Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Collection Editor:
Richard Baraniuk
Seales y Sistemas
Collection Editor:
Richard Baraniuk
Authors:
Thanos Antoulas
Richard Baraniuk
Steven J. 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
This selection and arrangement of content as a collection is copyrighted by Richard Baraniuk. It is licensed under
the Creative Commons Attribution License 2.0 (http://creativecommons.org/licenses/by/2.0/).
Collection structure revised: September 28, 2006
PDF generated: December 19, 2013
For copyright and attribution information for the modules contained in this collection, see p. 310.
Table of Contents
1 Seales
1.1 Clasicacin y Propiedades de las Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Operaciones para Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Seales tiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Funcin de Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 El Exponencial Complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6 Seales en Tiempo-Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Sistemas
2.1 Clasicacin y Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 Anlisis de Sistemas de Tiempo Continuo en el Dominio del Tiempo
3.1
3.2
3.3
3.4
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Seales Peridicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Series de Fourier: El Mtodo de Eigenfunciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Derivacin de la Ecuacin de Coecientes de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Generalidades de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Propiedades de la Serie de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Propiedades de Simetra de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Propiedad de Convolucin Circular de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Series de Fourier y los Sistemas LTI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Convergencia de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Condiciones de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
El Fenmeno de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
Resumen de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
iv
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
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
10 Convergencia
10.1
10.2
10.3
11
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
13 Teorema de Muestreo
13.1 Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 227
13.2 Reconstruccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
13.3 Ms sobre Reconstruccin Perfecta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
13.4 Teorema de Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
13.5
13.6
13.7
Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
Filtros Anti-Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Procesamiento de Tiempo Discreto de Seales de Tiempo Continuo . . . . . . . . . . . . . . . . . . . . . . . 245
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
16 Tareas
16.1 Homework 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
Glossary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
Attributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
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.
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
propio mdulo para una discusin mas completa, y no van a ser incluidas.
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.
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.
CHAPTER 1.
SEALES
Figure 1.1
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
ejemplo de una seal digital es una secuencia binaria, donde la funcin solo tiene valores de cero o uno.
Figure 1.2
no se repiten(Figure 1.3). Podemos denir una funcin peridica mediante la siguiente expresin matemtica,
donde
f (t) = f (T + t)
El
f (t),
es el valor ms pequeo de
(1.1)
de la (1.1).
(a)
(b)
Figure 1.3:
(a) Una seal peridica con periodo T0 (b) Una seal Aperidica
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
CHAPTER 1.
SEALES
(a)
(b)
(c)
Figure 1.4:
(a) Una seal causal (b) Una seal anticausal (c) Una seal nocausal
f (t) = f (t)
(t) = f (t).
Una
(Figure 1.5).
que satisface
(a)
(b)
Figure 1.5:
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
f (t) + f (t)
f (t) f (t)
Example 1.1
CHAPTER 1.
SEALES
(a)
(b)
(c)
(d)
Figure 1.6:
e (t) = 12 (f (t)
(a)Available
Esta seal
seratdescompuesta
usando la descomposicin Par-Impar (b) Parte Par:
for free
Connexions <http://cnx.org/content/col10373/1.2>
+ f (t)) (c) Parte Impar: o (t) = 21 (f (t) f (t)) (d) Revisa: e (t) + o (t) = f (t)
determinstica es una seal en la cual cada valor est jo y puede ser determinado por una
Los valores futuros de esta seal pueden ser calculados usando sus
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
(Figure 1.7).
(a)
(b)
Figure 1.7:
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
CHAPTER 1.
SEALES
(a)
(b)
Figure 1.8:
si tiene un valor
que
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
6 This
10
CHAPTER 1.
Figure 1.10:
SEALES
Figure 1.11:
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)
Figure 1.12:
(a) Empieze con f (t)
remplace t con at para obtener f (at) (c) Finalmente,
` (b)
` Luego
remplace t con t ab para obtener f a t ab = f (at b)
12
CHAPTER 1.
Figure 1.13:
SEALES
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 amplitud,
es remplazado con
(1.3)
Note que es comn ver que
que su periodo, o cualquier
T =
7 This
(1.4)
13
Figure 1.14:
Senosoidal con A = 2, w = 2, y = 0.
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,
(1.5)
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 .
f (t) = Bet
donde
son parmetros reales. Las funciones de exponencial complejo oscilan, sin embargo, esta seal
(1.6)
<0
>0
, cuando
cuando
14
CHAPTER 1.
(a)
Figure 1.15:
SEALES
(b)
Ejemplos de Exponenciales Reales (a) Exponencial que decae (b) Exponencial que Crece
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.
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
(t)
La propiedad ms importante de esta funcin es demostrada con la siguiente integral:
(t) dt = 1
(1.7)
0
u (t) =
1
t<0
if
t0
(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.
r (t) =
t
t0
if
if
if
t<0
0 t t0
(1.9)
t > t0
16
CHAPTER 1.
SEALES
1
t
t0
Figure 1.17:
Funcin Rampa
1
de . Al momento de tomar su lmite,
limit
0
a 2
a + 2
tiende a innito conforme su rea total permanece constante con un valor de uno. La funcin del impulso
usualmente se escribe como
(t).
Z
(t) dt = 1
9 This
(1.10)
17
Figure 1.18:
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:
(1.11)
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?
18
CHAPTER 1.
SEALES
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 T )
en vez
propiedad de desplazamiento
y discreto.
es el escaln unitario.
Impulso de Tiempo-Discreto
1
[n] =
0
Figure 1.20:
if
n=0
(1.13)
otherwise
19
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
[n k],
s [k]
y la muestra
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
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
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
y un impulso de tiempo-discreto.
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
continuar, usted debera familiarizarse con los nmeros complejos
12
x,
ex = 1 +
x2
x3
x1
+
+
+ ...
1!
2!
3!
ex =
X
1 k
x
k!
(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.
20
CHAPTER 1.
SEALES
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.
(1.17)
s,
continuo como:
f (t)
donde
es una constante,
Aest
Aejt
13
(1.18)
imaginaria,
s = j .
De esta
):
(1.19)
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 ,
f (t)
= Aest
= Ae(+j)t
(1.20)
t jt
= Ae e
donde
se dene como la
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.
(1.22)
(1.23)
(1.24)
13 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Euler.html
21
f [n]
BesnT
= BejnT
donde
nT
(1.25)
cos (t) =
ejwt + e(jwt)
2
(1.26)
sin (t) =
ejwt e(jwt)
2j
(1.27)
(1.28)
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.
22
CHAPTER 1.
(a)
SEALES
(b)
(c)
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.
Figure 1.21:
Mientras el
(Solution on p. 27.)
Exercise 1.5.1
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
15
plano-s).
14 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/>
15 "The Complex Plane" <http://cnx.org/content/m10596/latest/>
(el
23
Figure 1.22:
anlogas son funciones que constan de cantidades continuas como sus variables independientes, por ejemplo,
espacio y tiempo. Seales de tiempo-discreto
17
18
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.
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
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
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
24
CHAPTER 1.
SEALES
valor simblico y reales; la eciencia es la manera ms compacta y rpida de representar informacin para
que pueda ser despus extrada.
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
(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:
s (n) = ej2f n
(1.29)
1.6.3 Senosoidales
Los senosoidales discretos tienen la forma de
plejos y senosoidales anlogos que pueden tener frecuencias con cualquier valor real, frecuencias para seales
discretas dan formas nicas
solo cuando
est en el intervalo
21 , 12
notar que cuando se suma un valor a la frecuencia del exponencial complejo discreto no afecta en ninguna
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.
25
1
(n) =
0
if
n=0
(1.31)
otherwise
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)
cualquier
es escrito por
(n m),
m es escrito por
seal en una suma de muestras unitarias desplazadas a una localizacin apropiada y escalada
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.
{a1 , . . . , aK }
alfabeto
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
retransmisin y recepcin de seales discretas, como el correo electrnico, son posibles gracias al uso de
26
CHAPTER 1.
SEALES
sistemas y seales anlogas. Entender como las seales discretas y anlogas se interelacionan una con otra
es el objetivo principal de este curso.
27
t = 0).
28
CHAPTER 1.
SEALES
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
(2.1)
CHAPTER 2.
30
Figure 2.1:
SISTEMAS
que:
Figure 2.2:
(2.2)
Es posible vericar la linealidad de un sistema en un paso sencillo. Para hace esto, simplemente combinamos los dos primero pasos para obtener
(2.3)
donde
H (f (t)) = y (t), H
es invariante
T
H (f (t T )) = y (t T )
(2.4)
31
Cuando esta propiedad no aplica para un sistema, entonces decimos que el sistema es
variante en el
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.
32
SISTEMAS
(a)
(b)
Figure 2.4:
(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 .
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
entrada acotada-salida acotada (BIBO) (Bounded input-bounded output) establece que toda
posible entrada acotada produce una salida acotada.
como
Representado
propiedades,donde
esto
de
x (t)
una
manera
es la entrada y
matemtica,
y (t)
un
sistema
estable
debe
tener
las
siguientes
|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
5 "BIBO
33
Escalado Lineal
(a)
(b)
Figure 2.5
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.
(a)
(b)
Figure 2.6
6 This
CHAPTER 2.
34
SISTEMAS
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
Dado Figure 2.8 para un sistema lineal, Figure 2.9 (Principio de Superposicin con Escaldo
Lineal) tambin es vlido.
Figure 2.9:
35
(a)
(b)
Figure 2.10: 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 .
En esta gura,
x (t)
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. Los sistemas invariantes en el tiempo son modelados con ecuaciones de coecientes constantes. Una ecuacin diferencial(o en diferencia) de coecientes constantes
signica que los parmetros del sistema no van cambiando a travs del tiempo y que la entrada nos dar el
mismo resultado ahora, as como despus.
(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.
CHAPTER 2.
36
(a)
SISTEMAS
(b)
Figure 2.12
Figure 2.13:
37
(a)
(b)
Figure 2.14:
resultado.
El orden de los sistemas LTI en cascada pueden ser intercambiado sin verse afectado el
(a)
Figure 2.15:
(b)
CHAPTER 2.
38
SISTEMAS
2.2.4 Causalidad
Un sistema es causal si este no depende de valores futuros de las entradas para determinar la
salida. Lo que signica que si la primer entrada es recibida en tiempo t0 , 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
h (t)
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,
dn y (t)
dn1 y (t)
dy (t)
dm f (t)
df (t)
+ an1
+ + a1
+ a0 y (t) = bm
+ + b1
+ b0 f (t)
n
n1
dt
dt
dt
dtm
dt
Equivalentemente,
n
X
i=0
con
ai
di y (t) X di f (t)
=
bi
dti
dti
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)
f (t)?.
yi (t)
como la
f (t).
del sistema.
1 This
CHAPTER 3.
40
yi (t),
Figure 3.2
Figure 3.3
y0 (t)
n
X
ai
i=0
Si
tal que
di y0 (t)
= 0 , an = 1
dti
(3.2)
Dn + an1 Dn1 + + a0 y0 (t) = 0
nPuesto que necesitamos
o una suma de varios y0 (t)'s dervados
dy0 (t) d2 y0 (t)
y0 (t) , dt , dt2 , . . . deben de ser todos de la misma forma.
Solo el exponencial,
est
donde
s C,
para ser
(3.3)
0 para todo t,
entonces
y0 (t) = cest , c 6= 0
para algun
Since
d
dt y0
s.
(t) = csest ,
(3.4)
d2
dt2 y0
tenemos
Dn + an1 Dn1 + + a0 y0 (t) = 0
c sn + an1 sn1 + + a1 s + a0 est = 0
(3.5) se mantiene para todo
(3.5)
solo cuando
sn + an1 sn1 + + a1 s + a0 = 0
Available for free at Connexions <http://cnx.org/content/col10373/1.2>
(3.6)
41
{s1 , s2 , . . . , sn }
(s s1 ) (s s2 ) (s s3 ) . . . (s sn ) = 0
es decir las posibles soluciones son:
Ya que el sistema es
es de la forma:
{c1 , . . . , cn }
(3.7)
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
elmtodo de resolver para
yi (t)
yi (t) = 0.
Sin embargo,
se probar ms adelante.
n
X
i=0
dada una entrada especca
f (t)
ai
di y (t) X di f (t)
=
bi
dti
dti
i=0
(3.8)
completamente en la naturaleza de
f (t);
convolucin nos ayuda a determinar la salida del sistema, dada solo la entrada
2
del sistema,
h (t).
m < n:
dn y (t)
dn1 y (t)
dy (t)
dm f (t)
df (t)
+
a
+
+
a
+
a
y
(t)
=
b
+ + b1
+ b0 f (t)
n1
1
0
m
n
n1
m
dt
dt
dt
dt
dt
(3.9)
QD [y (t)] = PD [f (t)]
donde
QD []
QD [y (t)] =
y
PD []
mapea
f (t)
y (t)
(3.10)
dn y (t)
dn1 y (t)
dy (t)
+
a
+ + a1
+ a0 y (t)
n1
n
n1
dt
dt
dt
(3.11)
m < n
we have
bn = 0.
Tambin,
yn
iniciales.
2 "Photo
(3.12)
y n1 (0) = 1, y n2 (0) = 1, . . . , y (0) = 0
CHAPTER 3.
42
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.
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 es
En el resto de este modulo, vamos a examinar exactamente como la convolucin es denida a partir
del razonamiento anterior.
