Sistemas y Señales - Richard Baraniuk - en Español

Seales y Sistemas
Collection Editor:
Richard Baraniuk
Seales y Sistemas
Collection Editor:
Richard Baraniuk
Authors:
Thanos Antoulas
Richard Baraniuk
Steven Cox
Benjamin Fite
Roy Ha
Michael Haag
Don Johnson
Ricardo Radaelli-Sanchez
Justin Romberg
Phil Schniter
Melissa Selik
JP Slavinsky
Ricardo von Borries
Translated By:
Fara Meza
Erika Jackson
Online:
<http://cnx.org/content/col10373/1.2/ >
CONNEXIONS
Rice University, Houston, Texas
2008 Richard Baraniuk
This selection and arrangement of content is licensed under the Creative Commons Attribution License:
http://creativecommons.org/licenses/by/2.0/
Table of Contents
1 Seales
1.1
1.2
1.3
1.4
1.5
1.6
1.7
Clasicacin y Propiedades de las Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

Operaciones para Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Seales tiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Funcin de Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
El Exponencial Complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Seales en Tiempo-Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Exponencial Complejo Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2 Sistemas
2.1
2.2
Clasicacin y Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3 Anlisis de Sistemas de Tiempo Continuo en el Dominio del Tiempo

3.1
3.2
3.3
3.4
Sistemas Lineales CT y Ecuaciones Diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Convolucin de Tiempo-Continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Propiedades de la Convolucin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Estabilidad BIBO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Anlisis de Sistemas Discretos en el Dominio del Tiempo

4.1
4.2
4.3
4.4
Anlisis en el Dominio del Tiempo para Sistemas Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

Convolucin Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Convolucin Circular y el DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Ecuaciones de Diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5 Repaso de Algebra Lineal

5.1
5.2
5.3
5.4
5.5
5.6
5.7
Algebra Lineal: Conceptos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Conceptos Bsicos de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Eigenvectores y Eigenvalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Diagonalizacin de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Generalidades de Eigenvectores y Eigenvalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Eigenfunciones de los Sistemas LTI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Propiedades de la Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6 Series Fourier del Tiempo Continuo

6.1
6.2
6.3
6.4
6.5
6.6
6.7
6.8
6.9
6.10
6.11
6.12
Seales Peridicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Series de Fourier: El Mtodo de Eigenfunciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Derivacin de la Ecuacin de Coecientes de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
Generalidades de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Propiedades de la Serie de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Propiedades de Simetra de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Propiedad de Convolucin Circular de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Series de Fourier y los Sistemas LTI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
Convergencia de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Condiciones de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
El Fenmeno de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
Resumen de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
iv
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
7 Espacios de Hilbert y Expansiones Ortogonales

7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
7.9
7.10
7.11
7.12
7.13
Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

Normas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Producto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Espacios de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
Desigualdad de Cauchy-Schwarz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
Espacios de Hilbert comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
Tipos de Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Expansin de Bases Ortonormales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
Espacio de Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Base de la Ondoleta de Haar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Bases Ortonormales en Espacios Reales y Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
Teoremas de Plancharel y Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
Approximacin y Proyeccin en el Espacio de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
8 Transformada Discreta de Fourier

8.1
8.2
8.3
8.4
8.5
Anlisis de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

Anlisis de Fourier en Espacios Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
Ecuacin de Matriz para la DTFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
Extensin Peridica de las DTFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
Desplazamientos Circulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
9 Transformada Rpida de Fourier (FFT)

9.1
9.2
9.3
DFT: Transformada Rpida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187

La Transformada Rpida de Fourier (FFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
Derivando la Transformada Rpida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
10 Convergencia
10.1
10.2
10.3
11
Convergencia de Secuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

Convergencia de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
Convergencia Uniforme de Secuencias de Funciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
Transformada de Fourier Discreta en el Tiempo (DTFT)

11.1
11.2
11.3
11.4
11.5
11.6
11.7
Tabla de Transformadas de Fourier Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204

Transformacin Discreta de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
Transformada Discreta de Fourier (DFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
Transformada de Fourier Discreta en el Tiempo (DTFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
Propiedades de la Transformada de Fourier Discreta en el Tiempo . . . . . . . . . . . . . . . . . . . . . . . . 210
Par de la Transformada de Fourier Discreta en el Tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
Ejemplos de DTFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
12 Transformada de Fourier de Tiempo Continuo (CTFT)

12.1
12.2
Transformada de Fourier de Tiempo Continuo (CTFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217

Propiedades de la Transformada de Fourier de Tiempo-Continuo . . . . . . . . . . . . . . . . . . . . . . . . . 219
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
13 Teorema de Muestreo
13.1
Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
13.2
13.3
13.4
13.5
13.6
13.7
Reconstruccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
Ms sobre Reconstruccin Perfecta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
Teorema de Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
Filtros Anti-Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
Procesamiento de Tiempo Discreto de Seales de Tiempo Continuo . . . . . . . . . . . . . . . . . . . . . . . 241
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
14 Transformada de Laplace y Diseo de Sistemas

14.1
14.2
14.3
14.4
14.5
14.6
La Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

Propiedades de la Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
Tabla de Transformadas de Laplace Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
Regin de Convergencia para la Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
La Transformada Inversa de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
Polos y Ceros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
15 La Transformada Z y Filtros Digitales

15.1
15.2
15.3
15.4
15.5
15.6
15.7
15.8
La Transformada Z: Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259

Tabla de Transformadas-Z Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
Regin de Convergencia para la Transformada- Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
La Transformada Inversa de Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
Funciones Racionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
La Ecuacin de Diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
Entendiendo las Gracas de Polos y Ceros en el Plano-Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
Diseo de Filtros usando la Graca de Polos y Ceros de la Transformada-Z . . . . . . . . . . . . . . . 287
16 Tareas
16.1
16.2
Homework 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
Homework 1 Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
Glossary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
Attributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
vi
Chapter 1
Seales
1.1 Clasicacin y Propiedades de las Seales1
1.1.1 Introduccin
Este mdulo explicar algunos fundamentos para la clasicacin de seales.
Es bsicamente una lista de
deniciones y propiedades que son fundamentales para la discusin de seales y sistemas. Deber notar que
en algunas discusiones como la de seales de energa vs.
seales de potencia
han sido asignadas con su
propio mdulo para una discusin mas completa, y no van a ser incluidas.
1.1.2 Clasicacin de Seales

Junto con las clasicaciones de seales mostradas a continuacin, es importante entender la Clasicacin de
Sistemas (Section 2.1).
1.1.2.1 Tiempo Continuo vs. Tiempo Discreto

Como el nombre lo sugiere, esta clasicacin se puede establecer, despus de saber si el eje del tiempo (eje
de las abscisas) es
discreto o continuo (Figure 1.1). Una seal continua en el tiempo tendr un valor
para todos los nmeros reales que existen en el eje del tiempo.
En contraste a esto, una seal discreta
(Section 1.6)en el tiempo es comnmente creada utilizando el Teorema de Muestreo
para discretizar una
seal continua, de esta manera la seal nada mas tendr valores en los espacios que tienen una separacin
igual y son creados en el eje del tiempo.
1 This content is available online at <http://cnx.org/content/m12818/1.8/>.

2 "Signal Energy vs. Signal Power" <http://cnx.org/content/m10055/latest/>
3 "The Sampling Theorem" <http://cnx.org/content/m0050/latest/>
CHAPTER 1. SEALES
Figure 1.1
1.1.2.2 Anlogo vs. Digital

La diferencia entre lo
anlogo y lo digital es muy similar a la diferencia entre el tiempo continuo y el tiempo
discreto. Sin embargo, en este caso, la diferencia es con respecto al valor de la funcin (eje de las ordenadas)
(Figure 1.2). Anlogo corresponde al eje
continuo, mientras lo digital corresponde al eje
discreto. Un
ejemplo de una seal digital es una secuencia binaria, donde la funcin solo tiene valores de cero o uno.
Figure 1.2
1.1.2.3 Peridico vs. Aperidico

Seales peridicas (Section 6.1) se repiten con un
periodo T , mientras las seales aperidicas o no peridicas
no se repiten(Figure 1.3). Podemos denir una funcin peridica mediante la siguiente expresin matemtica,
donde
puede ser cualquier nmero y
es una constante positiva:
f (t) = f (T + t)
El
periodo fundamental de esta funcin,
de la (1.1).
f (t),
es el valor ms pequeo de
(1.1)
que permita la validacin
(a)
(b)
Figure 1.3:
(a) Una seal peridica con periodo T0 (b) Una seal Aperidica
1.1.2.4 Causal vs. Anticausal vs. Nocausal

Las seales
causales son seales que tienen valor de cero en el tiempo negativo, y las seales anticausales
nocausales son seales con valor de cero en el tiempo
tienen valor cero en el tiempo positivo. Las seales

positivo y negativo(Figure 1.4).
CHAPTER 1. SEALES
(a)
(b)
(c)
Figure 1.4:
(a) Una seal causal (b) Una seal anticausal (c) Una seal nocausal
1.1.2.5 Par vs. Impar

Una
seal par es cualquier seal
fcilmente por que son
(f (t))
(Figure 1.5).
simtricas
f (t)
que satisface
f (t) = f (t).
en el eje vertical. Una
las seales pares se pueden detectar
seal impar, es una seal
que satisface
f (t) =
(a)
(b)
Figure 1.5:
(a) Una seal par (b) Una seal impar
Usando las deniciones de par e impar, podemos demostrar que cualquier seal se puede escribir como
una combinacin de una seal par e impar. Cada seal tiene una descomposicin par-impar. Para demostrar
esto, no tenemos ms que examinar una ecuacin.
f (t) =
1
1
(f (t) + f (t)) + (f (t) f (t))
2
2
(1.2)
Al multiplicar y sumar esta expresin, demostramos que lo explicado anteriormente es cierto. Tambin se
puede observar que
impar (Figure 1.6).
Example 1.1
f (t) + f (t)
satisface a una funcin par, y que
f (t) f (t)
satisface a una funcin
CHAPTER 1. SEALES
(a)
(b)
(c)
(d)
Figure 1.6:
e (t) = 12 (f (t)
(a) Esta seal ser descompuesta usando la descomposicin Par-Impar (b) Parte Par:
1
(f (t) f (t)) (d) Revisa: e (t) + o (t) = f (t)
2
+ f (t)) (c) Parte Impar: o (t) =
1.1.2.6 Determinstico vs. Aleatorio

Una seal
determinstica es una seal en la cual cada valor est jo y puede ser determinado por una
expresin matemtica, regla, o tabla.
Los valores futuros de esta seal pueden ser calculados usando sus
valores anteriores teniendo una conanza completa en los resultados. Una
seal aleatoria4 , tiene mucha
uctuacin respecto a su comportamiento. Los valores futuros de una seal aleatoria no se pueden predecir
con exactitud, solo se pueden basar en los promedios
de conjuntos de seales con caractersticas similares
(Figure 1.7).
(a)
(b)
Figure 1.7:
(a) Seal Determinstica (b) Seal Aleatoria
1.1.2.7 Hemisferio Derecho vs. Hemisferio Izquierdo

Este tipo de seales son aquellas cuyo valor es cero entre una variable denida y la innidad positiva o
negativa.
Matemticamente hablando, una seal de hemisferio-derecho es denida como cualquier seal
f (t) = 0 para t < t1 < , y una seal de hemisferio-izquierdo es denida como cualquier seal donde
f (t) = 0 para t > t1 > . Las siguientes guras son un ejemplo de esto (Figure 1.8). Las dos guras
empiezan en t1 y luego se extienden a innidad positiva o negativa con casi todos los valores siendo cero.
donde
4 "Introduction to Random Signals and Processes" <http://cnx.org/content/m10649/latest/>

5 "Random Processes: Mean and Variance" <http://cnx.org/content/m10656/latest/>
CHAPTER 1. SEALES
(a)
(b)
Figure 1.8:
(a) Seal de Hemisferio-Derecho (b) Seal de Hemisferio-Izquierdo
1.1.2.8 Tamao nito vs. Tamao innito

Como el nombre lo implica, las seales se pueden caracterizar dependiendo de su tamao el cual puede ser
innito o nito. Casi todas las seales nitas se utilizan cuando se tiene una seal discreta o se tiene una
secuencia de valores. En trminos matemticos,
no sea cero
f (t)
es una
seal de tamao nito si tiene un valor
que
en un intervalo nito
t1 < f (t) < t2

donde t1
innito
> y t2 < . Se puede ver un ejemplo en Figure 1.9. De igual manera, una seal de tamao
f (t), es denida con valores no-cero para todos los nmeros reales:
f (t)
Figure 1.9:
nito.
Seal de tamao nito. Note que solo tiene valores que no son cero en un conjunto, intervalo
1.2 Operaciones para Seales6

Este mdulo muestra dos operaciones para seales, cambio en el tiempo y escala en el tiempo. Operacin de
seales son operaciones realizadas sobre la variable tiempo de la seal. Estas operaciones son componentes
comunes en el mundo real y como tales las debemos entender a fondo cuando se est aprendiendo sobre
sistemas y seales.
1.2.1 Desplazamiento en el eje del Tiempo

El desplazamiento en el tiempo, como su nombre lo sugiere, es trasladar la seal en el eje del tiempo. Esto
se hace sumando o restando la cantidad del desplazamiento de tiempo a la funcin. Restando una cantidad
ja en la variable de el tiempo tendr un cambio en la seal hacia la derecha (retrasa) por esa cantidad,
por el contrario al sumar una cantidad a la variable de el tiempo la seal se desplazar hacia la izquierda
(avanza).
6 This
content is available online at <http://cnx.org/content/m12823/1.7/>.
CHAPTER 1. SEALES
10
Figure 1.10:
f (t T ) mueve (retrasa) f a la derecha T .
1.2.2 Escala en el eje del Tiempo

Escalar el tiempo es comprimir y/o expandir una seal al multiplicar las variables del tiempo por alguna
cantidad. Si esa cantidad es mayor que uno, la seal se vuelve angosta, esto es conocido como compresin,
cuando la cantidad es menor que uno, la seal se vuelve ancha y a esto lo conoceremos como expansin.
Normalmente, estas operaciones les toman a las personas un tiempo en comprender, debido a que la intuicin
de las personas es que al multiplicar por una cantidad ms grande que uno la seal ser expandida y menor
que uno ser comprimida.
Figure 1.11:
f (at) comprime f por a.
Example 1.2
Las seales cambiadas y escaladas en el tiempo pueden ser contrarias unas de las otras.
Este
ejemplo muestra una manera de practicar estas operaciones hasta que desarrolle un sentido de
como se debera ver la seal despus de ciertas operaciones.
11
Dado
f (t)
, graque
f ( (at)).
(a)
(b)
(c)
(a) Empieze con f (t)

` (b)
` Luego
remplace t con at para obtener f (at) (c) Finalmente,
remplace t con t ab para obtener f a t ab = f (at b)
Figure 1.12:
1.2.3 Reexin en el eje del Tiempo

Una pregunta muy natural que se considera cuando se est aprendiendo a escalar el tiempo es: qu pasara
si la variable del tiempo es multiplicada por un nmero negativo? La respuesta para esto es la inversin en
el tiempo. Esta operacin invierte el eje del tiempo, en otras palabras, cambia la seal respecto al eje de las
ordenadas.
CHAPTER 1. SEALES
12
Figure 1.13:
Reexin en el eje del Tiempo
1.3 Seales tiles7

Antes de ver este mdulo, usted tendr que tener una idea bsica sobre lo que es una seal, sus clasicaciones
y operaciones (Section 1.1). Como un repaso, una seal es una funcin denida con respecto a una variable
independiente. Regularmente, esta variable es el tiempo pero podra representar un ndice para una secuencia,
o un ndice para cualquier nmero de cosas, o cualquier nmero de dimensiones. La mayor parte, si es que
no todas, las seales que usted ver en sus estudios y en el mundo real podrn ser creadas de las seales
bsicas que aqu va a estudiar. Por esta razn, estas seales elementales son comnmente conocidas como
los
fundamentos
para cualquier otra seal.
1.3.1 Senosoidales
Probablemente la seal elemental ms importante que usted usar es el senosoidal evaluado en su parte real.
En su forma de tiempo-continuo, la forma general de la funcin se expresa as
x (t) = Acos (t + )
donde
es la frecuencia, y representa el desplazamiento.

2f t. Las seales senosoidales son peridicas, esto hace
es la amplitud,
es remplazado con
(1.3)
Note que es comn ver que
que su periodo, o cualquier
seal peridica puedan ser expresada de la siguiente manera
T =
7 This
(1.4)
13
Figure 1.14:
Senosoidal con A = 2, w = 2, y = 0.
1.3.2 Funciones de Exponenciales Complejos

Tal vez esta seal es tan importante como la senosoidal, la funcin de
exponencial complejo se convertir
en una parte crtica para el estudio de seales y sistemas. La expresin general se escribe de la siguiente
manera
f (t) = Best
donde
s,
mostrado abajo, es un nmero complejo en trminos de
(1.5)
con una fase constante, y con
siendo
la frecuencia:
s = + j
Por favor vea el mdulo de Exponencial Complejo (Section 1.5) o los mdulos de las otras seales elemen8
tales .
1.3.3 Exponenciales reales

Como el nombre lo implica, los exponenciales reales contienen nmeros no imaginarios y son simplemente
expresados de la siguiente manera
f (t) = Bet
donde
son parmetros reales. Las funciones de exponencial complejo oscilan, sin embargo, esta seal
nada mas crece o decae dependiendo del valor de
Exponencial que decae

Exponencial que Crece,
8 "Elemental
(1.6)
<0
>0
, cuando
cuando
Signals": Section Complex Exponentials <http://cnx.org/content/m0004/latest/#sec2>
CHAPTER 1. SEALES
14
(a)
Figure 1.15:
(b)
Ejemplos de Exponenciales Reales (a) Exponencial que decae (b) Exponencial que Crece
1.3.4 Funcin de impulso unitario

La funcin de
impulso unitario (Section 1.4) (o la funcin delta de Dirac) es una seal que tiene
una altura innita y un ancho casi inexistente. Sin embargo, por la manera que es denida, al ser integrada
da un valor de uno.
Mientras en el mundo de ingeniera esta seal es til y ayuda a entender muchos
conceptos, algunos matemticos tienen problemas con esta al ser llamada funcin, porque no est denida
en
t = 0.
Los ingenieros se evitan este problema al mantenerla denida con una integral. El impulso unitario
es comnmente conocido como
(t)
La propiedad ms importante de esta funcin es demostrada con la siguiente integral:
(t) dt = 1
(1.7)
1.3.5 Funcin de Escaln unitario

Otra funcin bsica para este curso es la funcin de
Escaln unitario que se dene como
0 if t < 0
u (t) =
1 if t 0
(1.8)
15
t
(a)
(b)
Funciones Bsicas del Escaln (a) Escaln unitario de Tiempo-Continuo (b) Escaln
unitario de Tiempo-Discreto
Figure 1.16:
Note que esta funcin es discontinua en el origen; sin embargo no se necesita denirla en este punto ya
que no es necesario en la teora de la seal. La funcin de Escaln unitario es una seal muy til para probar
y denir otras seales. Por ejemplo, usando varias de estas seales movidas en el tiempo y multiplicadas por
otras seales, se puede obtener alguna porcin de la seal por la que fue multiplicada y eliminar el resto.
1.3.6 Funcin Rampa

Esta funcin est relacionada con la funcin descrita anteriormente. La funcin Escaln unitario va desde
cero a uno instantneamente, pero esta funcin es la que mejor se parece a una funcin en la vida real, donde
se necesita un tiempo para que la seal vaya incrementandose desde cero a su valor ajustado, en este caso
uno. La funcin rampa est denida as:
r (t) =
0 if t < 0
t
t0 if
0 t t0
(1.9)
1 if t > t0
1
t0
Figure 1.17:
Funcin Rampa
CHAPTER 1. SEALES
16
1.4 Funcin de Impulso9

En ingeniera usualmente se maneja la idea de una accin ocurriendo a un determinado punto. Puede ser
una fuerza en ese punto o una seal en un punto del tiempo, se convierte necesario desarrollar alguna manera
cuantitativa de denir este hecho. Esto nos lleva a la idea de un pulso unitario. Es probablemente la segunda
seal ms importante en el estudio de seales y sistemas despus del Exponencial Complejo (Section 1.5).
1.4.1 Funcin Delta de Dirac

La Funcin Delta de Dirac, conocida tambin como el impulso unitario o funcin delta es una funcin
inntamente angosta, inntamente alta, cuya integral tiene un valor
unitario (Ver (1.10) abajo). Tal vez
a 2 a a + 2 con una altura

1
. Al momento de tomar su lmite, lim0, podemos observar que su ancho tiende a ser cero y su altura

0
tiende a innito conforme su rea total permanece constante con un valor de uno. La funcin del impulso
la manera mas simple de visualizar esto es usar un pulso rectangular que va de
de
usualmente se escribe como
(t).
Z
(t) dt = 1
Figure 1.18:
9 This
Esta es una manera de visualizar la Funcin Delta de Dirac.
(1.10)
17
Por que es difcil dibujar algo que es innitamente alto, nosotros representamos la Delta
de Dirac con una echa centrada en el punto donde es aplicada. Si queremos escalarla, podemos escribir
el valor de escalamiento a un lado de la echa. Este es un muestreo unitario ( no tiene escala).
Figure 1.19:
1.4.1.1 La propiedad de desplazamiento del impulso

El primer paso para comprender los resultados que esta funcin nos brinda, es examinar lo que sucede cuando
esta funcin es multiplicada por alguna otra funcin.
f (t) (t) = f (0) (t)
(1.11)
Esta funcin es cero en todas partes excepto en el origen, as que bsicamente estamos eliminando el valor
de la funcin de multiplicacin al evaluarla en cero.
A primera vista esto no parece tener mayor importancia, porque ya sabemos que el impulso evaluado en
cero es innito, y todo lo multiplicado por innito da un resultado innito. Pero, qu pasa si integramos el
resultado de la multiplicacin?
Propiedad de Desplazamiento
f (t) (t) dt
f (0) (t) dt
R
= f (0) (t) dt
(1.12)
= f (0)
Finalmente lo que obtuvimos es una simple funcin evaluada en cero. Si hubiramos usado
de
(t), podramos haber desplazado f (T ).
A esto es lo que llamaremos la
(t T )
en vez
propiedad de desplazamiento
de la funcin de Dirac, el cual se usa frecuentemente para denir el impulso unitario.

Esta propiedad es muy til al momento de desarrollar la idea de convolucin (Section 3.2) la cual es
una de los fundamentos principales para el procesamiento de seales. Al usar convolucin y esta propiedad
podemos representar una aproximacin a cualquier resultado de un sistema si se conoce la respuesta al
impulso del sistema y su seal de entrada. De clic en el link de convolucin que aparece arriba para mas
informacin sobre este tema.
1.4.1.2 Otras Propiedades del Impulso

En esta seccin se muestran algunas otras propiedades de el impulso sin entrar en los detalles de probar
las propiedades- esta parte la dejaremos para que usted verique las propiedades ya que son sencillas de
comprobar. Note que estas propiedades funcionan para el tiempo continuo
discreto.
CHAPTER 1. SEALES
18
Propiedades de Impulso Unitario

1
(t) = ||
(t)
(t) = (t)
d
(t) = dt
u (t), donde u (t)
es el escaln unitario.
1.4.2 Impulso de tiempo-discreto (muestreo unitario)

La extensin de la funcin impulso unitario al tiempo-discreto se convierte en una trivialidad. Todo lo que
realmente necesitamos es darnos cuenta que la integracin en tiempo-continuo equivale a una sumatoria en
tiempo-discreto. Por lo tanto buscaremos una seal que al sumarla sea cero y al mismo tiempo sea cero en
todas partes excepto en el origen.
Impulso de Tiempo-Discreto
Figure 1.20:
1 if n = 0
[n] =
0 otherwise
(1.13)
Representacin grca del impulso discreto
Al analizar una grca de tiempo-discreto de cualquier seal discreta, uno puede notar que todas las
seales discretas estn compuestas de un conjunto de muestras unitarias que estn escalados y desplazados
en el tiempo. Si dejamos que el valor de una secuencia en cada entero
unitaria retrasado que ocurre en
sea escrito como
[n k],
sea descrita por
s [k]
y la muestra
nosotros podramos escribir cualquier seal
como la suma de impulsos unitarios retrasados que son escalados por un valor de la seal, o por coecientes
de escalamiento.
s [n] =
(s [k] [n k])
(1.14)
k=
Esta descomposicin es una propiedad que solo se aplica a seales de tiempo-discreto y resulta ser una
propiedad muy til para estas seales.
note:
Usando el razonamiento anterior, nosotros hemos desarrollado la ecuacin(1.14), la cual es
un concepto fundamental usado en la convolucin de tiempo-discreto (Section 4.2).
1.4.3 La Respuesta de Impulso

La
respuesta de impulso es exactamente lo que su nombre implica- la respuesta de un sistema LTI, como
por ejemplo un ltro, cuando la seal de entrada del sistema es un impulso unitario (o muestra unitaria). Un
19
sistema puede ser completamente descrito por su respuesta al impulso por las razones explicadas previamente,
ya que todas las seales pueden ser representadas por una superposicin de seales. Una respuesta al impulso
da una descripcin equivalente a la dada por una funcin de transferencia
10
, ya que existen Transformadas
de Laplace (Section 14.1) para cada una.
notation:
Casi toda la literatura usa
(t)
[n]
para diferenciar entre un impulso de tiempo-
continuo y un impulso de tiempo-discreto.
1.5 El Exponencial Complejo11

1.5.1 Bases para el Exponencial
El
exponencial complejo es una de las seales mas importantes y fundamentales en el anlisis de seales
y sistemas. Su importancia proviene de que sus funciones sirven como una base para las seales peridicas,
como tambin sirven para poder caracterizar seales lineales de tiempo invariante (Section 2.1). Antes de
12
continuar, usted debera familiarizarse con los nmeros complejos
1.5.1.1 Exponential Bsico

Para todos los nmeros
x,
nosotros podemos derivar y denir fcilmente una funcin exponencial de una
serie de Taylor mostrada aqu:
x1
x2
x3
+
+
+ ...
1!
2!
3!

X
1 k
x
x
e =
k!
ex = 1 +
(1.15)
(1.16)
k=0
Podemos probar, usando un examen racional, que esta serie converge. De esta manera, podemos decir que
la funcin exponencial mostrada arriba es continua y se puede denir fcilmente.
De esta denicin, podemos probar la siguiente propiedad de las exponenciales que resulta ser muy til,
especialmente para los exponenciales que se discutirn en la siguiente seccin.
ex1 +x2 = (ex1 ) (ex2 )
(1.17)
1.5.1.2 Exponencial Complejo de Tiempo-Continuo

Para todos los nmeros complejos
s,
podemos denir una
seal exponencial compleja de tiempo-
continuo como:
f (t)
= Aest
(1.18)
= Aejt
donde
es una constante,
es la variable independiente tiempo, y para
ecuacin podemos revelar una importante identidad, la

13
Euler lea su biografa short biography
imaginaria,
s = j .
De esta
identidad de Euler (para ms informacin sobre
):
Aejt = Acos (t) + j (Asin (t))

10 "Transfer Functions" <http://cnx.org/content/m0028/latest/>
12 "Complex Numbers" <http://cnx.org/content/m0081/latest/>
13 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Euler.html
(1.19)
CHAPTER 1. SEALES
20
De la identidad de Euler podemos separar la seal en su parte imaginaria y en su parte real.
Tambin
podemos observar el uso de exponenciales para representar cualquier seal real. Si modicamos la frecuencia
y el ngulo, podriamos representar cualquier seal por medio de una superposicin de muchas sealestodas
deben ser representadas por un exponencial.
La expresin anterior no incluye ninguna informacin del ngulo. Debemos generalizar la expresin de
exponenciales para generalizar funciones senosoidales con cualquier valor en el ngulo, esto se logra al hacer
una sustitucin de
s, s = + j ,
que al nal nos lleva a
f (t)
= Aest
= Ae(+j)t
(1.20)
t jt
= Ae e
donde
se dene como la
amplitud compleja, o fasor, de los primeros dos trminos de la ecuacin de
arriba
S = Aet
(1.21)
Tomando en cuenta la identidad de Euler, podemos escribir el exponencial como un senosoidal, donde el
trmino del ngulo es mas notable.
f (t) = Aet (cos (t) + jsin (t))
(1.22)
Esta frmula se puede descomponer en su parte real e imaginaria:
Re (f (t)) = Aet cos (t)
(1.23)
Im (f (t)) = Aet sin (t)
(1.24)
1.5.1.3 Exponencial Complejo en Tiempo-Discreto

seal
exponencial compleja en tiempo-discreto, de la cual no daremos tantos detalles como lo hicimos para su
Finalmente, hemos llegado a la ltima forma de seales exponenciales que nos interesan estudiar, la
contraparte, ya que las dos siguen las mismas propiedades y usan la misma lgica ya explicada previamente.
Por ser discreta, tiene una diferencia en la notacin usada para representar su naturaleza discreta
f [n]
= BesnT
= BejnT
donde
nT
(1.25)
representa los instantes de tiempo-discreto de la seal.
1.5.2 La Relacin de Euler

Junto a la identidad de Euler, Euler tambin describe una manera de representar una seal exponencial
compleja en trminos de su parte real e imaginaria usando la siguiente relacin:
cos (t) =
ejwt + e(jwt)
2
(1.26)
sin (t) =
ejwt e(jwt)
2j
(1.27)
ejwt = cos (t) + jsin (t)
(1.28)
21
1.5.3 Dibujando el Exponencial Complejo

Hasta este momento, nosotros hemos demostrado como un exponencial complejo se puede separar en su
parte real e imaginaria.
Ahora tenemos que ver como se gracan todas estas partes.
Podemos observar
que la parte real y la parte imaginaria estn compuestas por un senosoidal multiplicado por una funcin de
exponencial real. Tambin sabemos que los senosoidales oscilan entre el valor uno y negativo uno. Entonces
se puede ver que las partes reales e imaginarias del exponencial complejo oscilarn dentro de una ventana
denida por la parte real del exponencial.
(a)
(b)
(c)
Figure 1.21: Las formas posibles para la parte real de un exponencial complejo. Note que la oscilacin
es el resultado de un coseno con un mximo local en t = 0. (a) Si es negativa, tenemos el caso de una
ventana de un exponencial que desciende. (b) Si es positivo, tenemos el caso de una ventana de un
exponencial que crece. (c) Si es cero, tenemos una ventana constante.
Mientras el
determina el ndice de las oscilaciones.

es parte del argumento usado en la parte que corresponde al senosoidal.
determina el ndice de decrecimiento/ crecimiento,
Esto se puede notar al observar que
(Solution on p. 26.)
Exercise 1.1
Cmo se ven las partes imaginarias del exponencial complejo en el dibujo previo?
Example 1.3
La siguiente demostracin le permite ver como el argumento cambia la forma del exponencial
complejo. Por favor oprima aqu
14
para ver las instrucciones de como se usa este demo.
This is an unsupported media type. To view, please see

http://cnx.org/content/m12825/latest/Complex_Exponential.vi
14 "How
to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/>
CHAPTER 1. SEALES
22
1.5.4 El Plano Complejo

Se convierte de extrema importancia el ver la variable compleja
15
como un punto en el plano complejo
(el
plano-s).
Este es el plano-s. Note que en cualquier momento en que s se encuentre en el lado

derecho del plano, el exponencial complejo crecer con el tiempo, mientras que si por el contrario s se
encuentra en el lado izquierdo, el exponencial complejo disminuir.
Figure 1.22:
1.6 Seales en Tiempo-Discreto16

Hasta este punto, hemos tratado solo con seales y sistemas
anlogos. En trminos matemticos, seales
anlogas son funciones que constan de cantidades continuas como sus variables independientes, por ejemplo,
espacio y tiempo. Seales de tiempo-discreto
17
son funciones denidas en nmeros enteros; son secuencias.
Uno de los resultados fundamentales en la teora de seales
18
detalla las condiciones en las cuales las seales
anlogas pueden ser trasformadas en una seal de tiempo-discreto y ser recuperada sin ningn tipo de
error.
Este resultado es importante por que las seales de tiempo-discreto pueden ser manipuladas por sistemas
de respuesta instantnea como los son los programas de computadoras.
En los mdulos subsecuentes se
describen como todos los sistemas anlogos se pueden implementar virtualmente con el uso de software.
Sin darle importancia a estos resultados, las seales de tiempo-discreto tienen una forma ms general,
abarcando seales derivadas de seales anlogas
y de otro tipo
de seales. Por ejemplo, los caracteres que
forman un archivo de escritura proveniente de una secuencia, que tambin son una seal de tiempo-discreto.
Tambin tenemos que tratar con seales y sistemas de valor simblico
19
15 "The Complex Plane" <http://cnx.org/content/m10596/latest/>

17 "Discrete-Time Signals and Systems" <http://cnx.org/content/m10342/latest/>
18 "The Sampling Theorem" <http://cnx.org/content/m0050/latest/>
19 "Discrete-Time Signals and Systems" <http://cnx.org/content/m10342/latest/#para11>
23
Como en seales anlogas, buscamos distintas maneras de descomponer seales discretas con valor real
en sus componentes ms simples. Con este mtodo que nos lleva a un mayor entendimiento de estructura de
seales, podemos usar esta estructura para representar informacin (crear maneras de representar informacin con seales) y de extraer informacin (extraer la informacin que es representada). Para seales de valor
simblico este mtodo es diferente: desarrollamos una representacin comn para todas las seales de valor
simblico para as representar la informacin que ellas contienen de una manera unicada. Desde el punto
de vista de la representacin de informacin, la cuestin ms importante es la eciencia para las seales de
valor simblico y reales; la eciencia es la manera ms compacta y rpida de representar informacin para
que pueda ser despus extrada.
1.6.1 Seales de Valores Reales y Complejos

Una seal discreta es representada simblicamente como
s (n),
donde
n = {. . . , 1, 0, 1, . . . }.
Usualmente
dibujamos seales discretas por medio de diagramas de lnea (Stem Plots) para enfatizar el hecho que son
funciones denidas en nmeros enteros. Podemos retrasar la seal discreta por un nmero, tal como se hace
en las seales anlogas.
cuando
El retraso de un muestreo unitario es expresado por
(n m),
y es igual a uno
n = m.
Seal del Coseno en Tiempo-Discreto
sn
1
Seal del Coseno en Tiempo-Discreto es gracada con una "stem plot". Puede usted
encontrar la frmula para esta seal?
Figure 1.23:
1.6.2 Exponenciales Complejos

La seal ms importante es la
secuencia del exponencial complejo .
s (n) = ej2f n
(1.29)
1.6.3 Senosoidales
Los senosoidales discretos tienen la forma de
s (n) = Acos (2f n + ).
Al contrario de exponenciales com-
plejos y senosoidales anlogos que pueden tener frecuencias con cualquier valor real, frecuencias para seales
solo
1
1
2 , 2 . Esta propiedad se puede tener al
notar que cuando se suma un valor a la frecuencia del exponencial complejo discreto no afecta en ninguna
discretas dan formas nicas
cuando
est en el intervalo
manera a los valores de la seal.
ej2(f +m)n
= ej2f n ej2mn
(1.30)
= ej2f n
La derivacin es porque el exponencial complejo evaluado en un mltiplo de
es igual a uno.
CHAPTER 1. SEALES
24
1.6.4 Muestreo Unitario

La segunda seal importante en el tiempo discreto, est denida por:
1 if n = 0
(n) =
0 otherwise
(1.31)
Muestreo Unitario
n
1
n
Figure 1.24:
Muestreo Unitario.
Al examinar la grca de seales discretas, como el coseno mostrado en la gura Figure 1.23 (Seal del
Coseno en Tiempo-Discreto), se puede observar que todas la seales consisten en muestreos unitarios que
son desplazados y escalados por un valor real. El valor de una secuencia a cualquier nmero
s (m)
y el desplazamiento que ocurre en
cualquier
es escrito por
(n m),
m es escrito por
por esta razn podemos descomponer
seal en una suma de muestras unitarias desplazadas a una localizacin apropiada y escalada por
el valor de una seal.
s (n) =
(s (m) (n m))
(1.32)
m=
Este tipo de descomposicin es nica para seales discreta.
Sistemas discretos pueden actuar sobre seales en tiempo discreto en forma similar a las vistas en seales y
sistemas anlogos. Debido al rol que juega el software sobre sistemas discretos, una gran variedad de sistemas
pueden ser desarrolladas y construidas a diferencia de las que se pueden lograr usando seales anlogas. De
hecho, una clase especial de seales anlogas pueden ser convertidas en seales discretas, procesadas por
software, y convertidas despus en seales anlogas, todo esto sin errores. Para estas seales, varios sistemas
pueden ser producidos en software, con realizaciones anlogas equivalentes siendo difciles de formar, si no
es que imposibles de disear.
1.6.5 Seales de Valores Simblicos

Otro aspecto interesante de seales discretas es que sus valores no tienen que ser nmeros reales. Nosotros
si tenemos seales discretas con valores reales como el sinusoidal, pero tambin tenemos seales que indican
una secuencia de nmeros usados en el teclado de computadoras. Esos caracteres no son nmeros reales,
y como posible coleccin de valores, tienen muy poca estructura matemtica y nada ms constante con
el hecho que son miembros de un conjunto. Cada elemento de una seal de valores simblicos
valores
{a1 , . . . , aK } que forman parte de un alfabeto A.
s (n)
toma
Esta terminologa tcnica no restringe los smbolos
a ser miembros de un alfabeto del idioma ingles o griego. Ellos pueden representar caracteres en un teclado,
byte (secuencias de 8-bits), nmeros que pudieran signicar una temperatura.
construidos de circuitos digitales, que consisten
completamente
Los sistemas digitales son
de circuitos con elementos anlogos.
La
retransmisin y recepcin de seales discretas, como el correo electrnico, son posibles gracias al uso de
sistemas y seales anlogas. Entender como las seales discretas y anlogas se interelacionan una con otra
es el objetivo principal de este curso.
25
1.7 Exponencial Complejo Discreto20
20 This
CHAPTER 1. SEALES
26
Solutions to Exercises in Chapter 1

Solution to Exercise 1.1 (p. 21)
Se ve igual excepto que la oscilacin es senosoidal y no cosenoidal (pasa por el origen y no tiene ningn
mximo local en
t = 0).
Chapter 2
Sistemas
2.1 Clasicacin y Propiedades de los Sistemas1
2.1.1 Introduccin
En este mdulo algunas de las clasicaciones bsicas de sistemas sern temporalmente introducidas mientras
que las propiedades ms importantes de sistemas sern explicadas. Como puede ser visto, las propiedades de
los sistemas proveen una manera sencilla de separar un sistema de otro. Entender la diferencia bsica entre
sistemas, y sus propiedades, ser un concepto fundamental utilizado en todos los cursos de seales y sistemas,
as como de procesamiento digital de seales (Digital Signal Processing) DSP. Una vez que el conjunto de
seales puede ser identicado por compartir propiedades particulares, uno ya no tiene que proveer ciertas
caractersticas del sistema cada vez, pero pueden ser aceptadas debido a la clasicacin de los sistemas.
Tambin cabe recordar que las clasicaciones presentadas aqu pueden no ser exclusivas (los sistemas pueden
pertenecer a diferentes clasicaciones) ni nicas (hay otros mtodos de clasicacin
). Algunos ejemplos de
sistemas simples se podrn encontrar aqui .
2.1.2 Classicacin de los Sistemas

4
A travs de la siguiente clasicacin, tambin es importante entender otras Clasicaciones de Seales .
2.1.2.1 Contino vs. Discreto

Esta tal vez sea la clasicacin ms sencilla de entender como la idea de tiempo-discreto y tiempo continuo
que es una de las propiedades ms fundamentales de todas las seales y sistemas. Un sistema en donde las
sistema continuo, y uno en donde las seales de entrada

sistema discreto .
seales de entrada y de salida son continuas es un

y de salida son discretas es un
2.1.2.2 Lineal vs. No-lineal

Un sistema
lineal es un sistema que obedece las propiedades de escalado (homogeneidad) y de superposicin

no-lineal es cualquier sistema que no obedece al menos una de estas
(aditiva), mientras que un sistema

propiedades.
Para demostrar que un sistema
obedece la propiedad de escalado se debe mostrar que:
H (kf (t)) = kH (f (t))

2 "Introduction to Systems" <http://cnx.org/content/m0005/latest/>
3 "Simple Systems" <http://cnx.org/content/m0006/latest/>
4 "Signal Classications and Properties" <http://cnx.org/content/m10057/latest/>
27
(2.1)
CHAPTER 2. SISTEMAS
28
Figure 2.1:
Un diagrama de bloque demostrando la propiedad de escalado de linealidad
Para demostrar que un sistema
obedece la propiedad de superposicin de linealidad se debe mostrar
que:
H (f1 (t) + f2 (t)) = H (f1 (t)) + H (f2 (t))
Figure 2.2:
(2.2)
Un diagrama de bloque demostrando la propiedad de superposicin de linealidad
Es posible vericar la linealidad de un sistema en un paso sencillo. Para hace esto, simplemente combinamos los dos primero pasos para obtener
H (k1 f1 (t) + k2 f2 (t)) = k2 H (f1 (t)) + k2 H (f2 (t))
(2.3)
2.1.2.3 Invariante en el Tiempo vs. Variante en el Tiempo

Un sistema
invariante en el tiempo es aquel que no depende de cuando ocurre: la forma de la salida no
cambia con el retraso de la entrada. Es decir que para un sistema

en el tiempo si para toda
donde
H (f (t)) = y (t), H
es invariante
T
H (f (t T )) = y (t T )
(2.4)
29
Este diagrama de bloque muestra la condicin de la invariante en el tiempo. La Salida es

la misma si el retraso es colocado en la entrada o en la salida.
Figure 2.3:
Cuando esta propiedad no aplica para un sistema, entonces decimos que el sistema es
variante en el
tiempo o que vara en el tiempo.

2.1.2.4 Causal vs. No-Causal
Un sistema
causal es aquel que es no-anticipativo; esto es, que las salidas dependen de entradas presentes
y pasadas, pero no de entradas futuras. Todos los sistemas en tiempo real deben ser causales, ya que no
pueden tener salidas futuras disponibles para ellos.
Uno puede pensar que la idea de salidas futuras no tiene mucho sentido fsico; sin embargo, hasta ahora
nos hemos estado ocupando solamente del tiempo como nuestra variable dependiente, el cual no siempre es
el caso. Imaginmonos que quisiramos hacer procesamiento de seales; Entonces la variable dependiente
representada por los pxeles de la derecha y de la izquierda (el futuro) de la posicin actual de la imagen.
Entonces tendramos un sistema
no-causal.
CHAPTER 2. SISTEMAS
30
(a)
(b)
(a) Para que un sistema tpico sea causal... (b) ...la salida en tiempo t0 , y (t0 ), puede
solamente depender de la porcin de la seal de entrada antes t0 .
Figure 2.4:
2.1.2.5 Estable vs. Inestable

Un sistema
estable es uno donde las salidas no divergen as como las entradas tampoco divergen. Hay
muchas maneras de decir que una seal diverge; por ejemplo puede tener energa innita. Una denicin
particularmente til de divergencia es relacionar si la seal esta acotada o no. Entonces se reere al sistema
como
entrada acotada-salida acotada (BIBO) (Bounded input-bounded output) establece que
posible
entrada acotada produce una salida acotada.
toda
31
Representado
propiedades,donde
esto
x (t)
de
una
manera
es la entrada y
matemtica,
y (t)
un
sistema
estable
debe
tener
las
siguientes
es la salida; la cual debe satisfacer la condicin
|y (t) | My <
(2.5)
cuando tenemos una entrada del sistema esta puede ser descrita como
|x (t) | Mx <
Mx
toda
t.
My
(2.6)
ambas representan un conjunto de nmeros enteros positivos y esta relacin se mantiene para
Si estas condiciones no son satisfechas, es decir, las salidas del sistema con entrada acotada crecen sin
limite (divergen), entonces el sistema es
inestable. Notemos que la estabilidad BIBO de un sistema lineal
invariante en el tiempo (LTI) es descrito cuidadosamente en trminos de si es o no completamente integrable
la respuesta al impulso.
2.2 Propiedades de los Sistemas6

2.2.1 Sistemas Lineales
Si un sistema es lineal, quiere decir que cuando la entrada de un sistema dado es escaldado por un valor, la
salida del sistema es escalado por la misma cantidad.
Escalado Lineal
(a)
(b)
Figure 2.5
En la Figure 2.5(a) de arriba, la entrada

valor
por
del sistema lineal
da la salida
y.
Si
es escalada por un
y es pasada a travs del mismo sistema, como en la Figure 2.5(b), la salida tambin ser escalada
.
Un sistema lineal tambin obedece el principio de superposicin. Esto signica que si dos entradas son
sumadas juntas y pasadas a travs del sistema lineal, la salida ser equivalente a la suma de las dos entradas
evaluadas individualmente.
5 "BIBO Stability" <http://cnx.org/content/m10113/latest/>

CHAPTER 2. SISTEMAS
32
(a)
(b)
Figure 2.6
Principio de Superposicin
Si Figure 2.6 es cierto, entonces el principio de superposiccin dice que Figure 2.7 (Principio
de Superposicin) tambin es cierto. Esto es vlido para un sistema lineal.
Figure 2.7:
Esto es, si Figure 2.6 es cierta, entonces Figure 2.7 (Principio de Superposicin) tambin es cierta para
un sistema lineal. La propiedad de escalado mencionada anteriormente tambin es vlida para el principio de
superposicin. Por lo tanto, si las entradas x y y son escaladas por factores
y ,
respectivamente, entonces
la suma de estas entradas escaladas dar la suma de las salidas escaladas individualmente.
(a)
(b)
Figure 2.8
33
Principio de Superposicin con Escaldo Lineal
Figure 2.9: Dado Figure 2.8 para un sistema lineal, Figure 2.9 (Principio de Superposicin con Escaldo
Lineal) tambin es vlido.
2.2.2 Time-Invariant Systems

Un sistema invariante en el tiempo TI (Time-Invariant) tiene la propiedad de que cierta entrada siempre
dar la misma salida, sin consideracin alguna a cuando la entrada fue aplicada al sistema.
Sistema Invariante en el Tiempo
(a)
(b)
Figure 2.10(a) muestra una entrada en tiempo t mientras que Figure 2.10(b) muestra la
misma entrada t0 segundos despus. En un sitema invariante en el tiempo ambas salidas sern identicas
excepto la de la Figure 2.10(b) estar retrasada por t0 .
Figure 2.10:
En esta gura,
x (t t0 ) son pasadas a travs del sistema TI. Ya que el sistema TI es invariante

x (t) y x (t t0 ) producen la misma salida. La nica diferencia es que la salida
cambiada por el tiempo t0 .
x (t)
en el tiempo, las entradas

debida a
x (t t0 )
es
Si un sistema es invariante en el tiempo o de tiempo variado puede ser visto en la ecuacin diferencial
(o ecuacin en diferencia) descrita.
coecientes constantes.
parmetros del sistema
Los sistemas invariantes en el tiempo son modelados con ecuaciones de
Una ecuacin diferencial(o en diferencia) de coecientes constantes signica que los
no
van cambiando a travs del tiempo y que la entrada nos dar el mismo resultado
ahora, as como despus.
2.2.3 3 Sistemas Lineales Invariantes en el Tiempo (LTI)

A los sistemas que son lineales y al mismo tiempo invariantes en el tiempo nos referiremos a ellos como
sistemas LTI (Linear Time-Invariant).
CHAPTER 2. SISTEMAS
34
Sistemas Lineales Invariantes en el Tiempo
(a)
(b)
Esto es una combinacin de los dos casos de arriba. Dado que la entrada Figure 2.11(b)
es una versin escalada y desplazada en el tiempo de la entrada de Figure 2.11(a), tambin es la salida.
Figure 2.11:
Como los sistemas LTI son subconjuntos de los sistemas lineales, estos obedecen al principio de superposicin.
En la gura de abajo, podemos ver el efecto de aplicar el tiempo invariante a la denicin de
sistema lineal de la seccin anterior.
(a)
(b)
Figure 2.12
Superposicin en Sistemas Lineales Invariantes en el Tiempo
Figure 2.13:
El principio de superposicin aplicadado a un sistema LTI
2.2.3.1 Sistemas LTI en Series

Si dos o mas sistemas estn en serie uno con otro, el orden puede ser intercambiado sin que se vea afectada
la salida del sistema. Los sistemas en series tambin son llamados como sistemas en cascada.
35
Sistema LTI en Cascada
(a)
(b)
Figure 2.14:
resultado.
El orden de los sistemas LTI en cascada pueden ser intercambiado sin verse afectado el
2.2.3.2 Sistemas LTI en Paralelo

Si dos o mas sistemas LTI estn en paralelo con otro, un sistema equivalente es aquel que esta denido como
la suma de estos sistemas individuales.
Sistemas LTI en Paralelo
(a)
Figure 2.15:
(b)
Los sistemas de paralelo pueden ser resumidos en la suma de los sistemas.
CHAPTER 2. SISTEMAS
36
2.2.4 Causalidad
Un sistema es causal si este no depende de valores futuros de las entradas para determinar la salida.
signica que si la primer entrada es recibida en tiempo
t0 ,
Lo que
el sistema no deber dar ninguna salida hasta ese
tiempo. Un ejemplo de un sistema no-causal puede ser aquel que al detectar que viene un entrada da la
salida antes de que la entrada llegue.
Sistema no-Causal
Figure 2.16:
en el tiempo.
En este sistema no-causal, la salida es producida dado a una entradad que ocurri despus
Un sistema causal tambin se caracteriza por una respuesta al impulso
h (t)
que es cero para
t < 0.
Chapter 3
Anlisis de Sistemas de Tiempo
Continuo en el Dominio del Tiempo
3.1 Sistemas Lineales CT y Ecuaciones Diferenciales1
3.1.1 Sistemas Lineales de Tiempo-Continuo
Fsicamente realizable, los sistemas lineales invariantes en el tiempo pueden ser descritos por un conjuto de
ecuaciones lineales diferenciales:
Figure 3.1:
Describcin grca de un sistema bsico lineal invariante en el tiempo con una entrada,
f (t) y una salida, y (t).
dn
dn1
d
dm
d
y
(t)
+
a
y
(t)
+
+
a
y
(t)
+
a
y
(t)
=
b
f (t) + + b1 f (t) + b0 f (t)
n1
1
0
m
n
n1
m
dt
dt
dt
dt
dt
Equivalentemente,
n
X
i=0
con
X

m
di
di
ai i y (t) =
bi i f (t)
dt
dt
i=0
(3.1)
an = 1.
Es fcil mostra que estas ecuaciones denen un sistema que es lineal e invariante en el tiempo. Entonces
una pregunta natural es cmo encontrar la respuesta al impulso del sistema
y (t)
para una entrada
f (t)?.
Recordando que tal solucin se puede escribir como:
y (t) = yi (t) + ys (t)

Nos referimos a
yi (t)
como la
respuesta de salida-cero la solucin homogenea debido a las condiciones

ys (t) como la respuesta de estado-cero la solucin particular en
iniciales del sistema. Nos referimos a
1 This

37
CHAPTER 3. ANLISIS DE SISTEMAS DE TIEMPO CONTINUO EN EL

DOMINIO DEL TIEMPO
38
respuesta a la entrada
f (t).
Ahora veremos como resolver cada una de estos componentes de la respuesta
del sistema.
3.1.1.1 Encontrando la Respuesta de Entrada-Cero

La respuesta de la entrada-cero,
yi (t),
es la respuesta del sistema debido solo a las condiciones iniciales .
Example 3.1: Respuesta de la Entrada-Cero

Poner un voltaje a travs de una capacitor en un circuito dibujado a continuacin y deje todo lo
dems solo.
Figure 3.2
Example 3.2: Respuesta de la Entrada-Cero

Imagine una masa unidia a un resorte como se muestra a continuacin. Cuando jala la masa hacia
abajo y la suelte, usted tiene un ejemplo de la respuesta de la entrada-cero.
Figure 3.3
No hay entrada, as que resolvemos para:
n
X
y0 (t)
ai
i=0
Si
tal que

di
y
(t)
= 0 , an = 1
0
dti
(3.2)
es el operador derivado, podemos escribir la ecuacin anterior como:

Dn + an1 Dn1 + + a0 y0 (t) = 0
una suma de varios y0 (t)'s dervados para
nPuesto que necesitamos
o
d
d2
y0 (t) , dt
y0 (t) , dt
y
(t)
,
.
.
.
deben de ser todos de la misma forma.
2 0
Solo el exponencial,
est
donde
s C,
(3.3)
ser
0 para todo t,
entonces
tiene esta propiedad (vase un libro de texto de Ecuaciones
Diferenciales para ms detalles). As que asumimos que,
y0 (t) = cest , c 6= 0
para algun
Since
d
dt y0
s.
(t) = csest ,
(3.4)
d2
dt2 y0
(t) = cs2 est , . . .
tenemos

Dn + an1 Dn1 + + a0 y0 (t) = 0

c sn + an1 sn1 + + a1 s + a0 est = 0
(3.5)
39
(3.5) se mantiene para todo
solo cuando
sn + an1 sn1 + + a1 s + a0 = 0
ecuacin caracterstica del sistema. Los posibles valores de
Donde esta ecuacin es conocida como la

son las raices o ceros de este polinomio
(3.6)
{s1 , s2 , . . . , sn }
(s s1 ) (s s2 ) (s s3 ) . . . (s sn ) = 0
es decir las posibles soluciones son:
c1 es1 t , c2 es2 t , . . ., cn esn t .
Ya que el sistema es
lineal, la solucin general
es de la forma:
y0 (t) = c1 es1 t + c2 es2 t + + cn esn t

Entonces, resolver para
{c1 , . . . , cn }
(3.7)
usando las condiciones iniciales.
Example 3.3
Vase Lathi p.108 para un buen ejemplo.
Generalmente asumimos que las IC's de un sistema son cero, lo que implica que
el
mtodo
de resolver para
yi (t)
yi (t) = 0.
Sin embargo,
se probar ms adelante.
3.1.1.2 Encontrando la Respuesta del Estado-Cero

Resolviendo una ecuacin lienal diferencial
n
X
i=0
dada una entrada especca
f (t)
X

m
di
di
bi i f (t)
ai i y (t) =
dt
dt
i=0
(3.8)
es una tarea difcil en general. Ms importantemente, el mtodo depende
completamente en la naturaleza de
f (t);
si cambiamos la seal de entrada, debemos de re-resolver el sistema
de ecuaciones para encontrar la respuesta del sistema.

