n=
n=
k=
!
x1 (k)x2 (n k) z n
Intercambiando las sumatorias y aplicando la propiedad de desplazamiento en el tiempo

se obtiene que:
"
#
X
X
X(z) =
x1 (k)
x2 (n k)z n
n=
k=
= X2 (z)
x1 (k)z k = X2 (z)X1 (z)
k=
Dependiendo de la longitud de las se

nales, a veces es mas eficiente transformar x1 (n) y
x2 (n) al dominio z, multiplicar sus transformadas y calcular la transformacion inversa,
que realizar la convolucion en el dominio de n.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
95
Correlaci
x1 (n) X1 (z)
x2 (n) X2 (z)
rx1 x2 (n) =
x1 (k)x2 (k n) Rx1 x2 = X1 (z)X2 (z 1 )
k=
lo que se deriva directamente de rx1 x2 (n) = x1 (n) x2 (n).

Multiplicaci
Si
x1 (n) X1 (z)
entonces:
x2 (n) X2 (z)
I
z
1
x(n) = x1 (n)x2 (n) X(z) =
X1 (v)X2
v 1 dv
2j C
v
donde C es un contorno cerrado que encierra al origen y se encuentra en la ROC com

un

1
a X1 (v) y X2 v .
Demostracion:
La transformada z de x(n) es:
X(z) =
x(n)z n =
n=
Puesto que x1 (n) =
1
2j
x1 (n)x2 (n)z n
n=
X1 (v)v n1 dv, entonces:

I

X
1
n1
X(z) =
X1 (v)v dv x2 (n)z n
2j
C
n=
C
e introduciendo la suma en la integral:

"
#
I
z n
X
1
X(z) =
X1 (v)
x2 (n)
v 1 dv
2j C
v
n=
I

z 1
1
X1 (v)X2
v dv
=
2j C
v
Si X1 (v) converge para r1l < |v| < r1u y X2 (z) converge para r2l < |z| < r2u , entonces la
ROC de X2 (v) es como mnimo:
z

r2l < < r2u r2l |v| < |z| < r2u |v| r2l r1l < |z| < r2u r1u
v
96
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Conjugaci
on
Si x(n) X(z) entonces x(n) X(z). Esto se deduce a partir de la definicion y con
las propiedades de conjugacion:
Z {x(n)} =
x(n)z n
n=
x(n)z n
n=
= X(z)
Relaci
on de Parseval
1
x1 (n)x2 (n) =
2j
n=

1
X1 (v)X2
v 1 dv
v
C
ROC: r1l r2l < 1 < r1u r2u
lo que se demuestra directamente con la propiedad de producto de secuencias evaluada

en z = 1.
Teorema del valor inicial

Si x(n) es causal (x(n) = 0, n < 0), entonces:
x(0) = lim X(z)
z
Puesto que x(n) es causal:

X(z) =
x(n)z n = x(0) + x(1)z 1 + . . .
n=0
Si z todos los terminos z 1 , z 2 , etc. tienden a cero y por tanto:

x(0) = lim X(z)
z
La tabla 3.1 resume las propiedades anteriores.

c
2005-2006
P. Alvarado
Uso exclusivo ITCR
97
3.3
Transformadas z racionales
Una clase de transformadas z encontradas con frecuencia en sistemas digitales presentan

una forma racional, es decir, un cociente de polinomios en z 1 o z. La tabla 3.2 resume
la transformada z de algunas funciones comunes con transformadas de este tipo.
Tabla 3.2: Transformada z de algunas funciones comunes
Se
nal x(n)
Transformada z, X(z)
ROC
(n)
Plano z
u(n)
an u(n)
nan u(n)
(an )u(n 1)
n(an )u(n 1)
cos(0 n)u(n)
sen(0 n)u(n)
an cos(0 n)u(n)
an sen(0 n)u(n)
3.3.1
1
1 z 1
1
1 az 1
az 1
(1 az 1 )2
1
1 az 1
az 1
(1 az 1 )2
1 z 1 cos 0
1 2z 1 cos 0 + z 2
z 1 sen 0
1 2z 1 cos 0 + z 2
1 az 1 cos 0
1 2az 1 cos 0 + a2 z 2
az 1 sen 0
1 2az 1 cos 0 + a2 z 2
|z| > 1
|z| > |a|
|z| > |a|
|z| < |a|
|z| < |a|
|z| > 1
|z| > 1
|z| > 1
|z| > 1
Polos y ceros
Los ceros de la transformada z racional X(z) son aquellos valores de z para los que
X(z) = 0, y los polos, aquellos z para los que X(z) = . Como X(z) es racional,
entonces:
PM
k
N (z)
b0 + b1 z 1 + . . . + bM z M
k=0 bk z
X(z) =
=
=
P
N
k
D(z)
a0 + a1 z 1 + . . . + aN z N
k=0 ak z
98
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
3.3 Transformadas z racionales
Asumiendo a0 6= 0 y b0 6= 0 y factorizando b0 z M y a0 z N para eliminar las potencias

negativas se obtiene:
b M 1
M
+ . . . + bbM0
N (z)
b0 z M z + b10 z
X(z) =
=
D(z)
a0 z N z N + aa10 z N 1 + . . . + aaN0
Puesto que N (z) y D(z) son polinomios en z, X(z) se puede expresar como:
QM
N (z)
b0 N M (z z1 )(z z2 ) . . . (z zM )
N M
k=1 (z zk )
X(z) =
= z
= Gz
QN
D(z)
a0
(z p1 )(z p2 ) . . . (z pN )
k=1 (z pk )
donde la constante G es igual a ab00 ; los ceros {zk } y los polos {pk } corresponden a las
races de los polinomios N (z) y D(z) respectivamente, y hay N M ceros en el origen
si N > M , o M N polos en el origen si M > N . Tambien se dice que hay un cero en
infinito si X() = 0, o un polo si X() = . Si se cuentan estos u
ltimos, el n
umero de
polos y ceros es siempre identico.
X(z) puede representarse mediante un diagrama de polos y ceros en el plano complejo z,
donde los ceros se denotan con y los polos con . La multiplicidad se denota con
un ndice al lado del smbolo (por ejemplo, un polo de tercer orden se denota con 3 ).
Evidentemente la ROC no puede contener ning
un polo, puesto que en el la funcion no
converge.
Ejemplo 3.10 Determine el diagrama de polos y ceros de la se

nal x(n) = an u(n), para
a real positivo.
Soluci
on:
1
Con X(z) = 1az
1 =
z = a (figura 3.5).
z
,
za
ROC : |z| > |a|, se obtiene un cero en z = 0 y un polo en
3.10
Ejemplo 3.11 Determine la transformada z de

x(n) =
(
an , 0 n M 1
0
en el resto
con a real positivo.

Soluci
on:
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
99
Im{z}
Plano z
a
Re{z}
Figura 3.5: Diagrama de polos y ceros del ejemplo 3.10.
X(z) =
x(n)z n =
n=
Puesto que
PM 1
n=0
n =
1M
,
1
M
1
X
an z n =
M
1
X
n=0
(az 1 )n
n=0
entonces:
M
1 az
1 (az 1 )M
X(z) =
=
=
1 (az 1 )
1 az
z M aM
zM
za
z
z M aM
z M 1 (z a)
con a = a 1 = a ej2k , z M aM = 0 z M = aM = aM ej2k de donde se deduce que

z = aej2k/M . Es decir, z M aM tiene M races aej2k/M , k = 0, . . . , M 1. En resumen,
X(z) tiene un polo en z = 0 con multiplicidad M 1 y otro polo en z = a, que se cancela
con el cero en a, y M 1 ceros distribuidos en un crculo de radio |a| (figura 3.6).
Im{z}
Plano z
M 1
a
Re{z}
Figura 3.6: Diagrama de polos y ceros del ejemplo 3.11 con M = 4.

3.11
100
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Ejemplo 3.12 Determine la transformada z y la se

nal correspondiente al diagrama de
polos y ceros de la figura 3.7.
Im{z}
ROC
p1
z1
0
0
z2
Re{z}
r
p2
Figura 3.7: Diagrama de polos y ceros para el ejemplo (3.12).
Soluci
on:
La transformada tiene dos ceros y dos polos: z1 = 0, z2 = r cos 0 , p1 = r(cos 0 +
j sen 0 ) = rej0 , p2 = r(cos 0 j sen 0 ) = rej0 .
(z z1 )(z z2 )
z(z r cos 0 )
=G
(z p1 )(z p2 )
(z ej0 )(z ej0 )
1 rz 1 cos 0
=G
, ROC: |z| > r
1 2rz 1 cos 0 + r2 z 2
X(z) = G
De la tabla 3.2 se obtiene x(n) = G(rn cos 0 n)u(n)
3.3.2
3.12
Localizaci
on de los polos y el comportamiento en el dominio de n para se
nales causales
Si una se
nal real tiene una transformada z con un solo polo, este tiene que ser real, y la
se
nal correspondiente es entonces la exponencial real:
X(z) =
1
z
=
,
1
1 az
za
ROC : |z| > |a| x(n) = an u(n)
1
que tiene ademas un cero en z = 0. Notese que X2 (z) = za
, corresponde a X(z)z 1 y
por tanto la se
nal correspondiente a X2 (z)
x2 (n) = x(n 1) que sigue siendo una
exponencial real.
nal en relacion con la posicion del polo

La figura 3.8 muestra el comportamiento de la se
real, incluyendo su magnitud y signo.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
101
x(n)
Plano z
x(n)
Plano z
n
-1
n
-1
-1
-1
x(n)
Plano z
x(n)
Plano z
n
-1
n
-1
-1
-1
10 x(n)
Plano z
10 x(n)
Plano z
n
-1
n
-1
-5
-10
-5
-10
Figura 3.8: Comportamiento de la se

nal en relacion con la posicion de un polo real.
Del ejemplo 3.9, o de la tabla 3.2, se obtiene que:

X(z) =
az 1
az 1
az
=
=
, ROC: |z| > |a| x(n) = nan u(n)
1
2
2
2
(1 az )
z (z a)
(z a)2
es una funcion con un polo en z = a de multiplicidad dos y un cero en z = 0. Su

comportamiento se muestra en la figura 3.9.
Notese que si |a| = 1 y el polo es simple, la se
nal es condicionalmente estable, pero no as
si el polo es de mayor multiplicidad. Los pares conjugados simples conducen a una se
nal
discreta cosenoidal, multiplicada por una envolvente exponencial discreta cuya forma esta
determinada por la magnitud de los polos (figura 3.10). Las se
nales reales causales con
polos reales simples o pares de polos simples complejos conjugados que estan dentro de la
circunferencia unitaria son acotadas en magnitud. Una se
nal con polos cerca del origen
decrece mas rapidamente que otra con polos mas cercanos a la circunferencia unitaria. El
efecto de la posicion de los ceros no es tan determinante como la posicion de los polos.
Por ejemplo, en el caso de las se
nales senoidales, solo afectan la fase.
3.3.3
La funci
on de transferencia de un sistema LTI
En el captulo 2 se encontro que la salida y(n) de un sistema LTI con respuesta impulsional
h(n) y entrada x(n) esta dada por la convolucion y(n) = h(n) x(n), que ya se demostro
en el dominio z ser equivalente a Y (z) = H(z)X(z), con y(n) Y (z), x(n) X(z)
102
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
x(n)
Plano z
x(n)
Plano z
-1
1
2
n
1
-1
-1
-1
10 x(n)
Plano z
10 x(n)
Plano z
-1
n
1
-1
-5
-10
100 x(n)
Plano z
-5
-10
100 x(n)
Plano z
50
50
-1
n
1
-1
-50
-100
n
-50
-100
Figura 3.9: Comportamiento de la se

nal esi su transformada tiene un polo doble real, de
acuerdo con la posici
on del polo.
x(n)
Plano z
1
2
-1
n
1
-1
x(n)
Plano z
2
1
2
-1
n
1
-1
-2
70
Plano z
x(n)
35
2
-1
n
1
-35
-70
Figura 3.10: Se
nales en relaci
on con la ubicacion de un par de polos simples conjugados en su
transformada z.
y h(n) H(z). A H(z), la transformada z de la respuesta impulsional, se le denomina

funcion de transferencia del sistema. Notese que conociendo H(z) y la transformada z de
la entrada X(z) es posible calcular facilmente la transformada z de la salida del sistema,
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
103
por medio de su producto. Sin embargo, es tambien posible, conociendo Y (z) y X(z),
obtener la funcion de transferencia con:
Y (z)
X(z)
H(z) =
a partir de la cual se puede determinar la respuesta impulsional por medio de la transformada z inversa.
Con la ecuacion de diferencias del sistema
y(n) =
N
X
ak y(n k) +
k=1
M
X
bk x(n k)
k=0
se obtiene transformando al dominio z ambos lados:

Y (z) =
N
X
ak Y (z)z
= Y (z)
Y (z) 1 +
!
ak z k
= X(z)
bk X(z)z k
k=0
k=1
N
X
M
X
N
X
ak z
+ X(z)
k=1
M
X
M
X
bk z k
k=0
bk z k
k=0
M
X
k=1
bk z k
H(z) =
Y (z)
=
X(z)
k=0
N
X
1+
ak z k
k=1
Lo que implica que un sistema lineal descrito por una ecuacion de diferencias lineal con
coeficientes constantes tiene una funcion de transferencia racional.
Si ak = 0 para k [1, N ] (sistema no recursivo), entonces
H(z) =
M
X
k=0
bk z
M
1 X
= M
bk z M k
z k=0
es decir, el sistema tiene un polo en el origen de multiplicidad M y M ceros determinados

por los parametros {bk }. Dado que el sistema contiene M polos triviales en z = 0 y M
ceros no triviales, se le denomina sistema de todos ceros. Un sistema as es evidentemente
FIR y se le denomina sistema de media ponderada movil.
104
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
3.4 Inversion de la transformada z
Si bk = 0 para k [1, M ] el sistema es recursivo y:

H(z) =
1+
b0
N
X
=
ak z k
k=1
b0 z N
,
N
X
ak z N k
a0 = 1
k=0
que tiene un cero trivial en z = 0 de orden N y N polos determinados por los coeficientes
{ak }. A este sistema se le denomina sistema de todos polos, que siempre corresponde a
un sistema IIR.
La forma general se denomina sistema de polos y ceros, con N polos y M ceros. Los
polos y ceros en z = 0 y z = , usualmente no se consideran de forma explcita. Por la
presencia de polos, este sistema es tambien IIR.
Ejemplo 3.13 Determine la funcion de transferencia y la respuesta impulsional del

sistema descrito por:
1
y(n) = y(n 1) + 2x(n)
2
Soluci
on:
1
Y (z) = Y (z)z 1 + 2X(z)

2
1 1
Y (z) 1 z
= 2X(z)
2
2z
Y (z)
2
H(z) =
=
1 1 =
X(z)
1 2z
z 21
que tiene un polo en z =
obtiene:
1
2
y un cero en z = 0. Utilizando la tabla de transformadas se

n
1
H(z) h(n) = 2
u(n)
2
3.13
3.4
Inversi
on de la transformada z
Ya se reviso que la transformada z inversa esta dada por:

I
1
x(n) =
X(z)z n1 dz
2j C
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
105
con la integral de contorno sobre la trayectoria cerrada C, que encierra al origen y se

encuentra en la region de convergencia de X(z).
Existen tres metodos para el calculo de la transformada z inversa:
1. Calculo analtico directo.
2. Expansion en serie de terminos en z y z 1 .
3. Expansion en fracciones simples y b
usqueda en tabla.
3.4.1
La transformada z inversa por integraci

on de contorno
Este metodo analtico directo se basa en las tecnicas de integracion compleja como la
formula integral de Cauchy o el teorema del residuo [1], para evaluar la integral de transformacion inversa. Como ya se reviso en la seccion 3.1.2, la formula integral de Cauchy
establece que

1
dk1 f (z)
f (z)
1
(k 1)! dz k1 z=z0
dz
=
(3.4)
2j C (z z0 )k
0
para f (z) analtica sobre y dentro de la trayectoria de integracion C, lo que implica que
no puede tener ninguna singularidad en z = z0 , donde el termino a la derecha corresponde
con el residuo de f (z)/(z z0 )k en el polo z0 .
H f (z)
1
Supongase que se desea calcular 2j
dz, donde f (z) no tiene polos dentro de C, y
C g(z)
g(z) es un polinomio con n races distintas simples dentro de C, entonces:
1
2j
I
C
f (z)
1
dz =
g(z)
2j
I X
n
Ai (z)
dz
C i=1 z zi
y utilizando la formula integral de Cauchy se obtiene:

1
2j
I
C
X
f (z)
dz =
Ai (zi )
g(z)
i=1
donde cada termino {Ai (zi )} corresponde al residuo de Ai (z)/(z zi ) en el polo z = zi .

f (z)
Ai (zi ) = (z zi )
g(z) z=zi
Notese que esto ha sido derivado asumiendo que g(z) es un polinomio sin races m
ultiples.
En caso contrario debe modificarse la expansion.
106
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Para la transformada z inversa se tiene entonces:

I
1
x(n) =
X(z)z n1 dz
2j C
X
=
[residuo de X(z)z n1 en z = zi ]
polos zi dentro de C
(z zi )X(z)z n1 |z=zi
siempre que los polos sean simples. Si X(z)z n1 no tiene polos dentro de C para uno o
mas valores de r, entonces el teorema de la integral de Cauchy establece que x(n) es cero
para esos valores.
Ejemplo 3.14 Calcule la transformada z inversa de:

1
,
1 az 1
X(z) =
Soluci
on: Con:
1
x(n) =
2j
I
C
ROC : |z| > |a|
z n1
1
dz =
1
1 az
2j
I
C
zn
dz
za
Como C debe estar dentro de la ROC, entonces se escoje una circunferencia de radio
mayor que |a|.
Se obtienen dos casos:
1. n > 0: z n solo tiene ceros y por tanto con (3.3) se obtiene con z0 = a
x(n) = an = f (z0 )
2. Con n < 0: f (z) tiene un polo de orden n en z = 0, que tambien esta dentro de C,
por lo que dos polos contribuyen al valor de la integral: z1 = 0, z2 = a.
Con n = 1:
1
2j
I
C
X
1
dz =
Ai (zi )
z(z a)
i=1

1
=
+
z a z=0
1 1
= + =0
a a
c
2005-2006
P. Alvarado

1
z z=a
Uso exclusivo ITCR
107
Con n = 2:
1
2j
I
C
1
a1
a12
a2
+
+
dz
2
z
za
C z
1
1
=0 2 + 2 =0
a
a
1
1
dz =
2
z (z a)
2j
Esto se puede repetir para n < 2 y se demostrara que x(n) = 0, por tanto, resumiendo
para n < 0 y n 0:
x(n) = an u(n)
3.14
3.4.2
La transformada z inversa mediante expansi

on en serie de
potencias
La idea de este metodo es expandir X(z) en una serie de potencias de la forma:

X(z) =
cn z
n=
x(n)z n
n=
que converge en la ROC.

Ejemplo 3.15 Para X(z) =
1
,
11,5z 1 +0.5z 2
calcule x(n) si:
1. ROC: |z| > 1

2. ROC: |z| < 0.5
Soluci
on:
1. Debido a que la ROC es el exterior de un crculo, x(n) es una se
nal causal. Para
calcularla se ordenan el numerador y el denominador del mayor coeficiente al menor
y se divide:
1
-(1 32 z 1 12 z 2 )
3 1
12 z 2
2z
3 1
-( 2 z 94 z 2 + 34 z 3 )
7 2
43 z 3
4z
7 2
3 7 4
+8z )
-( 4 z 21
8 z
15 3
87 z 4
8 z
15 3
4 15 5
-( 8 z 45
+ 16 z )
16 z
31 4
15 5
z
z
16
16
108
c
2005-2006
P. Alvarado
1 32 z 1 + 12 z 2
1 + 32 z 1 + 74 z 2 +
Uso exclusivo ITCR
15 3
8 z
31 4
16 z
+ ...
x(n) = {1, 32 , 47 , 15
, 31 , . . .}
8 16
2. La ROC corresponde a una se

nal anticausal. Para este caso se ordenan el numerador
y el denominador de menor a mayor y se divide:
1
-(1 3z+2z 2 )
3z 2z 2
-( 3z 9z 2 +6z 3 )
7z 2 6z 3
-( 7z 2 21z 3 +14z 4 )
15z 3 14z 4
-( 15z 3 45z 4 +30z 5 )
31z 4 30z 5
1 2
2z
2
23 z 1 + 1
2z + 6z 3 + 14z 4 + 30z 5 + 62z 6 + . . .
x(n) = {. . . , 62, 30, 14, 6, 2, 0, 0}
3.15
Este metodo no provee la forma cerrada de x(n) y resulta tedioso si se desea determinar
x(n) para n grande.
Ejemplo 3.16 Determine la transformada z inversa de:

X(z) = log(1 + az 1 ),
ROC : |z| > |a| .
Soluci
on:
Puesto que la serie de Taylor para log(1 + x), |x| < 1 es
log(1 + x) =
X
(1)n+1 xn
n=1
entonces
X(z) =
X
(1)n+1 an z n
n=1
de donde se obtiene directamente x(n) =

(1)n+1 an
u(n
n
c
2005-2006
P. Alvarado
1)
Uso exclusivo ITCR
3.16
109
3.4.3
La transformada z inversa mediante expansi

on en fracciones parciales
Con el metodo de b
usqueda en tabla se expresa X(z) como una combinacion lineal:
X(z) = 1 X1 (z) + 2 X2 (z) + . . . + k Xk (z)
donde {Xi (z)} son las transformaciones de las se
nales {xi (n)} disponibles en las tablas.
Por linealidad se tendra que:
x(n) = 1 x1 (n) + 2 x2 (n) + . . . + k xk (n)
Si X(z) es una funcion racional, entonces:
X(z) =
N (z)
b0 + b1 z 1 + . . . + bM z M
=
D(z)
1 + a1 z 1 + . . . + aN z N
Notese que si a0 6= 1, lo anterior se puede obtener dividiendo numerador y denominador

por a0 .
Esta funcion se denomina propia si aN 6= 0 y M < N , es decir, si el n
umero de ceros
finitos es menor que el n
umero de polos finitos. Una funcion impropia (M N ) siempre
se puede representar como la suma de un polinomio y una funcion racional propia.
Ejemplo 3.17 Exprese la funcion impropia:
1 + 3z 1 + 11
z 2 + 13 z 3
6
X(z) =
1 + 56 z 1 + 16 z 2
en terminos de un polinomio y una funcion propia.
Soluci
on:
Para hacer esto, se debe hacer la division de tal forma que los terminos z 2 y z 3 sean
eliminados, y para esto deben ordenarse los divisores de la misma manera que para determinar la expansion en serie de potencias de se
nales anticausales.
1 3 11 2
z + 6 z +3z 1 +1
3
-( 31 z 3 + 53 z 2 +2z 1 )
1 2
z
z 1 +1
6
-( 16 z 2 + 56 z 1 +1)
1 1
z
6
110
c
2005-2006
P. Alvarado
1 2
z
6
1
2z
+ 65 z 1 + 1
+1
Uso exclusivo ITCR
X(z) = 1 + 2z 1 +
1+
1 1
z
6
5 1
z + 16 z 2
6
3.17
En general, cualquier funcion racional impropia (M N ) se puede expresar como:

X(z) =
N1 (z)
N (z)
= c0 + c1 z 1 + . . . + cM N z (M N ) +
D(z)
D(z)
Como la transformada z inversa de un polinomio se puede calcular facilmente, se analizara

ahora solo la transformada de funciones racionales propias. Sea X(z) una funcion racional
propia:
N (z)
b0 + b1 z 1 + . . . + bM z M
X(z) =
=
D(z)
1 + a1 z 1 + . . . + aN z N
con aN 6= 0 y M < N . Multiplicando por z N tanto el numerador como denominador:
X(z) =
b0 z N + b1 z N 1 + . . . + bM z N M
z N + a1 z N 1 + . . . + aN
puesto que N > M entonces

X(z)
b0 z N 1 + b1 z N 2 + . . . + bM z N M 1
=
z
z N + a1 z N 1 + . . . + aN
que es siempre propia. Para descomponer esta funcion como una suma de fracciones
simples, se factoriza el denominador en factores que contengan los polos p1 , p2 , . . . , pN de
X(z).
1. Caso: Polos diferentes.
Si todos los polos son diferentes, entonces se busca la expansion:
X(z)
A1
A2
AN
=
+
+ ... +
z
z p1 z p2
z pN
donde

(z pk )
X(z)
Ak =
z
z=pk
Ejemplo 3.18 Determine la expansion en fracciones simples de X(z) =
1+z 1
.
1z 1 + 12 z 2
Soluci
on:
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
111
Multiplicando por
z2
z2
se obtiene:
z2 + z
X(z) = 2
z z+
los polos p1,2 =
1 12
2
1
2
j 12 y
1
2
X(z)
z
X(z)
z+1
= 2
z
z z+
A1
zp1
1
2
A2
.
zp2

(z + 1)(z p1 )
z + 1
p1 + 1
X(z)
1
3
=
=
=
A1 = (z p1 )
= j

z z=p1
(z p1 )(z p2 ) z=p1
z p2 z=p1
p1 p2
2
2

(z + 1)(z p2 )
z + 1
p2 + 1
X(z)
1
3
=
=
=
A2 = (z p2 )
= +j

z z=p2
(z p1 )(z p2 ) z=p2
z p1 z=p2
p2 p1
2
2
Puede demostrarse que si p1 = p2 , entonces A1 = A2 .
3.18
2. Caso: polos de orden m

ultiple.
Si hay un polo de orden l, (z pk )l , entonces la expansion en fracciones parciales
tendra terminos:
A1k
A2k
Alk
+
.
.
.
+
+
z pk (z pk )2
(z pk )l
donde los coeficientes {Aik } pueden obtenerse por medio de derivaciones sucesivas
Ejemplo 3.19 Determine la expansion en fracciones parciales de:
X(z) =
1
(1 + z 1 )(1 z 1 )2
Soluci
on:
Multiplicando numerador y denominador por z 3 resulta en:
X(z)
z2
A1
A2
A3
=
=
+
+
2
z
(z + 1)(z 1)
(z + 1) (z 1) (z 1)2
A1 y A3 se encuentran facilmente multiplicando por los denominadores parciales y
haciendo z = pi :

X(z)
z 2
1
A1 = (z + 1)
=
=

2
z z=1
(z 1) z=1 4

z 2
1
2 X(z)
=
=
A3 = (z 1)

z z=1
(1 + z) z=1 2
112
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
para calcular A2 se procede:

(z 1)2
X(z)
(z 1)2
=
A1 + A2 (z 1) + A3
z
z+1
y se deriva con respecto a z:

d (z 1)2 X(z)
d (z 1)2
d
=
A
+ A2 (z 1)
1

dz
z
dz z + 1
dz
z=1

2(z 1)(z + 1) + (z 1)

+
A
= A1
2

(z + 1)2
z=1

2
2

d
2z(z
+
1)
z
3
z

=
= = A2
dz z + 1 z=1
(z + 1)2 z=1 4
3.19
Para obtener la inversion de X(z) se utiliza entonces la linealidad junto con el hecho ya
demostrado de que:
Z 1
1
1 pk z 1

=
(
(pk )n u(n),
(pk )n u(n 1),
si ROC: |z| > pk (se

nales causales)
si ROC: |z| < pk (se
nales anticausales)
Notese que si la se
nal es causal, la ROC es |z| > pmax = max{|p1 |, |p2 |, . . . , |pN |} y
n
n
x(n) = (A1 p1 + A2 p2 + . . . + AN pnN )u(n).
Si hay un par de polos complejos conjugados, ya se menciono que los coeficientes tambien
seran complejos conjugados y por tanto:
xk (n) = [Ak pnk + Ak pk n ]u(n)
(3.7)
Expresando en forma polar: Ak = |Ak |ejk , pk = |pk |ejk y sustituyendo en (3.7), entonces:
xk (n) = |Ak ||pk |n [ej(k n+k ) + ej(k n+k ) ]u(n)
= 2|Ak ||pk |n cos(k n + k )u(n),
ROC : |z| > |pk | = rk
Notese entonces que en un par de polos complejos conjugados dan origen a una se
nal
sinusoidal causal con envolvente exponencial, donde la distancia del polo al origen determina la atenuacion exponencial, y el angulo de los polos respecto al eje real determina la
frecuencia de la se
nal senoidal.
Los ceros afectan la amplitud y fase a traves de su influencia a los coeficientes Ak .
Para el caso de polos m
ultiples se utilizan tablas, pero es usual encontrar

pz 1
1
Z
= npn u(n), ROC: |z| > |p|
(1 pz 1 )2
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
113
Ejemplo 3.20 Determine la se

nal causal correspondiente a:
X(z) =
con A1 = A2 =
1
2
1 + z 1
A1
A2
+
1 2 =
1
1
1 + p1 z
1 + p2 z 1
1 z + 2z
j 32 ; p1 = p2 =
1
2
+ j 12 .
Soluci
on:
Con el resultado anterior se obtiene con |A1 | =

p1 = 4 :
x(n) =

10
n
cos

4
10
2
y A1 = 71,56 y |p1 | =
1 ,
2

n 71,56 u(n)
3.20
3.5
3.5.1
La transformada z unilateral
Definici
on y propiedades
La transformada z unilateral se define como:

!
Zu {x(n)} = X + (z) =
x(n)z n
n=0
zu
y la relacion se denota como x(n) X + (z).