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
La
integral
x ( ) h (t ) d
y (t) =
(3.13)
como
(3.14)
= t ,
conmutativa:
(3.15)
43
f (t),
integral de convolucin .
Figure 3.4:
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.
Figure 3.5:
CHAPTER 3.
44
R1
1f ( )(t
) d
R1
1f ( )h(t
) d
Figure 3.6: Ahora usamos la parte de escalado de linealidad, escalando el sistemas por un valor, f ( ),
que es constante con respecto al sistema variable, t.
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:
6 "Photo
(t) =
if
<t<
otherwise
45
Figure 3.8:
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.
Salida
limit (t)
limit h (t)
limit (t n)
limit h (t n)
limit f (n) (t n)
0
P
limit
n f (n) (t n)
R0
f ( ) (t ) d
f (t)
limit f (n) h (t n)
0
P
limit
n f (n) h (t n)
R0
f ( ) h (t ) d
R
y (t) = f ( ) h (t ) d
0
0
h
h
0
0
Table 3.1
CHAPTER 3.
46
las salidas para seales sencillas, mientras tanto mejoraremos nuestra intuicin para los casos mas complejos
donde conaremos en las computadoras. De hecho las Texas Instruments
Digital de Seales
se convierten en Procesamiento
las cuales tienen un conjunto especial para cmputos as como para la convolucin.
Example 3.4
9
(a)
Figure 3.9:
x (t)
h (t).
(b)
Aqui hay dos seales bsicas que usaremos para convolucionar juntas.
h (t ).
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.
7 http://www.ti.com
8 http://dspvillage.ti.com/docs/toolssoftwarehome.jhtml
9 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/>
47
Figure 3.10:
Estas dos
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)
h (t ),
marcada como
Ntese que
h (t )
en los limites de
t<0
0t<1
1t<2
t2
x (t) h (t ).
0 t < 1, requiere las
el producto de
regin,
y (t)
La tercer regin,
h (t )
1 t < 2,
0.
La segunda
siguientes matemticas:
Rt
1d
(3.16)
t 1,
Conforme movemos
CHAPTER 3.
48
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.
0 if t < 0
t if 0 t < 1
y (t) =
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:
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
10 This
49
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
Figure 3.12:
(3.19)
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 ,
y (t)
conmutativa:
f (t ) h ( ) d
h ( ) f (t ) d
(3.22)
(3.23)
CHAPTER 3.
50
La gura muestra que ambas funciones pueden ser vistas como entradas del sistema
mientras lo otro es la respuesta al impulso.
Figure 3.13:
3.3.3 Distribucin
Theorem 3.3: Ley Distributiva
(3.24)
Proof:
La demostracin de este teorema puede ser tomada directamente de la denicin de convolucin y
usando la linealidad de la integral.
51
Figure 3.14
entonces
c (t T ) = f (t T ) h (t)
(3.25)
c (t T ) = f (t) h (t T )
(3.26)
CHAPTER 3.
52
(a)
(b)
(c)
Figure 3.15:
(3.27)
Proof:
Para este demostracin, dejaremos que
Usando
f (t) (t) =
( ) f (t ) d
(3.28)
( ) = 0
siempre que
6= 0.
Usamos este
f (t) (t)
La integral de
( )
( ) f (t) d
R
= f (t) ( ) d
=
=0
(3.29)
lo tanto esa integral ser igual a uno. Donde podemos simplicar la ecuacin de nuestro teorema:
(3.30)
53
(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
, entonces
Duracin (f1 f2 ) = T1 + T2
(3.31)
54
CHAPTER 3.
(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.
(f1 ) = N1
y la Duracin
(f2 ) = N2
, entonces
Duracin (f1 f2 ) = N1 + N2 1
(3.32)
55
3.3.7 Causalidad
Si
f h
tambin es causal.
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
(3.33)
absolutamente integrable.
Extendiendo este concepto a tiempo- discreto tomamos la transicin estndar de integracin a sumatoria
y obtenemos la funcin de transferencia
h (n),
|h (n) | <
n=
11 This
(3.34)
CHAPTER 3.
56
(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:
57
(a)
Figure 3.20:
(b)
58
CHAPTER 3.
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
s (n n0 ),
con
n0 > 0.
Optamos
tenga avances negativos sobre los nmeros enteros. Opuesto a los retrasos anlogos , los retrasos
discretos en el tiempo
s (n n0 ) e(j2f n0 ) S ej2f
Un sistema
invariante al desplazamiento
(4.1)
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)
los 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 nmeros
{a1 , . . . , ap }
{b0 , b1 , . . . , bq }.
(4.3)
CHAPTER 4.
60
el trmino
y (n)
a0 ?
a0
es siempre uno.
implcita
de un sistema
ex-
(nosotros debemos resolver la ecuacin diferencial), las ecuaciones diferenciales proveen una manera
plicita
de resolverlas; calculando las salidas para cada entrada. 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
y (0), y (1),
Para
calcular estos valores necesitaremos valores previos. La manera de salir de este problema es especicar las
iniciales.
Estos valores pueden ser arbitrarios, la decisin impacta el como responde el sistema con las
entradas.
Una decisin ocasiona un sistema lineal: Hacer la condicin inicial cero. La razn se encuentra
: La nica manera que las salidas de las suma pueda ser la suma de la
(Solution on p. 73.)
Exercise 4.1.1
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)
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
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
n > 0,
4 "Simple
5 "Simple
Seguramente, la
y (1) = 0,
dejando
y (0) = b.
Para
la entrada de un muestrario unitario es cero, lo cual nos deja con la ecuacin diferencial
61
y (n) = ay (n 1) , n > 0
y (n) = ay (n 1) + b (n)
x (n)
y (n)
ba
ba2
ban
(4.6)
Table 4.1
b.
IRR
Impulso Innito). La razn para esta terminologa es que el muestrario unitario
b puede ser
1,
a = 1,
Si
|a| > 1;
a es negativa y ms
a = 1,
b.
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
CHAPTER 4.
62
Valores positivos de
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
b=1
es igual
procesar seales, nosotros tpicamente requerimos que la salida continu acotada para cualquier
entrada. Para nuestro ejemplo, eso signica que podemos restrigir
|a| = 1
(Solution on p. 73.)
Exercise 4.1.2
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)
Pueden estos
y(n)
1
5
n
Figure 4.2:
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 4.2)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
tanto este sistema se puede usar para producir el promedio de las temperaturas semanales (q
que se pueden actualizar diariamente.
= 7)
63
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
Estos recursos ofrecern mtodos diferentes para aprender este concepto crucial.
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
(4.9)
conmutativa:
(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.
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
ser un sistema DT LTI, empezaremos con la siguiente ecuacin y trabajaremos hasta llegar a
la suma de convolucion !
y [n]
= 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)
CHAPTER 4.
64
Figure 4.3:
Una simple entrada con impulso da como resultado la respuesta de impulso del sistema.
Un impulso escalado como entrada da como resultado una respuesta escalada, ya que tiene
la propiedad de escalmiento para un sistema lineal.
Figure 4.4:
65
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 4.5:
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.
Figure 4.6:
Empezaremos por
CHAPTER 4.
66
y [n] =
m1
X
x [l] h [n l]
(4.12)
l=0
Note que para cualquier
xl
hl .
Esto es
Figure 4.7:
Figure 4.8:
Esto es el reejo de la respuesta del impulso, h , y se empieza a mover atravez del tiempo
0.
67
Figure 4.9:
Figure 4.10
CHAPTER 4.
68
Si seguimos esto un paso mas, n = 4, pordiamos ver que producimos la misma salida que
vimos en el ejemplo inicial.
Figure 4.11:
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.
x [n],
h [n],
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
n = {0, 1, . . . , N 1}.
Esto nos
69
Y [k]
es la DFT de
y [n]?
(4.14)
0k N 1
y [n] =
y [n]
N 1
2
1 X
F [k] H [k] ej N kn
N
(4.15)
k=0
donde
PN 1
k=0
podemos
reducir
m=0
f [m] e(j) N kn
PN 1 PN 1
2
2
f [m] e(j) N kn H [k] ej N kn
k=0
m=0
PN 1
PN 1
1
j 2
N k(nm)
=
k=0 H [k] e
m=0 f [m] N
y [n]
1
N
PN 1
F [k] =
la
1
N
segunda
sumatoria
de
la
ecuacin
de
arriba
(4.16)
en
h [((n m))N ]
H [k] ej N k(nm)
y [n] =
N
1
X
m=0
Igual a la convolucin circular! cuando tenemos
0nN 1
Que la notacin
(4.17)
Paso 1: "Graque"
f [m]
h [(( (m () ()N ]
(a)
Figure 4.12:
(b)
Step 1
CHAPTER 4.
70
Paso 2: "Rote" h [(( (m () ()N ] n en la direccin ACW ( direccin opuesta al reloj) para
h [((n ( (m () ()N ] (por ejemplo rote la secuencia, h [n], en direccin del reloj por n pasos).
Figure 4.13:
Step 2
f [m]
y la rueda
h [((n ( (m () ()N ]
sum = y [n]
0nN 1
(a)
Figure 4.14:
(b)
h [(( (m () ()N ]
Figure 4.15
Multiplique
f [m]
sume
para dar:
y [0] = 3
wheel.
obtener
71
h [((1 ( (m () ()N ]
Figure 4.16
Multiplique
f [m]
sume
para dar:
y [1] = 5
h [((2 ( (m () ()N ]
Figure 4.17
Multiplique
f [m]
sume
para dar:
y [2] = 3
h [((3 ( (m () ()N ]
Figure 4.18
Multiplique
f [m]
sume
para dar:
y [3] = 1
Example 4.4
La Siguiente Demostracin le permite este algoritmo. Vea aqu
este demo.
9 "How
CHAPTER 4.
72
f [n]
Y [k]
F [k] y calcule el
Y [k] = F [k] H [k]
y [n]
que da
DFT de
h [n]
que da
H [k].
DFT.
Para convolucionar circularmente dos secuencias de
y [n] =
N
1
X
2 N -puntos:
m=0
Para cualquier
puntos implica
mltiplos,
N2
N 1
sumas
multiplicaciones,
N (N 1)
O N2
73
74
CHAPTER 4.
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).
{x1 , x2 , . . . , xk } , xi Cn
es
{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
1 This
no linealmente independientes.
CHAPTER 5.
76
Figure 5.1:
Example 5.1
Dados los siguientes dos vectores:
x1 =
x2 =
Estos son
3
2
1
2
c1 x1 = (c2 x2 )
solo si
c1 = c2 = 0.
linealmente independientes. Tambin podemos gracar estos dos vectores (vase Figure 5.2) para
checar la independencia lineal.
Figure 5.2:
(Solution on p. 93.)
Exercise 5.1.1
Son
{x1 , x2 , x3 }
linealmente independientes?
x1 =
3
2
77
x2 =
x3 =
1
2
1
0
Como podemos ver en los dos ejemplos anteriores, a veces la independencia de vectores puede ser vista
fcilmente a travs de una grca.
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.
Grca de tres vectores. Puede ser mostrado que la combinacin lineal existe entre los
tres, y por lo tanto estos son no linealmente independientes.
Figure 5.3:
note:
Un conjunto de
vectores en
Cn
m > n.
{x1 , x2 , . . . , xk }
{x1 , x2 , . . . , xk }
es el conjunto de vectores
x1 =
el subespacio generado de
x1
es una
3
2
linea.
Example
Dado los vectores
x1 =
2 "Subspaces",
3
2
CHAPTER 5.
78
x2 =
El subespacio generado por estos vectores es
C2 .
5.1.3 Bases
Denition 5.3: Base
Una base para
Cn
Cn y
ente.
Claramente, un conjunto de
base para
Cn .
Example 5.2
Dado el siguiente vector
.
.
.
ei =
1
.
..
0
donde el
Cn
es
para
esta siempre en la
i-esima
{ei , i = [1, 2, . . . , n] }
note:
{ei , i = [1, 2, . . . , n] }
es llamada la
base cannica.
Example 5.3
h1 =
h2 =
{h1 , h2 }
1
1
1
1
C2 .
base
79
Figure 5.4:
Example 5.4
Dado el siguiente vector,
x=
escribiendo
en trminos de
{e1 , e2 }
1
2
nos da
x = e1 + 2e2
(Solution on p. 93.)
Exercise 5.1.2
Trate de escribir
en trminos de
{h1 , h2 }
varias diferentes maneras (dimos solo dos de las muchas posibilidades). Se puede extender aun ms la idea
de bases para
note:
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),
ej0 nt .
3 This
4 This
CHAPTER 5.
80
Cn .
Ax = b
donde
(5.1)
(a)
(b)
Figure 5.5:
es un vector
v Cn
tal que
Av = v
donde
(5.2)
81
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
Figure 5.7:
note:
llamada
eigenvalor:
Representa la (5.2), Av = v .
para trabajar.
5.3.1.2 Ejemplos
(Solution on p. 93.)
Exercise 5.3.1
A=
v1
v2 ,
de
2 ?
viendo estos valores de la informacin dada hasta ahora, veremos otras maneras mas rigurosas de
encontrar estos valores.
CHAPTER 5.
82
(Solution on p. 93.)
Exercise 5.3.2
Muestre que estos dos vectores,
v1 =
son eigenvectores de
A,
donde
A=
v2 =
1
1
dientes.
tal que
v 6= 0,
donde
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.