La Convolucin (Section 3.2) nos ayuda a pasar estas dicultades.
En la seccin explicamos como la
convolucin nos ayuda a determinar la salida del sistema, dada solo la entrada
del sistema,
f (t) y la respuesta al impulso
h (t).
Antes de derivar el procedimiento de convolucin, mostramos que la respuesta al impulso es derivada

facilmente de su ecuacin lineal diferencial (LDE). Mostraremos la derivacin del siguiente LDE, donde
m < n:
dn
dn1
d
d
dm
y (t) + an1 n1 y (t) + + a1 y (t) + a0 y (t) = bm m f (t) + + b1 f (t) + b0 f (t)
n
dt
dt
dt
dt
dt
(3.9)
Podemos reescribir (3.9) como
QD [y (t)] = PD [f (t)]
donde
QD []
es una operador que mapea
QD [y (t)] =
y
PD []
mapea
f (t)
y (t)
(3.10)
al lado izquierdo de la (3.9)
dn
dn1
d
y
(t)
+
a
y (t) + + a1 y (t) + a0 y (t)
n1
dtn
dtn1
dt
al lado derecho de la (3.9).
(3.11)
Lathi muestra (en el Apendice 2.1) que la respuesta al
impulso del sistema descrito por (3.9) es dado por:
h (t) = bn (t) + PD [yn (t)] (t)

donde para
m < n
we have
bn = 0.
Tambin,
yn
(3.12)
igual a la respuesta salida-cero con las condiciones
iniciales.
y n1 (0) = 1, y n2 (0) = 1, . . . , y (0) = 0

DOMINIO DEL TIEMPO
40
3.2 Convolucin de Tiempo-Continuo2

3.2.1 Motivacin
La convolucin nos ayuda a determinar el efecto que tiene el sistema en la seal de entrada. Puede ser visto
que el sistema lineal de tiempo invariante (Section 2.1) es completamente caracterizado por su respuesta
al impulso. A primera vista, esto puede parecer de pequeo uso, ya que las funciones de impulso no estn
bien denidas en aplicaciones reales.
Sin embargo la propiedad de desplazamiento del impulso nos dice
que una seal puede ser descompuesta en una suma innita (integral) de impulsos escalados y desplazados.
Conociendo como un sistema afecta un impulso simple, y entendiendo la manera en que una seal es abarcada
por impulsos escaldos y sumados, suena razonable que sea posible escalar y sumar la respuesta al impulso
a un sistema en para poder determinar que seal de salida resultara de una entrada en particular.
Esto
la convolucin determina la salida del sistema por medio

conocimiento de la entrada y la respuesta al impulso del sistema.
es precisamente lo que la convolucin hace -
En el resto de este modulo, vamos a examinar exactamente como la convolucin es denida a partir
del razonamiento anterior.
Esto resultara en la integral de convolucin (vase la siguiente seccin) y sus
propiedades (Section 3.3). Estos conceptos son muy importantes en la Ingeniera Elctrica y harn la vida
de los ingenieros mas sencilla si se invierte el tiempo en entender que es lo que esta pasando.
Para poder entender completamente la convolucin, ser de utilidad tambin ver la convolucin de tiempo
discreto
). Tambin ser de gran ayuda experimentar con los applets
disponibles en internet. Este recurso
nos ofrecer una aproximacin mas crucial del concepto.
3.2.2 Integral de Convolucin

Como mencionamos anteriormente, la integral de convolucin nos da una manera matemtica fcil de expresar
la salida de un sistema LTI basado en una seal arbitraria,
x (t),y la respuesta al impulso, h (t).
La
integral
de convolucin es expresada como
x ( ) h (t ) d
y (t) =
(3.13)
La convolucin es una herramienta muy importante que es representada por el smbolo
, y puede ser escrita
como
y (t) = x (t) h (t)

Haciendo unos cambios simples en las variables de la integral de convolucin,
la convolucin es
(3.14)
= t ,
podemos ver que
conmutativa:
x (t) h (t) = h (t) x (t)
(3.15)
Para ms informacin de las caractersticas de la integral de convolucin, lase sobre la Propiedades de la

Convolucin (Section 3.3).
Ahora presentaremos dos aproximaciones distintas que se derivan de la integral de convolucin. Estos
procesos, junto con un ejemplo bsico, nos ayudaran para construir una intuicin sobre la convolucin.
3.2.3 Proceso I: El mtodo corto

Este proceso sigue de cerca el mencionado en la seccin anterior en la Motivacin (Section 3.2.1: Motivacin).
Para iniciar esto, es necesario establecer las asunciones que haremos. En este momento, la nica obligada
en nuestro sistema es que este sea lineal e invariante en el tiempo.
Breve descripcin de los pasos de este Proceso:

3 "Discrete-Time Convolution" <http://cnx.org/content/m10087/latest/>
4 http://www.jhu.edu/signals
41
1. Un impulso de entrada, nos da como salida una respuesta al impulso.

2. Un impulso desplazado nos da como salida una respuesta al impulso desplazada. Esto es debido a la
invariante en el tiempo del sistema
3. Podemos escalar el impulso de entrada para obtener como salida un impulso escaldo. Esto es usando
la propiedad de linealidad de la multiplicacin escalar.
4. Podemos sumar un nmero innito de estos impulsos escalados para obtener un nmero innito de
sumas de respuestas al impulso escaladas. Esto es usando la cualidad de la aditividad de linealidad.
5. Ahora vemos que esta suma innita no es mas que una integral, as que podemos convertir ambos lados
en integrales.
6. Reconociendo que la entrada es la funcin
f (t),
tambin reconocemos que la salida es exactamente la
integral de convolucin .
Figure 3.4:
Empezamos con un sistema denido por su respuesta al impulso, h (t).
Figure 3.5:
Despus consideramos una versin desplazada del impulso de entrada. Debido al tiempo
invariante del sistema, obtenemos una versin de una salida desplazada de la respuesta al impulso.

DOMINIO DEL TIEMPO
42
R1
1f ( )(t
) d
R1
1f ( )h(t
) d
Ahora usamos la parte de escalado de linealidad, escalando el sistemas por un valor, f ( ),

que es constante con respecto al sistema variable, t.
Figure 3.6:
Ahora podemos usar el aspecto de aditividad de linealidad para sumar un nmero innito
de estos, para cada posible . Como una suma innita es exactamente una integral, terminamos con
la integral conocida como integral de convolucin. Usando la propiedad de desplazamiento, podemos
reconocer el lado izquierdo como la entrada f (t).
Figure 3.7:
3.2.4 Proceso II: El mtodo largo

Este mtodo realmente no es muy diferente del anterior, sin embargo es un poco mas riguroso y mas largo.
Esperanzadamente si no se comprendi bien el mtodo de arriba, esto te ayudara para terminar de entender
la convolucin.
El primer paso en este mtodo
es denir una realizacin particular de la funcin de impulso unitario.
Para esto usaremos
(t) =
1
if
<t<
0 otherwise
43
Figure 3.8:
La realizacin de la funcin de impulso unitario que usaremos para esta derivacin.
Despus de denir la realizacin de la unidad de respuesta al impulso, podemos obtener nuestra integral
de convolucin de los siguientes pasos que se encuentran en la siguiente tabla. Notemos que la columna de
la izquierda representa la entrada y la columna de la derecha es la salida del sistema dada esa entrada.
Proceso II de la Integral de Convolucin

Entrada
Salida
lim (t)
lim (t n)
lim f (n) (t n)
P
lim n (f (n) (t n) )
0
R
f ( ) (t ) d
f (t)
h
h
lim h (t)
lim h (t n)
lim f (n) h (t n)
P
lim n (f (n) h (t n) )
0
R
f ( ) h (t ) d
R
y (t) = f ( ) h (t ) d
3.2.5 Implementacin de la Convolucin

Tomando una visin mas cercana de la integral de convolucin, encontramos que estamos multiplicando la
seal de entrada por una respuesta al impulso invertida en tiempo e integrndola. Esto nos dar el valor de la
salida de un valor dado de t. Si despus nosotros cambiamos la respuesta al impulso invertida en tiempo por
una pequea cantidad, obtenemos la salida para otro valor de t. Repitiendo esto para cada posible valor de t,
nos da la funcin total de salida. Nosotros nunca haremos este mtodo a mano, nos proporciona informacin
con algunas entradas de que es lo que esta pasando. Encontramos que esencialmente estamos revirtiendo
la funcin de la respuesta al impulso y desplazndola a travs de la funcin de entrada, integrndola como
vamos. Este mtodo, descrito como el
metodo grco, nos proporciona una manera sencilla de resolver
las salidas para seales sencillas, mientras tanto mejoraremos nuestra intuicin para los casos mas complejos

DOMINIO DEL TIEMPO
44
donde conaremos en las computadoras. De hecho las Texas Instruments

6
Digital de Seales
se convierten en Procesamiento
las cuales tienen un conjunto especial para cmputos as como para la convolucin.
Example 3.4
Esta demostracin ilustrara el mtodo grco para la convolucin. Vase aqu
para las instruc-
ciones de cmo se usa este demo.

http://cnx.org/content/m12828/latest/CT_Convolution.llb
3.2.6 Ejemplos Bsicos

Veamos ejemplos de la convolucin bsica de tiempo-continuo para poder expresar algunas ideas mencionadas
anteriormente en el ejemplo corto. Vamos a convolver dos pulsos unitarios,
(a)
Figure 3.9:
x (t)
h (t).
(b)
Aqui hay dos seales bsicas que usaremos para convolucionar juntas.
3.2.6.1 Reejada y Desplazada

Ahora tomaremos una de las funciones y la reejaremos a travs del eje de las y. Despus debemos desplazar
la funcin, as como el origen, el punto de la funcin que originalmente estaba en el origen, esta marcada como
el punto
Este paso se muestra en la siguiente gura,
h (t ).
Como la convolucin es conmutativa no
importa que funcin es reejada y desplazada, sin embargo conforme las funciones se vuelven mas complicadas
reejar y desplazar la correcta nos har el problema mas sencillo.
5 http://www.ti.com
6 http://dspvillage.ti.com/docs/toolssoftwarehome.jhtml
7 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/>
45
Figure 3.10:
El pulso unitario reejado y desplazado.
3.2.6.2 Regiones de Integracin

Ahora veremos la funcin y dividiremos su dominio en dos lmites diferentes de integracin.
Estas dos
h (t ) sobre la otra funcin.
regiones diferentes pueden ser entendidas pensando en como nos desplazamos
Si la funcin fuera mas complicada necesitaremos tener mas limites para que las partes sobrepuestas de
las dos funciones puedan ser expresadas en una integral lineal sencilla. Para este problema tendremos las
siguientes cuatro regiones.
y
x (t)
Comprense estos limites de integracin con los de los bosquejos de
para ver si se puede entender el por que tenemos cuatro regiones.
integracin se reere al lado derecho de la funcin
h (t ),
marcada como
Ntese que
h (t )
en los limites de
entre cero y uno en la grca.
Los cuatro limites de integracin

1.
2.
3.
4.
t<0
0t<1
1t<2
t2
3.2.6.3 Usando la Integral de Convolucin

Finalmente estamos listos para unas pequeas matemticas. Usando la integral de convolucin, integremos
x (t) h (t ).
0 t < 1, requiere las
el producto de
regin,
Para la primer y cuarta regin es trivial pues siempre ser,
y (t)
Rt
0
1d
La tercer regin,
1 t < 2,
La segunda
(3.16)
= t
h (t )
0.
siguientes matemticas:
Tomemos nota de los cambios en nuestra integracin.
a travs de la otra funcin, la parte izquierda de la funcin,
t 1,
Conforme movemos
se convierte es nuestro limite

DOMINIO DEL TIEMPO
46
inferior para la integral. Esto se muestra a travs de la integral de convolucin como
y (t)
R1
1 (t 1)
2t
t1
1d
(3.17)
Las formulas anteriores muestran el mtodo para calcular la convolucin; sin embargo no deje que la
simplicidad de este ejemplo lo confunda cuando trabaje con otros problemas. El mtodo ser el mismo, solo
se tendr que tratar con mas matemticas en integrales mas complicadas.
3.2.6.4 Resultados de la Convolucin

As, obtenemos los siguientes resultados para nuestras cuatro regiones:
y (t) =
0 if t < 0
t if 0 t < 1
2 t if 1 t < 2
0 if t 2
(3.18)
Ahora que encontramos el resultado para cada una de las cuatro regiones, podemos combinarlas y gracar
la convolucin de
x (t) h (t).
Figure 3.11:
Muestra la respuesta al impulso de la entrada, x (t).
3.3 Propiedades de la Convolucin8

En este modulo veremos varias de las propiedades de convolucin que mas prevalecen.
Ntese que estas
propiedades se aplican a ambas convoluciones de tiempo continuo (Section 3.2) y de tiempo discreto (Section 4.2). (Vase los dos mdulos anteriores si necesita un repaso de convolucin). Tambin para algunas
8 This
47
demostraciones de las propiedades, usaremos las integrales de tiempo-continuo, pero podemos probarlas de
la misma manera usando las sumatorias de tiempo-discreto.
3.3.1 Asociatividad
Theorem 3.1: Ley Asociativa
f1 (t) (f2 (t) f3 (t)) = (f1 (t) f2 (t)) f3 (t)
Figure 3.12:
(3.19)
Implicacin grca de la propiedad de asociatividad de la convolucin.
3.3.2 Conmutatividad
Theorem 3.2: : Ley Conmutativa
= f (t) h (t)
y (t)
(3.20)
= h (t) f (t)
Proof:
Para probar la (3.20), lo nico que tenemos que hacer es un pequeo cambio de variable
en nuestra integral de convolucin (o suma),
f ( ) h (t ) d
y (t) =
(3.21)
Dejando
= t ,
podemos mostrar fcilmente que la convolucin es
y (t)
f (t ) h ( ) d
h ( ) f (t ) d
f (t) h (t) = h (t) f (t)
conmutativa:
(3.22)
(3.23)

DOMINIO DEL TIEMPO
48
Figure 3.13:
La gura muestra que ambas funciones pueden ser vistas como entradas del sistema
mientras lo otro es la respuesta al impulso.
3.3.3 Distribucin
Theorem 3.3: Ley Distributiva
f1 (t) (f2 (t) + f3 (t)) = f1 (t) f2 (t) + f1 (t) f3 (t)

Proof:
(3.24)
La demostracin de este teorema puede ser tomada directamente de la denicin de
convolucin y usando la linealidad de la integral.
49
Figure 3.14
3.3.4 Desplazamiento en el Tiempo

Theorem 3.4: Propiedad de Desplazamiento
Para
c (t) = f (t) h (t),
entonces
c (t T ) = f (t T ) h (t)
(3.25)
c (t T ) = f (t) h (t T )
(3.26)

DOMINIO DEL TIEMPO
50
(a)
(b)
(c)
Figure 3.15:
Demostracin Grca de la propiedad de desplazamiento.
3.3.5 Convolucin con un Impulso

Theorem 3.5: Convolucin con Impulso Unitario
f (t) (t) = f (t)

Proof:
Para este demostracin, dejaremos que
(3.27)
(t) sea el impulso unitario localizado en el origen.
Usando la denicin de convolucin empezamos con la integral de convolucin
f (t) (t) =
( ) f (t ) d
(3.28)
De la denicin del impulso unitario, conocemos que
( ) = 0
siempre que
6= 0.
Usamos este
hecho para reducir la ecuacin anterior y obtener lo siguiente:
f (t) (t) =
( ) f (t) d
R
= f (t) ( ( )) d
La integral de
( )
solo tendr un valor cuando
=0
(3.29)
(de la denicin del impulso unitario), por
lo tanto esa integral ser igual a uno. Donde podemos simplicar la ecuacin de nuestro teorema:
f (t) (t) = f (t)
(3.30)
51
(a)
(b)
Figure 3.16:
Las guras y ecuaciones anteriores, revelan la funcin identidad del impulso unitario.
3.3.6 Ancho
En tiempo continuo, si la
Duracin (f1 ) = T1
y la Duracin
(f2 ) = T2
Duracin (f1 f2 ) = T1 + T2
, entonces
(3.31)
52

DOMINIO DEL TIEMPO
(a)
(b)
(c)
Figure 3.17: En tiempo continuo, la duracin de la convolucin resulta igual a la suma de las longitudes
de cada una de las dos seales convolucionadas.
En tiempo discreto si la Duracin
(f1 ) = N1
y la Duracin
(f2 ) = N2
Duracin (f1 f2 ) = N1 + N2 1
, entonces
(3.32)
53
3.3.7 Causalidad
Si
son ambas causales, entonces
f h
tambin es causal.
3.4 Estabilidad BIBO9

BIBO es para entrada acotada, salida acotada (bounded input, bounded output).
condicin, tal que cualquier entrada acotada nos da una salida acotada.
BIBO estable es una
Esto es que conforme nosotros
pongamos una entrada estable, nos garantiza obtener una salida estable.
Para entender este concepto, primero debemos ver que signica exactamente acotado. Una seal acotada
es cualquier seal tal que existe un valor donde el valor absoluto de la seal nunca es mayor para algn valor.
Ya que el valor es arbitrario, lo que queremos decir es que en ningn punto la seal puede tender a innito.
Figure 3.18:
Una seal acotada es una seal para la cual existe un constante A tal que |f (t) | < A ,
Una vez que ya tenemos identicado lo que signica una seal acotada, debemos mover nuestra atencin
a la condicin que un sistema debe poseer para garantizar que si una seal pasa a travs del sistema, una
seal acotada se presentara en la salida. Resulta que un sistema LTI (Section 2.1) continuo en el tiempo con
una respuesta al impulso
h (t)
es estabilidad BIBO
si y solo si
Condicin de Tiempo-Continuo para Estabilidad BIBO
|h (t) |dt <
(3.33)
Esto es decir que la funcin de transferencia es
absolutamente integrable.
Extendiendo este concepto a tiempo- discreto tomamos la transicin estndar de integracin a sumatoria
y obtenemos la funcin de transferencia
h (n),
que debe ser
absolutamente sumable.
Esto es
Condicin de Tiempo-Discreto para Estabilidad BIBO
(|h (n) |) <
n=
9 This
(3.34)

DOMINIO DEL TIEMPO
54
3.4.1 Estabilidad y Laplace

La estabilidad es muy fcil de deducir desde la grca de polos y ceros (Section 14.6) de una funcin de
transferencia. La nica condicin necesaria para demostrar la estabilidad es demostrar que el eje-j es en
la regin de convergencia
(a)
(b)
(a) Ejemplo de una grca de polos y ceros para un sistema estable de tiempo-continuo.
(b) Ejemplo de una grca de polos y ceros para un sistema inestable de tiempo continuo.
Figure 3.19:
3.4.2 Estabilidad y la Transformada Z

La estabilidad para las seales de tiempo-discreto (Section 1.1) en el dominio-z (Section 15.1) es tan fcil
de demostrar como lo es para las seales de tiempo-continuo en el domino Laplace. Sin embargo en lugar
de la regin de convergencia ROC (region of convergence) necesaria para contener el eje-j , la ROC debe
contener el crculo unitario.
55
(a)
Figure 3.20:
(b)
(a) Un sistema estable de tiempo-discreto. (b) Un sistema inestable de tiempo-discreto.
56

DOMINIO DEL TIEMPO
Chapter 4
Anlisis de Sistemas Discretos en el
Dominio del Tiempo
4.1 Anlisis en el Dominio del Tiempo para Sistemas Discretos1
Una seal discreta
por que
n0
s (n)
es
retrasada
por
n0
muestras, cuando se escribe
s (n n0 ),
con
n 0 > 0.
Optamos
tenga avances negativos sobre los nmeros enteros. Opuesto a los retrasos anlogos , los retrasos
solo
discretos en el tiempo
pueden tener el valor de nmeros enteros. En el dominio de la frecuencia, el
retraso de la seal corresponde a un desplazamiento linear en el ngulo de la seal discreta de la Transformada

de Fourier
s (n n0 ) e(j2f n0 ) S ej2f
Un sistema
lineal
discreto tiene propiedades de superposicin:
S (a1 x1 (n) + a2 x2 (n)) = a1 S (x1 (n)) + a2 S (x2 (n))

Un sistema discreto es llamado
3
invariante al desplazamiento
(4.1)
( anlogo a los sistemas de tiempo invariante
) si el retraso en la entrada ocurre en la salida.

Si
S (x (n)) = y (n),
entonces
S (x (n n0 )) = y (n n0 )
(4.2)
Nosotros usamos el trmino invariante al desplazamiento para enfatizar que el retraso puede ocurrir solo
en los nmeros enteros del sistema discreto, mientras tanto en las seales anlogas, los retrasos pueden ser
valores arbitrarios.
Nosotros queremos concentrarnos en sistemas que son lineales e invariantes al desplazamiento. Esto ser
lo que nos permitir tener todo el control en el anlisis del dominio de la frecuencia y el control de su
implementacin. Por que no tenemos una conexin fsica en la construccindel sistema, necesitamos solamente tener especicaciones matemticas. En los sistemas anlogos, las ecuaciones diferenciales especican
la entrada y la salida del dominio del tiempo. La correspondiente especicacin discreta esta dada en una
ecuacin diferencial:
y (n) = a1 y (n 1) + + ap y (n p) + b0 x (n) + b1 x (n 1) + + bq x (n q)
La salida de la seal
y (n)
es relacionada a sus valores
pasados
y (n l), l = {1, . . . , p}, a los

x (n). Las
nmeros tendran los coecientes p y
por medio de
valores actuales y a los valores pasados de la entrada de la seal se representan por medio de
caractersticas del sistema son determinadas por la eleccin de cuantos
el valor de los coecientes
{a1 , . . . , ap }
{b0 , b1 , . . . , bq }.

2 "Simple Systems": Section Delay <http://cnx.org/content/m0006/latest/#delay>
3 "Simple Systems" <http://cnx.org/content/m0006/latest/#para4wra>
57
(4.3)
CHAPTER 4. ANLISIS DE SISTEMAS DISCRETOS EN EL DOMINIO DEL

TIEMPO
58
ademas:
el trmino
Hay una asimetra en los coecientes: Cundo es
y (n)
a0 ?
Estos coecientes multiplicaran
en (4.3). Nosotros dividiremos la ecuacin por ella, lo cual no cambiara la relacin
de salida-entrada. Hemos creado la siguiente convencin:
a0
es siempre uno.
Al contrario de una ecuacin diferencial que solo provee una descripcin
implcita
de un sistema (nosotros
debemos resolver la ecuacin diferencial), las ecuaciones diferenciales proveen una manera
resolverlas; calculando las salidas para cada entrada.
explicita
de
Nosotros simplemente expresaremos las ecuaciones
diferenciales con un programa que calcula cada salida usando valores previos, las corrientes del sistema y las
entradas previas.
Las ecuaciones diferenciales son usualmente expresadas en el software con iteraciones de
"for"
El
programa de MATLAB da informacin de los primeros 1000 valores formados por medio de las salidas.
for n=1:1000
y(n) = sum(a.*y(n-1:-1:n-p)) + sum(b.*x(n:-1:n-q));
end
Un detalle importante emerge cuando nosotros consideramos hacer que este programa funcione; de hecho,
como esta escrito tiene (por lo menos) dos errores. Qu valores de entrada y salida se pueden usar para
y (1)?
calcular
Nosotros necesitamos valores para
y (0), y (1),
..., valores que no tenemos aun.
Para
calcular estos valores necesitaremos valores previos. La manera de salir de este problema es especicar las
condiciones iniciales : debemos proveer

iniciales.
entradas.
los valores de la salida que ocurren antes que las entradas
Estos valores pueden ser arbitrarios, la decisin impacta el como responde el sistema con las
Una
decisin ocasiona un sistema lineal: Hacer la condicin inicial cero. La razn se encuentra
en la denicin de un sistema lineal
: La nica manera que las salidas de las suma pueda ser la suma de la
salida individual ocurre cuando la condicin inicial en cada caso es cero.
Exercise 4.1
La cuestin de la condicin inicial se resuelve al entender la ecuacin diferencial para cada entrada
que empieza en algn ndice. No obstante, el programa no trabaja por causa de la programacin,
no es conceptual y contiene errores. Qu es esto? , Com se puede "arreglar"?
Example 4.1
Vamos a considerar un sistema simple con:
p=1
q = 0.
y (n) = ay (n 1) + bx (n)
(4.4)
Para calcular la salida de algn ndice, esta ecuacin diferencial indica que nosotros necesitamos
la salida previa
y (n 1)
y que la seal de la entrada occura en ese momento del tiempo.
Sin
entrar a detalle, vamos a calcular la salida del sistema para un muestreo unitario como entrada:
x (n) = (n).
Ya que la entrada es cero para un ndice negativo, nosotros debemos empezar por
tratar de calcular la salida en
n = 0.
y (0) = ay (1) + b
Cul es el valor de
y (1)?
(4.5)
Ya que hemos usado la entrada de valor cero para todos los ndices
negativos, es razonable asumir que la salida tambin tiene un valor de cero.

ecuacin diferencial no describir el sistema lineal
no produjo cero en la salida.
n > 0,
4 "Simple
5 "Simple
Seguramente, la
si la entrada, la cual es cero todo el tiempo
Con esto podemos asumir:
y (1) = 0,
dejando
y (0) = b.
Para
la entrada de un muestrario unitario es cero, lo cual nos deja con la ecuacin diferencial
Systems": Section Linear Systems <http://cnx.org/content/m0006/latest/#linearsys>

Systems": Section Linear Systems <http://cnx.org/content/m0006/latest/#linearsys>
59
y (n) = ay (n 1) , n > 0
. Con esto nosotros podemos preveer como el ltro responde a esta
entrada para hacer una tabla:
y (n) = ay (n 1) + b (n)
x (n)
y (n)
ba
ba2
ban
(4.6)
Figure 4.1
Los valores del coeciente determinan el comportamiento de la salida. El parmetro
cualquier valor, y sirve como ganancia. El efecto del parmetro
Si es igual a cero, la salida simplemente es igual a la entrada por la ganancia

valores que no son cero de
Respuesta
al
a, la salida perdura por siempre;
I mpulso I nnito).
b puede ser
es ms complicado (Figure 4.1).
b.
Para todos los
tales sistemas son conocidos como
IRR
La razn para esta terminologa es que el muestrario unitario
tambin conocido como un impulso(especialmente en una situacin analoga) y el sistema responden

a un impulso que perdura por siempre.
descomposicin exponencial. Cuando
grande que
1,
a = 1,
Si
es positivo y menor que uno, la salida es una
la salida es un escaln unitario. Si
la salida cambia su signo para siempre, alternando entre

cuando
|a| > 1;
a es negativa y ms
a = 1,
la salida oscila mientras occurre una descomposicin exponencial. Cuando
b.
Hay efectos ms dramticos
si es positivo o negativo, la salida de la seal se hace ms y ms grande
creciendo
exponencialmente.
x(n)
y(n)
a = 0.5, b = 1
y(n)
a = 0.5, b = 1
n
n -1
y(n)
a = 1.1, b = 1
2
0
La entrada para el ejemplo de sistema simple, un muestreo unitario es mostrada arriba,

con las salidas para varios valores de parametros de sistemas mostradas abajo.
Figure 4.2:

TIEMPO
60
Valores positivos de
son usados en modelos de poblacin para describir como el tamao de
una poblacin crece a travs del tiempo. Aqu,
puede corresponder a generacin. La ecuacin
diferencial indica que el nmero en la siguiente generacin es algn mltiplo de un valor previo.
Si este mltiplo es menor que uno, la poblacin se extingue; si es mayor que uno, la poblacin se
incrementa. La misma ecuacin diferencial tambin describe el efectos del los interes compuesto.
Aqu
marca el tiempo en el cual el interes compuesto ocurre ( diario, mensual, etc.),
a la taza de inters compuesto, y
b=1
es igual
( el banco no da ninguna ganancia). En la aplicacin para
procesar seales, nosotros tpicamente requerimos que la salida continu acotada para cualquier
entrada. Para nuestro ejemplo, eso signica que podemos restrigir
|a| = 1
y escoger valores para
esto y la ganancia segn su aplicacin.
Exercise 4.2
Note que en la ecuacin diferencial (4.3),
y (n) = a1 y (n 1) + + ap y (n p) + b0 x (n) + b1 x (n 1) + + bq x (n q)
no tiene trminos como
y (n + 1)
x (n + 1)
en el lado derecho de la ecuacin.
Pueden estos
trminos ser incluidos? Por qu o por qu no?
y(n)
1
5
n
Figure 4.3:
La graca muestra la respuesta de un muestreo unitario con un ltro boxcar de longitud 5.
Example 4.2
Un sistema un poco diferente que no contiene los coecientes "a". Considere la ecuacin diferencial:
y (n) =
1
(x (n) + + x (n q + 1))
q
(4.7)
Ya que la salida del sistema nada mas depende de los valores actuales y previos de los valores de
entrada, nosotros no necesitamos preocuparnos por las condiciones iniciales. Cuando la entrada es
1
q para n = {0, . . . , q 1}, entonces es igual a cero
despus de eso. Estos sistemas son conocidos como FIR (Respuesta de Impulso Finito o en ingles
un muestreo unitario, el resultado es igual a
Finite Impulse Response) por que su respuesta de muestreo unitario tiene una duracin nita. Al
gracar esta respuesta se ve como (Figure 4.3)la respuesta de muestreo unitario es un pulso de
1
q . Esta seal es tambin conocida como boxcar , por eso a este sistema se le le da
el nombre de ltro de boxcar. (En la proxima seccin derivaremos su respuesta en frecuencia y
ancho
y altura
desarrollaremos su interpretacin al ltrar.) Por ahora, observe que la ecuacin diferencial dice que
cada valor en la salida es igual al promedio de la corriente de las entradas de los valores anteriores.
As, el valor de la salida es igual al
promedio
actual de los valores de las entradas precias
q.
Por lo
tanto este sistema se puede usar para producir el promedio de las temperaturas semanales (q
que se pueden actualizar diariamente.
= 7)
61
4.2 Convolucin Discreta6

4.2.1 Ideas Generales
Convolucin es un valor que se extiende a todos los sistemas que son
(Section 2.1) (LTI - Linear Time Invariant).
invariantes linear del tiempo
La idea de convolucin discreta es la misma que la de
convolucin continua (Section 3.2). Por esta razn, puede ser de gran ayuda el ver las dos versiones para
que usted entienda la extrema importancia del concepto. Recuerde que la convolucin es un instrumento
poderoso al determinar el resultado de un sistema despus de saber la una entrada arbitraria y la respuesta
al impulso del sistema. Puede ser tambin til al ver la convolucin grcamente con sus propios ojos y jugar
7
con este concepto un poco, as que experimente con las aplicaciones
que estn disponibles en la Internet.
Estos recursos ofrecern mtodos diferentes para aprender este concepto crucial.
4.2.2 Suma de Convolucin

Como ya ha sido mencionado, la suma de convolucin provee una manera matemticamante concisa para
expresar el resultado de un sistema LTI, basado en una entrada arbitraria para una seal discreta y tambin
el saber la respuesta del sistema. La
suma de convolucin es expresada como
y [n] =
(x [k] h [n k])
(4.8)
k=
As como en tiempo continuo la convolucin es representado por el smbolo *, y puede ser escrita como
y [n] = x [n] h [n]

Al hacer un simple cambio de variables en la suma de convolucin,
que la convolucin es
(4.9)
k = n k , podemos demostrar fcilmente
conmutativa:
x [n] h [n] = h [n] x [n]
(4.10)
Para mas informacin sobre las caractersticas de convolucin, lea las propiedades de convolucin (Section 3.3).
4.2.3 Derivacin
Sabemos que las seales discretas pueden ser representadas por la suma de impulses discretos que estn
desplazados y escalados.
Ya que estamos asumiendo que el sistema es linear e invariante con el tiempo,
se ve razonable decir que la entrada de la seal esta formada por impulses que tambin estn escalados y
desplazados, esto en turno dara como resultado del sistema una suma de respuesta de impulse que tambin
estn escaladas y desplazadas. Esto es exactamente lo que ocurre en
convolucin. Abajo presentamos una
manera matemtica rigurosa de ver esta derivacin:

Al dejar
ser un sistema DT LTI, empezaremos con la siguiente ecuacin y trabajaremos hasta llegar a
la suma de convolucion !
y [n]
6 This content is available online

7 http://www.jhu.edu/signals
= H [x [n]]
P

= H
k= (x [k] [n k])
P
=
k= (H [x [k] [n k]])
P
=
k= (x [k] H [ [n k]])
P
=
k= (x [k] h [n k])
at <http://cnx.org/content/m12833/1.4/>.
(4.11)

TIEMPO
62
Demos un vistazo rpido a los pasos tomados en la derivacin anterior.
Despus de nuestra ecuacin
inicial, nosotros usamos la propiedad de desplazamiento (Section 1.4.1.1: La propiedad de desplazamiento
x [n], como una suma de funciones

H y la sumatoria H [] es linear, en el
del impulso)del DT para re-escribir la funcin,
multiplicada por una
suma unitaria. Despus, movemos el operador
sistema DT. Por esta
x [k] es constante podemos extraer la constantes ya mencionadas y nada mas

H []. Final mente , usamos el dato que H [] es invariante con el tiempo para
linealidad y por el hecho que,

multiplicar la ecuacin por
llegar a nuestra ecuacin deseada- la suma de convolucion !

Un ejemplo graco puede ayudar en demostrar por que la convolucin funciona
Figure 4.4:
Una simple entrada con impulso da como resultado la respuesta de impulso del sistema.
Figure 4.5: Un impulso escalado como entrada da como resultado una respuesta escalada, ya que tiene
la propiedad de escalmiento para un sistema lineal.
63
Figure 4.6:
Ahora usaremos la propiedad de tiempo invariante del sistema para demostrar que una
entrada que esta dasplazada da como resultado una salida con la misma forma, solo que esta desplazada
por la misma cantidad que la entrada.
Figure 4.7: Ahora usaremos la propiedad de adicion del sistema lineal para completar la gura.ya que
cualquier seal discreta es nada mas la suma de impulsos discretos que estan desplazados y escalados,
podemos encontrar la salida con tan solo saber la seal de entrada y su respuesta al impulso.
4.2.4 Convolucion a travs del Eje del Tiempo ( Un mtodo graco)

En esta seccin desarrollaremos una interpretacin graca de la convolucin discreta.
escribir la suma de convolucin dejando
ser causal, de tamao -m y
Empezaremos por
ser causal, del tamao-k , en un

TIEMPO
64
sistema LTI. Esto nos da una sumatoria nita,
y [n] =
m1
X
(x [l] h [n l])
(4.12)
l=0
Note que para cualquier
tenemos la suma de productos de
una manera de decir que multiplicamos los trminos de
xl
desplazados en el tiempo por
hl .
Esto es
por los trminos reexionados en el tiempo de
y los sumamos despus.

Regresamos a los ejemplos anteriores:
Figure 4.8:
Esto es lo que esperamos encontrar.
Figure 4.9:
Esto es el reejo de la respuesta del impulso, h , y se empieza a mover atravez del tiempo
0.
65
Continuamos con el moviimiento. Vea que al tiempo 1 , estamos multiplicando dos

elementos de la sealde entraday dos elementos de la respuesta del impulso.
Figure 4.10:
Figure 4.11

TIEMPO
66
Si seguimos esto un paso mas, n = 4, pordiamos ver que producimos la misma salida que
vimos en el ejemplo inicial.
Figure 4.12:
Los que estamos haciendo en la demostracin de arriba es reejar la respuesta del impulso en el tiempo
y hacerlo caminar a travs de la entrada en la seal. Claramente, esto da el mismo resultado que escalar,
desplazar, y sumar respuestas de impulsos.
Este mtodo de reexin en el tiempo, y de mover a travs de la seal es una manera comn de presentar
la convolucin, ya que demuestra como la convolucin construye el resultado a travs del eje del tiempo.
4.3 Convolucin Circular y el DFT8

4.3.1 Introduccin
Usted debera familiarizarse con la convolucin discreta (Section 4.2), que nos explica como dos seales
discretas
x [n],
la entrada del sistema, y
h [n],
la respuesta del sistema, se puede denir el resultado del
sistema como
y [n]
= x [n] h [n]
P
=
k= (x [k] h [n k])
(4.13)
Cuando dos DFT son dadas (secuencias de tamao nito usualmente del tamao
N ),
nosotros no podemos
multiplicar esas dos seales as como as, como lo sugiere la formula de arriba usualmente conocida como
convolucin linear. Ya que las DFT son peridicas, tienen valores no cero para
de estas dos seales ser no cero para
n N.
resultado nuestra seal convuelta teniendo el valor de cero fuera del rango
ayuda a desarrollar la idea de
8 This
nN
as la multiplicacin
Necesitamos denir otro tipo de convolucion que dar como
n = {0, 1, . . . , N 1}.
Esto nos
convolucin circular, tambin conocida como convolucin cclica o peridica.
67
4.3.2 Formula de la Convolucin Circular

Qu pasa cuando multiplicamos dos DFT una con la otra, donde
Y [k]
es la DFT de
y [n]?
Y [k] = F [k] H [k]

cuando
(4.14)
0k N 1
Usando la formula sintetizada de DFT para
y [n]
N 1

2
1 X
F [k] H [k] ej N kn
N
y [n] =
(4.15)
k=0
Y aplicando anlisis a la formula
donde
podemos
PN 1
k=0
H [k] e
m=0
f [m] e(j) N kn
P
1
N
reducir
j 2
N k(nm)
PN 1

PN 1
N 1
j 2
(j) 2
N kn
N kn
H
[k]
e
f
[m]
e
k=0

m=0P

PN 1
N 1
1
j 2
N k(nm)
=
f
[m]
H
[k]
e
m=0
k=0
N
y [n]
1
N
F [k] =
la
segunda
sumatoria
y [n] =
N
1
X
de
la
ecuacin
de
arriba
en
(4.16)
h [((n m))N ]
(f [m] h [((n m))N ])
m=0
Igual a la convolucin circular! cuando tenemos
0nN 1
arriba , para obtener dos:
y [n] (f [n] ~ h [n])
note:
Que la notacin
(4.17)
representa la convolucion circular "mod N".
4.3.2.1 Pasos para la Convolucin Circular

Los pasos a seguir para la convolucion cclica son los mismos que se usan en la convolucin linear, excepto
que todos los clculos para todos los ndices estn hecho"mod N" = "en la rueda"
Pasos para la Convolucin Cclica
Paso 1: "Graque"
f [m]
h [((m))N ]
(a)
Figure 4.13:
Step 1
(b)

TIEMPO
68
Paso 2:
"Rote"
h [((n m))N ]
Figure 4.14:
h [((m))N ] n
en la direccin ACW ( direccin opuesta al reloj) para obtener
(por ejemplo rote la secuencia,
h [n],
en direccin del reloj por
f [m]
y la rueda
Paso 3: Multiplique punto por punto la rueda
Paso 4: Repite para
h [((n m))N ]
0nN 1
Example 4.3: Convolve (n = 4)
(a)
Figure 4.15:
(b)
Dos seales discretas que seran convolucionadas.
h [((m))N ]
Figure 4.16
Multiplique
pasos).
Step 2
sum = y [n]
f [m]
sume
para dar:
y [0] = 3
wheel.
69
h [((1 m))N ]
Figure 4.17
Multiplique
f [m]
sume
para dar:
y [1] = 5
h [((2 m))N ]
Figure 4.18
Multiplique
f [m]
sume
para dar:
y [2] = 3
h [((3 m))N ]
Figure 4.19
Multiplique
f [m]
sume
para dar:
y [3] = 1
Example 4.4
9
La Siguiente Demostracin le permite este algoritmo. Vea aqu
para instrucciones de como se usa
este demo.
9 "How

TIEMPO
70

http://cnx.org/content/m12831/latest/DT_Circular_Convolution.llb
4.3.2.2 Algoritmo Alterno

Algoritmo de Convolucin Circular Alterno
Paso 1: Calcule el DFT de
f [n]
Paso 3: Invierta el DFT
Y [k]
F [k] y calcule el
Y [k] = F [k] H [k]
y [n]
que da
Paso 2: Multiplique punto por punto

que da
Parece una manera repetitiva de hacer las cosas,
pero
DFT de
h [n]
existen maneras
que da
rpidas
H [k].
de calcular una secuencia
DFT.
Para convolucionar circularmente dos secuencias de
y [n] =
N
1
X
2 N -puntos:
(f [m] h [((n m))N ])
m=0
Para cualquier
puntos implica
mltiplos,
N2
N 1
sumas
multiplicaciones,
N (N 1)
sumas implica una complejidad de
4.4 Ecuaciones de Diferencia10
10 This
O N2
71

Los ndices pueden ser negativos, y esta condicin no es permitida en MATLAB. Para arreglar esto, debemos
empezar la seal despus de esta condicin.

Estos trminos requieren que el sistema conozca el valor futuro de las entradas o de las salidas antes de que
el valor actual haya sido calculado. As que estos trminos pueden causar problemas.
72

TIEMPO
Chapter 5
Repaso de Algebra Lineal
5.1 Algebra Lineal: Conceptos Bsicos1
Este pequeo tutorial da algunos trminos clave de lgebra lineal, no pretende remplazar o ser muy provechoso
como en aquellos que usted pretende ganar una profundidad en lgebra lineal. En cambio esto es una pequea
introduccin a algunos trminos e ideas de lgebra lineal para darnos un pequeo repaso para aquellos que
tratan de tener un mejor entendimiento o de aprender sobre eigenvectores (vectores propios) y eigenfunciones
(funciones propias), que juegan un papel muy importante en la obtencin de ideas importantes en Seales
y Sistemas. La meta de estos conceptos es de proveer un respaldo para la descomposicin de seales y para
conducirnos a la derivacin de las Series de Fourier (Section 6.2).
5.1.1 Independencia Lineal

Un conjunto de vectores
{x1 , x2 , . . . , xk } , xi Cn
es
linealmente independiente si ninguno de los
vectores puede escribirse como una combinacin lineal de los otros.
Denition 1: 1 Linealmente Independiente

Un conjunto dado de vectores
{x1 , x2 , . . . , xn },
es linealmente independiente si
c1 x1 + c2 x2 + + cn xn = 0
solo cuando
c1 = c2 = = cn = 0
Example
Dados los siguientes dos vectores:
x1 =
x2 =
Estos son
3
2
6
4
no linealmente independientes por el siguiente argumento, el cual por inspeccin, se puede
ver que no se apega a la denicin anterior de independencia lineal:
x2 = 2x1 2x1 + x2 = 0
. Otro mtodo para ver la independencia de los vectores es gracando los vectores. Observando
estos dos vectores geomtricamente (como en la siguiente Figure 5.1), uno puede otra vez probar
que estos vectores son
1 This
no
linealmente independientes.

73
CHAPTER 5. REPASO DE ALGEBRA LINEAL
74
2
3
-6
4
Figure 5.1:
Representacin grca de dos vectores que no son linealmente independientes.
Example 5.1
x1 =
x2 =
Estos son
linealmente independientes
3
2
1
2
ya que
c1 x1 = (c2 x2 )
solo si
c1 = c2 = 0.
Basados en la denicin, esta demostracin muestra que estos vectores son
linealmente independientes. Tambin podemos gracar estos dos vectores (vase Figure 5.2) para
checar la independencia lineal.
1
Figure 5.2:
Representacin grca de dos vectores que son linealmente independientes.
Exercise 5.1
Son
{x1 , x2 , x3 }
linealmente independientes?
x1 =
3
2
75
x2 =
1
2
1
x3 =
Como podemos ver en los dos ejemplos anteriores, a veces la independencia de vectores puede ser vista
fcilmente a travs de una grca.
Sin embargo esto no es tan sencillo, cuando se nos dan tres o ms
vectores. Puede decir fcilmente cuando o no estos vectores son independientes Figure 5.3. Probablemente
no, esto es, por lo cual el mtodo usado en la solucin anterior se vuelve importante.
-1
Figure 5.3:
Grca de tres vectores. Puede ser mostrado que la combinacin lineal existe entre los
tres, y por lo tanto estos son no linealmente independientes.
observacin:
Un conjunto de
m vectores en Cn
no puede ser linealmente independiente si
m > n.
5.1.2 Subespacio Generado

Denition 2: Subespacio Generado
El subespacio generado o span
del conjuto de vectores
que pueden ser escritos como una combinacin lineal de
{x1 , x2 , . . . , xk }
{x1 , x2 , . . . , xk }
es el conjunto de vectores
subespaciogenerado ({x1 , . . . , xk }) = {1 x1 + 2 x2 + + k xk , i Cn }
Example
Dado el vector
x1 =
el subespacio generado de
x1
es una
3
2
linea.
Example
Dado los vectores
x1 =
2 "Subspaces",
3
2
Denition 2: "Span" <http://cnx.org/content/m10297/latest/#defn2>
76
x2 =
El subespacio generado por estos vectores es
C2 .
5.1.3 Bases
Denition 3: Base
Una base para
Cn
es un conjunto de vectores que: (1) generan
Cn y
(2) es linealmente independi-
ente.
Claramente, un conjunto de
vectores linealmente independientes es una
base para
Cn .
Example 5.2
Dado el siguiente vector
.
.
.
ei =
1
.
..
0
donde el
Cn
es
para
esta siempre en la
i-esima
posicin y los valores restantes son ceros. Entonces la
{ei , i = [1, 2, . . . , n] }
note: {ei , i = [1, 2, . . . , n] }
es llamada la
base cannica.
Example 5.3
h1 =
h2 =
{h1 , h2 }
es una base para
C2 .
1
1
1
1
base
77
Grca de bases para C2
Figure 5.4:
{b1 , . . . , b2 } es una base

lineal de bi 's:
Si
para
Cn ,
entonces podemos expresar
cualquier x Cn
como una combinacin
x = 1 b1 + 2 b2 + + n bn , i C
Example 5.4
Dado el siguiente vector,
x=
escribiendo
en trminos de
{e1 , e2 }
1
2
nos da
x = e1 + 2e2
Exercise 5.2
Trate de escribir
en trminos de
En los dos ejemplos de bases anteriores,
{h1 , h2 }
x
(denidos en el ejemplo anterior).
es el mismo vector en ambos casos, pero podemos expresarlo de
varias diferentes maneras (dimos solo dos de las muchas posibilidades). Se puede extender aun ms la idea
de bases para
nota:
espacio de funciones.
: Como se menciono en la introduccin, estos conceptos de lgebra lineal nos ayudaran para
entender las Series de Fourier (Section 6.2), las que nos dicen que podemos expresar las funciones
peridicas
f (t),
en trminos de sus funciones de bases
ej0 nt .
5.2 Conceptos Bsicos de Vectores3

5.3 Eigenvectores y Eigenvalores4
En esta seccin, nuestro sistema lineal ser una matriz de nn de nmeros complejos. Algunos conceptos
de este modulo estn basado en los conceptos bsicos de lgebra lineal (Section 5.1).
3 This
4 This

78
5.3.1 Eigenvectores y Eigenvalores

Sea
una matriz de nn donde
es un operador lineal en los vectores de
Cn .
Ax = b
donde
(5.1)
son vectores de n1 (Figure 5.5).
(a)
(b)
Figure 5.5:
Ilustracin de un sistema lineal y vectores.
Denition 4: Eigenvector
Un eigenvector de
es un vector
v Cn
tal que
Av = v
donde
es llamado el eigenvalor correspondiente. A solo cambia la longitud
(5.2)
de
v, no su direccin.
5.3.1.1 Modelo Grco

A travs de las siguientes Figure 5.6 y Figure 5.7, veamos las diferencias de la (5.1) y de la (5.2).
79
Figure 5.6:
Si
Representa la (5.1), Ax = b.
es un eigenvector de
A,
entonces solo su longitud cambia. Vase Figure 5.7 y note que la longitud
de nuestro vector esta simplemente escalada por una variable
Figure 5.7:
nota:
llamada
eigenvalor:
Representa la (5.2), Av = v.
Cuando tratamos con una matriz
A,
los eigenvectores son los vectores posibles ms
simples
para trabajar.
5.3.1.2 Ejemplos
Exercise 5.3
Por inspeccin y entendimiento de eigenvectores, encuentre los dos eigenvectores
A=
Tambin cules son los eigenvalores correspondientes,
v1
v2 ,
de
2 ?
No se preocupe si tiene problemas
viendo estos valores de la informacin dada hasta ahora, veremos otras maneras mas rigurosas de
encontrar estos valores.
80
Exercise 5.4
Muestre que estos dos vectores,
v1 =
son eigenvectores de
A,
donde
A=
v2 =
1
1
Tambin encuentre los eigenvalores correspon-
dientes.
5.3.2 Calculando Eigenvalores y Eigenvectores

En los ejemplos anteriores, conamos en su entendimiento de la denicin y de algunas observaciones para
encontrar y probar los valores de los eigenvectores y eigenvalores. Sin embrago como se puede dar cuenta,
encontrar estos valores no siempre es fcil. A continuacin veremos un mtodo matemtico para calcular
eigenvalores y eigenvectores de una matriz.
5.3.2.1 Encontrando Eigenvalores

Encontrar
tal que
v 6= 0,
donde
es el vector cero. Empezaremos con la (5.2), trabajemos de la
siguiente manera mientras encontramos una manera explicita de calcular
Av = v
Av v = 0
(A I) v = 0
En el paso previo, usamos el hecho de que
v = Iv
donde
es la matriz identidad.
I=
0
0
Por lo tanto,
A I
... 0
... 0
.
..
.
.
0
.
... ... 1
1
es justo una matriz nueva.
Example 5.5
Dada la siguiente matriz,
A,
entonces podemos encontrar nuestra nueva matriz,
A=
a11
a12
a21
a22
A I .
81
A I =
Si
(A I) v = 0
para algn
v 6= 0,
entonces
a11
a12
a21
a22
A I
es
no invertible.
Esto quiere decir:
det (A I) = 0
este determinante (el mostrado arriba) se vuelve una expresin polinomial (de grado
n).
Vase el siguiente
ejemplo para entender mejor.
Example 5.6
Empezando con la matriz
A (mostrada a continuacin), encontremos la expresin polinomial, donde
nuestros eigenvalores sern variables dependientes.
A=
A I =
det (A I) = (3 ) (1) = 2 6 + 8
= {2, 4}
Example 5.7
Empezando con la matriz
A (mostrada a continuacin),encontremos la expresin polinomial, donde
nuestros eigenvalores sern variables dependientes.
A=
A I =
a11
a12
a21
a22
a11
a12
a21
a22
det (A I) = 2 (a11 + a22 ) a21 a12 + a11 a22

Si no lo han notado, calcular los eigenvalores es equivalente a calcular las races de
det (A I) = cn n + cn1 n1 + + c1 + c0 = 0
conclusin:
Por lo tanto usando unos pequeos clculos para resolver las races de nuestro
polinomio, podemos encontrar los eigenvalores de la matriz.
82
5.3.2.2 Encontrando Eigenvectores

Dado un eigenvalor,
i ,
el eigenvector asociado esta dado por
Av = i v
conjunto de
ecuaciones con
incognitas.
v1
.
.
.
vn
1 v1
.
.
.
n vn
Simplemente se resuelven las
solve the n ecuaciones
para
encontrar los eigenvectores.
5.3.3 Punto Principal

El decir que los eigenvectores de
son linealmente independientes
A, {v1 , v2 , . . . , vn }, generan el subespacio 5 Cn , signica que {v1 , v2 , . . . , vn }

n
y que podemos escribir cualquier x C como
x = 1 v1 + 2 v2 + + n vn
donde
de
A.
{1 , 2 , . . . , n } C
Todo lo que estamos haciendo es reescribir
(5.3)
en trminos de los eigenvectores
Entonces,
Ax = A (1 v1 + 2 v2 + + n vn )
Ax = 1 Av1 + 2 Av2 + + n Avn
Ax = 1 1 v1 + 2 2 v2 + + n n vn = b
por lo tanto podemos escribir,
x=
(i vi )
i
Y esto nos lleva a la siguiente representacin del sistema:
Figure 5.8:
eigenvectores.
Ilustracin del sistema donde descomponemos nuestro vector, x, en la suma de sus
donde en la Figure 5.8 tenemos,
b=
(i i vi )
Punto Principal:
solucin de
5 "Linear
6 "Linear
Ax
Descomponiendo nuestro vector,
x,
en una combinacin de eigenvectores, la
esta dada en piezas fciles de digerir".
Algebra: The Basics": Section Span <http://cnx.org/content/m10734/latest/#span_sec>

Algebra: The Basics": Section Linear Independence <http://cnx.org/content/m10734/latest/#lin_ind>
83
5.3.4 Problema de Prctica

Exercise 5.5
Para la siguiente matriz,
y vector
x,
resulvase por sus productos. Trate de resolverlos por los
dos diferentes mtodos: directamente y usando eigenvectores.
A=
x=
5
3
5.4 Diagonalizacin de Matrices7

De nuestro entendimiento de eigenvalores y eigenvectores (Section 5.3) hemos descubierto ciertas cosas sobre
nuestro operador, la matriz
A.
Sabemos que los eigenvectores de
Cn y sabemos como
operador A calculado. Si
generan el espacio
x en trminos de {v1 , v2 , . . . , vn }, entonces tenemos el

x, despus esto es igual a A actuando en la combinacin de
expresar cualquier vector
tenemos
actuando en
los eigenvectores.
Todava tenemos dos preguntas pendientes:

1. Cundo los eigenvectores
{v1 , v2 , . . . , vn }
de
generan el espacio
Cn
(asumiendo que
{v1 , v2 , . . . , vn }
linealmente independientes)?
2. Cmo expresamos un vector dado
en trminos de
{v1 , v2 , . . . , vn }?
5.4.1 1 Respuesta a la Pregunta #1

Question 1:
Si
Cundo los eigenvectores
n diferentes
tiene
{v1 , v2 , . . . , vn }
de
generan el espacio
Cn ?
eigenvalores
i 6= j , i 6= j
donde
son enteros, entonces
generan el espacio
nota:
aqu.
tiene
eigenvectores linealmente independientes.
La demostracin de esta proposicin no es muy difcil, pero no es interesante para incluirla

Si desea investigar esta idea, lase Strang G., Algebra Lineal y sus aplicaciones para la
demostracin.
Adems,
diferentes eigenvalores signica que
det (A I) = cn n + cn1 n1 + + c1 + c0 = 0
tiene
7 This
{v1 , v2 , . . . , vn }
Cn .
races diferentes.
que
84
5.4.2 Respuesta a la Pregunta #2

Question 2:
Cmo expresamos un vector dado
Queremos encontrar
{1 , 2 , . . . , n } C
en trminos de
{v1 , v2 , . . . , vn }?
tal que
x = 1 v1 + 2 v2 + + n vn
(5.4)
Para poder encontrar el conjunto de variables, empezaremos poniendo los vectores

culumnas en una matriz
de nn.
.
.
.
.
.
.
V = v1
.
.
.
v2
.
.
.
vn
...
.
.
.
.
.
.
Ahora la (5.4) se convierte en
.
.
.
.
.
.
x = v1
.
.
.
v2
.
.
.
vn
...
.
.
.
.
.
.
1
.
.
.
x=V
Lo que nos da una forma sencilla de resolver para la variable de nuestra pregunta
=V
Notese que
es invertible ya que tiene
columnas linealmnete independientes.
5.4.2.1 Comentarios Adicionales

Recordemos el conocimiento de funciones y sus bases y examinemos el papel de
x=V
donde
es solo
x1
.
.
.
xn
=V
1
.
.
.
expresada en una base (Section 5.1.3: Bases) diferente:
0
0
1
x = x1 . + x2 . + + xn .
..
..
..
1
0
0
.
.
.
.
.
.
.
.
.
x = 1 v1 + 2 v2 + + n vn
.
.
.
V transforma x
de la base cannica a la base
.
.
.
{v1 , v2 , . . . , vn }
.
.
.
V.
{v1 , v2 , . . . , vn }
como
85
5.4.3 Diagonalizacin de Matrices y Salidas

Tambin podemos usar los vectores
{v1 , v2 , . . . , vn }
b,
para representar la salida
del sistema:
b = Ax = A (1 v1 + 2 v2 + + n vn )
Ax = 1 1 v1 + 2 2 v2 + + n n vn = b
.
.
.
.
.
.
Ax = v1
.
.
.
v2
.
.
.
...
.
.
.
vn
.
.
.
1 1
.
.
.
1 n
Ax = V
Ax = V V 1 x
donde
es la matriz con eigenvalores en la diagonal:
Finalmente, podemos cancelar las
...
= .
..
...
.
.
.
..
...
.
.
.
n
y quedarnos con una ecuacin nal para
A:
A = V V 1
5.4.3.1 1 Interpretacin
Para nuestra interpretacin, recordemos nuestra formulas:
= V 1 x
b=
(i i vi )
i
podemos interpretar el funcionamiento de
x1
.
.
.
xn
con
1
.
.
.
A como:
1 1
.
.
.
1 n
b1
.
.
.
bn
Donde los tres pasos (las echas) en la ilustracin anterior representan las siguientes tres operaciones:
1. Transformar
2. Multiplicar por
usando
V 1 ,
nos da
3. Transformada Inversa usando
V,
lo que nos da
86
Este es el paradigma que usaremos para los sistemas LTI!
Ilustracin simple del sistema LTI.
Figure 5.9:
5.5 Generalidades de Eigenvectores y Eigenvalores8

5.5.1 La Matriz y sus Eigenvectores
La razn por la cual estamos recalcando la importancia de los eigenvectores (Section 5.3) es por que la accin
de una matriz
en uno de sus eigenvectores
es
1. Extremadamente fcil (y rpido) de calcular
Av = v
solo
multiplicar v
por
2. fcil de interpretar:
.
solo
escala v,
(5.5)
manteniendo su direccin constante y solo altera la longitud del
vector.
Si solo cada vector fuera un eigenvector de
A....
5.5.2 Usando el Espacio Generado por los Eigenvectores

Claro que no todos los vectores pero para ciertas matrices (incluidas aquellas con eigenvalores
eigenvectores generan el subespacio (Section 5.1.2: Subespacio Generado)
x Cn ,
podemos encontrar
{1 , 2 , n } C
Ax = b.
8 This
cuyos
cada
(5.6)
Esta ecuacin esta modelada en nuestro sistema LTI ilustrado
posteriormente:
Figure 5.10:
's),
lo que signica que para
tal que:
x = 1 v1 + 2 v2 + + n vn
Dada la (5.6), podemos reescribir
Cn ,
Sistema LTI.
87
x=
(i vi )
b=
(i i vi )
i
El sistema LTI representado anteriormente representa nuestra (5.5). La siguiente es una ilustracin de los
paso para ir de
b.

x = V 1 x V 1 x V V 1 x = b
Donde los tres pasos (las echas) de la ilustracin anterior representan las siguientes tres operaciones:
1. Transformar
2. Accin de
usando
V 1
- nos da
en una nueva base- una multiplicacin por
3. Regresar a la antigua base- transformada inversa usando la multiplicacin por
V,
lo que nos da
5.6 Eigenfunciones de los Sistemas LTI9

5.6.1 Introduccin
Ahora que ya esta familiarizado con la nocin de eigenvector de una matriz de sistema, si no lo esta de un
pequeo repaso a lasgeneralidades de eigenvectores y eigenvalores (Section 5.5). Tambin podemos convertir
las mismas ideas para sistemas LTI actuando en seales. Un sistema lineal invariante en el tiempo (LTI)
operando en una salida continua
f (t)
para producir una salida continua en el tiempo
y (t)
H [f (t)] = y (t)
Figure 5.11:
vector
bC
(5.7)
H [f (t)] = y (t). f y t son seales de tiempo continuo(CT) y H es un operador LTI.
La matemtica es anloga a una matriz
10
de
N xN
operando en un vector
x CN
para producir otro
(vase matrices y sistemas LTI para una descripcin).
Ax = b

10 "Introduction to Systems" <http://cnx.org/content/m0005/latest/>
(5.8)
88
Figure 5.12:
Ax = b donde x y b estan en CN y A es una matriz de N x N .
Solo como un eigenvector (Section 5.3) de
Figure 5.13:
es
v CN
tal que
Av = v, C,
Av = v donde v CN es un eigenvector de A.
podemos denir una
eigenfuncin (o eigenseal) de un sistema LTI
H [f (t)] = f (t) , C
Figure 5.14:
para ser una seal
f (t)
tal que
(5.9)
H [f (t)] = f (t) donde f es una eigenfuncin de H.
Las Eiegenfunciones son las seales mas
simples
possibles para
para operar en ellas: para calcular
la salida, simplemente multiplicamos la entrada por un nmero complejo
89
5.6.2 Eigenfunciones para cualquier sistema LTI

La clase de sistemas LTI tiene un conjunto de eigenfunciones en comn: el exponencial complejo (Section 1.5)
est , s C
son eigenfunciones para
todo
sistema LTI.