La transformada z unilateral y la bilateral se diferencian en el lmite inferior de la sumatoria, y presenta por lo tanto las siguientes caractersticas:
1. No contiene informacion sobre la se
nal x(n) para los valores negativos de n.
2. Es u
nica solo para se
nales causales, puesto que estas son las u
nicas se
nales que son
cero para n < 0.
3. Zu {x(n)} = Z {x(n)u(n)}. Puesto que x(n)u(n) es causal, la ROC de su transformada y por tanto la ROC de X + (z) es siempre exterior a un crculo. Por lo tanto,
cuando se trate con transformadas z unilaterales, no es necesario referirse a su ROC.
Ejemplo 3.21 Determine la transformada z unilateral de:
1. x1 (n) = {1, 2, 5, 7, 0, 1}.
114
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
3.5 La transformada z unilateral
2. x2 (n) = {1, 2, 5, 7, 0, 1}.
3. x3 (n) = {2, 4, 5, 7, 0, 1}.
4. x4 (n) = (n).
5. x5 (n) = (n k), k > 0.
6. x6 (n) = (n + k), k > 0.
Soluci
on:
1.
2.
3.
4.
5.
6.
1 + 2z 1 + 5z 2 + 7z 3 + 1z 5 .
5 + 7z 1 + z 3 .
5 + 7z 1 + z 3 .
1.
z k .
0.
3.21
Notese que la transformada z unilateral no es u

nica para se
nales con componentes an+
+
ticausales diferentes (por ejemplo X2 (z) = X3 (z), a
un cuando x2 (n) 6= x3 (n)). Para
+
se
nales anticausales, X (z) siempre sera cero.
Las propiedades de esta transformada son similares a las de la transformada z bilateral,
pero el desplazamiento merece especial atencion.
Retardo temporal
zu
zu
Si x(n) X + (z), entonces x(n k) z k [X + (z) +

x(n) es causal entonces x(n k) = z k X + (z).
Pk
n=1
x(n)z n ], para k > 0. Si
Demostracion:
Zu {x(n k)} =
x(n k)z n =
n=0
=z
X
m=k
x(m)z
=z
(
X + (z) +
1
X
x(m)z
m=k
k
X
x(m)z m z k
m=k
m=k
= z k
x(m)z (m+k) =
)
x(m)z
m=0
)
x(n)z n
n=1
La interpretacion del resultado anterior es que si se desplaza x(n) hacia la derecha entonces aparecen k nuevas muestras que tambien deben considerarse en la transformacion
unilateral.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
115
Adelanto temporal
zu
zu
Si x(n) X + (z), entonces x(n + k) z k [X + (z)
Pk1
n=0
x(n)z n ], para k > 0.
Demostracion:
Zu {x(n + k)} =
x(n + k)z n =
n=0
(
= zk
(
x(m)z (mk) = z k
m=k
k1
X
x(m)z m
m=0
)
x(m)z m
m=k
)
x(m)z m
(
= zk
X + (z)
m=0
k1
X
)
x(m)z m
m=0
Analogo al retraso, si la se
nal se desplaza a la izquierda, entonces k muestras de la
+
transformada unilateral X (z) deben desaparecer.
Ejemplo 3.22 Calcule la transformada z unilateral de:
1. x1 (n) = an .
2. x2 (n) = x(n 2), con x(n) = an .
3. x3 (n) = x(n + 2), con x(n) = an .
Soluci
on:
1. Como la se
nal es causal, entonces: Zu {x1 (n)} = Z {x1 (n)} =
2.
(
)
2
X
Zu {x(n 2)} = z 2 X + (z) +
x(n)z n
1
.
1az 1
n=1
=z
X (z) + x(1)z + x(2)z 2
z 2
+ a1 z 1 + a2
1
1 az
(
)
1
X
Zu {x(n + 2)} = z 2 X + (z)
x(n)z n
=
3.
n=0
1
= z2
1 az 1
1 az 1
z2
z 2 az
=
1 az 1
3.22
La propiedad de desplazamiento de la transformada z unilateral se utiliza en la solucion

de ecuaciones de diferencias con coeficientes constantes y condiciones iniciales no nulas.
116
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
3.5 La transformada z unilateral
Teorema del valor final

Se tiene que:
X (z) = Zu {x(n)} = lim
N
X
x(n)z n
n=0
y ademas
Zu {x(n + 1)} = zX (z) zx(0) = lim
N
X
x(n + 1)z n
n=0
con lo que se tiene:

Zu {x(n + 1)} Zu {x(n)} = (zX + (z) zx(0)) X + (z) = (z 1)X + (z) zx(0)
!
N
N
X
X
n
n
x(n + 1)z
= lim
x(n)z
N
= lim
= lim
n=0
N
X
x(n + 1)z n
n=0
N
1
X
n=0
N
1
X
!
x(n + 1)z n1
n=1
x(n + 1)z n + x(N + 1)z N
n=0
x(0)
N
1
X
!
x(n + 1)z n1
n=0
= lim
= lim
N
1
X
n=0
N
1
X
!
x(n + 1)(z n z n1 ) + x(N + 1)z N
x(0)
!
x(n + 1)z n1 (z 1) + x(N + 1)z N
x(0)
n=0
con lo que se deduce:

(z 1)X + (z) = lim
N
1
X
!
x(n + 1)z n1 (z 1) + x(N + 1)z N
+ (z 1)x(0)
n=0
y aplicando el lim a ambos lados se obtiene:

z1
lim x(n) = lim (z 1)X + (z)
z1
lo que se conoce como teorema del valor final . En la demostracion se ha asumido que la
ROC de (z 1)X + (z) incluye a |z| = 1.
Este teorema se utiliza para calcular el valor asintotico de la se
nal x(n) cuando n tiende
+
a infinito, si se conoce X (z) pero no x(n).
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
117
Ejemplo 3.23 Determine la respuesta del sistema con respuesta impulsional h(n) =
an u(n), |a| < 1, ante un escalon unitario, cuando n .
y(n) = h(n) x(n) Y (z) =
Soluci
on:
1
1
z2
=
, ROC : |z| > 1
1 az 1 1 z 1
(z a)(z 1)
1
z2
x() = lim (z 1)
=
z1
(z a)(z 1)
1a
|
{z
}
ROC: |z|>a<1
3.23
3.5.2
Soluci
on de ecuaciones de diferencias
Si las condiciones iniciales de una ecuacion de diferencias son distintas de cero, entonces
las transformada z unilateral es por su propiedad de desplazamiento, una herramienta
muy u
til.
Ejemplo 3.24 La serie de Fibonacci se puede definir como:
y(n) = y(n 1) + y(n 2),
y(0) = y(1) = 1
Determine una expresion para el n-esimo termino de la serie.

Soluci
on: Se tiene que:
y(0) = y(1) + y(2) = 1
y(1) = y(0) + y(1) = 1 y(1) = 0 y(2) = 1
y(n) = y(n 1) + y(n 2)
Y + (z) = z 1 {Y + (z) + y(1)z} + z 2 {Y + (z) + y(1)z + y(2)z 2 }
Y + (z) = z 1 Y + (z) + y(1) + Y + (z)z 2 + y(1)z 1 + y(2)
z2
1 z 1 z 2
z2 z 1
A1 z
A2 z
A1
A2
Y + (z) =
+
=
+
1
z p1 z p2
1 p1 z
1 p2 z 1
1 5
p1
p2
, A1 = , A2 =
p1,2 =
2
5
5
n+1
1
1
y(n) =
[(1 + 5)n+1 (1 5)n+1 ]u(n)
5 2
Y + (z)(1 z 1 z 2 ) = 1
Y + (z) =
3.24
118
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
3.6 Analisis de sistemas LTI en el dominio z
3.6
3.6.1
An
alisis de sistemas LTI en el dominio z
Respuesta de sistemas con funci
on de transferencia racional
Sea un sistema dado por la ecuacion de diferencias:

y(n) =
N
X
ak y(n k) +
k=1
M
X
bk x(n k)
k=0
Su funcion de transferencia H(z) es racional de la forma H(z) =

B(z) determina los ceros y A(z) los polos de H(z).
B(z)
,
A(z)
donde el polinomio
Si se asume ademas que el sistema esta en reposo, esto es, y(1) = y(2) = . . . =
y(N ) = 0, y que la entrada X(z) tambien puede representarse en forma racional como
(z)
X(z) = N
, entonces se tiene que la transformada de la funcion de salida es de la forma:
Q(z)
Y (z) =
B(z)N (z)
A(z)Q(z)
QL
Q
1
1
Supongase ahora que A(z) = N
k=1 (1 pk z ), Q(z) =
k=1 (1 qk z ) y pk 6= qm , k, m,
y que ning
un cero coincide con los polos, entonces se cumple que:
Y (z) =
N
X
k=1
X
Ak
Qk
+
1
1 pk z
1 qk z 1
k=1
y por lo tanto su transformada inversa sera:

y(n) =
N
X
|k=1
Ak (pk ) u(n) +
{z
respuesta natural
L
X
|k=1
Qk (qk )n u(n)
{z
respuesta forzada
Esta secuencia se componde de dos partes: las respuestas natural y forzada. La respuesta
natural depende de los polos {pk } del sistema y es influenciada por la entrada x(n) a
traves de los coeficientes {Ak }. La respuesta forzada depende de los polos de la entrada
{qk } y es influenciada por el sistema a traves de los coeficientes {Qk }.
Si X(z) o H(z) tienen polos m
ultiples o polos en com
un, entonces la respuesta Y (z) tendra
Pm
1
terminos de la forma l=1 (1pk z1 )l , donde m es el orden del polo, lo que conducira a
terminos en y(n) de la forma nl1 pnk u(n).
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
119
3.6.2
Condiciones iniciales no nulas
Para calcular la respuesta de un sistema a una entrada causal x(n) con condiciones iniciales
no nulas, se utiliza la transformada z unilateral:
y(n) =
N
X
ak y(n k) +
bk x(n k)
k=1
k=1
M
X
Y (z) =
N
X
"
ak z
Y (z) +
k
X
#
y(n)z
M
X
n=1
k=1
bk z
k=1
k
X
+
X (z) +
x(n)z
|n=1 {z
}
=0 por causalidad
Puesto que x(n) es causal, entonces X + (z) = X(z) y se tiene:

+
Y (z) 1 +
N
X
!
ak z
= X (z)
M
X
bk z
ak z
k=1
k=0
k=1
N
X
k
X
y(n)z n ,
n=1
de donde se despeja:
+
PM
Y (z) =
1+
k
k=0 bk z
X(z)
P
N
k
a
z
k
k=1
= H(z)X(z) +
PN
P
ak z k kn=1 y(n)z n
P
k
1+ N
k=1 ak z
k=1
N0 (z)
A(z)
La salida del sistema consta entonces de dos partes, la respuesta de estado nulo
Yzs (z) = H(z)X(z)
y la respuesta de entrada nula que depende de las condiciones iniciales
Yzi+ (z) =
N0 (z)
A(z)
zu
puesto que Y + (z) = Yzs (z)+Yzi+ (z) y(n) = yzs (n)+yzi (n). Al ser A(z) el denominador
de Yzi+ (z) sus polos seran {pk }, y la respuesta a entrada nula tendra la forma:
yzi =
N
X
Dk pnk u(n)
k=1
120
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
lo que puede a
nadirse a la respuesta natural y combinarse para dar:
y(n) =
N
X
A0k pnk u(n)
k=1
L
X
Qk qkn u(n), con A0k = Ak + Dk
k=1
En resumen, las condiciones iniciales alteran la respuesta natural del sistema modificando
los factores de escala {Ak }. No se introducen nuevos polos ni se modifica la respuesta
forzada.
Ejemplo 3.25 Determine la respuesta al escalon u(n) del sistema dado por
y(n) = 0,9y(n 1) 0,81y(n 2) + x(n)
para las condiciones iniciales:
1. y(1) = y(2) = 0
2. y(1) = y(2) = 1
Soluci
on: La funcion de transferencia esta dada por:
H(z) =
1
+ 0,81z 2
0,9z 1
cuyos polos son complejos conjugados: p1,2 = 0,9ej 3

x(n) = u(n)
1
1 z 1
Con lo que se obtiene directamente:

1
(1
0,9ej 3 z 1 )(1 z 1 )
0,542 j0,049
0,542 + j0,049
1,099
=
+
+
j 3 1
j 3 1
1 z 1
1 0,9e z
1 0,9e z
Yzs (z) =
0,9ej 3 z 1 )(1
Por lo que:

i
h
yzs (n) = 1,099 + 1,088(0,9)n cos
n 5.2 u(n)
3
Para 1. y(n) = yzs (n)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
121
Para 2., con las condiciones iniciales se obtiene:

N0 =
N
X
ak z
k
X
y(n)z n
n=1
k=1
1
= (a1 z {y(1)z} + a2 z 2 {y(1)z + y(2)z 2 })

= (a1 y(1) + a2 y(1)z 1 + a2 y(2))
= (0,9 + 0,81 + 0,81z 1 )
= 0,09 0,81z 1
0,09 0,81z 1
N0 (z)
=
A(z)
1 0,9z 1 + 0,81z 2
0,026 + j0,4936
0,026 j0,4936
=
+
j 3 1
1 0,9ze z
1 0,9zej 3 z 1
Yzi (z) =
y por tanto:
n
yzi (n) = 0,988(0,9) cos

3
n + 87
u(n)
y Y (z) = Yzs (z) + Yzi (z)

Y (z) =
1,099
0,568 j0,442
0,568 + j0,445
+
+
j
1
1
1z
1 0,9ze 3 z
1 0,9zej 3 z 1
que equivale a:
n
y(n) = 1,099u(n) + 1,44(0,9) cos

3
n + 38
u(n)
3.25
3.6.3
Respuesta transitoria y en r
egimen permanente
Si para todos los polos del sistema {pk } se cumple que |pk | < 1, entonces la respuesta
natural del sistema:
N
X
ynr (n) =
Ak pnk u(n)
k=1
decae si n tiende a infinito, y se le denomina respuesta transitoria. Su tasa de decaimiento

dependera de que tan cerca esten los polos de la circunferencia unidad.
Si los polos {qk } de la respuesta forzada tienen magnitudes |qk | < 1, la respuesta a la
entrada tambien decae. Si la entrada es sinusoidal implica que hay polos en la circunferencia unitaria, y la respuesta forzada tambien tendra esos polos y sera sinusoidal, y la
respuesta se denomina de estado permanente.
122
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
3.6.4
Causalidad y Estabilidad
Un sistema es causal si h(n) = 0 para n < 0, lo que implica que su ROC es el exterior de
una circunferencia. El sistema es estable si:
|h(n)| <
n=
lo que ocurre solo si |z| = 1 esta dentro de la ROC, o de otro modo, si los polos se
encuentran dentro de la circunferencia unitaria, puesto que
H(z) =
|H(z)|
X
n=
h(n)z n
|h(n)||z n |
n=
y evaluando en |z| = 1
|H(z)|
|h(n)|
n=
Un sistema LTI sera entonces estable solo si |z| = 1 esta en la ROC de H(z). Esta
condicion tambien se cumple para sistemas anticausales, es decir, la ROC debera ser el
interior de una circunferencia que contenga |z| = 1.
3.6.5
Cancelaci
on polo-cero
Los efectos de un polo del sistema pueden cancelarse o reducirse con un cero ya sea del
mismo sistema o de la entrada. Sin embargo, posibles efectos como la estabilizacion de un
sistema inestable por medio de ceros en la entrada deben evitarse, porque la posicion de
los polos y ceros no puede alcanzarse con precision arbitraria en sistemas digitales reales.
3.6.6
Polos de orden m
ultiple y estabilidad
Un sistema con polos en la circunferencia unitaria es inestable pues basta encontrar una
entrada con un polo en el mismo sitio para producir una salida no acotada.
Ejemplo 3.26 Determine la respuesta al escalon de:
y(n) = y(n 1) + x(n)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
123
Soluci
on:
Con H(z) =
1
1z 1
y X(z) =
1
1z 1
se obtiene:
Y (z) = H(z)X(z) =
1
y(n) = (n + 1)u(n)
(1 z 1 )2
que contiene un polo doble en z = 1, y equivale a una rampa no acotada.

Esto se explica por el hecho de que si Y (z) contiene polos m
ultiples, entonces y(n) tendra
terminos de la forma:
Ak nb (pk )n u(n)
que son acotados solo si |pk | < 1.
3.26
3.6.7
Estabilidad de sistemas de segundo orden
Los sistemas de segundo orden (con dos polos) se utilizan como bloque basico para la
construccion de sistemas de mayor orden, y por ello requieren de un poco de atencion.
Considerese entonces el sistema:
y(n) = a1 y(n 1) a2 y(n 2) + b0 x(n)
con funcion de transferencia:
Y (z)
b0 z 2
b0
=
=
X(z)
1 + a1 z 1 + a2 z 2
z 2 + a1 z + a2
b0 z 2
b0 z 2
= 2
=
(z p1 )(z p2 )
z (p1 + p2 )z + p1 p2
H(z) =
Este sistema tiene dos ceros en el origen y dos polos en

r
a1
a21 4a2
p1,2 =
2
4
El sistema es estable BIBO si |p1,2 | < 1. Puesto que se cumple que a1 = (p1 + p2 ) y
a2 = p1 p2 , se debe cumplir que
|a2 | = |p1 p2 | = |p1 ||p2 | < 1
y
|a1 | < 1 + a2 a2 > |a1 | 1
124
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
a2
a2 =
a21
4
Polos complejos
a1
0
-3
-2
-1
Polos reales
-1
a2 = a1 1
a2 = a1 1
Figura 3.11: Tri

angulo de estabilidad en el plano de coeficientes (a1 , a2 ) para un sistema de
segundo orden.
En el plano a1 , a2 estas inecuaciones delimitan una region triangular (figura 3.11).

Para obtener estas ecuaciones se sabe que |p1,2 | < 1. Primero as
umase que los polos son

2
a1 2
reales, es decir, 2 a2 , que equivale a la parte inferior de la parabola a2 = a21 . En
esta region, los polos estan centrados en a21 , con un desplazamiento hacia la izquierda y
q
a1 2
derecha de
a2 (figura 3.12).
2
q

a1 2
2
a2

a1 2
2
a2
a21
Figura 3.12: Desplazamiento de los polos a la izquierda y a la derecha.
Por lo tanto, debe cumplirse que:

|a1 |
1
>
2
r
a 2
c
2005-2006
P. Alvarado
a2
Uso exclusivo ITCR
125
Elevando al cuadrado ambos lados se obtiene:

a 2 a 2
1
1
1 |a1 | +
>
a2
2
2
1 + a2 > |a1 |
En caso de que p1,2 sean complejos (notese que a2 es positivo puesto que debe ser mayor
que (a1 /2)2 ), entonces:

r
a
a 2 2 a 2
a 2
1

1
1
1
2
|p1,2 | = j a2
+ a2
= a2
=
2
2
2
2
y por tanto, para que |p1,2 | < 1, entonces 0 < a2 < 1, lo que confirma la anterior condicion
|a2 | < 1.
Los pares (a1 , a2 ) en la parte superior a la parabola conducen entonces a polos complejos
conjugados, y bajo la parabola a polos reales y distintos. Los pares (a1 , a2 ) en la parabola

a1 2
= a2 conducen a un polo de orden 2.
2
Las funciones de transferencia y sus equivalentes en el dominio del tiempo se resumen en
la tabla 3.3, con p = rej0 , por lo que a1 = 2r cos 0 , a2 = r2 .
Tabla 3.3: Funciones de transferencia de segundo orden y equivalentes temporales
Polos
Condici
on
Reales y distintos
a21 > 4a2
Reales e iguales
a21 = 4a2
Complejos conjugados
126
a21 < 4a2
H(z)

h(n)

p1
p2
1p1 z 1 1p2 z 1
b0
(1pz 1 )2

j0
b0
e
ej0
j
j
1
1
0
0
j2 sen 0
1re
z
1+re
z
b0
p1 p2
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
b0
p1 p2

pn+1
p2n+1 u(n)
1
b0 (n + 1)pn u(n)
n
b0 r
sen 0
sen[(n + 1)0 ]u(n)
3.7 Problemas
3.7
Problemas
Problema 3.1. Grafique las siguientes funciones e indique cualitativamente que regiones
de convergencia (ROC) tiene su transformada z:
2. x(n) = u(n + 4) u(n 2)
4. x(n) = ur (n) 2ur (n 5) + ur (n 10)

|n|
5. x(n) = 12
3. x(n) = u(n 2)
6. x(n) = ur (n + 5)u(n 5)
1. x(n) = sen(n)u(n)
Problema 3.2. Encuentre las regiones del plano z donde las siguientes series convergen:
n+2
X
1
1.
z n
3
n=2
2.

X
1 + (1)n
n=0
3.
n+2
X
1
n=2
zn
|n|

X
1
4.
cos
n zn
3
4
n=
z n
Problema 3.3. Encuentre la transformada z de

x(n) =
u(n 2)
4n
con su correspondiente ROC.

Problema 3.4. Sea
x(n) = (1)n u(n) + n u(n n0 )
Encuentre para que valores de y n0 es la ROC de la transformada z de x(n)
1 < |z| < 2
Problema 3.5. Encuentre la transformada z de

( n

1
cos 4 n n 0
2
x(n) =
0
n>0
Indique los polos, ceros y ROC.
Problema 3.6. Para las siguientes expresiones identifique los ceros y polos finitos e
infinitos.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
127
1.
2.

z 1 1 12 z 1

1 13 z 1 1 14 z 1
3.
z 2 (1 z 1 )

1 14 z 1 1 + 41 z 1
(1 z 1 ) (1 2z 1 )
(1 3z 1 ) (1 4z 1 )
Problema 3.7. Si x(n) es absolutamente sumable y tiene transformada z racional, con

un polo en 1/2, entonces podra x(n) ser
1. una se
nal finita?
3. una se
nal derecha?
2. una se
nal izquierda?
4. una se
nal bilateral?
Problema 3.8. Sea

X(z) =
1 14 z 2

1 + 14 z 2 1 + 45 z 1 + 38 z 2
Indique cuantas y cuales regiones de convergencia son posibles para X(z).

Problema 3.9. Encuentre para todas las se
nales discretas x(n) mostradas en la tabla 3.2
la transformada z correspondiente utilizando la definicion.
Problema 3.10. Sea x(n) una se
nal con transformada z racional X(z), que tiene un
polo en z = 1/2. Se sabe ademas que
n
1
x1 (n) =
x(n)
4
es absolutamente sumable, pero
n
1
x2 (n) =
x(n)
8
no es absolutamente sumable. Con esta informacion indique si x(n) es izquierda, derecha,
bilateral o finita.
Problema 3.11. Encuentre las funciones en tiempo discreto equivalentes a las transformadas z indicadas en la tabla 3.2 utilizando la definicion integral de la transformada z
inversa.
Problema 3.12. Utilizando la definicion de la transformada z inversa, encuentre la
secuencia en el tiempo discreto equivalente a
X(z) =
128
1 13 z 1
,
(1 z 1 )(1 + 2z 1 )
c
2005-2006
P. Alvarado
ROC: |z| > 2
Uso exclusivo ITCR
3.7 Problemas
Problema 3.13. Encuentre por division polinomial la transformada z inversa de

X(z) =
1 + z 1
1 + 13 z 1
para ROC: |z| > 1/3 y para ROC: |z| < 1/3.
Problema 3.14. Encuentre la transformada inversa de
X(z) =
1 13 z 1
(1 z 1 )(1 + 2z 1 )
para todas las posibles regiones de convergencia por medio de descomposicion en fracciones
parciales.
Problema 3.15. Encuentre la transformada z inversa de

1 256 z 8
X(z) =
, ROC: |z| > 0
256 1 12 z 1
Problema 3.16. Para la ventana rectangular
(
1 0nk
x(n) =
0 en el resto
sea
g(n) = x(n) x(n 1)
1. Encuentre una expresion para g(n) y su transformada z.
2. Encuentre la transformada z de x(n) considerando que
x(n) =
n
X
g(k)
k=
Problema 3.17. Para las siguientes funciones de transferencia de sistemas discretos, si

se sabe que estos son estables indique si ademas son causales:
1.
2.
z 1
1 43 z 1 + 12 z 2

1 12 z 1 1 31 z 1
z 12
z 2 + 21 z
3
16
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
129
3.
z+1
z + 21 z 2 32 z 3
4
3
Problema 3.18. Un sistema LTI tiene funcion de transferencia H(z) y respuesta al

impulso h(n). Se sabe
1. h(n) es real
2. h(n) es derecha
3. lim H(z) = 1
z
4. H(z) tiene dos ceros