Por lo tanto,
A I
...
I=
0
.
..
.
.
.
... 1
0
...
...
Example 5.5
Dada la siguiente matriz,
A,
A=
a1,1
a1,2
a2,1
a2,2
A I .
83
A I =
Si
(A I) v = 0
para algn
v 6= 0,
entonces
a1,1
a1,2
a2,1
a2,2
A I
es
det (A I) = 0
este determinante (el mostrado arriba) se vuelve una expresin polinomial (de grado
n).
Vase el siguiente
Example 5.6
Empezando con la matriz
A=
A I =
det (A I) = (3 ) (1) = 2 6 + 8
= {2, 4}
Example 5.7
Empezando con la matriz
A=
A I =
a1,1
a1,2
a2,1
a2,2
a1,1
a1,2
a2,1
a2,2
det (A I) = cn n + cn1 n1 + + c1 + c0 = 0
note:
Por lo tanto usando unos pequeos clculos para resolver las races de nuestro polinomio,
CHAPTER 5.
84
i ,
Av = i v
conjunto de
ecuaciones con
v1
.
.
.
vn
1 v1
.
.
.
n vn
solve the
n ecuaciones
para
x = 1 v1 + 2 v2 + + n vn
donde
de
A.
{1 , 2 , . . . , n } C
(5.3)
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.
b=
i i vi
i
note:
Ax
x,
5 "Linear
6 "Linear
85
Exercise 5.3.3
Para la siguiente matriz,
y vector
x,
A=
x=
5
3
A.
Cn y sabemos como
operador A calculado. Si
generan el espacio
tenemos
actuando en
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 }?
note:
Si
n diferentes
tiene
{v1 , v2 , . . . , vn }
de
generan el espacio
Cn ?
eigenvalores
i 6= j , i 6= j
donde
generan el espacio
note:
aqu.
tiene
demostracin.
Adems,
det (A I) = cn n + cn1 n1 + + c1 + c0 = 0
tiene
7 This
{v1 , v2 , . . . , vn }
Cn .
races diferentes.
que
CHAPTER 5.
86
Queremos encontrar
{1 , 2 , . . . , n } C
en trminos de
{v1 , v2 , . . . , vn }?
tal que
x = 1 v1 + 2 v2 + + n vn
(5.4)
de nn.
.
.
.
.
.
.
V = v1
.
.
.
v2
.
.
.
vn
...
.
.
.
.
.
.
.
.
.
.
.
.
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
V.
x=V
donde
es solo
x1
.
.
.
xn
=V
1
.
.
.
0
1
0
x = x1 . + x2 . + + xn .
..
..
..
0
0
1
.
.
.
.
.
.
.
.
.
x = 1 v1 + 2 v2 + + n vn
.
.
.
V transforma x
.
.
.
.
.
.
{v1 , v2 , . . . , vn }
{v1 , v2 , . . . , vn }
como
87
{v1 , v2 , . . . , vn }
b,
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
...
= .
..
...
.
.
.
..
...
.
.
.
n
A:
A = V V 1
5.4.3.1 1 Interpretacin
Para nuestra interpretacin, recordemos nuestra formulas:
= V 1 x
b=
i i vi
x con
1
1
..
..
. .
xn
n
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
usando
2. Multiplicar por
V 1 ,
nos da
V,
lo que nos da
CHAPTER 5.
88
Figure 5.9:
es
Av = v
solo
multiplicar
2. fcil de interpretar:
por
(5.5)
solo
escala
v,
vector.
Si solo cada vector fuera un eigenvector de
A....
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
tal que:
x = 1 v1 + 2 v2 + + n vn
Dada la (5.6), podemos reescribir
Ax = b.
posteriormente:
Figure 5.10:
8 This
(5.6)
Sistema LTI.
89
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
V,
lo que nos da
f (t)
y (t)
H [f (t)] = y (t)
Figure 5.11:
vector
bC
(5.7)
10
de
N xN
operando en un vector
x CN
Ax = b
(5.8)
CHAPTER 5.
90
Figure 5.12:
Figure 5.13:
es
v CN
tal que
Av = v , C,
Av = v donde v CN es un eigenvector de A.
H [f (t)] = f (t) , C
Figure 5.14:
f (t)
tal que
(5.9)
91
est , s C
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 }
nicas 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
t,
es una constante
(5.11)
s ;
Por lo tanto
H est = s est
El eigenvalor
s
H (s) s .
Figure 5.16:
y de
H:
(5.12)
y por supuesto, el sistema
H.
Para
CHAPTER 5.
92
f (t)
est
Las Series de Fourier (Section 6.2) nos dan la representacin para una seal peridica continua en el tiempo,
11
tiempo continuo.
S(f )
e(at) u (t)
1
j2f +a
2a
4 2 f 2 +a2
e(a)|t|
1
p (t) =
0
if
|t| <
if
|t| >
sin(f )
f
1
S (f ) =
0
sin(2W t)
t
if
|f | < W
if
|f | > W
Table 5.1
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 )
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
dS(f )
1
(j2) df
S (0) = 0
S (0)
R
S (f ) df
R
2
(|S (f ) |) df
Table 5.2
93
x1 x2 + 2x3 = 0
donde encontramos una combinacin lineal de estos tres vectores igual a cero sin utilizar los coecientes igual
a cero. Por lo tanto, estos vectores son no
linealmente independientes!
3
1
h1 +
h2
2
2
x=
Solution to Exercise 5.3.1 (p. 81)
Los eigenvectores que debi encontrar son:
v1 =
v2 =
1 = 3
2 = 1
Solution to Exercise 5.3.2 (p. 82)
Para poder probar que estos dos vectores son eigenvectores, mostraremos que estas armaciones cumplen
con los requisitos que indica la denicin (Denition: "Eigenvector", p. 80).
Av1 =
Av2 =
Este resultado nos muestra que
1
1
1
2
2
4
4
solo escala los dos vectores (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
Ax =
5
3
12
4
v2 .
CHAPTER 5.
94
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
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
+ 4
1
1
12
4
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
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
Figure 6.1:
todos
#2) O, podemos podemos recortar todas las redundancias, y pensar en ellas como funciones en un
intervalo
[0, T ]
[a, a + T ]).
1 This
CHAPTER 6.
96
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;
s.t. esta
H (s) C
dado
est como
una entrada
(Figure 6.3) mostrada abajo tenemos un simple exponencial como entrada que da el siguiente resultado:
Figure 6.3:
(6.2)
es linear, calcular
y (t)
se vuelve fcil de hacer. Esta propiedad de linealidad es descrita por las dos ecuaciones mostradas abajo
2 This
97
y (t),
en el lado
derecho:
1.
cn esn t
cn H (sn ) esn t
La accin que H ejerce en entradas como las que se muestran en estas dos ecuaciones son fciles de explicar:
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
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
f (t)
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)
tiene algunas condiciones intermedias (las condiciones de DIRICHLET), la ecuacin (6.3) se sostiene
cn
esta presente en
f (t).
coecientes de Fourier- que nos dicen que tanto del sinusoidal ej0 nt
por una sistema LTI (ya que existe una Eigenfuncion para
cada sistema
LTI). En trminos matemticos,
ej0 nt , n Z
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),
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.
(Solution on p. 123.)
Exercise 6.2.1
f (t) = cos (0 t)
(Solution on p. 123.)
Exercise 6.2.2
CHAPTER 6.
98
(Solution on p. 123.)
Exercise 6.2.3
f (t),
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
(6.4)
alterna de la funcin
Dada a una funcin
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),
f (t)
como la
propiedad de suavidad, la existencia de una simetra, as como el signicado fsico de las frecuencias.
(Solution on p. 123.)
Exercise 6.2.4
1
f (t) =
0
if
|t| T
otherwise
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 =
1
T
2
T .
(6.6)
99
note:
[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
ecuacin de sntesis para las series de Fourier. Vea aqu
f (t) =
que es la
cn ej0 nt
(6.7)
n=
De lo que estamos interesados aqu es el como combinar los coecientes de Fourier,
f (t).
cn ,
En la siguiente explicacin lo llevaremos paso por paso por la derivacin de la ecuacin generar para
6.3.2 Derivacin
Para resolver la ecuacin (6.7) para
cn ,
e(j0 kt) ,
que todo, tenemos que multiplicar los dos lados de (6.7) por
donde
k Z.
(6.8)
n=
T:
Z
0
(6.9)
n=
En el lado derecho podemos intercambiar la sumatoria y el integral y sacar la constante fuera del integral.
X
n=
Z
cn
ej0 (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
(6.11)
CHAPTER 6.
100
Para
n 6= k ,
tenemos:
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)
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
sin (0 (n k) t)
cos (0 (n k) t) dt = 0
(6.13)
0
Tambin para el integral de una funcin de seno.
integral:
T
ej0 (nk)t dt =
0
if
n=k
(6.14)
otherwise
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:
(6.15)
0
Finalmente nuestra ecuacin general para los coecientes de Fourier es:
1
cn =
T
(6.16)
k,
multiplique
f (t)peridica:
(j0 kt)
f (t) por e
k Z.
T ).
f (t),
en trminos de exponenciales
101
H [. . . ]
est
es
H [. . . ]
nada mas
(6.17)
H [. . . ]
...
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)
we can nd
{cn }
where
nZ
and
cn ej0 nt
ci C
(6.18)
n=
Dada (6.18), podemos re-escribir
Figure 6.4:
H [t] = y (t)
Donde tenemos:
f (t) =
cn ej0 nt
y (t) =
cn H (j0 n) ej0 nt
n
Esta transformacin de
f (t)
en
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
1
T
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
CHAPTER 6.
102
(a)
(b)
Figure 6.5:
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.
(a)
(b)
Figure 6.6:
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 6.7:
f (t),
en el intervalo
T T
2, 2 :
n.
103
1
cn =
T
(6.20)
Podemos calcular fcilmente nuestra cn . Dejaremos este clculo como ejercicio para usted! Despus
de resolver la ecuacin para nuestra
cn =
f (t), obtenemos el
2T1 if n = 0
Para
T1 =
if
(6.21)
n 6= 0
T
8 , vea la siguiente gura para observar los siguientes resultados:
Figure 6.8:
f (t)
n = 0 son
Nuestra seal
alrededor de
note:
T
2sin(0 nT1 )
n
siguiente resultado:
Por qu
T
8
cn = 0
para
cn
n = {. . . , 4, 4, 8, 16, . . . }?
n?)
cn
se acerca al innito.
( qu parte de
e(j0 nt)
se encuentra
f (t) =
cn ej0 nt
(6.22)
n=
1
cn =
T
Deje
F ()
describen la transformacin de
f (t)
(6.23)
0
a los coecientes de Fourier
F (f (t)) = cn , n Z
F ()
12
CHAPTER 6.
104
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
0
R
1 T
T 0
cn + dn , n Z
cn + dn
(6.24)
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 |ej(cn ) ,
entonces
F (f (t t0 ))
=
=
=
=
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 ,
t0
R
j0 n t
1 T t0
f
e
e(j0 nt0 ) dt , n Z
t
T t0
j0 n t
e
cn , n Z
1
T
1
T
nZ
(6.25)
(|f (t) |) dt = T
0
(|cn |)
(6.26)
n=
La relacin de Parseval nos permite calcular la engra de la seal de sus series de Fourier.
note:
maps
L2 ([0, T ])
l2 (Z).
105
Figure 6.9
(Solution on p. 124.)
Exercise 6.5.1
Par
f (t)
cn
n ?
hace cuando
(Solution on p. 124.)
Exercise 6.5.2
S
cn =
1
n
, |n| > 0
, es
f L2 ([0, T ])?
(Solution on p. 124.)
Exercise 6.5.3
Ahora , s
cn =
1
n
, |n| > 0
, es
f L2 ([0, T ])?
f (t)
tiene
energa nita.
(6.27)
cn ej0 nt
(6.28)
dej0 nt
n= cn
dt
P
j0 nt
c
j
0 ne
n= n
(6.29)
f (t) =
n=
entonces
d
dt f
(t)
=
=
Un diferenciador
f (t)
Remueve rasgos
f (t)
es el
dm f (t)
scomponen cuando n . Si F (f (t)) = cn y |cn | tiene la forma n1k , entonces F
dtm
nm
th
tiene la forma
. Entonces para que la m
derivada tenga energa nita, necesitamos
nk
X nm 2
| k| <
n
n
dem
= (jn0 ) cn
CHAPTER 6.
106
por lo tanto
1
nm
se descompone mas rpido que
n lo cual implica que
nk
2k 2m > 1
o
k>
2m + 1
2
F (f (t)) = cn
entonces
Z
f ( ) d
note:
Si
c0 6= 0,
(6.30)
1
cn
j0 n
(6.31)
Integracin acenta frecuencias bajas y atena frecuencias altas. Integradores muestran las cosas generales de las seales y suprimen variaciones de corto plazo (lo cual es ruido en muchos casos). Integradores
son mejores que diferenciadores.
f (t)
del tiempo es equivalente a la convolucin discreta (Section 4.2) en el dominio de la frecuencia. La prueba
es la siguiente
en
=
=
=
=
RT
(6.32)
Theorem 6.3:
Si f (t) es real eso implica que
107
Proof:
cn
R
1 T
f (t) ej0 nt dt
T 0R
(j0 nt)
1 T
=
f
(t)
e
dt
, f (t) = f (t)
T R0
1 T
(j0 nt)
=
dt
T 0 f (t) e
= cn
(a)
(b)
Figure 6.10:
(6.33)
CHAPTER 6.