H est = s est
Figure 5.15:
Note:
(5.10)

H est = s est donde H es un sistema LTI.
Mientras que
{est , s C }
son necesariamente las
nicas
siempre son eigenfunciones para todo sistema LTI, estas no
eigenfunciones.
Podemos probar la (5.10) expresando la salida como una convolucin (Section 3.2) de la entrada
la respuesta al impulso (Section 1.4)
h (t)
de
H [est ]
est
=
=
=
h ( ) es(t ) d
R
h ( ) est e(s ) d
est h ( ) e(s ) d
Ya que la expresin de la derecha no depende de
t,
es una constante
(5.11)
s ;
Por lo tanto

H est = s est
El eigenvalor
s
H (s) s .
es un nmero complejo que depende del exponente
hacer esta dependencia explicita, vamos a usar la notacin
Figure 5.16:
y de
H:
est es la eigenfuncin y H (s) son eigenvalores.
(5.12)
y por supuesto, el sistema
H.
Para
90
Ya que la accin del operador LTI en esta eigenfuncin

conveniente representar una seal arbitraria
f (t)
est
es fcil de calcular y de interpretar, es
como una combinacin lineal de exponentes complejos.
Las Series de Fourier (Section 6.2) nos dan la representacin para una seal peridica continua en el tiempo,
11
mientras que (poco ms complicada) transformada de Fourier
nos deja expandir seales arbitrarias de
tiempo continuo.
5.7 Propiedades de la Transformada de Fourier12

Pequea Tabla de los Pares de la Transformada de Fourier
s(t)
(at)
S(f )
1
j2f +a
2a
4 2 f 2 +a2
u (t)
e(a)|t|
1 if |t| <
p (t) =
0 if |t| >
sin(f )
f
1 if |f | < W
S (f ) =
0 if |f | > W
sin(2W t)
t
Propiedades de la Transformada de Fourier

Dominio del Tiempo
Dominio de la Frecuencia
Linealidad
a1 s1 (t) + a2 s2 (t)
a1 S1 (f ) + a2 S2 (f )
Simetria Conjugada
s (t) R
S (f ) = S (f )
Simetria Par
s (t) = s (t)
S (f ) = S (f )
Simetria Impar
s (t) = (s (t))
Cambio de Escala
s (at)
S (f ) = (S (f ))

f
1
S
|a|
a
Retraso en el Tiempo
s (t )
e(j2f ) S (f )
Modulacin Compleja
ej2f0 t s (t)
S (f f0 )
Amplitud Modulada por Coseno
s (t) cos (2f0 t)
Amplitud Modulada por Seno
s (t) sin (2f0 t)
S(f f0 )+S(f +f0 )

2
S(f f0 )S(f +f0 )
2j
Derivacin
d
dt s (t)
Rt
s () d
Integracin
Multiplicacin por
rea
Valor en el Origen
Teorema de Parseval
ts (t)
R
s (t) dt
s (0)
R
(|s (t) |) dt
j2f S (f )
1
j2f S (f ) if S
1
d
(j2) df S (f )
(0) = 0
S (0)
R
S (f ) df
R
2
(|S (f ) |) df
11 "Derivation of the Fourier Transform" <http://cnx.org/content/m0046/latest/>

91

Jugando un poco con los vectores y haciendo intentos de prueba y error, descubrimos la siguiente relacin:
x1 x2 + 2x3 = 0
donde encontramos una combinacin lineal de estos tres vectores igual a cero sin utilizar los coecientes igual
no linealmente independientes !
a cero. Por lo tanto, estos vectores son
3
1
h1 +
h2
2
2
x=
Los eigenvectores que debi encontrar son:
v1 =
v2 =
Y los eigenvalores correspondientes son:
1 = 3
2 = 1
Para poder probar que estos dos vectores son eigenvectores, mostraremos que estas armaciones cumplen
con los requisitos que indica la denicin (Denition: "Eigenvector", p. 78).
Av1 =
Av2 =
Este resultado nos muestra que
1
3
3
1
3
1
1
1
solo escala los dos vectores (
4
4
es decir
cambia sus longitudes) y esto prueba
que la (5.2) es cierta para los siguientes dos eigenvalores que se le pidi que encontrara:
1 = 2
2 = 4
. Si quiere convencerse ms, entonces tambin se pueden gracar los vectores y su producto correspondiente
con
para ver los resultados como una versin escalada de los vectores originales
v1
v2 .
92
Mtodo Directo
(usese la multiplicacin bsica de matrices)
Ax =
12
Eigenvectores (use los eigenvectores y eigenvalores que se encotraron anteriormente para esta misma matriz)
v1 =
v2 =
1
1
1 = 2
2 = 4
Como se muestra en la (5.3), queremos representar
x como la suma de sus eigenvectores escalados.
Para este
caso tenemos:
x = 4v1 + v2
x=
= 4
1
1
1
1
Ax = A (4v1 + v2 ) = i (4v1 + v2 )
Por lo tanto, tenemos
Ax = 4 2
Ntese que el mtodo usando eigenvectores
1
1
no
mas complicado hasta ahora, pero, imagine que
+ 4
1
1
12
4
requiere multiplicacin de matrices. . Esto puede parecer
es de dimensiones muy grandes.
Chapter 6
Series Fourier del Tiempo Continuo
6.1 Seales Peridicas1
Recordemos que las funciones peridicas son funciones en las cuales su forma se repite exactamente despus
de un periodo o ciclo. Nosotros representaremos la denicin de una
funcin peridica matemticamente
como:
f (t) = f (t + mT ) m Z ,
donde
T > 0
representa el
periodo.
(6.1)
Por esta razn, usted podr ver esta seal ser llamada la seal
peridica-T. Cualquier funcin que satisfaga esta ecuacin es peridica.

Podemos pensar en funciones peridicas (con periodo-T ) de dos diferentes maneras:
#1) Como una funcin en
Figure 6.1:
todos R
Funcin en todosR donde f (t0 ) = f (t0 + T )
#2) O, podemos podemos recortar todas las redundancias, y pensar en ellas como funciones en un
intervalo
[0, T ]
(O, en trminos generales,
[a, a + T ]).
Si sabemos que la seal es peridica-t entonces toda
la informacin de la seal se encuentra en este intervalo.
1 This
93
CHAPTER 6. SERIES FOURIER DEL TIEMPO CONTINUO
94
Figure 6.2:
[0, T ].
Una funcion
Remueva la redundancia de la funcion periodica para que f (t) no esta denido afuera
aperiodica CT
f (t)
no se repite para
cualquier T R; i.e.
no existe ninguna
s.t. esta
ecuacion (6.1) es verdadera.

Pregunta: La denicin de DT ?
6.1.1 Tiempo Continuo

6.1.2 Tiempo Discreto
Nota: Circular vs. Linear
6.2 Series de Fourier: El Mtodo de Eigenfunciones2

6.2.1 Introduccin
Ya que los exponenciales complejos (Section 1.5) son eigenfunciones para los sistemas lineares invariantes
en el tiempo (Section 5.6) (LTI), calcular los resultados de un sistema LTI
nos lleva a una simple multiplicacin, donde
H (s) C
dado
est como
una entrada
es una constante (que depende de S). En la gura
(Figure 6.3) mostrada abajo tenemos un simple exponencial como entrada que da el siguiente resultado:
y (t) = H (s) est
Figure 6.3:
(6.2)
Un simple sistema LTI.
Usando esto y el hecho que
es linear, calcular
y (t)
para las combinaciones de exponentes complejos
se vuelve fcil de hacer. Esta propiedad de linealidad es descrita por las dos ecuaciones mostradas abajo
2 This
95
donde se muestra la entrada del sistema linear
en el lado izquierdo y la salida (resultado),
y (t),
en el lado
derecho:
1.
c1 es1 t + c2 es2 t c1 H (s1 ) es1 t + c2 H (s2 ) es2 t

2.
X

cn H (sn ) esn t
cn esn t
n
H ejerce en entradas como las que se muestran en estas dos ecuaciones son fciles de
H escala independientemente del exponencial esn t con un numero complejo diferente H (sn ) C.
De esta manera, si podemos describir la funcin f (t) como la combinacin de exponentes complejos esto nos
La accin que
explicar:
permitira:
H fcilmente dado f (t) como una entrada (tomando en cuenta que conocemos
H (s))
como H manipula f (t)
Calcular el resultado de
los Eigenvalores
Interpreta
6.2.2 Series de Fourier

Joseph Fourier
demostr que para una funcin peridica-T (Section 6.1)
f (t)
puede ser escrita como una
combinacin linear de senosoidales complejos armnicos.
f (t) =
cn ej0 nt
(6.3)
n=
2
T es la frecuencia fundamental. Para casi todas f (t) de inters practico, existe cn que hace la
2
(6.3) verdadera. Si f (t) es de energa nita (f (t) L [0, T ]), entonces la igualdad de (6.3) sostienen la idea
Donde
0 =
de convergencia de energa; si
si
f (t)
f (t)
es continua, entonces (6.3) sostiene la idea punto por punto. Tambin
tiene algunas condiciones intermedias (las condiciones de DIRICHLET), la ecuacin (6.3) se sostiene
punto por punto en todas partes excepto en los puntos de descontinuidad.

Los
cn
-son conocidos como los
esta presente en
f (t).
coecientes de Fourier- que nos dicen que tanto del sinusoidal ej0 nt
(6.3) esencialmente descompone
f (t) en pedazos, los cuales son procesados fcilmente
por una sistema LTI (ya que existe una Eigenfuncion para
cada sistema
LTI). En trminos matemticos,

(6.3) nos dice de un conjunto de exponenciales complejos armnicos
ej0 nt , n Z
forman una base
para el espacio de funciones T-peridicas continuas. Aqu se muestran algunos ejemplos que les ayudaran a
pensar en una seal o funcin,
f (t),
en trminos de sus funciones exponenciales bases.
6.2.2.1 Ejemplos
Para cada una de las funciones de abajo, descomponlas en sus partes ms simples y encuentra sus coecientes de Fourier. Oprima para ver la solucin.
Exercise 6.1
f (t) = cos (0 t)
Exercise 6.2
f (t) = sin (20 t)

3 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Fourier.html
96
Exercise 6.3
f (t) = 3 + 4cos (0 t) + 2cos (20 t)
6.2.3 Coecientes de Fourier

En general
f (t),
los coecientes se pueden calcular por medio de (6.3) al despejar por
cn ,
lo cual requiere
una pequea manipulacin algebraica (para una derivacin completa de estos coeciente por favor vea la
seccin titulada derivacin para los coeciente de Fourier (Section 6.3). El resultado nal da la siguiente
ecuacin general para estos coecientes:
cn =
La secuencia de nmeros complejos
f (t).
1
T
f (t) e(j0 nt) dt
(6.4)
{cn , n Z } es una representacin compleja

cn es lo mismo que conocer f (t) y viceversa.
Conocer los coecientes Fourier
alterna de la funcin
Dada a una funcin
trasformar en su representacin de series de Fourier usando (6.4). As mismo,

podemos sacar la transformada inversa a una secuencia de nmeros complejos, cn , usando (6.3) para
peridica, la podemos
reconstruir la funcin
f (t).
As como es una manera natural para representar las seales que son manipuladas por los sistemas LTI,
las series de Fourier proveen una descripcin par alas seales peridicas que son convenientes de muchas
maneras. Al ver las series de Fourier
f (t),
podemos inferir las propiedades matemticas de
f (t)
como la
propiedad de suavidad, la existencia de una simetra, as como el signicado fsico de las frecuencias.
6.2.3.1 Ejemplo: Usando la Ecuacin del Coeciente de Fourier

Aqu veremos un simple ejemplo que alo mas requiere el uso de (6.4) para resolver los coecientes de Fourier.
Una vez que usted entienda la formula, la solucin se convierte en un problema comn de calculo. Encontr
los coecientes de Fourier de la siguiente ecuacin:
Exercise 6.4
1 if |t| T
f (t) =
0 otherwise
6.2.4 Resumen: Ecuaciones de las Series de Fourier

Nuestra primera ecuacin (6.3) es la ecuacin de
sntesis, la cual construye nuestra funcin,
f (t), al combinar
senosoldales.
Synthesis
f (t) =
cn ej0 nt
(6.5)
n=
Nuestra segunda ecuacin (6.4), llamada la ecuacin de anlisis, revela que tanto de cada sinusoidal existe
en
f (t).
Analisis
cn =
Donde hemos dicho que
0 =
2
T .
1
T
Z
0
f (t) e(j0 nt) dt
(6.6)
97
note:
Entienda que nuestro intervalo de integracin no tiene que ser
anlisis. Podemos usar cualquier intervalo
[a, a + T ]
de tamao
[0, T ]
nuestra ecuacin de
T.
Example 6.1
Esta demostracin le ayuda a sintetizar una seal al combinar los senosoidales, muy similar a la
4
ecuacin de sntesis para las series de Fourier. Vea aqu
para instrucciones de como usar este demo.

http://cnx.org/content/m12893/latest/Fourier_Component_Manipulation.vi
6.3 Derivacin de la Ecuacin de Coecientes de Fourier5

6.3.1 Introduccin
6
Usted debera estar familiarizado con la existencia de la ecuacin general de las series de Fourier
siguiente:
f (t) =
cn ej0 nt
que es la
(6.7)
n=
De lo que estamos interesados aqu es el como combinar los coecientes de Fourier,
f (t).
cn ,
dado a una funcin
En la siguiente explicacin lo llevaremos paso por paso por la derivacin de la ecuacin generar para
los coecientes de Fourier dado a una funcin.
6.3.2 Derivacin
Para resolver la ecuacin (6.7) para
cn ,
tenemos que hacer una pequea manipulacin algebraica. Primero
e(j0 kt) ,
que todo, tenemos que multiplicar los dos lados de (6.7) por

X
f (t) e(j0 kt) =
donde
cn ej0 nt e(j0 kt)
k Z.
(6.8)
n=
Ahora integraremos los dos lados sobre el periodo,
f (t) e(j0 kt) dt =
T:
T
Z
0

X

cn ej0 nt e(j0 kt) dt
(6.9)
n=
En el lado derecho podemos intercambiar la sumatoria y el integral y sacar la constante fuera del integral.
T
(j0 kt)
f (t) e
0
dt =
X
n=
Z
cn
T
j0 (nk)t
dt
(6.10)
Ahora que hemos hecho esto lo que al parecer es mas complicado, nos enfocaremos en tan solo el integral,
RT
ej0 (nk)t dt, que se encuentra en el lado derecho de la ecuacin. Para este integral debemos considerar
0
solo dos casos: n = k y n 6= k . Para n = k tenemos:
Z
ej0 (nk)t dt = T , n = k

6 "Fourier Series: Eigenfunction Approach": Section Fourier Series <http://cnx.org/content/m10496/latest/#fs>
(6.11)
98
Para
n 6= k ,
tenemos:
T
j0 (nk)t
cos (0 (n k) t)
cos (0 (n k) t) dt + j
dt =
0
Pero
sin (0 (n k) t) dt , n 6= k
(6.12)
tiene periodos con nmeros enteros para,
n k,
entre
T.
Imagine la graca de
un coseno; por que tiene periodos con nmeros enteros, hay reas de igual valor debajo y arriba del eje de
las ordenadas en la graca. Este hecho es verdadero para
sin (0 (n k) t)
tambin. Lo que signica
cos (0 (n k) t) dt = 0
(6.13)
0
Tambin para el integral de una funcin de seno.
Por eso, podemos concluir lo siguiente sobre nuestro
integral:
Z
0
T if n = k
ej0 (nk)t dt =
0 otherwise
(6.14)
Regresemos a nuestra complicada ecuacin, (6.10), para ver si podemos encontrar una ecuacin para nuestros
coecientes de Fourier. Usando los hechos que ya hemos probado, podemos ver que nica vez que la ecuacin
(6.10)tiene valores de no cero como resultado es cuando
son iguales:
f (t) e(j0 nt) dt = T cn , n = k
(6.15)
0
Finalmente nuestra ecuacin general para los coecientes de Fourier es:
1
cn =
T
f (t) e(j0 nt) dt
(6.16)
6.3.2.1 Pasos para Encontrar los Coecientes de Fourier

Para encontrar los coecientes de Fourier de una
1. Por alguna
k,
multiplique
f (t)peridica:
(j0 kt)
f (t) por e
k Z.
, saque el rea por debajo de la curva (dividiendo por
T ).
2. Repita el paso (1) para todo
6.4 Generalidades de las Series de Fourier7

6.4.1 Introduccin
El integral de convolucion (Section 3.2) es una expresin fundamental que relacin la entrada y la salida de
un sistema LTI. Sin embargo, tiene tres problemas:
1. Puede ser tediosa para calcular.
2. Ofrece una interpretacin fsica limitada de lo que el sistema esta realmente hacienda.
3. Da muy poca informacin de como disear sistemas para lograr ciertas funciones.
Las series de Fourier (Section 6.2), junto la transformada de Fourier y la transformada de La Place, provee
una manera de resolver estos tres puntos. El concepto de eigenfuncion
(o eigenvector ) es esencial para todos
estos mtodos. Ahora veremos como podemos re-escribir cualquier seal
f (t),
en trminos de exponenciales
complejos (Section 1.5).

De hecho, al hacer nuestras anotaciones de seales y sistemas lineares menos matemticas, podemos
extraer paralelos entre seales y sistemas con y algebra linear (Section 5.1).

8 "Eigenfunctions of LTI Systems" <http://cnx.org/content/m10500/latest/>
9 "Matrix Diagonalization" <http://cnx.org/content/m10738/latest/>
99
6.4.2 Eigenfunciones en Sistemas LTI

La accin que ejerce un sistema LTI
H [. . . ]
en una de sus eigenfunciones
est
es
1. Extremadamente fcil (y rpida) de calcular
H [st] = H [s] est

2. Fcil de interpretar:
H [. . . ]
nada mas
escala e
st
Si tan solo todas las funciones fueran funciones de
(6.17)
, manteniendo una frecuencia constante.
H [. . . ]
...
6.4.2.1 Sistemas LTI

...
claro, no todas las funciones pueden ser esto pero para sistemas LTI, sus eigenfunciones expanden
(Section 5.1.2: Subespacio Generado) el espacio de funciones peridicas (Section 6.1), lo que signica que
para, (casi) todas las funciones peridicas podemos encontrar
such that:
f (t) =
f (t)
cn ej0 nt
we can nd
{cn }
where
nZ
and
ci C
(6.18)
n=
Dada (6.18), podemos re-escribir
Figure 6.4:
H [t] = y (t)
como el siguiente sistema
Funciones de Transferencia modeladas como un sistema LTI.
Donde tenemos:
f (t) =
cn ej0 nt
y (t) =
cn H (j0 n) ej0 nt
n
Esta transformacin de
f (t)
en
y (t)
tambin se puede ilustrar a travs del proceso mostrado abajo.
f (t) {cn } {cn H (j0 n)} y (t)
(6.19)
Donde los tres pasos (echa) en nuestra ilustracin de arriba y representa a las siguientes tres operaciones:
1. Transformacin con anlisis(ecuacin de coecientes de Fourier (Section 6.3)):
cn =
2. La accin de
10
en las series de Fourier
1
T
f (t) e(j0 nt) dt
iguala a una multiplicacin por
H (j0 n)
3. Regrese a las antiguas bases- transforme inversamente usando nuestra ecuacin de sntesis que viene
de las series de Fourier:
y (t) =
cn ej0 nt
n=
10 "Fourier
Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/>
100
6.4.3 Interpretacin Fsica de las Series de Fourier

{cn } de una seal f (t), denida en (6.18), tiene una interpretacin fsica muy imporcn nos dice que tanto de la frecuencia 0 n existe en la seal.
cambien lentamente en el tiempo- seales suaves- tienen un gran cn para pequeas n.
Las series de Fourier

tante. El coeciente
Seales que
(a)
(b)
Empezaremos con nuestra seal suave f (t) en la izquierda, y despues usaremos las series
de Fourier para encontrar los coecientes de Fourier- lo cual se muestra en la gura de la derecha.
Figure 6.5:
Seales que cambian rpidamente con el tiempo-
seales ruidosas-tienen una gran cn para grandes
(a)
(b)
Empezaremos con nuestra seal ruidosa f (t) en el lado izquierdo, y usaremos las series
de Fourier pada encontrar los coecientes de Fourier- lo cual se muestra en la gura de la derecha.
Figure 6.6:
Example 6.2: Pulso Peridico

Tenemos la siguiente funcin de pulso,
Figure 6.7:
Seal Periodica f (t)
f (t),
en el intervalo
T
2
, T2
n.
101
Usando nuestra formula para los coecientes de Fourier,
1
cn =
T
f (t) e(j0 nt) dt
(6.20)
Podemos calcular fcilmente nuestra cn . Dejaremos este clculo como ejercicio para usted! Despus
f (t), obtenemos el siguiente
2T1
T if n = 0
cn =
2sin(0 nT1 ) if n 6= 0
n
de resolver la ecuacin para nuestra
Para
T1 =
(6.21)
T
8 , vea la siguiente gura para observar los siguientes resultados:
Figure 6.8:
Nuestros coecientes de Fourier cuando T1 =
f (t)
n = 0 son
Nuestra seal
alrededor de
question:
resultado:
T
8
es plana excepto por dos orilla ( discontinuidades).

grandes y
Por qu
cn = 0
cn
se vuelve pequea cuando
para
Por esta razn,
cn
se acerca al innito.
n = {. . . , 4, 4, 8, 16, . . . }?
n?)
( qu parte de
e(j0 nt)
se
encuentra sobre el pulso de estos valores de
6.5 Propiedades de la Serie de Fourier11

Empezaremos por refrescar su memoria sobre las ecuaciones bsicas de las series de Fourier (Section 6.2):
f (t) =
cn ej0 nt
(6.22)
n=
1
cn =
T
Deje
F {}
describen la transformacin de
f (t)
f (t) e(j0 nt) dt
(6.23)
0
a los coecientes de Fourier
F {f (t)} = cn , n Z
F {}
graca funciones con valores complejos a secuencias de nmeros complejos

12
102
6.5.1 Linealidad
F {}
es una
transformacin linear.
Theorem 6.1:
Si
F {f (t)} = cn
F {g (t)} = dn .
Entonces
F {f (t)} = cn , C
y
F {f (t) + g (t)} = cn + dn
Proof:
Muy fcil, nada mas es la linealidad del integral.
F {f (t) + g (t)}
RT
(f (t) + g (t)) e(j0 nt) dt , n Z

RT
f (t) e(j0 nt) dt + T1 0 g (t) e(j0 nt) dt , n Z
0
R
1 T
T 0
= cn + dn , n Z
(6.24)
= cn + dn
6.5.2 Desplazamiento
Desplazamiento en el tiempo es igual a un desplazamiento angular de los coecientes de Fourier (Section 6.3)
Theorem 6.2:
F {f (t t0 )} = e(j0 nt0 ) cn
si
cn = |cn |ejcn ,
entonces
|e(j0 nt0 ) cn | = |e(j0 nt0 ) ||cn | = |cn |

e(j0 t0 n) = cn 0 t0 n
Proof:
F {f (t t0 )}
1
T
1
T
1
T
RT
f (t t0 ) e(j0 nt) dt , n Z
0
R T t0
f (t t0 ) e(j0 n(tt0 )) e(j0 nt0 ) dt , n Z
t0
R T t0 j0 nt (j nt )
0
0
f
dt , n Z
e
e
t
t0
j0 n t
= e
(6.25)
cn , n Z
6.5.3 La Relacin de Parseval

Z
(|f (t) |) dt = T
0

X
(|cn |)
n=
La relacin de Parseval nos permite calcular la engra de la seal de sus series de Fourier.
note:
Parseval nos dice que las series de Fourier gracan
maps L2 ([0, T ]) a l2 (Z).
(6.26)
103
Figure 6.9
Exercise 6.5
Par
f (t)
poder tener energa nita, que es lo que
cn
hace cuando
Exercise 6.6
S
cn =
1
n
, |n| > 0
, es
f L2 ([0, T ])?
Exercise 6.7
Ahora , s
cn =
n ?
1
n
, |n| > 0
f L2 ([0, T ])?
, es
El radio de descomposicin de una serie de fourier determina si
f (t)
tiene
energa nita.
6.5.4 Diferenciacin en el Dominio de Fourier

F {f (t)} = cn F
Ya que
f (t) =

d
f (t) = jn0 cn
dt
cn ej0 nt
(6.27)
(6.28)
n=
entonces
d
dt f
(t)
=
=
Un diferenciador
n=
P
n=
d
cn dt
ej0 nt
cn j0 nej0 nt
(6.29)
atena las frecuencias bajas f (t) y acenta las frecuencias altas.
Remueve rasgos generales
y acenta reas con variaciones bsicas.
note:
Una manera comn para medir matemticamente que la suavidad de la funcin
f (t)
es el
ver cuantas derivadas tienen energa nita.
descom dm

m
= (jn0 ) cn tiene
F {f (t)} = cn y |cn | tiene la forma n1k , entonces F dt
m f (t)
th
para que la m
derivada tenga energa nita, necesitamos
!
X n m 2
| k|
<
n
Esto se hace al observar los coecientes de fourier de una seal, especcamente el que tan rpido se
ponen cuando n .
la forma
nm
. Entonces
nk
Si
104
por lo tanto
nm
se descompone mas
nk
rpido
que
1
n lo cual implica que
2k 2m > 1
o
k>
2m + 1
2
El radio de descomposicin de las series de fourier determina la suavidad.
6.5.5 Integracin en el Dominio de Fourier

Si
F {f (t)} = cn
entonces
Z

=
f ( ) d
note:
Si
c0 6= 0,
(6.30)
1
cn
j0 n
(6.31)
esta expresin no tiene ningn sentido.
Integracin acenta frecuencias bajas y atena frecuencias altas. Integradores muestran las
erales de las seales y suprimen variaciones

son mejores que diferenciadores.
cosas gen-
de corto plazo (lo cual es ruido en muchos casos). Integradores
6.5.6 Multiplicacin de Seales

Dado a una seal
f (t)
con coecientes de Fourier cn y una seal g (t) con coecientes dn , podemos denir
y (t), donde
P y (t) = f (t) g (t). Descubrimos que la representacin de series de Fourier
que en =
k= (ck dnk ). Esto es para decir que la multiplicacin de seales en el
una nueva seal como,

de
y (t), en ,
es tal
dominio del tiempo es equivalente a la convolucin discreta (Section 4.2) en el dominio de la frecuencia. La
prueba es la siguiente
en
RT
f (t) g (t) e(j0 nt) dt

0

R T P
=
ck ej0 kt g (t) e(j0 nt) dt
k=
0

R
P
1 T
(j0 (nk)t)
=
c
g
(t)
e
dt
k T 0
k=
P
=
k= (ck dnk )
1
T
1
T
(6.32)
6.6 Propiedades de Simetra de las Series de Fourier13

6.6.1 Propiedades de Simetra
6.6.1.1 Seales Reales
Seales reales tienen una serie de fourier con un conjugado simtrico.
Theorem 6.3:
Si f (t)
f (t) = f (t) (f (t) es el complejo conjugado de f (t)), entonces

cn = cn lo cual implica que Re (cn ) = Re (cn ), Por ejemplo, la parte real de cn es par, y
Im (cn ) = (Im (cn )), Por ejemplo, tla parte imaginaria de cn es impar. Vea Figure 6.10. Lo que
tambien implica que |cn | = |cn |, Por ejemplo, que la magnitud es par, y que la cn = ( cn ),
es real eso implica que
Por ejemplo, el ngulo es impar.

13 This
105
Proof:
cn
=
=
=
1
T
1
T
1
T
= cn
RT
0
RT
0
RT
0
f (t) ej0 nt dt
f (t) e(j0 nt) dt

f (t) e(j0 nt) dt
(a)
(b)
Figure 6.10:
, f (t) = f (t)
Re (cn ) = Re (cn ), y Im (cn ) = (Im (cn )).
(6.33)
106
(a)
(b)
Figure 6.11:
|cn | = |cn |, y cn = ( cn ).
6.6.1.2 Seales Reales y Pares

Las seales reales y pares tienen series de fourier que son pares y reales.
Theorem 6.4:
If f (t) = f (t)
y
cn = cn .
f (t) = (f (t)), Por ejemplo,
Proof:
cn
=
=
=
=
f (t)
1
T
T
2
( T )
R 2
1 0
T ( T2 )
1
T
2
T
T
2
T
2
las seal es real y par, entonces
entonces cn = cn
f (t) e(j0 nt) dt
RT
f (t) e(j0 nt) dt + T1 02 f (t) e(j0 nt) dt
RT
f (t) ej0 nt dt + T1 02 f (t) e(j0 nt) dt
(6.34)
f (t) cos (0 nt) dt
cos (0 nt) son reales lo cual implica que cn es real.

Tambin cos (0 nt) = cos ( (0 nt))
P
cn = cn . Es tn fcil demostrar que f (t) = 2 n=0 (cn cos (0 nt)) ya que f (t), cn , y
entonces
107
cos (0 nt)
son reales y pares.
6.6.1.3 Seales Reales e Impares

Seales reales e impares tienen series de fourier que son impares y completamente imaginarias.
Theorem 6.5:
Si f (t) = (f (t))
cn = (cn ),
Proof:
Si
f (t)
Por
f (t) = f (t) , Por ejemplo, la seal es real y impar, entonces cn = cn

ejemplo, cn es impar y completamente imaginaria.
Hgalo usted en casa.
es impar, podemos expenderlos en trminos de
f (t) =
sin (0 nt):
(2cn sin (0 nt))
n=1
6.6.2 Resumen
Podemos encontrar
fe (t),
una funcin par, y
fo (t),
una funcin impar, por que
f (t) = fe (t) + fo (t)

lo cual implica, que para cualquier
f (t),
f (t) =
podemos encontrar
(an cos (0 nt)) +
n=0
Example 6.3: La Funcin Triangular
Figure 6.12:
T = 1 y 0 = 2 .
{an }
X
n=1
(6.35)
y
{bn }
que da
(bn sin (0 nt))
(6.36)
108
f (t)
es real e impar.
cn =
4A
4A
j 2 n2
Es
if
j2 n2
n = {. . . , 11, 7, 3, 1, 5, 9, . . . }
if
n = {. . . , 9, 5, 1, 3, 7, 11, . . . }
0 if n = {. . . , 4, 2, 0, 2, 4, . . . }
cn = cn ?
Figure 6.13:
Note:
Series de Fourier para una funcion triangular.
Usualmente podemos juntar informacin sobre la
suavidad
de una seal al examinar los
coecientes de Fourier.
Hecha un vistazo a los ejemplos anteriores. Las funciones del pulso y sawtooth no son continuas y sus series
1
n . La funcin triangular es continua, pero no es diferenciable, y sus series de
1
Fourier disminuyen como 2 .
n
Las siguientes 3 propiedades nos darn una mejor idea de esto.
de Fourier disminuyen como
6.7 Propiedad de Convolucin Circular de las Series de Fourier14

6.7.1 Convolucin Singular de una Seal
Dada a una seal
f (t)
15
de Fourier
para
y (t), an ,
v (t),
esta
peridica y es equivalente a una
note:
cn y una seal g (t) con coecientes de Fourier dn ,

v (t) = (f (t) ~ g (t)) Encontramos que la representacin de las series
16
que an = cn dn . (f (t) ~ g (t)) es una convolucin circular
de dos seales
RT RT
convolucin en el intervalo, (f (t) ~ g (t)) =
f
(
)
g
(t
) d dt.
0
0
con coecientes de Fourier
podemos denir una seal,
donde
Convulucin circular en el dominio del tiempo es equivalente a la multiplicacin de coe-
cientes de fourier.

15 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/>
16 "Circular Convolution and the DFT" <http://cnx.org/content/m10786/latest/>
109
La prueba es la siguiente
an
=
=
=
=
=
=
=
R
1 T
(j0 nt)
dt
T 0 v (t) e
R
R
T
T
1
f ( ) g (t ) d e(j0 nt) dt
T2 0
0

R
R
1 T
1 T
(j0 nt)
f
(
)
g
(t
)
e
dt
d
T 0
T R0

R
T
T
1
1
g () e(j0 (+ )) d d , =
T 0 f ( ) T
R

R
1 T
1 T
(j0 n)
f
(
)
g
()
e
d
e(j0 n ) d
T 0
T
R
1 T
f ( ) dn e(j0 n ) d
T
0

RT
dn T1 0 f ( ) e(j0 n ) d
t
(6.37)
= cn dn
Example 6.4
Vea el pulso cuadrado con periodo,
T1 =
T
4:
Figure 6.14
Para esta seal
cn =
1
T if n = 0
1 sin( 2 n)
otherwise
n
2
2
Exercise 6.8
Que seal tiene los coecientes de Fourier
an = cn =
2
1 sin ( 2 n)
4 ( n)2 ?
2
6.8 Series de Fourier y los Sistemas LTI17

6.8.1 Introduciendo las Series de Fourier a los Sistemas LTI
Antes de ver este modulo, usted debera familiarizarse con los conceptos de Eigenfunciones de los sistemas
LTI (Section 5.6). Recuerde, para
17 This
sistema LTI tenemos la siguiente relacin
110
Figure 6.15:
donde
est
Seales de entrada y salida para nuestro sitema LTI.
es una eigenfuncin de
H. Su eigenvalor (Section 5.3)

h (t)
Z
h ( ) e(s ) d
H (s) =
correspondiente
H (s)
pueden ser calcu-
18
lado usando la respuesta de impulso
As, usando la expansin de las series de Fourier (Section 6.2) para

usamos la entrada
f (t) =
cn ej0 nt
f (t)
peridica (Section 6.1) donde
n
en el sistema,
Figure 6.16:
nuestra salida
Sistema LTI
y (t)
ser
y (t) =
H (j0 n) cn ej0 nt
n
Podemos ver que al aplicar las ecuaciones de expansin de series de fourier, podemos ir de
viceversa, y es lo mismo para la salida,
f (t)
cn
y (t)
6.8.2 Efectos de las Series de Fourier

Podemos pensar de un sistema LTI como el ir
moldeando
el contenido de la frecuencia de la entrada.
Mantenga en mente el sistema bsico LTI que presentamos en Figure 6.16. El sistema LTI,
H,
multiplica
todos los coecientes de Fourier y los escala.

Dado los coecientes de Fourier de la entrada
de Fourier de la salida, es
note:
{H (jw0 n) cn }
los eigenvalores,
{cn }
y los eigen valores del sistema
H (jw0 n) describen
T = 2w0
las series
completamente lo que un sistema LTI le hace a una
seal peridica con periodo
18 "The
{H (jw0 n)},
(una simple multiplicacin de termino por termino).
Impulse Function" <http://cnx.org/content/m10059/latest/>
111
Example 6.5
Qu hace este sistema?
Figure 6.17
Example 6.6
Y, est sistema?
(a)
(b)
Figure 6.18
6.8.3 Examples
Example 6.7: El circuito RC
h (t) =
1 t
e RC u (t)
RC
Qu es lo que este sistema hace a las series de fourier de la
f (t)?
Calcula los eigenvalores de este sistema
H (s)
=
=
=
h ( ) e(s ) d
1
e RC e(s ) d
0 RC
R ( )( 1 +s)
1
RC
d
RC 0 e
1
( )( RC
+s)
1
1
e
| =0
1
RC RC
+s
1
1+RCs
Ahora, decimos que a este circuito RC lo alimentamos con una entrada

periodo
T = 2w0 ).
(6.38)
f (t)
peridica (con
112
s = jw0 n
Vea los eigen valores para
|H (jw0 n) | =
pasa bajas :
El circuito RC es un sistema
frecuencias altas (
1
1
=
2
|1 + RCjw0 n|
1 + R C 2 w0 2 n2
pasa frecuencias bajas
alrededor de
0)
atena
grandes).
Example 6.8: Puls cuadrado a travs del Circuito RC
Seal de entrada : tomando las series de Fourier
1
t en n = 0
Sistema : Eigenvalores
f (t)

1 sin 2 n
cn =
2
2n
H (jw0 n) =
1
1 + jRCw0 n
Seal de salida: tomando las series de Fourier de
y (t)
1
1 sin 2 n
dn = H (jw0 n) cn =
1 + jRCw0 n 2
2n

1
1 sin 2 n
dn =
1 + jRCw0 n 2
2n
X

dn ejw0 nt
y (t) =
Qu podemos decir sobre
y (t)
de
{dn }?
y (t) real?
y (t) simtrico par? simtrico impar?
Com se y (t) es mas suave que f (t)? (el
1. Es
2. Es
3.
radio de descomposicin de
1
1 sin 2 n
dn =
1 + jRCw0 n 2
2n
1
|dn | = q
1 + (RCw0 ) n
dn
vs.
cn )
1 sin 2 n
2 2
2n
6.9 Convergencia de las Series de Fourier19

6.9.1 Introduccin
Antes de ver este mdulo, esperamos que usted este completamente convencido que
idica
cualquier
f (t), se puede representar como una suma de senosoidales complejos (Section 1.3).
funcin per-
Si usted no lo esta,
intente ver la seccin de generalidades de eigenfunciones (Section 5.5) o de eigenfunciones de los sistemas
19 This
113
LTI (Section 5.6). Hemos demostrado que podemos representar la seal como una suma de exponenciales
usando las ecuaciones de las series de Fourier (Section 6.2) mostradas aqu:
f (t) =
cn ej0 nt
(6.39)
cn =
20
Joseph Fourier
1
T
f (t) e(j0 nt) dt
(6.40)
insisti que estas ecuaciones eran verdaderas, pero nunca las pudo probar.
Lagrange
ridiculiz pblicamente a Fourier y dijo que solo funciones continuas podran ser representadas como (6.39)
(as que probo que la (6.39) funciona para funciones continuas en el tiempo). Sin embargo, nosotros sabemos
que la verdad se encuentra entre las posiciones que Fourier y Lagrange tomaron.
6.9.2 Comprendiendo la Verdad

Formulando nuestra pregunta matemticamente, deje
N
X
fN 0 (t) =
cn ej0 nt
n=N
cn es igual a los coecientes de Fourier, f (t). (vea (6.40)).

fN 0 (t) es la reconstruccin parcial de f (t) usando los primeros 2N + 1 coecientes de Fourier. fN 0 (t)
se aproxima a f(t), con la aproximacin mejorando
cuando N se vuelve grande. As que, podemos pensar

0
es una secuencia de funciones, cada una aproximando f (t)
que el conjunto fN (t) , N = {0, 1, . . . }
donde
mejor que la anterior.

La pregunta se convierte en , s esta secuencia converge a
f (t)?
fN 0 (t) f (t)
asi como a
N ?
Trataremos de responder estas preguntas al ver la convergencia de dos maneras diferentes:

1. Viendo la
energa de la seal de error:
eN (t) = f (t) fN 0 (t)

2. Viendo el
lim fN 0 (t)
cada
en
punto y comparndolo con
f (t).
6.9.2.1 Primer Mtodo

Sea
eN (t)
la diferencia (i.e. error) entre la seal
f (t)
y su reconstruccin parcial
fN 0 (t)
eN (t) = f (t) fN 0 (t)

Si
f (t) L2 ([0, T ])
(energa nita), entonces la energa de
(|eN (t) |) dt =
0
eN (t) 0
(6.41)
cuando
es
2
f (t) fN 0 (t) dt 0
(6.42)
Podemos comprobar esta ecuacin usando la relacin de Perseval al:
|f (t) fN
lim
2
(t) | dt = lim

X

X
2
2
|Fn f (t) Fn fN 0 (t) |
= lim
(|cn |) = 0
N
N =
|n|>N
Donde la ecuacin antes del cero es la suma de la ltima parte de las series de Fourier. La cual se aproxima a
cero por que
f (t) L2 ([0, T ]).
Ya que el sistema fsicos responden a la energa, las series de Fourier proveen
una representacin adecuada para todo
f (t) L2 ([0, T ])
igualando la energa nita sobre un punto.
114
6.9.2.2 Segundo Mtodo

El hecho de que
eN 0
no nos dice nada sobre que
f (t)
lim fN 0 (t)
sean
iguales
en cierto punto.
Tomemos las siguientes funciones como un ejemplo:
(a)
(b)
Figure 6.19
Dadas estas dos funciones
f (t)
g (t),
podemos observar que para todo
t, f (t) 6= g (t),
pero
(|f (t) g (t) |) dt = 0

0
De esto podemos derivar las siguientes relaciones:
Convergenciadeenerga 6= convergenciadepuntoporpunto
Convergenciadepuntoporpunto convergenciaenL2 ([0, T ])
Sin embargo, lo contrario de la proposici no es cierto.
Resulta que si
f (t)
tiene una
entonces
discontinuidad (como se puede observar en la gura de
g (t))
en
t0 ,
f (t0 ) 6= lim fN 0 (t0 )

N
Mientras
f (t)
tenga algunas de las condiciones, entonces
f (t0 ) = lim fN 0 (t0 )

N
si
f (t)
es
continua en
t = t0 .
6.10 Condiciones de Dirichlet21

Dirichlet, las condiciones Dirichlet son las condiciones
existencia y convergencia de las series de Fourier22 o de las trasformadas de Fourier23 .
Nombrado en honor del matemtico Alemn Peter

que garantizan la

115
6.10.1 Las Condiciones Dbiles para las Series de Fourier

Condicin 6.1: La Condicin Dbil de Dirichlet
Para que las series de fourier existan, los coecientes de fourier deben ser nitos, esta condicin
garantiza su existencia. Esencialmente dice que el integral del valor absoluto de la seal debe ser
nito. Los lmites de integracin son diferentes para el caso de las series de fourier y de los del caso
de las trasformada de Fourier. Este es el resultado que proviene directamente de las diferencias en
las deniciones de las dos.
Proof:
Las series de fourier existen (los coecientes son nitas) si
Las Condiciones Dbiles para las Series de Fourier

T
|f (t) |dt <
(6.43)
0
Esto se puede probar usando la condicin inicial de los coecientes iniciales de las series de fourier
que pueden ser nitas.
1
|cn | = |
T
T
(j0 nt)
f (t) e
0
Recordando los exponenciales complejos

da
1
T
24
1
dt|
T
|f (t) ||e(j0 nt) |dt
|f (t) |dt =
0
1
T
(6.44)
, sabemos que la ecuacin anterior
|e(j0 nt) | = 1,
|f (t) |dt
Si tenemos la funcin:
f (t) =
(6.45)
<
nota:
nos
(6.46)
1
, 0<tT
t
Entonces usted debera observar que esta funcin
no tiene
la condicin necesaria.
6.10.1.1 Las Condiciones Dbiles para la Transformada de Fourier

Condicin 6.2:
La transformada de fourier existe si
las condiciones dbiles para la trasformada de Fourier
|f (t) |dt <
(6.47)
Esto se puede derivar de la misma manera en la que se derivo las condiciones dbiles de Dirichlet
para las series de fourier, se empieza con la denicin y se demuestra que la transformada de fourier
debe de ser menor que innito en todas partes.
24 "The
Complex Exponential" <http://cnx.org/content/m10060/latest/>
116
6.10.2 Las Condiciones Fuertes de Dirichlet

La transformada de Fourier existe si la seal tiene un nmero nito de discontinuidades y un nmero nito
de
mximos y mnimos. Para que las series de fourier existan las siguientes dos condiciones se deben de
satisfacer (junto con la condicin dbil de Dirichlet):

1. En un periodo,
2. En un periodo,
f (t)
f (t)
tiene solo un nmero nito de mnimos y mximos.

tiene un numero nito de discontinuidades y cada una es nita.
Esto es a lo que nos referimos como las condiciones

seales que violan estas condiciones por ejemplo
fuertes de Dirichlet. En teora podemos pensar en
sin (logt),
sin embargo, no es posible crear esta seal en un
laboratorio. Por eso, cualquier seal en el mundo real tendr una representacin de Fourier.
6.10.2.1 Ejemplo
Asumamos que tenemos la siguiente funcin e igualdad:
f 0 (t) = lim fN 0 (t)
(6.48)
Si
f (t)
tiene las tres condiciones Fuertes de Dirichlet, entonces
f ( ) = f 0 ( )
en cualquier
donde
f (t) es continuo y donde f (t) es discontinuo, f 0 (t) es el valor promedio
del lado derecho
e izquierdo. Vea las siguientes Figure 6.20 como un ejemplo:
(a)
Figure 6.20:
nota:
(b)
Funciones Discontinuas, f (t).
Las funciones que no cumplen con las condiciones de Dirichlet son patolgicas como
ingenieros, no estamos interesados en ellos.
6.11 El Fenmeno de Gibbs25

6.11.1 Introduccin
Las series de Fourier (Section 6.2) son la representacin de las seales peridicas continuas en el tiempo
dado en trminos de exponenciales complejos. Las condiciones de Dirichlet (Section 6.10) sugieren que las
seales discontinuas pueden tener representacin de serie de fourier siempre y cuando tengan un nmero
25 This
117
nito de discontinuidades. Esto parece decir lo contrario de lo que hemos explicado, ya que los exponenciales
complejos (Section 1.5) son funciones continuas. No parece que sea posible el poder reconstruir exactamente
una funcin discontinua de un conjunto de funciones continuas.
De hecho, no se puede.
Sin embargo,
podemos relajar la condicin de `exactamente' y remplazarla con la idea de casi en todos lados. Esto es
para decir que la reconstruccin es exactamente la misma de la seal origina excepto en un numero de puntos
nitas. Estos puntos ocurren en las discontinuidades.
6.11.1.1 Historia
En los 1800s, muchas maquinas fueron construidas para calcular los coecientes de Fourier y re-sintetizar:
fN 0 (t) =
N
X
cn ej0 nt
(6.49)
n=N
Albert Michelson (un fsico experimental extraordinario) construyo una maquina en 1898 que poda calcular
cn hasta n = 79,
y re-sintetizo
f79 0 (t) =
79
X
cn ej0 nt
(6.50)
n=79
La maquina funciono muy bien en todos los exmenes excepto en esos que tenan
funciones descontinas.
Cuando una funcin cuadrada como la mostrada en Figure 6.21 (Fourier series approximation of a square
wave),fue dada a la maquina aparecieron garabatos alrededor de las discontinuidades, aunque el numero
de los coecientes de fourier llegaron a ser casi innitos, los garabatos nunca desaparecieron- esto se puede
observar en las Figure 6.21 (Fourier series approximation of a square wave). J. Willard Gibbs fue el primero
en explicar este fenmeno en 1899, por eso estos puntos son conocidos como el
Fenmeno de Gibbs.
6.11.2 Explicacin
pulso
cuadrado) y encontrando su representacin de series de fourier. Entonces trataremos de reconstruir esta
Empezaremos esta discusin tomando una seal con un nmero nito de discontinuidades (como el
seal usando sus coecientes de fourier. Vemos que entre mas coecientes usemos, la seal reconstruida se
parece ms y ms a la seal original. Sin embargo, alrededor de las discontinuidades, observamos ondulaciones
que no desaparecen. Al considerar el uso de ms coecientes, las ondulaciones se vuelven estrechas, pero
no desaparecen.
Cuando llegamos a un nmero casi innito de coecientes, estas ondulaciones continan
ah. Esto es cuando aplicamos la idea de casi en todos lados. Mientras estas ondulaciones siguen presentes
(estando siempre arriba del 9% de la altura del pulso), el rea dentro de ellas tiende a ser cero, lo que
signica que la energa de las ondulaciones llega a ser cero.
Lo que demuestra que su anchura tiende a
ser cero y podemos saber que la reconstruccin de la seal es exactamente igual ala seal original excepto
en las discontinuidades. Ya que las condiciones de Dirichlet dicen que pueden haber un numero nito de
discontinuidades, podemos concluir que el principio de casi en todos lados es cumplido. Este fenmeno es
un caso especco de una
convergencia no-uniforme.
Usaremos una funcin cuadrada, junto con sus series de Fourier, para ver gures donde se muestra este
fenmeno con detalles un poco mas matemticos.
6.11.2.1 Funcin cuadrada

Las series de Fourier de esta seal nos dicen que sus lados derechos e izquierdos son iguales. Para entender
el fenmeno de Gibbs, necesitaremos redenir la manera en la que vemos la igualdad.
s (t) = a0 +