5. H(z) tiene uno de sus polos en una ubicacion no real en el crculo |z| = 3/4
Es el sistema causal? Es estable?
Problema 3.19. Encuentre la transformada z unilateral de las siguientes se
nales.
n
1
1. x1 (n) =
u(n + 5)
4
2. x2 (n) = (n + 3) + (n) + 2n u(n)
|n|
1
3. x3 (n) =
2
Problema 3.20. Un sistema de entrada x(n) y salida y(n) se rige por la ecuacion de
diferencias:
y(n 1) + 2y(n) = x(n)
1. Determine la respuesta de entrada cero al sistema si su condicion inicial es y(1) =
2.
2. Encuentra la respuesta de estado cero si su entrada es x(n) = (1/4)n u(n).
3. Determine la salida del sistema para n 0 si y(1) = 2 y x(n) = (1/4)n u(n)
130
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Captulo 4
Ortogonalidad y Series de Fourier
El adjetivo ortogonal proviene del griego orthos (recto) y gonia (angulo). Este denota
entonces la perpendicularidad entre dos elementos: dos calles que se cruzan en un angulo
recto presentan una configuracion ortogonal. La ortogonalidad es un concepto fundamental para la comprension del analisis de funciones por medio de las transformadas de
Fourier, Laplace y la transformada z. Este captulo introduce el concepto en cuestion a
partir de un contexto usualmente mas familiar: la ortogonalidad de vectores. Para mas
informacion sobre la terminologa matematica puede consultarse [18, 1].
4.1
Espacios vectoriales
Tradicionalmente se utiliza en ingeniera el concepto de vector como un conjunto ordenado

de n cantidades, por ejemplo [x1 , x2 , . . . , xn ]T . En los casos particulares de vectores bidimensionales (n = 2) y tridimensionales (n = 3) se utilizan en la practica representaciones
alternativas que comprenden magnitudes y angulos (por ejemplo, utilizando coordenadas
polares, cilndricas o esfericas). En terminos matematicos se prefiere la notacion cartesiana por su generalidad: el concepto de vector es valido para todo entero n no negativo
(esto es n = 0, 1, . . .), donde las componentes xi se toman del conjunto de los n
umeros
reales IR o de los n
umeros complejos C.
Sea IF un cuerpo escalar, es decir, una estructura algebraica que consiste por una parte
en un conjunto de escalares y por otra parte en una coleccion de operaciones definidas
para los elementos del conjunto: adicion y multiplicacion, que satisfacen, entre otras, las
propiedades de asociatividad, conmutatividad y distributividad. Un conjunto de vectores
V se denomina espacio vectorial sobre un cuerpo IF (por ejemplo el cuerpo de los n
umeros
reales IR o el cuerpo de los n
umeros complejos C) si
131
para una operacion de adicion vectorial en V, denotada x + y, con x, y V; y

para una operacion de multiplicacion escalar en V, denotada como ax, con x V y
a IF
se cumplen las siguientes propiedades con a, b IF y x, y, z V:
1. x + y V. (V es cerrado con respecto a la adicion vectorial).
2. x + (y + z) = (x + y) + z. (Asociatividad de la adicion vectorial en V).
3. Existe un elemento neutro 0 V, tal que para todo x V se cumple que x + 0 = x.
(Existencia de un elemento identidad aditivo en V).
4. Para todo x V existe un elemento y V tal que x + y = 0. (Existencia de
inversos aditivos en V).
5. x + y = y + x. (Conmutatividad de la adicion vectorial en V).
6. ax V. (V es cerrado con respecto a la multiplicacion escalar).
7. a(bx) = (ab)y. (Asociatividad de la multiplicacion escalar en V).
8. Si 1 representa la identidad multiplicativa del cuerpo IF entonces 1x = x. (Neutralidad de uno).
9. a(x + y) = ax + ay. (Distributividad con respecto a la adicion vectorial).
10. (a + b)x = ax + bx. (Distributividad con respecto a la adicion en el cuerpo).
El concepto de espacio vectorial es completamente abstracto. Para determinar si un
conjunto V es un espacio vectorial deben especificarse tan solo el conjunto V, el cuerpo
escalar IF y las operaciones vectoriales de adicion y multiplicacion escalar en V. Si las
diez propiedades anteriores se satisfacen, se dice entonces que V es un espacio vectorial.
4.1.1
Combinaciones lineales
Se denomina combinacion lineal de los vectores u1 , u2 , . . . , un de un espacio vectorial V a

todo vector x del tipo
x = c1 u1 + c2 u2 + . . . + cn un
con los coeficientes de la combinacion lineal c1 , . . . , cn , que son escalares del cuerpo escalar
IF relacionado con el espacio vectorial V.
132
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
4.1 Espacios vectoriales
Un conjunto de vectores U = {u1 , u2 , . . . , un } V se dice ser un conjunto ligado o linealmente dependiente si al menos uno de ellos es una combinacion lineal de los demas. Se
denomina conjunto libre o linealmente independiente cuando los u
nicos escalares c1 , . . . , cn
para los que se cumple c1 u1 + c2 u2 + . . . + cn un = 0 son c1 = . . . = cn = 0. Se cumple
ademas que
un conjunto que contiene un solo vector no nulo es libre,
el vector neutro 0 no forma parte de ning
un sistema libre,
todo subconjunto de un sistema libre es tambien libre,
el n
umero maximo de vectores de un sistema libre es igual al n
umero de componentes
que tienen dichos vectores.
Un espacio se dice engendrado por el conjunto de vectores U = {u1 , u2 , . . . , un } V si
contiene todas las combinaciones lineales de los vectores de U, al que se denomina entonces
conjunto generador del espacio. A cada elemento del conjunto U se le denomina en este
contexto vector generador . Este espacio no vara si
se multiplica cualquier vector generador por un escalar no nulo,
se suma un generador con otro,
si se suprimen los generadores que son una combinacion lineal de los demas.
4.1.2
Subespacios y bases
Cualquier subconjunto W del espacio vectorial V que es cerrado ante las operaciones
vectoriales aditivas y de multiplicacion escalar se denomina subespacio de V. Se puede
apreciar que un subespacio de V es a su vez un espacio vectorial sobre el mismo cuerpo IF
del espacio vectorial original. Ejemplos de subespacios del espacio vectorial tridimensional
IR3 son por ejemplo todos los planos que pasan por el origen [0, 0, 0]T , si se utilizan las
definiciones convencionales de adicion y multiplicacion.
Los subespacios tienen las siguientes propiedades:
Todo espacio vectorial V tiene dos subespacios: el mismo V y {0}.
La interseccion W1 W2 de dos subespacios vectoriales W1 y W2 del mismo espacio
vectorial V es a su vez un subespacio vectorial.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
133
La union W1 W2 de dos subespacios vectoriales W1 y W2 del mismo espacio

vectorial V no necesariamente es un subespacio vectorial.
El espacio vectorial V se denomina finito si existe un sistema de vectores U = {u1 , u2 , . . . ,
un } V que es conjunto generador del espacio vectorial. Si los vectores generadores ui
son linealmente independientes entonces se dice que U es una base de V. Todo espacio
vectorial finito V 6= {0} posee al menos una base. Si existen varias bases, todas contienen
el mismo n
umero de vectores generadores. Este n
umero de vectores es la dimensi
on
n
del espacio vectorial. A la base del espacio vectorial IF conformada por los vectores
u1 = [1, 0, . . . , 0]T , u2 = [0, 1, . . . , 0]T , . . ., un = [0, 0, . . . , 1]T se le denomina base canonica
del espacio vectorial finito IFn .
4.2
Espacios de Hilbert
Si a la estructura de espacio vectorial se le agrega el concepto de producto interno aparecen

entonces los llamados espacios con producto interno o espacios pre-Hilbert. El concepto
de producto interno (a veces denominado producto escalar1 ) permite introducir conceptos
geometricos como angulos y longitudes vectoriales. Por el momento conviene definir al
producto interno como una funcion h, i : V V IF que satisface los siguientes axiomas:
x V, hx, xi 0. (No negatividad).
x V, hx, xi = 0 si y solo si x = 0. (No degenerabilidad).

x, y V, x, y = y, x . (Simetra conjugada).

a IF, x, y V, x, ay = a x, y ;

x, y, z V, x, y + z = x, y + hx, zi. (Sesquilinearidad).

Notese que si el cuerpo IF corresponde a los n
umeros reales IR entonces la simetra con
jugada corresponde a la simetra simple del producto interno, esto es x, y = y, x .

Combinando la sesquilinearidad con la simetra conjugada se obtiene ademas que

a IF, x, y V, ax, y = a x, y

x, y, z V, x + y, z = hx, zi + y, z
1
N
otese que en este contexto el concepto de producto escalar es diferente a la multiplicacion escalar
utilizada en la definici
on de espacio vectorial. Para evitar confusiones se preferira aqu el uso del termino
producto interno sobre producto escalar .
134
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
4.2 Espacios de Hilbert
Utilizando el producto interno puede definirse la norma de un vector x como

kxk =
p
hx, xi
(4.1)
Esta norma esta correctamente definida si se considera el axioma de no negatividad en la

definicion del producto interno. Usualmente se interpreta esta norma como la longitud
del vector x.
En estos espacios se dice que dos vectores x y y diferentes de 0 son ortogonales si su

producto interno x, y es 0. Ademas, el angulo entre los dos vectores se define indirectamente por medio de la ecuacion

x, y
cos (x, y) =
.
(4.2)
kxkkyk
con lo que se deduce entonces que la magnitud del angulo entre dos vectores ortogonales
es de /2, puesto que el coseno del angulo entre ellos es cero.
Si U = {u1 , u2 , . . . , un } V es una base de V y cualesquiera dos vectores ui y uk (i 6= k)
son ortogonales entre s, se dice que U es una base ortogonal de V. Si ademas se cumple
que la norma de todos los vectores generadores kui k es uno, entonces a U se le denomina
una base ortonormal .
Ejemplo 4.1 Si U es una base ortogonal de V, como se pueden calcular los coeficientes
para representar un vector x V en dicha base? Si U es una base ortogonal de V se
cumple para todo vector x V
n
X
x=
ci ui
(4.3)
i=1
Realizando el producto escalar a ambos lados con un vector generador especfico uk ,

utilizando las propiedades del producto interno descritas anteriormente, y haciendo uso
de la ortogonalidad de los vectores generadores ui se obtiene
+
*
n
n
n
X
X
X
huk , xi = uk ,
ci ui =
huk , ci ui i =
ci huk , ui i = ck huk , uk i
i=1
2
i=1
i=1
= ck kuk k
con lo que se deriva facilmente

ck =
huk , xi
kuk k2
(4.4)
4.1
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
135
Una secuencia de Cauchy es una secuencia cuyos terminos se acercan arbitrariamente

entre s en tanto la secuencia progresa. Un espacio con producto interno se denomina
espacio de Hilbert si es completo con respecto a la norma definida a traves del producto
interno, lo que quiere decir que cualquier secuencia de Cauchy de elementos en el espacio
vectorial converge a un elemento en el mismo espacio, en el sentido de que la norma de
las diferencias entre los elementos de la secuencia tiende a cero. Los espacios de Hilbert
se utilizan en la generalizacion del concepto de ciertas transformaciones lineales como la
transformada de Fourier, y son de crucial importancia en la formulacion matematica de
la mecanica cuantica.
4.3
Ortogonalidad de vectores
Para un n
umero entero positivo n, el espacio euclideano de n dimensiones se define como
el espacio de Hilbert de n-dimensiones sobre IR en el que ademas se define la funcion de
distancia d2 para dos puntos x = [x1 , . . . , xn ]T y y = [y1 , . . . , yn ]T como
v
u n
uX
d2 (x, y) = t (xi yi )2
i=1
El espacio euclidiano representa la generalizacion de los espacios matematicos en dos y

tres dimensiones conocidos y estudiados ya en la antig
uedad por Euclides2 . A la funcion
de distancia d2 , basada en el teorema de Pitagoras, se le conoce como metrica euclidiana.
En el espacio euclidiano se utiliza como producto interno el producto punto, definido como
x, y = x y =
n
X
xi yi .
(4.5)
i=1
Con esto se puede definir la norma euclidiana kxk de un vector x como

v
u n
p
uX
kxk = hx, xi = x x = t
|xi |2 .
i=1
Se puede deducir facilmente que la metrica euclidiana puede reescribirse en terminos de

la norma:
d2 (x, y) = kx yk
(4.6)
Cualquier base para un espacio euclidiano de n dimensiones contiene entonces exactamente
n vectores ortogonales entre s.
2
Euclides fue un matem

atico griego del s. III a. C., quien escribio Elementos, que es la base de la
geometra plana actual.
136
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
4.3 Ortogonalidad de vectores
Ejemplo 4.2 Dado un vector x = [cos(), sen()]T en un espacio euclidiano bidimensional, encuentre otro vector de magnitud 1 ortogonal y demuestre que su producto interno
es cero.
Un vector ortogonal a x = [cos(), sen()]T forma un angulo de 90 con el. La figura 4.1
muestra una solucion grafica: el vector x = [ sen(), cos()]T es perpendicular a x.

cos()
x=
sen()
sen()
cos()
sen()
cos()
Figura 4.1: Construcci

on geometrica para obtener un vector ortogonal.
La misma conclusion puede obtenerse utilizando identidades trigonometricas en la expresion [cos( + 2 ), sen( + 2 )]T .
El producto hx, x i se calcula entonces como

sen()
= cos() sen() + cos() sen() = 0
hx, x i = [cos(), sen()]
cos()
4.2
La figura 4.2 muestra la representacion tradicional de un vector x en un espacio euclidiano

bidimensional. Para la figura en el lado izquierdo se ha utilizado la base ortonormal
canonica U = {u1 , u2 }, con los coeficientes escalares c1 y c2 . El lado derecho muestra
el vector con otra base ortonormal U 0 = {u01 , u02 }. Se puede apreciar que los coeficientes
a01 y a02 de x con la nueva base U 0 son diferentes a los obtenidos con U. Sin embargo,
si se establece claramente una base, las componentes calculadas pueden utilizarse para
representar a cualquier vector x de forma u
nica e inequvoca.
De esta forma, es posible representar los mismos vectores a traves de los coeficientes
generados para una base determinada, como lo muestra la figura 4.3 para las dos bases
en la figura 4.2.
Esta forma de representacion vectorial facilita el manejo de vectores con mas de tres
dimensiones, que son difciles o incluso imposibles de imaginar en un espacio geometrico.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
137
a2
a2
u2
u2
a1
u1
u1
a1

on de un vector euclidiano bidimensional x utilizando dos bases ortonormales diferentes.
ai
ai
a1
a1
a2
a2

on alternativa del vector euclidiano en la figura 4.2 para las bases
ortonormales utilizadas all.
4.4
Ortogonalidad de funciones
La representacion de un vector x a traves de sus componentes para una determinada base

U puede interpretarse como una funcion x : {1, 2, . . . , n} IF que asigna a cada vector
generador ui con ndice i {1, 2, . . . , n} su coeficiente correspondiente con un valor en
el cuerpo IF, es decir, x(i) es una funcion que permite obtener el valor de los coeficientes
para cada componente de la base utilizada. Extendiendo esta idea es incluso posible
representar vectores con un n
umero infinito de dimensiones, utilizando funciones de la
forma x : Z IF. Para un espacio euclidiano el producto interno puede definirse como
x, y =
n2
X
x(i)y(i)
(4.7)
i=n1
138
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
4.5 Series de Fourier
donde n1 y n2 puede ser infinitas (n1 n2 ), expresion que generaliza al producto punto
definido anteriormente en (4.5).
A partir de esta representacion resulta una consecuencia natural eliminar la restriccion
de los ndices de ser n
umeros enteros, y generalizar el concepto de vectores a funciones.
El espacio vectorial se transforma entonces en un espacio funcional , donde todas los
conceptos introducidos anteriormente siguen siendo validos si las propiedades basicas se
mantienen.
Por ejemplo, el producto interno de dos funciones definidas en un intervalo (a, b) se generaliza entonces transformando la sumatoria (4.7) en la siguiente integral
Z b
hx(t), y(t)i =
x(t)y(t) dt
(4.8)
a
con lo que se concluye que dos funciones son ortogonales en el intervalo (a, b) si (4.8) es
cero.
La norma de la funcion se define utilizando la ecuacion (4.8), de igual forma que se hizo
para los vectores con la ecuacion (4.1):
s
Z b
p
kx(t)k = hx(t), x(t)i =
|x(t)|2 dt
(4.9)
a
Con estas definiciones se puede incluso tomar el concepto de angulo entre vectores (ecuacion
(4.2)) y generalizarlo como angulo entre funciones:
cos ((x(t), y(t))) =
hx(t), y(t)i
kx(t)kky(t)k
con lo que se puede afirmar que el angulo entre dos funciones ortogonales es /2.
4.5
4.5.1
Series de Fourier
Series generalizadas de Fourier
Un conjunto (posiblemente) infinito de funciones ortogonales puede entonces servir de

base para un espacio funcional, de la misma manera que vectores ortogonales sirven
de base para espacios vectoriales. Sea U un conjunto de funciones ortogonales U =
{un1 (t), . . . , u0 (t), u1 (t), . . . , un2 (t)}. Este conjunto puede entonces utilizarse como conjunto generador de un espacio funcional para toda funcion
xm (t) =
n2
X
ci ui (t)
(4.10)
i=n1
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
139
donde ci representa los coeficientes escalares de la combinacion lineal de las funciones

generadoras ui (t). Para encontrar estos coeficientes se procede de la misma forma que
para los vectores. A partir de la representacion de la funcion x(t) xm (t) como serie
(ver ecuacion (4.10)), se evalua el producto interno por una funcion generadora particular
uk (t) para obtener
*
huk (t), x(t)i
uk (t),
n2
X
+
ci ui (t)
i=n1
=
=
n2
X
i=n1
n2
X
huk (t), ci ui (t)i

ci huk (t), ui (t)i
i=n1
= ck huk (t), uk (t)i = ck kuk (t)k2

con lo que se deriva
ck =
huk (t), x(t)i

.
kuk (t)k2
(4.11)
Una conclusion importante de (4.11) es que si se utiliza una base ortogonal para la aproximacion de una funcion, el valor optimo para los coeficientes depende tan solo de la funcion
generadora correspondiente al coeficiente a calcular y de la funcion que se desea aproximar. Estos coeficientes no dependen ni del n
umero de funciones en la base funcional, ni
de la forma u otra caracterstica de otras funciones generadoras.
Si la base funcional {uk (t)}, k Z es completa, es decir, si la aproximacion de la funcion
x(t) con la serie infinita converge a la funcion:
x(t) =
ck uk (t)
k=
con las funciones generadoras uk (t) ortogonales y los coeficientes ck calculados con (4.11),
entonces a la expansion en serie se le denomina serie generalizada de Fourier..
4.5.2
Series de Fourier
Un caso especial de funciones ortogonales frecuentemente utilizadas es el conjunto generador

uk (t) = ej0 kt = ej2F0 kt ,
140
c
2005-2006
P. Alvarado
kZ
Uso exclusivo ITCR
4.5 Series de Fourier
Estas funciones tienen como periodo com

un Tp = 1/F0 (comparar con la seccion 1.2.3).
Evaluando el producto interno definido en un periodo
Z
t0 +Tp
hui (t), uk (t)i =
ui (t)uk (t) dt
t0
Z t0 +Tp
ej0 it ej0 kt
dt =
t0
t0 +Tp
t0 +Tp
ej0 it ej0 kt dt
t0
ej0 (ki)t dt
(4.12)
t0
Para el caso k = i se obtiene

Z
hui (t), ui (t)i =
t0 +Tp
j0 0x
Z
dt =
t0 +Tp
1 dt = Tp
(4.13)
y para k 6= i

t0 +Tp
ej0 (ki)t0 ej0 (ki)Tp 1
ej0 (ki)t
=
.
hui (t), uk (t)i =
j0 (k i) t0
j0 (k i)
(4.14)
Considerando finalmente que 0 Tp = 2 se obtiene

ej0 (ki)t0 ej2(ki) 1
=0
hui (t), uk (t)i =
j0 (k i)
con lo que queda demostrada la ortogonalidad de las funciones uk (t) = ej0 kt .
De esta forma es posible aproximar cualquier funcion periodica x(t) = x(t + Tp ) con la
serie
n2
X
x(t) =
ck ej0 kt
(4.15)
k=n1
donde n1 y n2 , conocida como la serie de Fourier.

Si x(t) es una funcion real, puesto que za = za con z C y a IR, y x + y = x + y,
entonces se cumple que
ck
j kt

R t+Tp j kt
e 0 , x(t)
e 0 x(t) dt
huk (t), x(t)i
t
=
=
=
kuk (t)k2
kej0 kt k2
kej0 kt k2
= ck
Ademas, utilizando el hecho de que x + x = 2 Re{x} se puede reescribir (4.15), asumiendo

c
2005-2006
P. Alvarado
Uso exclusivo ITCR
141
que ck = |ck |ejk como

x(t) =
=
ck ej0 kt =
k=
1
X
k=
ck ej0 kt + c0 +
k=1
= c0 +
ck ej0 kt + c0 +
ck ej0 kt = c0 +
2 Re{ck ej0 kt } = c0 +
k=1
= c0 +
ck ej0 kt
k=1
X
k=1
ck ej0 kt + ck ej0 kt
k=1
2|ck | Re{ej(0 kt+k ) }
k=1
2|ck | cos (0 kt + k )
(4.16)
k=1
Existe una tercera representacion de la serie de Fourier para funciones reales x(t), que se
obtiene de (4.16) utilizando la identidad trigonometrica cos(+) = cos cos sen sen :
x(t) = a0 +
(ak cos 0 kt + bk sen 0 kt)
k=1
con a0 = c0 , ak = 2|ck | cos k y bk = 2|ck | sen k

En principio, la descomposicion de una funcion real x(t) en una serie de Fourier brindara
un conjunto de coeficientes ck (o alternativamente ak y bk ) que indican que tan fuerte es
la componente k de frecuencia angular k0 en la funcion original. Esto es, la serie de
Fourier es un primer paso para realizar un analisis en el dominio de la frecuencia, que sera
el tema del siguiente captulo.
Las llamadas condiciones de Dirichlet para la funcion x(t) garantizan la convergencia de
la serie de Fourier en todo punto de x(t) exceptuando en sus discontinuidades, donde la
serie converge al valor medio de la discontinuidad. Estas condiciones son:
1. La funcion x(t) tiene un n
umero finito de discontinuidades en cualquier periodo.
2. La funcion x(t) contiene un n
umero finito de maximos y mnimos en cualquier
periodo.
3. La funcion x(t) es absolutamente integrable en cualquier periodo, esto es:
Z t+Tp
|x(t)| dt <
(4.17)
x=t
Sin embargo, estas condiciones son suficientes, mas no siempre necesarias; es decir, existen
funciones con representaciones validas en series de Fourier que no satisfacen las condiciones
de Dirichlet.
142
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
4.6 Problemas
4.6
Problemas
Problema 4.1. Encuentre tres vectores ortonormales en el espacio euclidiano tridimensional y compruebe que el producto punto entre cualquier par de vectores es cero.
Problema 4.2. Sean ui (t) funciones de variable y valor complejos, ortogonales en el
intervalo [x1 , x2 ]. Si la representacion rectangular de dichas funciones se expresa como
ui (t) = ri (t) + jqi (t) demuestre que se cumple
Z x2
Z x2
ri (t)rk (t) dt =
qi (t)qk (t) dt
x1
x1
Z x2
Z x2
ri (t)qk (t) dt =
qi (t)rk (t) dt
x1
x1
para todo i 6= k.
Problema 4.3.
Utilizando la funcion de error

2
x2
E(c0 , c1 , . . . , cn ) = kx(t) xn (t)k =
|x(t) xn (t)|2 dt
x1
demuestre que para funciones y coeficientes complejos los coeficientes definidos en (4.11)
minimizan la funcion de error. (Sugerencia: Exprese ci en coordenadas rectangulares
como ci = ai + jbi , y utilice los resultados del problema 4.2.)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
143
144
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Captulo 5
An
alisis frecuencial
El captulo 4 derivo la descomposicion de una funcion periodica en componentes sinusoidales (o exponenciales complejos). La importancia de esta descomposicion es que en
sistemas LTI u
nicamente las se
nales sinusoidales y exponenciales complejas conservan su
forma y su frecuencia (son funciones propias). Tan solo magnitud y fase de cada componente son alteradas por estos sistemas.
El analisis frecuencial proporciona entonces mecanismos para la extraccion de esas componentes. El termino espectro se utiliza para referirse al contenido de frecuencias de una
se
nal. En la practica, puesto que no se conoce toda la se
nal en su extension infinita, pasada y futura, debe utilizarse la estimacion espectral , para la que se utilizan instrumentos
y algoritmos denominados analizadores espectrales.
5.1
5.1.1
Espectro de se
nales continuas
Espectro de se
nales continuas peri
odicas
Las se
nales continuas periodicas se analizan, como ya se describio en el captulo anterior,
por medio de la serie de Fourier. Para la sntesis de la se
nal se utiliza
x(t) =
ck ej0 kt
k=
y para el analisis:
1
ck =
Tp
t0 +Tp
x(t)ej0 kt dt
t0
145
5 Analisis frecuencial
Si la se
nal periodica tiene potencia media finita Px entonces
Z t0 +Tp
1
Px =
|x(t)|2 dt
Tp t0
y puesto que |x(t)|2 = x(t)x(t) se cumple que
Z t0 +Tp
1
|x(t)| dt =
x(t)x(t) dt
Tp t0
t0
Z t0 +Tp
X
1
=
ck ej0 kt dt
x(t)
Tp t0
k=
Z t0 +Tp

X
1
j0 kt
ck
dt
x(t)e
=
T
p t0
k=
1
Px =
Tp
t0 +Tp
ck ck =
k=
|ck |2
k=
que se conoce como la relacion de Parseval, e implica que la potencia media de la se

nal
equivale a la suma de las potencias medias de cada uno de sus componentes frecuenciales,
tambien llamados armonicos. A la grafica de |ck |2 para cada frecuencia kF0 (con la
frecuencia fundamental F0 = 0 /2) se le denomina densidad espectral de potencia,
espectro de la densidad de potencia o simplemente espectro de potencia. Si x(t) es real,
puesto que |ck | = |ck | = |ck | entonces la densidad espectral de potencia es una funcion
de simetra par.
Al par de graficas de |ck | vs. kF0 y k = ck vs. kF0 se le denomina espectro de tension.
Puesto que para funciones reales k = ck = ck = k , la fase es impar.
Ejemplo 5.1 La serie de Fourier de un tren periodico de pulsos rectangulares de ancho
en tiempo continuo (figura 5.1a) tiene como coeficientes
ck =
A sen(kF0 )
.
Tp kF0
Analice el efecto del periodo Tp y el ancho del pulso en el espectro de la se

nal.
Soluci
on: La distancia entre dos lneas espectrales correspondientes a ck y ck+1 es F0 =
1/Tp y el termino , ademas de determinar el ancho del pulso temporal, indica que tan
extensa resulta la funcion sen(x)/x. Las figuras 5.1(b) y (c) permiten comparar que si
se modifica el ancho del pulso temporal manteniendo el periodo, la distancia entre cada
linea espectral se mantiene, mientras que el espectro se contrae (si aumenta). Por otro
146
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.1 Espectro de se
nales continuas
lado, si Tp aumenta (o lo que es equivalente, la frecuencia fundamental F0 baja), pero se

mantiene el ancho del pulso , la misma funcion en la frecuencia sen(kF0 )/(kF0 ) es
muestreada mas a menudo (la densidad de lneas espectrales aumenta).
x(t)
ck
Tp
Tp
t
-15
-10
-5
(a)
10
15
(b)
ck
ck
k
-15
-10
-5
10
15
-30
-25
-20
-15
-10
(c)
-5
10
15
20
25
30
(d)
Figura 5.1: Secuencia peri

odica de pulsos rectangulares en tiempo continuo. (a) Representaci
on temporal. (b) Lineas espectro de (a) con = 1 y Tp = 5. (c) Lineas
espectrales de (a) con = 2 y Tp = 5. (d) Lneas espectrales de (a) con = 1 y
Tp = 10.
5.1
5.1.2
Espectro de se
nales continuas aperi
odicas
La distancia entre dos lneas espectrales en el caso de se

nales periodicas es F0 = 1/Tp , lo
que implica que a mayor periodo, las lneas espectrales se acercan (compare por ejemplo
la figura 5.1b con 5.1d). Retomando el calculo de los coeficientes de la serie de Fourier
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
147
utilizando como t0 = Tp /2 se tiene que

1
ck =
Tp
Tp /2
x(t)ej2F0 kt dt .
(5.1)
Tp /2
Dejando crecer el periodo Tp se puede alcanzar una frecuencia F0 arbitrariamente peque

na,
que puede entonces reemplazarse por F0 de tal forma que si Tp (se
nal aperiodica)
entonces F0 se transforma en un diferencial dF y kF0 se convierte en una variable de
valor continuo F . La transformada de Fourier se obtiene con estos conceptos eliminando
el factor T1p y haciendo Tp :
x(t)ej2F t dt
X(F ) =
(5.2)
y esta relacionada directamente por lo tanto con los coeficientes de la serie a traves de
X(F ) = lim Tp ck
Tp
En terminos de la frecuencia angular = 2F esta transformacion equivale a

Z
X() =
x(t)ejt dt
Puede demostrarse ademas [1] que la transformada inversa de Fourier esta dada por:
Z
X(F )ej2F t dF
x(t) =
o con d = 2dF
1
x(t) =
2
X()ejt d .
Si x(t) es una se
nal de extension finita entonces existe una extension periodica xp (t) de
periodo Tp mayor a la extension de x(t), como lo muestra la figura 5.2. En este caso se
pueden comparar las ecuaciones (5.1) y (5.2) y se obtiene que
ck =
1
X(kF0 )
Tp
es decir, la extension periodica de una se

nal aperiodica conduce al muestreo del espectro
de la transformada de Fourier con una tasa F0 .
Las condiciones de Dirichlet para la existencia de la transformada de Fourier son equivalentes a las ya mencionadas en las series de Fourier de se
nales periodicas continuas,
148
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.1 Espectro de se
nales continuas
x(t)
t
(a)
xp (t)
Tp
Tp
(b)
Figura 5.2: Una funci

on finita x(t) y su extension periodica xp (t)
excepto que la se
nal debe ser ahora absolutamente integrable en todo t y no solo en un
periodo:
Z
|x(t)|dt <
lo que se deduce del hecho que

Z
Z

j2F
t
|X(F )| =
x(t)e
dt

|x(t)| ej2F t dt =
|x(t)| dt <
De forma similar a las se

nales periodicas puede demostrarse que
Z
Z
2
Ex =
|x(t)| dt =
|X(F )|2 dF
que es la relacion de Parseval para se

nales aperiodicas de energa finita. La cantidad
2
Sxx (F ) = |X(F )| representa la distribucion de energa de la se
nal en funcion de la
frecuencia, por lo que a Sxx se le denomina densidad espectral de energa.
Para se
nales reales se tiene que |X(F )| = |X(F )| y X(F ) = X(F ) por lo que
Sxx (F ) = Sxx (F ).
Ejemplo 5.2 Calcule la transformada de Fourier de (figura 5.3a)

x(t) =
(
A |t| /2
0
c
2005-2006
P. Alvarado
|t| > /2
Uso exclusivo ITCR
149
Utilizando la ecuacion (5.2) se obtiene (figura 5.3b):

Z
/2
Aej2F t dt =
X(F ) =
/2
x(t)
X(F )
A sen F
F
(a)
(b)
Figura 5.3: Pulso de ancho temporal (a) y su transformada de Fourier (b).