108
(a)
(b)
Figure 6.11:
Theorem 6.4:
If f (t) = f (t) y
y
f (t) = f (t), Por ejemplo, las seal es real y par, entonces entonces cn = cn
cn = cn .
Proof:
cn
=
=
=
=
f (t)
1
T
1
T
1
T
2
T
T
2
R02
T2
T
2
T
2
1
T
1
T
f (t) ej0 nt dt +
T
2
0
T
2
(6.34)
entonces
que
que
Theorem 6.5:
Si f (t) = f (t) y
cn = cn
, Por
impar,
entonces cn
= cn
109
Proof:
Hgalo usted en casa.
Si
f (t)
f (t) =
sin (0 nt):
n=1
6.6.2 Resumen
Podemos encontrar
fe (t),
fo (t),
f (t),
f (t) =
podemos encontrar
an cos (0 nt) +
n=0
{an }
(6.35)
y
{bn }
que da
bn sin (0 nt)
n=1
Figure 6.12:
f (t)
T = 1 y 0 = 2 .
es real e impar.
cn =
4A
j 2 n2 if n = {. . . , 11, 7, 3, 1, 5, 9, . . . }
j4A
if n = {. . . , 9, 5, 1, 3, 7, 11, . . . }
2 n2
if
n = {. . . , 4, 2, 0, 2, 4, . . . }
(6.36)
CHAPTER 6.
110
Es
cn = cn ?
Figure 6.13:
note:
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.
note:
cientes de fourier.
111
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
cn dn
=
=
=
=
=
=
t
(6.37)
Example 6.4
Vea el pulso cuadrado con periodo,
T1 =
T
4:
Figure 6.14
cn =
1
T
if
n=0
1 sin( 2 n)
2
2n
otherwise
(Solution on p. 124.)
Exercise 6.7.1
Que seal tiene los coecientes de Fourier
an = cn 2 =
1 sin2
4 ( n) ?
2
17 This
CHAPTER 6.
112
Figure 6.15:
donde
est
es una eigenfuncin de
correspondiente
H (s)
18
f (t)
usamos la entrada
f (t) =
cn ej0 nt
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)
Mantenga en mente el sistema bsico LTI que presentamos en Figure 6.16. El sistema LTI,
H,
multiplica
{H (jw0 n) cn }
los eigenvalores,
{cn }
H (jw0 n) describen
T = 2w0
las series
18 "Continuous
{H (jw0 n)},
113
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
f (t)?
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
(6.38)
f (t)
T = 2w0 ).
Available for free at Connexions <http://cnx.org/content/col10373/1.2>
peridica (con
CHAPTER 6.
114
s = jw0 n
|H (jw0 n) | =
El circuito RC es un sistema
frecuencias altas (
1
1
=
2
|1 + RCjw0 n|
1 + R C 2 w 0 2 n2
alrededor de
0)
atena
grandes).
1
t en n = 0
Sistema : Eigenvalores
f (t)
1 sin 2 n
cn =
2
2n
H (jw0 n) =
1
1 + jRCw0 n
y (t)
1
1 sin 2 n
dn = H (jw0 n) cn =
1 + jRCw0 n 2
2n
1 sin 2 n
1
dn =
1 + jRCw0 n 2
2n
y (t) =
dn ejw0 nt
n
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
|dn | = q
1
2
1 + (RCw0 ) n
dn
vs.
cn )
1 sin 2 n
2 2
2n
f (t),
cualquier funcin
se puede representar como una suma de senosoidales complejos (Section 1.3). Si usted no lo
esta, intente ver la seccin de generalidades de eigenfunciones (Section 5.5) o de eigenfunciones de los sistemas
19 This
115
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
(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.
N
X
fN 0 (t) =
cn ej0 nt
n=N
f (t)?
fN 0 (t) f (t)
asi como a
N ?
limit
dfN (t)
en cada punto y comparndolo con
d
f (t).
eN (t)
f (t)
y su reconstruccin parcial
fN 0 (t)
f (t) L2 ([0, T ])
(|eN (t) |) dt =
0
(6.41)
eN (t) 0
cuando
es
2
f (t) fN 0 (t) dt 0
(6.42)
2
limit
|Fn (f (t)) Fn
N =
dfN (t)
d
2
| = limit
(|cn |) = 0
|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 ])
20 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Fourier.html
CHAPTER 6.
116
eN 0
f (t)
limit
dfN (t)
sean iguales en cierto punto.
d
(a)
(b)
Figure 6.19
f (t)
g (t),
t, f (t) 6= g (t),
pero
f (t)
tiene una
entonces
f (t0 ) 6= limit
Mientras
f (t)
f (t)
es
en
t0 ,
dfN (t0 )
d
f (t0 ) = limit
si
g (t))
continua en
dfN (t0 )
d
t = t0 .
117
Proof:
Las series de fourier existen (los coecientes son nitas) si
(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
f (t) e
(j0 nt)
0
24
1
T
1
dt|
T
1
T
|f (t) |dt =
0
(6.44)
|e(j0 nt) | = 1,
|f (t) |dt
f (t) =
(6.45)
nos
(6.46)
1
, 0<tT
t
(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 "Continuous
CHAPTER 6.
118
mximos y mnimos. Para que las series de fourier existan las siguientes dos condiciones se deben de
f (t)
f (t)
sin (logt),
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) = limit
Si
f (t)
dfN (t)
d
(6.48)
f ( ) = f 0 ( )
en cualquier
donde
f (t)
es continuo y donde
f (t)
es discontinuo,
f 0 (t)
es el valor
(a)
Figure 6.20:
(b)
note: Las funciones que no cumplen con las condiciones de Dirichlet son patolgicas como inge-
25 This
119
seales discontinuas pueden tener representacin de serie de fourier siempre y cuando tengan un nmero
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:
N
X
fN 0 (t) =
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
79
X
f79 0 (t) =
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.
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.
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.
s (t) = a0 +
X
k=1
ak cos
2kt
T
+
X
k=1
bk sin
2kt
T
(6.51)
CHAPTER 6.
120
6.11.2.2 Ejemplo
La siguiente Figure 6.21 (Fourier series approximation of a square wave) nos muestra varias aproximaciones
26
K:
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
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
121
puede una funcin discontinua, como la funcin cuadrada, ser expresada como una suma, aun si es innita,
de funciones continuas?
produjo a Fourier
27
Esta pregunta le
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.
tla
igualdad
no es
garantizada. Lo que los matemticos del siglo 19 fue que el error RMS de las series de Fourier eran cero.
(6.52)
Lo que signica es que la diferencia entre la seal actual y su representacin en fourier puede no ser cero, pero
el cuadrado de esta cantidad tiene una integral igual a cero! Es a travs del valor de RMS que denimos
igualdad: dos seales
Estas
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.
f (t)
como la
f (t) =
cn ej0 nt
(6.53)
n=
cn =
Donde los coecientes de Fourier,
2. Ya que
ej0 nt
cn ,
1
T
(6.54)
0 n
existen en la seal.
29
H (j0 n) =
27 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Fourier.html
28 This content is available online at <http://cnx.org/content/m12932/1.3/>.
29 "Eigenvectors and Eigenvalues" <http://cnx.org/content/m10736/latest/>
(6.55)
CHAPTER 6.
122
|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
atena el 0 n
f (t)
f (t),
f (t)
0 n
|cn |.
truncando la S.F.)
fN 0 (t) =
cn ej0 nt
(6.56)
nn|N |
Esta aproximacin funciona bien donde
f (t)
f (t)
is
123
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
otherwise
f (t) =
1 j0 t
e
e(j0 t)
2j
cn =
j
if n = 1
2
j
2 if n = 1
otherwise
f (t) = 3 + 4
1 j0 t
1 j20 t
e
+ e(j0 t) + 2
e
+ e(j20 t)
2
2
2
cn =
if
n=0
if
|n| = 1
if
|n| = 2
otherwise
f (t),
en (6.4).
cn =
Note que debemos considerar dos casos:
1
T
T1
1e(j0 nt) dt
T1
n = 0 y n 6= 0.
Para
el integral obtenemos.
cn =
2T1
, n=0
T
CHAPTER 6.
124
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 1 (j0 nt) T1
e
|t=T1
T j0 n
Ahora evaluaremos las funciones exponenciales para los lmites dado s y expandiremos nuestra ecuacin a:
cn =
1
1
e(j0 nT1 ) ej0 nT1
T (j0 n)
2j
2j y distribuiremos nuestro signo negativo
dentro de nuestro parntesis, podemos utilizar la relacin de Euler para simplicar nuestra expresin a:
Ahora multiplicaremos el lado derecho de nuestra ecuacin por
cn =
Ahora, recuerde que anteriormente denimos
en.
cn =
1 2j
sin (0 nT1 )
T j0 n
0 =
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
(|cn |) <
para
f (t)
(|cn |) =
1
n2 , la cual se puede sumar.
(|cn |) =
1
n , la cual no se puede sumar.
Figure 6.22:
T
4
Chapter 7
Espacios de Hilbert y Expansiones
Ortogonales
7.1 Espacios Vectoriales1
7.1.1
Introduccin
Denition 7.1: Espacio Vectorial
Un espacio vectorial
escalar
(donde
para todo
Estos operadores necesitan tener todas las siguiente propiedades. La cerradura usualmente es la mas importante para mostrar.
son reales,
Si los escalares
es llamado un
son complejos,
Si los"vectores" en
es llamado un
es llamado un
de funciones.
7.1.2.1 Propiedades
Denimos un conjunto
1.
2.
3.
4.
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.
1 This
espacio lineal
CHAPTER 7.
126
5.
6.
7.
8.
1x = x
(c1 c2 ) x = c1 (c2 x) para cada x en V and c1 y c2 en C.
c (x + y) = cx + cy para cada x y y en V y c en C.
(c1 + c2 ) x = c1 x + c2 x para cada x en V y c1 y c2 en C.
7.1.2.2 Examples
es un espacio vectorial
L2 (R) =
es un espacio vectorial
y el espacio vectorial
Figure 7.1
x
x0
1
0
2
| (x0 > 0) and (x1 > 0) es no un espacio vectorial. R+ 2 ,
,
R+ =
x1
x1
1
pero
/ R+ 2 , < 0
1
D = {z C , |z| 1 } es no un espacio vectorial. (z1 = 1) D, (z2 = j) D, pero (z1 + z2 )
/ D,
|z1 + z2 | = 2 > 1
note:
El espacio vectorial es una coleccin de funciones, coleccin de secuencias, asi como una
127
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
expansin de base
en el contexto de
Rn .
tiempo continuo).
7.2.2 Normas
La
R2 ,
Figure 7.2
x = (x0 , x1 )
, norma
Matemticamente, una
x0 2 + x1 2
norma k k es solo
k x k=
kk
debe satisfacer:
k x k> 0 , x S
y escalares
k x + y kk x k + k y k
x, y .
El tamao de la
Un espacio vectorial
lineal normado.
2 This content is available online at <http://cnx.org/content/m12877/1.2/>.
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/>
CHAPTER 7.
128
7.2.2.1 Ejemplos
Example 7.2
Rn
Cn ),
x0
x
1
x=
...
xn1
Pn1
, k x k1 = i=0 |xi |, Rn
Example 7.3
(
Cn ),
con norma
k x k2 =
P
n1
i=0
(|xi |)
21
Rn
es llamado
`2 ([0, n 1])
Euclideana").
Figure 7.4:
`1 ([0, n 1]).
Figure 7.3:
Rn
129
Example 7.4
Rn
(or
Cn ,
with norm
Figure 7.5:
is called
` ([0, n 1])
x R2 con k x k = 1
x [n] = {. . . , x2 , x1 , x0 , x1 , x2 , . . . }
P
2 2
2
k x (n) k2 =
(|x
[i]
|)
, x [n] ` (Z) (k x k2 < )
i=
1
P
p p
p
k x (n) kp =
(|x
[i]
|)
,
x
[n]
`
(Z)
k
x
k
<
i=
p
k x (n) k1 =
i=
P
k f (t) kp =
R
p1
p
(|f (t) |) dt , 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 <
(En el intervalo)
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
CHAPTER 7.
130
< x, y >
= yT x
Pn1
y0
y1
...
yn1
x0
x1
.
.
.
(7.1)
xn1
i=0
xi yi
x R2
y R2 ,
es el ngulo entre
Figure 7.6:
(7.2)
y.
fuerza de
en la direccin de
Example 7.5
Por ejemplo, si
k x k= 1,
entonces
Figure 7.7:
y.
131
( = 0)
Simetria Conjugada:
Escalado:
Aditividad:
"Positividad":
< x, x >> 0 , x 6= 0
Denition 7.3: Ortogonal
Decimos que
< x, y >= 0
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.
CHAPTER 7.
132
Para
Cn ,
< x, y >= y x =
y0
y1
...
yn1
x0
x1
n1
X
xi yi
=
i=0
.
.
.
xn1
L2 (R)
Z
f (t) g (t) dt
< f, g >=
`2 (Z)
< x, y >=
x [i] y [i]
i=
(7.4)
x, y
| < x, y > | k x kk y k
que mantiene la igualdad
dencia Lineal), es decir
si y solo si
x = y
para un escalar
133
maximizada cuando
f es
Si f
y g , entonces
f = g . Esto
son funciones,
f = g
g.
signica que
que queremos ser capaces de decir cual, y si alguna de estas seales se asemeja a otra seal dada
note:
gi (t)
se asemeja a
f (t),
f (t)
ser
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
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
Figure 7.8:
CHAPTER 7.