X
k=1

ak cos
2kt
T

+

X
k=1

bk sin
2kt
T

(6.51)
118
6.11.2.2 Ejemplo
La siguiente Figure 6.21 (Fourier series approximation of a square wave) nos muestra varias aproximaciones
26
para las series de fourier de la funcin cuadrada
, usando un nmero variado de trminos escrito por
K:
Fourier series approximation of a square wave
Aproximacion de las series de Fourier para sq (t). El numero de terminos en la suma

de Fourier esta indicada en cada graca, la funcion cuadrada es mostrada en dos periodos con una linea
quebradiza.
Figure 6.21:
Cuando comparamos la funcin cuadrada con su representacin de la series de Fourier Figure 6.21 (Fourier
series approximation of a square wave), no se puede ver claramente que las dos son iguales. El hecho de
que las series de fourier requieren ms trminos para una representacin ms exacta no es importante. Sin
embargo, una inspeccin mas detallada Figure 6.21 (Fourier series approximation of a square wave) revela
un posible problema: la series de Fourier pueden igualar la funcin cuadrada en
todos
los valores de
t?
En particular, en cualquier cambio de paso en la funcin, las series de fourier muestran un pico seguido por
oscilaciones rpidas. Cuando se adhieren ms trminos a las series, las oscilaciones se vuelven ms rpidas
26 "Fourier
Series Approximation of a Square Wave" <http://cnx.org/content/m0041/latest/>
119
y ms pequeas, pero los picos no disminuyen.
Consideremos intuitivamente esta pregunta matemtica:
puede una funcin discontinua, como la funcin cuadrada, ser expresada como una suma, aun si es innita,
de funciones continuas?
produjo a Fourier
27
Uno tiene que sospechar que de hecho no se puede expresar.
Esta pregunta le
criticas de la academia de ciencia Francesa (Lapace, Legendre, y Lagrande formaban
parte del comit de revisin) por muchos anos de su presentacin en 1907. Esto no fue resuelto por mas se
cien anos, y la solucin es algo importante e interesante de entender para un punto de vista practico.
Estos picos en la series de fourier de la funcin cuadrada nunca desaparecen; son llamados el fenmeno de
Gibb nombrado por el fsico Americano Josiah Willard Gibb. Ocurran cada vez que las seales discontinuas,
y siempre estarn presentes cuando la seal tiene brincos.
6.11.2.3 Redeniendo Igualdad

Regresemos a la pregunta de igualdad; como se puede justicar la seal de igualdad en la denicin de
la series de Fourier
28
La respuesta parcial es que cada punto todos los valores de
tla
igualdad
no
es
garantizada. Lo que los matemticos del siglo 19 fue que el error RMS de las series de Fourier eran cero.
lim rms (K ) = 0
(6.52)
Lo que signica es que la diferencia entre la seal actual y su representacin en fourier puede no ser cero,
cero !
pero el cuadrado de esta cantidad tiene una integral igual a
Es a travs del valor de RMS que denimos
s1 (t), s2 (t) se dicen ser iguales en el promedio cuadrado si rms (s1 s2 ) = 0.

iguales punto a punto si s1 (t) = s2 (t) para todos los valores de t. Para las
igualdad: dos seales
Estas
seales se dicen ser
series
de fourier, los picos del fenmeno de Gibbs tienen altura nita y anchura de cero: el error diere de cero
solo en punto aislado- cuando la seal peridica contiene discontinuidades- igual a 9% del tamao de la
discontinuidad. El valor de la funcin en conjunto de puntos nitos afecta el integral. Este efecto no explica
la razn del porque denimos el valor de una funcin descontina en su discontinuidad.
El valor que se
escoja para esta discontinuidad no tiene una relevancia prctica para el espectro de la seal o el como el
sistema responde a esta seal. Las series de fourier valoradas en en la discontinuidad es el promedio de
los valores en cualquier lado del salto.
6.12 Resumen de las Series de Fourier29

Abajo veremos algunos de los conceptos ms importantes de las series de Fourier (Section 6.2) y nuestro
entendimiento usando eigenfunciones y eigenvalores. Ojala este familiarizado con este material para que este
documento sirva como un repaso, pero si no, use todos los links de informacin dados en los temas.
1. Podemos representar una funcin peridica (Section 6.1) o una funcin en un intervalo
f (t)
como la
combinacin de exponenciales complejos (Section 1.5):
f (t) =
cn ej0 nt
(6.53)
n=
1
cn =
T
Donde los coecientes de Fourier,
cn ,
f (t) e(j0 nt) dt
(6.54)
igualan cuanto de la frecuencia
28 "Fourier Series", (1) <http://cnx.org/content/m0039/latest/#sine>
0 n
existen en la seal.
120
2. Ya que
ej0 nt
son eigenfunciones de sistema LTI (Section 6.8) podemos interpretar la accin de un
sistema en una seale en termino de sus eigenvalores
30
h (t) e(j0 nt) dt
H (j0 n) =
(6.55)
|H (j0 n) |
|H (j0 n) |
3. En adicin el
es grande
{cn }
simetras en
suavidad en
4. Podemos
el sistema
es pequeo el sistema
acenta la frecuencia 0 n
atena el 0 n
de una funcin peridica
f (t)
f (t),
aproximar
f (t)
nos puede decir sobre:
where donde la suavidad se puede interpretar como el radio de decadencia
|cn |.
una funcin a de-sintetizar usando algunos valores en el coeciente de fourier (
truncando la S.F.)
fN 0 (t) =
cn ej0 nt
(6.56)
n|N |
Esta aproximacin funciona bien donde
f (t)
es continuo pero no funcin tambin cuando
discontinuous. es descontinu esto es explicado por el fenmeno de Gibb (Section 6.11).
30 "Eigenvectors
and Eigenvalues" <http://cnx.org/content/m10736/latest/>
f (t)
is
121

La parte mas confusa de esta problema es de encontrar la manera de representar esta funcin en trminos
de sus base,
ej0 nt .
Para hacer esto, nosotros usaremos nuestro conocimiento de la relacin de Euler (Sec-
tion 1.5.2: La Relacin de Euler) para representar nuestra funcin de coseno en trminos de su exponencial.
f (t) =

1 j0 t
e
+ e(j0 t)
2
Con esta forma y con (6.3), al inspeccionarla podemos ver que nuestros coecientes son:
cn =
1
2 if
|n| = 1
0 otherwise

Como lo hicimos en nuestro otro ejemplo usaremos una vez ms la relacin de Euler (Section 1.5.2: La
Relacin de Euler) para representar nuestra funcin de seno en trminos de funciones exponenciales.
f (t) =

1 j0 t
e
e(j0 t)
2j
Asi que nuestros coecientes son
cn =
j
2 if n = 1
j
2 if n = 1
0 otherwise

Una vez ms utilizamos la misma tcnica. Y al nal nuestra funcin es
f (t) = 3 + 4

1
1
ej0 t + e(j0 t) + 2
ej20 t + e(j20 t)
2
2
De esto podemos encontrar nuestros coecientes:
3 if n = 0
2 if |n| = 1
cn =
1 if |n| = 2
0 otherwise
Nosotros comenzaremos al reemplazar nuestra funcin,
f (t),
en (6.4).
Nuestro intervalo de integracin
cambiara para igualar el intervalo especicado por la funcin
cn =
Note que debemos considerar dos casos:
1
T
T1
(1) e(j0 nt) dt
T1
n = 0 y n 6= 0.
Para
n = 0 podemos ver que despus de inspeccionar
el integral obtenemos.
cn =
2T1
, n=0
T
122
Para
n 6= 0,
tenemos que tomar mas pasos para resolverlo. Empezaremos al observar el integral bsico del
integral que tenemos. Recordando nuestro clculo estamos listos para integrar:
cn =
1
T
1
j0 n
1
e(j0 nt) |Tt=T
1
Ahora evaluaremos las funciones exponenciales para los lmites dado s y expandiremos nuestra ecuacin a:
1
cn =
T
1
(j0 n)

e(j0 nT1 ) ej0 nT1
Ahora multiplicaremos el lado derecho de nuestra ecuacin por
2j
2j y distribuiremos nuestro signo negativo
31
dentro de nuestro parntesis, podemos utilizar la relacin de Euler
cn =
1
T
Ahora, recuerde que anteriormente denimos

en.
cn =
2j
j0 n
0 =
para simplicar nuestra expresin a:

sin (0 nT1 )
2
T . Podemos resolver esta ecuacin para
y sustituir
2j0
sin (0 nT1 )
j0 n2
Finalmente, si cancelamos algunos trminos llegaremos a nuestra respuesta nal para los coecientes de
Fourier:
f (t):
cn =
sin (0 nT1 )
, n 6= 0
n

2
(|cn |) <
para
f (t)
tener energa nita.

Si, por que
(|cn |) =
1
n2 , la cual se puede sumar.

No, por que
(|cn |) =
1
n , la cual no se puede sumar.
Figure 6.22:
31 "The
Un pulso triangular con periodo de
T
4
Complex Exponential": Section Euler's Relation <http://cnx.org/content/m10060/latest/#eul_rel>
Chapter 7
Espacios de Hilbert y Expansiones
Ortogonales
7.1 Espacios Vectoriales1
Introduccin
Denition 5: Espacio Vectorial
S es una coleccin de vectores tal que (1) si f1 S f1 S

R C) y (2) si f1 S , f2 S , entonces f1 + f2 S
Un espacio vectorial
escalar
(donde
para todo
Para denir un espacio vectorial lineal abstracto, necesitamos:
Un conjunto de cosas llamadas "vectores" (X )

Un conjunto de cosas llamadas "escalares" (A)
Un operador de adicin de vectores (+)
Un operador de multiplicacin escalar ()
Estos operadores necesitan tener todas las siguiente propiedades. La cerradura usualmente es la mas importante para mostrar.
7.1.2 Espacio Vectorial

Si los escalares
son reales,
Si los escalares
es llamado un
son complejos,
Si los"vectores" en
espacio vectorial real.

espacio vectorial complejo.
es llamado un
son funciones o variables continuas, muchas veces
de funciones.
7.1.2.1 Propiedades
Denimos un conjunto
1.
2.
3.
4.
5.
6.
para ser un espacio vectorial si
x + y = y + x para cada x y y en V
x + (y + z) = (x + y) + z para cada x, y, y z en V
Hay un nico "vector cero" tal que x + 0 = x para cada x en V
Para cada x en V Hay un vector nico x tal que x + (x) = 0.
1x = x
(c1 c2 ) x = c1 (c2 x) para cada x en V and c1 y c2 en C.
1 This

123
es llamado un
espacio lineal
CHAPTER 7. ESPACIOS DE HILBERT Y EXPANSIONES ORTOGONALES
124
7.
8.
c (x + y) = cx + cy para cada x y y en V
(c1 + c2 ) x = c1 x + c2 x para cada x en V
y
y
c en C.
c1 y c2 en C.
7.1.2.2 Examples
Rn = espaciovectorialreal
Cn = espaciovectorialcomplejo
n
o
R
L1 (R) = f (t) | |f (t) |dt <
es un espacio vectorial
(R) =n{ f (t) |f (t) es acotado} es un

o espacio vectorial
R
2
L (R) = f (t) | (|f (t) |) dt < = sealesdeenergiaf initas
es un espacio vectorial
L2 ([0, T ]) = f uncionesdeenergiaf initaenunintervalo [0, T ]

`1 (Z), `2 (Z), ` (Z) son espacios vectoriales
La coleccin de funciones por pedazos constantes entre los enteros
y el espacio vectorial
Figure 7.1
R+ 2
0
|x0 > 0 and x1 > 0
=
x1
R+ 2 , < 0
D = {z C , |z| 1 }
|z1 + z2 | = 2 > 1
note:
es
no
es
no
un espacio vectorial.
un espacio vectorial.
1
1
R+ 2 ,
z1 = 1 D , z2 = j D ,
pero
pero
1
1
es decir
una lista nita de nmeros)
z1 + z2
/ D,
El espacio vectorial es una coleccin de funciones, coleccin de secuencias, asi como una
coleccin de vectores tradicionales (
125
7.2 Normas2
7.2.1 Introduccin
Mucho del lenguaje utilizado en esta seccin ser familiar para usted- debe de haber estado expuesto a los
conceptos de
producto interno
ortogonalidad
4
expansin de base
en el contexto de
Rn .
Vamos a tomar lo que conocemos sobre vectores y aplicarlo a funciones (seales de
tiempo continuo).
7.2.2 Normas
La
norma de un vector es un nmero real que representa el "tamao" de el vector.

Example 7.1
En
R2 ,
podemos denir la norma que sea la longitud geomtrica de los vectores.
Figure 7.2
x = (x0 , x1 )
, norma
Matemticamente, una
x0 2 + x1 2
norma k k es solo
k x k=
una funcin (tomando un vector y regresando un
nmero real) que satisface tres reglas

Para ser una norma,
kk
debe satisfacer:
1. la norma de todo vector es positiva
k x k> 0 , x S
2. escalando el vector, se escala la norma por la misma cantidad
y escalares
k x k= || k x k para todos los vectores
3. Propiedad del Tringulo:
k x + y kk x k + k y k
para todos los vectores
x, y.
El tamao de la
suma de dos vectores es menor o igual a la suma de sus tamaos

con una norma bien denida es llamado un
espacio vectorial normado o espacio
lineal normado.
3 "Inner Products" <http://cnx.org/content/m10755/latest/>
4 "Orthonormal Basis Expansions" <http://cnx.org/content/m10760/latest/>
5 "Vector Spaces" <http://cnx.org/content/m10767/latest/>
126
7.2.2.1 Ejemplos
Example 7.2
Rn
Cn ),
x0
x
1
x=
...
xn1
Figure 7.3:
Pn1
, k x k1 = i=0 (|xi |), Rn
Cn ),
con norma
k x k2 =
P
n1
i=0
(|xi |)
21
Rn
Euclideana").
Figure 7.4:
`1 ([0, n 1]).
Coleccin de todas las x R2 con k x k1 = 1
Example 7.3
Rn
con esta norma es llamado
Coleccin de todas las x R2 with k x k2 = 1
es llamado
`2 ([0, n 1])
(la usual "norma
127
Example 7.4
Rn
(or
Cn ,
with norm
Figure 7.5:
k x k = maxi {|xi |}
is called
` ([0, n 1])
x R2 con k x k = 1
7.2.2.2 Espacios de Secuencias y Funciones

Podemos denir normas similares para espacios de secuencias y funciones.
Seales de tiempo discreto= secuencia de nmeros
x [n] = {. . . , x2 , x1 , x0 , x1 , x2 , . . . }
P
(|x [i] |), x [n] `1 (Z) k x k1 <

21
2
2
, x [n] ` (Z) k x k2 <
k x (n) k2 =
i= (|x [i] |)
1

P
p p
p
, x [n] ` (Z) k x kp <
k x (n) kp =
i= ((|x [i] |) )
k x (n) k = sup|x [i] |, x [n] ` (Z) k x k <
k x (n) k1 =
i=
P
Para funciones continuas en el tiempo:
k f (t) kp =
R
(En el intervalo)
p1
f (t) Lp (R) k f (t) kp <

R
p1
T
p
k f (t) kp = 0 (|f (t) |) dt , f (t) Lp ([0, T ]) k f (t) kp <
(|f (t) |) dt
7.3 Producto Interno6

7.3.1 Denicin: Producto Interno
De seguro ya tiene una idea del
producto interno, tambin conocido como producto punto, en
Rn
de
alguno de sus cursos de matemticas o de cmputo. Si no, deniremos el producto interno de la siguiente
manera, tenemos dados algunas
6 This
x Rn
y Rn
128
Denition 6: Producto Interno

El producto interno esta denido matemticamente de la siguiente manera:
< x, y > = yT x
Pn1
y0
y1
...
yn1
x0
x1
.
.
.
(7.1)
xn1
i=0
(xi yi )
7.3.1.1 Producto Interno en 2-D

Si tenemos
x R2
y R2 ,
entonces podemos escribir el producto interno como:
< x, y >=k x kk y k cos ()

donde
es el ngulo entre
Figure 7.6:
y.
Grca general de vectores y ngulos mencionados en las ecuaciones anteriores.
Geomtricamente, el producto interno nos dice sobre la
fuerza
Example 7.5
Por ejemplo, si
k x k= 1,
entonces
< x, y >=k y k cos ()
Figure 7.7:
(7.2)
Grca de los dos vectores del ejemplo anterior.
de
en la direccin de
y.
129
Las siguientes caractersticas son dadas por el producto interno:
< x, y > mide la longitud de la proyeccin de y sobre x.

< x, y > es el mximo (dadas k x k, k y k) donde x y y estan en la misma direccin
cos () = 1).
< x, y > es cero cuando cos () = 0 = 90 , es decir x y y son ortogonales.
= 0
7.3.1.2 Reglas del Producto Interno

En general el producto interno en un espacio vectorial complejo es solo una funcin (tomando dos vectores
y regresando un nmero complejo) que satisface ciertas condiciones:
Simetria Conjugada:
< x, y >= < x, y >
Escalado:
< x, y >= < x, y >
Aditividad:
< x + y, z >=< x, z > + < y, z >
"Positividad":
< x, x >> 0 , x 6= 0
Denition 7: Ortogonal
Decimos que
son ortogonales si:
< x, y >= 0
7.4 Espacios de Hilbert7

7.4.1 Espacios de Hilbert
Un espacio vectorial S con un producto interno (Section 7.3) vlido denido en l es llamado espacio de
producto interno, que tmabin es espacio lineal normado. Un espacio de Hilbert es un espacio de
producto interno que es completo con respecto a la norma denida usando el producto interno. Los espacios
de Hilbert fueron nombrados despus de que David Hilbert
, convirtiera esta idea a travs de sus estudios
de ecuaciones integrales. Denimos nuestra norma utilizando el producto interno como:
k x k=
< x, x >
(7.3)
Los Espacios de Hilbert sern de ayuda para estudiar y generalizar los conceptos de la expansin de Fourier,
transformada de Fourier, y adems son muy importantes para el estudio de mecnica quntica. Los espacios
de Hilbert son estudiados en anlisis funcional una rama de las matemticas.

8 http://www-history.mcs.st-andrews.ac.uk/history/Mathematicians/Hilbert.html
130
7.4.1.1 Ejemplos de Espacios de Hilbert

A continuacin mostraremos una lista de algunos ejemplos de espacios de Hilbert
. Usted puede vericar
que son validos para estudios de producto interno.
Para
Cn ,
< x, y >= y x =
y0
y1
...
yn1
x0
x1
n1
X
(xi yi )
=
i=0
.
.
.
xn1
L2 (R)
Z
< f , g >=
f (t) g (t) dt
Espacio de funciones de energa nita compleja:
Espacio de secuencias sumables cuadradas:
`2 (Z)
< x, y >=
x [i] y [i]
i=
7.5 Desigualdad de Cauchy-Schwarz10

7.5.1 Introduccin
Recordando que en
R2 , < x, y >=k x kk y k cos ()

| < x, y > | k x kk y k
(7.4)
La misma relacin se mantiene para espacios de producto interno (Section 7.3).
7.5.1.1 Desigualdad de Cauchy-Schwarz

Denition 8: Desigualdad de Cauchy-Schwarz
Para
x, y
en un espacio de producto interno
| < x, y > | k x kk y k
si y solo si x y y son linealmente

es decir x = y para un escalar .
que mantiene la igualdad

dencia Lineal),
dependientes (Section 5.1.1: Indepen-
7.5.2 Detector de Filtro Acoplado

Tambin conocido como una de las aplicaciones de Cauchy-Schwarz.
9 "Hilbert Spaces" <http://cnx.org/content/m10434/latest/>

131
7.5.2.1 Conceptos detrs de los Filtros Acoplados

Dados dos vectores,
maximizada
f es
Si f
cuando
f y g, entonces la desigualdad
f = g . Esto nos dice que:
en la misma "direccin" como

y
son funciones,
f = g
de Cauchy-Schwarz CSI (Cauchy-Schwarz Inequality) es
g.
signica que
tienen la misma forma.
Por ejemplo, suponiendo que tenemos un conjunto de seales, denidas como
{g1 (t) , g2 (t) , . . . , gk (t)},

f (t).
que queremos ser capaces de decir cual, y si alguna de estas seales se asemeja a otra seal dada
Estrategia:
interno. Si
|,
ser
Para poder encontrar las seal(es) que se asemeja a f (t) tomamos el producto
gi (t) se asemeja a f (t), entonces el valor absoluto del producto interno, | < f (t) , gi (t) >
largo.
Esta idea de ser capaz de medir el rango de dos seales semejantes nos da un
Detector de Filtro
Acoplado.
7.5.2.2 Comparando Seales
El simple uso de Filtro Acoplado ser tomar un conjunto de candidatos de seales, digamos que nuestro
conjunto de
{g1 (t) , g2 (t) , . . . , gk (t)},
y tratar de acoplarla a nuestra plantilla de seal,
f (t).
Por ejemplo
digamos que tenemos las siguientes plantillas (Figure 7.8 (Seal Platilla)) y seales de candidatos (Figure 7.9
(Seales Candidatas)):
Seal Platilla
f(t)
Figure 7.8:
Nuestra seal de la queremos encontrar una semejante a esta.
132
Seales Candidatas
g 1(t)
g 2(t)
t
(a)
Figure 7.9:
de platilla.
(b)
Claramente podemos ver cual de las seales nos dar una mejor semejanza a nuestra seal
Ahora si nuestra nica pregunta fuera cual de estas funciones se acerca mas
tenemos la respuesta basada en la inspeccin
g2 (t).
f (t)
entonces fcilmente
Sin embargo, este no siempre ser el caso. Tambin
querremos obtener un mtodo o algoritmo que pueda automatizar estas comparaciones. O tal vez queramos
tener un valor cuantitativo expresando que tan similares son las seales. Para tratar estas especicaciones,
presentaremos un mtodo mas formal para comparar seales, el cual, tal como se menciono anteriormente,
esta basado en el producto interno.
Para poder ver cuales de las seales candidatas,
g1 (t)
g2 (t),
mejor se asemeja a
f (t)
% necesitamos
realizar los siguientes pasos:
Normalice
gi (t)
Tome el producto interno con
f (t)
Encuentre el ms grande
O ponerlo matemticamente
M ejorcandidato = argmax
i
| < f , gi > |
k gi k
(7.5)
7.5.2.3 Encontrando un Patrn

Extendiendo estos pensamientos del Filtro Acoplado para encontrar semejanzas entre seales, podemos usar
la idea de buscar un patrn en una seal larga.
La idea es simplemente realizar en varias ocasiones el
mismo clculo como lo hicimos anteriormente; sin embargo, ahora en lugar de calcular en diferentes seales,
simplemente realizamos el producto interno con una versin diferente cambiada por nuestra seal patrn.
Por ejemplo, digamos que tenemos las siguientes dos seales: una seal patrn (Figure 7.10 (Seal Patrn))
y una seal larga (Figure 7.11 (Seal Larga)).
133
Seal Patrn
f(t)
El patrn que estamos buscando en una nuestra seal larga teniendo una longitud T .
Figure 7.10:
Seal Larga
Este es una seal larga que contiene un pieza que ensambla en nuestra seal patrn.
Figure 7.11:
Aqu vemos dos seales cambiadas por nuestra seal patrn, cambiando las seales por
s1
and
s2 .
Estas
dos posibilidades nos dan los siguientes clculos y resultados:
Cambio de
s1 :
R s1 +T
s1
qR
Cambio de
s2 :
R s2 +T
s2
qR
g (t) f (t s1 ) dt
s1 +T
s1
g (t) f (t s2 ) dt
s2 +T
s2
= largo
(7.6)
= pequeo
(7.7)
(|g (t) |) dt
(|g (t) |) dt
Por lo tanto podemos denir una ecuacin generalizada para nuestro ltro acoplado:
m (s) = f iltroacoplado
(7.8)
R s+T
m (s) =
g (t) f (t s) dt

k g (t) k |L2 ([s,s+T ])
s
donde el numerado de la (7.9) es la convolucin de
g (t)f (t).
(7.9)
Ahora para poder decidir si o no el resultado
de nuestro detector de ltro acoplado es bastante grande para indicar una aceptacin correcta entre las dos
seales, denimos
nivel de referencia. Si
m (s0 ) nivelderef erencia
134
despus podemos tener una semejanza en la locacin
s0 .
7.5.2.4 Ejemplos Prcticos

7.5.2.4.1 Deteccin de Imagen
En 2-D, este concepto es usado para acoplar imgenes juntas, tal como vericar las huellas digitales para
seguridad o para acoplar fotos de alguien.
Por ejemplo esta idea puede ser usada para los libros del tan
conocido dnde esta Waldo? si se nos da la siguiente platilla (Figure 7.12(a)) y una pieza del libro dnde
esta Waldo?,(Figure 7.12(b)),
(a)
(b)
Ejemplo de la imagen de Dnde esta Waldo?". Nuestro detector de Filtro Acoplado

puede ser implementado para detectar una semejanza posible para Waldo.
Figure 7.12:
Entonces fcilmente podemos crear un programa para encontrar la imagen que ms se asemeje a la imagen
de la cabeza de Waldo en la gura larga.
Simplemente podemos implementar nuestro algoritmo de ltro
acoplado: tomar el producto interno de cada cambio y vase que tan larga es nuestra respuesta resultante.
Esta idea fue implementada en esta misma imagen para un Proyecto de Seales y Sistemas
11
(vase esta
liga para saber mas) en la Universidad de Rice.
7.5.2.4.2 Sistemas de Comunicaciones

12
Los detectores de Filtro Acoplado son usualmente usados en Sistemas de Comunicacin
. De echo, estos los
detectores mas ptimos para el ruido Gaussaniano. Las seales en la vida real tambin son distorsionadas
por el medio ambiente que las rodea, as que es una lucha constante para descubrir maneras capaces de
recibir seales torcidas y despus ser capaces de ltrarlas de alguna manera para determinar cual era la seal
original. Los ltros acoplados nos proveen una manera de comparar la seal recibida con dos posibles seales
(plantilla) y determinar cual es la que ms se asemeja a la seal recibida.
11 http://www.owlnet.rice.edu/elec301/Projects99/waldo/process.html
12 "Structure of Communication Systems" <http://cnx.org/content/m0002/latest/>
135
Por ejemplo a continuacin tenemos un ejemplo simplicado de la Frecuencia Desplazada de Keying
13
(Frequency Shift Keying FSK) donde tenemos las siguientes condiciones para '1' y '0':
Figure 7.13:
Frecuencia Desplazada de Keying para '1' y '0'.
Basados en la codicacin anterior, podemos crear una seal digital basada en 0's y 1's poniendo juntos
los dos cdigos anteriores en nmero innito de maneras. Para este ejemplo transmitiremos tres nmeros
bsicos de 3-bits: 101, desplegado en la siguiente Figure 7.14:
asdfasd
0
asdfasd
Figure 7.14:
13 "Frequency
La corriente del bit "101" codicado con el FSK anterior.
Shift Keying" <http://cnx.org/content/m0545/latest/>
136
Ahora la imagen anterior representa nuestra seal original que ser transmitida por algn sistema de
comunicacin, el cual inevitablemente pasa a travs del canal de comunicacin, la parte del sistema que
distorsionara y alterara nuestra seal. Mientras que nuestro ruido no sea muy grande, nuestro ltro acoplado
nos mantendr despreocupados de estos cambios de nuestra seal transmitida. Una vez que la seal ha sido
recibida, pasamos la seal del ruido a travs de un sistema simple, similar a la versin simplicada mostrada
a continuacin en la Figure 7.15:
Figure 7.15:
Diagrama de bloque del detector de ltro acoplado.
Figure 7.15 El diagrama anterior bsicamente muestra que nuestra seal con ruido ser pasada (asumiremos que pasara un bit a la vez) y que esta seal ser separada y pasada a travs de dos detectores de ltros
acoplados diferentes. Cada uno comparara la seal con ruido para cada uno de los cdigos que denimos
es decir
para `1' y `0'. Despus este valor ser pasado y cualquier valor que sea grande (
cualquier seal de
cdigo FSK a la seal ruidosa que mejor se asemeje) ser el valor que el recibidor tome. Por ejemplo, el
primer bit que ser enviado a travs, ser un `1' as que el nivel de arriba del diagrama de bloque ser el
valor ms alto, donde denotando que el `1' fue enviado por la seal, aunque la seal aparezca muy ruidosa
y distorsionada.
7.5.3 Demostracin de la Desigualdad de Cauchy-Schwarz

Veremos la demostracin de la desigualdad de Cauchy-Schwarz (Cauchy-Schwarz Inequality (CSI) )para un
espacio vectorial real .

Teorema 7.1: Desigualdad de Cauchy-Schwarz para un espacio vectorial real
Para
f EspaciodeHilbertS
g EspaciodeHilbertS ,
mostrar que:
| < f, g > | k f kk g k
con la igualdad si y solo si
(7.10)
g = f .
Proof:
Si
g = f ,
mostrar
| < f, g > | =k f kk g k
2
| < f, g > | = | < f, f > | = ||| < f, f > | = ||(k f k)

| < f, g > | =k f k (|| k f k) =k f kk g k
Esto verica nuestro argumento anterior de la desigualdad de CS
137
Si
g 6= f ,
mostrar
| < f, g > | <k f kk g k
donde tenemos
f + g 6= 0 , R
0 < (k f + g k) =< f + g, f + g >= 2 < f, f > +2 < f, g > + < g, g >

2
= 2 (k f k) + 2 < f, g > +(k g k)

Y obtenemos una cuadrtica en
Visualmente el polinomio cuadrtico en
>0
para todo
Tambin ntese que el polinomio no tiene races reales y que el discriminante es menor
que 0. . .
a 2 + b + c
tiene discriminante
2 4ac
donde tenemos:
a = (k f k)
b = 2 < f, g >
2
c = (k g k)
Por lo tanto podemos colocar estos valores en el discriminante del polinomio de arriba para
obtener:
4(| < f, g > |) 4(k f k) (k g k) < 0
(7.11)
| < f, g > | <k f kk g k
(7.12)
Y nalmente hemos probado la formula de la desigualdad de desigualdad de Cauchy-Schwarz

para un espacio vectorial real.
pregunta:
Qu cambios tenemos que hacer para hacer la demostracin para un espacio
vectorial complejo? (la respuesta se la dejamos al lector)
7.6 Espacios de Hilbert comunes14

7.6.1 Espacios de Hilbert comunes
A continuacin veremos los cuatro Espacios de Hilbert (Section 7.3) mas comunes con los que usted tendr
que tratar para la discusin y manipulacin de seales y sistemas:
7.6.1.1
Rn
(escalares reales ) y
x0
x
1
x =
...
xn1
Cn
(escalares complejos), tambin llamado
`2 ([0, n 1])
Es una lista de nmeros (secuencia nita).
El producto interno (Section 7.3) para
nuestros dos espacios son las siguientes:
14 This
138
Producto interno
Rn :
< x, y > = yT x
Pn1
=
i=0 (xi yi )
Producto interno
Cn :
(7.13)
< x, y > = yT x
Pn1
=
i=0 (xi yi )
Modelo para: Seal de tiempo discreto en el intervalo
tiempo discreto.
x0
x
1
...
xn1
[0, n 1] o
(7.14)
Seal Peridica (con periodo
n)
de
Figure 7.16
7.6.1.2
f L2 ([a, b])
es una funcin de
energa nita
en
[a, b]
Inner Product
Z
< f, g >=
f (t) g (t) dt
(7.15)
a
Modelo para: Seal de tiempo continuo en el intervalo
[a, b] o
Seal Peridica (con periodo
T = b a)
de
tiempo continuo
7.6.1.3
x `2 (Z)
es una
secuencia innita de nmeros
que son cuadrados sumables
Producto interno
< x, y >=
X
i=
Modelo para: Seal no-peridica de tiempo discreto
x [i] y [i]
(7.16)
139
7.6.1.4
f L2 (R)
es una
una funcin de energa nita
en todo
Producto interno
R.
< f, g >=
f (t) g (t) dt
(7.17)
Modelo para: Seal no-peridica de tiempo continuo
7.6.2 Anlisis de Fourier Asociado

Cada uno de estos cuatro espacios de Hilbert tiene un anlisis de Fourier asociado con el.
L2 ([a, b]) Series de Fourier

`2 ([0, n 1]) Transformada Discreta de Fourier
L2 (R) Transformada de Fourier
`2 (Z) Transformada Discreta de Fourier en Tiempo
Pero los cuatros estn basados en el mismo principio (Espacio de Hilbert).
Nota Importante:
Por ejemplo:
no todos los espacios normalizados son espacios de Hilbert
L1 (R), k f k1 =
|f (t) |dt. trate como

< , > such that
usted pueda, de encontrar el producto interno que
induce esta norma, es decir...tal que:
< f, f > =
=
De echo, para todo el espacio
Lp (R) , L2 (R)
es el
R
(|f (t) |) dt
2
(k f k1 )
nico
que es un espacio de Hilbert.
(7.18)
140
Figure 7.17
Los espacios de Hilbert son en gran medida los ms agradables, si se usa o estudia la expansin de bases
ortonormales (Section 7.8) entonces usted empezara a ver por que esto es cierto.
7.7 Tipos de Bases15

7.7.1 Base Normada
Denition 9: Base Normada
una base (Section 5.1.3: Bases)
{bi }
donde cada
bi
tiene una norma unitaria
k bi k= 1 , i Z
15 This
(7.19)
141
nota:
de
El concepto de bases se aplica a todos los espacios vectoriales (Section 7.1). El concepto
base normada se aplica solo a espacios normados (Section 7.2).
Tambin usted puede normalizar una base: solo multiplique cada vector de la base por una constante, tal
que
1
kbi k
Example 7.6
Dada la siguiente base:
1
,
{b0 , b1 } =
1
1
Normalizado con la norma
`2 :
1 1
=
2
1
1 1
b1 =
2
1
b0
Normalizado con la norma
`1 :
1 1
2
1
1
1
b1 =
2
1
b0
7.7.2 Base Ortogonal

Denition 10: Base Ortogonal
una base
{bi }
en donde los elementos son
mutuamente ortogonales
< bi , bj >= 0 , i 6= j
nota:
El concepto de base ortogonal se aplica solo a los Espacios de Hilbert (Section 7.4.1:
Espacios de Hilbert).
Example 7.7
Base cannica para
R2 ,
`2 ([0, 1]):
b0 =
0
tambin referida como
b1 =
< b0 , b1 >=
1
X
i=0
0
1
(b0 [i] b1 [i]) = 1 0 + 0 1 = 0
142
Example 7.8
Ahora tenemos la siguiente base y relacin:
,
= {h0 , h1 }
1
1
< h0 , h1 >= 1 1 + 1 (1) = 0
7.7.3 Base Ortonormal

Colocando las dos secciones (deniciones) anteriores juntas, llegamos al tipo de base ms importante y til:
Denition 11: Base Ortonormal

Una base que es normalizada y ortogonal
k bi k= 1 , i Z
< bi , bj > , i 6= j
notacin:
podemos acortar los dos argumentos en uno solo:
< bi , bj >= ij
donde
Donde
1 if i = j
ij =
0 if i 6= j
ij
re reere a la funcin delta Kronecker que tambin es escrita como
Example 7.9: Ejemplo de Base Ortonormal #1
1
0
,
{b0 , b2 } =
0
1
1
1
,
{b0 , b2 } =
1
1
1
1
1
,
{b0 , b2 } =
2
2
1
1
[i j].
143
7.7.3.1 La belleza de las Bases Ortonormales
{bi }
Trabajar con las bases Ortonormales es sencillo.Si

cualquier
es una base ortonormal, podemos escribir para
x
X
x=
(i bi )
(7.20)
i
Es fcil encontrar los
i :
P
< x, bi > = < k (k bk ) , bi >
P
=
k (k < bk , bi >)
(7.21)
En donde en la ecuacin anterior podemos usar el conocimiento de la funcin delta para reducir la ecuacin:
< bk , bi >= ik
1 if i = k
=
0 if i 6= k
< x, bi >= i
(7.22)
Por lo tanto podemos concluir con la siguiente ecuacin importante para
x=
x:
(< x, bi > bi )
(7.23)
i
Los
i 's
son fciles de calcular (sin interaccin entres los
bi 's)
Example 7.12
Dada la siguiente base:
1
1
1
,
{b0 , b1 } =
2
2
1
1
representa
x=
3
2
Example 7.13: Serie de Fourier Levemente Modicada

Dada la base
en
L2 ([0, T ])
donde
T =

1
ej0 nt |
n=
T
2
0 .
f (t) =

X
n=
1
< f, ej0 nt > ej0 nt
T
Donde podemos calcular el producto interior de arriba en
j0 nt
< f, e
1
>=
T
j0 nt
f (t) e
0
L2
1
dt =
T
como
Z
0
f (t) e(j0 nt) dt
144
7.7.3.2 7.7.3.2 Expansin de una Base Ortonormal en un Espacio Hilbert
{bi }
Sea
H.
una base ortonormal para un espacio de Hilbert
escribir
x=
Entonces, para cualquier
x H
podemos
(i bi )
(7.24)
i
donde
i =< x, bi >.
Anlisis: descomponer
en trminos de
bi
i =< x, bi >
"Sntesis": construir
bi
X
(7.25)
de una combinacin de las
x=
(i bi )
(7.26)
7.8 Expansin de Bases Ortonormales16

7.8.1 Idea Principal
Cuando trabajamos con seales muchas veces es til romper la seal en pequeas, partes mas manejables.
Por suerte en este momento usted ya ha sido expuesto al concepto de eigenvectores (Section 5.3) y su uso en
la descomposicin de una seal en una de sus posibles bases. Haciendo esto, somos capaces de simplicar el
nuestro clculo de seales y sistemas a travs de las eigenfunciones de los sistemas LTI (Section 5.6).
Ahora veremos una forma alternativa de representar las seales, a travs del uso de una base ortonormal.
Podemos pensar en una base ortonormal como un conjunto de bloques construidos que utilizamos para
construir funciones. Construiremos la seal/ vector como una suma cargada de elementos base.
Example 7.14
1
La funcin senoidal compleja
para
ej0 nt
para todo
< n <
forma una base ortonormal
L ([0, T ]).
En nuestras series de Fourier series (Section 6.2) la ecuacin,

es solo otra representacin de
nota:
f (t) =
n=
cn ej0 nt
,el
{cn }
f (t).
Para la seal/ vector en un Espacio de Hilbert (Section 7.4.1: Espacios de Hilbert), la
expansin de coecientes es fcil de encontrar.
7.8.2 Representacin Alternativa

Recordando nuestra denicin de
base: Un conjunto de vectores
{bi }
en un espacio vectorial
es una base
si
bi son linealmente independientes.

bi que generan (Section 5.1.2: Subespacio Generado) S . Esto
i C (escalares) tal que
X
x=
(i bi ) , x S
1. Las
2. Los
es, podemos encontrar
16 This
es un vector en
S,
es un escalar en
C,
es un vector en
donde
(7.27)
i
donde
{i },
S.
145
descomponer cualquier vector en trminos

nica.
La condicin 2 en la denicin anterior dice que podemos

de la
{bi }.
Condicin 1 asegura que la descomposicin es
nota: {i }
provee una representacin alternativa de
x.
Example 7.15
Veamos un simple ejemplo en
R2 ,
donde tenemos el siguiente vector:
x=
Base Cannica:
1
2
o
n
T
T
{e0 , e1 } = (1, 0) , (0, 1)
Base Alternativa:
x = e0 + 2e1
n
o
T
T
{h0 , h1 } = (1, 1) , (1, 1)
x=
En general, dada una base
{b0 , b1 }
y un vector
3
1
h0 +
h1
2
2
x R2 ,
como encontramos
tal que
x = 0 b0 + 1 b1
(7.28)
7.8.3 Encontrando los Alfas

Ahora tratemos con la pregunta que se present arriba sobre encontrar los
i 's en genral para R2 .
bi 's como columnas

x = 0 b0 + 1 b1
reescribiendo la (7.28) as que podemos apilar nuestras
.
.
.
= b0
.
.
.
.
.
.
Empezamos
en una matriz de 22.

(7.29)
b1
1
.
(7.30)
.
.
Example 7.16
Este es un ejemplo sencillo, que muestra pequeos detalles de la ecuacin anterior.
x [0]
x [1]
= 0
x [0]
x [1]
b0 [0]
b0 [1]
+ 1
0 b0 [0] + 1 b1 [0]
0 b0 [1] + 1 b1 [1]
b0 [0] b1 [0]
b0 [1] b1 [1]
b1 [0]
b1 [1]
(7.31)
0
1
(7.32)
146
7.8.3.1 Simplicando nuestra Ecuacin

Para hacer una notacin simple, denimos los siguientes dos conceptos de la ecuacin anterior:
Matriz de la Base:
.
.
.
.
.
.
B = b0
b1
.
.
.
Vector de Coecientes:
.
.
.
Lo que nos da la siguiente ecuacin:
x = B
que es mas equivalente a
x=
Example 7.17
Dada la base cannica,
P1
i=0
(i bi ).
1
0
,
,
0
1
entonces tenemos la siguiente matriz de la base:
B=
Para obtener las
i 's,
(7.33)
resolvemos para el vector de coecientes en la (7.33)
= B 1 x
Donde
B 1
es la matriz inversa matrix
17
de
(7.34)
B.
7.8.3.2 Ejemplos
Example 7.18
Veamos primero la base cannica y tratemos de calcular calculate
B=
Donde
es la
matriz identidad. Para poder resolver para
B 1 =
Por lo tanto obtenemos,
= B 1 x = x
17 "Matrix
Inversion" <http://cnx.org/content/m2113/latest/>
de ahi.
=I
(la cual es realmente trivial en este caso):
enocontremos primero la inversa de
147
Example 7.19
Ahora veamos una base un poco mas complicada de
,
= {h0 , h1 }
1
1
Enotnces
nuestra base y nuestra inversa de la matriz de la base se convierte en:
B=
1
2
1
2
B 1 =
1
2
1
2
y para este ejemplo esto nos da que
x=
Ahora resolvemos para
3
2
= B 1 x =
1
2
1
2
1
2
1
2
2.5
0.5
y obtenemos
x = 2.5h0 + 0.5h1
Exercise 7.1
x:
1
3
,
{b0 , b1 } =
2
0
Ahora dada la siguiente matriz de la base y
x=
3
2
Para este probelma haga un bosquejo de las bases y despus represente
nota:
Un cambio de base simplemente se ve como
transforms
de la base cannica a nuestra nueva base,
en trminos de
b0
desde una "perspectiva diferente."
{b0 , b1 }.
b1 .
B 1
Ntese que es un proceso total-
mente mecnico.
7.8.4 Extendiendo la Dimensin y el Espacio

Podemos extender estas ideas ms alla de
R2
naturalmente a dimensiones mas grandes (> 2) .
{0 , 1 , . . . , n1 }
Rn y Cn . Este procedimiento se extendiende

n
Dada la base {b0 , b1 , . . . , bn1 } para R , queremos encontrar
y verlas en
tal que
x = 0 b0 + 1 b1 + + n1 bn1
Otra vez, coloque la matriz de la base
B=
b0
b1
b2
...
bn1
(7.35)
148
donde las columnas iguales a los vectores de la base y que siempre ser una matriz de nn (mientras que la
matriz anterior no aparezca al cuadrado ya que dejamos trminos en notacin vectorial ). Podemos proceder
a reescribir la (7.33)
x=
b0
b1
...
bn1
0
.
.
.
n1
= B
= B 1 x
7.9 Espacio de Funciones18

Tambin podemos encontrar basis vectores base
para espacios vectoriales (Section 7.1) con exepcin de
.
Sea
P2
19
Pn
es un
un espacio vectorial de orden polinomial n-esimo en (-1, 1) con coecientes reales (vericar que
espacio vectorial
en casa).
Example 7.20
P2
b0 (t) = 1, b1 (t) = t, b2 (t) = t2 .

es decir puede escribir cualquier f (t) P2
= {todos los polinomios cuadrticos}. Sea
{b0 (t) , b1 (t) , b2 (t)} genera P2 ,
como
f (t) = 0 b0 (t) + 1 b1 (t) + 2 b2 (t)

para algn
i R.
Nota: P2
es de dimensin 3.
f (t) = t2 3t 4
Base Alternativa

{b0 (t) , b1 (t) , b2 (t)} =
escribir
f (t)
en trminos de la nueva base

1
3t2 1
1, t,
2
d0 (t) = b0 (t), d1 (t) = b1 (t), d2 (t) = 32 b2 (t) 12 b0 (t).
f (t) = t2 3t 4 = 4b0 (t) 3b1 (t) + b2 (t)

f (t) = 0 d0 (t) + 1 d1 (t) + 2 d2 (t) = 0 b0 (t) + 1 b1 (t) + 2

f (t) =
1
2
3
b0 (t) + 1 b1 (t) + 2 b2 (t)
2
por lo tanto
1
=4
2
1 = 3
3
2 = 1
2

1
3
b2 (t) b0 (t)
2
2
149
enotnces obtenemos
2
f (t) = 4.5d0 (t) 3d1 (t) + d2 (t)
3
Example 7.21
ej0 nt |
n=
es una base para
L2 ([0, T ]), T =
2
0 ,
f (t) =
Cn ej0 nt
Calculamos la expansin de coecientes con
la formula de "cambio de base"
1
Cn =
T
nota:
f (t) e(j0 nt) dt
(7.36)
Hay un nmero innito de elementos en un conjuto de base, que signican que
L2 ([0, T ])
es de dimensin innita.
Espacios de dimensin-innita Innite-dimensional son difciles de visualizar. Podemos tomar mano
de la intuicin para reconocer que comparten varias de las propiedades con los espacios de dimensin
nita. Muchos conceptos aplicados a ambos (como"expansin de base").Otros no (cambio de base
no es una bonita formula de matriz).
7.10 Base de la Ondoleta de Haar20

7.10.1 Introduccin
Las series de Fourier (Section 6.2) es una til representacin ortonormal
21
en
L2 ([0, T ])
especialmente para
entradas en sistemas LTI. Sin embargo es til para algunas aplicaciones, es decir, procesamiento de imagenes
22
(recordando el fenomeno de Gibb

Las
).
ondoletas, descubiertas en los pasados 15 aos, son otro tipos de base para
L2 ([0, T ]) y
tiene varias
propiedades.
7.10.2 Comparacin de Base

Las series de Fourier -
cn
dan informacin frecuente. Las funciones de la base duran todo el intervalo entero.

22 "Gibbs's Phenomena" <http://cnx.org/content/m10092/latest/>
150
Figure 7.18:
Funciones de la base de Fourier
Ondoletas - las funciones de la base con frecuencia nos dan informacin pero es
local
en el tiempo.
151
Figure 7.19:
Funciones de la Base de la Ondoleta
En la base de Fourier, las funciones de la base son
Figure 7.20:
base =
1
T
ej0 nt
23 "The
de
ej0 t
En la base de la ondoleta de Haar

de la "ondoleta madre"
armnicas multiples
23
, las funciones de la base son
escaladas y trasladadas
(t).
Haar System as an Example of DWT" <http://cnx.org/content/m10437/latest/>
de la version
152
Figure 7.21
Funciones base
Sea
{j,k (t)}
se les pone un ndice por un
(t) = 1 , 0 t < T
Entonces
j
2
escalar
j y un
desplazamiento
k.
(t) , 2 2 t k |j Z and k = 0, 1, 2, . . . , 2j 1
153
Figure 7.22
(t) =
1 if 0 t <
1 if 0
T
2
T
2
<T
(7.37)
154
Figure 7.23
Sea
j,k (t) = 2 2 2j t k
Figure 7.24
Ms grande
"delgado" la funcin de la base ,
0, 1, . . . , 2 1
Checar: cada
j,k (t)
tiene energia unitaria
j = {0, 1, 2, . . . }, 2j
cambia a cada escala:
k =
155
Figure 7.25
j,k 2 (t) dt = 1 k j,k (t) k2 = 1
(7.38)
Cualesquiera dos funciones de la base son ortogonales.
(a)
Figure 7.26:
(b)
Integral del producto = 0 (a) Misma escala (b) Diferente escala
156
Tambin,
{j,k , }
generan
L2 ([0, T ])
7.10.3 Transformada de la Ondoleta de Haar

24
Usando lo que conocemos sobre espacios de Hilbert
: Para cualquier
Sintesis
f (t) L2 ([0, T ]),
podemos escribir
!
f (t) =
X X
j
(wj,k j,k (t))
+ c0 (t)
(7.39)
Anlisis
Z
wj,k =
f (t) j,k (t) dt
(7.40)
f (t) (t) dt
(7.41)
c0 =
0
nota:
los
wj,k
son
reales
La transformacin de Haar es
muy til
especialemte en
compresin de imagenes.
Example 7.22
Esta demostracin nos permite crear una seal por combinacin de sus funciones de la base de
Haar, ilustrando la ecuacin de sistesis de la ecuacin de la Transformada de la Ondoleta de Haar.
Vemos aqu
25
para las instrucciones de como usar el demo.

http://cnx.org/content/m12919/latest/HaarSynth.llb
7.11 Bases Ortonormales en Espacios Reales y Complejos26

7.11.1 Notacin
El operador de la Transpuesta
AT
voltea la matriz a travs de su diagonal.
A=
AT =
La
columna i de A
es una
a11
a12
a21
a22
a11
a21
a12
a22
la i de AT
24 "Inner Products" <http://cnx.org/content/m10755/latest/>

157
Recordando que el, producto interno (Section 7.3)
x0
x=
x1
.
.
.
xn1
x y=
en
x0
x1
...
y0
y=
y1
xn1
.
.
.
yn1
y0
y1
.
..
yn1
(xi yi ) =< y, x >

=
Rn
Transpuesta Hermitiana
AH ,
transpuesta y conjugada
AH = AT
< y, x >= xH y =
en
(xi yi )
Cn
Sea
{b0 , b1 , . . . , bn1 }
una base ortonormal (Section 7.7.3: Base Ortonormal) para
Cn
i = {0, 1, . . . , n 1} < bi , bi >= 1 ,

i 6= j < bi , bj >= bj H bi = 0
Matriz de la base:
.
.
.
B = b0
.
.
.
.
.
.
b1
.
.
.
...
.
.
.
bn1
.
.
.
Ahora,
...
b0 H
...
...
B B=
...
b1 H
...
b0
.
.
.
...
.
.
.
bn1 H
.
.
.
.
.
.
b1
.
.
.
.
.
.
...
bn1
.
.
.
Para una base ortonormal con una matriz de la base
b0 H b0
b0 H b1
...
b0 H bn1
b1 H b0
b1 H b1
...
b1 H bn1
bn1 H b1
...
bn1 H bn1
B H = B 1
.
.
.
bn1 H b0
158
B T = B 1
in
Rn
BH
es fcil calcular mientras que
As que, para encontrar
{0 , 1 , . . . , n1 }
B 1
es difcil de calcular.
tal que
x=
(i bi )
Calcular
= B 1 x = B H x
usando una base ortonormal nos libramos de la operacin inversa.
7.12 Teoremas de Plancharel y Parseval27

7.12.1 Teorema de Plancharel
Theorem 7.1: Teorema de Plancharel
El producto interno de dos vectores/seales es el mismo que en
`2
el producto interno de su
expansin de coecientes.
Sea
{bi }
una base ortonormal para un Espacio de Hilbert
x=
(i bi )
y=
(i bi )
entonces
< x, y >H =
H. x H, y H
(i i )
Example
Aplicando las Series de Fourier, podemos ir de
f (t)
f (t) g (t) dt =
0
{cn }
y de
g (t)
{dn }
(cn dn )
n=
el producto interno en el dominio-tiempo = producto interno de los coeentes de Fourier.
Proof:
< x, y >H =<
(i bi ) ,
(j bj ) >=
X
x=
(i bi )
y=
(j bj )

X X

X
X
i < bi ,
(j bj ) >=
i
(j ) < bi , bj >=
(i i )
usando las reglas del producto interno (p. 129).
nota: < bi , bj >= 0
cuando
i 6= j
< bi , bj >= 1
cuando
i=j
Si el espacio de Hillbert H tiene un ONB, los productos internos son equivalentes a los productos
internos en
`2 .
Todo H con ONB son de alguna manera equivalente a
punto de interes:
27 This
`2 .
las secuencias de cuadrados sumables son importantes.
159
7.12.2 Teorema de Parseval

Theorem 7.2: Teorema de Parseval
La energa de una seal = suma de los cuadrados de su expansin de coecientes.
Sea
x H , {bi }
ONB
x=
Entonces
(k x kH ) =
Proof:
(i bi )
X
(|i |)
Directamente de Plancharel
(k x kH ) = < x, x >H =
(i i ) =
X
(|i |)
Example
1
Series de Fourier
ejw0 nt

1 X
1 jw0 nt
f (t) =
cn e
T
T
Z T

X
2
2
(|f (t) |) dt =
(|cn |)
0
n=
7.13 Approximacin y Proyeccin en el Espacio de Hilbert28

7.13.1 Introduccin
Dada una linea 'l' y un punto 'p' en el plano, Cul es el punto ms cercano 'm' a 'p' en 'l' ?
p
l
Figure 7.27:
Figura del punto 'p' y la linea 'l' mencionadas.
Mismo problema: Sea
vectores en
R2 .
Digamos
minimizado? (qu punto en el espacio generado{v}
28 This
k v k= 1.
Para qu valor de
mejor se aproxima a x?)
es
k x v k
160
x-av
x
av
Figure 7.28
La condicin es que
x
v
sean
ortogonales.
7.13.2 Calculando
Cmo calcular
Sabemos que (
x
v)
es perpendicular para todo vector en el espacio generado {v}, as que
<x
v, v >= 0 ,
< x, v >
< v, v >= 0
por que
< v, v >= 1,
por lo tanto
< x, v >
=0
=< x, v >
El vector ms cercano en el espacio generado{v} =
< x, v > v ,
donde
< x, v > v
es la proyeccin de
sobre
v.
Punto a un plano?
Figure 7.29
Podemos hacer lo mismo pero en dimensiones ms grandes.
Exercise 7.2
V H un subespacio de un espacio de Hilbert (Section 7.4) H. Sea x H

y V que mejor se aproxime x. es decir, k x y k esta minimizada.
Sea
dado. Encontrar
161
Example 7.25
x R3 ,
1
0
a
V = espaciogenerado
0 , 1 , x = b .
0
0
c
y=
2
X
Por lo tanto,
(< x, bi > bi ) = a
0 + b 1 = b
i=1
0
0
0
Example 7.26
V = {espacio de las seales peridicas con frecuancia no mayor que
3w0 }.
Dada f(t) peridica,
Cal es la seal en V que mejor se aproxima a f ?
1
1. {
ejw0 kt , k = -3, -2, ..., 2, 3} es una ONB para V

P3
g (t) = T1 k=3 < f (t) , ejw0 kt > ejw0 kt es la seal
T
2.
ms cercana en V para f(t)
recon-
struya f(t) usando solamente 7 trminos de su serie de Fourier (Section 6.2).
Example 7.27
Sea V = { funciones constantes por trozos entre los nmeros enteros}
1. ONB para V.
1 if i 1 t < i
bi =
0 otherwise
donde {bi } es una ONB.
La mejor aproximacin constante por trozos?
g (t) =
(< f, bi > bi )
i=
< f, bi >=
f (t) bi (t) dt =
f (t) dt
i1
Example 7.28
Esta demostracin explora la aproximacin usando una base de Fourier y una base de las ondoletas
29
de Haar. Vase aqui
para las instrucciones de como usar el demo.

http://cnx.org/content/m12935/latest/Approximation.llb
29 "How
162

Para poder representar
en trminos de
b0
b1
ores.
seguimos los mismos pasos usados en los ejemplos anteri-
B=
B 1 =
1
3
= B 1 x =
x
en trminos de
b0
1
2
1
6
Y ahora podemos escribir
1
2
3
b1 .
2
x = b0 + b1
3
Y facilmente podemos sustituir nuestros valores conocidos de
b0
b1
para vericar nuestros resultados.