5.2
Notese que mientras x(t) sea mas localizada en el tiempo, es decir, mientras mas peque
no
sea , mucho mas amplio es su espectro puesto que 1/ crece. Este llamado principio
de incertidumbre es general para todas la se
nales, e indica que algo muy localizado en el
tiempo no puede ser localizado con precision en el dominio de la frecuencia, y algo con
frecuencias muy puntuales no tiene una ubicacion especfica en el tiempo.
5.2
Espectro de se
nales en tiempo discreto
En la seccion anterior se presento que el espectro de se

nales continuas abarca frecuencias de
a , donde en el caso de se
nales periodicas solo se encontraran frecuencias discretas
m
ultiplos de F0 = 1/Tp , donde Tp es el periodo fundamental de la se
nal. En captulos
anteriores se demostro que, sin embargo, para se
nales de naturaleza discreta solo existe
unicidad para frecuencias normalizadas en el intervalo ] 1/2; 1/2], o [0; 1[.
5.2.1
Espectro de se
nales discretas peri
odicas
Una se
nal discreta periodica con periodo fundamental N puede tener componentes frecuenciales separadas por = 2/N radianes o f = 1/N ciclos, que se representan por los
150
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.2 Espectro de se
exponenciales complejos armonicamente relacionados:

ej2kn/N ,
k = 0...N 1
Utilizando series de Fourier con estas se

nales se obtiene para la sntesis de una se
nal:
x(n) =
N
1
X
ck ej2kn/N
(5.3)
k=0
y considerando que
N
a=1
an = 1 aN
a 6= 1
n=0
1a
se puede afirmar para las exponenciales complejas
(
N
1
X
N k = 0, N, 2N, . . .
ej2kn/N =
0 en el resto
n=0
N
1
X
tomando a = ej2k/N por lo que aN = 1.

Multiplicando (5.3) por ej2ln/N y sumando de 0 a N 1.
N
1
X
j2ln/N
x(n)e
n=0
N
1 N
1
X
X
ck ej2kn/N ej2ln/N
n=0 k=0
N
1
X
N
1
X
ck
k=0
ej2(kl)n/N
n=0
= N cl
y finalmente
N 1
1 X
cl =
x(n)ej2ln/N ,
N n=0
l = 0, 1, . . . , N 1
Notese que en esta serie de Fourier en tiempo discreto (DTFS, discrete time Fourier
series) el coeficiente ck representa la amplitud y fase de la componente frecuencial sk (n) =
ej2kn/N = ejk n con frecuencia angular normalizada k = 2k/N (o lo que es equivalente
fk = k/N ). Puesto que sk (n) es periodica al ser fk un n
umero racional (sk (n) = sk (n+N )),
entonces los coeficientes ck tambien son periodicos con periodo fundamental N :
ck+N =
N 1
1 X
1
x(n)ej2(k+N )n/N = ej2kn/N = ck
N n=0
N
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
151
Por conveniencia se utiliza para ck normalmente el intervalo k = 0 . . . N 1.

La relacion de Parseval es en este caso
N
1
N 1
X
1 X
2
|x(n)| =
|ck |2
N n=0
k=0
es decir, la potencia media de la se

nal es igual a la suma de las potencias medias de cada
componente en el dominio de la frecuencia.
5.2.2
Espectro de se
nales discretas aperi
odicas
La transformada de Fourier de una se

nal de energa finita en tiempo discreto x(n) se
define como:
X() =
x(n)ejn
n=
Notese que X() = X( + 2k), lo que implica que el rango de frecuencias u

nicas se
limita a [0, 2[, o de forma equivalente a ] , ], que contrasta con el rango [, ] de
las se
nales continuas.
Como la se
nal x(n) es discreta, una sumatoria reemplaza la integral del caso continuo.
Puede demostrarse ademas que
Z
1
X()ejn d .
x(n) =
2
La transformada de Fourier converge si

X
X

|X()| =
x(n)ejn
|x(n)| <
n=
n=
es decir, si la se
nal es absolutamente sumable.
La relacion de Parseval en este caso es:
1
Ex =
|x(n)| =
2
n=
2
|X()|2 dt
Para se
nales reales, el espectro X() tiene magnitud par y fase impar, es decir, se cumple
que X() = X(), por lo que usualmente basta determinar el espectro para [0, ],
pues la contraparte puede generarse por simetra.
152
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.2 Espectro de se
Debe notarse en los cuatro casos anteriores la correspondencia entre periodicidad en un

dominio y la naturaleza discreta de la representacion en el dominio complementario. Es
decir, si la se
nal es periodica, su espectro sera discreto y si el espectro es periodico, es
porque la se
nal es discreta. Si la distancia entre las muestras o la lineas espectrales es
entonces la periodicidad en el otro dominio sera 1/.
periodico discreto
aperiodico continuo
Por ejemplo, una se
nal continua periodica tendra un espectro aperiodico discreto; una
se
nal discreta aperiodica tendra un espectro periodico continuo.
5.2.3
Relaci
on de la transformada de Fourier con la transformada z
La transformada z de la secuencia x(n) se ha definido como

X(z) =
x(n)z n ,
ROC : r2 < |z| < r1
(5.4)
n=
Expresando z como z = rej (r = |z|, = z), entonces (5.4) se puede reescribir como
X(z)|z=rej
X

x(n)rn ejn
=
n=
que equivale a la transformada de Fourier de la secuencia x(n)rn . Para el caso especial

de r = 1 se obtiene
X
X(z)|z=ej = X() =
x(n)ejn
n=
es decir, la transformada de Fourier de x(n) equivale a su transformada z evaluada en

la circunferencia unitaria z = ej . La figura 5.4 muestra como ejemplo la magnitud de
la transformada z de una secuencia x(n) y a la derecha la misma funcion recortada en
|z| = 1. La silueta formada en |z| = 1 corresponde entonces a X().
Si X(z) no converge en |z| = 1 entonces la transformada de Fourier no existe. Por otro
lado, existen funciones con transformada de Fourier, que no tienen transformada z. Por
ejemplo, x(n) = sennc n tiene transformada de Fourier
(
1 || c
X() =
0 c < || <
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
153
|X(z)|
|X(z)|
0
Im{z}
0
Im{z}
0.5
0.5
0
1
0.5
0
1
Re{z}
0.5
1
(a)
Re{z}
(b)
Figura 5.4: Correspondencia entre X() y X(z). (a) |X(z)|. (b) |X(z)| para |z| < 1.
mas no posee transformada z.

Algunas secuencias con polos en |z| = 1 en su transformada z pueden tener una transformada de Fourier si se extiende la definicion de transformada para utilizar impulsos de
Dirac
(
Z
=0
() =
() d = 1
0 6= 0
Ejemplo 5.3 Determine la transformada de Fourier de las se

nales
1. x1 (n) = u(n)
2. x2 (n) = (1)n u(n)
3. x3 (n) = cos(0 n)u(n)
1
z
=
con una ROC |z| > 1, pues
1
1z
z1
se obtiene
1. La transformada de x1 (n) es X1 (z) =

tiene un polo en z = 1. Con z = ej
X1 () =
154
ej
ej/2
1
j
2 ;
=
=
e
ej 1
ej/2 ej/2
2 sen(/2)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
6= 2k, k Z
5.2 Espectro de se
|X1 ()|3.5
6
X1 ()
2.5
1.5
0.5
(a)
(b)
Figura 5.5: Espectros de magnitud y fase para la funcion escalon u(n). (a) Espectro de magnitud. (b) Espectro de fase.
cuya magnitud y fase se muestran en la figura 5.5.

Puesto que solo en = 2k X1 () esta indefinido, se sustituye all la transformada
por (), donde la constante se obtiene de un desarrollo matematico riguroso
que excede el contexto de estas notas.1
z
1
=
con un polo en z = 1 = ej . La transformada de Fourier
1
1+z
z+1
ej/2
es entonces X2 () =
, con 6= 2k + , k Z. Donde se agregan los
2 cos(/2)
impulsos en las frecuencias = y = (figura 5.6).
2. X2 (z) =
1 z 1 cos 0
, ROC |z| > 1 puesto que tiene dos polos complejos
1 2z 1 cos 0 + z 2
conjugados en ej0 . Por lo tanto, la transformada de Fourier es
3. X3 (z) =
1 ej cos 0
X3 () =
(1 ej(0 ) )(1 ej(+0 ) )
con 6= 0 + 2k (figura 5.7).
5.3
El desarrollo parte del hecho que

R jt
e dt = 2().
ejt d = 2(t), o haciendo un cambio de variable
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
155
|X2 ()|3.5
X2 ()
6
2.5
1.5
0.5
(a)
(b)
Figura 5.6: Espectros de magnitud y fase para la funcion (1)n u(n). (a) Espectro de magnitud. (b) Espectro de fase.
3.5
|X3 ()|
6
X3 ()
2.5
1.5
0.5
(a)
(b)
Figura 5.7: Espectros de magnitud y fase para la funcion cos(n/3). (a) Espectro de magnitud.
(b) Espectro de fase.
5.2.4
El teorema del muestreo
En el captulo 1 se reviso el hecho de que la maxima frecuencia normalizada representable

en una se
nal muestreada es fmax = Fmax
= 12 . Puesto que la representacion de Fourier de
Fs
la se
nal discreta es
x(n) X() =
x(n)ejn ,
] , ]
n=
y X() es periodico con periodo fundamental 2, se obtiene que la frecuencia mnima

de muestreo Fs debe ser elegida de tal modo que sea al menos el doble de la frecuencia
156
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.2 Espectro de se
maxima de la se
nal (figura 5.8).
X()
21
1
2
Fs
F2s
Fs
2
Fs
f
F
Figura 5.8: Espectro de se

nal discreta con banda limitada sin aliasing.
De otro modo existira entre las repeticiones periodicas del espectro de la se

nal analogica
un traslape, denominado aliasing. Sea xa (t) la se
nal analogica muestreada periodicamente
cada T segundos para producir la se
nal en tiempo discreto x(n):
< n < .
x(n) = xa (nT ),
Si xa (t) es aperiodica de energa finita, entonces se cumple para su espectro:

Z
j2F t
xa (t)e
Xa (F ) =
Xa (F )ej2F t dF
dt xa (t) =
En el dominio discreto se tiene:
X(f ) =
j2f n
x(n)e
Z
x(n) =
1
2
X(f )ej2f n df
21
n=
Puesto que para la se

nal muestreada se tiene
t = nT =
n
Fs
entonces se cumple que

Z
x(n) = xa (nT ) =
j2nF/Fs
Xa (F )e
1/2
dF =
X(f )ej2f n df
1/2
Considerando que f = F/Fs y df = dF/Fs se obtiene entonces

c
2005-2006
P. Alvarado
Uso exclusivo ITCR
157
1
Fs
Fs /2
j2nF/Fs
X(F/Fs )e
Xa (F )ej2nF/Fs dF
dF =
Fs /2
El lado derecho se puede segmentar en bloques de ancho Fs de la siguiente manera:

Z
Z
X
j2nF/Fs
Xa (F )e
dF =
(k+1/2)Fs
Xa (F )ej2nF/Fs dF
(k1/2)Fs
k=
Con un cambio de variable en la integral F 0 = F kFs , dF 0 = dF , se obtiene un

desplazamiento del k-esimo bloque al intervalo [Fs /2, Fs /2]:
Z
(k+1/2)Fs
j2nF/Fs
Xa (F )e
Fs /2
Xa (F 0 + kFs )ej2n
dF =
F 0 +kFs
Fs
dF 0
Fs /2
(k1/2)Fs
Fs /2
Xa (F + kFs )ej2nF/Fs dF
=
Fs /2
por lo que
1
Fs
Fs /2

X
Fs /2
F
Fs
j2nF/Fs
dF =
Z
X
Xa (F + kFs )ej2nF/Fs dF
Fs /2
k=
Fs /2
Fs /2
"
=
Fs /2
es decir

X
F
Fs

= X(f ) = Fs
#
Xa (F + kFs ) ej2nF/Fs dF
k=
Xa ((f k)Fs )
k=
Notese que el espectro de la se

nal discreta X(f ) es igual a la repeticion periodica con
periodo Fs del espectro escalado Fs Xa (F ).
Si el espectro de la se
nal analogica es de banda limitada, es decir, Xa (F ) = 0 si |F | B,
entonces si se elige Fs mayor a 2B se cumple para el rango de frecuencias u
nicas |F |
Fs /2:

F
= Fs Xa (F ),
|F | Fs /2 .
X
Fs
En este caso no existe aliasing y los espectros de las se
nales continua y discreta son
identicos en el intervalo de frecuencias |F | Fs /2, exceptuando el factor de escala Fs
(figura 5.9).
158
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.2 Espectro de se
xa (t)
Xa (F )
x(n)
(a)
F
Fs
n
T
Fs
(b)
x(n)
Fs =
B
X
F
Fs
Fs
(c)
n
T
1
T
Fs
Figura 5.9: Se
nal anal
ogica de espectro finito y los efectos de diferentes frecuencias de muestreo. (a) Se
nal anal
ogica xa (t) y su espectro. (b) Muestreo con Fs > 2B. (c) Muestreo con Fs < 2B.
Si Fs < 2B entonces el solapamiento espectral impide que la se

nal original pueda ser
recuperada a partir de las muestras. Si no hay solapamiento, entonces

1X F
|F | Fs /2
Fs
Xa (F ) = Fs
0
|F | > Fs /2
y puesto que

X
F
Fs

=
x(n)ej2F n/Fs
n=
y ademas
Z
Fs /2
xa (t) =
Xa (F )ej2F t dF
Fs /2
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
159
se tiene que
1
xa (t) =
Fs
Fs /2
"
Fs /2
#
x(n)ej2F n/Fs ej2F t dF
n=
Z Fs /2
n
1 X
=
x(n)
ej2F (t Fs ) dF
Fs n=
Fs /2
y puesto que
Fs /2

jFs (t Fn )
jFs (t Fn )
)

s
s
s
e
e
e
j2F (t Fn )
s dF =

=
e
Fs /2
j2 t Fns
j2 t Fns
Fs /2

sen Fs t Fns
Fs sen Fs t Fns

=
=
n
n
t Fs
Fs t Fs

n
= Fs sa Fs t
Fs
j2F (t Fn
Fs /2
entonces

n
xa (t) =
x(n) sa Fs t
Fs
n=
=
xa (nT ) sa (Fs [t nT ])
n=
que es la interpolacion de las muestras utilizando el interpolador ideal

sen Tt
g(t) =
Tt
t
= sa
T

.
(5.5)
Notese que g(t) es cero para t = kT , k Z \ 0. En otras palabras, si xa (t) es de

banda limitada B y x(n) = xa (nT ) es muestreada con Fs 2B entonces xa (t) puede ser
reconstruida completamente y de forma u
nica utilizando el interpolador g(t) dado en (5.5).
Debe advertirse, sin embargo, que g(t) tiene extension infinita y no es causal, por lo que en
aplicaciones practicas suele aproximarse con interpoladores finitos. La figura 5.10 muestra
un ejemplo de interpolacion de una secuencia finita de muestras x(n) = {0, 3, 2, 1, 1, 0}.
Se aprecia que la funcion interpolada atraviesa todas las muestras, mientras que para
valores de t no enteros todas las muestras contribuyen al valor interpolado.
160
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.3 Propiedades de la transformada de Fourier de se

nales discretas
x(n), xa (t)
4
n, t
0
-1
-1
-2
Figura 5.10: Ejemplo de iterpolacion ideal para una secuencia de muestras finita.
5.3
Propiedades de la transformada de Fourier de

se
nales discretas
[xoR (n)
+ jxoI (n)]
jxeI (n)]
= [xeR (n) +
x(n)
Simetra: Anteriormente se discutio el hecho de que cualquier se

nal puede representarse
como la suma de una componente par y otra impar. Esto se puede aplicar tanto a la parte
real como a la imaginaria del espectro y de su se
nal. Se puede demostrar que la relacion
entre estas componentes es la siguiente:
X() = [XRe () + jXIe ()] + [jXIo () + XRo ()]

Si x(n) es real, entonces X() = X()
Linealidad: Si x1 (n) X1 () y x2 (n) X2 (), entonces:

a1 x1 (n) + a2 x2 (n) a1 X1 () + a2 X2 ()
Desplazamiento temporal:
x(n) X() x(n k) ejk X()
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
161
Reflexi
on temporal:
x(n) X() x(n) X()
Teorema de la Convoluci
on:
x1 (n) X1 (), x2 (n) X2 ()
x1 (n) x2 (n) X1 ()X2 ()
Teorema de la Correlaci
on:
x1 (n) X1 (), x2 (n) X2 ()
rx1 x2 (n) Sx1 x2 () = X1 ()X2 ()
Si la se
nal es real, puesto que X() = X() entonces:
rxx (n) X()X() = X()X() = |X()|2 = Sxx ()
que se conoce como el teorema de Wiener-Khinchin.
Desplazamiento frecuencial:
x(n) X() ej0 n x(n) X( 0 )
Teorema de modulaci
on:
x(n) X() x(n) cos(0 n)
1
{X( + 0 ) + X( 0 )}
2
Teorema de Parseval:
x1 (n) X1 (), x2 (n) X2 ()
Z
X
1
X1 ()X2 ()d
x1 (n)x2 (n) =
2
n=
Demostracion:
1
2
X1 ()X2 ()d =
1
2
x1 (n)ejn X2 ()d
n=
1
=
x1 (n)
2
n=
X2 ()ejn d
x1 (n)x2 (n)
n=
162
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.4 Sistemas LTI en el dominio de la frecuencia
Para el caso x1 (n) = x2 (n) = x(n) X():

Z
Z
X
1
1
2
2
|X()| d =
Sxx ()d
Ex =
|x(n)| =
2
2
n=
Teorema del enventanado (multiplicaci
on de secuencias):
x1 (n) X1 (), x2 (n) X2 ()
Z
1
x3 (n) = x1 (n)x2 (n) X3 () =
X1 ()X2 ( )d = X1 () X2 ()
2
donde el smbolo a la derecha, denota la convolucion periodica en el dominio de la
frecuencia.
Diferenciaci
on en el dominio de la frecuencia:
x(n) X() nx(n) j
5.4
5.4.1
dX()
d
Sistemas LTI en el dominio de la frecuencia

La funci
on de respuesta en frecuencia
En el captulo 2 se demostro que la respuesta de cualquier sistema LTI en reposo a una

se
nal de entrada x(n), esta determinada por la convolucion con la respuesta impulsional
h(n):
X
y(n) =
h(k)x(n k)
k=
Para analizar este sistema en el dominio de la frecuencia se analiza su respuesta a una

se
nal exponencial compleja x(n) = Aejn . Se obtiene como salida:
"
#
X
X
y(n) =
h(k)Aej(nk) = Aejn
h(k)ejk = AH()ejn
k=
k=
Notese que H() existe si el sistema es estable, puesto que
n=
|h(n)| < .
La respuesta del sistema LTI a una entrada exponencial compleja es entonces otra se
nal
exponencial compleja de la misma frecuencia, pero con una nueva amplitud y fase determinadas por H(). Puesto que H() = |H()|ejH() entonces es claro que la magnitud
cambia de acuerdo a |H()| y la fase de acuerdo a H().
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
163
Puesto que h(n) es discreta, entonces H() h(n) es periodica y se cumple entonces:
1
h(n) =
2
H()ejn d
Ademas, por las propiedades de simetra, si h(n) es real, entonces H() = H(), lo que
implica que |H()| = |H()| (simetra par), H() = H() (impar), Re{H()} =
Re{H()} (par), Im{H()} = Im{H()} (simetra impar).
A H() se le denomina respuesta en frecuencia del sistema. Esta funcion determina la
amplitud y fase para cada se
nal exponencial compleja de entrada. Ademas, puesto que
ejn +ejn
cos(n) =
, entonces la respuesta del sistema LTI con respuesta impulsional
2
h(n) ante la entrada x(n) = A cos(n), sera:

A
H()ejn + H()ejn
2

A
=
|H()| ej(n+H()) + |H()| ej(nH())
2

A
= |H()| ej(n+H()) + ej(n+H())
2
= A|H()| cos(n + H())
y(n) =
Es decir, |H()| determina la atenuacion o amplificacion de la componente frecuencial de

la entrada con frecuencia angular , y por ende se le denomina respuesta en magnitud ,
mientras que H() determina la fase a la salida de la misma componente (respuesta en
fase).
Ejemplo 5.4 Para el sistema descrito por la ecuacion:

y(n) = ay(n 1) + bx(n),
0<a<1
a, b IR
1. Determine H()
2. Elija b de tal modo que |H()| sea a lo sumo 1 y grafique |H()| y H() para
a = 0,9
3. Determine la salida para x(n) = 5 + 12 sen( 2 n) 20 cos n +
164
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1. Puesto que Y (z) = aY (z)z 1 + bX(z)
Y (z)
X(z)
b
1az 1
= H(z) h(n) = ban u(n)
b
1 aej
|b|
|b|
|b|
=
=p
|H()| =
j
|1 ae |
|1 a(cos j sen )|
(1 a cos )2 + (a sen )2
|b|
|b|
=
=
2
2
2
2
1 2a cos + a cos + a sen
1 2a cos + a2

a sen
H() = b arctan
1 a cos
H() =
2. |H()| es maximo si el denominador es mnimo, y esto ocurre, puesto que a [0, 1]

cuando cos es maximo, es decir, cuando = 0:
|H(0)| =
|b|
|b|
|b| = 1 a
=
1a
1 2a + a2
Eligiendo b = 1 a se obtienen las graficas en la figura 5.11.

|H()|
1.2
()
3.14159
0.8
1.5708
0.6
0.4
0.785398
1.5708
2.35619
3.14159
0.2
-1.5708
0
0
1.5708
3.14159
-3.14159
-0.2
(a)
(b)
Figura 5.11: Respuestas de magnitud y fase para el sistema en el ejemplo (5.4).
3. Asumiendo a = 0,9, se requiere H(0), H( 2 ), H()

H(0) = 10

1a
0,1

=
= 0,074
H
=
2
1,81
1 + a2

H
= arctan a = 42
2
1a
0,1
|H()| =
=
= 0,053 H() = 0
1+a
0,9
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
165
entonces

h
i
h
i

20|H()| cos n + + H()
y(n) = 5 + 12 H
sen n + H
2
2
2
4
= 5 + 0,888 sen
n 42 1,06 cos n +
2
4
5.4
5.4.2
Respuesta transitoria y en r
egimen permanente a entradas
sinusoidales
La seccion anterior analizo la respuesta de sistemas LTI a una entrada cosenoidal o exponencial compleja eterna, es decir, aplicadas al sistema en n = . La respuesta
observada es entonces en regimen permanente, y no hay respuesta transitoria.
Todo sistema LTI estable BIBO excitado por una se
nal exponencial compleja en n = 0
u otro tiempo finito, tendra una respuesta transitoria que tiende a cero a medida que n
tiende a infinito.
Ejemplo 5.5 Determine las respuestas transitoria y de estado permanente para:
x(n) = Aejn u(n)
del sistema
y(n) = ay(n 1) + x(n)
En la seccion 2.4.2 se demostro que la respuesta de este sistema con condiciones iniciales
no nulas es:
n
X
ak x(n k), n 0
y(n) = an+1 y(1) +
k=0
jn
Sustituyendo x(n) = Ae
u(n) se obtiene:
y(n) = an+1 y(1) + A

= an+1 y(1) + A
n
X
ak ej(nk)
k=0
"
n
X
#
ak ejk ejn
k=0
1 an+1 ej(n+1) jn
e
1 aej
an+1 ej(n+1) jn
ejn
= an+1 y(1) A
e
+
A
1 aej
1 aej
= an+1 y(1) + A
166
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
El sistema es estable si a < 1, con lo que se obtiene para n la respuesta de estado

permanente (steady state):
yss (n) = lim y(n) =
n
A
ejn
1 aej
La respuesta transitoria esta dada por los otros terminos:

Aej(n+1) jn
n+1
e
ytr (n) = a
y(1)
1 aej

Aej
n+1
=a
y(1)
1 aej
y tiende a cero para n .
5.4.3
5.5
Respuesta en r
egimen permanente a se
nales de entrada
peri
odicas
Sea x(n) una se

nal periodica, con periodo fundamental N , definida en el rango <
n < , por lo que la respuesta de un sistema LTI estable sera la respuesta en regimen
permanente. La se
nal x(n) puede entonces expresarse por medio de una serie de Fourier:
x(n) =
N
1
X
ck ej2k N
k=0
n
j2k N
Puesto que la respuesta a xk (n) = ck e
es:

n
2
yk (n) = ck H
k ej2k N
N
entonces, utilizando la linealidad del sistema se obtiene:

N
1
N
1
X
X
n
n
2
j2k N
y(n) =
ck H
k e
=
dk ej2k N
N
k=0
k=0
k). La respuesta tiene entonces el mismo periodo de la entrada, pero
con dk = ck H( 2
N
otra forma de se
nal debido a los cambios de amplitud y fase aportados por los coeficientes
dk .
5.4.4
Respuesta a se
nales de entrada aperi
odicas
Puesto que la salida de un sistema LTI en tiempo discreto es:

y(n) = h(n) x(n)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
167
se obtiene en el dominio de la frecuencia:

Y () = H()X()
donde se deriva:
|Y ()| = |H()||X()|
Y () = H() + X()
La respuesta en magnitud |H()| indica cuales frecuencias se amplifican y cuales se
aten
uan. Notese ademas que la salida de un sistema LTI no puede tener frecuencias
que no esten presentes en la entrada y en la respuesta en frecuencia; solo sistemas no
lineales o variantes en el tiempo pueden generar nuevas frecuencias.
A pesar de que la salida y(n) se puede obtener de la respuesta en frecuencia:
Z
1
Y ()ejn d
y(n) =
2
no es usual emplear la transformada inversa de Fourier por ser relativamente mas simple
el tratamiento con la transformada z. La relacion entre las densidades espectrales de la
entrada Sxx () y de la salida Syy () se obtiene facilmente con:
Syy () = |Y ()|2 = |H()|2 |X()|2 = |H()|2 Sxx ()
La energa de la salida es entonces:
Z
Z
1
1
Ey =
Syy ()d =
|H()|2 Sxx ()d
2
2
5.4.5
Relaciones entre la funci

on de transferencia y la respuesta
en frecuencia
Si la ROC de la funcion de transferencia contiene a la circunferencia unitaria, entonces:

H() = H(z)|z=ej =
h(n)ejn
n=
Si H(z) es racional, H(z) =
B(z)
,
A(z)
entonces:
PM
QM
j
jk
)
b
e
B()
k
k=1 (1 zk e
k=0
H() =
=
=
b
P
Q
0
N
N
jk
j
A()
1 + k=1 ak e
)
k=1 (1 pk e
con los coeficientes reales {ak } y {bk }, y los ceros {zk } y polos {pk } que pueden ser
complejos. Como h(n) es real, entonces H() = H() y as:

|H()|2 = H()H() = H()H() = H(z)H(z 1 )z=ej = Z {rhh (n)} |z=ej (5.6)
168
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
lo que confirma el teorema de Wiener-Khinchin |H()|2 rhh (n).