134
Seales Candidatas
(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
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
Normalice
gi (t)
f (t)
Encuentre el ms grande
O ponerlo matemticamente
| < f, gi > |
k gi k
(7.5)
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)).
135
Seal Patrn
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
Cambio de
s1 :
R s1 +T
g (t) f (t s1 ) dt
qR
= largo
s1 +T
2
(|g
(t)
|)
dt
s1
s1
Cambio de
s2 :
(7.6)
R s2 +T
g (t) f (t s2 ) dt
qR
= pequeo
s2 +T
2
(|g
(t)
|)
dt
s2
s2
(7.7)
Por lo tanto podemos denir una ecuacin generalizada para nuestro ltro acoplado:
(7.8)
R s+T
m (s) =
g (t) f (t s) dt
k g (t) k |L2 ([s,s+T ])
s
g (t)f (t).
(7.9)
de nuestro detector de ltro acoplado es bastante grande para indicar una aceptacin correcta entre las dos
seales, denimos
nivel de referencia. Si
136
CHAPTER 7.
s0 .
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)
Figure 7.12:
Ejemplo de la imagen de Dnde esta Waldo?". Nuestro detector de Filtro Acoplado
puede ser implementado para detectar una semejanza posible para Waldo.
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.
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
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/>
137
13
(Frequency Shift Keying FSK) donde tenemos las siguientes condiciones para '1' y '0':
Figure 7.13:
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:
Figure 7.14:
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:
13 "Frequency
CHAPTER 7.
138
Figure 7.15:
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
para `1' y `0'. Despus este valor ser pasado y cualquier valor que sea grande (es decir
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.
f Espacio de Hilbert S
g Espacio de Hilbert S,
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
Si
g 6= f ,
mostrar
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
139
>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)
Por lo tanto podemos colocar estos valores en el discriminante del polinomio de arriba para
obtener:
(7.11)
(7.12)
Qu cambios tenemos que hacer para hacer la demostracin para un espacio vectorial
7.6.1.1
Rn
(escalares reales ) y
x0
x
1
x =
...
xn1
Cn
`2 ([0, n 1])
Producto interno
Rn :
< x, y >
=
=
Producto interno
Cn :
< x, y >
=
=
14 This
yT x
Pn1
i=0
xi yi
(7.13)
yT x
Pn1
i=0
xi yi
(7.14)
CHAPTER 7.
140
tiempo discreto.
x0
x
1
...
xn1
[0, n 1] o
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
T = b a)
de
tiempo continuo
7.6.1.3
x `2 (Z)
es una
Producto interno
< x, y >=
x [i] y [i]
(7.16)
i=
Modelo para: Seal no-peridica de tiempo discreto
7.6.1.4
f L2 (R)
es una
Producto interno
< f, g >=
R.
f (t) g (t) dt
(7.17)
141
Por ejemplo:
L1 (R), k f k1 =
< f, f > =
=
De echo, para todo el espacio
Lp (R) , L2 (R)
es el
R
2
2
(|f (t) |) dt
2
(k f k1 )
(7.18)
CHAPTER 7.
142
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.
{bi }
donde cada
bi
k bi k= 1 , i Z
15 This
(7.19)
143
note:
de
El concepto de bases se aplica a todos los espacios vectoriales (Section 7.1). El concepto
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:
{b0 , b1 } = ,
1
1
Normalizado con la norma
`2 :
1 1
b0 =
2
1
1 1
b1 =
2
1
`1 :
1 1
2
1
1
1
b1 =
2
1
b0
{bi }
mutuamente ortogonales
< bi , bj >= 0 , i 6= j
note:
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]):
1
b0 =
0
b1 =
< b0 , b1 >=
1
X
0
1
b0 [i] b1 [i] = 1 0 + 0 1 = 0
i=0
CHAPTER 7.
144
Example 7.8
Ahora tenemos la siguiente base y relacin:
1
,
= {h0 , h1 }
1
1
< h0 , h1 >= 1 1 + 1 1 = 0
k bi k= 1 , i Z
< bi , bj > , i 6= j
note:
< bi , bj >= ij
donde
Donde
1
ij =
0
ij
16
if
i=j
if
i 6= j
1
0
,
{b0 , b2 } =
0
1
Example 7.10: Ejemplo de Base Ortonormal #2
{b0 , b2 } = ,
1
1
Example 7.11: Ejemplo de Base Ortonormal #3
1
1
1
1
{b0 , b2 } = ,
2
2
1
1
16 "Photo
[i j].
145
{bi }
x
x=
i bi
(7.20)
i
Es fcil encontrar los
i :
P
< k k bk , bi >
P
k k < (bk , bi ) >
< x, 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
=
0
if
i=k
if
i 6= k
< x, bi >= i
(7.22)
x=
x:
(7.23)
i
Los
i 's
bi 's)
Example 7.12
Dada la siguiente base:
1
1
1
{b0 , b1 } = ,
2
2
1
1
representa
x=
3
2
en
L2 ([0, T ])
donde
T =
1 j0 nt
e
|n=
T
2
0 .
f (t) =
1
< f, ej0 nt > ej0 nt
T
n=
1
< f, ej0 nt >=
T
Z
0
L2
f (t) ej0 nt dt =
T
como
CHAPTER 7.
146
{bi }
Sea
H.
x H
podemos
escribir
x=
i bi
(7.24)
i
donde
i =< x, bi >.
Anlisis: descomponer
en trminos de
bi
i =< x, bi >
"Sntesis": construir
x=
(7.25)
bi
i bi
(7.26)
Example 7.14
1
La funcin senoidal compleja
para
ej0 nt
para todo
< n <
L ([0, T ]).
note:
f (t) =
n= cn e
j0 nt
,el
{cn }
f (t).
{bi }
en un espacio vectorial
es una base
si
1. Las
2. Los
17 This
es un vector en
S,
es un escalar en
C,
es un vector en
donde
(7.27)
i
donde
{i },
S.
147
{bi }.
note:
{i }
x.
Example 7.15
Veamos un simple ejemplo en
R2 ,
x=
Base Cannica:
1
2
n
o
T
T
{e0 , e1 } = (1, 0) , (0, 1)
Base Alternativa:
x = e0 + 2e1
n
o
T
T
{h0 , h1 } = (1, 1) , (1, 1)
x=
{b0 , b1 }
y un vector
1
3
h0 +
h1
2
2
x R2 ,
como encontramos
tal que
x = 0 b0 + 1 b1
(7.28)
.
.
.
= b0
.
.
.
.
.
.
Empezamos
b1
1
.
(7.30)
.
.
Example 7.16
Este es un ejemplo sencillo, que muestra pequeos detalles de la ecuacin anterior.
x [0]
x [1]
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)
CHAPTER 7.
148
Matriz de la Base:
.
.
.
.
.
.
b1
B = b0
.
.
.
Vector de Coecientes:
.
.
.
x = B
que es mas equivalente a
x=
Example 7.17
Dada la base cannica,
P1
i=0
i bi .
1
0
,
,
0
1
B=
i 's,
(7.33)
= B 1 x
Donde
B 1
18
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
de ahi.
=I
B 1 =
= B 1 x = x
18 "Matrix
Inversion" <http://cnx.org/content/m2113/latest/>
Available for free at Connexions <http://cnx.org/content/col10373/1.2>
149
Example 7.19
Ahora veamos una base un poco mas complicada de
1
,
= {h0 , h1 }
1
1
Enotnces
B=
1
2
1
2
1
2
1
2
B 1 =
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
(Solution on p. 165.)
Exercise 7.8.1
x:
1
3
,
{b0 , b1 } =
2
0
x=
3
2
note:
transforms
en trminos de
b0
{b0 , b1 }.
b1 .
B 1
mente mecnico.
R2
{0 , 1 , . . . , n1 }
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)
CHAPTER 7.
150
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
.
Sea
P2
20
Pn
un espacio vectorial de orden polinomial n-esimo en (-1, 1) con coecientes reales (vericar que
Example 7.20
P2
es decir
como
P2
i R.
es de dimensin 3.
f (t) = t2 3t 4
Base Alternativa
{b0 (t) , b1 (t) , b2 (t)} =
escribir
f (t)
1, t,
1
3t2 1
2
3
1
b2 (t) b0 (t)
2
2
3
f (t) = 0 b0 (t) + 1 b1 (t) + 2 b2 (t)
2
por lo tanto
1
=4
2
1 = 3
3
2 = 1
2
19 This content is available online at <http://cnx.org/content/m12913/1.1/>.
20 "Orthonormal Basis Expansions" <http://cnx.org/content/m10760/latest/>
151
enotnces obtenemos
2
f (t) = 4.5d0 (t) 3d1 (t) + d2 (t)
3
Example 7.21
ej0 nt |
n=
L2 ([0, T ]), T =
2
0 ,
f (t) =
Cn ej0 nt .
1
Cn =
T
f (t) e(j0 nt) dt
(7.36)
note: 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).
22
en
L2 ([0, T ])
especialmente para
entradas en sistemas LTI. Sin embargo es til para algunas aplicaciones, es decir, procesamiento de imagenes
23
).
ondoletas, descubiertas en los pasados 15 aos, son otro tipos de base para
L2 ([0, T ])
y tiene varias
propiedades.
cn
dan informacin frecuente. Las funciones de la base duran todo el intervalo entero.
CHAPTER 7.
152
Figure 7.18:
Ondoletas - las funciones de la base con frecuencia nos dan informacin pero es
local en el tiempo.
153
Figure 7.19:
Figure 7.20:
base =
1
T
ej0 nt
24 "The
24
(t).
CHAPTER 7.
154
Figure 7.21
Funciones base
Sea
{j,k (t)}
(t) = 1 , 0 t < T
escalar j y un desplazamiento k.
j
(t) , 2 2 t k , (t) , 2 2 2j t k | j Z and
j
2
o
k = 0, 1, 2, . . . , 2j 1
155
Figure 7.22
1 if 0 t < T
2
(t) =
1 if 0 T < T
2
(7.37)
CHAPTER 7.
156
Figure 7.23
Sea
j,k (t) = 2 2 2j t k
Figure 7.24
Ms grande
j = {0, 1, 2, . . . }, 2j
0, 1, . . . , 2 1
Checar: cada
j,k (t)
k =
157
Figure 7.25
Z
j,k 2 (t) dt = 1 k j,k (t) k2 = 1
(a)
Figure 7.26:
(b)
(7.38)
CHAPTER 7.
158
Tambin,
{j,k , }
generan
L2 ([0, T ])
25
: Para cualquier
podemos escribir
Sintesis
f (t) =
XX
j
(7.39)
Anlisis
Z
wj,k =
(7.40)
f (t) (t) dt
(7.41)
c0 =
0
note: los
wj,k
son
reales
La transformacin de Haar es
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.
26
Vemos aqu
AT
A=
AT =
La
columna
de
es una
la
de
a1,1
a1,2
a2,1
a2,2
a1,1
a2,1
a1,2
a2,2
AT
159
x0
x=
x1
.
.
.
xn1
y0
y=
y1
.
.
.
yn1
x y=
x0
x1
...
xn1
y0
y1
xi yi =< y, x >
=
.
.
.
yn1
en
Rn
Transpuesta Hermitiana
AH ,
transpuesta y conjugada
AH = AT
< y, x >= xH y =
xi yi
i
en
Sea
{b0 , b1 , . . . , bn1 }
Cn
i 6= j, < bi , bj >= bj H bi = 0
Matriz de la base:
.
.
.
B = b0
.
.
.
.
.
.
b1
.
.
.
...
.
.
.
bn1
.
.
.
Ahora,
...
b0 H
...
...
BH B =
...
b1 H
...
b0
.
.
.
...
.
.
.
bn1 H
.
.
.
.
.
.
b1
.
.
.
.
.
.
...
bn1
.
.
.
b0 H b0
b0 H b1
...
b0 H bn1
b1 H b0
b1 H b1
...
b1 H bn1
bn1 H b1
...
bn1 H bn1
.
.
.
bn1 H b0
CHAPTER 7.
160
B H = B 1
(
B T = B 1
in
Rn
BH
{0 , 1 , . . . , n1 }
B 1
es difcil de calcular.
tal que
x=
i bi
i
Calcular
= B 1 x = B H x
usando una base ortonormal nos libramos de la operacin inversa.
`2
el producto interno de su
expansin de coecientes.
Sea
{bi }
x=
H. x H, y H
i bi
y=
i bi
i
entonces
< x, y >H =
i i
Example
f (t)
f (t) g (t) dt =
0
{cn }
y de
g (t)
{dn }
cn dn
n=
Proof:
x=
i bi
y=
j bj
X
i
i bi ,
X
j
j bj >=
i < bi ,
j bj >=
28 This
X
i
i i
161
note:
< bi , bj >= 0
cuando
i 6= j
< bi , bj >= 1
i=j
cuando
Si el espacio de Hillbert H tiene un ONB, los productos internos son equivalentes a los productos
internos en
`2 .