1. Encontrar una base ortonormal (Section 7.7.3: Base Ortonormal)
2. Proyectar
sobre
{b1 , . . . , bk }
para
usando
y=
k
X
(< x, bi > bi )
i=1
despus
es el punto ms cercano en V a x y (x-y)
V (
< x y, v >= 0 , v V
Chapter 8
Transformada Discreta de Fourier
8.1 Anlisis de Fourier1
El anlisis de Fourier es elemental para entender el comportamiento de las seales de sistemas. Este es el
resultado de que los senosoidales son eigenfunciones (Section 5.6) de sistemas lineales variantes en el tiempo
(LTI) (Section 2.1).
Si pasamos cualquier senosoidal a travs de un sistema LTI, obtenemos la versin
escalada de cualquier sistema senosoidal como salida. Entonces, ya que el anlisis de Fourier nos permite
redenir las seales en terminos de senosoidales, todo lo que tenemos que hacer es determinar el efecto que
2
cualquier sistema tiene en todos los senosoidales posibles (su funcin de transferencia ) as tendremos un
entendimiento completo del sistema. As mismo, ya que podemos denir el paso de los senosoidales en el
sistema como la multiplicacin de ese senosoidal por la funcin de transferencia en la misma frecuencia,
puedes convertir el paso de la seal a travs de cualquier sistema de ser una convolucin (Section 3.3) (en
tiempo) a una multiplicacin (en frecuencia) estas ideas son lo que dan el poder al anlisis de Fourier.
Ahora, despus de haberle vendido el valor que tiene este mtodo de anlisis, nosotros debemos analizar
exactamente lo que signica el anlisis Fourier.
de este anlisis son:
Las cuatro transformadas de Fourier que forman parte
Series Fourier , Transformada de Fourier continua en el tiempo , Transformada de
Fourier en Tiempo Discreto (Section 11.4), y La Transformada de Fourier Discreta (Section 11.2).
Para
este modulo, nosotros veremos la trasformada de Laplace (Section 14.1) y la transformada Z (Section 14.3).
Como extensiones de CTFT y DTFT respectivamente. Todas estas transformadas actan esencialmente de
la misma manera, al convertir una seal en tiempo en su seal equivalente en frecuencia (senosoidales). Sin
por ejemplo, si es de tamao nito o innito,
embargo, dependiendo en la naturaleza de una seal especica (
o si son discretas o continuas en el tiempo) hay una transformada apropiada para convertir las seales en su
dominio de frecuencia. La siguiente tabla muestra las cuatro transformadas de Fourier y el uso de cada una.
Tambin incluye la convolucion relevante para el espacio especicado.

3 "Continuous-Time Fourier Series (CTFS)" <http://cnx.org/content/m10097/latest/>
4 "Continuous-Time Fourier Transform (CTFT)" <http://cnx.org/content/m10098/latest/>
163
CHAPTER 8. TRANSFORMADA DISCRETA DE FOURIER
164
Tabla de Representaciones para Fourier

Transformada
Serie
de
Fourier
Dominio del Tiempo
L2 ([0, T ))
l2 (Z)
Con-
tinua en el Tiempo
Transformada
Fourier
en
Convolucin
Tiempo
Continuo
Cir-
cular
L2 (R)
L2 (R)
Tiempo Continuo Lineal
l2 (Z)
L2 ([0, 2))
Tiempo Discreto Lineal
l2 ([0, N 1])
l2 ([0, N 1])
Tiempo Discreto Circu-
de
Tiempo
Continuo
Transformada
Fourier
Discreta
de
en
el
Tiempo
Transformada
de
Fourier Discreta
lar
8.2 Anlisis de Fourier en Espacios Complejos5

8.2.1 Introduccin
Para este momento usted debera estar familiarizado con la derivacin de la series de Fourier
continuo, funciones peridicas
de tiempo
. Esta derivacin nos lleva a las siguientes ecuaciones las cuales usted debera
conocer:
f (t) =
cn ej0 nt
(8.1)
cn
donde
cn
1
T
1
T
nos dice la cantidad de frecuencia en
f (t) e(j0 nt) dt

(8.2)
< f, ej0 nt >
0 n
in
f (t).
En este mdulo derivaremos una expansin similar para funciones peridicas y discretas en el tiempo. Al
hacerlo, nosotros derivaremos las
series de Fourier discretas en el tiempo (DTFS), tambin conocidas
como trasformadas discretas de Fourier (Section 11.3)(DFT).
8.2.2 Derivacin del DTFS

As como en la funcin peridica continua en el tiempo puede ser vista como una funcin en el intervalo
[0, T ]
7 "Periodic Signals" <http://cnx.org/content/m10744/latest/>
165
f(t)
(a)
(b)
Solo consideraremos un intervalo para la funcin peridica en esta seccin. (a) Funcin
peridica (b) Funcin en el intervalo [0, T ]
Figure 8.1:
Una seal peridica discreta en el tiempo (con periodo
N)
se puede ver como un conjunto de nmeros
nitos. Por ejemplo, digamos que tenemos el siguiente conjunto de nmeros que describe una seal discreta,
donde
N = 4:
{. . . , 3, 2, 2, 1, 3, . . . }
; Podemos representar esta seal como una seal peridica o como un intervalo simple de la siguiente forma:
f[n]
(a)
(b)
Aqu nada mas observamos un periodo de la seal que tiene un vector de tamao cuatro
y esta contenida en C4 . (a) Funcin peridica (b) Funcion en el intervalo [0, T ]
Figure 8.2:
note:
El conjunto de seales de tiempo discreto con periodo
Tal como en el caso continuo, formaremos una base usando
es igual a
CN .
senosoidales armnicos. Antes de esto, es
necesario ver las senosoidales complejas discretas con mas detalle.
8.2.2.1 Senosoidales Complejos

Si usted esta familiarizado con la seal senosoidal
bsica y con los exponenciales complejos (Section 1.5)
entonces usted no tendr ningn problema para entender esta seccin. En todos los libros, usted ver que
la senosoidal compleja discreta se escribe as:
ejn
8 "Elemental
Signals" <http://cnx.org/content/m0004/latest/>
166
Example 8.1
Figure 8.3:
Senosoidal compleja con frecuencia = 0
Example 8.2
Figure 8.4:
Senosoidal compleja con frecuencia =
8.2.2.1.1 En el Plano Complejo

9
Nuestra senosoidal compleja se puede gracar en nuestro plano complejo , el cual nos permite visualizar
fcilmente los cambios de la senosoidal compleja y extraer algunas propiedades. El valor absoluto de nuestra
senosoidal compleja tiene las siguientes caractersticas:
|ejn | = 1 , n R
(8.3)
El cual nos dice que nuestra senosoidal compleja nicamente toma valores que se encuentran en el crculo
unitario. Con respecto al ngulo, la siguiente armacin es verdadera:
ejn = wn
9 "The
Complex Plane" <http://cnx.org/content/m10596/latest/>
(8.4)
167
Cuando
incrementa, podemos ver
ejn
igualando los valores que obtenemos al movernos en contra de
las manecillas del reloj alrededor del crculo unitario. Observe las siguiente guras Figure 8.5 para una mejor
ilustracin:
(a)
(b)
(c)
Estas imgenes muestran que cuando n incrementa, el valor de ejn se mueve en contra
de las manecillas del reloj alrededor del crculo unitario. (a) n = 0 (b) n = 1 (c) n = 2
Figure 8.5:
note:
Para que
ejn
sea peridica (Section 6.1), necesitamos que
ejN = 1
para algn
N.
Example 8.3
Nuestro primer ejemplo nos permite ver una seal peridica donde
(a)
Figure 8.6:
2
7 y
N = 7.
(b)
(a) N = 7 (b) Aqu tenemos una grafca de Re ej
2 n
7
Example 8.4
Ahora observemos los resultados de gracar una seal no peridica donde
=1
N = 7.
168
(a)
Figure 8.7:
(b)
(a) N = 7 (b) Aqu tenemos una grca de Re ejn .
8.2.2.1.2 Aliasing
Nuestra senosoidal compleja tiene la siguiente propiedad:
ejn = ej(+2)n
(8.5)
Dada a esta propiedad, si tenemos una senosoidal con frecuencia

un aliasing con una senosoidal de frecuencia
note:
Cada
ejn
+ 2 , observaremos que esta seal tendr
[0, 2)
es nica para
8.2.2.1.3 Frecuencias Negativas

Si nos dan una frecuencia
< < 2 ,
entonces esta seal ser representada en nuestro plano complejo
como:
(a)
Figure 8.8:
(b)
Grca de nuestra senosoidal compleja con una frecuencia mayor que .
De nuestras imgenes mostradas arriba, el valor de nuestra senosoidal compleja en el plano complejo se
puede interpretar como girar hacia atrs (en direccin de las manecillas del reloj) alrededor del crculo
unitario con frecuencia
2 .
Girar en sentido contrario de las manecillas del reloj
en sentido de las manecillas del reloj
2 .
es lo mismo que girar
169
Example 8.5
Gracaremos nuestra senosoidal compleja,
ejn ,
donde tenemos
5
4 y
La grca anterior de la frecuencia dada es idntica a una donde =
Figure 8.9:
Esta grca es la misma que una senosoidal de frecuencia negativa
point:
Tiene ms sentido elegir un intervalo entre
Recuerde que
n = 1.
ejn
e(jn)
son
[, )
para
` 3
4
3
4 .
conjugados. Esto nos da la siguiente notacin y propiedad:
ejn = e(jn)
(8.6)
Las partes reales de ambas exponenciales de la ecuacin de arriba son las mismas; la parte imaginaria son
los negativos de una a la otra. Esta idea es la denicin bsica de un conjugado.
Ya que hemos visto los conceptos de senosoidales complejas, retomaremos la idea de encontrar una base
para las seales peridicas en tiempo discreto. Despus de observar las senosoidales complejas, tenemos que
responder la pregunta sobre cuales senosoidales en tiempo discreto necesitamos para representar secuencias
peridicas con un periodo
N.
Pregunta Equivalente:
tal que
{bk }
sea una
Encuentre un conjunto de vectores
base para
bk = ejk n , n = {0, . . . , N 1}
Cn
Para resolver la pregunta de arriba, usaremos las senosoidales Armnicos con una frecuencia fundamental
de
0 =
2
N :
Senosoidales Armnicas
ej N kn
(a)
(b)
(8.7)
(c)
Ejemplos de nuestras
senosoidales. (a) Senosoidal armnico con k= 0 (b)Parte
2 armnicos
2
imaginaria del senosoidal, Im ej N 1n , con k = 1 (c) Parte imaginaria del senosoidal, Im ej N 2n , con
Figure 8.10:
k=2
170
2
ej N kn
es peridica con periodo
y tiene
ciclos entre
n=0
n = N 1.
Theorem 8.1:
Si dejamos
2
1
bk [n] = ej N kn , n = {0, . . . , N 1}
N
CN , entonces {bk } |k={0,...,N 1} es una base ortonormal (Section 7.7.3: Base Ortonormal) para CN .
Proof: Primero que todo, debemos demostrar que {bk } es ortonormal, por ejemplo < bk , bl >=
kl
N 1
N
1

X
1 X j 2 kn (j 2

N ln)
e N e
< bk , bl >=
bk [n] bl [n] =
N n=0
n=0
donde el trmino exponencial es un vector en
< bk , bl >=
Si
l = k,
N 1
1 X j 2 (lk)n
e N
N n=0
entonces
< bk , bl > =
=
Si
l 6= k ,
(8.8)
PN 1
1
N
n=0
(1)
(8.9)
entonces tenemos que usar la frmula de sumatoria parcial mostrada abajo:
N
1
X
n=0
(n ) =
(n )
n=0
X
n=N
< bk , bl >=
en esta ecuacin podemos decir que
(n ) =
1
N
1 N
=
1 1
1
N 1
1 X j 2 (lk)n
e N
N n=0
= ej N (lk) , as podemos ver como esta expresin se encuentra
en la forma que necesitamos utilizar para nuestra frmula de sumatoria parcial.
1
< bk , bl >=
N
1 ej N (lk)N
1 ej N (lk)
1
=
N
11
2
1 ej N (lk)

=0
As,
1 if k = l
< bk , bl >=
0 if k 6= l
Por lo tanto:
que existen
{bk }
es un conjunto ortonormal.
{bk }
(8.10)
es tambin un base (Section 5.1.3: Bases), ya
vectores que son linealmente independientes (Section 5.1.1: Independencia Lineal)
(ortogonalidad implica independencia linear).

Finalmente, hemos demostrado que los senosoidales armnicos
ortonormal para
2
1 ej N kn
N
forman una base
171
8.2.2.2 Series de Discretas de Fourier (DTFS)

Utilizando los pasos anteriores en la derivacin, usando nuestro entendimiento de espacio Hilbert (Section 7.3)
, y nalmente usando la expansin ortogonal (Section 7.8); el resto de la derivacin es automtica. Dada
una seal peridica discreta (vector
Cn ) f [n],
podemos escribir:
N 1
1 X j 2 kn
f [n] =
ck e N
N k=0
(8.11)
N 1

2
1 X
ck =
f [n] e(j N kn)
N n=0
(8.12)
1
Nota: Casi toda la gente juntan los trminos
en la expresin para
Series de Fourier de Tiempo Discreto:
ck .
Aqu se muestra la forma comn de las DTFS
tomando en cuenta la nota previa:
f [n] =
N
1
X
ck ej N kn
k=0
ck =
Esto es lo que el comando
fft
N 1

2
1 X
f [n] e(j N kn)
N n=0
de MATLAB hace.
8.3 Ecuacin de Matriz para la DTFS10

11
La DTFS
estndar.
12
es nada mas un cambio de bases
f [n]
f [0]
f [1]
f [2]
.
.
.
f [N 1]
en
CN .
Para comenzar, tenemos
f [n]
en trminos de la
= f [0] e0 + f [1] e1 + + f [N 1] eN 1
Pn1
=
k=0 (f [k] [k n])
f [0]
0
0
.
.
.
Tomando la DTFS, podemos escribir

f [1]

+ 0

.
..

0
f [n]

0

+ f [2]

.
..

0
(8.13)
+ +
base
0
.
.
.
(8.14)
f [N 1]
en trminos de la base de Fourier senosoidal
f [n] =
N
1
X
ck ej N kn
k=0

11 "Fourier Analysis in Complex Spaces": Section Discrete-Time Fourier Series
(DTFS)
<http://cnx.org/content/m10784/latest/#dtfs>
12 "Linear Algebra: The Basics": Section Basis <http://cnx.org/content/m10734/latest/#sec_bas>
(8.15)
172
f [0]
ej N
4
= c0 1 + c1
ej N
f [2]
.
.
.
.
..
.
.
(N
j 2
1
e N 1)
f [N 1]
+ c2
f [1]
Podemos formar la matriz base (llamaremos esto
1
4
+ ...
ej N
ej N
.
.
.
4
ej N (N 1)
(8.16)
envs deB ) al acomodar los vectores bases en las
columnas obtenemos
b0 [n] b1 [n] . . .
1
=
1
.
..
1
con
bN 1 [n]
1

...
...
ej N (N 1)
ej N
ej N
ej N
ej N
...
ej N 2(N 1)
.
.
.
.
.
.
.
.
.
.
.
.
ej N (N 1)
ej N 2(N 1)
...
ej N (N 1)(N 1)
4
8
(8.17)
bk [n] = ej N kn
note:
la entrada k-th la y n-th columna es
Wj,k = ej N kn = Wn,k
As, aqu tenemos una simetra adicional
W = WT WT = W =
(ya que
{bk [n]}
1 1
W
N
son ortonormales)
Ahora podemos rescribir la ecuacin DTFS en forma de matriz, donde tenemos:
f = seal (vector en CN )
c = coecientes DTFS (vector
en
CN )
"synthesis"
f = Wc
"analysis"
c = W T f = W f
Encontrar (e invertir) la DFTS es nada mas una

Todo lo que se encuentra en
CN
esta
limpio :
f [n] =< c, bn >

c [k] =< f , bk >
multiplicacin de matrices.
no se utilizan lmites, no se usan preguntas de convergencia,
nada mas se utilice aritmtica de matrices.
8.4 Extensin Peridica de las DTFS13

8.4.1 Introduccin
Ya que contamos con entendimiento de lo que son las series discretas de Fourier (DTFS) (Section 8.2.2.2:
Series de Discretas de Fourier (DTFS)), podemos considerar la
13 This
extensin peridica
de
c [k]
(coecientes
173
discretos de Fourier). Las gures bsicas mostradas a continuacin muestran una simple ilustracin de como
nosotros podramos representar una secuencia en forma de seales peridicas gracadas sobre un numero
innito de intervalos.
(a)
(b)
Figure 8.11:
(a) vectores (b) secuencias periodicas
Exercise 8.1
Porqu una extensin peridica (Section 6.1) de los coecientes de la DFTS
8.4.2 Ejemplos
Example 8.6: Funcin Cuadrada Discreta
c [k]
tiene sentido?
174
Figure 8.12
Calcule la DTFS
c [k]
usando:
N 1

2
1 X
f [n] e(j N kn)
N n=0
c [k] =
(8.18)
Como en las series de Fourier continuas, podemos tomar la sumatoria en cualquier intervalo, para
tener
ck =
Deje que
m = n + N1 ,(as
1
N
N1

X
e(j N kn)
2
(8.19)
n=N1
tenemos una serie geomtrica que empieza en 0)
ck

(j 2
N (mN1 )k )
e
m=0
P2N1 (j 2 mk)
1 j 2
N
e Nk
e
1
N
P2N1
(8.20)
m=0
Ahora, usando la formula parcial de sumatoria
M
X
(an ) =
n=0
ck
1 aM +1
1a
P2N1
(8.21)
e(j N k)
m=0
j 2 (2N1 +1))
1 j 2
1e ( N
N N1 k
Ne
jk 2
1e ( N )
1 j 2
N N1 k
Ne
=
=
m
(8.22)
Manipulndola para que se vea como el sinc (distribuya)
ck
1
N
jk 2 N + 1
jk 2 N + 1
e N ( 1 2 ) e ( N ( 1 2 ))
2 1
jk 2
jk 2 1
e ( 2N ) ejk N 2 e ( N 2 )
!
jk 2
2N
sin
2k N1 + 1
2
N
1
N
digital sinc
sin( k
N )
(8.23)
175
note:
es peridica! Figure 8.13, Figure 8.14, y Figure 8.15 muestran como nuestra funcin y
coecientes para distintos valores de
N1 .
(a)
Figure 8.13:
N1 = 1 (a) Grafca de f [n]. (b) Grafca de c [k].
(a)
Figure 8.14:
(b)
(a)
Figure 8.15:
(b)
(b)
176

Example 8.7: Sonido de un Pjaro
Figure 8.16
Example 8.8: Anlisis Espectral de la DFTS
177
Figure 8.17
Example 8.9: Recuperando la Seal
178
Figure 8.18
Example 8.10: Compresin (1-D)
179
Figure 8.19
Example 8.11: Compresin de Imgenes
180
(a)
(b)
We've cut down on storage space by > 90% (while incurring some loss) (a) Imagen de 256
por 256 (65,636 pixeles) (b) Imagen reconstruida usando 6000 coefcientes
Figure 8.20:
181
8.5 Desplazamientos Circulares14

Las muchas propiedades de la DFTS (Section 8.2.2.2: Series de Discretas de Fourier (DTFS)) se convierten
muy
sencillas (
15
similares a las de las Series de Fourier
) cuando entendemos el concepto de:
desplazamien-
tos circulares.
8.5.1 Desplazamientos Circulares

16
Podemos describir las secuencias peridicas
teniendo puntos discretos en un crculo como su dominio.
Figure 8.21
Desplazar
m = 2,
m, f (n + m),
corresponde a rotar el cilindro
puntos ACW (en contra del reloj).
obtenemos un desplazamiento igual al que se ve en la siguiente ilustracin:
Figure 8.22:
para m = 2

16 "Periodic Signals" <http://cnx.org/content/m10744/latest/>
Para
182
Figure 8.23
Para ciclar los desplazamientos seguiremos los siguientes pasos:

1) Escriba
f (n)
Figure 8.24:
en el cilindro, ACW
N =8
183
2) Para ciclar por
m,
gire el cilindro m lugares ACW
(f [n] f [((n + m))N ])
m = 3
Figure 8.25:
Example 8.12
Si
f (n) = [0, 1, 2, 3, 4, 5, 6, 7],

Es llamado
entonces
f (((n 3))N ) = [3, 4, 5, 6, 7, 0, 1, 2]
desplazamiento circular, ya que nos estamos moviendo alrededor del crculo. El
desplazamiento comn es conocido como desplazamiento linear (un movimiento en una lnea).
8.5.1.1 Notas para el desplazamiento circular
f [((n + N ))N ] = f [n]

Girar por
lugares es lo mismo que girar por una vuelta completa, o no moverse del mismo lugar.
f [((n + N ))N ] = f [((n (N m)))N ]

Desplazar ACW
es equivalente a desplazar CW
N m
184
Figure 8.26
f [((n))N ]
La expresin anterior, escribe los valores de
f [n]
para el lado del reloj.
185
(a)
Figure 8.27:
(b)
(a) f [n] (b) f ((n))N
8.5.2 Desplazamientos Circulares y el DFT

Theorem 8.2: Desplazamiento Circular y el DFT
Si
DFT
f [n] F [k]
entonces
Por ejemplo.
f [((n m))N ] e(j N km) F [k]

DFT
Desplazamiento circular en el dominio del tiempo= desplazamiento del ngulo en el
DFT)
Proof:
f [n] =
N 1

2
1 X
F [k] ej N kn
N
(8.24)
k=0
as que el desplazar el ngulo en el DFT
f [n]
1
N
1
N

PN 1
2
(j 2
N kn) ej N kn
F
[k]
e
k=0

PN 1
2
F [k] ej N k(nm)
k=0
= f [((n m))N ]
(8.25)
186

Aliasing:
bk = ej N kn
bk+N
= ej N (k+N )n
2
= ej N kn ej2n
2
= ej N n
= bk
Coecientes DTFS tambin son peridicos con periodo
N.
(8.26)
Chapter 9
Transformada Rpida de Fourier (FFT)
9.1 DFT: Transformada Rpida de Fourier1
Ahora podemos calcular el espectro de una seal arbitraria: La Transformada de Fourier Discreta (DFT)
calcula el espectro en
frecuencias igualmente espaciadas de una longitud-
secuencias. Una edicin que
nunca se presenta en el "clculo" anlogo,como la realizada por un cirduito, es cuanto trabajo toma realizar
la operacin de procesamiento de seal como la ltracin. En computacin, esta consideracin traslada del
nmero de pasos bsicos de computacin requeridos para realizar el proceso. El nmero de pasos, conocidos
como,la
complejidad, se vuelve equivalente a cuanto tiempo toma el clculo (que tanto tiempo tenemos
que esperar para una respuesta).
La complejidad no esta atada a computadoras especicas o lenguajes
de programacin, pero a cuantos pasos son requeridos en cualquier clculo.

complejidad indicada dice que el tiempo tomado ser
As, un procedimiento con
proporcional a alguna cantidad de datos utilizados
en el clculo y en la cantidad demandada.

Por ejemplo, considerar la formula para la transformada discreta de Fourier. Para cada frecuencia que
elijamos, debemos multiplicar cada valor de la seal por un nmero complejo y sumar los resultados. Para
una seal valorada-real, cada multiplicacin real-por-complejo requiere dos multiplicaciones reales, signica
que tenemos
2N
multiplicaciones para realizarse. Para sumar los resultados juntos, debemos mantener la
parte real y la imaginaria separadas. Sumando
2N + 2 (N 1) = 4N 2
operaciones es N (4N 2).
frecuencia requiere
nmero total de
nmeros requiere
N 1
pasos bsicos de realizar.
sumas. Constantemente, cada
Como tenemos
frecuencias, el
En clculos de la complejidad, solo tenemos que preocuparnos de que sucede cuando la longitud incrementa, y tomar el trmino dominante aqu el trmino
4N 2
como reejo de cuanto trabajo esta involu-
crado haciendo la computacin. Como una constante multiplicativa no importa ya que estamos haciendo
una "proporcional" a la evaluacin,encontramos que la DFT es un
Esta notacin es leda "orden
N -cuadrado".
O N2
procedimiento computacional.
Donde, si tenemos doble longitud, esperamos que el tiempo de
la realizacin sea aproximadamente el cuadruple.
Exercise 9.1
Haciendo la evaluacin de la complejidad para la DFT, asumimos que los datos son reales. Surgen
tres preguntas. Primero que nada, el espectro de las seales tiene simetra conjugada, lo que signica
que los componentes de las frecuencias negativas (k
N
2 + 1, ..., N + 1 en la DFT ) pueden ser

calculadas de los componentes de la frecuencia positiva correspondiente. Esta simetra cambia la
complejidad de la Trasformada Directa de Fourier DFT?
En segundo lugar,supongamos que los datos son de valores complejos; Cal es la complejidad
de la DFT ahora?

2 "Discrete Fourier Transform(DTFT)", (1) : Discrete Fourier transform <http://cnx.org/content/m0502/latest/#eqn1>
3 "Discrete Fourier Transform(DTFT)", (1) : Discrete Fourier transform <http://cnx.org/content/m0502/latest/#eqn1>
187
CHAPTER 9. TRANSFORMADA RPIDA DE FOURIER (FFT)
188
Finalmete, pregunta menos importante pero interesante, supongamos que queremos

de fecuencias en lugar de
N;
valores
Ahora cal es la complejidad?
9.2 La Transformada Rpida de Fourier (FFT)4

9.2.1 Introduccin
La Transformada Rpida de Fourier (Fast Fourier Transform) (FFT) es un algoritmo eciente O(NlogN)
para calcular la DFT
orignalmente descubierta por Gauss a primcipios de 1800

redescubierta por Cooley y Tukey en IBM durante 1960
C.S. Burrus, de la Universidad de Rice University siendo jefe del departamento de Ingenieria, literalmente "escribio el libro" de los algoritmos de la rpida Transformada Discreta de Fourier DFT.
La FFT
explota las simetrias en la matriz
para aproximarse "divide y conquistaras". No hablaremos
del actual algoritmo de la FFT aqui, veamos estas notas
si usted esta interesado en leer mas a cerca de la
idea detras de la FFT.
9.2.2 Comparacin De la Velocidad

En cunto es mejor O(NlogN) que O(
Figure 9.1:
N 2 )?
Esta gura muestra que tan lento crece el tiempo de solucin de un proceso de O(NlogN).
4 This content is available

5 "Fast Fourier Transform
6 "Fast Fourier Transform
online at <http://cnx.org/content/m12942/1.1/>.
(FFT)" <http://cnx.org/content/m10250/latest/>
(FFT)" <http://cnx.org/content/m10250/latest/>
189
10
100
1000
106
109
N2
100
104
106
1012
1018
N logN
200
3000
6 106
9 109
Digamos que tiene una maquina de 1 MFLOP (un millin de "puntos otantes" de operacione spor
N = 1millin = 106 .
N 2 ) toma 1012 procesos 106 segundos ' 11.5
6
algoritmo de O( N logN ) toma 6 10 procesos 6 segundos.
segundo). Sea
Un algoritmo de O(
Un
nota: N = 1millin
das.
es razonable.
Example 9.1
Una camara digital de 3 megapixeles arroja
secuencias de punto
f [n]
h [n].
3 106
nmeros por cada foto. As que para dos
Si resolvemos directamente
(f [n] ~ h [n])
: O(
N 2)
operaciones.
Tomando la FFTs O(NlogN)

multiplicando la FFTs O(N)
la inversa de FFTs O(NlogN).
el total de complejidad es O(NlogN).
nota:
FFT + computacin didigital fue completamente responsable de la "explosin" del Proce-
samiento Digital de Seales DSP en los aos 60's.
nota:
La Universidad de Rice fue (y sigue siendo) uno de los lugares de hacer investigacin en
DSP.
9.3 Derivando la Transformada Rpida de Fourier7

Para derivar la FFT,asumimos que la duracin de la seal es una potencia de dos:
N = 2l
. Considere que
pasa a los elementos pares numerados y a los elemenots impares numerados de la solucin de la secuencia en
la DFT.
2(N 2)k
22k
s (0) + s (2) e(j) N

+ + s (N 2) e(j) N
2(2+1)k
2(N 2+1)k
N
+ s (3) e(j) N
+ + s (N 1) e(j)
2 ( N
2 1)k
(j) 2k
(j)
N
N
2
2
s(0)
+
s (2) e
+
+
s (N 2) e
N
2 ( 2 1)k
(j) 2k
(j)
N
N
s (1) + s (3) e
e (j2k)
2 + + s (N 1) e
2
N
S (k)
=
2k
s (1) e(j) N
Cada trmino en parntesis al cuadrado tiene la
+
=
(9.1)
forma de una longitud N

2 de DFT. La primera es una
DFT de los elementos pares nuemrados,y la segunda es de los elementos impares numerados.
de la transformada es cada evaluacin de los ndices de frecuencia
(j2k)
e N
.
k {0, . . . , N 1}
DFT es combinada con la segunda multiplicadno por el exponencial complejo
La primer
La media-longitud
.
Normalmente el
nmero de indices de frecuencia del rango de una calculacin de la DFT esta entre cero y la longitud de
7 This
190
la transformacin menos uno.
La
ventaja computacional de la FFT viene de reconocer la natulareza
del perido de la transformada discreta de Fourier. La FFT simplemente reusa las soluciones hechas en la
(j2k)
N
, que
N
, para rescribir la longitud-N DFT. La Figure 9.2 (Descomposicin de la DFT de
2
longitud-8) ilustra la descomposicin. Como se mantiene, ahora resolvemos dos transformadas de longitudesmedia-longitud de la transformada y las combina a travs de sumas y multiplicaciones por
no es peridica sobre
N
2 (complejidad
2O
N2
4
O (N )
), multiplicar una de ellas por el exponencial complejo (complejidad
sumar los resultados (complejidad
O (N )
), y
). En este punto, el total de complejidad sigue dominado por la
mitad-longitud de la calculacin de DFT, pero el coecente de proporcionalidad ha sido reducido.

Ahora para la diversin. Por que
N = 2l
, cada una de las transformaciones de media-longitud puede ser
reducida a una de dos cuartos-longitud, cada una de estas en dos octavos-longitud, etc. Esta descomposicin
continua hasta que nos quedamos con una transformada de longitud -2 . Esta transformada es absolutamente
N
2 transformadas de longitud-2
(vease la parte de abajo de la Figure 9.2 (Descomposicin de la DFT de longitud-8)). Pares de estas
simple, involucrando solo sumas. Donde la primer etapa de la FFT tiene
transformadas son combinados suamando uno a otro multiplicado por el exponencial complejo. Cada par
8 N4 =
N
2 . Este
nmero de computaciones no cambia de etapa a etapa. Ya que el nmero de etapas, el nmero de veces que
requiere 4 sumas y 4 multiplicaciones, dando un nmero total de computaciones igual a

la longitud puede ser dividida por dos, igual a
log 2 N
, la complejidad de la FFT es
O (N logN )
191
Descomposicin de la DFT de longitud-8
(a)
(b)
La descomposicin inicial de una longitud-8 DFT en trminos usando ndices pares e impares entradas marca la primera fase de convertirse en el algoritmo de la FFT. Cuando esta transformada
de media-longitud esta completamente descompuesta, nos quedamos con el diagrama del panel inferior
que representa la solucin de la FFT de longitud-8.
Figure 9.2:
192
Haciendo un ejemplo haremos ahorros de procesos ms obvios. Veamos los detalles de la DFT de longitud8. Como se muestra en la Figure 9.2 (Descomposicin de la DFT de longitud-8), primero descomponemos
la DFT en dos DFT de longitud-4,con las salidas sumadas y restadas en pares. Considerando la Figure 9.2
(Descomposicin de la DFT de longitud-8) como el ndice de frecuencia que va de 0 hasta 7,reciclamos valores
de la DFT de longitud-4 para los calculos nales por la peridicidad de la salida de la DFT. Examinando
como los pares de salidas se recojen juntas, creamos los alementos computacionales bsicos conocidos como
una
mariposa (Figure 9.3 (Mariposa)).
Mariposa
Los elementos computacionales bsicos de la transformada rpida de Fourier es la mariposa.

Toma dos nmeros complejos, representados por a y b, y forma las cantidades mostradas . Cada mariposa
requiere una multiplicacin compleja y dos sumas complejas.
Figure 9.3:
Considerando los procesos involucrando la salida de frecuencias comunes de la DFT de dos media-longitud,
vemos que las dos multiplicaciones complejas son relacionadas unas con otras, y podemos reducir nuestro
proceso en un futuro. Para descomposiciones posteriores las DFT de longitud-4 en las DFT de longitud2 y combinando sus salidas, llegamos al resumen del diagrama de la transformada rpida de Fourier de
longitud-8 (Figure 9.2 (Descomposicin de la DFT de longitud-8)). Aunque la multiplicacin de los complejos
es absolutamente simple (multiplicando por
e(j)
signica partes negativas reales y partes imaginarias),
contemos sos para los propsitos de evaluar la complejidad como el complejo se multiplica por completo.
N
2 = 4 multiplicaciones complejas y 2N = 16 sumas para cada etapa y
3N
el nmero de procesos bsicos
2 log 2 N como se predijo.
Tenemos
log 2 N = 3
etapas, haciendo
Exercise 9.2
Notese que el orden de la secuencia de entrada en dos partes de Figure 9.2 (Descomposicin de la
DFT de longitud-8) no estan absolutamente iguales. por que no?, cmo esta determinado este
orden?
Otros lagoritmos "rpidos" han sido descubiertos, todos de los cuales hacen uso de cuantos factores tiene
la transformada de longitud N. En teoria de nmeros, el nmero de factores primos de un entero dado
tiene medidas como
compuesto es el. El nmero 16 y 81 son altamente compuestos (iguales a
respectivamente),el nmero 18 es menor asi que (
1 2
2 3
), y el 17 no del todo (es primo).
24
34
a travs de
treinta aos de desarrollo del algoritmo de la transformada de Fourier, el algoritmo original de CooleyTukey esta alejado de los usados con mas frecuancia. Es tan eciente computacionalmente hablando como
la transformada de longitud de potencia de dos es frecuentemente usada sin importar la longitud actual de
los datos.
193

Cuando la seal es de valor real, solo necesitamos la mitad del valor del espectro, pero la complejidad
permanece sin cambios. Si los datos son de valores complejos,lo cual requiere de la retencin de todos los
datos, la complejidad es nuevamente la misma. Cuando se requieren solamente
es
frecuencias, la complejidad
O (KN ).

El panel de arriba no usa el algoritmo de FFT para procesar la DFT de longitud-4 mientras que el abajo
si.El orden es determinado por el algoritmo.
194
Chapter 10
Convergencia
10.1 Convergencia de Secuencias1
10.1.1 Qu es una Secuencia?
Denition 12: secuencia
Una secuencia es una funcin
secuencia por:
gn
denida en los enteros positivos 'n'.
Tambin denotamos una
{gn } |
n=1
Example
Una secuencia de nmeros reales:
gn =
1
n
Example
Una secuencia vector:
gn =
sin
cos
n
2

n
2
Example
Una secuencia de una funcin:
nota:
1 if 0 t < 1
n
gn (t) =
0 otherwise
Una funcin puede ser pensada como un vector de dimensin innito donde por cada valor
de 't' tenemos una dimensin.
10.1.2 Convergencia de Secuencias Reales

Denition 13: lmite
Una secuencia
{gn } |
n=1
converge a un lmite
gR
si para
todo > 0 existe un entero N
|gi g| < , i N
1 This
195
tal que
CHAPTER 10. CONVERGENCIA
196
Usualmente denotamos un lmite escribiendo
lim gi = g
gi g
La denicin anterior signica que no importa que tan pequeo hagamos
de
gi 's,
todos los puntos de la secuencia estan dentro de una distancia
de
, excepto para un nmero nito

g.
Example 10.1
Dada las siguiente secuencia de convergencia :
gn =
1
n
(10.1)
Intuitivamente podemos asumir el siguiente lmite:
lim gn = 0
. Ahora provemos esto rigurosamente, digamos que dado el nmero real

donde
dxe
denota el menor entero mayor que
x.
|gn 0| =
Entonces para
nN
> 0.
Escojamos
tenemos
1
1
<
n
N
Donde,
lim gn = 0
Example 10.2
Ahora veamos la siguiente secuencia no-convergente
gn =
1 if n = par
1 if n = impar
Esta secuencia oscila entre 1 y -1, asi que nunca converge.
10.1.2.1 Problemas
Para practicar, diga cuales de las siguientes secuencias convergen y de el limite si este existe.
1.
2.
3.
4.
5.
6.
gn =
n
1
n if n = par
gn =
1 if n = impar
n
1 if n 6= potenciade10
n
gn =
1 otherwise
n if n < 105
gn =
1 if n 105
n

gn = sin n
gn = j n
N = d 1 e,
197
10.2 Convergencia de Vectores2

10.2.1 Convergencia de Vectores
Discutiremos la convergencia puntual y de la norma de vectores. Tambin existen otros tipos de convergencia
3
y uno en particular, la convergencia uniforme , tambin puede ser estudiada. Para esta discusin, asumiremos
que los vectores pertenecen a un espacio de vector normado (Section 7.2).
10.2.1.1 COnvergencia Puntual
{gn } |
n=1 converge puntualmente al lmite g si cada elemento de gn converge
en g. A continuacin hay unos ejemplos para tratar de ilustrar esta idea.
Una secuencia (Section 10.1)

al elemento correspondiente
Example 10.3
gn [1]
gn =
gn [2]
1+
2
Primero encontramos los siguiente limites para nuestras dos
1
n
1
n
gn 's:
lim (gn [1]) = 1
lim (gn [2]) = 2
n
Despus tenemos el siguiente,
lim gn = g
puntual, donde
g=
1
2
Example 10.4
gn (t) =
t
, tR
n
Como se hizo anteriormente, primero examinamos el lmite
lim gn (t0 ) = lim
n
donde
t0 R .
Por lo tanto
lim gn = g
t0
=0
n
puntualmente donde
g (t) = 0
para toda
t R.
10.2.1.2 Norma de Convergencia

La secuencia (Section 10.1)
{gn } |
n=1
converge a
(Section 7.2) del espacio vectorial correspondiente de

entre los vectores
gn
decrese a
lim k gn g k= 0. Aqui k k es la norma

n
Intuitivamente esto signica que la distancia
en la norma si
gn 's.
0.
Example 10.5
gn =
1+
2
1
n
1
n

3 "Uniform Convergence of Function Sequences" <http://cnx.org/content/m10895/latest/>
198
Sea
g=
1
2
k gn g k
1
n
1
1
n2 + n2
2
n
=
=
=
Asi
lim k gn g k= 0,
Por lo tanto,
1+
2
+ (1)
gn g
(10.2)
en la norma.
Example 10.6
gn (t) =
t
n if
Sea
g (t) = 0
para todo
0t1
0 otherwise
t.
k gn (t) g (t) k
R1
t2
dt
0 n2
t3 1
3n2 |n=0
1
3n2
=
=
=
Asi
lim k gn (t) g (t) k= 0
gn (t) g (t)
Por lo tanto,
(10.3)
en la norma.
10.2.2 Puntual vs.Norma de Convergencia

Theorem 10.1:
Para
Rm ,
Proof:
la convergencia puntual y la norma de convergencia es equivalente.
Puntual
Norma
gn [i] g [i]
Asumiendo lo anterior, entonces
m
X
(k gn g k) =
(gn [i] g [i])
i=1
As,
lim (k gn g k)
Proof:
Norma
lim
Pm
n
Pm
i=1
2
i=1
lim 2
n
(10.4)
Puntual
k gn g k 0
lim
Pm
i=1
Pm
i=1
lim 2
Ya que cada trmino es mayor o igual a cero, todos los trminos 'm' deben ser cero. As,
lim 2 = 0
(10.5)
199
i.
para todo
Por lo tanto,
gn gpuntual
nota:
En un espacio de dimensin nita el teorema anterior ya no es cierto. Probaremos esto con
contraejemplos mostrados a continuacin.
10.2.2.1 Contra Ejemplos

Example 10.7: Puntual
Norma
Dada la siguiente funcin:
n if 0 < t < 1
n
gn (t) =
0 otherwise
Entonces
lim gn (t) = 0
Esto signica que,
gn (t) g (t)
donde para todo
t g (t) = 0.
Ahora,
(k gn k)
1
n
(|gn (t) |) dt
n2 dt
(10.6)
= n
Ya que la norma de la funcin se eleva, no puede converger a cualquier funcin con norma nita.
Example 10.8: Norma
Puntual
Dada la siguiente funcin:
1 if 0 < t < 1
n
gn (t) =
0 otherwise
1 if 0 < t < 1
n
gn (t) =
0 otherwise
si n es par
si n es impar
Entonces,
Z
k gn g k=
1dt =
0
donde
g (t) = 0
para todo
t.
Sin embargo, en
1
0
n
Entonces,
gn g en
t = 0, gn (t)
tiene convergencia puntual.
1
n
la norma
oscila entre -1 y 1, Y por lo tanto es no convergente. As,
gn (t) no
200
10.2.2.2 Problemas
Pruebe si las siguientes secuencias tienen convergencia puntual, norma de convergencia, o ambas se mantienen
en sus limites.
1.
2.
1
nt if
0<t
0 if t 0
e(nt) if t 0
gn (t) =
0 if t < 0
gn (t) =
10.3 Convergencia Uniforme de Secuencias de Funciones.4

10.3.1 Convergencia Uniforme de Secuencias de Funciones
para esta discusin, solo consideraremos las funciones con
gn
donde
RR
Denition 14: Convergencia Uniforme
{gn } |
n=1 converge
n N implica que

existe un entero
tal que
uniformemente a la funci
|gn (t) g (t) |

para
si para cada
> 0
(10.7)
todo t R.
Obviamente toda secuencia uniformemente continua es de convergencia puntual (Section 10.2) .
La
{gn } converge puntualmente a g ,

entonces para todo > 0 y para toda t R hay un entero N que depende de y t tal que (10.7) se mantiene
si n N . Si {gn } converge uniformemente a g , es posible que para cada > 0 enocntrar un entero N que
ser par todo t R.
diferencia entre convergencia puntual y uniformemente continua es esta: Si
Example 10.9
gn (t) =
Sea
>0
dado. Entonces escoja
N = d 1 e.
1
, tR
n
Obviamente,
|gn (t) 0| , n N
para toda
t.
As,
gn (t)
converge uniformemente a
0.
Example 10.10
gn (t) =
t
, tR
n
> 0 no podemos encontrar una funcin sencilla gn (t) para la cual la

g (t) = 0 para todo t. As gn no es convergente uniformemente. Sin embargo
Obviamente para cualquier

(10.7) se mantiene con
tenemos:
gn (t) g (t) puntual
conclusin:
La convergencia uniforme siempre implica convergencia puntual, pero la cpnvergen-
cia puntual no necesariamente garantiza la convergencia uniforme.
4 This
201
10.3.1.1 Problems
Pruebe rigurosamente si las siguientes funciones convergen puntualmente o uniformemente, o ambas.
1.
2.
3.
gn (t) = sin(t)
n
t
gn (t) = en
1 if t > 0
nt
gn (t) =
0 if t 0
202
203
CHAPTER 11.
204
TRANSFORMADA DE FOURIER DISCRETA EN EL

TIEMPO (DTFT)
Chapter 11
Transformada de Fourier Discreta en el
Tiempo (DTFT)
11.1 Tabla de Transformadas de Fourier Comunes1
Time Domain Signal
(at)
u (t)
at
e u (t)
e(a|t|)
te(at) u (t)
n (at)
t e
u (t)
Frequency Domain Signal
Condition
1
a+j
1
aj
2a
a2 + 2
1
(a+j)2
n!
(a+j)n+1
a>0
(t)
2 ()
j0 t
a>0
a>0
a>0
a>0
2 ( 0 )
cos (0 t)
( ( 0 ) + ( + 0 ))
sin (0 t)
j ( ( + 0 ) ( 0 ))
u (t)
() +
sgn (t)
2
j
2 ( ( 0 ) + ( + 0 ))
j
0 2 2
2j ( ( 0 ) ( + 0 ))
0
0 2 2
0
(a+j)2 +0 2
a+j
(a+j)2 +0 2
)
2 sin(
= 2 sinc (t)
cos (0 t) u (t)
sin (0 t) u (t)
e(at) sin (0 t) u (t)
e(at) cos (0 t) u (t)
u (t + ) u (t )
0 sin(0 t)
= 0 sinc (0 )
0 t

t
t
t
+ 1 u + 1 u
t +1 u t u t
triag 2t

2 0 t
0
2 sinc
2
+
=
1
j
+
+
a>0
a>0
u ( + 0 ) u ( 0 )

sinc2
2

+ 1 u 0 + 1 u 0 +

0 + 1 u 0 u 0 1 =

triag 2
0
205
11.2 Transformacin Discreta de Fourier2

11.2.1 N-puinto Punto Transformada Discreta de Fourier (DFT)
N
1
X
x [n] e(j) n kn
, k = {0, . . . , N 1}
(11.1)
N 1

2
1 X
X [k] ej n kn , n = {0, . . . , N 1}
x [n] =
N
(11.2)
X [k] =
n=0
k=0
Note que:
X [k] es la DTFT evaluado en = 2

N k , k = {0, . . . , N 1}
Completar con ceros x [n] a M muestras antes de sacar el
muestreada de M -puntos uniformes del DTFT :
DFT, da como resultado una versin
1

2 NX
2
x [n] e(j) M k
X ej M k =
(11.3)
n=0
1

2 NX
2
xzp [n] e(j) M k
X ej M k =
n=0
X ej
La
N -pt
2
M k
= Xzp [k] , k = {0, . . . , M 1}
DFT es suciente para reconstruir toda la DTFT de una secuencia de
N -pt:
1

NX
X ej =
x [n] e(j)n
(11.4)
n=0
X e
N
1
X
n=0

X ej =
N
1
X
1
N
! NX
1
X e
N
1
X
k=0
2 This
k=0
!
(X [k])
k=0
X [k] ej N kn e(j)n
N 1

1 X (j)( 2
N k )n
e
N
k=0
!
(X [k])
1
N
sin
sin
N 2k
N 1
2
2
e(j)( N k) 2
N 2k
2N
CHAPTER 11.
206

TIEMPO (DTFT)
1
.
0
Figure 11.1:
Sinc dirichlet,
2pi/N 4pi/N
2pi
N
1 sin( 2 )
N sin( )
2
DFT tiene una representacin en forma de matriz muy conveniente. Deniendo
X [0]
WN0
WN0
WN0
WN0
...
x [0]
X [1]

W0
N
=
WN0

WN1
WN2
WN3
x [1]
WN2
WN4
WN6
.
.
.
.
.
.
.
.
.
...
...
.
.
.
.
.
.
X [N 1]
donde
WN = e(j) N
X = W (x)
respectivamente.
.
.
.
.
.
.
(11.5)
x [N 1]
tiene las siguientes propiedades:
W es Vandermonde: La nth columna de W es un polinomio en WNn

W es simetrico: W = W T
H
H

1 W
1 W
1 W = I
1N W es unitaria: 1N W
=
N
N
N
NW
Para
= W 1 ,
es la matriz y DFT.
un poder de 2, la FFT se puede usar para calcular la DFT usando
N
2 log 2 N en vez de
N2
operaciones.
N
2 log 2 N
N2
16
32
256
64
192
4096
256
1024
65536
1024
5120
1048576
11.3 Transformada Discreta de Fourier (DFT)3

La transformada de Fourier Discreta en el tiempo (y tambin la transformada continua) pueden ser evaluadas
cuando tenemos una expresin analtica para la seal. Suponga que tengamos una seal, como es la seal
3 This
207
del habla usada en el capitulo anterior, para ella no existe una formula.
Entonces cmo podra usted
calcular su espectro? Por ejemplo, cmo calculamos el espectrograma para el ejemplo de la seal de habla
4
? La transformada de Fourier discreta ( DFT) nos permite calcula el espectro de informacin discreta en
el tiempo.
Estando en tiempo discreto podemos calcular exactamente el espectro, para seales anlogas
no existe manera similar para calcular su espectro similar. Para el espectro de seales anlogas se tienen
que construir equipo especial, que consiste en casi todos los casos de convertidores A / D y computaciones
discretas.
Anlisis de el espectro discreta en el tiempo son mas exibles que los anlisis de las seales
continuas.
5
La formula del DTFT
es una suma que conceptualmente es fcil de calcular excepto por unos problemas.
Duracin de la seal.
La suma se extiende sobre la duracin de la seal, la cual tiene que ser nita
para calcular el espectro de la seal.
Es extremadamente difcil guardar una seal innita, as que
asumimos que la seal se extiende sobre
Frecuencia contina.
[0, N 1].
Igual de importante que el problema de la duracin de la seal es el hecho que
1
1
2 , 2 o
las frecuencias dentro del periodo.
la frecuencia variable es continua: talvez solo se tenga que extender un periodo, como
[0, 1],
pero la formula DTFT requiere evaluar el espectro de
todas
Calculemos el espectro de unas cuantas frecuencias; las mas obvias son las que tienen una espacio
similar
f=
k
K,
As que denimos la
k {k, . . . , K 1}.
transformada discreta de Fourier ( DFT) como
S (k) =
N
1
X
s (n) e(
j2nk
K
, k {0, . . . , K 1}
(11.6)
n=0
Aqu,
S (k)
representa

k
S ej2 K .
Podemos calcular el espectro en todas las frecuencias con espacio similar que queremos. Note que usted
puede pensar de esta motivacin computacional como
muestrear el espectro; se vera mas sobre esta inter-
pretacin despus. El problema ahora es el saber cuantas frecuencias son sucientes para capturar el como
el espectro cambia con la frecuencia. Una manera de responder esta pregunta es determinando la formula
de la transformada inversa discreta de Fourier: dado
n = {0, . . . , N 1}?
La formula estar en la siguiente
S (k), k = {0, . . . , K 1} cmo encontramos

s (n),

PK1
j2nk
K
manera s (n) =
. Substituyendo
S (k) e
k=0
la formula DFT en este prototipo para la transformada inversa da
s (n) =
K1
X
N
1
X
k=0
m=0
2nk
(j 2mk
K ) j K
s (m) e
!
(11.7)
Note que la relacin de ortogonalidad que usamos tiene un carcter diferente ahora.
K1
X
e(j
2km
K
) ej
2kn
K
k=0
K
=
if
m = {n, (n K) , (n 2K) , . . . }
Nosotros obtenemos valores de no cero cada vez que los dos ndices dieren por mltiple de
expresar estos resultados como
( (m n lK)).
s (n) =
N
1
X
m=0
Los nmeros
sumar un
s (m) K
(11.8)
0 otherwise
K.
Podemos
As, nuestra formula se convierte
!
( (m n lK))
(11.9)
l=
n y m existen en el rango {0, . . . , N 1}. Para obtener una transformada inversa, necesitamos
muestreo unitario para m, n en este rango. Si no lo hiciramos, s (n) igualara a la suma
solo
4 "Modeling the Speech Signal", Figure 5: spectrogram <http://cnx.org/content/m0049/latest/#spectrogram>

5 "Discrete-Time Fourier Transform (DTFT)", (1) <http://cnx.org/content/m10247/latest/#eqn1>
CHAPTER 11.
208

TIEMPO (DTFT)
de valores, y no tendramos una transformada valida: una vez que regresemos al dominio de frecuencia, no
podramos obtener una ambiguosidad! claramente, el termino
(nos haremos cargo del factor de
l=0
siempre provee un muestreo unitario
pronto). Si evaluamos el espectro en
la seal, el termino correspondiente a
m = n+K
menos
frecuencias que lo que dura
m, n = {0, . . . , N 1}.
s (n) + s (n + K) para cualquier valor de
K N : tenemos que tener mas muestreos de
aparecer para algunos valores de
Esta situacin signica que nuestra transformada prototipo iguala
n.
La nica manera de eliminar este problema es el requerir
frecuencia que lo que dura la seal. De esta manera, podemos regresar del dominio de frecuencia al cual
entramos por la DFT.
Exercise 11.1
Cuando tenemos menos muestreos de frecuencia que lo que dura la seal, algunos valores de la
seal discreta igualan la suma de los valore de la seal original. Dada la interpretacin del muestreo
para el espectro, caracterice este efecto de una manera diferente.
Otra manera para entender este requerimiento es el usar de teora de ecuaciones lineares. Si escribimos la
expresin para el DFT como un conjunto de ecuaciones lineares,
s (0) + s (1) + + s (N 1) = S (0)

2
s (0) + s (1) e(j) K + + s (N 1) e(j)
(11.10)
2(N 1)
K
= S (1)
.
.
.
s (0) + s (1) e(j)

tenemos
K.
2(K1)
K
Obtenemos ecuaciones en
+ + s (N 1) e(j)
N
2(N 1)(K1)
K
= S (K 1)
desconocidos si queremos encontrar la seal de su espectro
muestreado. Este requerimiento es imposible de encontrar si
K < N;
tenemos que tener
K N.
Nuestra de
relacin de ortogonalidad esencialmente dice que si tenemos el suciente numero de ecuaciones (muestreos
de frecuencia), el conjunto de ecuaciones que resultan de esto se pueden resolver.
Por convencin, el numero de valores para las frecuencias del DFT
de la seal
N.
es elegido para igualar la duracin
El par para la transformada discreta de Fourier consiste de
Par de la Transformada Discreta de Fourier
S (k) =
N
1
X
s (n) e(j
2nk
N
(11.11)
n=0
s (n) =
N 1

2nk
1 X
S (k) ej N
N
k=0
Example 11.1
Use esta demostracin para hacer un anlisis del DFT para la seal.

http://cnx.org/content/m12844/latest/DFT_Analysis.llb
Example 11.2
Use esta demostracin para sintetizar una seal de una secuencia DFT
(11.12)
209

http://cnx.org/content/m12844/latest/DFT_Component_Manipulation.llb
11.4 Transformada de Fourier Discreta en el Tiempo (DTFT)6

Transformada de Fourier Discreta en el Tiempo
X () =

X
x (n) e(jn)
(11.13)
n=
Transformada Inversa de Fourier Discreta en el Tiempo
x (n) =
1
2
X () ejn d
(11.14)
11.4.1 Espacios Relevantes

7
La transformada de Fourier en tiempo discreto
graca seales discretas en el tiempo innita en
de frecuencia continua con tamao nito (o peridicas) en
Figure 11.2:
l2
, a seales
L2 .
Graca l2 (Z) en el dominio del tiempo para L2 ([0, 2)) en el dominio de la frecuencia.