Sea D(z) = B(z)B(z 1 ) b(n) b(n) y C(z) = A(z)A(z 1 ) a(n) a(n). Puede
demostrarse que:
N |n|
c(n) =
a(k)a(k + n),
N n N, a(k) = ak
b(k)b(k + n),
M n M, b(k) = bk
k=0
M |n|
d(n) =
X
k=0
P
jk
que corresponden a la autocorrelacion de a(n) y b(n). Puesto que A() = N
k=0 a(k)e
PN
y B() = k=0 b(k)ejk , ck = ck y dk = dk :
P
d0 + 2 M
dk cos k
2
|H()| =
Pk=1
N
c0 + 2 k=1 ck cos k
Pk
donde con cos k = m=0 m (cos )m , entonces |H()|2 es una funcion racional de polinomios de cos .
5.4.6
C
alculo de la respuesta en frecuencia
Para evaluar el efecto de los polos y ceros de la funcion de transferencia en la respuesta

en frecuencia, eval
uese entonces:
QM
QM
j
j
zk )
)
j(N M )
k=1 (e
k=1 (1 zk e
H() = b0 QN
= b0 e
Q
N
j )
j p )
k
k=1 (1 pk e
k=1 (e
y con ej zk = Vk ()ejk () , ej pk = Uk ()ejk () , Vk () = |ej zk |, k () =
(ej zk ), Uk () = |ej pk |, k () = (ej pk ), se obtiene:
|H()| = |b0 |
V1 () . . . VM ()
U1 () . . . UM ()
H() = b0 + (N M ) + 1 () + . . . + M () [1 () + . . . + N ()]
Notese que (ej pk ) puede interpretarse geometricamente como el fasor que va del polo
pk al punto ej que se encuentra en la circunferencia unitaria con el angulo . El mismo
concepto se aplica a los ceros.
La respuesta en frecuencia H() se hara muy peque
na si z = ej pasa cerca de un cero,
o se hara muy grande si pasa cerca de un polo.
Notese que si la magnitud de H() se expresa en decibelios, entonces:
|H()|dB = 20 log10 |b0 | + 20
M
X
log10 Vk () 20
k=1
c
2005-2006
P. Alvarado
N
X
log10 Uk ()
k=1
Uso exclusivo ITCR
169
ej pk
Im{z}
ej
pk
Re{z}

Figura 5.12: Interpretacion geometrica del factor ej pk .
5.5
Sistemas LTI como filtros selectivos en frecuencia
Filtro es un caso particular de sistema que discrimina alg

un atributo de los objetos o
se
nales aplicados a su entrada, y permite o suprime el paso de dichos objetos o se
nales
si y solo si estos presentan ese atributo. As, filtros de aire y aceite permiten que estas
sustancias los atraviesen, evitando que otras impurezas como polvo alcancen su salida;
filtros de luz (por ejemplo, luz infraroja) permiten el paso de solo una parte del espectro
electromagnetico. En las secciones anteriores se presento la propiedad de los sistemas LTI
de filtrar diferentes componentes en frecuencia de su se
nal de entrada, caracterizada por
la respuesta en frecuencia H(). Es por ello que los terminos sistema LTI y filtro se
utilizan con frecuencia como sinonimos.
Eligiendo la posicion de los polos y ceros en la funcion de transferencia se eligen los
coeficientes ak y bk para obtener una determinada forma de la respuesta en frecuencia
H(), que puede considerarse como funcion de ponderacion o conformacion espectral,
pues la salida del sistema es Y () = H()X().
Los sistemas LTI en estas funciones de filtrado selectivo de frecuencias o conformacion
espectral se utilizan de varias maneras: como eliminadores de ruido, conformacion espectral para igualacion de canales de comunicacion, deteccion de se
nales en radar y sonar,
analisis espectral, etc. En esta seccion se revisaran algunos conceptos basicos, que seran
retomados en el captulo 6 con mayor detalle.
5.5.1
Filtros ideales
Como filtro ideal se conoce un sistema LTI con respuesta en frecuencia

jn0
Ce
,
1 < < 2
H() =
0,
en caso contrario
170
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.5 Sistemas LTI como filtros selectivos en frecuencia
es decir, una ganacia constante C en la banda de paso, y cero en la banda eliminada.

Algunos filtros selectivos se muestran en la figura 5.13.
|H()|
|H()|
|H()|
Paso Bajo
Paso Alto
|H()|
Paso Banda
|H()|
Supresor de Banda
Paso Todo
Figura 5.13: Respuesta en magnitud de algunos filtros ideales selectivos en frecuencia.
La respuesta de fase lineal permite que se

nales de entrada con componentes frecuenciales
confinadas en el intervalo [1 , 2 ] sean simplemente escaladas y trasladadas en el
tiempo, pues:
Y () = H()X()
= Cejn0 X()
= CX()ejn0 y(n) = Cx(n n0 )
El retardo no es considerado como una distorsion grave de la se
nal y es usualmente
tolerado, tal y como el escalado en amplitud. En estos filtros la derivada de la fase tiene
unidades de retardo, y a la magnitud
g () =
d()
,
d
() = H()
se le denomina retardo de envolvente o retardo de grupo del filtro. En el caso de los filtros
ideales, puesto que () = n0 , entonces g () = n0 y es constante. En general, g ()
indica el retardo temporal que experimenta la componente de frecuencia cuando pasa
a traves del sistema. Entonces, en los filtros ideales todas las componentes se retrasan.
Los filtros ideales no son realizables. Por ejemplo, la respuesta impulsional del filtro paso
bajo es:
sen(c n)
hlp (n) =
, < n <
n
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
171
que es anticausal, infinita y no es absolutamente sumable, por lo que el sistema es inestable.

Algunos filtros digitales sencillos pueden dise
narse colocando polos y ceros en el plano z,
cerca de la circunferencia unitaria, de tal forma que se obtenga la forma de la respuesta en
magnitud deseada, donde los polos deben estar en el interior de la circunferencia unidad,
y si hay polos o ceros complejos, deben presentarse entonces en pares conjugados.
5.5.2
Filtros paso alto, paso bajo y paso banda
En el dise
no de filtros paso bajo, los polos deben situarse cerca de los puntos de la
circunferencia unidad correspondientes a las bajas frecuencias (cerca de = 0) y los ceros
cerca de los puntos de la circunferencia unidad correspondientes a las altas frecuencias
(cerca de = ). El caso contrario es para filtros paso alto.
Ejemplo 5.6 Dise
ne un filtro paso bajo con |H(0)| = 1 y
1. un solo polo en p1 = 0,9
2. un polo y un cero en p1 = 0,9 y z1 = 1
1. En general, un sistema LTI tiene la forma:
PM
H(z) =
1+
k
k=0 bk z
P
N
k
k=0 ak z
QM
k=1
= b0 Q N
k=1
(1 zk z 1 )
(1 pk z 1 )
Un filtro de primer orden sin ceros tendra la funcion de transferencia

H1 (z) =
b0
b0
b0
=
H1 () =
1
1
1 p1 z
1 0,9z
1 0,9ej
Puesto que |H1 (0)| = 1 =
b0
0,1
b0 = 0,1, H() =
0,1
1,9
= 0,0526.
2. En este caso
H2 () =
b0 (1 z1 z 1 )
1 + z 1
1 + ej
=
b
H
()
=
b
0
2
0
1 p1 z 1
1 0,9z 1
1 0,9ej
y H2 (0) = b0 1+1
= 20b0 b0 =
0,1
1
, H2 ()
20
=0
5.6
172
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
1.2
|H1 ()|
|H2 ()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
Figura 5.14: Respuesta en magnitud de (1) filtro paso bajo de un polo, (2) filtro paso bajo de un
polo y un cero; H1 (z) = (1a)/(1az 1 ), H2 (z) = [(1a)/2][(1+z 1 )/(1az 1 )]
y a = 0,9.
Reflejando los polos y ceros con respecto al eje imaginario, se obtienen filtros paso alto:
H1 () =
b0
,
1 + 0,9ej
H2 () =
b0 (1 ej )
1 + 0,9ej
Para filtros paso banda, se debe escoger un par de polos complejos conjugados cerca de
la circunferencia unidad en la vecindad de la banda de paso.
Ejemplo 5.7 Dise
ne un filtro paso
banda
de segundo
orden con banda de paso en = 2 ,

con |H(0)| = |H()| = 0, H( 4
) = 12 , H( 2 ) = 1.
9
Soluci
on: Los polos deben estar en p1,2 = rej 2 = rj, 0 < r < 1, y los ceros en z1 = 1
y z2 = 1, por lo que:
e2j 1
(z 1)(z + 1)
z2 1
H()
=
b
H(z) = b0
= b0 2
0
(z jr)(z + jr)
z + r2
e2j + r2

1 r2
2 !
2

=
1
b
=
=
1
b
= b0
H
0
0
2
1 r2
1 r2
2

2
8
2

2 2 cos 9
1
H 4 = 1 r
=!
8

4
2
9
2
2
1 + r + 2r cos 9
La solucion resulta en r2 = 0,7 (figura 5.16).
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
173
1.2
|H1 ()|
|H2 ()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
Figura 5.15: Respuesta en magnitud de un filtro paso alto H1 (z) = (1a)/(1+az 1 ), H2 (z) =
[(1 a)/2][(1 z 1 )/(1 + az 1 )] y a = 0,9.
1.2
|H()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
Figura 5.16: Respuesta en magnitud de filtro paso banda; 0,15[(1 z 2 )/(1 + 0,7z 2 )].
5.7
Otra manera de convertir un filtro paso bajos en uno paso altos es aplicar el desplazamiento
174
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
en frecuencia la respuesta H() radianes:

Hhp = Hlp ( )
con Hhp () la respuesta del filtro paso alto (hp: high pass) y Hlp () la respuesta del filtro
paso bajo (lp: low pass). Notese que la respuesta impulsional sera
n
hhp = ej hlp (n) = (1)n hlp (n)
Ahora interesa observar que le ocurre a los coeficientes de la ecuacion de diferencias con
este desplazamiento en frecuencia. Puesto que:
y(n) =
Hlp () =
N
X
ak y(n k) +
k=1
PM
jk
k=0 bk e
P
jk
+ N
k=1 ak e
M
X
bk x(n k)
k=0
Sustituyendo por + se obtiene:

PM
Hhp () =
k
jk
k=0 (1) bk e
P
k
jk
1+ N
k=1 (1) ak e
que equivale a:
y(n) =
N
X
(1) ak y(n k) +
(1)k bk x(n k)
k=0
k=1
5.5.3
M
X
Resonadores digitales
Un resonador digital es un filtro paso banda con un par de polos complejos conjugados,
que determinan con su posicion angular la frecuencia de resonancia del filtro y con un
maximo de dos ceros que se sit
uan en el origen o en z = 1 (figura 5.17).
Para el caso con los ceros en el origen, se obtiene como funcion de transferencia:
H(z) =
(1
b0
j
1
re 0 z )(1
rej0 z 1 )
b0
1 (2r cos 0 )z 1 + r2 z 2
Dado que las bandas de paso se encuentras centradas en 0 o cerca de 0 , b0 se elige de

tal modo que |H(0 )| = 1
H(0 ) =
|H(0 )| =
(1
b0
j
j
re 0 e 0 )(1
b0
(1 r) 1 + r2 2r cos 20
b0
(1 r)(1 rej20 )
p
= 1 b0 = (1 r) 1 + r2 2r cos 20
rej0 ej0 )
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
175
|H()|
r = 0,8
r = 0,95
H()
r = 0,8
r = 0,95
0.8
4
0.6
0
0
r
0.4
0.2
Figura 5.17: Resonadores digitales todo-polos.

b0
U1 ()U2 ()
j1 ()
Si se expresa |H()| como

1
, (1 p2 z 1 ) = (1 rej0 z ) = U2 ()ej2 ()
(1 rej0 z ) = U1 ()e
U1 () =
y () como 2 1 () 2 (), donde (1 p1 z 1 ) =
1 + r2 2r cos( 0 ),
U2 () =
p
1 + r2 2r cos( + 0 )
U1 alcanza su mnimo en = 0 (U1 (0 ) = 1 r) y U2 en = 0 (U1 (0 ) = 1 r).

Sin embargo, su producto U1 ()U2 () alcanza su mnimo en

1 + r2
1
r = cos
cos 0 , lim r = 0
r1
2r
3
2.5
2
r 1.5
1
0.5
0
1
0.8
0.6
2.5
2
0.4
1.5
1
0.2
0
0.5
Figura 5.18: Posici

on de la frecuencia de resonancia con respecto al radio y al angulo de los
polos.
Puede demostrarse que el ancho de banda de 3 dB es aproximadamente = 2(1 r)

para r 1.
176
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Si los ceros se sit

uan en = 0 y = , la funcion de transferencia es:
H(z) = G
(1 z 1 )(1 + z 1 )
(1 z 2 )
=
G
(1 rej0 z 1 )(1 rej0 z 1 )
1 (2r cos 0 )z 1 + r2 z 2
La presencia de ceros cambia la posicion de la frecuencia de resonancia (figura 5.19): es

ahora mas cercana a 0 . Ademas, su ancho de banda es usualmente menor.
|H()|
r = 0,8
r = 0,95
H()
r = 0,8
r = 0,95
0.8
4
0.6
0.4
0.2
Figura 5.19: Resonadores digitales con ceros en = 0 y = .
5.5.4
Filtros ranura
Un filtro ranura o muesca, es un filtro con uno o mas cortes profundos, idealmente ceros
perfectos en su respuesta en frecuencia. Para crear estos en la frecuencia 0 , se introduce
un par de ceros complejos conjugados en la circunferencia unitaria con angulo 0 . Es
decir, z1,2 = ej0 , lo que resulta en:
H(z) = b0 (1 ej0 z 1 )(1 ej0 z 1 ) = b0 (1 2 cos 0 z 1 + z 2 )
El problema de esta configuracion es que el corte tiene un ancho de banda relativamente
grande. Esto puede ser atenuado situando polos complejos conjugados en p1,2 = rej0 ,
que introducen resonancia en la vecindad del cero, y por tanto reducen el ancho de banda
de la banda suprimida. La funcion de transferencia resultante sera:
H(z) = b0
5.5.5
1 2 cos 0 z 1 + z 2
1 2r cos 0 z 1 + r2 z 2
Filtros peine
Un filtro peine puede verse como un filtro ranura en el que los nulos aparecen periodicamente
en toda la banda de frecuencias. Se utilizan por ejemplo en el rechazo de armonicos en
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
177
1.2
|H()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
Figura 5.20: Caracterstica de respuesta en frecuencia de un filtro ranura.

1.2
|H1 ()|
|H2 ()|
0.8
0.6
0.4
0.2
0
-3.14159
-1.5708
1.5708
3.14159
-0.2
Figura 5.21: Caracterstica de respuesta en frecuencia de un filtro ranura con un nulo en = 4 ;

H(z) = G[1 2 cos 0 z 1 + z 2 ].
lneas de potencia y en la separacion de componentes solares y lunares de las medidas

ionosfericas de la concentracion de electrones.
178
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
La forma mas sencilla de filtro peine es el filtro de media movil (FIR):

M
1 X
y(n) =
x(n k)
M + 1 k=0
con funcion de transferencia
M
H(z) =
1 X k 1 z (M +1)
z =
M + 1 k=0
1 z 1
y respuesta de frecuencia
M
M +1
2
ej 2 sen
H() =
M + 1 sen
2k
De H(z) se deduce con 1 z (M +1) = 0 1 = e2k = z M +1 z = e M +1 , k = 1, 2, . . . , M .

Notese que el polo en z = 1 se cancela con el cero en z = 1 (k = 0), por lo que el u
nico
polo esta en z = 0.
|H()|
0
-3
-2
-1
Figura 5.22: Ejemplo de filtro peine FIR con M = 6.
Otra manera de generar filtros peine es a partir de cualquier filtro FIR con al menos un cero
P
k
en cierta frecuencia 0 . Si este filtro tiene funcion de transferencia H(z) = M
k=0 h(k)z
y se reemplaza z por z L , con L Z, L > 0, entonces el nuevo filtro FIR tiene funcion de
transferencia
M
X
HL (z) =
h(k)z kL
k=0
Si la respuesta en frecuencia correspondiante a H(z) es H(), entonces:

HL () =
M
X
h(k)ejkL = H(L)
k=0
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
179
es decir, una repeticion de orden L de H() en el rango 0 , donde H() se

comprime para que todas las repeticiones ocupen dicho intervalo.
Ejemplo 5.8 Dise
ne un filtro peine a partir del filtro FIR
1
y(n) = (x(n) + x(n 1))
2
tal que suprima las frecuencias =
+ k 2 .
replacemen
1
2
x(n)
y(n)
Figura 5.23: Diagrama de bloques del ejemplo (5.8).
La funcion de transferencia es:

H(z) =
1 + z 1
2
y por lo tanto (figura 5.24)

ej 2 (e+j 2 + ej 2 )
1 + ej
=
= ej 2 cos
H() =
2
2
2
|H()|
replacemen
H()
0.8
0.6
0.4
0.2
Figura 5.24: Respuesta en frecuencia de y(n) = (x(n) + x(n 1))/2.
Utilizando L = 4 se obtiene HL () = ej2 cos(2), proveniente de H(z) =

gura 5.25).
1+z 4
2
(fi-
5.8
Notese entonces que si H() tiene un cero en 0 , HL () tendra ceros en

0, 1, 2, . . . , L 1.
180
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
0 +2k
,
L
k =
|H()|
H()
0.8
0.6
0.4
0.2
Figura 5.25: Respuesta en frecuencia de y(n) = (x(n) + x(n 1))/2.
5.5.6
Filtros paso todo
Un filtro paso todo tiene una respuesta en magnitud constante para todas las frecuencias:
|H()| = 1,
El ejemplo mas simple es el registro de desplazamiento:

|H()| = 1
k
jk
H(z) = z H() = e
H() = k
Otro caso esta dado por filtros con funciones de transferencia:
N
H(z) = z
X
A(z 1 )
ak z k , a0 = 1 ,
, con el polinomio A(z) =
A(z)
k=0
es decir,
H(z) =
aN + aN 1 z 1 + . . . + a1 z N +1 + z N
1 + a1 z 1 + . . . + aN z N
con el resultado de (5.6) en la pagina 168,

A(z 1 ) A(z)
|H()|2 = H(z)H(z 1 )z=ej = z N +N
= 1.
A(z) A(z 1 )
Notese que si z0 es un cero, entonces z10 es un polo, lo que quiere decir que si algun polo
o cero esta dentro del crculo unitario, la contraparte estara fuera (figura 5.26).
Este filtro paso todo puede expresarse entonces como:
Hap (z) =
NR
NC
Y
z 1 k Y
(z 1 k )(z 1 k )
1 k z 1 k=1 (1 k z 1 )(1 k z 1 )
k=1
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
181
j
1
p3
1
p1
p3
p1
p2
1
p2
p1
p3
1
p1
1
p3
Figura 5.26: Correspondencia entre polos y ceros de un filtro pasa-todo
donde hay NR polos y ceros reales, y NC polos y ceros complejos conjugados. Si el sistema
es causal y estable, entonces |k < 1| y |k < 1|. Para analizar el comportamiento de la
fase y retardo de grupo puede tomarse uno de los terminos anteriores y con k = rej :
z 1 k
1 k z 1
j()
ej rej
j 1 re
=
e
Hapk () =
1 rej ej
1 rej()
1 r cos( ) jr sen( )
= ej
1 r cos( ) + jr sen( )

r sen( )
ap () = (Hapk (z)) = 2 arctan
1 r cos( )
Hapk (z) =
y con
arctan(x) =
() =
1
1+x2
se obtiene para el retardo de grupo:
ap ()
= +1 + 2
1
1+
r2 sen2 ()
(1r cos())2
r cos( )(1 r cos( )) r sen( )r sen( )

(1 r cos( ))2
(r cos( ) r2 cos2 ( ) r2 sen2 ( ))

1 2r cos( ) + r2 cos2 ( ) + r2 sen2 ( )
(r cos( ) r2 )
= +1 + 2
1 2r cos( ) + r2
= +1 + 2
182
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.6 Sistemas inversos
1 + r2 2r cos( ) + 2r cos( ) 2r2

1 + r2 2r cos( )
1 r2
=
> 0, r < 1, r > 0
1 + r2 2r cos( )
=
Un sistema pasotodo con varios polos y ceros tendra siempre un retardo de grupo positivo,
por estar conformado el retardo total por la suma de terminos como el anterior, que seran
siempre positivos..
Este tipo de filtros se utilizan como igualadores de fase, colocandolos en cascada con
un sistema de respuesta en fase no deseada, de tal modo que se compensa la fase total
del sistema para obtener un comportamiento lineal.
5.5.7
Osciladores digitales
Los osciladores son el caso extremo de un resonador digital, donde los polos complejos
conjugados se encuentran sobre la circunferencia unidad. El sistema de segundo orden:
H(z) =
1 + a1
b0
1
z +
a2 z 2
con a1 = 2r cos 0 , a2 = r2 , tiene polos complejos conjugados en p = rej0 y respuesta

impulsional:
b0 r n
h(n) =
sen((n + 1)0 )u(n)
sen 0
Para el caso r = 1 entonces:
b0 r n
h(n) =
sen((n + 1)0 )u(n) = A sen((n + 1)0 )u(n)
sen 0
con A = senb00 . Es decir, cuando el sistema se alimenta con (n), oscila indefinidamente.
La ecuacion de diferencias:
y(n) = a1 y(n 1) y(n 2) + b0 (n) = 2 cos 0 y(n 1) y(n 2) + A sen 0 (n)
se puede realizar con el sistema mostrado en la figura 5.27.
Notese que el mismo resultado puede obtenerse con entrada cero, pero con y(n 1) = 0
y y(n 2) = A sen 0 .
5.6
Sistemas inversos
Por medio de la convolucion, los sistemas LTI transforman una se

nal x(n) en la salida
y(n). En ciertos casos se desconocen exactamente las caractersticas del sistema y se desea,
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
183
y(n) = A sen(n + 1)0
(A sen 0 )(n)
z 1
a1
a1 = 2 cos 0
z 1
a2 = 1
a2
Figura 5.27: Generador digital de sinusoides.
teniendo y(n), determinar x(n). Esto ocurre por ejemplo cuando se desea contrarrestar
los efectos de distorsion que produce un canal de transmision de datos. Se desea entonces
dise
nar un sistema que en cascada con el sistema original, produzca la se
nal de entrada.
x(n)
y(n)
T
x(n)
T 1
Figura 5.28: Sistema T en cascada con su inverso T 1 .
A este segundo sistema se le denomina sistema inverso y a la operacion que toma y(n) y
produce x(n) se le denomina deconvolucion.
La determinacion del sistema inverso requiere conocimiento sobre la respuesta impulsional
h(n) o la respuesta en frecuencia H(), que se obtienen en un proceso llamado identificacion del sistema. Para esto se alimenta al sistema desconocido con se
nales de entrada
conocidas (por ejemplo, senoidales de frecuencia y amplitud conocidas) y se revisan las
salidas.
5.6.1
Invertibilidad de sistemas LTI
Un sistema es invertible si existe una correspondencia biunvoca entre sus se

nales de
entrada y de salida. Esto quiere decir que si se conoce la salida y(n) para todo n, entonces
se puede inferir la entrada x(n). El sistema inverso se denota con T 1 y se cumple que:
y(n) = T [x(n)],
x(n) = T 1 [y(n)] = T 1 [T [x(n)]]
Para sitemas LTI, as

umase que el sistema T tiene una respuesta impulsional h(n), y hI (n)
184
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
es la respuesta del sistema inverso T 1 . Se debe cumplir entonces que:

h(n) hI (n) = (n) H(z)HI (z) = 1
de donde se obtiene
HI (z) =
1
H(z)
Para un sistema con H(z) racional, si:

H(z) =
B(z)
A(z)
HI (z) =
A(z)
B(z)
entonces
lo que quiere decir que los ceros de H(z) se convierten en los polos de HI (z) y viceversa.
Esto a su vez implica que si H(z) es todo ceros (FIR), entonces HI (z) es todo polos (IIR)
y viceversa.
Ejemplo 5.9 Determine el sistema inverso de h(n) = u(n).
H(z) =
1
1 z 1
HI (z) = 1 z 1 hI (n) = (n) (n 1)

5.9
Ejemplo 5.10 Determine el sistema inverso del sistema con respuesta impulsional
h(n) = (n) (n 1). Con
H(z) = 1 z 1
HI (z) =
1
1 z 1
que tiene dos posibles soluciones

hI (n) = u(n)
hI (n) = u(n 1)
5.10
Otra manera mas algortmica de obtener la respuesta impulsional hI (n) se basa en la

convolucion. Si se asume que h(n) y su inverso son causales, entonces:
h(n) hI (n) =
n
X
h(k)hI (n k) = (n)
(5.7)
k=0
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
185
Para n = 0 se cumple h(0)hI (0) = 1 hI (0) =

n
X
1
,
h(0)
h(k)hI (n k) = h(0)hI (n) +
k=0
y puesto que para n > 0:
n
X
h(k)hI (n k) = 0
k=1
n
X
hI (n) = k=1
h(k)hI (n k)
h(0)
Lo que se puede programar directamente. Si h(0) es cero, entonces debe introducirse un

retardo en (5.7) sustituyendo (n) por (n m), donde para n = m, h(n) 6= 0 y h(n) = 0
si n < m. Este metodo tiene sin embargo el problema de que conforme n crece, el error
numerico acumulado crece.
Ejemplo 5.11 Determine el inverso causal del sistema de respuesta impulsional h(n) =
(n) (n 1). Con h(0) = 1, h(1) = y h(n) = 0 para n 2, entonces:
1
=1
h(0)
h(1)h(0)
=
hI (1) =
h(0)
hI (0) =
hI (2) = (h(1)hI (1) + h(2)hI (0)) = () = 2

hI (3) = (h(1)hI (2) + h(2)hI (1) + h(3)hI (0)) = 3
..
.
hI (n) = n
5.11
5.6.2
Sistemas de fase mnima, fase m

axima y fase mixta
Sean los sistemas

H1 (z) = 1 + 1 z 1
H2 (z) = 2 + z 1
H1 (z) tiene un cero en z = 1 y H2 (z) en z = 12 . Puede demostrarse que si 1 =

= , entonces las respuestas en magnitud |H1 ()| = |H2 ()| son ambas identicas a
2
1 + 2 + 2 cos . Para la fase de H1 () se tiene que:
H1 (z) = 1 + 1 z 1 = z 1 (z + 1 ) H1 () = arg(ej (ej + 1 ))

sen()
H1 () = + arctan
1 + cos
186
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
y para H2 () se tiene que:

H2 (z) = 2 + z 1 = z 1 (2 z + 1) H2 () = arg(ej (2 ej + 1))
!