`2 .
x H , {bi }
ONB
x=
i bi
i
Entonces
(k x kH ) =
(|i |)
Proof:
Directamente de Plancharel
(k x kH ) = < x, x >H =
i i =
(|i |)
Example
1
Series de Fourier
ejw0 nt
1 X
1
f (t) =
cn ejw0 nt
T n
T
Z
(|f (t) |) dt =
0
(|cn |)
n=
29 This
CHAPTER 7.
162
Figure 7.27:
vectores en
R2 .
Digamos
k v k= 1.
Para qu valor de
mejor se aproxima a
es
k x v k
x?)
Figure 7.28
La condicin es que
x v
sean
ortogonales.
7.13.2 Calculando
Cmo calcular
Sabemos que (
x v )
< x v, v >= 0 , ()
^
< v, v >= 1,
por lo tanto
^
^
< (x, v) > = 0 =< x, v >
donde
v.
Punto a un plano?
es la proyeccin de
163
Figure 7.29
(Solution on p. 165.)
Exercise 7.13.1
dado. Encontrar
Example 7.23
x R3 ,
a
1
0
V = espacio generado
0 , 1 , x = b .
c
0
0
y=
2
X
i=1
Por lo tanto,
Example 7.24
V = {espacio de las seales peridicas con frecuancia no mayor que
3w0 }.
1
1. {
2.
Example 7.25
Sea V = { funciones constantes por trozos entre los nmeros enteros}
1. ONB para V.
1
bi =
0
if
i1t<i
otherwise
g (t) =
i=
< f, bi >=
f (t) bi (t) dt =
f (t) dt
i1
recon-
CHAPTER 7.
164
Example 7.26
Esta demostracin explora la aproximacin usando una base de Fourier y una base de las ondoletas
30
30 "How
165
en trminos de
b0
b1
ores.
B=
B 1 =
1
3
= B 1 x =
x
en trminos de
b0
1
2
1
6
1
2
3
b1 .
2
x = b0 + b1
3
Y facilmente podemos sustituir nuestros valores conocidos de
b0
b1
sobre
{b1 , . . . , bk }
para
usando
y=
k
X
i=1
despus
V (
166
CHAPTER 7.
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).
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:
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
embargo, dependiendo en la naturaleza de una seal especica (por ejemplo, si es de tamao nito o innito,
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.
Dominio de la Frecuencia
Convolucin
CHAPTER 8.
168
Serie
de
Fourier
L2 ([0, T ))
Con-
l2 (Z)
tinua en el Tiempo
Transformada
Fourier
en
Tiempo
Continuo
Cir-
cular
L2 (R)
L2 (R)
l2 (Z)
L2 ([0, 2))
l2 ([0, N 1])
l2 ([0, N 1])
de
Tiempo
Continuo
Transformada
Fourier
Discreta
de
en
el
Tiempo
Transformada
de
Fourier Discreta
lar
Table 8.1
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:
cn ej0 nt
(8.1)
(8.2)
f (t) =
nn
cn
=
=
donde
cn
1
T
1
T
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
[0, T ]
5 This content is available online at <http://cnx.org/content/m12848/1.5/>.
6 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/>
7 "Continuous Time Periodic Signals" <http://cnx.org/content/m10744/latest/>
169
(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:
N)
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:
(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:
es igual a
CN .
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/>
Available for free at Connexions <http://cnx.org/content/col10373/1.2>
CHAPTER 8.
170
Example 8.1
Figure 8.3:
Example 8.2
Figure 8.4:
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
(8.4)
171
Cuando
ejn
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:
ejn
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)
2 n
7
Example 8.4
Ahora observemos los resultados de gracar una seal no peridica donde
=1
N = 7.
CHAPTER 8.
172
(a)
Figure 8.7:
(b)
8.2.2.1.2 Aliasing
Nuestra senosoidal compleja tiene la siguiente propiedad:
ejn = ej(+2)n
(8.5)
Cada
ejn
[0, 2)
es nica para
< < 2 ,
como:
(a)
Figure 8.8:
(b)
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 .
2 .
173
Example 8.5
Gracaremos nuestra senosoidal compleja,
Figure 8.9:
ejn ,
donde tenemos
5
4 y
.
La grca anterior de la frecuencia dada es idntica a una donde = 3
4
Recuerde que
ejn
n = 1.
e(jn)
son
[, )
para
3
4 .
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.
base para
bk = ejk n , n = {0, . . . , N 1}
tal que
{bk }
sea una
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)
Figure 8.10:
Ejemplos de nuestras
armnicos
senosoidales. (a) Senosoidal armnico con
k = 0 (b)
2
2
Parte imaginaria del senosoidal, Im ej N 1n , con k = 1 (c) Parte imaginaria del senosoidal, Im ej N 2n ,
con k = 2
CHAPTER 8.
174
2
ej N kn
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
es una
base ortonor-
Proof:
Primero que todo, debemos demostrar que
< bk , bl >=
N
1
X
{bk }
N 1
1 X j 2 kn (j 2
N ln)
e N e
N n=0
bk [n] bl [n] =
n=0
< bk , bl >=
Si
l = k,
N 1
1 X j 2 (lk)n
e N
N n=0
1
N
=
l 6= k ,
(8.8)
entonces
< bk , bl > =
Si
< bk , bl >= kl
PN 1
n=0
(8.9)
N
1
X
n=0
n =
n=0
n =
n=N
< bk , bl >=
en esta ecuacin podemos decir que
1
N
1 N
=
1 1
1
N 1
1 X j 2 (lk)n
e N
N n=0
< bk , bl >=
1 1 ej N (lk)N
1
11
=
=0
N 1 ej 2
N 1 ej 2
N (lk)
N (lk)
As,
1
< bk , bl >=
0
Por lo tanto:
que existen
{bk }
es un conjunto ortonormal.
if
k=l
if
k 6= l
{bk }
(8.10)
2
1 ej N kn
N
175
Cn ) f [n],
podemos escribir:
N 1
2
1 X
f [n] =
ck ej N kn
N k=0
(8.11)
N 1
2
1 X
(8.12)
1
Nota: Casi toda la gente juntan los trminos
note:
en la expresin para
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.
11
en
CN .
f [n]
en trminos de la
base
estndar.
f [n]
f [0]
f [1]
f [2]
.
.
.
f [N 1]
f [0] e0 + f [1] e1 + + f [N 1] eN 1
Pn1
=
k=0 f [k] [k n]
f [0]
0
0
0
0
0
f [1] 0
0
0
+ 0 + f [2] + +
.
.
.
.
.
.
.. ..
.
.
0
0
0
f [N 1]
=
f [n]
(8.13)
(8.14)
f [n] =
N
1
X
ck ej N kn
(8.15)
k=0
f [0]
ej N
4
= c0 1 + c1
f [2]
ej N
.
.
.
.
..
.
.
2
f [N 1]
ej N (N 1)
1
f [1]
+ c2
1
4
ej N
ej N
.
.
.
4
ej N (N 1)
+ ...
(8.16)
CHAPTER 8.
176
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
2
Wj,k = ej N kn = Wn,k
W =W
(ya que
{bk [n]}
1
= W = W 1
N
son ortonormales)
f = seal (vector en CN )
c = coecientes DTFS (vector
en
CN )
"synthesis"
f = Wc
"analysis"
c = W T f = W f
Table 8.2
multiplicacin de matrices.
limpio: no se utilizan lmites, no se usan preguntas de convergencia,
CN
esta
extensin peridica de
c [k]
(coecientes
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.
12 This
177
(a)
(b)
Figure 8.11:
(Solution on p. 190.)
Exercise 8.4.1
c [k]
8.4.2 Ejemplos
Example 8.6: Funcin Cuadrada Discreta
Figure 8.12
tiene sentido?
CHAPTER 8.
178
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
ck
=
=
(8.20)
M
X
1 aM +1
1a
an =
n=0
ck
(8.21)
P2N1
e(j N k)
2
(2N1 +1))
j
1 j 2
1e ( N
N N1 k
Ne
(jk 2 )
N
1e
1 j 2
N N1 k
Ne
=
=
m
m=0
(8.22)
jk 2
2N
ck
1
N
e
sin
note:
jk 2
N
jk 2
2N
2k N1 + 1
2
N
1
N
digital sinc
N +1
(N1 + 12 ) e(jk 2
N ( 1 2 ))
ejk
!
2 1
N 2
jk 2 1
N 2
(8.23)
sin( k
N )
es peridica! Figure 8.13, Figure 8.14, y Figure 8.15 muestran como nuestra funcin y
N1 .
(a)
Figure 8.13:
(b)
179
(a)
Figure 8.14:
(a)
Figure 8.15:
(b)
(b)
180
CHAPTER 8.
Figure 8.16
181
Figure 8.17
CHAPTER 8.
182
Figure 8.18
183
Figure 8.19
CHAPTER 8.
184
(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:
14
desplazamien-
tos circulares.
15
185
Figure 8.21
Desplazar
m = 2,
m, f (n + m),
Figure 8.22:
para m = 2
Para
CHAPTER 8.
186
Figure 8.23
f (n)
Figure 8.24:
en el cilindro, ACW
N =8
187
m,
m = 3
Figure 8.25:
Example 8.12
Si
entonces
desplazamiento comn es conocido como desplazamiento linear (un movimiento en una lnea).
lugares es lo mismo que girar por una vuelta completa, o no moverse del mismo lugar.
es equivalente a desplazar CW
N m
188
CHAPTER 8.
Figure 8.26
f [((n))N ]
La expresin anterior, escribe los valores de
f [n]
189
(a)
Figure 8.27:
(b)
DFT
f [n] F [k]
entonces
(Por ejemplo. 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
f [n]
=
=
1
N
1
N
PN 1
k=0
PN 1
k=0
F [k] ej N k(nm)
= f [((n m))N ]
(8.25)
CHAPTER 8.
190
bk = ej N kn
bk+N
= ej N (k+N )n
2
= ej N kn ej2n
2
= ej N n
= bk
N.
(8.26)
Chapter 9
Transformada Rpida de Fourier (FFT)
9.1 DFT: Transformada Rpida de Fourier1
2
Ahora podemos calcular el espectro de una seal arbitraria: La Transformada de Fourier Discreta (DFT)
calcula el espectro en
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
2N
multiplicaciones para realizarse. Para sumar los resultados juntos, debemos mantener la
2N + 2 (N 1) = 4N 2
operaciones es N (4N 2).
frecuencia requiere
nmero total de
nmeros requiere
N 1
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
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.
(Solution on p. 197.)
Exercise 9.1.1
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
N
<http://cnx.org/content/m12937/1.1/>.
: Discrete Fourier transform <http://cnx.org/content/m0502/latest/#eqn1>
: Discrete Fourier transform <http://cnx.org/content/m0502/latest/#eqn1>
CHAPTER 9.
192
N;
valores
La FFT
Figure 9.1:
N 2 )?
Esta gura muestra que tan lento crece el tiempo de solucin de un proceso de O(NlogN).
online at <http://cnx.org/content/m12942/1.1/>.
(FFT)" <http://cnx.org/content/m10250/latest/>
(FFT)" <http://cnx.org/content/m10250/latest/>
193
10
100
1000
106
109
N2
100
104
106
1012
1018
N logN
200
3000
6 106
9 109
Table 9.1
Digamos que tiene una maquina de 1 MFLOP (un millin de "puntos otantes" de operacione spor
N = 1millin = 106 .
12
6
2
algoritmo de O( N ) toma 10
procesos 10 segundos ' 11.5
6
algoritmo de O( N logN ) toma 6 10 procesos 6 segundos.
segundo). Sea
Un
Un
note:
N = 1millin
das.
es razonable.
Example 9.1
Una camara digital de 3 megapixeles arroja
secuencias de punto
f [n]
h [n].
3 106
Si resolvemos directamente
f [n] ~ h [n]
: O(
N 2)
operaciones.
note:
La Universidad de Rice fue (y sigue siendo) uno de los lugares de hacer investigacin en
DSP.
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.
22k
2(N 2)k
+ s (N 2) e(j) N
2(N 2+1)k
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
+
=
+
DFT de los elementos pares nuemrados,y la segunda es de los elementos impares numerados.
DFT es combinada con la segunda multiplicadno por el exponencial complejo
7 This
(9.1)
(j2k)
N
La primer
. La media-longitud
CHAPTER 9.
194
k {0, . . . , N 1}
Normalmente el
nmero de indices de frecuencia del rango de una calculacin de la DFT esta entre cero y la longitud de
la transformacin menos uno.
La
del perido de la transformada discreta de Fourier. La FFT simplemente reusa las soluciones hechas en la
media-longitud de la transformada y las combina a travs de sumas y multiplicaciones por
(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 longitudesno es peridica sobre
N
2 (complejidad
2O
N2
4
O (N )
O (N )
), y
N = 2l
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
transformadas son combinados suamando uno a otro multiplicado por el exponencial complejo. Cada par
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
log2 N
, la complejidad de la FFT es
8 N4 =
O (N logN )
195
(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:
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
CHAPTER 9.
196
Mariposa
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)
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 log2 N como se predijo.
Tenemos
log2 N = 3
etapas, haciendo
(Solution on p. 197.)
Exercise 9.3.1
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
1 2
2 3
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.
197
frecuencias, la complejidad
O (KN).
198
CHAPTER 9.