7 "Discrete-Time Fourier Transform (DTFT)" <http://cnx.org/content/m10247/latest/>
CHAPTER 11.
210

TIEMPO (DTFT)
11.5 Propiedades de la Transformada de Fourier Discreta en el

Tiempo8
Propiedades de la Transformada de Fourier Discreta en el Tiempo
Dominio de la Secuencia
Linearidad
a1 s1 (n) + a2 s2 (n)
Simetra del Conjugado
s (n)
Simetra Par
s (n) = s (n)
Simetra Impar
s (n) = (s (n))
Retrazo del Tiempo
s (n n0 )
Modulacion Compleja
ej2f0 n s (n)
Modulacin de Amplitud
s (n) cos (2f0 n)

a1 S1 ej2f + a2 S2 ej2f

S ej2f = S e(j2f )

S ej2f = S e(j2f )

S ej2f = S e(j2f )

e(j2f n0 ) S ej2f

S ej2(f f0 )
S (ej2(f f0 ) )+S (ej2(f +f0 ) )
real
2
S (ej2(f f0 ) )S (ej2(f +f0 ) )
2j

1
d
S
ej2f
(2j) df

j20
s (n) sin (2f0 n)

Multiplicacin por n
Suma
(s (n))
s (0)
P
n=
Valor en el Origen
Teorema de Parseval
Figure 11.3:
ns (n)
P
n=
(|s (n) |)
S e

R 21
S ej2f df
( 12 )
2
R 21
|S ej2f | df
( 12 )
Propiedades de la Transformada de Fourier Discreta en el Tiempo y sus relaciones.
11.6 Par de la Transformada de Fourier Discreta en el Tiempo9

Cuando obtenemos una seal discreta a muestrear una seal anloga, la frecuencia Nyquist corresponde a la
1
1
2 . Para demostrar esto, note que un senosoidal en la frecuencia Nyquist 2Ts tiene una
forma muestreada que iguala
frecuencia discreta
Senosoidal en la Frecuencia Nyquist de 1/2T

cos 2 2T1 s nTs
= cos (n)
=
(11.15)
(1)
(j2n)
n
1
2
= e(jn) = (1) , lo que signica que la
2 igual e
correspondencia entre una frecuencia anloga y una frecuencia discreta es establecida:
El exponencial en la DTFT en la frecuencia
Relacin para la Frecuencia Discreta en el Tiempo Anlogo
fD = fA Ts
8 This
9 This

(11.16)
211
onde
fD
fA
representan las variables de frecuencia anloga y frecuencia discreta, respectivamente. La

10
gura de aliasing
provee otra manera para derivar este resultado. Conforme la duracin de cada punto en
la seal de muestreo peridica
pTs (t)
se hace mas pequea, las amplitudes de las repeticiones del espectro

11
pTs (t) , se vuelve iguales.

1
1
. As la frecuencia Nyquist
Ts
2Ts
de la seal, que son gobernadas por los coecientes de la series de Fourier de

As, el espectro muestrario de la seal se convierte peridico con periodo
1
2 .
La transformada inversa de Fourier discreta en el tiempo se deriva fcilmente en la siguiente relacin:
corresponde a la frecuencia
1 if m = n
e(j2f m) e+jf n df =
0 if m 6= n
( 1 )
1
2
(11.17)
As como encontramos que

1
2
( 12 )
1
2

s (m) e(j2f m) e+j2f n df

R 21
P
((j2f ))(mn)
df
=
m s (m) ( 1 ) e
2

S ej2f e+j2f n df
( 12 )
(11.18)
= s (n)
Los pares para la transformada de Fourier discretos en el tiempo son
Pares de la Transformada de Fourier en Tiempo Discreto

X
S ej2f =
s (n) e(j2f n)
(11.19)
Pares de la Transformada de Fourier en Tiempo Discreto
1
2

S ej2f e+j2f n df
s (n) =
(
1
2
(11.20)
11.7 Ejemplos de DTFT12

Example 11.3
Calculemos la transformada de Fourier en tiempo discreto para la secuencia del exponencial decadente
s (n) = an u (n)
, donde
u (n)
la secuencia del Escaln unitario. Al remplazar la expresin de
la seal la formula de la transformada de Fourier.
Formula de la Transformada de Fourier
S ej2f
=
=
n=
P
n=0
an u (n) e(j2f n)
n
ae(j2f )
10 "The Sampling Theorem", Figure 2: aliasing <http://cnx.org/content/m0050/latest/#alias>

11 Examinar la seal de pulso periodica revela que cuando se hace pequea, el valor de c , el
(11.21)
coeciente mas grande de

0
Fourier, decae al valor cero: |c0 | = A
. As, para mantener un teorema de muestreo viable en trminos matemticos, la
T
1
amplitud A debe incrementar a
, convirtindose innitamente grande conformela duracin del pulso disminuye. Sistemas
prcticos usan un valor pequeo de , digamos 0.1Ts y usan amplicadores para reescalar la seal.
CHAPTER 11.
212
La suma es un caso especial de

TIEMPO (DTFT)
series geomtricas.
Series Geomtricas
(n ) =
n=0
As, por mientras que
|a| < 1
1
, || < 1
1
(11.22)
, tenemos nuestra transformada de Fourier.

S ej2f =
1
1 ae(j2f )
(11.23)
Usando la relacin de Euler, podemos expresar la magnitud y el ngulo de este espectro.

|S ej2f | = q
(11.24)
(1 acos (2f )) + a2 sin2 (2f )
j2f
S e
No importa que valor de
= arctan
asin (2f )
1 acos (2f )

(11.25)
escojamos, las formulas anteriores demuestran claramente la natu-
raleza peridica del espectro de seales discretas en el tiempo. Figure 11.4 muestra como el espectro
1
1
2 y 2 para denirla
unambiguosamente. Cuando a > 0 , tenemos un espectro de pasa bajas el espectro desaparece
1
cuando la frecuencia incrementa de 0 a
2 con una a incrementa nos lleva a un contenido mayor
de frecuencias bajas; para a < 0 ,tenemos un espectro de pasa altas. (Figure 11.5).
es un funcin peridica. Tan solo tenemos que considerar el espectro entre
|S(ej2f)|
f
-2
-1
S(ej2f)
45
-2
-1
-45
El espectro de la seal exponencial (a = 0.5) es mostrado sobre el rango de frecuencias

[2, 2], claramente demostrando la periodicidad de toda la espectra discreta en el tiempo. EL ngulo
Figure 11.4:
tiene las unidades en grados.
Angle (degrees)
Spectral Magnitude (dB)
213
20
a = 0.9
10
a = 0.5
0.5
a = 0.5
-10
90
45
a = 0.5
f
0.5
a = 0.5
a
=
0.9
-90
-45
El espectro de varias seales exponenciales es mostrado aqu . Cual es la relacin

aparente entre el espectro de a = 0.5 y a = 0.5 ?
Figure 11.5:
Example 11.4
Anlogo a una seal de pulso anlogo encontramos el espectro de la secuencia de pulso de tamao-
pulse sequence.
1 if 0 n N 1
s (n) =
0 otherwise
(11.26)
La transformada de Fourier de esta secuencia tiene la forma de una serie geomtrica truncada.
1

NX
S ej2f =
e(j2f n)
(11.27)
n=0
Para las llamadas series geomtricas nitas, sabemos que
Series Geomtricas Finitas

N +n
0 1
X
n=n0
para
todos
los valores de
(n ) = n0
1 N
1
(11.28)
Exercise 11.2
Derive esta formula para la formula de series geomtrica nitas.
El truco es el considerar la
diferencia entre la suma de las series y la suma de las series multiplicada por
Aplicando este resultado da (Figure 11.6.)
S ej2f
=
=
1e(j2f N )
1e(j2f )
N)
e((jf ))(N 1) sin(f
sin(f )
(11.29)
CHAPTER 11.
214

TIEMPO (DTFT)
sin(N x)
sin(x) , que es mejor conocida como la
Por lo tanto, nuestra transformada puede ser expresada como
El radio de las funciones de seno tiene la forma genrica de
funcin de sinc discreta ,
Spectral Magnitude
cuales el
dsinc (x) .
= e((jf ))(N 1) dsinc (f ) . El espectro
numero incrementa con N , la duracin del
10
Angle (degrees)
S ej2f
180
del pulso discreto contiene muchas ondulaciones, las

pulso.
f
0.5
90
0
0.5
-90
-180
El espectro para un pulse de tamao-diez es mostrado aqu. Pued usted explicar la

apariencia complicada que el ngulo tiene?
Figure 11.6:
215

Esta situacin nos lleva a aliasing en el dominio del tiempo.
N +n
0 1
X
n=n0
(n )
N +n
0 1
X
(n ) = N +n0 n0
n=n0
la cual, despus de algunas manipulaciones, da la formula de la suma geomtrica.
(11.30)
216
CHAPTER 11.

TIEMPO (DTFT)
Chapter 12
Transformada de Fourier de Tiempo
Continuo (CTFT)
12.1 Transformada de Fourier de Tiempo Continuo (CTFT)1
12.1.1 Introduccin
Debido al gran nmero de seales de tiempo-continuo que estan presentes en las series de Fourier
nos da una
primera ojeada de cuantas maneras podemos representar algunas de estas seales de manera general: como
una superposicin de un nmero de seales senosoidales. Ahora podemos ver la manera de representar seales
noperiodicas de tiempo continuo usando la misma idea de superposicin. A continuacin presentaremos la
Transformada de Fourier de Tiempo-Continuo (CTFT), tambin conocida solo como Transformada

de Fourier (FT). Por que la CTFT ahora trataremos con seales no periodicas, encontraremos una manera
de incluir
todas las frecuencias
en ecuaciones en general.
12.1.1.1 Ecuaciones
Transformada de Fourier de Tiempo-Continuo
f (t) e(jt) dt
F () =
(12.1)
Inversa de la CTFT
precaucin:
1
f (t) =
2
F () ejt d
(12.2)
No se confunda con la notacin - es comn ver la formula anterior escrita un
poco diferente. Una de las diferencias ms comunes echa por los profesores es la forma de escribir
el exponente.
= 2f ,
Arriba escribimos la variable de la frecuancia readial
en el exponencial, donde
pero tambin vemos que los profesores incluyen la expresin ms explicicta,
en el exponencial.
Vase aqui
j2f t,
para una descripcin de la notacin utilizada en los modulos de
Procesamiento Digital de Seales DSP.

2 "Fourier Series" <http://cnx.org/content/m0039/latest/>
3 "DSP Notation" <http://cnx.org/content/m10161/latest/>
217
CHAPTER 12. TRANSFORMADA DE FOURIER DE TIEMPO CONTINUO

(CTFT)
218
La ecuacuin anterior para las CFT y su inversa vienen directamente de las series de Fourier y de nuesro
entendimiento de sus coecientes.
Para la CTFT simplemente utilizamos la intergracin en lugar de la
simulacin para ser capaces de expresar las seales peridicas. Esto debera tener sentido ya que simlemente
estamos extendiendo las ideas de las series de Fourier para las CTFT para incluir las seales no-peridicas,y
as todo el espectro de la frecuencia. Vase la Derivacin de la Transformada de Fourier
para una mirada
ms profunda del tema.
12.1.2 Espacios Relevantes

El mapeo de la Transformada de Fourier de Tiempo-Continuo de longitud-innita, en seales de tiempocontinuo
L2
a longitud-innita,seales de frecuancia-continua en
L2 .
Revisando el Anlisis de Fourier (Sec-
tion 8.1) para una descripcin de todos los espacios usados en el anlisis de Fourier.
Figure 12.1:
Mapeando L2 (R) en el dominio del tiempo a L2 (R) en el dominio de frecuencia.
Para ms informacin de las caracteristicas de la CTFT, por favor vase el modulo de las Propiedades
de la Transformada de Fourier
12.1.3 Problemas de Ejemplo

Exercise 12.1
Encontrar la Transformada de Fourier(CTFT) de la funcin
e(t) if t 0
f (t) =
0 otherwise
(12.3)
Exercise 12.2
Encontrar la inversa de la Transformada de Fourier de la onda cuadrada denda como:
1 if || M
X () =
0 otherwise

5 "Properties of the Fourier Transform" <http://cnx.org/content/m10100/latest/>
(12.4)
219
12.2 Propiedades de la Transformada de Fourier de TiempoContinuo6

En este modulo veremos algunas de las propiedades bsicas de la Transformada de Fourier de Tiempo7
Continuo
(CTFT). La primera seccin contiene una tabla que ilustra las propiedades, y la siguiente seccin
discute unas de las propiedades mas interesantes ms a fondo.
En la tabl, oprima en el nombre de la
operacin para ver la explicacin se se encuentra ms adelante. Vase este modulo (Section 5.7) para una
tabla expandida de las propiedades de Fourier.
nota:
Discutiremos estas propiedades para seales aperiodicas de tiempo-continuo pero entender-
emos que propiedades similares se matienen para seales de tiempo-continuo y seales peridicas.
12.2.1 Tabla de Propiedades de CTFT

Nombre de la Operacin
Seal (
f (t) )
Transformada (
Adicin (Section 12.2.2.1: Lineal-
f1 (t) + f2 (t)
F1 () + F2 ()
f (t)
F (t)
F (t)
2f ()
f (t)
1
|| F
f (t )
F () e(j )
f (t) ejt
F ( )
(f1 (t) , f2 (t))
F1 (t) F2 (t)
f1 (t) f2 (t)
1
2
dn
dtn f
(j) F ()
F () )
idad)
Multiplicacin
Escalar
(Sec-
tion 12.2.2.1: Linealidad)

Simetra
(Section
12.2.2.2:
Simetra)
Escalamiento en el Tiempo (Sec-
tion 12.2.2.3: Escalamiento en el

Tiempo)
Desplazamiento
(Section
en
el
12.2.2.4:
Tiempo
Desplaza-
miento en el tiempo)
Modulacin (Desplazamiento de
Frecuencias)
(Section
Modulaci(Desplazo
de
12.2.2.5:
la
Fre-
cuencia))
Convolucin en el Tiempo (Section 12.2.2.6: Convolucin)
Convolucin
en
la
Frecuencia
(F1 (t) , F2 (t))
(Section 12.2.2.6: Convolucin)

Diferenciacin (Section 12.2.2.7:
(t)
Time Diferenciacin)
12.2.2 Discusin de las Propiedades de la Transformada de Fourier

Despus de haber visto la tabla anterior y tener un sentimiento de las proiedades de la CTFT, ahora nos
tomaremos un poc ms de tiempo para discutir de las propiedades ms importantes y tiles.

7 "Continuous-Time Fourier Transform (CTFT)" <http://cnx.org/content/m10098/latest/>

(CTFT)
220
12.2.2.1 Linealidad
La combinacin de las propiedades de la adicin y de la multiplicacin escalar de la tabla anterior demuestran
la propiedad bsica de linealidada. Lo que debe de ver es que si uno toma la Transformada de Fourier de una
combinacin lineal de seales entonces esta ser la misma que la combinacin lineal de la transformada de
Fourier de cada seal individual. Esto es crucial cuando usamos la tabla (Section 11.1) de las transformadas
para encontrar la transformada de una seal ms complicada.
Example 12.1
Empezaremos con la siguiente seal:
z (t) = f1 (t) + f2 (t)
(12.5)
Ahora, despus de tomar la transformada de Fourier, mostrada en la siguiente ecuacin, notemos

que la combinacin lineal de los trminos no es afectada por la transformada.
Z () = F1 () + F2 ()
(12.6)
12.2.2.2 Simetra
La simetra es una propiedad que nos puede hacer la vida ms fcil resolviendo problemas que involucran
la transformada de Fourier. Basicamente ;p que dice esta propiedad es que ya que la funcin rectangular
en el tiempo es una funcin sinc en la frecuancia, entonces una funcin sinc en el tiempo ser una funcin
rectangular en la frecuencia. Este es un resultado directo de las similaridades entre la CTFT y la inversa de
la CTFT. La nica diferencia es que es escalda por
y una revocacin de la frecuancia.
12.2.2.3 Escalamiento en el Tiempo

Esta propiedad trata con el efecto de la representacin del dominio de frecuancia de una seal si la variable
tiempo es alterada. El concepto ms importante par entender para la propiedad de escalammiento es que
las seales que son estrechas en el tiempo son amplias en la frecuancia y
de esto es la funcin delta, un pulso unitario
con una
muy
vice versa.
El ejemplo ms sencillo
pequea duracin, en el tiempo que se convierte
en funcin constante de longitud-innita en frecuencia.

La tabla anterior muestra esta idea para una transformacin general del dominio-tiempo de la seal.
Usted debera de ser capaz de notar que esta ecuacin muestra la relacin mencionada anteriormente: si la
variable tiempo incrementa entonces el rango de la frecuencia sera decreciente.
12.2.2.4 Desplazamiento en el tiempo

El desplazamiento en el tiempo muestra que un desplazo en el tiempo es equivalente a un desplazo de fase
lineal en la frecuencia. Ya que el contenido de la frecuencia depende solamente de la forma de la seal, el
cual es invariabe en el desplazo en el tiempo, entonces solamente la fase del espectro ser alterada. Esta
propiedad ser provada facilmente usando la Transformada de Fourier, asi que mostraremos los pasos bsicos
a continuacin:
Example 12.2
z (t) = f (t ). Ahora tomemos

z (t).
Z
Z () =
f (t ) e(jt) dt
Primero empezaremos dejando que
la transformada de Fourier
con la expresin anterior sustituida para
8 "Elemental
Signals": Section Pulse <http://cnx.org/content/m0004/latest/#pulsedef>
(12.7)
221
Ahora hagamos un pequeo cambio de variables, donde
= t .
A travs de la calculacin
antarior, podemos ver que solamente la variable en el exponencial es alterada solo cambiando la
fase en el dominio de la frecuencia.
Z ()
f () e(j(+ )t) d
R
f () e(j) d
(j )
= e
(j )
= e
(12.8)
F ()
12.2.2.5 Modulaci(Desplazo de la Frecuencia)

La modulacin es absolutamente imprescindible para las aplicaciones de comunicaiones. Siendo capaces de
desplazar una seal a diferentes frecuencias, nos que mas que tomar ventaja de diferentes partes de los
espectros del electromagnetismo es lo que nos permite transmitir la televisin, radio y otroas aplicaciones a
travs del mismo espacio sin interferencia signicativa.
La demostracin de la propiedad del desplzamiento de la frecuencia es muy similar a la de desplazamiento
en el tiempo (Section 12.2.2.4: Desplazamiento en el tiempo); Sin embargo, aqui usaremos la transformada
inversa de Fourier. Ya que vamos a travs de los pasos anteriores, la demostracin de desplazamiento ene l
tiempo, a continuacin solo mostrara los pasos iniciales y nales de esta demostracin:
z (t) =
1
2
F ( ) ejt d
(12.9)
Ahora simplemente reducimos esta ecuacin por medio de un cambio de variable y simplicando los trminos.
Despus probaremos la propiedad expresada en la tabla anterior:
z (t) = f (t) ejt
(12.10)
12.2.2.6 Convolucin
Convolucin es una de las grandes razones para convertir seales en dominios de frecuancia ya que la
convolucin en el tiempo se convierte en multiplicacin en frecuencia.
Esta propiedad es tambin otro
buen ejemplo de la simetria entre el tiempo y la frecuencia. Tambin muestra que hay muy poca ganancia
cambiando el dominio de frecuancia cuando la multiplicacin en el tiempo esta involucrada.
Introduciremos la integral de convolucin, pero si no la ha visto anteriormente o necesita refrescar la
memoria vase el modulo de convolucin de tiempo-continuo (Section 3.2) para una explicacin mas profunda
y su derivacin.
y (t)
(f1 (t) , f2 (t))

R
= f1 ( ) f2 (t ) d
(12.11)
12.2.2.7 Time Diferenciacin

Ya que los sistemas LTI (Section 2.1) pueden ser representados en trminos de ecuaciones diferenciales, es
evidente que con esta propiedad que conviertiendo al dominio de frecuencia nos permitir convertir esta
complicada ecuacin diferencial a una ecuacin ms sencilla que involucre multiplicacin y adicin.
tambin es visto con mas detalle durante el estudi de la Transformada de Laplace
9 "The
Laplace Transforms" <http://cnx.org/content/m10110/latest/>
Esto
222

(CTFT)

Para poder calcular la transformada de Fourier, todo lo que necesitamos es usar los (12.1) (Transformada
10
de Fourier de Tiempo-Continuo), expnenciales complejos
F ()
=
=
, y clculos bsicos.
f (t) e(jt) dt
e(t) e(jt) dt
0
R (t)(+j)
e
dt
0
1
0 +j
F () =
(12.12)
1
+ j
(12.13)

Aqui usaremos la (12.2) (Inversa de la CTFT) para encontrar la inversa de la FT, dado eso
x (t)
=
=
=
R M jt
1
d
2 M e
1 jt
|,=ejw
2 e
1
t sin (M t)
M
x (t) =
10 "The
Mt
sinc
t 6= 0.
(12.14)
Complex Exponential" <http://cnx.org/content/m10060/latest/>
(12.15)
Chapter 13
Teorema de Muestreo
13.1 Muestreo1
13.1.1 Introduccin
Una computadora puede procesar
seales de tiempo discreto usando un lagoritmo extremandamente

tiempo continuo, que es
exible y poderoso. Mas sin embargo la mayoria de las seales de interes son de
como casi siempre aparecen al natural.
Este modulo introduce la idea de trasladar los problemas de tiempo continuo en unos de tiempo discreto,
y podra leer ms de los detalles de la importancia de el
muestreo.
Preguntas clave
Cmo pasamos de una seal de tiempo continuo a una seal de tiempo discreto (muestreo, A/D)?
Cundo podemos reconstruir (Section 13.2) una seal CT exacta de sus muestras (reconstruccin,
D/A)?
Manipular la seal DT es lo que reconstruir la seal?
13.1.2 Muestreo
Muestreo (y reconstruccin) son los mejores entendimiento en dominio de frecuencia. Empezaremos viendo
algunos ejemplos:
Exercise 13.1
Qu seal CT
f (t)
tiene la CTFT (Section 12.1) mostrada anterirormente?
f (t) =
1 This
1
2
F (jw) ejwt dw
223
CHAPTER 13. TEOREMA DE MUESTREO
224
Figure 13.1:
Pista:
La (Transformada de Fourier de Tiempo Continuo)CTFT de f (t).
F (jw) = F1 (jw) F2 (jw)
donde las dos partes de
F (jw)
(a)
son:
(b)
Figure 13.2
Exercise 13.2
Qu seal DT
fs [n]
tiene la DTFT (Section 11.4) mostrada anteriormente?
fs [n] =
Figure 13.3:
1
2

fs ejw ejwn dw
DTFT que es priodica (con period = 2 ) versin de F (jw) en la Figure 13.1.
225
Figure 13.4:
f (t) es la seal de tiempo-continuo anterior y fs [n] es la versin muestreada de tiempo-
discreto de f (t)
13.1.2.1 Generalizacin
Por supuesto, que los resultados de los ejemplos anteriores pueden ser generalizados a
F (jw) = 0, |w| > ,
donde
f (t)
es
limitado en banda a
(a)
Figure 13.5:
F (jw) es la CTFT de f (t).
[, ].
(b)
cualquier f (t)
con
226
(a)
Figure 13.6:
Fs ejw
(b)
Fs ejw es la DTFT de fs [n].
es perodico (Section 6.2) (con perodo
de seal en los enteros.
F (jw)
conclusion:
f (t)
Si
2 )
versin de
F (jw). Fs ejw
es la DTFT de muestreo
es la CTFT de seal.
es limitado en banda para
[, ]
entonces la DTFT de la versin
muestreada
fs [n] = f (n)
es solo peridica (con perodo
2 )
versin de
F (jw).
13.1.3 Cambiando una Seal Discreta en una Seal Continua

Ahora veamos como cambiar una seal DT en una seal continua en el tiempo. Sea
DTFT
Fs ejw
fs [n]
(a)
Figure 13.7:
(b)
Fs ejw es la DTFT de fs [n].
Ahora, sea
fimp (t) =
(fs [n] (t n))
n=
La seal CT,
fimp (t),
es no-cero solo en los enteros donde hay implulsos de altura
fs [n].
una seal DT con
227
Figure 13.8
Exercise 13.3
Cal es la CTFT de
fimp (t)?
Ahora, dadas las muestras
fs [n]
de un limitado en banda para la seal
ver como podemos reconstruir (Section 13.2)
[, ],
nuestro siguiente paso es
f (t).
Diagrama de bloque mostrando cada paso bsico usado para reconstruir f (t). Podemos
hacer nuestro resultado igual a f (t) exactamente?
Figure 13.9:
13.2 Reconstruccin2
13.2.1 Introduction
El proceso de reconstruccin empieza tomando una seal muestreada, que estar en tiempo discreto, y
haciendo unas operaciones para poder convertirla en tiempo-continuo y con algo de suerte en una copia de
la seal original. Un mtodo bsico usado para reconstruir una seal limitada en banda de
muestras en los enteros es hacer los siguientes pasos:
cambiar muestra de la secuencia

ltro pasa bajas
2 This
fimp (t)
fs [n]
en un tren de impulso
para obtener la reconstruccin
f (t)
fimp (t)
( freq. =
[, ]
de sus
228
Figure 13.10:
Diagrama de bloque de reconstruccin con el ltro pasa bajas (lowpass lter (LPF)).
La respuesta al impulso del ltro pasa bajas es
seal (Figure 13.11),
f (t).
g (t).
La siguiente ecuacin nos permite reconstruir nuestra
f (t)
= g (t) fimp (t)

P
= g (t) n= (fs [n] (t n))
(13.1)
f (t)
P
(fs [n] (g (t) (t n)))
(fs [n] g (t n))
n=
n=
Figure 13.11
13.2.1.1 Ejemplos de Filtros g

Example 13.1: Filtros de Orden Cero
Este tipo de "ltro" es uno de los ms bsicos en los ltros de reconstruccin. Este simplemente
mantiene el valor que esta en el
donde cada valor del pulso en
fs [n] para segundos. Esto crea un bloque o pasos

fs [n] es simplemente arrastrado al siguiente pulso.
como funcin
La siguiente
ecuacin y la ilustracin (Figure 13.12) representan como el ltro de reconstruccin funciona con
229
la siguiente
g:
1 if 0 < t <
g (t) =
0 otherwise
fs [n] =
(fs [n] g (t n))
(13.2)
n=
(a)
Figure 13.12:
pregunta:
(b)
Mantiene el Orden Cero
Cmo es que
f (t)
reconstruida con orden cero se compara con la original
f (t)
en el
domionio de frecuencia?
Example 13.2: Orden N-esimo

Aqu veremos algunos ejemplos rpidos de la varianza del ltro de orden cero visto en el ejemplo
anterior.
230
(a)
(b)
(c)
Figure 13.13: Ejemplo de N-esimo Orden (n-esimo orden es igual a un B-spline de n-esimo orden) (a)
Primer Orden (b) Segundo Orden (c) Orden
13.2.2 ltimo Filtro de Reconstruccin

pregunta:
Cal es el ltimo ltro de reconstruccin?
Recordando que ( Figure 13.14)
231
Diagrama de bloque de nuestra reconstruccin. Notese que cada una de estas seales
tiene su propia CTFT o DTFT correspondiente.
Figure 13.14:
Si
G (j)
tiene la siguiente forma (Figure 13.15):
Figure 13.15:
Filtro pasa baja ideal
entonces
f (t) = f (t)
Por lo tanto,un ltro pasa baja ideal nos dara una reconstruccin perfecta!
En el dominio en el tiempo, la respuesta al impulso
g (t) =
f (t)
sin (t)
t
(13.3)
(f [n] g (t n))

s
sin((tn))
n= fs [n]
(tn)
n=
(13.4)
= f (t)
13.2.3 Conclusiones sorprendentes

f (t) es limitado
fs [n] = f (t) |t=n
Si
en banda a
[, ],
puede ser reconstruido perfectamente de su muestra en lo enteros
f (t) =

X
n=
sin ( (t n))
fs [n]
(t n)

(13.5)
232
La ecuacin anterior para una reconstruccin perfecta merece una mirada ms cercana (Section 13.3),
que se ver en la siguiente seccin para un mejor entendimiento de la recostruccin.
Aqu estan algunas
cosas para empezar a pensar en ellas por ahorita:
sin((tn))
iguala a los enteros diferentes a n?
(tn)
sin((tn))
Cal es el soporte de
(tn) ?
Que
13.3 Ms sobre Reconstruccin Perfecta3

13.3.1 Introduccin
En el modulo previo en reconstruccin (Section 13.2), dimos una introduccin de como trabaja la reconstruccin y temporalemte derivamos una ecuacin usada para realizar una perfecta reconstruccin. Ahora
tomemos un vistazo ms cercano a la formula de la reconstruccin perfecta:

X
f (t) =
n=
Escribiremos
f (t)

(13.6)
en trminos de las funciones sinc desplazadas y escaladas
es una
sin ( (t n))
fs
(t n)
sin ( (t n))
(t n)

nZ
base (Section 5.1.3: Bases) para el espacio de seales limitadas en bada
[, ] .
Pero espere . . . .
13.3.1.1 Formulas de la Derivada de Reconstruccin

Que es
<
sin ( (t n)) sin ( (t k))

,
>=?
(t n)
(t k)
(13.7)
Este producto interno (Section 7.3) puede ser difcil de calcular en el dominio del tiempo, asi que usaremos
el Teorema de Plancharel (Section 7.12)
< , >=
3 This
1
2
e(jn) ejk d
(13.8)
233
(a)
(b)
Figure 13.16
si
n=k
< sincn , sinck > =
=
si
1
2
e(jn) ejk d
(13.9)
n 6= k
R (jn) jn
1
e d
2 e
R j(kn)
1
d
2 e
sin((kn))
1
2
j(kn)
< sincn , sinck > =

=
nota:
(13.10)
En la (13.10) usamos el echo de que la integral de la senosoidal en un intervalo completo
es 0 para simplicar nuestra ecuacin.

As,
1 if n = k
sin ( (t n)) sin ( (t k))
<
,
>=
0 if n 6= k
(t n)
(t k)
Por lo tanto
sin ( (t n))
(t n)

nZ
(13.11)
234
es una base ortonormal (Section 7.7.3: Base Ortonormal) (ONB) para el espacio de funciones limitadas de
[, ]
banda de
muestreo:
Muestreo es lo mismo que calcular los coecientes de ONB, que es el producto interno
con sincs
13.3.1.2 Resumen
Una ltima vez para
f (t) [, ]
limitado en banda
Sntesis

X
f (t) =
n=
sin ( (t n))
fs [n]
(t n)

(13.12)
Anlisis
fs [n] = f (t) |t=n
(13.13)
Para poder entender un poco ms sobre como podemos reconstruir una seal exacatamente, ser til
4
examinar la relacin
entre las transformadas de Fourier (CTFT y DTFT) a ms profundidad.
13.4 Teorema de Nyquist5

13.4.1 Introduccin
Anteriormente habia estado expuesto a los conceptos detras del muestreo (Section 13.1) y el teorema de
muestreo. Mientras aprenda estas ideas, debio haber empezado a notar que si muestreamos a muy bajo valor,
hay una oportunidad que nuestra seal original no sea nicamente denida por nuestra seal muestreada.
Si esto sucede, entonces no es garantia de que recontruyamos (Section 13.2) correctamente la seal. Como
resultado de esto, el
Teorema de Nyquist ha sido creado. A continuacin veremos exactamente lo que
este torema nos dice.
13.4.2 Teorema de Nyquist

s = 2
T (frecuencia
de muestreo radianes/seg). Hemos visto que si f (t) es limitado en banda en [B , B ] y muestreamos con
perodo T <
b s < B s > 2B entonces podemos reconstruir f (t) de sus muestras.
Sea
igual a nuestro perodo de muestreo (distancia entre las muestras). Despus sea
Theorem 13.1: Teorema de Nyquist ("Teorema Fundamental de Procesamiento Digital de Seales

DSP")
Si
f (t)
es limitado en banda a
[B , B ],
podemos reconstruirlo
perfectamente
de sus muestras
fs [n] = f (nT )
para
s =
N = 2B
2
T
> 2B
es llamada la "frecuencia
Nyquist " para
f (t).
Para la reconstruccin perfecta de ser
posible
s 2B
donde
es la frecuancia de muestreo y
es la frecuencia ms alta en la seal.
4 "Examing Reconstruction Relations" <http://cnx.org/content/m10799/latest/>

235
Figure 13.17:
Illustracin de la Frecuencia Nyquist
Example 13.3: Ejemplos:
El odo humano oye frecuencias hasta 20 kHz
CD el valor de la muestra es 44.1 kHz.
La linea telefnica pasa frecuencias de hasta 4 kHz
la muestra de la compaia de telefonos
es de 8 kHz.
13.4.2.1 Reconstruccin
La formula de la reconstruccin en el dominio del tiempo se ve como
f (t) =
n=
fs [n]
sin
!
(t nT )
(t nT )
Podemos concluir, desde antes que
sin
nota:

(t nT )
, nZ
(t nT )
[B , B ] funciones limitadas en banda, B =

2
calculados muestreando f (t) en el valor
T = 2B .
es una base (Section 5.1) para el espacio de

de expansin para esta base son
T . Los coecientes
La base tambin es ortogonal. Para hacerla ortonormal (Section 7.8), necesitamos un factor
de normalizacin de
T.
13.4.2.2 La gran Pregunta

Exercise 13.4
Que pasa si
s < 2B ?
Qu sucede cuando muestreamos abajo del valor de Nyquist?
236
13.5 Aliasing6
13.5.1 Introduccin
Cuando consideramos la reconstruccin (Section 13.2) de una seal, usted ya debe de estar familiarizado con
la idea de el valor de Nyquist. (Section 13.4) Este concepto nos permite encontrar el valor de muestreo que
nos dara una reconstruccin perfecta de nuestra seal. Si nosotros muestreamos en un valor muy bajo (abajo
del valor de Nyquist), entonces surgirn problemas para hacer una reconstruccin perfecta imposible-este
problema es coocido como
aliasing (algunos autores traducen este trmino como solapamiento). Aliasing
ocurre cuando hay un traslapo en el desplazamiento, copias priodicas en nuestra seal FT, es decir espectro.
En el dominio de frecuencia, notaremos que parte de la seal se trasladara con la seal siguiente a l. En
este solapamiento los valores de la frecuencia sern sumados juntos y la forma del espectro de la seal ser
indeseablemente alterado. Este solapamiento o aliasing hace posible determinar correctamente la fuerza de
la frecuencia. La Figure 13.18 nos da un ejemplo visual de este fenmeno:
El espectro de una seal limitada en banda (a W Hz) es mostrada arriba en la grca.

Si el intervalo muestreado Ts es elegida demasiado gande relativo con el ancho de banda W , el aliasing
ocurrira. En la grca de la parte de abajo, el intervalo muestreado es elegido sucientemente pequeo
para evitar el aliasing. Note que si la seal no fuera limitada en banda, el componente del espectro
siempre sera traslapado.
Figure 13.18:
13.5.2 Aliasing y Muestreo

Si muestreamos demasiado lento,
es decir,
s < 2B , T >
No podemos recuperar la seal de su muestra debido al aliasing.
6 This
237
Example 13.4
Sea
f1 (t)
tiene CTFT.
Figure 13.19:
Sea
f2 (t)
En esta gura, note la siguiente ecuacin: B
s
2
=a
tiene CTFT.
Figure 13.20: Las porciones originales de la seal resultan del solapamiento con replicas desplazadasmostrando la demostracin visual del aliasing.
Trate de bosquejar y resolver las siguientes ecuaciones por su cuenta:
f1,s [n] = f1 (nT ) ?

f2,s [n] = f2 (nT ) ?
misma DTFT como f1,s [n]
Qu es lo que hace la DTFT de

Qu es lo que hace la DTFT de
Alguna otra seal tiene la
f2,s [n]?
CONCLUSIN: Si muestreamos debajo de la frecuencia de Nyquist, hay muchas seales que pueden producir
la secuencia dada de la muestra.
238
Figure 13.21:
Todas son iguales
Por qu el trmino "aliasing"?
Por que la misma muestra de secuencia puede ser representada por
diferentes seales CT (en comparacin a cuando muestreamos la frecuencia de Nyquist anterior, entonces la
secuencia muestra representa una seal CT nica).
Figure 13.22:
diferentes.
Example 13.5
f (t) = cos (2t)
Estas dos seales contienen las mismas cuatro muestras, con todo son seales muy
239
Figure 13.23:
La gura muestra la funcin coseno, f (t) = cos (2t), y su CTFT.
Caso 1: Muestra
1
s = (8) rad
seg T = 4 seg .
note: s > 2B
Caso 2: Muestra
w
s
8
3
rad
seg
T = 34 seg .
nota: s < 2B
Cuando corremos la DTFT del Caso #2 a travs de los pasos de reconstruccin, nos damos
cuenta que terminamos con el siguiente coseno:
f (t) = cos

t
2
Esta es una versin "estrecha" de la versin original. Claramente nuestro valor de muestra no fue
lo suencitemente alto para asegurar la reconstruccin correcta de las muestras.
Probablementa ya habra visto algunos efectos del aliasing tal como: una rueda del carro que da vuelta al
revs en una pelcula occidental.
Aqu hay algunas ligas
que ilustran dicho efecto, de bajo muestreo y
aliasing. Este es un ejemplo de una imagen que tiene artefactos de Moire
como resultado de una escaneada
a una frecuencia muy baja.
13.6 Filtros Anti-Aliasing9

13.6.1 Introduction
La idea de aliasing (Section 13.5) fue descrita como el problema que ocurre si una seal es no muestreada
(Section 13.1) en un valor sucientemente grande (por ejemplo, debajo de la Frecuencia de Nyquist (Section 13.4)). Pero exactamente qu tipo de distorcin produce el aliasing?
7 http://owers.ofthenight.org/wagonWheel
8 http://www.dvp.co.il/lter/moire.html
240
(a)
(b)
Figure 13.24
Frecuencias altas en la seal original "se dobla" en frecuencias bajas.

Frecuencias altas disfrazadas como frecuencias bajas producen artefactos
altamente indeseables
en la
seal reconstruida.
Cuidado:
Debemos de evitar el aliasing de la forma que podamos.
13.6.2 Evitando el Aliasing

Cmo si esto es impracticamente/imposible para muestras como
Filtre hacia afuera las frecuencias anteriores
s
2
antes
s > 2B ?
de que muestree, la mejor forma de visualizarlo es
imaginar los siguientes pasos:

1. Tomar la CTFT (Transformada de Fourier de Tiempo-Continuo) de la seal,
f (t).
c =
s
2 .
3. Ahora tenemos una grca de nuestra seal en el dominio de frecuencia con todos los valores de
2. Pasar la seal a travs de un ltro pasa bajas con las siguiente especicacin,
s
2
igual a cero. Ahora tomamos la inversa de la CTFT para regresar a nuestra seal de tiempo continuo,
|| >
fa (t).
4. Y nalmente estamos listos para muestrear nuestra seal.
Example 13.6
Valor de muestra para
CD = 44.1KHz .
Muchos instrumentos musicales, contienen las frecuencias arriba de
22KHz
(aun cucando no
los podemos escuchar).

Debido a esto, podemos ltrar la seal de salida del instrumento antes de que la muestremos
usando el siguiente ltro:
241
Figure 13.25:
Este ltro cortara la frecuencia alta inecesaria, donde |c | > 222kHz
Ahora la seal esta lista para ser muestreada.
Example 13.7: Otro Ejemplo

El discurso del ancho de banda es
pasa baja a un rango
(4kHz)
> (20kHz), pero es perfectamente inteligible cuando el ltrado
. Debido a esto podemos tomar una seal de discurso normal y
pasarla a travs del ltro como la mostrada en la Figure 13.25, donde ahora ponemos
La seal que recibimos de este ltro solamente contiene valores donde
Ahora podemos muestrear en
16k = 8kHz
|c | > 24kHz .
|| > 8k .
rango de la telefona estandard.
13.7 Procesamiento de Tiempo Discreto de Seales de Tiempo

Continuo10
Figure 13.26
Cmo esta relacionada la CTFT de y(t) con la CTFT de F(t)?

Sea
G (j)
= respuesta de la frecuencia del ltro de reconstruccin
Y (j) = G (j) Yimp (j)

donde
Yimp (j)
ys [n]. As que,

ejT = G (j) H ejT Fs ejT
es secuencia de impulso creada de
Y (j) = G (j) Ys
jT
Y (j) = G (j) H e
Y (j) =
10 This
!

1 X
F 2r
F j
T r=
T

X
1
F 2r
G (j) H ejT
F j
T
T
r=
242
Ahora asumiremos que f(t) es limitado en banda a

de recontruccin. Entonces
nota: Y (j)
s
2

, T =
F (j) H ejT if ||
Y (j) =
0 otherwise
tiene le mismo "limite en banda" como
, 2s
G (j)
es un ltro perfecto
F (j).
Entonces, para seales limitadas en banda, y con un valor de muestra sucientemente alto y un ltro de
reconstruccin perfecto
Figure 13.27
es equivalente a usar un ltro anlogo LTI
Figure 13.28
donde
H ejT if ||
Ha (j) =
0 otherwise
Siendo cuidadosos podemos implementar el sistema LTI para seales limitadas en banda en nuestra propia
computadora.
Figure 13.29
Nota importante:
Ha (j)
= ltro inducido por nuestro sistema.
243
Figure 13.30
Ha (j)
es LTI si y solo si
h, es sistema DT es LTI
F (j), la entrada, es limitada
en bada y el valor de la muestra es sucientemente grande.
244

1
f (t) =
2
F (jw) ejwt dw

Ya que
F (jw) = 0
afuera de
[2, 2]
f (t) =
1
2
F (jw) ejwt dw
Tambin , ya que solo utilizamos un intervalo para reconstruir
1
fs [n] =
2
Ya que
F (jw) = Fs
fs [n]
de su DTFT, tenemos

fs ejw ejwn dw

ejw en [2, 2]
fs [n] = f (t) |t=n
es decir
fs [n]
es una versin
muestreada
de
f (t).
fimp (t) =
(fs [n] (t n))
n=
F imp (jw)
=
=
=
=
=
As que la CTFT de
nota:
fimp (t)
es
igual
fimp (t) e(jwt) dt

(jwt)
P
dt
n= (fs [n] (t n)) e
R
P
(t n) e(jwt) dt
n= (fs [n])
(jwn)
P
n= (fs [n]) e

Fs ejw
a la DTFT de
fs [n]
Usamos la propiedad de desplazamiento para mostrar

Vayase a travs de los pasos: (vase la Figure 13.31)
(t n) e(jwt) dt = e(jwn)
(13.14)
245
Figure 13.31
Finalmente, Qu le pasara ahora a

concepto de aliasing (Section 13.5).
Fs ej
? Para contestar esta ltima pregunta, necesitamos ver el
246
Chapter 14
Transformada de Laplace y Diseo de
Sistemas
14.1 La Transformada de Laplace1
La transformada de Laplace es una generalizacin de la Transformada de Fourier de Tiempo-Continuo
(Section 12.1).
ejt , como lo
s = + j .
Sin embargo, en lugar de usar funciones senosoidales complejas (Section 8.2) de la forma
hace la CTFT, la transformada de laplace utiliza una forma ms generalizada,
est ,
donde
Aunque las transformadas de Laplace rara vez se resuelven mediante integracin (si no por medio de
por ejemplo Matlab) es ms comun), aqu veremos los pares

bilaterales de la transformada de Laplace . Esto dene la transformada de Laplace y su inversa. Notese
tabla (Section 14.3) y uso de computadoras (
las similitudes entre la transformada de Laplace y su inversa. Esto nos dara como resultado muchas de las
simetrias encontradas en el anlisis de Fourier. (Section 8.1)
Transformada de Laplace
f (t) e(st) dt
F (s) =
(14.1)
Transformada Inversa de Laplace
f (t) =
1
2j
c+j
F (s) est ds
(14.2)
cj
14.1.1 Encontrando la Transformada de Laplace y su Inversa

14.1.1.1 Resolviendo la Integral
Probablemente el mtodo ms difcil y menos usado para encontrar la Transformada de Laplace es resolviendo
la integral. Aunque es tcnicamente posible es extremadamente consumidor de tiempo. Dada la facilidad de
los siguientes dos mtodos para encontrarla, no se vera de otra manera. Las integrales estan primordialmente
para entender de donde se originan los siguientes mtodos.
1 This
247
CHAPTER 14. TRANSFORMADA DE LAPLACE Y DISEO DE SISTEMAS
248
14.1.1.2 Usando una Computadora

El uso de una computadora para encontrar la transformada de Laplace es relativamente sencillo. Matlab
laplace e ilaplace, las dos forman parte de las librerias simbolicas, y encontraremos la
tiene dos funciones,
transformada de Laplace y su inversa respectivamente. Este mtodo es preferido generalmente para funciones
ms complicadas. Funciones ms sencillas e ideales usualmente se encuetran ms facil mediante el uso de
tablas (Section 14.1.1.3: Usando Tablas).
14.1.1.3 Usando Tablas

Cuando se aprende por primera vez la transformada de Laplace, las tablas es la forma ms comun para
encontrarla. Con suciente prctica las tablas se hacen inecesarias. Para el proposito de sta seccin, nos
enfocaremos en la transformada inversa de Laplace, dado que la gran parte del diseo de aplicaciones empieza
en el dominio de Laplace y dan como resultado una solucin en el dominio del tiempo.
El mtodo es el
siguiente:
H (s),
Hi se encuentra en
su hi (t).
Pm
h (t) = i=1 (hi (t))
1. Se escribe la funcin que se desea transformar
Pm
i=1 (Hi (s))
2. Invertir cada
donde cada una de las
Hi (s)
hi (t)
3. Se suma cada
para obtener
para obtener
como la suma de otras funciones
H (s) =
la tabla (Section 14.3).
Example 14.1
Calcule
h (t)
para
H (s) =
1
s+5
, Re (s) > 5
Esto puede ser resuelto directamente usando la tabla (Section 14.3) para ser
h (t) = e(5t)
Example 14.2
25
s+10 , Re (s) > 10
1
tambin puede ser escrito como 25
s+10 . Entonces
Encontrar la representacin en el dominio del tiempo

Para resolver esto, primero notemos que
H (s)
podemos ir a la tabla (Section 14.3) para encontrar
h (t),
de
H (s) =
h (t) = 25e(10t)
Example 14.3
Podemos extender los dos ejemplos anteriores encontrando
h (t) para H (s) =
1
25
s+5 + s+10
, Re (s) >
Para realizar esto, tomamos ventaja de la propiedad de aditividad y linealidad y el mtodo de

los tres pasos descrito anteriormente para obtner como resultado
h (t) = e(5t) + 25e(10t)
Para ejemplos ms complicados, seri ms difcil descomponer la funcin de transferencia en partes que se
encuentren en la tabla. En este caso, es necesario el uso de expansin en fracciones parciales
para obtener
la funcin de transferencia en una forma ms til.
14.1.2 Visualizando la Transformada de Laplace

Con la transfromada de Fourier, tenemos una
imaginarias F (j).
funcin de valores complejos de
imaginaria o magnitud y fase). Sin emabrgo, con Laplace tenemos una

una
variable compleja.
funcin de valores complejos de
Para examinar la magnitud y la fase o la parte real e imaginaria de esta funcin,
debemos examinar la grca de supercie en 3-dimensiones de cada componente.
2 "Partial
variables puramente
Esto es algo que se podra visualizar mediante grcas en 2-dimensiones (parte real e
Fraction Expansion" <http://cnx.org/content/m2111/latest/>
249
Ejemplo de grcas real e imaginaria
(a)
(b)
Figure 14.1: Parte real e imaginaria de H (s) son cada una supercies en 3-dimensiones. (a) La parte
real de H (s) (b) La parte Imaginaria de H (s)
Ejemplos de grcas de magnitud y fase
(a)
(b)
Figure 14.2: Magnitud y Fase de H (s) son tambin supercies en 3-dimensiones. Esta representacin
es ms comun que las partes real e imaginaria. (a) La magnitud de H (s) (b) La fase de H (s)
Mientras que estas son maneras legitimas de ver una seal en el dominio de Laplace, es algo difcil
dibujarlas y analizarlas.
Por esta razon, un mtodo ms sencillo ha sido desarrollado; que aqu no ser
discutido a detalle, el mtode de Polos y Ceros (Section 14.6) donde es mucho ms sencillo de entender la
Transformada de Laplace y su contraparte discreta en el tiempo la Transformada Z (Section 15.1) y son
representadas grcamente.
250
14.2 Propiedades de la Transformada de Laplace3

Propiedad
Seal
Transformada de
Laplace
Regin de
Convergencia (ROC)
Linealidad
x1 (t) + x2 (t)
X1 (s) + X2 (s)
Al menos una
ROC 1
Desplazamiento en el
(s )
x (t )
et x (t)
X (s )
X (s)
ROC 2
ROC
Tiempo
Desplazamiento de
Desplazado una
ROC
Frecuencia
(modulacin)
regin de convergencia)
Escalamiento en el
x (t)
(1 ||) X (s )
Escalado una
Tiempo
debe de estar en la
ROC
la regin de
convergencia)
Conjugacin
x (t)
X (s )
ROC
Convolucin
x1 (t) x2 (t)
X1 (t) X2 (t)
Al menos una
ROC 1
Diferenciacin en el
ROC 2
d
dt x (t)
sX (s)
Al menos una
(t) x (t)
d
ds X
ROC
Rt
(1 s) X (s)
ROC
Tiempo
Diferenciacin de la
(s)
Frecuencia
Integracin en el
x ( ) d
Tiempo
3 This
Al menos una
ROC
debe de estar en
Re (s) > 0
251
14.3 Tabla de Transformadas de Laplace Comunes4

Seal
Regin de Convergencia
(t)
All
s
s
(sT )
(t T )
All
u (t)
1
s
1
s
1
s2
n!
sn+1
n!
sn+1
1
s+
1
s+
1
(s)2
n!
(s+)n+1
n!
(s+)n+1
s
s2 +b2
b
s2 +b2
s+a
(s+a)2 +b2
b
(s+a)2 +b2
n
Re (s) > 0
(u (t))
tu (t)
n
t u (t)
n
(t u (t))
(t)
u (t)

e(t) u (t)
(t)
te
u (t)
n (t)
t e
u (t)

tn e(t) u (t)
cos (bt) u (t)
sin (bt) u (t)
(at)
cos (bt) u (t)
e(at) sin (bt) u (t)

dn
dtn (t)
Re (s) < 0
Re (s) > 0
Re (s) > 0
Re (s) < 0
Re (s) >
Re (s) <
Re (s) >
Re (s) >
Re (s) <
Re (s) > 0
Re (s) > 0
Re (s) > a
Re (s) > a
All
14.4 Regin de Convergencia para la Transformada de Laplace5

6
Con la transformada de Laplace , el plano s representa un conjunto de seales (exponenciales complejos

(Section 1.5)). Para cualquier sistema LTI, alguna de estas seales puede causar que la salida del sistema
inversa, mientras otras hacen que la salida del sistema diverja (explote). El conjunto de las seales que
causa que la salida de los sistemas converja se encuentran en la
regin de convergencia (ROC).este
modulo discutir como encontrar la regin de convergencia para cualquier sistema LTI continuo.
Recuerde la denicin de la transformada de Laplace,
h (t) e(st) dt
H (s) =
(14.3)
Si consideramos un exponencial complejo causal (Section 2.1),

ecuacin,
(at) (st)
e
0
evaluando esto obtenemos,
Z
dt =
h (t) = e(at) u (t),
obtenemos la siguiente
e((a+s)t) dt
(14.4)

1
lim e((s+a)t) 1
s + a t

6 "The Laplace Transforms" <http://cnx.org/content/m10110/latest/>
(14.5)
252
lim e((s+a)t) vaya al innito. Para entender por que pasa esto,
t
j para realizar ecuaciones como
Nota que esta ecuacin ira innito cuando

tomaremos un paso mas al usar
s=+
lim e(jt) e((+a)t)
(14.6)
t
Al reconocer que
e(jt)
es senosoidal, se vuelve aparente
no. lo que encontramos es que si
+a
e((a)t)
va determinar si la ecuacin explota o
es positivo, el exponencial va a tener una potencia negativa, lo que
va a causar que esto se vaya a cero cuando
vaya a innito. Pero si
+a
es negativa o cero, el exponencial
no tendr una potencia negativa, lo que prevendr que vaya a cero y el sistema no va a converger. Lo que
todo esto nos dice es que para una seal causar, tenemos convergencia cuando
Condicin para Convergencia
Re (s) > a
(14.7)
Aunque no pasaremos por este proceso otra vez paras seales anticausales, podramos hacerlo. Al hacerlo,
nos daramos cuenta que la condicin necesaria para convergencia es cuando
Condicin Necesaria para Convergencia Anti-causal
Re (s) < a
(14.8)
14.4.1 Entendiendo el ROC Grcamente

Talvez la mejor manera del ver la regin de convergencia es el ver el plano S lo que observamos es que para
un solo polo, la regin de convergencia se encuentra a la derecha de las seales causales y a la izquierda de
las seales anticausales.
(a)
Figure 14.3:
(b)
(a) La ROC para una seal causal. (b) La ROC para una seal anti-causal.
Despus de reconocer esto, la pregunta necesaria es esta: Que hacemos cuando tenemos polos mltiples?
La respuesta ms simple es que tenemos que tomar la interseccin de todas las regiones de convergencias
para cada respectivo polo.
Example 14.4
Encuentre
H (s)
y diga la regin de convergencia para
h (t) = e(at) u (t) + e(bt) u (t)
253
Al separa esto en dos trminos obtenemos que las funciones de transferencia y la respectivas
regiones de convergencia de
H1 (s) =
1
, Re (s) > a
s+a
(14.9)
H2 (s) =
1
, Re (s) < b
s+b
(14.10)
Combinando esto obtenemos la regin de convergencia de
b > Re (s) > a.
Si
a > b,
podemos
representar esto grcamente. Si no, no abra una regin de convergencia.
Figure 14.4:
Regin de convergencia de h (t) si a > b.
14.5 La Transformada Inversa de Laplace7

14.5.1 To Come
8
En la Funcin de Transferencia
estableceremos que la funcin para la transformada de Laplace es

1
L1 (h) (t) =
2
donde
y el numero real
cson
es
e(c+yj)t h ((c + yj) t) dy
(14.11)
escogidos para que todas las
singularidades de
el lado izquierdo del integral.