2 sen()
sen
= + arctan 1
H2 () = + arctan
1 + 2 cos
+ cos
2
El termino arctan
sen()
+cos
se comporta de la siguiente manera:

arctan
sen
+ cos
,
sen2
si 0
si 1
si 1
La figura 5.29 muestra este u

ltimo componente en funcion de y . El lado derecho de
la misma figura presenta la fase Hi (z), que es igual al lado izquierdo menos el aporte
igual a del factor exponencial.
arctan
sen
+cos 0
Hi (z)
3
3
3
3
2
2.5
1.5
2
3
2
2.5
1.5
0.5
(a)
0.5
0
(b)
Figura 5.29: Comportamiento de la fase de Hi (z) = 1 + z 1 .

sen
sen
arctan +cos
.
(b)
Fase
H()
=
+
arctan
+cos
(a) Componente
En las expresiones anteriores el denominador + cos corresponde a la parte real del

segundo factor de la fase (1 + ej o 1 + 2 ej ). Si se asumen ahora frecuencias cercanas
pero menores a = entonces sen /( + cos ) tiende a cero y puesto que para x 0 se
cumple arctan x x entonces para > 1 se cumple que el aporte en fase de este termino
aproximadamente cero. Si la parte real es negativa, es decir, si < 1, entonces el termino
aportara una fase cercana a .
Para un valor constante de con < 1, se observa entonces que la fase inicia con cero en
= , luego oscila cruzando una sola vez cero, para nuevamente alcanzarlo en = .
Por otro lado, si > 1 entonces la fase inicia con un valor de en = y baja
monotonicamente hasta alcanzar en = . Esto quiere decir que el cambio neto de
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
187
fase 1 () 1 (0) para un particular es cero si 1 < 1, mientras que es si 1 > 1. El

primer caso se conoce entonces como sistema de fase mnima y el segundo como sistema
de fase maxima.
Un sistema FIR de longitud M + 1 tiene M ceros y su respuesta en frecuencia se puede
expresar como:
H() = b0 (1 z1 ej )(1 z2 ej ) . . . (1 zM ej )
Si todos los ceros se encuentran dentro de la circunferencia unitaria, el cambio de fase
neto sera entonces tambien de cero entre = 0 y = , por lo que al sistema se le
denomina de fase mnima. Si todos los ceros se encuentran fuera de la circunferencia
unidad, el cambio neto de fase sera H() H(0) = M , y el sistema se denomina de
fase maxima.
Un sistema es entonces de fase mixta si algunos de los ceros estan dentro de la circunferencia unitaria y otros fuera, y si el sistema tiene en total M ceros se cumple que el
cambio de fase neto sera menor a M radianes, entre = 0 y = .
Puesto que la derivada de la funcion de fase representa en cierta medida el retraso de
cada componente frecuencial, un sistema de fase mnima implica una funcion de retardo
mnima, mientras que un sistema de fase maxima implica un retardo maximo.
Un sistema IIR descrito por la funcion de transferencia racional:
H(z) =
B(z)
A(z)
se denomina de fase mnima si todos sus polos y ceros se encuentran dentro de la circunferencia unitaria, lo que implica ademas que el sistema es estable y causal. Si todos los
ceros estan fuera de |z| = 1, entonces el sistema es de fase maxima. Si solo algunos de los
ceros estan fuera de |z| = 1, entonces el sistema es de fase mixta.
A(z)
Puesto que el inverso de H(z) es H 1 (z) = B(z)
, entonces se deduce de lo anterior que
el inverso de un sistema de fase mnima estable es tambien un sistema de fase mnima
estable. En general, la fase mnima de H(z) asegura la estabilidad de su sistema inverso
H 1 (z), y la estabilidad de H(z) asegura la fase mnima de H 1 (z). Los sistemas de fase
mixta o maxima tienen entonces sistemas inversos inestables.
Descomposici
on de sistemas de polos y ceros de fase no mnima
Cualquier sistema de funcion de transferencia racional y de fase no mnima puede descomponerse en la cascada de un sistema de fase mnima y un filtro pasa todos.
H(z) = Hmin (z)Hap (z)
188
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Sea H(z) = B(z)

. El numerador B(z) se puede factorizar como B(z) = B1 (z)B2 (z), donde
A(z)
B1 (z) tiene todas sus races dentro de |z| = 1 y B2 (z) todas sus races fuera. Esto a su
vez implica que B2 (z 1 ) tiene todas sus races dentro de |z| = 1. De esta forma:
Hmin (z) =
B1 (z)B2 (z 1 )
,
A(z)
Hap (z) =
B2 (z)
B2 (z 1 )
Notese que Hap (z) es estable puesto que todos los polos de B2 (z 1 ) se encuentran dentro de
la circunferencia unitaria. Ademas, es un filtro paso todo como los descritos anteriormente,
y es de fase maxima al estar todos sus ceros fuera de la circunferencia unitaria.
Este sistema H(z) de fase no mnima tiene el retardo de grupo
g () = gmin () + gap ()
Puesto que gap () 0 para 0 , entonces se puede concluir que entre todos los
sistemas con igual respuesta en magnitud, el menor retardo de grupo lo tiene el sistema
de fase mnima.
5.6.3
Identificaci
on de sistemas
Supongase que se observa una secuencia de salida y(n) cuando se excita a un sistema
de respuesta desconocida con la entrada x(n). Se desea ahora determinar la respuesta
impulsional del sistema.
Si existen formas cerradas en el dominio z para x(n) y y(n), entonces h(n) se obtiene
facilmente con
Y (z)
h(n) H(z) =
X(z)
Otro metodo trata directamente la convolucion en el dominio del tiempo, asumiendo que
h(n) es causal:
n
X
y(n) =
h(k)x(n k), n 0
k=0
y(0) = h(0)x(0) h(0) =

y(n) =
n1
X
y(0)
x(0)
h(k)x(n k) + h(n)x(0)
k=0
h(n) =
y(n)
Pn1
h(k)x(n k)
,n 1
x(0)
k=0
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
189
Aqu se ha asumido que x(0) 6= 0. El problema se torna numericamente inestable para

n 1.
Un tercer metodo utiliza la correlacion cruzada entrada-salida:
ryx (n) = y(n) x(n) = h(n) x(n) x(n) = h(n) rxx (n) =
h(k)rxx (n k)
k=0
Syx () = H()Sxx () = H()|X()|2

Syx ()
Syx ()
H() =
=
Sxx ()
|X()|2
5.7
Transformada Discreta de Fourier
En las secciones anteriores se observo que se

nales discretas aperiodicas, como se
nales
digitales de audio, se
nales digitales ssmicas, se
nales medicas, etc., tienen un espectro
periodico pero contnuo, que no tiene una representacion directa para ser manejado por
medios digitales. En esta seccion se estudia la transformada discreta de Fourier (DFT,
Discrete Fourier Transform) que representa un mecanismo para el estudio frecuencial por
medios digitales para las mencionadas se
nales.
5.7.1
Muestreo en el dominio de la frecuencia
Toda se
nal aperiodica x(n) de energa finita tiene un espectro contnuo
X() =
x(n)ejn .
n=
Si X() se muestrea periodicamente (figura 5.30) con un espaciado frecuencial = 2

N
solo se necesitaran N muestras puesto que el espectro, por corresponder a una se
nal
discreta, es a su vez periodico con periodo 2. Las muestras en = k = 2
k son
N
entonces

X
2
X
k =
x(n)ej2kn/N
k = 0, 1, . . . , N 1
N
n=
donde descomponiendo la sumatoria en subintervalos de N elementos y haciendo un cam190
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
5.7 Transformada Discreta de Fourier
|X(k )|
x(n)
1
0
-2
-1
|X(k )|
10
0
-6
-5
-4
-3
-2
-1
(a)
-6
-5
-4
-3
-2
(b)
-1
(c)
Figura 5.30: Se
nal discreta aperi
odica, su espectro contnuo, y su espectro muestreado.
bio de variable para trasladar cada subintervalo al origen se modifica en

"
#

+N 1
lNX
N
1
X
X
X
2
x(n lN ) ej2kn/N
x(n)ej2kn/N =
X
k =
N
n=0 l=
l= n=lN
|
{z
}
xp (n)
con k = 0, 1, . . . , N 1.
La se
nal
xp (n) =
x(n lN )
l=
se obtiene repitiendo periodicamente x(n) cada N muestras, y por ser periodica puede
calcularse su serie de Fourier como
xp (n) =
N
1
X
ck ej2kn/N ,
n = 0, 1, . . . , N 1
k=0
con los coeficientes

N 1
1
2
1 X
j2kn/N
ck =
xp (n) e
= X
k
N n=0
N
N
Con esta serie xp (n) puede ser reconstruido del espectro muestreado con

N 1
1 X
2
xp (n) =
X
k ej2kn/N ,
n = 0, 1, . . . , N 1
N k=0
N
La se
nal x(n) puede recuperarse de xp (n) si y solo si no hay aliasing en el dominio del
tiempo , es decir, si la longitud L de x(n) es menor que el periodo N de xp (n) (figura 5.31):
(
xp (n), 0 n N 1
x(n) =
0,
en el resto
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
191
x(n)
n
xp (n), L < N
n
xp (n), L > N
Figura 5.31: Extensi

on peri
odica por muestreo del espectro. a) Se
nal original, b) Extensi
on
con L < N , c) Extensi
on con L > N .
Si no hay aliasing en el tiempo (L < N ) entonces

N 1
1 X
2
x(n) = xp (n) =
X
k ej2kn/N ,
N k=0
N
0nN 1
con espectro
#

N
1
X
1
2
X() =
x(n)ejn =
X
k ej2kn/N ejn
N
N
n=0
n=0
k=0
" N 1
#

N
1
X
2
1 X j ( 2k
n
N )
=
X
k
e
N
N
n=0
k=0

N
1
X
2
2k
=
X
k P
N
N
k=0
N
1
X
192
N
1
X
"
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
donde
N 1
1 X jn
1 1 ejN
P () =
e
=
N n=0
N 1 ej
1 sen(N/2) j(N 1)/2

e
N sen(/2)
(5.8)
es la funcion de interpolacion que sustituye en este caso a sen()/ con una version de
propiedades similares pero periodica (figura 5.32):

(
1 k=0
2
k =
P
N
0 k = 1, 2, . . . , N 1
P ()
1
Figura 5.32: Interpolador ideal P () para espectro muestreado con N = 5.
Ejemplo 5.12 Determine el aliasing de la secuencia x(n) = an u(n), |a| < 1, si el

espectro se muestrea a las frecuencias k = 2k/N .
El espectro es
X() =
an ejn =
n=0
Las muestras estan dadas por X(k ) = X
2
k
N
1
1 aej
1
1aej2k/N
La secuencia periodica xp (n) representada por este espectro discreto es

xp (n) =
X
l=
x(n lN ) =
0
X
nlN
=a
l=
c
2005-2006
P. Alvarado
X
l=0
alN = an
1
,
1 aN
Uso exclusivo ITCR
0nN 1
193
1
1aN
donde la constante
esperar.
5.7.2
representa el aliasing y tiende a cero si N , como es de

5.12
La transformada discreta de Fourier
En la seccion anterior se demostro que el espectro muestreado de una se

nal x(n) de
longitud finita L no representa a x(n) directamente sino a su extension periodica xp (n)
obtenida de
X
xp (n) =
x(n lN )
l=
Si no hay aliasing temporal, entonces xp (n) es simplemente la concatenacion periodica de

x(n) de longitud L , que se expande con ceros para alcanzar la longitud N > L:
xp (n lN ) =
(
x(n) 0 n L 1
LnN 1
Notese que el efecto de rellenar con ceros x(n) produce un muestreo mas detallado de su
espectro X() que tendra N y no L muestras. Para todo N > L las muestras no proveen
mayor informacion que el caso N = L, solo una mejor representacion (figura 5.33).
La transformacion de x(n) hacia su espectro muestreado

X(k) = X
2
k
N

=
L1
X
j2kn/N
x(n)e
n=0
N
1
X
x(n)ej2kn/N ,
k = 0, 1, . . . , N 1
n=0
se conoce como transformada discreta de Fourier DFT y a la reconstruccion de x(n) de

las muestras espectrales
N 1
1 X
x(n) =
X(k)ej2kn/N ,
N k=0
n = 0, 1, . . . , N 1
se le conoce como transformada discreta de Fourier inversa (IDFT).

Estas transformaciones se expresan a menudo como
DFT:
X(k) =
N
1
X
x(n)WNkn
k = 0, 1, . . . , N 1
n=0
N 1
1 X
X(k)WNkn n = 0, 1, . . . , N 1
IDFT: x(n) =
N k=0
194
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
|X()|
1
x(n)
0
-3
-2
-1
|X()|
1
xp (n)
0
-3
-2
-1
|X()|
1
xp (n)
0
-3
-2
-1
Figura 5.33: Efecto de extension de se

nal con ceros y la DFT resultante.
donde WN = ej2/N es una raz N -esima de la unidad. Notese que para cada k, X(k)
se
h puede expresar como eliproducto punto de la entrada x(n) y un vector que consiste en
(N 1)k
, o, si se interpreta X(k) tambien como vector, entonces
1, WNk , WN2k , . . . , WN
X(0)
X(1)
..
.
1
1

= ..
.
X(k) XN =
X(N 1)
...
1
WN
..
.
1 WNN 1
1
WNN 1
..
.
x(0)
x(1)
..
.
(N 1)(N 1)
x(N 1)
WN
o en forma compacta
XN = WN xN
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
195
de donde se deduce
1
xN = WN
XN =
5.7.3
1
WN XN
N
Relaci
on de la DFT con otras transformadas
Series de Fourier
La secuencia xp (n) por ser periodica con periodo N tiene una representacion en series de
Fourier
xp (n) =
ck =
N
1
X
ck ej2nk/N ,
k=0
N
1
X
1
N
< n <
xp (n)ej2nk/N k = 0, 1, . . . , N 1
n=0
Esto es X(k) = N ck .
Transformada de Fourier de secuencias aperi

odicas
Ya se verifico la relacion entre la DFT X(k) como muestras del espectro continuo X()
X(k) = X()|= 2 k
N
que a su vez corresponden con los coeficientes de la DFT de xp (n), la extension periodica
de x(n). Ambas secuencias son identicas para n = 0, 1, . . . , L 1 sin no hay aliasing
temporal, es decir, si x(n) es finita de longitud L y N > L.
Transformada z
Si la transformada z de x(n) incluye la circunferencia unitaria, entonces
X(k) = X(z)|z=ej2nk/N =
x(n)ej2nk/N ,
k = 0, 1, . . . , N 1
n=
que representa al muestreo de la transformada z sobre el crculo unitario con angulos

distribuidos homogeneamente. Sin aliasing temporal se cumple entonces, con x(n) finita
196
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
de longitud N
X(z) =
N
1
X
x(n)z n =
n=0
X(z) =
1
N
N
1
X
"
n=0
N
1
X
X(k)
N
1
X
#
N 1
1 X
X(k)ej2kn/N z n
N k=0
ej2k/N z 1
n
n=0
k=0
N 1
X(k)
1 z N X
N
1 ej2k/N z 1
k=0
que es la reconstruccion de X(z) a partir de la muestras X(k) de la DFT. Evaluando en

la circunferencia unitaria se obtiene para la transformada de Fourier
X() =
N 1
1 ejN X
X(k)
j ( 2k
z 1
N
N )
k=0 1 e
que es otra forma de interpolacion de las muestras X(k) equivalente a la expresada anteriormente con P () (ver ecuacion 5.8 en la pagina 193).
5.7.4
Propiedades de la DFT
Sea x(n) una secuencia de longitud L < N y X(k) su correspondiente DFT de longitud
N . Se cumple que
PN 1
kn
DFT: X(k) =
k = 0, 1, . . . , N 1
n=0 x(n)WN
1 PN 1
IDFT: x(n) =
X(k)WNkn
n = 0, 1, . . . , N 1
N k=0
con WN = ej2/N .
La relacion entre x(n) y su DFT X(k) se denota con
DF T
x(n) X(k)
N
x(n) X(k)
N
Linealidad
Si x1 (n) X1 (k) y x2 (n) X2 (k) entonces
N
a1 x1 (n) + a2 x2 (n) a1 X1 (n) + a2 X2 (n)

N
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
197
Simetra circular
Puesto que la DFT de N puntos de una secuencia finita x(n) de longitud L N es
equivalente a la DFT de N puntos de una secuencia periodica xp (n) de periodo N obtenida
como (figura 5.34)
X
x(n lN )
xp (n) =
l=
x(n)
es equivalente a
3
2
Figura 5.34: Secuencia circular equivalente a x(n).
entonces un desplazamiento de xp (n) k unidades hacia la derecha equivale a un desplazamiento circular (figura 5.35).
xp (n k) x(n k
N
mod N ) x((n k))N
xp (n)
es equivalente a
3
2
Figura 5.35: Secuencia circular equivalente a xp (n 2).
Una secuencia es circularmente par si es simetrica con respecto al punto cero de la circunferencia (figura 5.36):
x(N n) = x(n),
1nN 1
La secuencia es circularmente impar si es antisimetrica con respecto al punto cero (figura 5.37):
x(N n) = x(n),
1nN 1
198
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
-2
-1
Figura 5.36: Simetra circular par
-2
-1
Figura 5.37: Simetra circular impar
La reflexion temporal circular se obtiene con

x((n))N = x(N n),
0nN 1
Utilizando xp (n) en vez de x(n) se tiene

par:
impar:
conjugada par:
conjugada impar:
xp (n) = xp (n) = xp (N n)
xp (n) = xp (n) = xp (N n)
xp (n) = xp (N n)
xp (n) = xp (N n)
La secuencia se puede descomponer en

xp (n) = xpe (n) + xpo (n)
1
xpe (n) = [xp (n) + xp (N n)]
2
1
xpo (n) = [xp (n) xp (N n)]
2
Si x(n) = xR (n) + jxI (n), 0 n N 1, y X(k) = XR (k) + jXI (k) entonces se obtiene
con la definicion de la DFT.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
199
N
1
X

2kn
2kn
XR (k) =
xR (n) cos
+ xI (n) sen
N
N
n=0

N
1
X
2kn
2kn
XI (k) =
xR (n) sen
xI (n) cos
N
N
n=0

N 1
1 X
2kn
2kn
xR (n) =
XR (k) cos
XI (k) sen
N k=0
N
N

N 1
2kn
1 X
2kn
xI (n) =
XR (k) sen
+ XI (k) cos
N k=0
N
N
Si x(n) es real, entonces

X(N k) = X(k) = X(k) |X(N k)| = |X(k)|, X(N k) = X(k)
Si x(n) es real y par entonces x(n) = x(N n), para 0 n N 1, y la DFT se torna
X(k) =
N
1
X

x(n) cos
n=0

2k
n ,0 k N 1
N
que tambien es real y par. Puesto que XI (k) = 0 entonces

N 1
1 X
2kn
x(n) =
X(k) cos
,
N k=0
N
0nN 1
Si x(n) es real e impar entonces

x(n) = x(N n),
0nN 1

2kn
, 0k N 1
X(k) = j
x(n) sen
N
n=0
N
1
X
y puesto que XR (k) = 0 entonces

N 1
j X
2kn
x(n) =
X(k) sen
,
N k=0
N
200
c
2005-2006
P. Alvarado
0nN 1
Uso exclusivo ITCR
Convoluci
on circular
Sean x1 (n) y x2 (n) dos secuencias de duracion finita, ambas de longitud N , y sus respectivas DFT de N puntos
X1 (k) =
X2 (k) =
N
1
X
n=0
N
1
X
x1 (n)ej2nk/N ,
k = 0, 1, . . . , N 1
x2 (n)ej2nk/N ,
k = 0, 1, . . . , N 1
n=0
Si X3 = X1 (k)X2 (k), k = 0, 1, . . . , N 1 entonces

N 1
1 X
X3 (k)ej2km/N
x3 (m) =
N k=0
N 1
1 X
X1 (k)X2 (k)ej2km/N
=
N k=0
#
"
# "N 1
N 1 N 1
X
1 X X
=
x2 (l)ej2kl/N ej2km/N
x1 (n)ej2kn/N
N k=0 n=0
l=0
#
"N 1
N
1
N
1
X
X
1 X
j2k(mnl)/N
e
x2 (l)
=
x1 (n)
N n=0
k=0
l=0
y con a = ej2(mnl)/N en
N
1
X
ak =
k=0
(
N
si a = 1 m n l = pN l = m n pN = ((m n))N
1aN
1a
= 0 si a 6= 1, puesto que aN = 1
por lo que
x3 (m) =
N
1
X
x1 (n)x2 ((m n))N ,
m = 0, 1, . . . , N 1 = x1 (m)
N x2 (m)
n=0
operacion denominada convolucion circular. Notese que esta funcion es para los elementos
x3 (m) con m = 0, 1, . . . , N 1 equivalente a la convolucion de x1 (n) con la extension
periodica con periodo N de x2 (n).
Otras propiedades se resumen en la tabla 5.1.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
201
Tabla 5.1: Propiedades de la DFT

Propiedad
Dominio temporal
Dominio frecuencial
Notacion
Periodicidad
Linealidad
Reflexion temporal
Desplazamiento temporal circular
Desplazamiento frecuencial circular
Conjugacion compleja
Convolucion circular
Correlacion circular
Multiplicacion de dos secuencias
x(n), y(n)
x(n) = x(n + N )
a1 x1 (n) + a2 x2 (n)
x(N n)
x((n l))N
x(n)ej2ln/N
x(n)
x1 (n)
N x2 (n)
x(n)
N y(n)
x1 (n)x2 (n)
N
1
X
x(n)y(n)
X(k), Y (k)
X(k) = X(k + N )
a1 X1 (k) + a2 X2 (k)
X(N k)
X(k) ej2kl/N
X((k l))N
X(N k)
X1 (k)X2 (k)
X(k)Y (k)
1
X (k)
N X2 (k)
N 1
N
1
1 X
X(k)Y (k)
N k=0
Teorema de Parseval
n=0
5.7.5
Filtrado lineal basado en la DFT
La existencia de algoritmos eficientes para extraer la DFT (llamados FFT del ingles Fast
Fourier Transform) hace posible que sea en ocasiones mas eficiente calcular el efecto de
un filtro en el dominio de la frecuencia que directamente en el dominio del tiempo.
Sea la entrada x(n) de longitud L y un filtro FIR con respuesta impulsional h(n) de
longitud M . As
umase ademas que ambas secuencias son causales, es decir
x(n) = 0, n < 0, n L
h(n) = 0, n < 0, n M
La salida del filtro puede calcularse en el dominio del tiempo con la convolucion
y(n) =
M
1
X
h(k)x(n k) = h(n) x(n)
k=0
que por la naturaleza finita de x(n) y h(n) tambien es finita. En el ejemplo 2.13 (pag. 49)
se determino que la salida tendra longitud M + L 1.
En el dominio de la frecuencia la salida es
Y () = X()H()
Si se desea representar y(n) a traves de muestras de Y () se necesitan entonces al menos
N M + L 1 muestras para evitar as el aliasing temporal y se obtiene con la DFT:
Y (k) = Y ()|=2k/N = X()Y ()|=2k/N = X(k)H(k)
202
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
donde X(k) y H(k) representan entonces la DFT de las secuencias x(n) y h(n) que han
sido extendidas con ceros para alcanzar la longitud N .
Notese que la compensacion de longitud de x(n) y y(n) logra que la convolucion circular
sea equivalente a la convolucion lineal.
Ejemplo 5.13 Calcule la respuesta del filtro con respuesta impulsional h(n) =
ante la entrada x(n) = {4, 2, 2, 4}.
1
, 1, 1
4 2 4
La longitud de x(n) es L = 4 y la de h(n) es M = 3, por lo que la salida necesita al menos

L + M 1 = 6 muestras. Se utilizara N = 8 por simplicidad y porque los algoritmos de
FFT usualmente requieren N = 2k muestras, con k IN. As
X(k) =
7
X
x(n)ej2kn/8
n=0
= x(0) + x(1)ej 4 k + x(2)ej 2 k + x(3)ej

= 4(1 + ej
3
k
4
3
k
4
) + 2(ej 4 k + ej 2 k )
con lo que se obtiene

X(0) = 12
X(1) = 4
2 j(2 + 3 2)
X(2) = 2 + j2
X(3) = 4 + 2 + j(2 3 2)
X(4) = 0
X(5) = 4 +
2 j(2 3 2) = X(3)
X(6) = 2 j2 = X(2)
X(7) = 4 2 + j(2 + 3 2) = X(1)

De forma similar
H(k) =
7
X
h(n)ej2kn/8
n=0
= h(0) + h(1)ej 4 k + h(2)ej 2 k

1
1
=
1 + ej 2 k + ej 4 k
4
2
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
203

X(0) = 1
1+ 2
1+ 2
j
= X(7)
X(1) =
4
4
j
X(2) =
= X(6)
2
1 2
1 2
X(3) =
+j
= X(5)
4
4
X(4) = 0
El producto de ambas secuencias es
Y (0) = 12
3+ 2
5+2 2
Y (1) =
j
= Y (7)
2
2
Y (2) = 1 j = Y (6)
23
52 2
Y (3) =
+j
= Y (5)
2
2
Y (4) = 0
Y con la IDFT se obtiene finalmente
y(n) =
7
X
Y (k)ej2kn/8 ,
n = 0, 1, . . . , 7
k=0