Chapter 10
Convergencia
10.1 Convergencia de Secuencias1
10.1.1 Qu es una Secuencia?
Denition 10.1: secuencia
Una secuencia es una funcin
secuencia por:
gn
{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:
1
gn (t) =
0
if
0t<
1
n
otherwise
note: Una funcin puede ser pensada como un vector de dimensin innito donde por cada valor
{gn } |
n=1
converge a un lmite
gR
si para
todo
>0
existe un entero
|gi g| < , i N
1 This
tal que
CHAPTER 10.
200
CONVERGENCIA
limit gi = g
i
gi g
La denicin anterior signica que no importa que tan pequeo hagamos
de
gi 's,
de
Example 10.1
Dada las siguiente secuencia de convergencia :
gn =
1
n
(10.1)
limit gn = 0
n
dxe
x.
|gn 0| =
Entonces para
nN
> 0.
Escojamos
tenemos
1
1
<
n
N
Donde,
limit gn = 0
n
Example 10.2
Ahora veamos la siguiente secuencia no-convergente
1 if n = par
gn =
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 if n = par
n
gn =
1 if n = impar
n
1 if n 6= potencia de 10
n
gn =
1 otherwise
n if n < 105
gn =
1 if n 105
n
gn = sin n
gn = j n
Available for free at Connexions <http://cnx.org/content/col10373/1.2>
N = d 1 e,
201
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).
{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.
Example 10.3
gn =
gn [1]
1+
gn [2]
1
n
1
n
gn 's:
limit gn [1] = 1
n
limit gn [2] = 2
n
limit gn = g
n
puntual, donde
g=
1
2
Example 10.4
gn (t) =
t
, tR
n
donde
t0 R.
Por lo tanto
limit gn = g
n
t0
=0
n
puntualmente donde
g (t) = 0
para toda
t R.
{gn } |
n=1
converge a
gn
decrese a
Aqui k k es la norma
n
Intuitivamente esto signica que la distancia
en la norma si
gn 's.
limit k gn g k= 0.
0.
Example 10.5
gn =
1+
2
1
n
1
n
CHAPTER 10.
202
Sea
g=
1
2
k gn g k
1
n
1
1
n2 + n2
2
n
=
limit k gn g k= 0,
n
Por lo tanto,
1+
2
2
1 + 2 n1
Asi
CONVERGENCIA
gn g
(10.2)
en la norma.
Example 10.6
gn (t) =
Sea
g (t) = 0
para todo
t
n
0t1
if
otherwise
t.
k gn (t) g (t) k
R1
t2
dt
0 n2
t3 1
3n2 |n=0
1
3n2
=
=
=
Asi
Por lo tanto,
gn (t) g (t)
(10.3)
en la norma.
Rm ,
Proof: Puntual
Norma
gn [i] g [i]
Asumiendo lo anterior, entonces
(k gn g k) =
m
X
i=1
As,
limit (k gn g k)
Proof: Norma
=
=
limit
n
Pm
Pm
i=1
i=1 limit
n
2
2
(10.4)
Puntual
k gn g k 0
limit
Pm
i=1
Pm
i=1 limit
n
(10.5)
203
Ya que cada trmino es mayor o igual a cero, todos los trminos 'm' deben ser cero. As,
limit 2 = 0
n
i.
para todo
Por lo tanto,
gn g
note:
puntual
Norma
n
gn (t) =
0
Entonces
limit gn (t) = 0
n
0<t<
if
1
n
otherwise
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.
Puntual
1
gn (t) =
0
if
0<t<
1
n
si n es par
otherwise
1 if 0 < t <
gn (t) =
0 otherwise
1
n
si n es impar
Entonces,
Z
k gn g k=
1dt =
0
donde
g (t) = 0
para todo
t.
1
0
n
Entonces,
gn g
Sin embargo, en
1
n
t = 0, gn (t)
en la norma
gn (t) no
CHAPTER 10.
204
CONVERGENCIA
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) =
gn
donde
RR
Denition 10.3: Convergencia Uniforme
{gn } |
n=1 converge
n N implica que
tal que
uniformemente a la funci
si para cada
todo
> 0
(10.7)
t R.
La
Example 10.9
gn (t) =
Sea
>0
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
gn (t) g (t)
note:
puntual
4 This
205
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
206
CHAPTER 10.
CONVERGENCIA
Chapter 11
Transformada de Fourier Discreta en el
Tiempo (DTFT)
11.1 Tabla de Transformadas de Fourier Comunes1
11.1.1 Common CTFT Properties
Time Domain Signal
Condition
e(at) u (t)
1
a+j
1
aj
2a
a2 + 2
1
(a+j)2
n!
(a+j)n+1
a>0
at
e u (t)
e
(a|t|)
te
(at)
u (t)
tn e(at) u (t)
(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 ( (
j
0 2 2
cos (0 t) u (t)
1
j
0 ) + ( + 0 ))
+
continued on next page
1 This
CHAPTER 11.
208
TIEMPO (DTFT)
2j
sin (0 t) u (t)
0 t
t
t
t
+ 1 u +1 u
t + 1 u t u t 1
triag 2t
2 0 t
0
2 sinc
2
n=
t2
2
2
( ( 0 ) ( + 0 ))
0
2 2
0
(a+j)2 +0 2
a+j
(a+j)2 +0 2
)
2 sin(
=
a>0
a>0
2 sinc (t)
u ( + 0 ) u ( 0 )
sinc2
2
+
=
u 0 + 1 u 0 +
0 + 1 u 0 u 0 1 =
triag 2
0
P
0 n= ( n0 )
0 =
2 2
2
2e
(t nT )
+1
2
T
Table 11.1
1+n
triag[n]
= { 1n
0
if
n.
1n0
if
0<n1
otherwise
N
1
X
(11.1)
N 1
2
1 X
X [k] ej n kn , n = {0, . . . , N 1}
N
(11.2)
n=0
x [n] =
k=0
Note que:
1
2 NX
2
X ej M k =
x [n] e(j) M k
n=0
X e
j 2
M k
N
1
X
n=0
2 This
(11.3)
209
2
X ej M k = Xzp [k] , k = {0, . . . , M 1}
La
N -pt
N -pt:
1
NX
X ej =
x [n] e(j)n
(11.4)
n=0
N 1
1
NX
2
1 X
X [k] ej N kn e(j)n
X ej =
N
n=0
k=0
1
N 1
NX
1 X (j)( 2
N k )n
X ej =
X [k]
e
N
k=0
X e
j
N
1
X
k=0
k=0
sin
1
X [k]
N
sin
N 2k
N 1
2
2
e(j)( N k) 2
N 2k
2N
1
.
0
Figure 11.1:
Sinc dirichlet,
2pi/N 4pi/N
2pi
N
1 sin( 2 )
N sin( )
2
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.
.
.
.
.
.
.
x [N 1]
(11.5)
CHAPTER 11.
210
NW
Para
= W 1 ,
es la matriz y DFT.
N
2 log2 N en vez de
N2
operaciones.
N
2 log2 N
N2
16
32
256
64
192
4096
256
1024
65536
1024
5120
1048576
Table 11.2
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
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
Frecuencia contina.
[0, N 1].
que la frecuencia variable es continua: talvez solo se tenga que extender un periodo, como
[0, 1],
1 1
2, 2
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
pretacin despus. El problema ahora es el saber cuantas frecuencias son sucientes para capturar el como
211
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}?
s (n) =
K1
1
X NX
s (m) e(j
2mk
K
) ej 2nk
K
(11.7)
k=0 m=0
Note que la relacin de ortogonalidad que usamos tiene un carcter diferente ahora.
K1
X
e(j
2km
K
) ej
K
=
0
2kn
K
k=0
if
(m = {n, n K, n 2K, . . . })
(11.8)
otherwise
Nosotros obtenemos valores de no cero cada vez que los dos ndices dieren por mltiple de
expresar estos resultados como
l (m n lK).
s (n) =
N
1
X
Los nmeros
sumar un
s (m) K
m=0
K.
Podemos
(m n lK)
(11.9)
l=
n y m existen en el rango {0, . . . , N 1}. Para obtener una transformada inversa, necesitamos
m, n en este rango. Si no lo hiciramos, s (n) igualara a la suma
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
m = n+K
m, n {0, . . . , N 1}.
s (n) + s (n + K) para cualquier valor de
K N : tenemos que tener mas muestreos
n.
de frecuencia que lo que dura la seal. De esta manera, podemos regresar del dominio de frecuencia al cual
entramos por la DFT.
(Solution on p. 219.)
Exercise 11.3.1
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,
2(N 1)
K
(11.10)
= S (1)
.
.
.
K.
2(K1)
K
Obtenemos ecuaciones en
+ + s (N 1) e(j)
N
2(N 1)(K1)
K
= S (K 1)
K < N;
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.
CHAPTER 11.
212
N.
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
(11.12)
k=0
Example 11.1
Use esta demostracin para hacer un anlisis del DFT para la seal.
Example 11.2
Use esta demostracin para sintetizar una seal de una secuencia DFT
X () =
x (n) e(jn)
(11.13)
n=
1
x (n) =
2
6 This
X () ejn d
(11.14)
213
Figure 11.2:
7 "Discrete-Time
l2
, a seales
Graca l2 (Z) en el dominio del tiempo para L2 ([0, 2)) en el dominio de la frecuencia.
CHAPTER 11.
214
Dominio de la Frecuencia
Linearidad
a1 s1 (n) + a2 s2 (n)
s (n)
Simetra Par
s (n) = s (n)
Simetra Impar
s (n) = s (n)
s (n n0 )
Modulacion Compleja
ej2f0 n s (n)
Modulacin de Amplitud
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
dS (ej2f )
1
(2j)
df
j20
n=
Valor en el Origen
Teorema de Parseval
Figure 11.3:
ns (n)
P
s (0)
P
n=
S e
R 21
s (n)
21
(|s (n) |)
1
2
21
S ej2f df
2
|S ej2f | df
1
1
2 . Para demostrar esto, note que un senosoidal en la frecuencia Nyquist 2Ts tiene una
forma muestreada que iguala
frecuencia discreta
cos 2
1
2Ts nTs
cos (n)
(1)
(11.15)
(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:
fD = fA Ts
8 This
9 This
(11.16)
215
onde
fD
fA
gura de aliasing
provee otra manera para derivar este resultado. Conforme la duracin de cada punto en
pTs (t)
1
2 .
La transformada inversa de Fourier discreta en el tiempo se deriva fcilmente en la siguiente relacin:
corresponde a la frecuencia
1
2
12
1
e(j2f m) ejf n df =
0
if
m=n
if
m 6= n
(11.17)
1
2
21
S ej2f ej2f n df
1
2
12
mm
(11.18)
= s (n)
Los pares para la transformada de Fourier discretos en el tiempo son
X
S ej2f =
s (n) e(j2f n)
(11.19)
nn
1
2
s (n) =
S ej2f ej2f n df
(11.20)
21
s (n) = an u (n)
, donde
u (n)
S ej2f
an u (n) e(j2f n)
n
ae(j2f )
n=
n=0
(11.21)
series geomtricas.
CHAPTER 11.
216
Series Geomtricas
n =
n=0
As, por mientras que
|a| < 1
1
, || < 1
1
(11.22)
S ej2f =
1
1 ae(j2f )
(11.23)
|S ej2f | = q
S ej2f
No importa que valor de
(11.24)
asin (2f )
1 acos (2f )
(11.25)
raleza peridica del espectro de seales discretas en el tiempo. Figure 11.4 muestra como el espectro
21
1
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
es un funcin peridica. Tan solo tenemos que considerar el espectro entre
a<0
Figure 11.4:
217
Example 11.4
Anlogo a una seal de pulso anlogo encontramos el espectro de la secuencia de pulso de tamao-
pulse sequence.
1
s (n) =
0
0nN 1
if
(11.26)
otherwise
La transformada de Fourier de esta secuencia tiene la forma de una serie geomtrica truncada.
S e
j2f
N
1
X
e(j2f n)
(11.27)
n=0
Para las llamadas series geomtricas nitas, sabemos que
N +n
0 1
X
n=n0
para
n = n0
1 N
1
(11.28)
(Solution on p. 219.)
Exercise 11.7.1
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
S ej2f
=
=
1e(j2f N )
1e(j2f )
N)
e((jf ))(N 1) sin(f
sin(f )
(11.29)
CHAPTER 11.
218
sin(N x)
sin(x) , que es mejor conocida como la
Por lo tanto, nuestra transformada puede ser expresada como
S ej2f
cuales el
dsinc (x) .
= e((jf ))(N 1) dsinc (f ) . El espectro
numero incrementa con N , la duracin del
Figure 11.6:
219
N +n
0 1
X
n=n0
N +n
0 1
X
n = N +n0 n0
n=n0
(11.30)
220
CHAPTER 11.
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
12.1.1.1 Ecuaciones
Transformada de Fourier de Tiempo-Continuo
f (t) e(jt) dt
F () =
(12.1)
Inversa de la CTFT
note:
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.
Arriba escribimos la variable de la frecuancia readial
en el exponencial, donde
Vase aqui
j2f t,
= 2f ,
pero
en el exponencial.
de Seales DSP.
CHAPTER 12.
222
La ecuacuin anterior para las CFT y su inversa vienen directamente de las series de Fourier y de nuesro
entendimiento de sus coecientes.
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
L2
a longitud-innita,seales de frecuancia-continua en
L2 .
tion 8.1) para una descripcin de todos los espacios usados en el anlisis de Fourier.