8 "Eigenvalue Problem: The Transfer Function" <http://cnx.org/content/m10490/latest/>
se encuentren en
254
14.5.2 Continuando con la Transformada Inversa de Laplace

Con la transformada inversa de Laplace podemos expresar la solucin de
x (t) = L1 (sI B)
Por ejemplo, tomaremos el primer componente de
Lx1 (s) =

1 4
6
, como
(L {g} + x (0))
(14.12)
L {x},nombrado
0.19 s2 + 1.5s + 0.27

s+
x0 = Bx + g
(s3 + 1.655s2 + 0.4078s + 0.0039)
Denimos:
Denition 15: polos

Tambin llamadas como singularidades estos son los punto
en los cuales
Lx1 (s)
explota.
Son las races del denominador,
1/100,
73
329/400
16
Las cuatro son negativas, es suciente tomar
!
, and
1/6.
(14.13)
c = 0 as la integracin de (14.11) continua en el eje imaginario.
No suponemos que el lector aya encontrado integraciones en el plano complejo pero esperamos que este
ejemplo provea la motivacin necesaria para examinarla.
Sin embargo antes de esto hay que notar que
MATLAB tiene el clculo necesario para desarrollar este punto.

comando
ilaplace
Volviendo a b3.m
observamos que el
produce
t
2
100
(0.0554t3 + 4.5464t
+ 1.085t + 474.19) e
x1 (t) =
211.35e

(329t)
73t
73t
262.842cosh 16
+ 262.836sinh 16
e 400
9 http://www.caam.rice.edu/caam335/cox/lectures/b3.m
t
6
255
Los 3 potenciales asociados con el modelo del circuito RC
Figure 14.5:
10
Los otros potenciales, vistos en esta gura posen una expresin similar. Por favor note que cada uno de
los polos de
L {x1 }
se muestra como exponencial
con grados que son determinados por el
x1
y que los coecientes del exponencial son polinomios
orden de su respectiva polos.
14.6 Polos y Ceros11

14.6.1 Introduccin
12
Es muy difcil analizar cualitativamente la transformada de Laplace
y la transformada Z (Section 15.1),
ya que al gracar su magnitud y ngulo a su parte real e imaginaria da como resultado varias gracas de
supercies de dos dimensiones en espacios de tres dimensiones.
graca de la funcin de transferencia
13
Por esta razn, es comn el examinar la
con sus polos y ceros y tratar una vez mas una idea cualitativa de lo
que hace el sistema.

Dada a una funcin de transformacin continua, en el dominio de Laplace,
de Z,
H (z),
un cero es cualquier valor de
cualquier valor de
H (s), o en el dominio discreto
para los cuales la funcin de transferencia es cero, un polo es
para la cual la funcin de trasferencia es innita. Lo siguiente da a una denicin
precisa:
Denition 16: Ceros

1. El valor(es) para
z donde
el
numerador
de la funcin de trasferencia es iguala cero
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
cero.
10 "Nerve
Fibers and the Dynamic Strang Quartet", Figure 1: An RC model of a nerve ber
<http://cnx.org/content/m10168/latest/#RC_model_g>
12 "The Laplace Transforms" <http://cnx.org/content/m10110/latest/>
256
Denition 17: polos

z donde
el
denominador
de la funcin de transferencia es igual a cero
2. Las frecuencias complejas que hacen de la ganancia de la funcin de transferencia del ltro se
innita.
14.6.2 Gracas de los Polos y Ceros

Cuando gracamos estos en su plano s o z, representamos los ceros con o y los polos con x. Vea este
14
modulo
para observa detalladamente como gracar los ceros y polos en la transformada-z en el plano-z.
Example 14.5
Encuentre los polos y ceros de la funcin de trasferencia
H (s) =
s2 +6s+8
y graque los resultados
s2 +2
en el plano-s.
Lo primero que tenemos que reconocer que la funcin de transferencia ser igual a cero cuando
s2 + 6s + 8, sea
obtener, (s + 2) (s + 4).
lo de arriba,
para
igual a cero. Para encantar que esto iguala a cero factorizamos esto
Esto da a ceros en
s = 2
s = 4.
Si esta funcin hubiera sido
mas complicada, talvez tendramos que usar la formula cuadrtica.

Para los polos, tenemos que reconocer que la funcin de transferencia ser innita cuando la parte
2

s + 2 es cerro para encontrar esto, tenemos que factorizarla
s + j 2 s j 2 . Lo que signica que tenemos races imaginarias de +j 2
de abajo es cero. Esto sucede cuando

funcin esto nos da
y

j 2
Al gracar esto nos da Figure 14.6 (Graca de Polos y Zeros)
Graca de Polos y Zeros
Figure 14.6:
Mestra de la Graca
Ya que hemos encontrado y gracado los polos y cero, tenemos que preguntarnos que es lo que nos dice esta
graca. Lo que podemos deducir es que magnitud de la funcin de trasferencia ser mayor cuando se encuentre
14 "Understanding
Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/>
257
cerca de los polos y menos cuando se encuentre cerca de los ceros. Esto nos da un entendimiento cualitativo
de lo que el sistema hace en varias frecuencias y es crucial para la funcin de estabilidad (Section 3.4).
14.6.3 Repeticiones de Polos y Ceros

Es posible obtener mas de un polo lo cero en el mismo punto.
discreta
H (z) = z 2
tendr dos ceros en el origen y la funcin
Por ejemplo, la funcin de transferencia
H (s) =
1
s25 tender 25 polos en el origen.
14.6.4 La Cancelacin de Polos y Ceros

(s+3)(s1)
es la misma que s + 3. En teora son equivalentes,
s1
ya que el polo y el cero que se encuentra en s = 1 se cancelan mutuamente lo que es conocido como la
Un error comn es el pensar que la funcin
cancelacin de polos y ceros. Sin embargo, piense lo que pasara si esto fuera una funcin de transferencia
de un sistema que fue creado fsicamente con un circuito. En este caso, no es comn que el polo y el cero
permanezca en un mismo lugar. Un cambio de temperatura, podra causar que ellos se movieran. Si esto
pasara se creara volatilidad en esa rea, ya que ocurri un cambio de innito en un polo a cero en el cero en
una regin de seales. Generalmente es una mala manera de eliminar un polo. Una mejor manera de mover
el polo a otro lugar es usando la
teora de control.
258
Chapter 15
La Transformada Z y Filtros Digitales
15.1 La Transformada Z: Denicin1
15.1.1 Denicin Bsica de la Transformada-Z
La
transformada-z de una secuencia es denida por
X (z) =
x [n] z n
(15.1)
n=
transformada-z bilateral. En veces la transformada-z
Algunas veces esta ecuacin es conocida como la

es denida por
X (z) =
x [n] z n
(15.2)
n=0
la cual es conocida como la
transformada-z unilateral.
transformada de Fourier de una seal discreta,
Hay una relacin cercana entre la transformada-z y la

la cual es denida como
X e

X
x [n] e(jn)
(15.3)
n=
Note que cuando
z n
es remplazada con
e(jn)
la transformada-z se convierte en la transformada de
Fourier. Cuando la transformada de Fourier existe,

para
z = ej
, la cual debe de tener la magnitud unitaria
z.
15.1.2 El Plano Complejo

Para entender la relacin entre la transformada de fourier y la transformada-z uno tiene que ver el plano
complejo o el
1 This
plano-z. echemos un vistazo al plano complejo:
259
CHAPTER 15. LA TRANSFORMADA Z Y FILTROS DIGITALES
260
Plano-Z
Figure 15.1
El plano-Z es un plano complejo con un eje imaginario y real que se reejen eso se reere a la variable
compleja
z.
. La posicin en el plano complejo es dada por
al rededor del plano y es dado por

donde
|z| = 1,
. X (z)
rej
, y el ngulo se toma del eje real positive
es denida en todos los lados del plano.
la cual se reere al circulo unitario. Por ejemplo,
=1
en
z=1

X ej es denida solo
= en z = 1. Esto
ayuda por que, al representar la transformada de fourier como una transformada-z en el crculo unitario, se
puede ver muy fcilmente la periodicidad de la transformada de Fourier.
15.1.3 Regin de Convergencia

La regin de convergencia, tambin conocida como
donde la transformada-z existe. La ROC para una
ROC, es importante entender por que dene la regin
x [n]
, is dened as the range of
rango de z para la cual la transformada-z converge. Ya que la transformada z es una

converge cuando
x [n] z n
es denida como el
serie de potencia,
es absolutamente sumable. En otras palabras,

|x [n] z n | <
(15.4)
n=
Se tiene que satisface para la convergencia.
transformadas-z de
n u [n]
Esto se explica mejor al ver las diferentes ROC de las
n u [n 1].
Example 15.1
Para
x [n] = n u [n]
(15.5)
261
Figure 15.2:
x [n] = n u [n] donde = 0.5.
X (z)
(x [n] z n )
(n u [n] z n )
n=
n=
n=0
P
n=0
(n z n )
n
z 1
(15.6)
Esta secuencia es un ejemplo de una exponencial del lado derecho por que tiene un valor de no
cero para
n 0.
Solo converge cuando
|z 1 | < 1.
Cuando converge,
X (z)
1
1z 1
z
z
=
=
Si
|z 1 | 1,
entonces las series,
n=0
z 1
n
(15.7)
no convergen. As que el ROC es el rango de
valores cuando
|z 1 | < 1
(15.8)
|z| > ||
(15.9)
o, equivalentemente,
262
Figure 15.3:
ROC para x [n] = n u [n] donde = 0.5
Example 15.2
Para
x [n] = ( (n )) u [n 1]
(15.10)
263
Figure 15.4:
x [n] = ( (n )) u [n 1] donde = 0.5.
X (z)
=
=
=
=
=
=
n
)
n= (x [n] z
P
n
(( ( )) u [n 1] z n )
n=

P1
n n
(
z
)
Pn=
n
1
1 z
n=
n
P
1 z
n=1
n
P
1 n=0 1 z
(15.11)
En este caso la ROC es en el rango de valores donde
|1 z| < 1
(15.12)
|z| < ||
(15.13)
o, equivalentemente
Si la ROC se satisface, entonces
X (z)
z
z
1
11 z
(15.14)
264
Figure 15.5:
ROC para x [n] = ( (n )) u [n 1]
15.2 Tabla de Transformadas-Z Comunes2

La siguiente tabla provee
transformadas de z unilateral y bilateral (Section 15.1). Esta tabla tambin
muestra la regin de convergencia (Section 15.3).
note:
la notacin usada para
en esta tabla puede ser diferente a la notacin encontrada en otras
tablas. Por ejemplo la transformada bsica de
u [n]
se puede describen de dos maneras diferentes,
que son equivalentes:
z
1
=
z1
1 z 1
2 This
(15.15)
265
Seal
Transformada-Z
ROC
[n k]
z k
Allz
u [n]
z
z1
z
z1
z
(z1)2
z(z+1)
(z1)3
z (z 2 +4z+1)
(z1)4
z
z
z
z
z
(z)2
z(z+)
(z)3
z
(z)m+1
z(zcos())
z 2 (2cos())z+ 2
zsin()
z 2 (2cos())z+ 2
|z| > 1
(u [n 1])
nu [n]
n2 u [n]
3
n u [n]
( (n )) u [n 1]
n
u [n]
n
n u [n]
2 n
n u [n]
Qm
k=1 (nk+1)
n u [n]
m m!
n cos (n) u [n]

n sin (n) u [n]
|z| < 1
|z| > 1
|z| > 1
|z| > 1
|z| < ||
|z| > ||
|z| > ||
|z| > ||
|z| > ||
|z| > ||
15.3 Regin de Convergencia para la Transformada- Z3

15.3.1 La Regin de Convergencia
ROC, es importante entender por que dene la regin
transformadaz se dene por
La regin de convergencia, tambin conocida como

donde la transformada-z (Section 15.1) existe. La
X (z) =
x [n] z n
(15.16)
n=
La ROC para una
x [n]
transformadaz es una
palabras,
, es denida como el rango de
para la cual la transformada-z converge. Ya que la
serie de potencia, converge cuando
x [n] z n
es absolutamente sumable. En otras

|x [n] z n | <
(15.17)
n=
tiene que ser satisfecha para la convergencia.
15.3.2 Propiedades de la Regin de Convergencia

La regin de convergencia tiene propiedades que dependen de la caractersticas de la seal,
x [n].
La ROC no tiene que contener algn polo. Por denicin un polo es donde X (z) es innito. Ya que
X (z) tiene que ser nita para todas las z para tener convergencia, no puede existir ningn polo para
ROC.
Si x [n] es una secuencia de duracin nita, entonces la ROC es todo el plano-z, excepto en z = 0 o
|z| = . Una secuencia de duracin nita es aquella que tienen valor de no cero en un intervalo
nito n1 n n2 . Mientras que cada valor de x [n] es nito entonces la secuencia ser absolutamente
3 This
266
sumable. Cuando
n1 < 0
n2 > 0 entonces existir z 1
trminos por lo tanto la ROC no incluye
la suma ser innita por lo tanto la ROC no incluye
incluir
z = 0,
y cuando
n1 0
|z| = .
x [n] = c [n].
la ROC incluir
tiene una ROC que cubre todo el plano-z es
Figure 15.6:
|z| = .
Pero si,
n2 0
z = 0.
Cuando
entonces la ROC
Con esta condiciones, la nica seal que
Ejemplo de una secuencia de duracion nita.
Las siguientes propiedades se aplican a secuencias con duracin innita.

mente la transformada-z converge cuando
|X (z) | = |
x [n] z
|X (z) | < .
|x [n] z

X

n
| =
|x [n] |(|z|)
(15.18)
n=
n=
n=
Como se menciono anterior
As que podemos escribir
Podemos separar la suma innita en su tiempo positive y negativa. Por lo tanto
|X (z) | N (z) + P (z)

donde
1
X
N (z) =
(15.19)
|x [n] |(|z|)
(15.20)
n=
y
P (z) =

X
|x [n] |(|z|)
(15.21)
n=0
Para que
|X (z) |
se innita,
|x [n] |
tiene que estar restringida entonces denamos
|x (n) | C1 r1 n
(15.22)
para
n<0
y
|x (n) | C2 r2 n
(15.23)
267
para
n0
De estos tambin se pueden derivar ms propiedades:
Si x [n] es una secuencia del lado derecho entonces la ROC se extiende hacia fuera en el ultimo polo
desde X (z). Una secuencia del lado derecho es aquella donde x [n] = 0 para n < n1 < . Si
vemos la porcin del tiempo positive de la ultima derivacin, se puede deducir que
P (z) C2

X
r2 n (|z|)
Por lo tanto para que la suma converja,
Figure 15.7:
|z| > r2 .
Secuencia de lado derecho
= C2
n

X
r2
n=0
n=0
tiene la forma de
|z| > r2 ,
|z|
(15.24)
as que la ROC de una secuencia del lado derecho
268
Figure 15.8:
LA ROC de una secuencia de lado derecho.
Si x [n] es una secuencia del lado izquierdo, entonces la ROC se extiende hacia dentro desde el polo mas
cercano en X (z). Una secuencia del lado izquierdo es aquella donde x [n] = 0 para n > n2 > .
Si vemos la porcin del lado negativa de la ultima derivacin se puede deducir que
N (z) C1
1
X
r1 (|z|)
n=
n
k !
1
X
X
r1
|z|
= C1
= C1
|z|
r1
n=
Por lo tanto para que la suma converja,

tiene la forma de
Figure 15.9:
|z| < r1 .
Secuencia de lado izquierdo.
(15.25)
k=1
|z| < r1 ,
as que la ROC de la secuencia del lado izquierdo
269
Figure 15.10:
La ROC de una secuencia de lado izquierdo.
Si x [n] es una secuencia con dos lados, la ROC va ser un anillo en el plano-z que esta restringida
en su interior y exterior por un polo. Una secuencia de dos lados es aquella con duracin innita
en direcciones positivas y negativas. De la derivacin de las dos propiedades, podemos deducir que si
r2 < |z| < r2
Figure 15.11:
X (z)
r2 < |z| < r2 .
converge, entonces el tiempo positivo y el tiempo negativo converge, y
tambin. Por eso la ROC de una secuencia de dos lados tiene la forma de
Una secuencia de dos lados.
converge
270
Figure 15.12:
La ROC de una secuancia de dos lados.
15.3.3 Ejemplos
Para entender esto mejor veremos los siguientes ejemplos.
Example 15.3
Tomemos
x1 [n] =
La transformada de
Figure 15.13:
n
n
1
1
u [n] +
u [n]
2
4

1 n
u [n] es zz 1 con ROC en
2
2
La ROC de
` 1 n
2
u [n]
|z| >
1
2.
(15.26)
271
La transformada de
Figure 15.14:

1 n
u [n] es z+z 1 con ROC en
4
4
La ROC de
` 1 n
4
|z| >
1
4 .
u [n]
Usando linealidad,
X1 [z]
=
=
z
+ z+z 1
z 12
4
2z (z 81 )
z 12
)(
z+ 14
Al observar esto se vuelve claro que hay dos cero, uno en
1
y en
4 . Usando las propiedades, la ROC es
|z| >
1
2.
(15.27)
y el otro en
1
1
8 , y dos polos, uno en 2 ,
272
Figure 15.15:
La ROC de x1 [n] =
` 1 n
2
u [n] +
` 1 n
4
u [n]
Example 15.4
Ahora tomemos

x2 [n] =
1
4
n
n
1
u [n]
u [n 1]
2

1 n
u [n] fueron mostradas
4

1 n
u
[n
1] es zz 1 con una
2
La transformada y ROC de
La transformada de
(15.28)
en el ejemplo anterior (Example 15.3).

ROC en
|z| >
1
2.
273
Figure 15.16:
La ROC de
` `` 1 n
2
u [n 1]
Usando linealidad,
X2 [z]
=
=
Podemos observar que hay dos ceros, en
|z| <
1
2.
z
+ zz 1
z+ 14
2
z (2z 81 )
(15.29)
(z+ 14 )(z 12 )
1
1
1
16 , y dos polos en 2 , y 4 . En este caso la ROC es
274
Figure 15.17:
La ROC de x2 [n] =
` 1 n
4
u [n]
` 1 n
2
u [n 1].
15.4 La Transformada Inversa de Z4

Cuando usamos la transformada-z (Section 15.1)
X (z) =
x [n] z n
(15.30)
n=
Es de gran ayuda el poder encontrar
x [n]
dado
X (z).
Existen al menos 4 mtodos diferentes para hacer
esto:
1. Inspeccin (Section 15.4.1: El Mtodo de Inspeccin)
2. Expansion de fracciones parciales (Section 15.4.2: Mtodo de Expansin de Fracciones Parciales)
3. Expansin de series de potencia (Section 15.4.3: Mtodo de Expansin de Series de Potencia)
4. Integracin del contorno (Section 15.4.4: Mtodo de Integracin del Contorno)
15.4.1 El Mtodo de Inspeccin

Este "mtodo" es el familiarizarse con la tabla para los pares de la transformada-z (Section 15.2)y el usar
ingeniera inversa.
Example 15.5
Dado
X (z) =
4 This
z
z
275
Con un ROC (Section 15.3) de
|z| >
Al inspeccionar podemos determinar que
x [n] = n u [n]
15.4.2 Mtodo de Expansin de Fracciones Parciales

Cuando tratamos con sistemas
lineares de tiempo invariante la transformada-z tiene la forma
X (z)
B(z)
A(z)
P
M
Pk=0
N
(15.31)
(bk zk )
k )
k=0 (ak z
Que tambin se puede expresar como

QM
a0 k=1 1 ck z 1
X (z) =
Q
1 )
b0 N
k=1 (1 dk z
ck representa los ceros con valor no ceros de X (z)
M < N entonces X (z) se puede representar por
donde
Si
X (z) =
N
X
k=1
dk
(15.32)
representa los polos con valores no cero
Ak
1 dk z 1

(15.33)
Esta forma ayuda el invertir cada termino de la suma usando el mtodo de inspeccin (Section 15.4.1: El
Mtodo de Inspeccin) y la tabla de transformadas (Section 15.2). Por lo tanto el numerador es un polinomio
se vuelve necesario usar la expansin de fracciones parciales
arriba. Si
M N
entonces
X (z)
para poder poner
X (z)
en la forma descrita
se puede expresar como
X (z) =
M
N
X
Br z
PN 1
r=0
k=0
PN
k=0
b'k z k
(ak z k )
(15.34)
Example 15.6
Encuentre la transformada inversa-z de
X (z) =
Donde el ROC es
|z| > 2.
En este caso
obtener
X (z) =
1 + 2z 1 + z 2
1 + (3z 1 ) + 2z 2
M = N = 2,
as que tenemos que la divisin larga para
1
7 1
1
2 + 2z
+
2 1 + (3z 1 ) + 2z 2
Tenemos que factorizar el denominador.
X (z) = 2 +
5 "Partial
(1) + 5z 1
(1 2z 1 ) (1 z 1 )
Fraction Expansion" <http://cnx.org/content/m2111/latest/>
276
Ahora utilizamos la expansin de fracciones parciales.
X (z) =
9
A1
A2
1
4
1
2
+
+
=
+
+
2 1 2z 1
1 z 1
2 1 2z 1
1 z 1
Ahora cada trmino se puede invertir usando el mtodo de inspeccin y la tabla de transformada-z.
ya que la ROC es
|z| > 2,
x [n] =
1
9
[n] + 2n u [n] + (4u [n])
2
2
15.4.3 Mtodo de Expansin de Series de Potencia

Cuando la transformada-z es denida con una serie de potencia en la forma de
X (z) =
x [n] z n
(15.35)
n=
entonces cada termino de la secuencia
x [n]
se puede terminar al ver los coecientes del respectivo poder
z n .
Example 15.7
Ve la siguiente transformada -z de la secuencia de
X (z)
= z 2 1 + 2z 1
= z 2 + 52 z +
1
2
tamao nito.

1 12 z 1 1 + z 1

+ z 1
En este caso, ya que no hay polos, multiplicamos los factores de
X (z).
(15.36)
Al inspeccinala, se vuele
claro que
5
1
x [n] = [n + 2] + [n + 1] + [n] + ( ( [n 1]))
2
2
.
Una de las ventajas de las series de potencia es que muchas funciones usadas en funciones de ingeniera
tienen tabuladas sus series de potencia. Por lo tanto funciones como el Log, seno, exponencial, seno h, etc.,
se pueden invertir fcilmente.
Example 15.8
Suponga
X (z) = log n 1 + z 1
Al notar que
log n (1 + x) =

X
1n+1 xn
n
n=1
Entonces
X (z) =

X
1n+1 n z n
n=1
Por lo tanto
X (z) =
1n+1 n
if
n
n1
0 if n 0
277
15.4.4 Mtodo de Integracin del Contorno

Sin entrar en detalles
1
x [n] =
2j
X (z) z n1 dz
(15.37)
r
donde
es el contorno del lado contrario del reloj en la ROC de
X (z) circulando el origen del plano-z.
Para
expandir este mtodo para encontrar la inversa se necesita conocimiento de teora de variables complejas y
esto no se vera en este modulo.
15.5 Funciones Racionales6

15.5.1 Introduccin
Cuando usamos operaciones con polinomios, el trmino de
funciones racionales es una manera simple de
describir una relacin particular entre dos polinomios.
Denition 18: Funcin Racional

Para dos polinomios cualquiera, A y B, su fraccin es conocida cono una funcin racional.
Example
Aqu se muestra un ejemplo de una funcin racional,
f (x).
Note que el numerador y denomi-
nador pueden ser polinomios de cualquier orden, pero la funcin racional es indenida cuando el
denominador es cero.
f (x) =
x2 4
2x2 + x 3
(15.38)
Si usted ha empezado a usar la transformada-z (Section 15.1), usted debi notar que todas las transformadas son funciones racionales. En seguida veremos algunas de las propiedades de las funciones racionales y
como se pude usar para reveler caractersticas importantes de la transformada-z, y por lo tanto revelar una
seal o un sistema LTI.
15.5.2 Propiedades de las Funciones Racionales

Para poder entender lo que hace que las funciones racionales sean tan especiales, tenemos que observar
algunas de sus propiedades y caractersticas. Si usted esta familiarizado con las funciones racionales y que
las funciones bsicas de algebra, podr ir directamente a la siguiente seccion (Section 15.5.3: Las Funciones
Racionales y la Transformada-z) y ver como las funciones racionales nos ayudan a entender la transformada-z.
15.5.2.1 Races
Para entender muchas de las caractersticas de las funciones racionales, tenemos que empezar por encontrar
las races de la funcin racional. Para ser esto, factoricemos los dos polinomios para poder observar las races
fcilmente. Como todos los polinomios, las races nos darn informacin sobre muchas de sus propiedades.
Esta funcin nos muestra el resultado que da el factorizar la funcin racional anterior, (15.38).
f (x) =
(x + 2) (x 2)
(2x + 3) (x 1)
As, las races para esta funcin son las siguientes:

Las races del numerador son:
{2, 2}
{3, 1}
Las races del denominador son:
6 This
(15.39)
278
note:
Para entender las funciones racionales, es esencial el saber y entender las races que forman
parte de esta funcin.
15.5.2.2 Discontinuidades
Ya que estamos viendo la divisin de dos polinomios, tenemos que ver los valores de la variable que darn que
el denominador de nuestra fraccin sea cero. Cuando esto pasa, la funcin racional se vuelve indenida, por lo
tanto, tenemos una discontinuidad en la funcin. Ya que sabemos nuestras races, es muy fcil saber cuando
ocurre esto. Cuando tenemos una variable en el denominador igual a cualquier raz en el denominador, la
funcin se vuelve indenida.
Example 15.9
Usando la funcin racional anterior, (15.38), podemos observar que funcin tendr discontinuidades
en los siguientes puntos:
x = {3, 1}
Con respecto al plano cartesiano podemos decir que las discontinuidades ocurren con respecto al eje de las
x.
Esta discontinuidades sern
asintoticamente vertical en la graca y representara los valores donde la
funcin esta indenida.
15.5.2.3 Dominio
Usando las races anteriores, el
dominio de la funcin racional se puede denir.
Denition 19: dominio

El grupo, o conjunto, de valores que son denidos por una funcin.
Example
Usando la funcin racional anterior, (15.38), el dominio se puede denir como cualquier numero real
donde
no iguala a 1 o negativa 3. Expresando esto matemticamente, obtenemos lo siguiente:
{ x R |x 6= 3 and x 6= 1}
(15.40)
15.5.2.4 Intercepciones
La
intercesin en la x es denida como el punto (s) donde
f (x),en
otras palabras la salida de la funcin
racional iguala a cero. Ya que hemos encontrado las races de la funcin este proceso es muy simple. Usando
algebra, sabemos que la salida ser cero cuando el numerador de la funcin igual a cero. Por lo tanto, la
funcin tendr una intercepciones en
La
intercepcin y ocurre cuando
cuando sea igual a una de las races del numerador.
es igual a cero. Se puede encontrar al tener todos los valores de
igual a cero y resolver la funcin racional.
15.5.3 Las Funciones Racionales y la Transformada-z

Como ya lo hemos mencionado todas las transformadas-z se pueden escribir como funcin racional, lo cual es
la manera mas comn de representar la transformada-z. Por esto, podemos usar las transformadas anteriores
especialmente las de la races, para reveler algunas de las caractersticas de la seal o sistema LTI descritos
por la transformada-z.
La siguiente ecuacin muestra la forma general de escribir la transformada-z como una funcin racional:
X (z) =
b0 + b1 z 1 + + bM z M
a0 + a1 z 1 + + aN z N
(15.41)
279
Si usted ya vio el modulo titulado el entender gracas de polos y ceros y la transformada-z , usted sabr
como las races de las funciones racionales forman un papel importante para entender la transformada-z.
La ecuacin anterior, (15.41), se puede expresar en una forma factorizada similar la funcin racional vista
anterior menta, vea (15.39). Por lo tanto podemos encontrar las races del numerador y denominador de la
transformada-z. Las siguientes dos relaciones se vuelven obvias:
Relacin de Races en Polos y Ceros
Las races del numerado en la funcin racional son lo
ceros en la transformada-z
polos de la transformada-z
Las races en el nominador de la funcin racional son los
15.5.4 Conclusin
Una vez que usemos nuestro conocimiento de funciones raznales para encontrar sus races, podemos manipular una transformada-z en varias maneras tiles. Podemos usar este conocimiento para representar un
8
sistema LTI grcamente usando una graca de polos y ceros , o para analizar o disear un ltro digital a
9
travs de la transformada-z .
15.6 La Ecuacin de Diferencia10

15.6.1 Introduccin
Uno de los conceptos ms importantes para el DSP es poder representar la relacin de entrada y salida
de cualquier sistema LTI. Una
ecuacin de diferencia de coeciente linear constante (LCCDE) nos
sirve para expresar esta relacin en un sistema discreto. El escribir la secuencia de entradas y salidas, las
cuales representan las caractersticas del sistema LTI, como una ecuacin de diferencia nos ayuda entender
y manipular el sistema.
Denition 20:
La Ecuacin de Diferencia
Es una ecuacin que muestra la relacin entra valores consecutivos de una secuencia y la diferencia
entre ellos.
Usualmente se escribe en una ecuacin recurrente para que la salida del sistema se
pueda calcular de las entradas de la seal y sus valores anteriores.
Example
y [n] + 7y [n 1] + 2y [n 2] = x [n] 4x [n 1]
(15.42)
15.6.2 Formulas Generales para la Ecuacin de Diferencia

n.
H (z),
La ecuacin de diferencia nos ayuda a describir la salida del sistema descrito por la formula para cualquier
La propiedad mas importante para esta ecuacin es la habilidad de poder encontrar la transformada,
del sistema. Las siguientes subsecciones veremos la forma genera de la ecuacin diferencial en la conversin
a la transformada-z directamente de su ecuacin de diferencia.
7 "Understanding Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/>

9 "Filter Design using the Pole/Zero Plot of a Z-Transform" <http://cnx.org/content/m10548/latest/>
280
15.6.2.1 Ecuacin de Diferencia

La forma general de este tipo de ecuacin es la siguiente:
N
X
(ak y [n k]) =
k=0
M
X
(bk x [n k])
(15.43)
k=0
Tambin se puede expresar como una salida recurrente, la cual se ve as:
y [n] =
N
X
!
(ak y [n k])
k=1
De esta ecuacin, note que
N representa
el
y [n k]
M
X
(bk x [n k])
(15.44)
k=0
x [n k]
representa las salidas y
epresenta las entradas. El valor de
orden de la ecuacin de diferencia que corresponde a la memoria del sistema representado.
Ya que la ecuacin depende de los valores pasados de la salida, para calcular una solucin numrica, algunos
valores pasados, conocidos como
condiciones iniciales, se deben saber.
15.6.2.2 Conversin a la Transformada-z

Usando la formula, (15.43),podemos generalizar la
funcin de transferencia,
H (z), para cualquier funcin
de diferencia. Los siguientes pasos se deben de tomar para convertir cualquier funcin de diferencia en su
funcin de diferencia.
la (15.43).
11
Primero se tiene que tomar la transformada de Fourier
de todos los trminos en
Despus usando la propiedad de linealidad para sacar la transformada fuera de la sumatoria
y usamos la propiedad de desplazamiento en el tiempo de la transformada z para cambiar los trminos

desplazados en el tiempo a exponenciales. Despus de hacer esto, llegamos a la siguiente ecuacin:
Y (z) =
N
X
!
ak Y (z) z k
M
X
bk X (z) z k
(15.45)
k=0
k=1
H (z)
a0 = 1.
=
=
Y (z)
X(z)
PM
1+
k=0
P
N
(15.46)
(bk zk )
k=1 (ak
z k )
15.6.2.3 Conversin a la Respuesta de Frecuencia

Ya que tenemos la transformada- z, podemos tomar el siguiente paso y denir la respuesta a la frecuencia
del sistema, o ltro, que esta siendo representado por la ecuacin de diferencia.
note:
Recuerde que la razn por la que usamos estas formulas es el poder disear un ltro. Un
LCCDE es una de las maneras ms fciles de representar los ltros FIL. Al encontrar la respuesta
de frecuencia, podemos ver las funciones bsicas de cualquier ltro representado por una simple
LCCDE. La formula general para la respuesta de frecuencia en la transformada-z es la siguiente.
La conversin es simplemente tomar la formula de la transformada-z,
instante de
con
H (z),
y remplazarla en cualquier
ejw .
H (w)
= H (z) |z,z=ejw
PM
(bk e(jwk) )
= PNk=0 a e(jwk)
)
k=0 ( k
(15.47)
Despus de que usted entienda la derivacin de esta formula vea el modulo titulado el ltro y la transformadaz
12
para que vea las ideas de la transformada-z (Section 15.1) y la ecuacin de diferencia, y las gracas de
polos y ceros
13
se usan al disear un ltro.

281
15.6.3 Ejemplo
Example 15.10: Encontrando la Funcin de Diferencia
Aqu se muestra un ejemplo de tomar los pasos opuestos a los descritos anteriormente: dada una
funcin de transferencia uno puede calcular fcilmente la ecuacin de diferencia del sistema.
H (z) =
(z + 1)

z 12 z + 43
(15.48)
Dada una funcin de transferencia de un ltro, queremos encontrar la funcin de diferencia. Para
hacer esto, expanda los os polinomios y divdalos por el orden mas alto de
H (z)
=
=
=
z.
(z+1)(z+1)
(z 12 )(z+ 43 )
z 2 +2z+1
z 2 +2z+1 38
1+2z 1 +z 2
1+ 41 z 1 38 z 2
(15.49)
De esta funcin de transferencia, los coecientes de los dos polinomios sern nuestros valores de
ak
bk que
se encuentran el la forma general de la funcin de diferencias, (15.43). Usando estos
coecientes y la forma anterior de la funcin de transferencia, podemos escribir la ecuacin de

diferencia as:
3
1
x [n] + 2x [n 1] + x [n 2] = y [n] + y [n 1] y [n 2]
4
8
(15.50)
En el ltimo paso re-escribimos la ecuacin de diferencia en una forma ms comn, mostrando su

naturaleza recurrente del sistema.
y [n] = x [n] + 2x [n 1] + x [n 2] +
3
1
y [n 1] + y [n 2]
4
8
(15.51)
15.6.4 Resolviendo un LCCDE

Para resolver este tipo de ecuaciones y poderlas usar en el anlisis de sistemas LTI, tenemos que encontrar
las salidas del sistema que estn basadas en una entrada del sistema,
condiciones iniciales.
x (n)
Existen dos mtodos para resolver un LCCDE: el
y basadas en un conjunto de
mtodo directo, y el mtodo
indirecto, este ltimo basado en la transformada-z. En las siguientes subsecciones se explica brevemente
las formulas para resolver los LCCDE as como el uso de estos dos mtodos.
15.6.4.1 Mtodo Directo

La solucin nal de la salida, utilizando este mtodo, es una suma dividida en dos partes expresadas de la
siguiente manera:
y (n) = yh (n) + yp (n)
yh (n), se conoce como la solucin homognea y la segunda parte, yh (n),se le llama

solucin particular. El siguiente mtodo es similar al usado para resolver las ecuaciones diferenciales,
La primera parte,
las
(15.52)
as que si ya tomo un curso de ecuaciones diferenciales, este mtodo le ser familiar.
282
15.6.4.1.1 Solucin Homognea

Se empieza al asumir que la entrada es igual a cero,
x (n) = 0.
Despus, tenemos que solucionar la ecuacin
de diferencia homognea:
N
X
(ak y [n k]) = 0
(15.53)
k=0
Para resolver esto, asumimos que la solucin tiene la forma de un exponencial. Usaremos lambda,
para
representar los trminos exponenciales. Ahora tenemos que resolver la siguiente ecuacin:
N
X

ak nk = 0
(15.54)
k=0
Expandiremos la ecuacin y factorizaremos todos los trminos de lambda.
dentro del parntesis, lo cual se conoce como
Esto nos dar un polinomio
polinomio caracterstico. Las races de este polinomio son
la clave para resolver esto ecuacin. Si se tienen races diferentes, la solucin general es la siguiente:
yh (n) = C1 (1 ) + C2 (2 ) + + CN (N )
(15.55)
Sin embargo, si la ecuacin caracterstica contiene mltiples races la solucin mostrada anterior mente sufre
algunos cambios. La versin modicada de la ecuacin se muestra abajo, donde
tiene
races:
yh (n) = C1 (1 ) + C1 n(1 ) + C1 n2 (1 ) + + C1 nK1 (1 ) + C2 (2 ) + + CN (N )
(15.56)
15.6.4.1.2 Solucin Particular

Esta solucin,
yp (n),
ser aquella que resuelva la ecuacin de diferencia general:
N
X
(ak yp (n k)) =
k=0
M
X
(bk x (n k))
(15.57)
k=0
Para resolverla, nuestra estimacin de la solucin para
yp (n)
tomara la forma de nuestra entrada,
x (n).
Despus de esto, uno nada mas tiene que sustituir la respuesta y resolver la ecuacin.
15.6.4.2 Mtodo Indirecto

Este mtodo utiliza la relacin entre la ecuacin de diferencia y la transformada-z, para encontrar la solucin. La idea es convertir la ecuacin de diferencia a su transformada-z, para obtener una salida, fue vista
anteriormente (Section 15.6.2:
Formulas Generales para la Ecuacin de Diferencia),.
Y (z).
Al usar la
transformada inversa (Section 15.6.2.2: Conversin a la Transformada-z) y usando la expansin parcial de

fracciones, podemos encontrar la solucin.
15.7 Entendiendo las Gracas de Polos y Ceros en el Plano-Z14

15.7.1 Introduccin a los Polos y Ceros de la Trasformada-z
Despus de encontrar la transformada-z del sistema, uno puede usar la informacin del polinomio para
representar la funcin grcamente y as observar sus caractersticas. La transformada-z tendr la siguiente
estructura, basada en las funciones racionales (Section 15.5):
X (z) =
14 This
P (z)
Q (z)
(15.58)
283
P (z) y Q (z), nos dejan encontrar los polos y ceros (Section 14.6) de la transformada-
Los dos polinomios,

z.
Denition 21: ceros

1. valor(es) dez donde
P (z) = 0.
cero.
Denition 22: polos

1. valor(es) de
donde
Q (z) = 0.
innita.
Example 15.11
Esta es la funcin de transferencia con polos y ceros.
H (z) =
Los ceros son:
Los polos son:
{1}
1
2,
3
4
z+1

z 12 z + 43
15.7.2 El Plano-z
Despus de encontrar los polos y ceros de una trasformada-z, se pueden gracar en el plano-z. El plano-z
es un plano complejo con ejes reales e imaginarios para la variable compleja de
complejo es dada por
rej
z.
La posicin del plano
y el ngulo se da del lado positive del eje real del plano y se escribe
Al gracar
los polos y ceros, los polos son mostrados con "x" y los ceros con "o". La siguiente gura muestra el plano-z,
as como algunos ejemplos de como gracar polos y ceros en algn lugar particular en el plano.
284
Plano-Z
Figure 15.18
15.7.3 Ejemplos de Gracas de Polos y Ceros

Esta seccin contiene ejemplos de como encontrar polos y ceros de una funcin de transferencia y el como
gracarlos en el plano-z.
Example 15.12: Graca Simple de Polos y Ceros
H (z) =
Los ceros son:
Los polos son:
{0}
1
2,
3
4
1
2
z
z+
3
4
285
Gracas de Polos y Ceros
Figure 15.19:
Usando los ceros y polos
` de
la funcion de transferencia, un cero es gracado a el valor
cero y los dos polos se colocan en 21 y 34
Example 15.13: Graca Compleja de Polos y Ceros
H (z) =
Los ceros son:
Los polos son:
1
2
(z j) (z + j)

12 j
z 21 + 12 j
{j,
j}

1, 12 + 12 j, 12 12 j
Gracas de Polos y Ceros
Usando los ceros y polos de la funcion de transferencia, los ceros son gracados en j ,
los polos son colocados en 1, 21 + 12 j y 12 12 j
Figure 15.20:
286
MATLAB -
si se usa este programa, entonces usted podr usar funciones que crean este tipo de gracas
rpidamente. Abajo se muestra un programa que graca polos y ceros del ejemplo anterior.
% Set up vector for zeros

z = [j ; -j];
% Set up vector for poles
p = [-1 ; .5+.5j ; .5-.5j];
figure(1);
zplane(z,p);
title('Pole/Zero Plot for Complex Pole/Zero Plot Example');
15.7.4 Gracas de Polos y Ceros y la Regin de Convergencia

La regin de convergencia (ROC) para
X (z)
en el plano-z de puede determinar de la graca de polos y
ceros. Aunque varias ROC pueden existir, donde cada una corresponde a una respuesta al impulse diferente,
existen opciones que son mas practicas. Un ROC se puede escoger para hacer la funcin de transferencia
causal y/o estable dependiendo de la graca de polos y ceros.
Propiedades de Filtro Sacadas de la ROC
Si la ROC se extiende hacia afuera desde su ultimo polo, entonces el sistema es

Si la ROC incluye el crculo unitario, entonces el sistema es
causal.
estable.
La siguiente graca es un posible ROC para la transformada-z del ejemplo graca simple de polos y ceros
(Example 15.12: Graca Simple de Polos y Ceros) la regin mostrada indica la ROC elegida para el ltro.
Podemos inferior que el ltro ser causal y estable ya que tiene las propiedades mencionadas anteriormente.
Example 15.14
H (z) =
1
2
z
z+
3
4
287
La regin de convergencia para la graca de polos y ceros
Figure 15.21:
La area representa la ROC para la funcion de transferencia.
15.7.5 Respuesta de Frecuencia y el Plano-Z

La razn por lo cual es importante el entender y crear las gracas de polos y ceros es su habilidad de ayudar
en el diseo de ltros. Basado en la locacin de los polos y ceros, la respuesta de la magnitud del ltro se
puede comprender. Al empezar con este tipo de graca, uno puede disear un ltro y obtener su funcin de
15
transferencia fcilmente. Vea esta seccin
para obtener informacin sobre la relacin de la graca de polos
y ceros con la respuesta de frecuencia.
15.8 Diseo de Filtros usando la Graca de Polos y Ceros de la

Transformada-Z16
15.8.1 Estimando la Respuesta de Frecuencia de un Plano-Z
Un factor de motivacin para el anlisis de la graca de polos y ceros es la relacin de la respuesta de
frecuencia del sistema. Basado en la posicin de los polos y ceros, uno puede determinar la respuesta de la
frecuencia. Este es un resultado de la correlacin entre la repuesta de frecuencia y la funcin de transferencia
evaluada en el crculo unitario de la graca de polos y ceros. La respuesta de frecuencia, o DTFT, del sistema
es denida por:
H (w)
= H (z) |z,z=ejw
PM
(bk e(jwk) )
= PNk=0 a e(jwk)
)
k=0 ( k

(15.59)
288
Al factorizar la funcin de transferencia a sus polos y ceros y el multiplicar el numerador y denominador

por
ejw
se obtiene lo siguiente:
H (w) = |

QM
|ejw ck |
b0
| Qk=1
N
jw d |)
a0
k
k=1 (|e
(15.60)
De la (15.60) obtenemos la respuesta de frecuencia en una forma que se puede usar para interpretar las
caractersticas fsicas de las respuesta de frecuencia del ltro. El numerador y denominador contienen un
producto en trminos de la forma
|ejw h|,
donde
es cero, marcado por
ck
un vector que viene del origen a la su lugar en cualquier parte del plano complejo y
ejw
es un vector que
viene del origen hasta una posicin en el circulo unitario. El vector que conecta estos dos puntos,
conecta el polo o cero a un lugar en el circulo unitario que depende del valor de
dk .
h, es
o un polo, descrito por
Los vectores son usados para representar el trmino y sus partes en el plano complejo. El polo o cero,
w.
|ejw h|,
De esto, podemos empezar
entender como la magnitud de la respuesta de frecuencia es un radio de distancias de polos y ceros presente
en el plano-z y
va de cero a pi. Estas caractersticas no ayudan a entender.|H
(w) | de la siguiente manera:
Q
distanciasdelosceros
b0
|H (w) | = | | Q
a0
distanciasdelospolos
(15.61)
En conclusin, usando las distancias del crculo unitario a los polos y ceros, podemos gracar la respuesta de
la frecuencia del sistema. Cuando
va de
anteriores, especican como se debe gracar
2 , las
|H (w) |.
siguientes dos propiedades, tomadas de las ecuaciones
Mientras se mueva alrededor del crculo unitario. . .

1. si esta cercas de un cero, la magnitud es chica. Si el cero esta sobre el circulo unitario, entonces la
respuesta de frecuencia es cero en eso punto.
2. si esta cercas de un polo, la magnitud es grande. Si el polo esta sobre el circulo unitario, entonces la
respuesta de frecuencia es innita en ese punto.
15.8.2 Gracando la Respuesta de Frecuencia de una Graca de Polos y Ceros

Veremos varios ejemplos donde se determina la magnitud de la respuesta de frecuencia de aun graca de
polos y ceros de una transformada-z. Si se le olvido o no sabe que es una graca de polos y ceros, vea el
17
modulo de gracas de polos y ceros
Example 15.15
En este ejemplo, tomaremos una transformada-z sencilla mostrada aqu:
H (z) = z + 1 = 1 + z 1
H (w) = 1 + e(jw)
Para este ejemplo, algunos de los vectores representados por
w,
|ejw h|,
para valores aleatorios de
son gracados especcamente en el plano complejo, visto en la siguenta gura. Estos vectores
muestran como la amplitud de la respuesta de frecuencia cambia cuando
0 a 2 , tambin
w = 0, el vector
w se acerca a , el
va de
muestra el signicado fsico en trminos de (15.60). Se puede observar que cuando

es mayor as que la respuesta de frecuencia tendr la mayor amplitud. Cuando
tamao del vector disminuye junto con la amplitud de
|H (w) |.
Ya que la transformada no contiene
polos, nada mas tenemos un vector en vez de un radio como en la (15.60).
17 "Understanding
Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/>
289
(a) Graca de polos y ceros
(b) Respuesta de Frecuancia: |H(w)|
La primera gura reprecenta la graca de polos y ceros con unos cuantos vectores, la
segunda muestra la respuesta de frecuancia que es maxima en +2 y es gracada entre positivo y negativo
.
Figure 15.22:
Example 15.16
En este ejemplo, una funcin de transferencia ms compleja es analizada para poder representar
la respuesta de la frecuencia del sistema
H (z) =
z
z
H (w) =
Pedemos
observar
dos
gures
que
1
2
1
1 12 z 1
1
1 (jw)
2e
describes
las
ecuaciones
anteriores.
La
target="eg2_g1"/> representa la graca sencilla de polos y ceros de la transformada-z,
cnxn
H (w).
Figure 15.23(b) (Respuesta de Frecuencia: |H(w)|) La secunda gura muestra la magnitud de la

respuesta de frecuencia. Usando las formulas y lo dicho en la seccin anterior, podemos ver que
cuando
w = 0
la frecuencia ser mxima ya que en este valor de,
el polo esta mas cerca del
circulo unitario. El radio de la (15.60) nos ayuda a ver la conduccin matemticamente y ver la
relacin entre las distancias del circulo unitario y los polos y los ceros. Cuando
a
se mueve de
observamos como el cero empieza a cubrir los efectos del polo y as hacer que la respuesta de
frecuencia se vuelve casi igual a
0.
290
(a) Graca de Polos y Ceros
(b) Respuesta de Frecuencia: |H(w)|
La primera r=gura representa la graca de polos y ceros, la segunda muestra la

respuesta de frecuencia que es maxima en +2 y es gracada entre positivo y negativo .
Figure 15.23:
Chapter 16
Tareas
16.1 Homework #11
due date:
Noon, Thursday, September 5, 2002
16.1.1 Assignment 1
Homework, tests, and solutions from previous oerings of this course are o limits, under the honor code.
16.1.1.1 Problem 1
Form a study group of 3-4 members. With your group, discuss and synthesize the major
themes of this week
of lectures. Turn in a one page summary of your discussion. You need turn in only one summary per group,
but include the names of all group members. Please do not write up just a "table of contents."
16.1.1.2 Problem 2
Construct a WWW page (with your
picture )
and email Mike Wakin (wakin@rice.edu) your name (as you
want it to appear on the class web page) and the URL. If you need assistance setting up your page or
taking/scanning a picture (both are easy!), ask your classmates.
16.1.1.3 Problem 3: Learning Styles

Follow this learning styles link
(also found on the Elec 301 web page
) and learn about the basics of
learning styles. Write a short summary of what you learned. Also, complete the "Index of learning styles"
self-scoring test on the web and bring your results to class.
16.1.1.4 Problem 4
Make sure you know the material in
Lathi, Chapter B, Sections 1-4, 6.1, 6.2, 7.
topics such as:
complex arithmetic (adding, multiplying, powers)

nding (complex) roots of polynomials
complex plane
and plotting roots

2 http://www2.ncsu.edu/unity/lockers/users/f/felder/public/Learning_Styles.html
3 http://www-dsp.rice.edu/courses/elec301/
4 "The Complex Plane" <http://cnx.org/content/m10596/latest/>
291
Specically, be sure to review
CHAPTER 16. TAREAS
292
vectors (adding, inner products)
16.1.1.5 Problem 5: Complex Number Applet

5
Reacquaint yourself with complex numbers
by going to the course applets web page
and clicking on the
Complex Numbers applet (may take a few seconds to load).

(a) Change the default add function to exponential (exp). Click on the complex plane to get a blue arrow,
which is your complex number
is equal to
ez .
z.
Click again anywhere on the complex plane to get a yellow arrow, which
Now drag the tip of the blue arrow along the unit circle on with
which values of
on the unit circle does
ez
|z| = 1
(smaller circle). For
also lie on the unit circle? Why?
(b) Experiment with the functions absolute (abs), real part (re), and imaginary part (im) and report
your ndings.
16.1.1.6 Problem 6: Complex Arithmetic

Reduce the following to the
1j
(a)
2
1+2j
(b)
3+4j
1+ 3j
(c)
3j
Cartesian form,
a + jb.
not
Do
use your calculator!
(d)
(e)
20
jj
16.1.1.7 Problem 7: Roots of Polynomials

Find the roots of each of the following polynomials (show your work). Use MATLAB to check your answer
with the
roots
command and to plot the roots in the complex plane. Mark the root locations with an 'o'.
Put all of the roots on the same plot and identify the corresponding polynomial (a,
z 2 4z
2
(b) z 4z + 4
2
(c) z 4z + 8
2
(d) z + 8
2
(e) z + 4z + 8
2
(f ) 2z + 4z + 8
b, etc...).
(a)
16.1.1.8 Problem 8: Nth Roots of Unity
j2
N
is called an
Nth Root of Unity.
(a) Why?
(b) Let
(c) Let
j2
z=e 7 .
j4
z=e 7 .
Draw
Draw
2

z, z , . . . , z 7 in the complex plane.
2

z, z , . . . , z 7 in the complex plane.
16.1.1.9 Problem 9: Writing Vectors in Terms of Other Vectors

A pair of vectors
u C2
and
v C2
are called
u + v = 0
It is a fact that we can write any vector in
C2
linearly independent vectors, where the weights
linearly independent if
if and only if
as a
==0
weighted sum (or linear combination) of any two
and
are complex-valued.

6 http://www.dsp.rice.edu/courses/elec301/applets.shtml
293
(a) Write
3 + 4j
6 + 2j
as a linear combination of
3 + 4j
(b) More generally, write

the answer for a given
as
x=
6 + 2j
x1
3
5
and
2
1
a linear combination of
(c) Write the answer to (a) in matrix form,
i.e.
x1
x2
nd a 22 matrix
(x)
(x)
such that
as
x2
(x) and (x).
and
That is, nd
1
2
and
We will denote
such that
(d) Repeat (b) and (c) for a general set of linearly independent vectors
and
v.
16.1.1.10 Problem 10: Fun with Fractals
A Julia set
is obtained by characterizing points in the complex plane. Specically, let
f (x) = x2 +
with
complex, and dene
g0 (x) = x
g1 (x) = f (g0 (x)) = f (x)
g2 (x) = f (g1 (x)) = f (f (x))
.
.
.
gn (x) = f (gn1 (x))

Then for each
in the complex plane, we say
xJ
if the sequence
{|g0 (x) |, |g1 (x) |, |g2 (x) |, . . . }

does
not tend to innity.
also belongs to
Notice that if
x J,
then each element of the sequence
{g0 (x) , g1 (x) , g2 (x) , . . . }
J.
For most values of
the boundary of a Julia set is a fractal curve - it contains "jagged" detail no
matter how far you zoom in on it. The well-known Mandelbrot set contains all values of
for which the
corresponding Julia set is connected.