5 5 5 5
= 1, , , , , 1, 0, 0
2 2 2 2
5.13
5.7.6
Filtrado de secuencias de larga duraci

on
En aplicaciones reales, la secuencia de entrada puede ser muy larga o incluso de longitud
impredecible, por lo que el tratamiento, tanto por limitantes de espacio de memoria como
por limitaciones en el retardo de la respuesta, debe realizarse separando en bloques esa
se
nal de entrada.
Aqu se analizaran dos metodos que dividen la se
nal de entrada en bloques de longitud L
y aplican por medio de la DFT el filtro h(n) de longitud M en el dominio de la frecuencia.
La salida, de forma equivalente a la aplicacion del filtro al bloque completo de la entrada,
se obtiene por medio de la concatenacion adecuada de cada bloque obtenido para cada
bloque de entrada. Sin perdida de generalidad se asume la longitud de la entrada mucho
mayor que la del filtro (L M ).
204
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
M
etodo de solapamiento y almacenamiento
En el metodo de solapamiento y almacenamiento (overlap-save) la entrada se separa en
bloques de N = L + M 1 muestras donde cada bloque contiene M 1 muestras del
bloque de entrada anterior seguidas por L muestras nuevas. La respuesta impulsional del
filtro se aumenta con L 1 ceros para alcanzar as la longitud N . La longitud de las DFT
e IDFT es entonces N , y la salida para cada bloque se calcula a traves de su producto.
Puesto que el bloque de entrada tiene longitud N y el filtro longitud M , en el tiempo
discreto la salida de la convolucion debera tener N + M 1 muestras (ver ejemplo 2.13),
por lo que es de esperar que las primeras M 1 muestras de la salida esten distorsionadas
por aliasing, por lo que se descartan (figura 5.38). La salida para el m-esimo bloque se
obtiene con
ym (n) Ym (k) = H(k)Xm (k),
N
M 1
x(n)
k = 0, 1, . . . , N 1
0
M 1
x1 (n)
M 1
x2 (n)
M 1
x3 (n)
y(n)
y1 (n)
M 1
M 1
x4 (n)
y2 (n)
M 1
y3 (n)
M 1
y4 (n)
Figura 5.38: Metodo de solapamiento y almacenamiento.
La salida total se obtiene concatenando las u

ltimas L muestras de cada bloque de salida.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
205
M
etodo de solapamiento y suma
En este metodo la DFT se aplica a L muestras de la entrada, a las que se concatenan
M 1 ceros. Los bloques de salida deben entonces traslaparse y sumarse para obtener el
resultado final (figura 5.39).
L
x(n)
x1 (n)
M 1
0
x2 (n)
M 1
0
x3 (n)
y(n)
M 1
0
y1 (n)
+
M 1
0
x4 (n)
y2 (n)
+
y3 (n)
+
y4 (n)
Figura 5.39: Metodo de solapamiento y suma.
5.7.7
An
alisis frecuencial de se
nales usando la DFT
Para calcular el espectro exacto de una se

nal, indiferentemente si esta es continua o
discreta, es necesario contar con informacion de todo instante de tiempo, en el intervalo
t ], [. En aplicaciones reales esto es imposible y se debe utilizar un intervalo finito
de muestras que tendra repercusiones en la medicion espectral.
El procedimiento para el analisis espectral de una se
nal analogica xa (t) involucra primero
limitar el ancho de banda B con un filtro antialias seguido por el muestreo a una tasa
Fs 2B, que asegura que la mayor frecuencia sera Fs /2, equivalente a la frecuencia
normalizada f = 1/2. Ademas, es necesario limitar la longitud temporal de la se
nal a L
206
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
muestras, lo que implica que T0 = LT es la duracion del bloque de se

nal analizado. No
se estudia entonces la se
nal x(n) sino otra obtenida por enventanado
x(n) = x(n)w(n)
con la ventana de longitud L
w(n) =
(
1 0nL1
0 en el resto
Para el caso particular de una componente espectral x(n) = cos(0 n) con espectro X() =
1
[( 0 ) + ( + 0 )] la se
nal enventanada tendra espectro:
2
1
x(n) X()
= [W ( 0 ) + W ( + 0 )]
2
donde W () es el espectro de la ventana que para el caso de la ventana rectangular es
(figura 5.40)

sen L2 j(L1)/2
e
W () =
sen 2
X()
Figura 5.40: Espectro del producto de una se

nal cosenoidal de frecuencia = /2 con una
ventana rectangular de longitud L = 25.
Notese que el espectro no se encuentra localizado en 0 , como la se

nal original, sino que
ha ocurrido un derrame de la potencia de la se
nal a todo el intervalo de frecuencias. Este
derrame impide ademas distinguir lneas espectrales que se encuentren muy cerca. Por
ejemplo, con
x(n) = cos(0 n) + cos(1 n) + cos(2 n)
y 0 = 0,2, 1 = 0,22 y 2 = 0,6 se obtienen las respuestas en magnitud de la
figura 5.41.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
207
|X()|
|X()|
|X()|
(a)
(b)
(c)
Figura 5.41: Respuestas en magnitud para una superposicion de tres se

nales cosenoidales con
(a) L = 25, (b) L = 50 y (c) L = 100.
Los lobulos laterales pueden reducirse utilizando otras ventanas diferentes a las rectangulares, como la de Hanning:
(

2
1
1 cos L1
n 0nL1
2
w(n) =
0
en el resto
a costa del mayor ancho del lobulo central.
208
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Captulo 6
Introducci
on al dise
no de filtros
digitales
6.1
Causalidad y sus implicaciones
Sea h(n) la respuesta impulsional de un filtro paso bajo ideal con respuesta en frecuencia
(
1 || C
H() =
0 C < <
h(n) = C sen(C n)
C n
n=0
en otro caso
que obviamente no es causal y por tanto no realizable. Pero como debe ser H() para
que h(n) sea causal? Esta pregunta la responde el Teorema de Paley-Wiener que afirma:
si h(n) tiene energa finita y es causal (h(n) = 0, n < 0) entonces
Z
| ln |H()| | d <
Si esta ecuacion se cumple para |H()| entonces puede buscarse una respuesta de fase
asociada () tal que H() = |H()|ej() represente una se
nal causal.
Notese que de acuerdo a este teorema la funcion |H()| puede ser cero en frecuencias
puntuales aisladas, pero no en una banda finita, puesto que la integral se hara infinita.
Por lo tanto, ning
un filtro ideal es causal.
209
6 Introducci
on al dise
Puesto que h(n) se puede separar en componentes par e impar:

h(n) = he (n) + ho (n)
1
he (n) = [h(n) + h(n)]
2
1
ho (n) = [h(n) h(n)]
2
Si h(n) es causal entonces se tiene ademas

h(n) =2he (n)u(n) he (0)(n) = 2ho (n)u(n) + h(0)(n)
he (n) =ho (n),
n>0
y si h(n) es absolutamente sumable (estable BIBO) entonces

H() = HR () + jHI ()
y puesto que h(n) es causal y real entonces
he (n) HR ()
ho (n) HI ()
con lo que se deduce que HR () es suficiente para establecer H(). En otras palabras
HR () y HI () son interdependientes y no se pueden especificar libremente para sistemas
causales.
Para establecer la relacion entre las partes real e imaginaria de la respuesta en frecuencia
se plantea utilizando el teorema del enventanado
H() = HR () + jHI () = F {2he (n)u(n) he (0)(n)}
= 2 [HR () U ()] he (0)
Z
1
HR ()U ( ) d he (0)
=

que con
1
1 ej
1
1
= () + j cot ,
2
2
2
u(n) U () = () +
210
c
2005-2006
P. Alvarado
< <
Uso exclusivo ITCR
6.1 Causalidad y sus implicaciones
es equivalente a
1
H() =
1
HR ()( ) d +
{z
} |
1
HR () d
2
{z
}
HR ()
j
HR () cot
2
he (0)

d he (0)
y puesto que

Z
j
HR () cot
d
HR () + jHI () = HR ()
2
2

Z
1
HI () =
d
HR () cot
2
2
denominada Transformada de Hilbert discreta de HR ().
La causalidad ademas tiene otras consecuencias aqu no demostradas, como por ejemplo
que |H()| no puede ser constante en ning
un rango finito de frecuencias y la transicion
de la banda de paso a la banda de rechazo no puede ser infinitamente abrupta. Por estas
razones, las respuestas en magnitud de filtros reales solo pueden ser aproximaciones de
las versiones ideales, tal y como lo muestra la figura 6.1. La frecuencia angular P define
el lmite superior de la banda de paso y as el ancho de banda del filtro. La frecuencia
angular S indica el inicio de la banda de rechazo. El ancho de banda de transicion es
entonces S P . Los rizados de las bandas de paso y rechazo son 1 y 2 respectivamente.
En aplicaciones reales se debe especificar entonces antes de dise
nar el filtro
1. Maximo rizado permitido en la banda de paso 1
2. Maximo rizado permitido en la banda de rechazo 2
3. Frecuencia de corte de la banda de paso P
4. Frecuencia de corte de la banda de rechazo S .
donde las dos u
ltimas se escogen usualmente en terminos de potencia mitad.
El grado en que H() acata las especificaciones depende en parte de los criterios utilizados
para seleccionar {ak } y {bk }, as como del n
umero de polos y ceros utilizados.
Generalmente el dise
no de filtros se concentra en el tipo pasa bajos, para lo que existen
gran variedad de tecnicas. Algunas de ellas se muestran en la figura 6.2 y se ilustran con
mas detalle en [13]. Existen metodos para transformar los filtros pasa bajos a otros tipos
como paso altos o paso banda.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
211
6 Introducci
on al dise
|H()|
Rizado de Banda de Paso
1 + 1
1
1 1
Rizado de Banda de Rechazo

2
Banda de Paso
Banda
de
Transici
on
Banda de Rechazo
Figura 6.1: Respuesta real de filtro pasa bajas.
6.2
Filtros de respuesta de impulso finita
Para un filtro FIR de longitud M la relacion de entrada salida esta dada por la convolucion
y es
M
1
M
1
X
X
y(n) =
bk x(n k) =
h(k)x(n k) = h(n) x(n)
k=0
k=0
y la funcion de transferencia es
H(z) =
M
1
X
h(k)z
k=0
M
1
X
1
z M 1
h(k)z M 1k
k=0
cuyas races son los ceros del filtro. Este filtro tiene fase lineal si su respuesta impulsional
satisface las simetras:
h(n) = h(M 1 n),
212
c
2005-2006
P. Alvarado
n = 0, 1, . . . , M 1
Uso exclusivo ITCR
6.2 Filtros de respuesta de impulso finita
Dise
no de
Filtros Digitales
FIR
IIR
Muestreo
en frecuencia
Ventanas
Optimos
Anal
ogicos
Directos
Aproximaci
on
de derivadas
Aproximaci
on
de Pad`e
Invarianza
impulsional
Mnimos
cuadrados
Transformaci
on
bilineal
Dominio de
frecuencia
Transformada z
adaptada
Figura 6.2: Taxonoma de metodos para el dise

no de filtros.
que para la transformada z de h(n), H(z) implica los siguientes casos.

Para M par
M
2
H(z) = z
(M 1)/2
1
X

h(k) z (M 12k)/2 z (M 12k)/2
k=0
y con z = ej y asumiendo simetra circular par h(n) = h(M 1 n) entonces

M
2
j(M 1)/2
H() = e
1
X
k=0
2

h(k) ej(M 12k)/2 + ej(M 12k)/2
2
M
2
j(M 1)/2
=e
1
X
h(k) cos
k=0

2

(M 1 2k)
= ej(M 1)/2 Hr ()
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
213
6 Introducci
on al dise
donde Hr () es una funcion real por corresponder a una suma ponderada con coeficientes reales h(k) y terminos cosenoidales con argumentos reales. De forma equivalente, para el caso antisimetrico circular h(n) = h(M 1 n):
j M21
H() = e
M
2
1
X
k=0
M21 2
j (
=e

2j
h(k) ej(M 12k)/2 ej(M 12k)/2
2j
M
2
)2
1
X
h(k) sen
k=0
M 1
2
2
= ej (

(M 1 2k)
) H ()
r
Para M impar:
M 3
2
M 1 X
h M 12k
i
M 12k
H(z) = z (M 1)/2 h
+
h(k) z 2 z 2
2
k=0
Con simetra circular par h(n) = h(M 1 n) lo anterior, en el domino de la

frecuencia, conduce a
H() = ej(M 1)/2 h
M 1
2
M 3
2

+2

h(k) cos
k=0
M 1 2k
2
= ej(M 1)/2 Hr ()
y con antisimetra circular h(n) = h(M 1 n), que ademas implica h
M 1
2
= 0:
M 3
j ( M21 2 )
H() = e
2
X
k=0
j ( M21 2 )
=e
M 1 2k
h(k) sen
2
Hr ()
Notese que se cumple ademas

z (M 1) H(z 1 ) = H(z)
lo que implica que si zk es un cero, entonces z k , 1/zk y 1/z k tambien lo son (figura 6.3).
La tabla 6.1 resume las posibilidades brindadas por las diferentes simetras para filtros
FIR de fase lineal.
214
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
j
1
z3
1
z1
z3
z1
z2
1
z2
z1
z3
1
z1
1
z3
Figura 6.3: Posici

on de los ceros en un filtro FIR de fase lineal.
Tabla 6.1: Simetras en filtros FIR de fase lineal

Simetra
Simetrica h(n) = h(M 1 n)
Antisimetrica h(n) = h(M 1 n)
M
2
M par
Hr (0) = 2
1
X
h(k)
Hr (0) = 0
k=0
no apto como filtro paso bajos

M 3

M impar Hr (0) = h
M 1
2

+2
2
X
h(k) Hr (0) = Hr () = 0
k=0
no apto como filtro paso bajos o altos
6.2.1
Dise
no de filtros FIR por el m
etodo de ventanas
Sea Hd () la respuesta en frecuencia deseada, que usualmente sigue la forma de un filtro

ideal. En general, la respuesta impulsional correspondiente hd (n) es infinita y dada por
la transformada inversa de Fourier
Z
1
Hd ()ejn d
hd (n) =
2
El filtro FIR se obtiene truncando hd (n) por medio de una ventana
w(n) =
(
1 n = 0, 1, . . . , M 1
0 en otro caso
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
215
6 Introducci
on al dise
es decir,
h(n) = hd (n)w(n) =
(
hd (n) n = 0, 1, . . . , M 1
0
en otro caso
En el dominio de la frecuencia H() = Hd () W (). Puesto que W () tiene generalmente un lobulo central y lobulos laterales, el efecto de la convolucion es suavizar la
respuesta Hd (). Para reducir el efecto de dichos lobulos laterales se utilizan ventanas
diferentes a la rectangular, caracterizadas por no tener cambios abruptos en el dominio
del tiempo, lo que conduce a lobulos menores en el dominio de la frecuencia. Algunas
ventanas tpicas y sus caractersticas se presentan en la tabla 6.2.
Tabla 6.2: Funciones utilizadas como ventanas.
h(n), 0 n M 1
Ventana
Rectangular
1

2 n M21
Bartlett (triangular)
1
M 1
2n
Hamming
0,54 0,46 cos
M 1

1
2n
Hanning
1 cos
2
M 1
Ancho
lobular
Pico lobulo
lateral [dB]
4/M
13
8/M
27
8/M
32
8/M
43
Ejemplo 6.1 Dise

ne un filtro pasa bajos de longitud M que aproxime
(
ej(M 1)/2 0 || C
Hd () =
0
en el resto
Se obtiene con la transformada inversa de Fourier

Z C
sen C n M21
1
j (n M21 )

e
d =
hd (n) =
2 C
n M21
Para el filtro FIR se toman solo M muestras:

sen C n M21
,
h(n) =
n M21
0nM 1
6.1
El truncamiento de hd (n) conduce a un comportamiento oscilatorio cerca del lmite de

la banda de paso denominado fenomeno de Gibbs. Notese que este metodo no permite
mucho control sobre el valor de los parametros 1 , 2 , S y P resultantes.
216
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Dise
no de filtros FIR de fase lineal por el m
etodo de muestreo de frecuencia
En este metodo se muestrea la respuesta en frecuencia deseada en
ciados
k =
2
(k + )
M
M
2
puntos equiespa-
M 1
M impar
2
M
k = 0, 1, . . . ,
1 M par
2
1
= 0 o
2
k = 0, 1, . . . ,
y se calcula la respuesta impulsional h(n) correspondiente, donde para reducir los lobulos
laterales se utilizan metodos numericos de optimizacion que sit
uan las muestras en la
banda de transicion.
Puesto que

H(k + ) = H
M
1
X
2
(k + ) =
h(n)ej2(k+)n/M ,
M
n=0
k = 0, 1, . . . , M 1
y haciendo uso de la ortogonalidad de la exponencial compleja se cumple ademas

M 1
1 X
h(n) =
H(k + )ej2(k+)n/M ,
M k=0
n = 0, 1, . . . , M 1
Con = 0 estas ecuaciones equivalen a la DFT e IDFT respectivamente. Si h(n) es real,

entonces
H(k + ) = H(M k )

lo que justifica la utilizacion de M2 muestras en vez de M . Utilizando la simetra se
obtiene

2
H(k + ) = Hr
(k + ) ej[/22(k+)(M +1)/2M ]
M
donde = 0 si h(n) es simetrica y = 1 si h(n) es antisimetrica. Con

2
k
G(k + ) = (1) Hr
(k + )
k = 0, 1, . . . , M 1
M
se obtiene
H(k + ) = G(k + )ejk ej[/22(k+)(M +1)/2M ]
Respuesta impulsional h(n) = h(M 1 n)
Simetra circular par
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
217
6 Introducci
on al dise
H(k) = G(k)ejk/M k = 0, 1, . . . , M 1

2k
G(k) = G(M k)
G(k) = (1) Hr M
a = 0:
M 1
b

2 c
1
1
2k
G(0) + 2
h(n) =
n+
G(k) cos
M
M
2
k=1

1
1
=G k+
ej 2 ej(2k+1)/2M
H k+
2
2

1
1
1
G k+
=G M k
a= :
2
2
2
M 1
bX

2 c
2
2
1
1
1
sen
k+
n+
G k+
h(n) =
M k=0
2
M
2
2
Simetra circular impar
H(k) = G(k)ej/2 ejk/M k = 0, 1, . . . , M 1

2k
G(k) = G(M k)
G(k) = (1) Hr M
M 1

X
2k
2 2
1
a = 0:
G(k) sen
h(n) =
n+
M impar
M k=1
M
2
1

2k
1
1
G(k) sen
(1)n+1 G(M/2) 2
n+
h(n) =
M
M
2
k=1
M par

1 j(2k+1)/2M
1
=G k+
e
H k+
2
2

1
2
1
= (1) Hr
k+
G k+
2
M
2
1

a= :
1
1
2
G
k
+
=
G
M
; G(M/2) = 0 para M impar
2
2
1c
bM

1
2
2
1
1
h(n) =
G k+
cos
k+
n+
M k=0
2
M
2
2
218
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Ejemplo 6.2 Dise

ne un filtro de longitud M = 15 con respuesta impulsional h(n)
simetrica y respuesta en frecuencia condicionada a
k = 0, 1, 2, 3

1
2k
Hr
= 0,4 k = 4
15
0
k = 5, 6, 7
Solucion: h(n) es simetrica y en este caso = 0. Con G(k) = (1)k Hr
0, 1, . . . , 7 y las ecuaciones anteriores se obtiene
h(0)
h(1)
h(2)
h(3)
h(4)
h(5)
h(6)
=
=
=
=
=
=
=
h(14)
h(13)
h(12)
h(11)
h(10)
h(9)
h(8)
h(7)
2k
15
, k =
= 0,014112893
= 0,001945309
= 0,04000004
= 0,01223454
= 0,09138802
= 0,1808986
=
0,3133176
=
0,52
6.2
6.2.2
Dise
no de filtros
optimos
El dise
no de filtros se denomina optimo si el error de aproximacion entre la respuesta en
frecuencia deseada y la actual se distribuye equitativamente a lo largo de las bandas de
paso y rechazo.
Dadas las frecuencias de corte para las bandas de paso y rechazo P y S respectivamente,
el filtro debe satisfacer ademas
1 1 Hr () 1 + 1
2 Hr () 2
|| P
|| > S
por lo que 1 representa el rizado de la banda de paso y 2 la atenuacion o rizado en la

banda de rechazo.
Utilizando los filtros simetricos y antisimetricos de fase lineal puede demostrarse que
Hr () = Q()P ()
con Q() y P () dados en la tabla 6.3.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
219
6 Introducci
on al dise
M Impar
M Par
Tabla 6.3: Descomposicion de filtros FIR en P () y Q().

Antisimetrico
h(n) = h(M 1 n)
c(k) cos k
M
1
2
2k
2k

M 1
k ,
2
cos(k)
d(k)
M 3
2
c(k 1) c(k + 1) = 4h

Caso 4
Q() = sen
M
1
2
X
1 d(1)
= 2h
d(0)
2
k=0

M
d
1 = 4h(0)
2

M
d(k
1)
d(k)
=
4h
k ,
2

M
1
2
P () =

2
1
c(0) + c(2) = 2h
2
k=0

M 3
= 2h(0)
c
2

M 5
= 4h(1)
2
(M 3)/2
X
Simetrico
h(n) = h(M 1 n)
k=0
k = 1, 2, . . . , M21
P () =
Caso 1
a(k) cos k
b(k) cos(k)
1k
M
2
2
Caso 3
Q() = sen()
Q() = 1
(M 1)/2
X
M 1
2
M 1
2
( k=0
h
P () =
a(k) =
2h
1
2
X
Caso 2

Q() = cos
2
P () =
k=0

M
b(0)
=
h
1
2

M
b(k)
=
4h
k b(k 1),
2

b M 1 = 4h(0)
2
M 5
2
Uso exclusivo ITCR
c
2005-2006
P. Alvarado
220
El error de aproximacion se define entonces como

E() = W ()[Hdr () Hr ()]
= W ()[Hdr () Q()P ()]

Hdr ()
P ()
= W ()Q()
Q()
donde W () es una funcion de ponderacion de error que usualmente se define como
(
W () =
1
2
en la banda de paso
en la banda de rechazo
y Hdr () la respuesta ideal del filtro deseada que es 1 en la banda de paso y cero en la de
rechazo. Con
() = W ()Q()
W
dr () = Hdr ()
H
Q()
el error se puede reescribir como
h
i
() H
dr () P () .
E() = W
El dise
no del filtro consiste entonces en buscar los parametros {(k)} = {a(k)}, {b(k)}, {c(k)}
o {d(k)} que conducen al menor valor maximo de |E()|.

"
"
##

L

X

dr
(k) cos k
arg min max |E()| = arg min max W () H

{(k)} S
{(k)} S
k=0
donde S representa el conjunto (disjunto) de bandas sobre las que se realiza la optimizacion. Este problema de optimizacion requiere tambien metodos numericos de optimizacion (por ejemplo el algoritmo de intercambio de Remez) basados en el teorema de la
alterternancia, que establece que la funcion de error E() debe exhibir al menos L + 2 frecuencias extremas en S, es decir, deben existir al menos L + 2 frecuencias {i } en S tales
que 1 < 2 < . . . < L+2 , E(i ) = E(i1 ) y |E(i )| = max |E()|, i = 1, 2, . . . , L + 2
S
PL
para que P () =
(k)
cos
k
sea
la
mejor
y
u
nica
aproximacion ponderada de
k=0
Hdr ().
El nombre del teorema se debe a la alternancia de signo entre dos extremos consecutivos.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
221
6 Introducci
on al dise
6.3
Dise
no de filtros de respuesta impulsional infinita
a partir de filtros anal
ogicos
Puesto que el dise

no de filtros analogicos es un campo maduro y bien desarrollado, puede
hacerse uso de sus resultados transformando filtros analogicos, descritos en el dominio de
frecuencia compleja s = + j como
PM
k
B(s)
k=0 k s
Ha (s) =
= PN
(6.1)
k
A(s)
k=0 k s
a filtros digitales utilizando alg
un mapeo adecuado entre las variables s y z. La funcion
de transferencia Ha (s) se relaciona con la respuesta impulsional h(t) a traves de la Transformada de Laplace
Z
h(t)est dt
Ha (s) =
que teniendo una forma racional como en (6.1) esta relacionada con la ecuacion diferencial
N
X
dk y(t) X dk x(t)
k
k
=
dtk
dtk
k=0
k=0
(6.2)
donde x(t) representa la entrada del filtro y y(t) su salida.

Puesto que el sistema descrito por Ha (s) es estable si sus polos se encuentran al lado
izquierdo del eje = 0 entonces el mapeo de s a z debe
1. Transformar s = j en la circunferencia unitaria en el plano z.
2. El semiplano izquierdo (LHP) de s debe corresponder con el interior de la circunferencia unitaria.
En la seccion anterior se menciono que un filtro tiene fase lineal si
H(z) = z N H(z 1 ) .
Con filtros FIR esto se utiliza para ubicar los ceros, pero con filtros IIR esto implica que
cada polo dentro de la circunferencia unitaria en z tiene otro polo correspondiente fuera
de ella, lo que implica que el filtro sera inestable. En otras palabras, si se requiere un
filtro de fase lineal, debe utilizarse un filtro FIR como los tratados en la seccion anterior.
Con filtros IIR usualmente se enfoca el dise
no a la respuesta en magnitud, dejando que
las interrelaciones existentes entre fase y magnitud determinen la fase, seg
un corresponda
con la metodologa de dise
no utilizada.
222
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
6.3 Dise
no de filtros de respuesta impulsional infinita a partir de filtros analogicos
6.3.1
Dise
no por aproximaci
on de derivadas
Si se cuenta con la ecuacion diferencial del filtro (6.2), se pueden aproximar las derivadas
haciendo uso de

dy(t)
y(nT ) y(nT T )
y(n) y(n 1)
=

dt t=nT
T
T
con el intervalo de muestreo T . Transformando al dominio s y z se tiene
s=
1 z 1
.
T
Puede deducirse de forma similar que la k-esima derivada resulta en la relacion

k

1 z 1
k
s =
T
por lo que la aproximacion para el filtro IIR digital es
H(z) = Ha (s)|s= 1z1
T
La equivalencia entre s y z se puede derivar de

z=
1
1 sT
mapeo que se ilustra en la figura 6.4.

Im{z} 2
Re{z}
0
-2
-1
-1
-2
Figura 6.4: Mapeo entre el plano s y el plano z para la aproximacion de derivadas.
Notese que los polos del filtro digital solo se ubicaran en frecuencias peque
nas, lo que
restringe la utilidad de este metodo a solo filtros paso bajo y paso banda con frecuencias
resonantes relativamente bajas.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
223
6 Introducci
on al dise
6.3.2
Dise
no por invarianza impulsional
Este metodo consiste en buscar una respuesta impulsional del filtro digital que corresponda
a la respuesta impulsional muestreada del filtro analogico:
h(n) = h(t)|t=nT ,
n = 0, 1, . . .
En captulos anteriores se analizo el hecho de que el muestreo en el tiempo conduce a una

extension periodica que consiste en la superposicion del espectro analogico desplazado por
m
ultiplos de la frecuencia de muestreo Fs = 1/T .
X
H() = Fs
Ha (Fs 2Fs k)
k=
El aliasing que ocurre a altas frecuencias hace este metodo inapropiado para el dise
no de
filtros paso alto.
En este caso puede demostrarse que la equivalencia entre los dos dominios es z = esT =
e+j T = eT ejT = rej con r = eT y = T , lo que implica que el semiplano izquierdo
(LHP) corresponde al interior de la circunferencia unitaria (r < 1). Notese que todos los
intervalos de frecuencia (2k 1) T (2k + 1) T se proyectan en la circunferencia, lo
que hace de esta correspondencia una relacion inyectiva que proviene del efecto de aliasing
debido al muestreo (ver seccion 1.2.2).
3
Im{z}
Re{z}
0
-3
-2
-1
-1
-2
-3
Figura 6.5: Mapeo entre el plano s y el plano z para la invarianza impulsional.
Puede demostrarse que el filtro analogico

Ha (s) =
M
X
k=1
X
ck
ck
equivale a H(z) =
s pk
1 epk T z 1
k=1
y aunque los polos siguen la relacion zk = epk T , esto no se satisface para los ceros.
224
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
6.4 Transformacion de Frecuencia
6.3.3
La transformada z adaptada
De forma similar al dise

no por invarianza impulsional, se utiliza aqu el mapeo z = esT ,
pero tanto para polos como para ceros. As, transformacion z adaptada se le denomina a
la equivalencia entre (s a) y (1 eaT z 1 ). De esta forma
M
Y
H(s) =
k=1
N
Y
M
Y
(s zk )
es equivalente a H(z) =
(s pk )
k=1
k=1
N
Y
1 ezk T z 1
1 epk T z 1
k=1
Con este metodo debe seleccionarse T lo suficientemente peque

no para evitar el aliasing.
6.3.4
Dise
no por transformaci
on bilineal
En este metodo se utiliza la relacion

2
s=
T
1 z 1
1 + z 1
denominada relacion bilineal y derivada de la formula trapezoidal para integracion numerica.