(a) Let
(b) Let
= 1. Is x = 1 in J ?
= 0. What conditions
on
ensure that
belongs to
J?
(c) Create an approximate picture of a Julia set in MATLAB. The easiest way is to create a matrix of
complex numbers, decide for each number whether it belongs to
command. To determine whether a number belongs to
iterations of
we say that
J,
J,
imagesc
N on the number of
M for all 0 n N ,
and plot the results using the
it is helpful to dene a limit
g . For a given x, if the magnitude |gn (x) | remains below some

x belongs to J . The code below will help you get started:
threshold
CHAPTER 16. TAREAS
294
N = 100;
% Max # of iterations
M = 2;
% Magnitude threshold
mu = -0.75; % Julia parameter
realVals = [-1.6:0.01:1.6];
imagVals = [-1.2:0.01:1.2];
xVals = ones(length(imagVals),1) * realVals + ...
j*imagVals'*ones(1,length(realVals));
Jmap = ones(size(xVals));
g = xVals;
% Start with g0
%
%
%
%
Insert code here to fill in elements of Jmap. Leave a '1'

in locations where x belongs to J, insert '0' in the
locations otherwise. It is not necessary to store all 100
iterations of g!
imagesc(realVals, imagVals, Jmap);

colormap gray;
xlabel('Re(x)');
ylabel('Imag(x)');
This creates the following picture for
= 0.75, N = 100,
and
M = 2.
295
Figure 16.1:
Using the
same
Example image where the x-axis is Re (x) and the y-axis is Im (x).
values for
N, M,
and
x,
create a picture of the Julia set for
= 0.391 0.587j .
Print
out this picture and hand it in with your MATLAB code.
Just for Fun:
Try assigning dierent color values to Jmap. For example, let Jmap indicate the
rst iteration when the magnitude exceeds
M.
Tip: try
imagesc(log(Jmap))
for a neat picture.
16.2 Homework #1 Solutions7

16.2.1 Problem #1
No solutions provided.
16.2.2 Problem #2
16.2.3 Problem #3
16.2.4 Problem #4
7 This
and
colormap jet
CHAPTER 16. TAREAS
296
16.2.5 Problem #5
16.2.5.1 Part (a)
ez
lies on the unit circle for
z = j .
When
z = j ,
ez = ej = cos (1) + jsin (1)

ej
1
cos2 (1) + sin2 (1) 2
=
=
(16.1)
which gives us the unit circle!
z = + j,
Think of it this way: for
you want a
=0
so that
e+j
reduces as
e+j = e ej = e0 ej = ej
8
We know by Euler's formula
that
ej = cos () + jsin ()
sin2 () + cos2 (), which is 1 (which implies that ej is on the unit circle).
a z = Aj that is on the unit circle (from the problem statement), so we
The magnitude of this is given by

So, we know we want to pick
have to choose
A = 1
to get unit magnitude.
16.2.5.2 Part (b)
| | gives magnitude of complex number

Re () gives real part of complex number
Im () gives imaginary part of complex number
16.2.6 Problem #6
16.2.6.1 Part (a)
1 j
20
=
5 !20
20
5
2e 4
= ej25 = ej = 1
= e4
2
16.2.6.2 Part (b)
1 + 2j
=
3 + 4j
1 + 2j
3 + 4j

3 4j
3 4j

=
3 + 6j (4j + 8)
11 + 2j
11
2
=
=
+ j
9 + 16
25
25 25
16.2.6.3 Part (c)
1 + 3j
2ej 3
j
2 = j
=
= e
j
3j
2e 6
16.2.6.4 Part (d)
p
8 "The
j
2
j= e
21
j
4
=e
= cos

4
+ jsin

4
2
2
=
+
j
2
2
Complex Exponential": Section Euler's Relation <http://cnx.org/content/m10060/latest/#eul_rel>
297
16.2.6.5 Part (e)
j j = ej 2
j
= ej
2
2
=e
16.2.7 Problem #7
16.2.7.1 Part (a)
z 2 4z = z (z 4)
Roots of z = {0, 4}
16.2.7.2 Part (b)
2
z 2 4z + 4 = (z 2)
Roots of z = {2, 2}
16.2.7.3 Part (c)
z 2 4z + 8
Roots of z =
16 32
= 2 2j
2
16.2.7.4 Part (d)
z2 + 8
32
= 2 2j
Roots of z =
2
16.2.7.5 Part (e)
z 2 + 4z + 8
Roots of z =
16 32
= 2 2j
2
16.2.7.6 Part (f )
2z 2 + 4z + 8
Roots of z =
16.2.7.7 Matlab Code and Plot
%%%%%%%%%%%%%%%
%%%%% PROBLEM 7
%%%%%%%%%%%%%%%
rootsA
rootsB
rootsC
rootsD
=
=
=
=
roots([1
roots([1
roots([1
roots([1
-4 0])
-4 4])
-4 8])
0 8])
16 64
= 1 3j
4
CHAPTER 16. TAREAS
298
rootsE = roots([1 4 8])

rootsF = roots([2 4 8])
zplane([rootsA; rootsB; rootsC; rootsD; rootsE; rootsF]);
gtext('a')
gtext('a')
gtext('b')
gtext('b')
gtext('c')
gtext('c')
gtext('d')
gtext('d')
gtext('e')
gtext('e')
gtext('f')
gtext('f')
Figure 16.2:
Plot of all the roots.
16.2.8 Problem #8
16.2.8.1 Part (a)
Raise
j2
N
to the
N th
power.
j2
N
N
= ej2 = 1
299
note:
Similarly,
1
(1) N = ej2
N1
=e
j2
N
16.2.8.2 Part (b)

For
z=e
j2
7
We will have points on the unit circle
j2 k
k
= ej2 7
zk = e 7
2 22

27
with angle of
.
7 , 7 ,..., 7
MATLAB can be found below, followed by the plot.
%%%%%%%%%%%%%%%
%%%%% PROBLEM 8
%%%%%%%%%%%%%%%
%%% Part (b)
figure(1);
clf;
hold on;
th = [0:0.01:2*pi];
unitCirc = exp(j*th);
plot(unitCirc,'--');
for k = 1:7
z = exp(j*2*pi*k/7);
plot(z,'o');
text(1.2*real(z),1.2*imag(z),strcat('z',num2str(k)));
end
xlabel('real part');
ylabel('imag part');
title('Powers of exp(j2\pi/7) on the unit circle');
axis([-1.5 1.5 -1.5 1.5]);
axis square;
The code used to plot these in
CHAPTER 16. TAREAS
300
Figure 16.3:
MATLAB plot of part (b).
16.2.8.3 Part (c)

For
z=e
j4
7
j4 k
2k
= ej2 7
zk = e 7
Where we have
o
n
2
4
6
1
3
5
z, z 2 , . . . , z 7 = ej2 7 , ej2 7 , ej2 7 , ej2 7 , ej2 7 , ej2 7 , 1
The code used to plot these in MATLAB can be found below, followed by the plot.
%%% Part (c)

figure(1);
clf;
hold on;
th = [0:0.01:2*pi];
unitCirc = exp(j*th);
301
plot(unitCirc,'--');
for k = 1:7
z = exp(j*4*pi*k/7);
plot(z,'o');
text(1.2*real(z),1.2*imag(z),strcat('z',num2str(k)));
end
xlabel('real part');
ylabel('imag part');
title('Powers of exp(j4\pi/7) on the unit circle');
axis([-1.5 1.5 -1.5 1.5]);
axis square;
Figure 16.4:
MATLAB plot of part (c).
CHAPTER 16. TAREAS
302
16.2.9 Problem #9
16.2.9.1 Part (a)
3 + 4j
To solve for
6 + 2j
5
3
we must solve the following system of equations:
5 = 3 + 4j
2 + 3 = 6 + 2j
If we multiply the top equation by
we will get the following, which allows us to cancel out the alpha
terms:
2 + 10 = 6 8j
2 + 3 = 6 + 2j
And now we have,
13 = 6j
=
And to solve for
6
j
13
we have the following equation:
3 + 4j + 5
3 + 4j + 5
3+
6
13 j
(16.2)
22
13 j
16.2.9.2 Part (b)
x1
x2
1
2
5
3
x1 = 5
x2 = 2 + 3
Solving for
and
we get:
(x) =
3x1 + 5x2
13
(x) =
2x1 + x2
13
16.2.9.3 Part (c)
(x)
(x)
3
13
2
13
5
13
1
13
x1
x2
303
16.2.9.4 Part (d)
Write
u=
u1
u2
and
v=
v1
v2
Then solve
x1
x2
u1
u2
v1
v2
which corresponds to the system of equations
x1 = u1 + v1
x2 = u2 + v2
Solving for
and
For the matrix
we get
(x) =
v2 x1 v1 x2
u1 v2 u2 v1
(x) =
u2 x1 u1 x2
v1 u2 u1 v2
we get
v
1
2
A=
u1 v2 u2 v1
u2
v 1
u1
16.2.10 Problem #10

16.2.10.1 Part (a)
If
u = 1,
then
f (x) = x2 1.
Examine the sequence
{g0 (x) , g1 (x) , . . . }:
g0 (x) = 1
g1 (x) = 12 1 = 0
g2 (x) = 02 1 = 1
2
g3 (x) = (1) 1 = 0
g4 (x) = 02 1 = 1
.
.
.
The magnitude sequence remains bounded so
x=1
belongs to
J.
CHAPTER 16. TAREAS
304
16.2.10.2 Part (b)

If
u = 0,
then
f (x) = x2 .
So we have
g0 (x) = x
g1 (x) = x2
2
= x4
n
= x2n
g2 (x) = x2
.
.
.
gn (x) = x2
Writing
x = rej ,
we have
gn (x) = x2n = r2n ej2n ,
and so we have
|gn (x) | = r2n

The magnitude sequence blows up if and only if
r > 1.
Thus
corresponds to the unit disk.
16.2.10.3 Part (c)
%%%%%%%%%%%%%%%%
%%%%% PROBLEM 10
%%%%%%%%%%%%%%%%
%%% Part (c) - solution code
N = 100;
M = 2;
mu = -0.391 - 0.587*j;
% Julia parameter
realVals = [-1.6:0.01:1.6];
imagVals = [-1.2:0.01:1.2];
xVals = ones(length(imagVals),1)*realVals + ...
Jmap = ones(size(xVals));
g = xVals; % Start with g0
for n = 1:N
g = g.2 + mu;
big = (abs(g) > M);
Jmap = Jmap.*(1-big);
end
imagesc(realVals,imagVals,Jmap); colormap gray;
xlabel('Re(x)'); ylabel('Imag(x)');
belongs to
if and only if
|x| 1.
So,
305
Figure 16.5:
MATLAB plot of part (c).
16.2.10.4 Just for Fun Solution
%%% Just for fun code

N = 100;
M = 2;
mu = -0.391 - 0.587*j;
% Julia parameter
realVals = [-1.6:0.005:1.6];
imagVals = [-1.2:0.005:1.2];
xVals = ones(length(imagVals),1)*realVals + ...
Jmap = zeros(size(xVals));
% Now, we put zeros in the 'middle', for a
% cool effect.
g = xVals; % Start with g0
for n = 1:N
g = g.2 + mu;
big = (abs(g) > M);
notAlreadyBig = (Jmap == 0);
Jmap = Jmap + n*(big.*notAlreadyBig);
CHAPTER 16. TAREAS
306
end
imagesc(realVals,imagVals,log(Jmap));colormap jet;
xlabel('Re(x)'); ylabel('Imag(x)');
Figure 16.6:
MATLAB plot.
GLOSSARY
307
Glossary
1
1 Linealmente Independiente
Un conjunto dado de vectores
{x1 , x2 , . . . , xn },
es linealmente independiente si
c1 x1 + c2 x2 + + cn xn = 0
solo cuando
c1 = c2 = = cn = 0
Example:
x1 =
x2 =
Estos son
no linealmente independientes
6
4
por el siguiente argumento, el cual por inspeccin, se
puede ver que no se apega a la denicin anterior de independencia lineal:
x2 = 2x1 2x1 + x2 = 0
. Otro mtodo para ver la independencia de los vectores es gracando los vectores. Observando
estos dos vectores geomtricamente (como en la siguiente Figure 5.1), uno puede otra vez probar
que estos vectores son
no
linealmente independientes.
Base Normada
una base (Section 5.1.3: Bases)
{bi }
donde cada
bi
tiene una norma unitaria
k bi k= 1 , i Z
(7.19)
Base Ortogonal
una base
{bi }
en donde los elementos son
mutuamente ortogonales
< bi , bj >= 0 , i 6= j
Base Ortonormal
Una base que es
normalizada y ortogonal
k bi k= 1 , i Z
< bi , bj > , i 6= j
Base
Una base para
independiente.
Cn
es un conjunto de vectores que: (1) generan
Cn y
(2) es linealmente
GLOSSARY
308
Ceros
z donde
el
numerador
de la funcin de trasferencia es iguala cero
cero.
ceros
1. valor(es) dez donde
P (z) = 0.
cero.
Convergencia Uniforme
existe un entero
tal que
{gn } |
n=1 converge
n N implica que
uniformemente a la funci
si para cada
>0
|gn (t) g (t) |

para
(10.7)
todo t R.
Desigualdad de Cauchy-Schwarz
Para
x, y
en un espacio de producto interno
| < x, y > | k x kk y k
si y solo si x y y son linealmente dependientes (Section

es decir x = y para un escalar .
que mantiene la igualdad

Independencia Lineal),
5.1.1:
dominio
El grupo, o conjunto, de valores que son denidos por una funcin.
Example:
Usando la funcin racional anterior, (15.38), el dominio se puede denir como
cualquier numero real
donde
no iguala a 1 o negativa 3. Expresando esto matemticamente,
obtenemos lo siguiente:
{ x R |x 6= 3 and x 6= 1}
()
Eigenvector
Un eigenvector de
es un vector
v Cn
tal que
Av = v
donde
es llamado el
eigenvalor correspondiente.
(5.2)
solo cambia la
longitud
de
v,
no su
direccin.
Espacio Vectorial
S es una coleccin de vectores tal que (1) si f1 S f1 S

R C) y (2) si f1 S , f2 S , entonces f1 + f2 S
escalar
(donde
para todo
Funcin Racional
Para dos polinomios cualquiera, A y B, su fraccin es conocida cono una funcin racional.
Example:
Aqu se muestra un ejemplo de una funcin racional,
f (x).
Note que el numerador y
denominador pueden ser polinomios de cualquier orden, pero la funcin racional es indenida
cuando el denominador es cero.
f (x) =
x2 4
+x3
2x2
()
GLOSSARY
309
La Ecuacin de Diferencia
Es una ecuacin que muestra la relacin entra valores consecutivos de una secuencia y la
diferencia entre ellos. Usualmente se escribe en una ecuacin recurrente para que la salida del
sistema se pueda calcular de las entradas de la seal y sus valores anteriores.
Example:
y [n] + 7y [n 1] + 2y [n 2] = x [n] 4x [n 1]
()
lmite
{gn } |
n=1
Una secuencia
converge a un lmite
gR
si para
todo > 0 existe un entero N
tal que
|gi g| < , i N
Usualmente denotamos un lmite escribiendo
lim gi = g
gi g
Ortogonal
Decimos que
son ortogonales si:
< x, y >= 0
polos
z donde
el
denominador
de la funcin de transferencia es igual a cero
2. Las frecuencias complejas que hacen de la ganancia de la funcin de transferencia del ltro se
innita.
polos
Tambin llamadas como singularidades estos son los punto
en los cuales
Lx1 (s)
explota.
polos
1. valor(es) de
donde
Q (z) = 0.
innita.
Producto Interno
El producto interno esta denido matemticamente de la siguiente manera:
< x, y > = yT x
Pn1
y0
y1
...
yn1
x0
x1
.
.
.
xn1
secuencia
i=0
(xi yi )
(7.1)
GLOSSARY
310
Una secuencia es una funcin

secuencia por:
gn
denida en los enteros positivos 'n'. Tambin denotamos una
{gn } |
n=1
Una secuencia de nmeros reales:
Example:
gn =
1
n
Una secuencia vector:
Example:
gn =
n
2

n
2
sin
cos
Una secuencia de una funcin:
Example:
1 if 0 t < 1
n
gn (t) =
0 otherwise
nota:
Una funcin puede ser pensada como un vector de dimensin innito donde
por cada valor de 't' tenemos una dimensin.
Subespacio Generado
El subespacio generado o span
del conjuto de vectores
{x1 , x2 , . . . , xk } es el conjunto
{x1 , x2 , . . . , xk }
de
vectores que pueden ser escritos como una combinacin lineal de
subespaciogenerado ({x1 , . . . , xk }) = {1 x1 + 2 x2 + + k xk , i Cn }
Example:
Dado el vector
x1 =
el subespacio generado de
Example:
x1
es una
linea.
Dado los vectores
x1 =
x2 =
El subespacio generado por estos vectores es
9 "Subspaces",
3
2
1
2
C2 .
Denition 2: "Span" <http://cnx.org/content/m10297/latest/#defn2>
INDEX
311
Index of Keywords and Terms

Keywords are listed by the section with that keyword (page numbers are in parentheses). Keywords
do not necessarily appear in the text of the page. They are merely associated with that section.
apples, 1.1 (1)
1
A
Terms are referenced by the page they appear on.
1 Linealmente Independiente, 73
alfabeto, 1.6(22), 24
alias, 13.5(236), 13.6(239)
Aliasing, 1.7(25), 8.2(164), 13.5(236),
236, 13.6(239)
amplitud compleja, 20
Anti-Aliasing, 13.6(239)
anticausal, 1.1(1)
anticausales, 3
anlisis de fourier, 8.2(164)
anlogo, 1.1(1), 2
anlogos, 22
aperiodica, 94
aperidico, 1.1(1)
approximacin, 7.13(159)
armnico, 8.2(164)
asintoticamente vertical, 278
baraniuk, 16.2(295)
base, 5.1(73), 76, 76, 76, 7.7(140),
7.8(144), 144, 7.9(148), 7.10(149),
7.11(156), 169, 232
base cannica, 76, 7.8(144)
base normada, 7.7(140), 140, 141
base ortogonal, 7.7(140), 141
base ortonormal, 7.7(140), 142, 7.8(144),
8.2(164), 170
bases, 5.1(73), 8.2(164), 8.3(171)
bases estandard, 8.3(171)
BIBO, 3.4(53)
bounded input bounded output, 3.4(53)
buttery, 9.3(189)
Ex.
Ex.
apples, 1
cero, 14.4(251), 14.6(255), 15.7(282),

15.8(287)
Ceros, 255, 279, 283
circular, 4.3(66), 6.7(108)
coecientes, 6.2(94)
coecientes de fourier, 6.2(94), 95, 6.3(97),
6.9(112)
complejidad, 187, 9.3(189)
complejo, 1.6(22), 8.2(164), 15.7(282)
complex vector spaces, 7.1(123)
compuesto, 192
Condiciones de Dirichlet, 6.10(114)
Condiciones de Dirichlet debles, 6.10(114)
Condiciones de Dirichlet fuertes, 6.10(114)
condiciones iniciales, 58, 280
conjugados, 169
conmutativa, 40, 47, 61
continua, 114
continuo, 1
continuous time, 3.2(40), 3.4(53),
11.1(204)
converge, 10.3(200)
convergencia, 6.9(112), 114, 10.1(195),
10.2(197), 10.3(200)
convergencia de punto por punto, 6.9(112)
convergencia no-uniforme, 6.11(116), 117
convergencia uniforme, 10.3(200), 200
convergente, 10.3(200)
convoluciones, 4.3(66)
Convolucin, 4.2(61), 61, 4.3(66),
6.7(108), 12.2(219)
convolucin circular, 4.3(66), 66, 6.7(108)
convolucin linear, 66
cada, 95
convolution, 3.2(40), 3.3(46)
Cartesian, 292
convolver, 4.3(66)
cascade, 2.2(31)
Cooley-Tukey, 9.1(187), 9.3(189)
casi en todas partes, 6.11(116)
Coordenadas Polares, 1.7(25)
cauch-schwarz, 7.5(130)
cpnvergencia puntual, 10.2(197)
cauchy, 7.5(130)
csi, 7.5(130)
causal, 1.1(1), 2.1(27), 29, 2.2(31), 286
CTFT, 12.1(217), 13.1(223)
causales, 3
cuachy, 7.5(130)
INDEX
312
decompose, 7.8(144)
elec 301, 16.1(291), 16.2(295)
delta de Dirac, 14
elec301, 16.1(291), 16.2(295)
descomponer, 1.6(22), 145
energa, 113
desigualdad de cauchy-schwarz, 7.5(130), 130
entrada acotada-salida acotada (BIBO), 30
desplazamiento circular, 8.5(181), 183
Escala en el eje del Tiempo, 1.2(9)
Desplazamiento en el eje del Tiempo, 1.2(9)
escalamiento en el tiempo, 12.2(219)
desplazamiento en el tiempo, 12.2(219)
escaln unitario, 1.3(12), 14
desplazamientos circulares, 8.5(181), 181
espacio de funciones, 77
Detector de Filtro Acoplado, 131
espacio de Hilbert, 129, 7.6(137), 7.8(144),
determinant, 5.3(77)
7.10(149), 7.13(159)
determinstica, 7
espacio de las funciones, 7.9(148)
dft, 4.3(66), 8.5(181), 9.2(188),
espacio de producto interno, 129
11.2(205), 11.3(206)
espacio lineal de funciones., 123
diferenciacin en el tiempo, 12.2(219)
espacio lineal normado, 125, 129
diferenciales, 3.1(37)
espacio normado, 7.6(137)
digital, 1.1(1), 2, 11.6(210), 11.7(211)
Espacio Vectorial, 123, 7.6(137), 7.7(140),
Dirichlet, 114
7.9(148)
discontinuidad, 6.9(112), 114
espacio vectorial complejo, 123
discrete time, 3.4(53)
espacio vectorial normado, 125
discreto, 1, 8.2(164), 13.7(241)
espacio vectorial real, 123, 136
dominio, 278, 278
espacios de hilbert, 7.4(129), 7.6(137),
Dominio de la Frecuencia, 11.5(210)
7.7(140)
Dominio de la secuencia, 11.5(210)
espacios de las funciones, 7.9(148)
dominio del tiempo, 4.1(57)
espacios vectoriales, 7.6(137), 7.7(140)
dot product, 7.3(127)
estable, 30, 286
DSP, 4.1(57), 11.7(211), 13.4(234),
Euclidean norm, 7.2(125)
15.2(264)
existencia, 114
DT, 4.2(61)
expansin, 7.9(148), 7.10(149)
dtfs, 8.2(164), 8.3(171), 8.4(172)
exponencial, 1.3(12), 1.6(22), 6.3(97)
DTFT, 11.2(205), 11.4(209), 13.1(223)
exponencial complejo, 13, 1.5(19), 19
duracin nita, 265
Exponencial que Crece, 13
ecuaciones diferenciales, 3.1(37)

ecuacin caracterstica, 39
Exponencial que decae, 13
F, 60
ecuacin de diferencia de coeciente linear
fasor, 20
constante, 279
fenmeno de Gibb, 119
Ecuacin de matriz, 8.3(171)
fenmeno de Gibbs, 6.11(116), 117
ecuacin diferencial, 4.1(57), 57
FFT, 9.1(187), 9.2(188), 9.3(189),
eigen, 5.5(86)
11.2(205)
eigenfuncion, 6.4(98)
ltro, 13.6(239), 15.8(287)
eigenfunciones, 6.2(94), 6.4(98)
ltro de boxcar, 60
eigenfuncin, 5.6(87), 88
FIR, 60
eigenfunction, 5.3(77), 5.5(86)
foltro acoplado, 7.5(130)
eigenfunctions, 5.5(86)
forma, 189
eigenseal, 88
fourier, 5.3(77), 6.2(94), 6.3(97),
eigenvalor, 308, 79, 5.6(87)
6.4(98), 6.5(101), 6.6(104), 6.7(108),
eigenvalue, 5.3(77), 5.5(86)
6.8(109), 6.9(112), 6.10(114), 6.12(119),
eigenvalues, 5.3(77), 5.5(86)
7.10(149), 8.2(164), 8.3(171), 8.4(172),
eigenvector, 5.3(77), 78, 5.5(86), 5.6(87)
8.5(181), 9.2(188)
eigenvectors, 5.5(86)
fourier series, 5.3(77)
ejemplo, 11.7(211)
fourier transform, 11.1(204)
ejemplos, 11.7(211)
fourier transform pairs, 5.7(90)
INDEX
frecuencia continua, 11.4(209), 12.1(217)
14.5(253)
frecuencia Nyquist, 11.7(211), 13.4(234),
lado izquierdo, 268
234
laplace transform, 3.4(53)
frequencia, 11.6(210)
limitado en banda, 225
frequency shift keying, 7.5(130)
lineal, 2.1(27), 27
fsk, 7.5(130)
Lineal de tiempo invariante, 5.6(87)
fuertes de Dirichlet, 116
linealidad, 12.2(219)
funcion, 15.5(277)
linealmente independiente, 73
funcion racional, 15.5(277)
linear, 2.2(31)
funciones descontinas, 117
linear combination, 292
funciones periodicas, 6.1(93)
linear function spaces, 7.1(123)
funciones racionales, 15.5(277), 277
linear system, 5.3(77)
funcin de Delta de Dirac, 1.4(16)
linear time invariant, 3.2(40)
funcin de sinc discreta, 214
lineares de tiempo invariante, 275
funcin de transferencia, 280
linearly independent, 292
funcin de valores complejos, 248, 248
LTI, 3.2(40), 61, 5.5(86), 5.6(87),
funcin delta, 7.7(140)
6.2(94), 6.8(109)
funcin Delta de Dirac, 1.3(12)
lmite, 195
funcin peridica, 93
Funcin Racional, 277
G
H
313
M magnitude, 296
mariposa, 192
matched lter detector, 7.5(130)
genera, 148
matched lters, 7.5(130)
haar, 7.10(149)
matriz de la base, 7.8(144), 146
hermitiana, 7.11(156)
matriz identidad, 146
hilbert, 7.4(129), 7.5(130), 7.6(137),
mejor se aproxime, 160
7.8(144), 7.10(149)
metodo grco, 43
homework 1, 16.1(291)
modulacin, 12.2(219)
homework one, 16.1(291)
muestra, 13.5(236)
muestreando, 13.4(234)
I, 60
muestrear, 207
identidad de Euler, 19
muestreo, 223, 13.3(232), 13.4(234),
imaginary part, 296
13.5(236), 13.6(239)
impulso, 1.3(12), 1.4(16)
muestro unitario, 1.6(22)
impulso unitario, 14
mutuamente ortogonales, 307
independencia, 5.1(73)
mximo, 129
independencia lineal, 5.1(73)
mximos, 116
inestable, 31
mtodo directo, 281
inner product, 7.3(127)
mtodo indirecto, 281
inner products, 7.3(127)

integral de convolucin, 40
intercepcin y, 278
intercesin en la x, 278
interno, 7.4(129)
interpolacin, 13.2(227)
invariante en el tiempo, 2.1(27), 28
invariantes linear del tiempo, 61
IRR, 59
K
L
kronecker, 7.7(140)
mnimos, 116
nivel de referencia, 133

no causal, 1.1(1)
no-anticipativo, 29
no-causal, 29
no-lineal, 27
nocausal, 2.1(27)
nocausales, 3
nolineal, 2.1(27)
norm, 7.2(125), 7.3(127)
La Ecuacin de Diferencia, 279
norma, 125, 10.1(195), 10.2(197)
La Transformada Inversa de Laplace,
norma de convergencia, 10.1(195),
INDEX
314
10.2(197)
propiedad de desplazamiento, 1.3(12),
normada, 7.7(140)
1.4(16), 17
normalizada, 307
propiedad de simetria, 6.6(104)
normalization, 7.2(125)
propiedades, 6.6(104)
normed linear space, 7.2(125)
Propiedades de la Transformada de Fourier
normed vector space, 7.2(125)
Discreta en el Tiempo, 11.5(210)
norms, 7.2(125)
propiedades simetricas, 6.6(104)
Nota importante:, 242
proporcional, 187
Nth Root of Unity, 292
proyeccin, 129, 7.13(159)
Nyquist, 11.6(210), 13.4(234)
pulso cuadrado, 117

punto a punto, 119
ondoleta, 7.10(149)
punto por punto, 6.9(112)
ondoleta de haar, 7.10(149)
puntual, 10.2(197)
ondoletas, 7.10(149), 149

orden, 9.3(189), 14.5(253), 255, 280
orthogonal, 7.3(127)
puntualmente, 197
R, 60
Ortogonal, 129, 7.7(140), 307
racional, 15.5(277)
ortogonales, 129, 160
real part, 296
ortonormal, 7.7(140), 7.8(144), 8.2(164)
real vector spaces, 7.1(123)

reconstruccin, 13.2(227), 13.3(232),
parallel, 2.2(31)
13.4(234), 13.5(236)
pares bilaterales de la transformada de
reconstruir, 13.3(232)
Laplace, 247
Reexin en el eje del Tiempo, 1.2(9)
pares de transformacion, 15.2(264)
region de convergerncia, 14.4(251)
Parseval, 7.12(158)
regin de convergencia (ROC), 251
perfecta, 13.3(232)
respuesta al impulso, 4.2(61)
periodicidad, 6.1(93)
respuesta de estado-cero, 37
periodico, 6.1(93), 8.4(172)
respuesta de impulso, 18
periodo, 2, 6.1(93), 93, 8.4(172)
respuesta de salida-cero, 37
periodo fundamental, 2
peridico, 1.1(1)
Plancharel, 7.12(158)
ROC, 14.4(251), 15.1(259), 260, 265
schwarz, 7.5(130)
plano complejo, 1.5(19)
secuencia, 195
plano-s, 22
secuencia de dos lados, 269
Plano-Z, 1.7(25), 259, 15.7(282)
secuencia de funciones, 113, 10.3(200)
pole, 3.4(53)
secuencia del exponencial complejo, 23
polinomio, 15.5(277)
secuencia del lado derecho, 267
polinomio caracterstico, 282
secuencias, 1.6(22), 10.1(195), 10.3(200)
polo, 14.4(251), 14.6(255), 15.7(282),
seno, 1.6(22)
15.8(287)
Senosoidal, 1.6(22), 6.3(97)
polos, 14.5(253), 254, 256, 279, 283
senosoidal compleja, 8.2(164)
procesamiento de seales digitales, 4.1(57),
senosoidales armnicos, 8.2(164), 165
11.7(211)
serie de potencia, 260, 265
procesamiento de tiempo discreto, 13.7(241)
series de fourier, 6.2(94), 6.3(97), 6.4(98),
processing, 13.7(241)
6.6(104), 6.7(108), 6.9(112), 6.10(114),
producto interno, 127, 128, 7.4(129),
6.11(116), 6.12(119), 7.7(140),
7.5(130), 7.11(156)
7.10(149), 8.1(163), 8.2(164), 8.3(171),
producto punto, 127
8.4(172)
productos internos, 7.5(130)
series de fourier discretas en el tiempo,
projection, 7.3(127)
8.2(164), 164, 8.4(172)
promedio cuadrado, 119
series geomtricas, 212
property, 3.3(46)
seaes y sistemas, 4.2(61)
INDEX
315
seal, 4.2(61), 6.1(93), 6.12(119)
8.1(163), 12.1(217), 13.1(223), 223,
seal aleatoria, 7
13.7(241), 14.1(247), 14.2(250),
seal de tamao nito, 8
14.3(251), 14.4(251), 14.6(255)
seal exponencial compleja de
tiempo discreto, 1.1(1), 4.2(61), 8.1(163),
tiempo-continuo, 19
8.3(171), 8.5(181), 11.4(209), 11.5(210),
seal exponencial compleja en tiempo-discreto,
11.6(210), 11.7(211), 13.1(223),
20
14.6(255), 15.2(264)
seal impar, 4, 6.6(104)
Tiempo-continuo, 12.2(219)
seal par, 1.1(1), 4, 6.6(104)
tiempo-discreto, 1.6(22)
seales, 1.2(9), 1.3(12), 1.4(16), 1.5(19),
time-invariant, 2.2(31)
1.6(22), 2.1(27), 6.2(94), 6.3(97),
transforma, 84
8.1(163), 14.4(251), 14.6(255)
transformacion lineal, 6.5(101)
seales de tiempo discreto, 223
transformacin linear, 102
Seales de Valores Simblicos, 1.6(22)
transformada, 6.2(94)
seales ruidosas, 100
transformada de fourier, 4.3(66), 6.10(114),
seales y sistemas, 1.1(1)
8.1(163), 8.5(181), 9.2(188), 11.3(206),
signals, 3.2(40), 3.3(46), 3.4(53),
11.4(209), 11.5(210), 11.6(210),
11.1(204)
11.7(211), 12.1(217), 12.2(219),
simetria, 6.5(101), 6.6(104), 12.2(219)
15.1(259), 259
sinc, 13.3(232)
Transformada de Fourier de Tiempo-Continuo,
Sinc Dirichlet, 11.2(205)
217
singularidades, 14.5(253), 253
transformada de fourier discreta, 4.3(66)
sistema, 4.3(66), 6.4(98), 6.12(119)
Transformada de Fourier Discreta en el
sistema continuo, 27
Tiempo, 11.7(211)
sistema discreto, 27
transformada de laplace, 8.1(163),
sistema lineal, 3.1(37)
14.1(247), 14.2(250), 14.3(251),
sistema LTI, 6.2(94), 6.4(98)
14.4(251), 14.6(255)
sistemas, 1.6(22), 8.1(163), 14.4(251),
transformada de z, 8.1(163)
14.6(255)
Transformada Discreta de Fourier, 11.3(206),
sistemas de desplazamiento invariante,
207
4.1(57)
transformada inversa, 6.2(94), 96
sistemas discretos, 4.1(57)
Transformada Rpida de Fourier, 9.1(187),
solucin homognea, 281
9.2(188), 9.3(189)
solucin particular, 281
transformada z, 14.6(255), 15.2(264)
span, 5.5(86)
transformada-z, 15.1(259), 259, 15.2(264)
stability, 3.4(53)
transformada-z bilateral, 259
suaves, 100
transformada-z unilateral, 259
subespacio generado, 5.1(73), 75
transformadas de z unilateral y bilateral, 264
suma de convolucin, 61
transformadaz, 265
superposicin, 4.1(57)
transforms, 147
superposition, 2.2(31)
transpuesta, 7.11(156)
system, 5.5(86)
trasformar, 96
systems, 3.2(40), 3.3(46), 3.4(53),

11.1(204)
uniforme, 10.3(200)
sntesis, 96
unilateral, 15.2(264)
t-periodico, 6.1(93)
tamao nito, 276
Teorema de Nyquist, 13.4(234), 234
Teorema de Parseval, 11.7(211)
teora de control, 257
tiempo continuo, 1.1(1), 1.3(12), 3.1(37),
una seal de tamao innito, 8
unitario, 16
valor complejo, 1.6(22)

valor real, 1.6(22)
variante en el tiempo, 2.1(27), 29
vector, 7.1(123), 10.2(197)
INDEX
316
vector de coecientes, 7.8(144), 146
z transform, 3.4(53)
vector space, 7.1(123)
z-transform, 15.5(277)
vector spaces, 7.1(123)
zero, 3.4(53)
vectores, 10.2(197)
ventaja computacional, 190
W weighted sum, 292
lgebra lineal, 5.1(73)

nalogo, 11.6(210), 11.7(211)
nica, 145
ATTRIBUTIONS
Attributions
Collection:
Seales y Sistemas
Edited by: Richard Baraniuk

URL: http://cnx.org/content/col10373/1.2/
License: http://creativecommons.org/licenses/by/2.0/
Module: "Clasicacin y Propiedades de las Seales"
By: Melissa Selik, Richard Baraniuk, Michael Haag, Ricardo von Borries
URL: http://cnx.org/content/m12818/1.8/
Pages: 1-9
Copyright: Ricardo von Borries, Erika Jackson, Fara Meza
Based on: Signal Classications and Properties
By: Melissa Selik, Richard Baraniuk, Michael Haag
URL: http://plantinga.cnx.rice.edu/content/m10057/2.16/
Module: "Operaciones para Seales"
By: Richard Baraniuk
Pages: 9-12
Copyright: Erika Jackson, Fara Meza
Based on: Signal Operations
Module: "Seales tiles"
By: Melissa Selik, Richard Baraniuk
Pages: 12-15
Based on: Useful Signals
Module: "Funcin de Impulso"
Pages: 16-19
Based on: The Impulse Function
317
318
Module: "El Exponencial Complejo"
Pages: 19-22
Based on: The Complex Exponential
Module: "Seales en Tiempo-Discreto"
By: Don Johnson
Pages: 22-24
Based on: Discrete-Time Signals
By: Don Johnson
Module: "Exponencial Complejo Discreto"
Pages: 25-25
Based on: Discrete -Time Complex Exponential
Module: "Clasicacin y Propiedades de los Sistemas"
Pages: 27-31
Copyright: Fara Meza, Erika Jackson
Based on: System Classications and Properties
Module: "Propiedades de los Sistemas"
By: Thanos Antoulas, JP Slavinsky
Pages: 31-36
Based on: Properties of Systems
By: Thanos Antoulas, JP Slavinsky
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Sistemas Lineales CT y Ecuaciones Diferenciales"
By: Michael Haag
Pages: 37-39
Based on: CT Linear Systems and Dierential Equations
By: Michael Haag
Module: "Convolucin de Tiempo-Continuo"
Pages: 40-46
Copyright: Fara Meza
Based on: Continuous-Time Convolution
Module: "Propiedades de la Convolucin"
Pages: 46-53
Based on: Properties of Convolution
Module: "Estabilidad BIBO"
Pages: 53-55
Based on: BIBO Stability
Module: "Anlisis en el Dominio del Tiempo para Sistemas Discretos"
By: Don Johnson
Pages: 57-60
Based on: Discrete-Time Systems in the Time-Domain
By: Don Johnson
319
320
Module: "Convolucin Discreta"
By: Ricardo Radaelli-Sanchez, Richard Baraniuk
Pages: 61-66
Based on: Discrete-Time Convolution
Module: "Convolucin Circular y el DFT"
By: Justin Romberg
Pages: 66-70
Based on: Circular Convolution and the DFT
By: Justin Romberg
Module: "Ecuaciones de Diferencia"
Pages: 70-70
Based on: Dierence Equations
Module: "Algebra Lineal: Conceptos Bsicos"
By: Michael Haag, Justin Romberg
Pages: 73-77
Based on: Linear Algebra: The Basics
Module: "Conceptos Bsicos de Vectores"
By: Michael Haag
Pages: 77-77
Based on: Vector Basics
By: Michael Haag
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Eigenvectores y Eigenvalores"
Pages: 77-83
Based on: Eigenvectors and Eigenvalues
Module: "Diagonalizacin de Matrices"
By: Michael Haag
Pages: 83-86
Based on: Matrix Diagonalization
By: Michael Haag
Module: "Generalidades de Eigenvectores y Eigenvalores"
Pages: 86-87
Based on: Eigen-stu in a Nutshell
Module: "Eigenfunciones de los Sistemas LTI"
By: Justin Romberg
Pages: 87-90
Based on: Eigenfunctions of LTI Systems
By: Justin Romberg
Module: "Propiedades de la Transformada de Fourier"
By: Don Johnson
Pages: 90-90
Based on: Fourier Transform Properties
By: Don Johnson
321
322
Module: "Seales Peridicas"
Pages: 93-94
Based on: Periodic Signals
Module: "Series de Fourier: El Mtodo de Eigenfunciones"
By: Justin Romberg
Pages: 94-97
Based on: Fourier Series: Eigenfunction Approach
By: Justin Romberg
Module: "Derivacin de la Ecuacin de Coecientes de Fourier"
By: Michael Haag
Pages: 97-98
Based on: Derivation of Fourier Coecients Equation
By: Michael Haag
Module: "Generalidades de las Series de Fourier"
Pages: 98-101
Based on: Fourier Series in a Nutshell
Module: "Propiedades de la Serie de Fourier"
By: Justin Romberg, Benjamin Fite
Pages: 101-104
Based on: Fourier Series Properties
By: Justin Romberg, Benjamin Fite
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Propiedades de Simetra de las Series de Fourier"
By: Justin Romberg
Pages: 104-108
Based on: Symmetry Properties of the Fourier Series
By: Justin Romberg
Module: "Propiedad de Convolucin Circular de las Series de Fourier"
By: Justin Romberg
Pages: 108-109
Based on: Circular Convolution Property of Fourier Series
By: Justin Romberg
Module: "Series de Fourier y los Sistemas LTI"
By: Justin Romberg
Pages: 109-112
Based on: Fourier Series and LTI Systems
By: Justin Romberg
Module: "Convergencia de las Series de Fourier"
Pages: 112-114
Based on: Convergence of Fourier Series
Module: "Condiciones de Dirichlet"
By: Ricardo Radaelli-Sanchez
Pages: 114-116
Based on: Dirichlet Conditions
By: Ricardo Radaelli-Sanchez
323
324
Module: "El Fenmeno de Gibbs"
Pages: 116-119
Based on: Gibbs's Phenomena
Module: "Resumen de las Series de Fourier"
Pages: 119-120
Based on: Fourier Series Wrap-Up
Module: "Espacios Vectoriales"
By: Michael Haag, Steven Cox, Justin Romberg
Pages: 123-124
Based on: Vector Spaces
By: Michael Haag, Steven Cox, Justin Romberg
Module: "Normas"
Pages: 125-127
Based on: Norms
Module: "Producto Interno"
Pages: 127-129
Based on: Inner Products
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Espacios de Hilbert"
By: Justin Romberg
Pages: 129-130
Based on: Hilbert Spaces
By: Justin Romberg
Module: "Desigualdad de Cauchy-Schwarz"
Pages: 130-137
Based on: Cauchy-Schwarz Inequality
Module: "Espacios de Hilbert comunes"
By: Roy Ha, Justin Romberg
Pages: 137-140
Based on: Common Hilbert Spaces
Module: "Tipos de Bases"
Pages: 140-144
Based on: Types of Basis
Module: "Expansin de Bases Ortonormales"
Pages: 144-148
Based on: Orthonormal Basis Expansions
325
326
Module: "Espacio de Funciones"
By: Justin Romberg
Pages: 148-149
Based on: Function Space
By: Justin Romberg
Module: "Base de la Ondoleta de Haar"
Pages: 149-156
Based on: Haar Wavelet Basis
Module: "Bases Ortonormales en Espacios Reales y Complejos"
By: Justin Romberg
Pages: 156-158
Based on: Orthonormal Bases in Real and Complex Spaces
By: Justin Romberg
Module: "Teoremas de Plancharel y Parseval"
By: Justin Romberg
Pages: 158-159
Based on: Plancharel and Parseval's Theorems
By: Justin Romberg
Module: "Approximacin y Proyeccin en el Espacio de Hilbert"
By: Justin Romberg
Pages: 159-161
Based on: Approximation and Projections in Hilbert Space
By: Justin Romberg
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Anlisis de Fourier"
Pages: 163-164
Based on: Fourier Analysis
Module: "Anlisis de Fourier en Espacios Complejos"
Pages: 164-171
Based on: Fourier Analysis in Complex Spaces
Module: "Ecuacin de Matriz para la DTFS"
By: Roy Ha
Pages: 171-172
Based on: Matrix Equation for the DTFS
By: Roy Ha
Module: "Extensin Peridica de las DTFS"
By: Roy Ha
Pages: 172-181
Based on: Periodic Extension to DTFS
By: Roy Ha
Module: "Desplazamientos Circulares"
By: Justin Romberg
Pages: 181-185
Based on: Circular Shifts
By: Justin Romberg
327
328
Module: "DFT: Transformada Rpida de Fourier"
By: Don Johnson
Pages: 187-188
Based on: DFT: Fast Fourier Transform
By: Don Johnson
Module: "La Transformada Rpida de Fourier (FFT)"
By: Justin Romberg
Pages: 188-189
Based on: The Fast Fourier Transform (FFT)
By: Justin Romberg
Module: "Derivando la Transformada Rpida de Fourier"
By: Don Johnson
Pages: 189-192
Based on: Deriving the Fast Fourier Transform
By: Don Johnson
Module: "Convergencia de Secuencias"
Pages: 195-196
Based on: Convergence of Sequences
Module: "Convergencia de Vectores"
By: Michael Haag
Pages: 197-200
Based on: Convergence of Vectors
By: Michael Haag
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Convergencia Uniforme de Secuencias de Funciones."
By: Michael Haag, Richard Baraniuk
Pages: 200-201
Based on: Uniform Convergence of Function Sequences
By: Michael Haag, Richard Baraniuk
Module: "Table of Common Fourier Transforms"
Used here as: "Tabla de Transformadas de Fourier Comunes"
Pages: 204-205
Copyright: Melissa Selik, Richard Baraniuk
License: http://creativecommons.org/licenses/by/1.0
Module: "Transformacin Discreta de Fourier"
By: Phil Schniter
Pages: 205-206
Based on: Discrete Fourier Transformation
By: Phil Schniter
Module: "Transformada Discreta de Fourier (DFT)"
By: Don Johnson
Pages: 206-209
Based on: Discrete Fourier Transform (DFT)
By: Don Johnson
Module: "Transformada de Fourier Discreta en el Tiempo (DTFT)"
Pages: 209-209
Based on: Discrete-Time Fourier Transform (DTFT)
329
330
Module: "Propiedades de la Transformada de Fourier Discreta en el Tiempo"
By: Don Johnson
Pages: 210-210
Based on: Discrete-Time Fourier Transform Properties
By: Don Johnson
Module: "Par de la Transformada de Fourier Discreta en el Tiempo"
By: Don Johnson
Pages: 210-211
Based on: Discrete-Time Fourier Transform Pair
By: Don Johnson
Module: "Ejemplos de DTFT"
By: Don Johnson
Pages: 211-214
Based on: DTFT Examples
By: Don Johnson
Module: "Transformada de Fourier de Tiempo Continuo (CTFT)"
By: Richard Baraniuk, Melissa Selik
Pages: 217-218
Based on: Continuous-Time Fourier Transform (CTFT)
By: Richard Baraniuk, Melissa Selik
Module: "Propiedades de la Transformada de Fourier de Tiempo-Continuo"
Pages: 219-221
Based on: Properties of the Continuous-Time Fourier Transform
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Muestreo"
By: Justin Romberg
Pages: 223-227
Based on: Sampling
By: Justin Romberg
Module: "Reconstruccin"
By: Justin Romberg
Pages: 227-232
Based on: Reconstruction
By: Justin Romberg
Module: "Ms sobre Reconstruccin Perfecta"
Pages: 232-234
Based on: More on Perfect Reconstruction
Module: "Teorema de Nyquist"
By: Justin Romberg
Pages: 234-235
Based on: Nyquist Theorem
By: Justin Romberg
Module: "Aliasing"
By: Justin Romberg, Don Johnson
Pages: 236-239
Based on: Aliasing
By: Justin Romberg, Don Johnson
331
332
Module: "Filtros Anti-Aliasing"
By: Justin Romberg
Pages: 239-241
Based on: Anti-Aliasing Filters
By: Justin Romberg
Module: "Procesamiento de Tiempo Discreto de Seales de Tiempo Continuo"
By: Justin Romberg
Pages: 241-243
Based on: Discrete Time Processing of Continuous Time Signals
By: Justin Romberg
Module: "La Transformada de Laplace"
Pages: 247-249
Based on: The Laplace Transforms
Module: "Propiedades de la Transformada de Laplace"
Pages: 250-250
Based on: Properties of the Laplace Transform
Module: "Tabla de Transformadas de Laplace Comunes"
Pages: 251-251
Based on: Table of Common Laplace Transforms
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Regin de Convergencia para la Transformada de Laplace"
Pages: 251-253
Based on: Region of Convergence for the Laplace Transform
Module: "La Transformada Inversa de Laplace"
By: Steven Cox
Pages: 253-255
Based on: The Inverse Laplace Transform
By: Steven Cox
Module: "Polos y Ceros"
Pages: 255-257
Based on: Poles and Zeros
Module: "La Transformada Z: Denicin"
By: Benjamin Fite
Pages: 259-264
Based on: The Z Transform: Denition
By: Benjamin Fite
Module: "Tabla de Transformadas-Z Comunes"
Pages: 264-265
Based on: Table of Common z-Transforms
333
334
Module: "Regin de Convergencia para la Transformada- Z"
By: Benjamin Fite
Pages: 265-274
Based on: Region of Convergence for the Z-transform
By: Benjamin Fite
Module: "La Transformada Inversa de Z"
By: Benjamin Fite
Pages: 274-277
Based on: Inverse Z-Transform
By: Benjamin Fite
Module: "Funciones Racionales"
By: Michael Haag
Pages: 277-279
Based on: Rational Functions
By: Michael Haag
Module: "La Ecuacin de Diferencia"
By: Michael Haag
Pages: 279-282
Based on: Dierence Equation
By: Michael Haag
Module: "Entendiendo las Gracas de Polos y Ceros en el Plano-Z"
By: Michael Haag
Pages: 282-287
Based on: Understanding Pole/Zero Plots on the Z-Plane
By: Michael Haag
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Diseo de Filtros usando la Graca de Polos y Ceros de la Transformada-Z"
By: Michael Haag
Pages: 287-290
Based on: Filter Design using the Pole/Zero Plot of a Z-Transform
By: Michael Haag
Module: "Homework 1"
By: Richard Baraniuk, Justin Romberg
Pages: 291-295
Copyright: Richard Baraniuk, Justin Romberg
Module: "Homework 1 Solutions"
By: Justin Romberg, Richard Baraniuk, Michael Haag
Pages: 295-306
Copyright: Justin Romberg, Richard Baraniuk, Michael Haag
335
Seales y Sistemas
Este curso trata acerca de seales, sistemas, y transformadas a partir de las bases matmaticas y teorticas
hasta las implementaciones prcticas en circuitos y algoritmos. Al terminar ELEC 301, tendr un amplio
entendimiento de las matmaticas y temas prcticos relacionados con las seales en tiempo continuo y tiempo
discreto, sistemas lineales invariantes en el tiempo, la convulocin, y la trasformada de Fourier.
About Connexions
Since 1999, Connexions has been pioneering a global system where anyone can create course materials and
make them fully accessible and easily reusable free of charge. We are a Web-based authoring, teaching and
learning environment open to anyone interested in education, including students, teachers, professors and
lifelong learners. We connect ideas and facilitate educational communities.
Connexions's modular, interactive courses are in use worldwide by universities, community colleges, K-12
schools, distance learners, and lifelong learners.
Connexions materials are in many languages, including
English, Spanish, Chinese, Japanese, Italian, Vietnamese, French, Portuguese, and Thai. Connexions is part
of an exciting new information distribution system that allows for
Print on Demand Books. Connexions
has partnered with innovative on-demand publisher QOOP to accelerate the delivery of printed course
materials and textbooks into classrooms worldwide at lower prices than traditional academic publishers.

Sistemas y Señales - Richard Baraniuk - en Español

Cargado por

Información del documento

Título original

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

Sistemas y Señales - Richard Baraniuk - en Español

Cargado por

Copyright:

Formatos disponibles

Seales y Sistemas

2008 Richard Baraniuk

Clasicacin y Propiedades de las Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

Clasicacin y Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3 Anlisis de Sistemas de Tiempo Continuo en el Dominio del Tiempo

Sistemas Lineales CT y Ecuaciones Diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4 Anlisis de Sistemas Discretos en el Dominio del Tiempo

Anlisis en el Dominio del Tiempo para Sistemas Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

5 Repaso de Algebra Lineal

Algebra Lineal: Conceptos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

6 Series Fourier del Tiempo Continuo

7 Espacios de Hilbert y Expansiones Ortogonales

Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

8 Transformada Discreta de Fourier

Anlisis de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163

9 Transformada Rpida de Fourier (FFT)

DFT: Transformada Rpida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187

Convergencia de Secuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195

Transformada de Fourier Discreta en el Tiempo (DTFT)

Tabla de Transformadas de Fourier Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204

12 Transformada de Fourier de Tiempo Continuo (CTFT)

Transformada de Fourier de Tiempo Continuo (CTFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217

14 Transformada de Laplace y Diseo de Sistemas

La Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

15 La Transformada Z y Filtros Digitales

La Transformada Z: Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259

Es bsicamente una lista de

han sido asignadas con su

1.1.2 Clasicacin de Seales

1.1.2.1 Tiempo Continuo vs. Tiempo Discreto

En contraste a esto, una seal discreta

(Section 1.6)en el tiempo es comnmente creada utilizando el Teorema de Muestreo

para discretizar una

1 This content is available online at <http://cnx.org/content/m12818/1.8/>.

1.1.2.2 Anlogo vs. Digital

anlogo y lo digital es muy similar a la diferencia entre el tiempo continuo y el tiempo

continuo, mientras lo digital corresponde al eje

1.1.2.3 Peridico vs. Aperidico

periodo T , mientras las seales aperidicas o no peridicas

puede ser cualquier nmero y

es una constante positiva:

periodo fundamental de esta funcin,

que permita la validacin

1.1.2.4 Causal vs. Anticausal vs. Nocausal

tienen valor cero en el tiempo positivo. Las seales

1.1.2.5 Par vs. Impar

seal par es cualquier seal

fcilmente por que son

en el eje vertical. Una

las seales pares se pueden detectar

seal impar, es una seal

(a) Una seal par (b) Una seal impar

satisface a una funcin par, y que

satisface a una funcin

+ f (t)) (c) Parte Impar: o (t) =

1.1.2.6 Determinstico vs. Aleatorio

expresin matemtica, regla, o tabla.

valores anteriores teniendo una conanza completa en los resultados. Una

seal aleatoria4 , tiene mucha

de conjuntos de seales con caractersticas similares

(a) Seal Determinstica (b) Seal Aleatoria

1.1.2.7 Hemisferio Derecho vs. Hemisferio Izquierdo

Matemticamente hablando, una seal de hemisferio-derecho es denida como cualquier seal

Clasicacin y Propiedades de las Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

Clasicacin y Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

La Transformada Z: Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259

1.1.2 Clasicacin de Seales

valores anteriores teniendo una conanza completa en los resultados. Una

Matemticamente hablando, una seal de hemisferio-derecho es denida como cualquier seal

1.1.2.8 Tamao nito vs. Tamao innito

seal de tamao nito si tiene un valor

1.2.3 Reexin en el eje del Tiempo

Reexin en el eje del Tiempo

Escaln unitario que se dene como

a 2 a a + 2 con una altura

de la funcin de Dirac, el cual se usa frecuentemente para denir el impulso unitario.

Representacin grca del impulso discreto

nosotros podemos derivar y denir fcilmente una funcin exponencial de una

podemos denir una