Este metodo es apto para transformar filtros paso alto y paso banda por tener una representacion biyectiva entre y . Con
z=
Ts + 2
Ts 2
se obtiene el mapeo mostrado en la figura 6.6.
6.3.5
Filtros Anal
ogicos
Estas transformaciones pueden aplicarse para derivar filtros digitales, por ejemplo, filtros
Butterworth, filtros Chebyshev (tipos I y II), filtros elpticos y filtros Bessel (tabla 6.4).
6.4
Transformaci
on de Frecuencia
Hay dos maneras de obtener un filtro digital paso bajo, paso alto, paso banda o supresor
de banda a partir de un filtro paso bajo analogico:
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
225
6 Introducci
on al dise
Tabla 6.4: Caractersticas de Filtros Paso Bajo Analogicos

Filtro
Funcion de Transferencia
Butterworth
(todo-polos)
|H()|2 =
1
1 + (/C )2N
|H()| monotona en las bandas de paso

y rechazo.
C : frecuencia de corte
1
|H()|2 =
1 + 2 TN2
Chebyshev,
Tipo I (todopolos)
Caractersticas

Rizado constante en la banda de paso y
caracterstica monotona en la banda de
rechazo.
TN : polinomio de Chebyshev
T0 (x) = 1
T1 (x) = x
TN +1 (x) = 2xTN (x) TN 1 (x)
Chebyshev,
Tipo II (polos
y ceros)
Elptico
o
Cauer (polos y
ceros)
|H()|2 =

1 + 2
S
P
2 S
TN
2
TN
Rizado constante en la banda de rechazo y caracterstica monotona en la

banda de paso.
TN : polinomio de Chebyshev
1
|H()|2 =
1 + 2 UN
UN : funcion elptica Jacobiana
Rizado constante tanto en la banda de

paso como en la de rechazo.
de orden N
H(s) =
Bessel
polos)
(todo-
1
BN (s)
BN (s): funciones de Bessel

B0 (s) = 1
B1 (s) = s + 1
Respuesta de fase lineal en la banda

de paso (aunque se destruye en la conversion a digital).
BN (s) = (2N 1)BN 1 (s) + s2 BN 2 (s)
226
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
6.4 Transformacion de Frecuencia
Im{z} 2
Re{z}
0
-2
-1
-1
-2
Figura 6.6: Mapeo bilineal entre el plano s y el plano z.
1. Transformar en el dominio analogico al filtro deseado, y luego usar uno de los mapeos
de s a z presentados anteriormente para transformarlo al dominio digital.
2. Transformar el filtro paso bajo a un equivalente paso bajo digital, para luego hacer
la transformacion al filtro deseado en el dominido digital.
Para el primer caso se utilizan las transformaciones mostradas en la tabla 6.5. Para el
segundo se presentan las modificaciones en la tabla 6.6.
Tabla 6.5: Transformaciones de frecuencia para filtros analogicos.
Tipo de filtro
deseado
Transformacion
P
s
0P
P 0P
Paso alto
s
s 2
s + l u
Paso banda
s P
s(u l )
s(u l )
Supresor de banda s P 2
s + l u
s
Paso bajo
P :
l :
u :
Nuevas
frecuencias
de corte
0P
0P
u , l
u , l
frecuencia de corte del prototipo

frecuencia de corte inferior
frecuencia de corte superior
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
227
6 Introducci
on al dise
Tabla 6.6: Transformaciones de frecuencia para filtros digitales.

Tipo de filtro
deseado
Paso bajo
Paso alto
Transformacion
z 1
z 1 a
1 az 1
z 1
z 1 + a
1 + az 1
2
Paso banda
z 1
Constantes
0
P P
2
P + 0
P
sen
2
0
P +P
cos
2
sen
a=
a=
cos
P 0
P
2
cos(
u l
2
u l
z a1 z + a2
a2 z 2 a1 z 1 + 1
u , l
tan 2P
1
a1 = 2 K+1
a2 =
=
u , l
1K
1+K
+
cos( u 2 l )
cos(
u l
2
u l
K = tan
228
P0
de banda
P :
l :
u :
K1
K+1
+
cos( u 2 l )
K = cot
z 1
K
a1 = 2 K+1
a2 =
Supresor
P0
z a1 z + a2
a2 z 2 a1 z 1 + 1
Nuevas
frecuencias
de corte
tan 2P
frecuencia de corte normalizada del prototipo

frecuencia de corte normalizada inferior
frecuencia de corte normalizada superior
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Bibliografa
[1] P. Alvarado. Modelos de sistemas. Notas de clase, 2005. URL http://www.ie.itcr.
ac.cr/palvarado/Modelos/modelos.pdf. 90, 106, 131, 148
[2] C. S. Burrus, J. H. McClellan, A. V. Oppenheim, T. W. Parks, R. W. Schafer,
and H. W. Schuessler. Ejercicios de Tratamiento de la Se
nal. Un enfoque practico.
Prentice Hall, 1998.
[3] H. F. Davis. Fourier series and orthogonal functions. Dover Publications, Inc., 1963.
[4] John W. Eaton. Octave [online]. 1998 [visitado el 20 de abril de 2006]. URL
http://www.octave.org. 28, 231
[5] John W. Eaton. Octave repository [online]. 1998 [visitado el 20 de abril de 2006].
URL http://octave.sourceforge.net/afunclist.html. 231
[6] S. Haykin and B. van Veen. Se
nales y sistemas. Limusa Wiley, 2001.
[7] G. James. Matematicas Avanzadas para Ingeniera. Prentice Hall, 2da edition, 2002.
[8] E. Kreyszig. Matematicas Avanzadas para Ingeniera, volume I. Limusa Wiley, 3ra
edition, 2000.
[9] E. Kreyszig. Matematicas Avanzadas para Ingeniera, volume II. Limusa Wiley, 3ra
edition, 2000.
[10] D. Lindner. Introduccion a las se
nales y los sistemas. McGraw Hill, 2002.
[11] MathWorks. Matlab [online]. 1994 [visitado el 20 de abril de 2006]. URL http:
//www.matlab.com. 28, 231
[12] A. Oppenheim, A. Willsky, and S. H. Nawab. Se
nales y Sistemas. Prentice Hall, 2da
edition, 1998.
[13] J. G. Proakis and D. G. Manolakis. Tratamiento Digital de Se
nales. Prentice Hall,
1998. 3, 4, 5, 10, 13, 88, 211, 233
229
Bibliografa
[14] M. J. Roberts. Se
nales y Sistemas. Analisis mediante metodos de transformada y
MatLab. McGraw Hill, 2005.
[15] G. E. Shilov. Elementary Real and Complex Analysis. Dover Publications, Inc.,
1973.
[16] E. Soria Olivas, M. Martnez Sober, J. V. Frances Villora, and G. Camps Valls. Tratamiento Digital de Se
nales. Problemas y ejercicios resueltos. Prentice Hall, Madrid,
2003. 1, 233
[17] F. G. Stremler. Introduccion a los sistemas de comunicacion. Addison Wesley Longman, 1993.
[18] Wikimedia. Wikipedia [online]. Diciembre 2005 [visitado el 20 de abril de 2006].
URL http://en.wikipedia.org/wiki. 3, 131
230
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Ap
endice A
Octave y Matlab
MatLab[11] y Octave[4] son programas utilizados en procesamiento numerico de datos,
dentro de lo cual figura el area de procesamiento digital de se
nales. Este apendice es
una brevsima introduccion a la utilizacion del interprete de ambos sistemas. Muchas de
las funciones disponibles para MatLab deben ser instaladas por aparte para el Octave, y
pueden ser encontradas en la base de datos del grupo que lo desarrolla [5].
La representacion grafica de se
nales de variable discreta en MatLab se realiza con la
funcion stem. Por ejemplo:
nn = 0:30;
% genere un vector de 31 elementos: 0, 1, 2 .. 30
sinus = sin(nn/2+1); % para cada x en nn genere sin(x/2+1)
stem(nn,sinus);
% muestre valores en sinus para las muestras nn
El punto y coma ; le indica al MatLab que no debe mostrar el resultado de la operacion.
Si es omitido, el resultado se mostrara directamente.
Con los comandos hold y hold off se puede controlar si se debe graficar sobre la misma
imagen o no.
La funcion zeros(m,n) genera una matriz de m filas por n columnas. As que para generar
un impulso puede utilizarse
imp=zeros(20,1);
imp(5)=1;
Dependera de los ndices generados para esta secuencia el n
umero de muestra para el
impulso. Por ejemplo, con nn=-5:14 el retardo del impulso es -1 pero con nn=0:19 el
retardo sera 4.
231
A Octave y Matlab
Para generar se
nales periodicas puede utilizarse el siguiente concepto:
x = [0;1;1;0;0;0] * ones(1,8);
x = x(:);
Lo que ocurre en la primera lnea es generar una matriz con ocho filas todas identicas
al vector dado antes del smbolo . La segunda lnea convierte la matriz a un vector
concatenando todas las filas, lo que equivale una se
nal periodica con N = 6 periodos.
232
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Ap
endice B
Respuestas a Problemas
A continuacion se presentan los esbozos de las soluciones a los problemas planteados en
los diferentes captulos. Estos problemas tienen como objetivo ayudar en preparacion
del estudiante para las pruebas parciales y final del curso. El estudiante debe solucionar
los problemas por su cuenta antes de comparar sus respuestas con las versiones aqu
presentadas. De otra forma no se asegurara el aprendizaje.
Problemas adicionales encontrara el estudiante en abundancia en [16, 13].
Problema 1.1. El estudiante debe buscar ejemplos que el conoce: se
nales de voz, se
nales
de video, sismos, se
nales utilizadas en medicina, etc.
Problema 1.2.
233
Variables (D/C)
Valores (D/C)
Estadstica (D/A)
Imagen tomada por una camara digital a color

Registro mensual de la posicion de
una bandada de aves migratorias
Se
nales de salida de un microfono estereo
Se
nal digital
Se
nal analogica
Dimension (E/V)
Caracterstica
N
um. Variables (U/M)
Se
nal
U
U
V
V
D
C
D
C
C
C
D
C
Problema 1.4. Notese primero que el valor de M no afecta el periodo fundamental de

la se
nal, puesto que M y N son n
umeros primos relativos.
Las se
nales armonicamente relacionadas estan dadas por
M
sk (n) = ej (2( N k)n)

Determnese la se
nal armonicamente relacionada sk+ (n):
M
sk+ (n) = ej (2( N (k+))n)

M
Mk
= ej (2( N + N )n)
= ej (2(
Mk
N
)n) ej (2( MN )n)
El segundo termino del producto es igual a 1 cuando M /N Z, lo cual, bajo la restriccion de que M y N son primos relativos, es posible si y solo si es un m
ultiplo de
N . En otras palabras la frecuencia (k + iN )0 , con i Z es un alias de k0 . As que
solo valores de < N generan frecuencias unvocas, pues con N es posible encontrar
siempre un < N que da paso a una se
nal equivalente.
Problema 1.5. El estudiante debe buscar las diferentes tecnicas utilizadas para obtener
mayores velocidades o mayores precisiones.
Problema 1.6. Con 44,1 kHz de frecuencia de muestreo es posible representar a lo sumo
frecuencias de 22,05 kHz.
Los 24 bits por pixel permiten, si el convertidor A/D cubre exactamente el rango dinamico
de la se
nal, un SQNR=(1,76+6,0224)=146,24 dB.
Si se requirieran 100 dB entonces bastaran 17 bits por muestra.
Problema 1.7. El estudiante debe buscar las diferentes tecnicas utilizadas para obtener
mayores velocidades o mayores relaciones se
nal a ruido. Por lo menos debe revisar las
estructuras llamadas flash, el metodo de aproximaciones sucesivas y el llamado
(delta-sigma).
Problema 2.1.
1.
2.
3.
4.
x1 (n) = x(n 2)
x2 (n) = x(n + 3)
x3 (n) = x(n + 2)
x4 (n) = x(n 3)
Problema 2.2.
1. x3 (n) = {4, 2, 0, 3, 4, 1, 5}
234
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
2. x4 (n) = {0, 0, 1, 10, 3, 12, 0}
3. x5 (n) = {0, 0, 3, 9, 12, 3, 15}
Problema 3.1.
1. x(n) = sen(n)u(n) ROC: exterior de un crculo
2. x(n) = u(n + 4) u(n 2) ROC: todo el plano z menos cero e infinito
3. x(n) = u(n 2) ROC: el interior de un crculo
4. x(n) = ur (n) 2ur (n 5) + ur (n 10) ROC: todo el plano z menos cero
5. x(n) = 21
|n|
ROC: anillo
6. x(n) = ur (n + 5)u(n) ROC: todo el plano z menos infinito

Problema 3.2.
1. |z| > 1/3 menos
2. |z| > 1
3. |z| < 1/3
4. 1/3 < |z| < 3
Problema 3.3.
X(z) =
z 2
1
,
16 1 14 z 1
ROC: |z| > 1/4
Problema 3.4. || = 2, y todo n0

Problema 3.5. Polos en 12 ej/4 , ROC: |z| < 1/2.
Problema 3.6.
1. Ceros en 1/2 e , polos en 1/3 y 1/4.
2. Ceros en 1 y 2, polos en 3 y 4.
3. Ceros en 1 y en (este u
ltimo doble), y polos 1/4.
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
235
Problema 3.7. Si x(n) es absolutamente sumable, entonces su ROC incluye al crculo

unitario |z| = 1. Puesto que tiene un polo en 1/2 entonces la ROC puede ser un anillo
delimitado por el crculo interno de radio 1/2 o puede ser el exterior de dicho crculo. Por
tanto, x(n) puede ser bilateral o derecha.
Problema 3.8. X(z) tiene polos de primer orden en z = j/2, 1/2 y 3/4. As tiene
tres posibles regiones de convergencia: |z| < 1/2, 1/2 < |z| < 3/4 y |z| > 3/4.
Problema 3.9. Algunas de las transformaciones ya han sido demostradas en el texto.
Aqu solo se indican algunas sugerencias para la demostracion de las otras.
La transformada de nan u(n) se realiza a partir de despejar el valor para
nn
n=0
De forma similar a lo hecho para otras series, esta se resuelve calculando el resultado de
sumar
#
"M
"M
#
"M
#
X
X
X
nn 2
nn + 2
nn
n=0
n=0
n=0
Expandiendo cada termino y realizando las sumas de cada termino k se obtiene

M
X
nn =
n=0
(1 (N + 1)N + N N +1 )
1 2 + 2
Si N entonces lo anterior converge solo si || < 1 a

M
X
1
n =
=
=
1 2 + 2
(1 )2
(1 1 )2
n=0
n
Tomando esto en cuenta se puede calcular la transformada de nan u(n) con la definicion:
X(z) =
nan u(n)z n =
X

n
n az 1 =
0
az 1
(1 az 1 )2
donde se ha sustituido = az 1 . Lo anterior es valido solo si || = |az 1 | < 1, es decir,

si |z| > a.
La otras formulas se derivan facilmente reemplazando las se
nales trigonometricas por sus
equivalentes exponenciales complejos por medio de la identidad de Euler.
Problema 3.10. Puesto que X(z) es racional, con un polo en z = 1/2 se sabe que la
se
nal es de duracion infinita (la descomposicion en fracciones parciales tendra un termino
con ese polo u
nicamente, el cual corresponde a una exponencial de duracion infinita).
236
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Por la propiedad de escalado en la frecuencia se sabe que la ROC de X(z) escalada por 1/4
contiene al crculo unitario, no as si se escala por 1/8. Esto implica que hay alg
un otro
polo que al multiplicarlo por 1/8 queda dentro del crculo unitario, pero si se multiplica
por 1/4 queda fuera. En todo caso, la ROC de X(z) debe ser para esto un anillo y por
tanto x(n) debe ser bilateral.
Problema 3.11.
Por hacer:
Problema 3.12.
Por hacer:
Problema 3.13.
Por hacer:
Problema 3.14.
Por hacer:
Problema 3.15.
Por hacer:
Problema 3.16.
Por hacer:
Problema 3.17.
1. No causal
2. Causal
3. No causal
Problema 3.18. El sistema es causal y estable, puesto que sus polos se encuentran dentro
del crculo unitario, al ser h(n) derecha entonces su ROC es externa a los polos.
Problema 3.19.
Por hacer:
Problema 3.20.
1. (1/2)n u(n)
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
237
2.
1
3
21
n
+

1 n

3. 23 2

1 n
u(n)
4
1
6
1
6

1 n
u(n)
4
Problema 4.1. Utilizando coordenadas esfericas un vector de norma 1 en el espacio euclidiano tridimensional se puede expresar como x1 = [sen() cos(), sen() sen(), cos ]T .
Este vector es perpendicular a un plano, que contiene un n
umero infinito de vectores
perpendiculares a x.
Se toman arbitrariamente dos vectores: uno en la interseccion entre el plano que pasa por
el vector x1 y el eje z y el plano de los vectores perpendiculares a x1 . El tercer vector se
obtiene utilizando el producto cruz de los dos vectores anteriores.
h

iT
x2 = sen +
cos () , sen +
sen () , cos +
2
2
2
T
= [ cos () cos () , cos () sen () , sen ()]
El producto hx1 , x2 i resulta en
hx1 , x2 i = cos() sen() cos2 () cos() sen() sen2 () + cos() sen()

= cos() sen() cos2 () + sen2 () + cos() sen()
=0
con lo que la ortogonalidad entre ambos vectores queda demostrada.
El producto cruz de estos vectores resulta en

y
z
x

x3 = x1 x2 = sen() cos()
sen() sen()
cos
cos() cos() cos() sen() sen()
sen2 () sen() + cos2 () sen()

sen()
= cos()
=
sen2 () cos() cos2 () cos()
sen() cos() cos() sen() + sen() cos() cos() sen()
0
El producto punto de x3 con x1 y x2 es
hx1 , x3 i = sen() sen() cos() sen() sen() cos() + 0 = 0
hx2 , x3 i = cos() cos() sen() + cos() cos() sen() + 0 = 0
Problema 4.2. La ortogonalidad de las funciones ui (t) implica que para todo i 6= k se
cumple
Z x2
ui (t)uk (t) dt = 0
x1
238
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
y utilizando la representacion rectangular se obtiene

Z x2
(ri (t) jqi (t))(rk (t) + jqk (t)) dt = 0 .
x1
Considerando solo la componente real de la expresion anterior se obtiene

Z x2
Z x2
Z x2
ri (t)rk (t) + qi (t)qk (t) dt = 0
ri (t)rk (t) dt =
qi (t)qk (t) dt .
x1
x1
x1
Finalmente, con la componente imaginaria se obtiene

Z x2
Z x2
Z
ri (t)qk (t) qi (t)rk (t) dt = 0
ri (t)qk (t) dt =
x1
x1
x2
qi (t)rk (t) dt .
x1
Problema 4.3. Utilizando la definicion de error e insertando la aproximacion lineal de

la funcion se obtiene:
Z
x2
E(c) =
x1

2
n

X

ci ui (t) dt .
x(t)

i=0
En coordenadas rectangulares, los coeficientes y funciones se pueden expresar como

ci = ai + jbi
ui (t) = ri (t) + jqi (t)
x(t) = xRe (t) + jxIm (t)
con lo que el error se puede reescribir como
2
Z x2
n
n

X
X

ai ui (t) j
bi ui (t) dt .
E(c) =
xRe (t) + jxIm (t)

x1
i=0
i=0
Utilizando ui (t) = ri (t) + jqi (t) y desarrollando se obtiene

Z
x2
xRe (t)
E(c) =
x1
n
X
i=0
ai ri (t) +
n
X
!2
bi qi (t)
+ xIm (t)
n
X
i=0
i=0
ai qi (t)
n
X
!2
bi ri (t)
dt
i=0
Ahora, como condiciones necesarias (pero no suficientes) en el mnimo de la funcion de

error se cumple para todo k
E(c) !
=0
ak
c
2005-2006
P. Alvarado
E(c) !
=0
bk
Uso exclusivo ITCR
239
Desarrollando y considerando los resultados del ejercicio 4.2 se obtiene

Z x2
E(c)
=
xRe (t)rk (t) + xIm (t)qk (t) dt
ak
x1
Z x2
n
X
ai
ri (t)rk (t) + qi (t)qk (t) dt
x1
i=0
|
{z
}
=0 para i6=k
n
X
x2
bi
x1
i=0
qi (t)rk (t) + ri (t)qk (t) dt = 0

{z
}
=0 para todo i
por lo que
E(c)
=
ak
x2
x2
xRe (t)rk (t) + xIm (t)qk (t) dt ak

rk2 (t) + qk2 (t) dt = 0
x1
x1
R x2
R x2
x1
x1
R x2 2
R x2
ak =
=
2
r
(t)
+
q
(t)
dt
|uk (t)|2 dt
k
x1 k
x1
De forma equivalente se obtiene derivando E(a) con respecto a ck

Z x2
E(c)
=
xRe (t)qk (t) + xIm (t)rk (t) dt
bk
x1
Z x2
n
X
ai
ri (t)qk (t) qi (t)rk (t) dt
x
1
i=0
{z
}
|
=0 para todo i
n
X
Z
bi
x1
i=0
|
R x2
bk =
x2
x1
qi (t)qk (t) + ri (t)rk (t) dt = 0

{z
}
=0 para i6=k
xRe (t)qk (t) xIm (t)rk (t) dt

R x2
|uk (t)|2 dt
x1
Finalmente, utilizando ck = ak + jbk y (4.9)

R x2
xRe (t)rk (t) + xIm (t)qk (t) jxRe (t)qk (t) + jxIm (t)rk (t) dt
R x2
c k = x1
|uk (t)|2 dt
x1
R x2
uk (t)x(t) dt
huk (t), x(t)i
= Rx1x2
=
2
kuk (t)k2
|uk (t)| dt
x1
240
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
Indice alfab
etico
alias, 14, 19
aliasing, 157
temporal, 191
amplitud, 10
analisis, 3
analogica, 2
analogico, 4
analizador espectral, 145
anticausalidad, 55
armonica
relacion exponencial, 16
armonicos, 146
base, 134
canonica, 134
ortogonal, 135
ortonormal, 135
BIBO, 46
canales, 2
cascada, 46
cero, 98
cifrado, 8
codificacion, 17
compresion, 8
condicion inicial, 40
conjunto generador, 133
conjunto libre, 133
conjunto ligado, 133
convolucion, 49
correlacion, 74
autocorrelacion, 75
cruzada, 75
normalizada, 76
cuantificacion
definicion, 17
error, 17, 20
ruido, 20
cuanto, 21
cuerpo, 131
deconvolucion, 184
densidad espectral
de energa, 149
de potencia, 146
de tension, 146
derrame, 207
desplazamiento, 49
DFT, 190
digital, 2
dimension, 134
DTFS, 151
ecuacion
de diferencias, 58
encriptacion, 8
energa, 35
espacio
completo, 136
euclidiano, 136
funcional, 139
Hilbert, 136
241
Indice alfabetico
pre-Hilbert, 134
producto interno, 134
vectorial, 131
espacio vectorial
finito, 134
espectro, 145
estimacion espectral, 145
estructura
forma directa I, 72
forma directa II, 72
exponencial
relacionadas armonicamente, 16
funcion
propia, 145
formula
integral de Cauchy, 89
fase, 10
fenomeno de Gibbs, 216
filtrado, 8
filtro, 8, 170
paso todo, 181
peine, 177
ranura, 177
solapamiento y almacenamiento, 205
solapamiento y suma, 206
forma
canonica, 72
directa I, 72
directa II, 72
frecuencia, 10
angular, 10
de plegado, 20
fundamental, 14
negativa, 11
normalizada, 19
funcion
de energa, 35
de potencia, 35
de transferencia, 103
impropia, 110
propia, 110
metrica euclidiana, 136

memoria, 43
muestra
n
umero, 12
muestreo
definicion, 17
intervalo, 17
periodico, 18
uniforme, 18
multiplicacion, 49
242
c
2005-2006
P. Alvarado
Gibbs, 216
Hilbert, 211
identidad, 39
identificacion, 8
interconexion
cascada, 46
paralela, 46
interpolacion, 17
norma, 135
ortogonal, 131
osciladores, 183
Paley-Wiener
Teorema, 209
paralelo, 46
Parseval
se
nales continuas periodicas, 146
periodo
fundamental, 13, 37
polinomio
caracterstico, 64
polo, 98
potencia promedio, 35
principio de incertidumbre, 150
Uso exclusivo ITCR
Indice alfabetico
procesamiento, 3
producto escalar, 134
producto interno, 134
producto punto, 136
rango fundamental, 16
reconocimiento, 8
reflexion, 49
reposo, 40
residuo, 106
resonador digital, 175
respuesta
de estado permanente, 122
en fase, 164
en frecuencia, 164
en magnitud, 164
entrada cero, 61
estado nulo, 61
forzada, 61, 119
natural, 119
transitoria, 122
retardo
de grupo, 171
ruido, 8
se
nal, 1
acotada, 36
anticausal, 46
asimetrica, 37
de energa, 35
de potencia, 36
impar, 37
multicanal, 2
par, 37
periodica, 37
simetrica, 37
tiempo discreto, 2
se
nal elemental, 27
secuencia de Cauchy, 136
serie
Fibonacci, 118
Fourier, 141
generalizada de Fourier, 140
simetra circular
impar, 198
par, 198
sintetizacion, 8
sistema, 3
de fase maxima, 188
de fase mnima, 188
de polos y ceros, 105
de todos ceros, 104
de todos polos, 105
discreto, 38
estable, 46
inestable, 46
inverso, 184
invertible, 184
LTI, 170
MWA, 73
no recursivo, 59
recursivo, 59
solucion
homogenea, 64
particular, 64
total, 67
SQNR, 22
subespacio, 133
submuestreo, 33
suma, 49
teorema
del valor final, 117
Wiener-Khinchin, 162
transformada
de Fourier, 148
transformada z, 83
directa, 83
inversa, 89
transformada de Hilbert, 211
c
2005-2006
P. Alvarado
Uso exclusivo ITCR
243
Indice alfabetico
vector, 2
generador, 133
Wiener-Khinchin, 162
244
c
2005-2006
P. Alvarado
Uso exclusivo ITCR

Alvarado Moya

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Alvarado Moya

Cargado por

Copyright:

Formatos disponibles

Instituto Tecnologico de Costa Rica

Escuela de Ingeniera Electronica

Dr. Jose Pablo Alvarado Moya

Borrador de 20 de abril de 2006

Dr. Jose Pablo Alvarado Moya

Lista de smbolos y abreviaciones

Sistemas en tiempo discreto . . . . . . . . . . . . . . . . . . . . . . . . .

Uso exclusivo ITCR

Borrador: April 20, 2006

3.4.1 La transformada z inversa por integracion de contorno . . . . . . . 106

4 Ortogonalidad y Series de Fourier

Uso exclusivo ITCR

Respuesta transitoria y en regimen permanente a entradas sinusoidales166

Uso exclusivo ITCR

Borrador: April 20, 2006

Borrador: 20 de abril de 2006

Uso exclusivo ITCR

Uso exclusivo ITCR

Borrador: 20 de abril de 2006

Propiedades de la DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202

Simetras en filtros FIR de fase lineal . . . . . . . . . .

Uso exclusivo ITCR

Borrador: 20 de abril de 2006

Frecuencias positivas y negativas. . . . . . . . . . . . . .

Uso exclusivo ITCR

Borrador: 20 de abril de 2006

Uso exclusivo ITCR

Borrador: 20 de abril de 2006

Lista de smbolos y abreviaciones

a11 a12 a1m

Cuanto. Distancia entre dos niveles de cuantificacion.

Mapeo de un dominio temporal al dominio frecuencial o z

Mapeo de un dominio frecuencial al dominio temporal o z

Lista de smbolos y abreviaciones

Entrada acotada Salida acotada (bounded input bounded output)

Uso exclusivo ITCR

Borrador: 20 de abril de 2006

Este curso introduce conceptos del Procesamiento Digital de Se

provee un conjunto o vector de se

Uso exclusivo ITCR

Borrador: 20 de abril de 2006

Tabla 1.1: Caractersticas de las se

un generador de ruido, una se

El termino sistema denota a una coleccion o conjunto de elementos interrelacionados que

Uso exclusivo ITCR

Por ejemplo, un modulo de un reconocedor de habla puede extraer de una se

Elementos de un sistema de procesamiento de se

Figura 1.1: Procesamiento analogico de una se

El procesamiento digital (figura 1.2) requiere transformar las se

En la literatura en castellano se encuentran los terminos tratamiento o procesamiento de se

Uso exclusivo ITCR

Borrador: 20 de abril de 2006

Figura 1.2: Procesamiento digital de una se

en microcontroladores, hasta circuitos digitales especficamente dise

Ventajas del procesamiento digital sobre el anal

Para poder representar una se

Uso exclusivo ITCR

des de almacenaje. Los niveles de ruido introducidos en sistemas de almacenamiento

Uso exclusivo ITCR

Borrador: 20 de abril de 2006

Uso exclusivo ITCR

Uso exclusivo ITCR

Borrador: 20 de abril de 2006

los rangos de frecuencias en que se concentra la energa de una se