Figure 12.1:
Para ms informacin de las caracteristicas de la CTFT, por favor vase el modulo de las Propiedades
de la Transformada de Fourier
Exercise 12.1.1
Encontrar la Transformada de Fourier(CTFT) de la funcin
e(t) if t 0
f (t) =
0 otherwise
(12.3)
(Solution on p. 226.)
Exercise 12.1.2
1
X () =
0
if
|| M
(12.4)
otherwise
223
(CTFT). La primera seccin contiene una tabla que ilustra las propiedades, y la siguiente seccin
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.
note:
emos que propiedades similares se matienen para seales de tiempo-continuo y seales peridicas.
Seal (
f (t) )
Transformada (
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)
1
2
dn
dtn f
(j) F ()
F () )
idad)
Multiplicacin
Escalar
(Sec-
(Section
12.2.2.2:
Simetra)
Escalamiento en el Tiempo (Sec-
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
(t)
Time Diferenciacin)
Table 12.1
6 This content
7 "Continuous
CHAPTER 12.
224
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:
(12.5)
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
con una
Example 12.2
la transformada de Fourier
8 "Elemental
(12.7)
225
= 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 ()
= e
= e
f () e(j(+ )t) d
R
f () e(j) d
(j )
(j )
(12.8)
F ()
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:
(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.
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)
=
=
(12.11)
9 "The
Esto
226
CHAPTER 12.
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)
x (t)
=
=
=
x (t) =
10 "Continuous
R M j(,t)
1
d
2 M e
1 j(,t)
|,=ejw
2 e
1
t sin (M t)
M
sinc
Mt
t 6= 0.
(12.14)
(12.15)
Chapter 13
Teorema de Muestreo
13.1 Muestreo1
13.1.1 Introduccin
Una computadora puede procesar
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)?
13.1.2 Muestreo
Muestreo (y reconstruccin) son los mejores entendimiento en dominio de frecuencia. Empezaremos viendo
algunos ejemplos:
(Solution on p. 248.)
Exercise 13.1.1
Qu seal CT
f (t)
f (t) =
1 This
1
2
F (jw) ejwt dw
CHAPTER 13.
228
Figure 13.1:
Pista:
TEOREMA DE MUESTREO
F (jw)
(a)
son:
(b)
Figure 13.2
(Solution on p. 248.)
Exercise 13.1.2
Qu seal DT
fs [n]
fs [n] =
Figure 13.3:
1
2
fs ejw ejwn dw
229
Figure 13.4:
discreto de f (t)
13.1.2.1 Generalizacin
Por supuesto, que los resultados de los ejemplos anteriores pueden ser generalizados a
donde
f (t)
es
limitado en banda a
(a)
Figure 13.5:
[, ].
(b)
cualquier
f (t)
con
CHAPTER 13.
230
(a)
Figure 13.6:
Fs ejw
(b)
Si
f (t)
TEOREMA DE MUESTREO
F (jw)
2 )
versin de
F (jw). Fs ejw
es la DTFT de muestreo
es la CTFT de seal.
[, ]
fs [n] = f (n)
es solo peridica (con perodo
2 )
versin de
F (jw).
Fs ejw
fs [n]
(a)
Figure 13.7:
(b)
Ahora, sea
fimp (t) =
fs [n] (t n)
n=
La seal CT,
fimp (t),
fs [n].
231
Figure 13.8
(Solution on p. 248.)
Exercise 13.1.3
Cal es la CTFT de
fimp (t)?
fs [n]
[, ],
f (t).
Figure 13.9: Diagrama de bloque mostrando cada paso bsico usado para reconstruir f (t). Podemos
hacer nuestro resultado igual a f (t) exactamente?
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:
2 This
fimp (t)
fs [n]
en un tren de impulso
f (t)
fimp (t)
( freq. =
[, ]
de sus
CHAPTER 13.
232
Figure 13.10:
Diagrama de bloque de reconstruccin con el ltro pasa bajas (lowpass lter (LPF)).
TEOREMA DE MUESTREO
f (t).
g (t).
f (t)
=
=
(13.1)
f (t)
P
fs [n] g (t n)
n=
n=
Figure 13.11
como funcin
La siguiente
ecuacin y la ilustracin (Figure 13.12) representan como el ltro de reconstruccin funciona con
233
la siguiente
g:
1
g (t) =
0
fs [n] =
if
0<t<
otherwise
fs [n] g (t n)
(13.2)
n=
(a)
Figure 13.12:
(b)
note:
Cmo es que
f (t)
f (t)
en el
domionio de frecuencia?
CHAPTER 13.
234
TEOREMA DE MUESTREO
(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
235
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)
Figure 13.15:
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
fs [n] g (t n)
fs [n] sin((tn))
(tn)
n=
n=
(13.3)
(13.4)
= f (t)
en banda a
[, ],
f (t) =
X
n=
fs [n]
sin ( (t n))
(t n)
(13.5)
CHAPTER 13.
236
TEOREMA DE MUESTREO
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.
sin((tn))
iguala a los enteros diferentes a n?
(tn)
sin((tn))
Cal es el soporte de
(tn) ?
Que
f (t) =
fs
n=
Escribiremos
f (t)
(13.6)
es una
sin ( (t n))
(t n)
sin ( (t n))
(t n)
nZ
[, ] .
Pero espere . . . .
<
(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)
237
(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
1
j(kn)
d
2 e
1 sin((kn))
2
j(kn)
note:
(13.10)
1
sin ( (t n)) sin ( (t k))
,
>=
<
0
(t n)
(t k)
Por lo tanto
sin ( (t n))
(t n)
if
n=k
if
n 6= k
(13.11)
nZ
es una base ortonormal (Section 7.7.3: Base Ortonormal) (ONB) para el espacio de funciones limitadas de
banda de
[, ]
note: 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
CHAPTER 13.
238
Sntesis
f (t) =
fs [n]
n=
TEOREMA DE MUESTREO
sin ( (t n))
(t n)
(13.12)
Anlisis
(13.13)
Para poder entender un poco ms sobre como podemos reconstruir una seal exacatamente, ser til
examinar la relacin
s = 2
T (frecuencia
[B , B ] y muestreamos con
igual a nuestro perodo de muestreo (distancia entre las muestras). Despus sea
T <
2
s
<
f (t)
es
(s > 2B )
limitado en banda en
f (t)
de sus muestras.
para
s =
N = 2B
2
T
> 2B
es llamada la "frecuencia
f (t).
posible
s 2B
donde
es la frecuancia de muestreo y
239
Figure 13.17:
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 )
sin
(t nT )
, nZ
(t nT )
T . Los coecientes
note: La base tambin es ortogonal. Para hacerla ortonormal (Section 7.8), necesitamos un factor
de normalizacin de
T.
(Solution on p. 248.)
Exercise 13.4.1
Que pasa si
s < 2B ?
CHAPTER 13.
240
TEOREMA DE MUESTREO
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
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:
Figure 13.18:
s < 2B , T >
6 This
241
Example 13.4
Sea
f1 (t)
tiene CTFT.
Figure 13.19:
Sea
f2 (t)
s
2
=a
tiene CTFT.
Las porciones originales de la seal resultan del solapamiento con replicas desplazadasmostrando la demostracin visual del aliasing.
Figure 13.20:
f2,s [n]?
CONCLUSIN: Si muestreamos debajo de la frecuencia de Nyquist, hay muchas seales que pueden producir
la secuencia dada de la muestra.
CHAPTER 13.
242
Figure 13.21:
TEOREMA DE MUESTREO
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.
Estas dos seales contienen las mismas cuatro muestras, con todo son seales muy
Example 13.5
243
Figure 13.23:
Caso 1: Muestra
note:
s > 2B
Caso 2: Muestra
note:
1
s = (8) rad
seg T = 4 seg.
w
s
8
3
rad
seg
T = 34 seg.
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.
7 http://owers.ofthenight.org/wagonWheel
8 http://www.dvp.co.il/lter/moire.html
9 This content is available online at <http://cnx.org/content/m12974/1.2/>.
CHAPTER 13.
244
TEOREMA DE MUESTREO
(a)
(b)
Figure 13.24
altamente indeseables en la
seal reconstruida.
note: Debemos de evitar el aliasing de la forma que podamos.
s
2 antes
s > 2B ?
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.
22KHz
podemos escuchar).
Debido a esto, podemos ltrar la seal de salida del instrumento antes de que la muestremos
usando el siguiente ltro:
245
Figure 13.25:
(4kHz)
(20kHz),
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 .
Figure 13.26
G (j)
Yimp (j)
ys [n]. As que,
ejT = G (j) H ejT Fs ejT
Y (j) = G (j) Ys
Y (j) = G (j) H e
Y (j) =
10 This
jT
!
1 X
F 2r
F j
T r=
T
X
1
F 2r
G (j) H ejT
F j
T
T
r=
CHAPTER 13.
246
note:
Y (j)
s s
T , T = 2 , 2
F (j) H ejT
Y (j) =
0 otherwise
if
||
TEOREMA DE MUESTREO
G (j)
es un ltro perfecto de
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
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)
247
Figure 13.30
Ha (j)
es LTI si y solo si
h, es sistema DT es LTI
F (j), la entrada, es limitada
CHAPTER 13.
248
TEOREMA DE MUESTREO
1
f (t) =
2
F (jw) ejwt dw
F (jw) = 0
afuera de
[2, 2]
1
2
f (t) =
F (jw) ejwt dw
fs [n] =
Ya que
F (jw) = Fs e
jw
en
1
2
fs [n]
de su DTFT, tenemos
fs ejw ejwn dw
[2, 2]
fs [n] = f (t) |t=n
f (t).
fimp (t) =
fs [n] (t n)
n=
F imp (jw)
=
=
=
=
=
As que la CTFT de
note:
fimp (t)
es
f
(t) e(jwt) dt
imp
R P
(jwt)
dt
n= fs [n] (t n) e
R
P
(jwt)
dt
n= fs [n] (t n) e
P
(jwn)
n= fs [n] e
Fs ejw
igual a la DTFT de
fs [n]
(t n) e(jwt) dt = e(jwn)
(13.14)
249
Figure 13.31
Fs ej
250
CHAPTER 13.
TEOREMA DE MUESTREO
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
est ,
donde
Aunque las transformadas de Laplace rara vez se resuelven mediante integracin (si no por medio de
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 (por ejemplo Matlab) es ms comun), aqu veremos los
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)
f (t) =
1
2j
c+j
F (s) est ds
(14.2)
cj
1 This
252
CHAPTER 14.
laplace e ilaplace, las dos forman parte de las librerias simbolicas, y encontraremos la
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).
El mtodo es el
siguiente:
H (s), como
Hi se encuentra en la tabla
su hi (t).
Pm
h (t) = i=1 hi (t)
Pm
i=1 Hi (s)
2. Invertir cada
3. Se suma cada
Hi (s)
hi (t)
para obtener
para obtener
H (s) =
(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)
tambin puede ser escrito como
H (s)
h (t),
de
H (s) =
> 10
1
25 s+10
.
h (t) = 25e(10t)
Example 14.3
Podemos extender los dos ejemplos anteriores encontrando
1
25
s+5 + s+10
, Re (s) >
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
imaginarias
F (j).
Esto es algo que se podra visualizar mediante grcas en 2-dimensiones (parte real e
2 "Partial
253
(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)
(a)
(b)
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.
254
CHAPTER 14.
Propiedad
Seal
Transformada de
Laplace
Regin de
Convergencia (ROC)
Linealidad
x1 (t) + x2 (t)
X1 (s) + X2 (s)
Al menos una
ROC1 ROC2
Desplazamiento en el
(s )
x (t )
et x (t)
X (s )
X (s)
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
Diferenciacin en el
d
dt x (t)
sX (s)
Al menos una
(t) x (t)
d
ds X
ROC
Rt
(1 s) X (s)
ROC1 ROC2
ROC
Tiempo
Diferenciacin de la
(s)
Frecuencia
Integracin en el
x ( ) d
Al menos una
Tiempo
Table 14.1
debe de estar en
255
Transformada de Laplace
Regin de Convergencia
(t)
All
All
(sT )
(t T )
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
u (t)
tu (t)
n
t u (t)
n
(t u (t))
e
(t)
u (t)
e(t) u (t)
te
(t)
u (t)
n (t)
t e
u (t)
tn e(t) u (t)
cos (bt) u (t)
sin (bt) u (t)
e
(at)
Re (s) > 0
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
Table 14.2
modulo discutir como encontrar la regin de convergencia para cualquier sistema LTI continuo.
Recuerde la denicin de la transformada de Laplace,
Transformada de Laplace
H (s) =
h (t) e(st) dt
(14.3)
Z
0
e(at) e(st) dt =
obtenemos la siguiente
e((a+s)t) dt
(14.4)
256
CHAPTER 14.
1
limit e((s+a)t) 1
s + a t
(14.5)
(14.6)
Al reconocer que
e(jt)
+a
e((a)t)
+a
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
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
Re (s) < a
(14.8)
(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.
257
Example 14.4
Encuentre
H (s)
Al separa esto en dos trminos obtenemos que las funciones de transferencia y la respectivas
regiones de convergencia de
H1 (s) =
y
1
, Re (s) > a
s+a
(14.9)
1
, Re (s) < b
s+b
de convergencia de b > Re (s) > a.
H2 (s) =
Combinando esto obtenemos la regin
(14.10)
Si
a > b,
podemos
Figure 14.4:
L1 (h) (t) =
donde
21
y el numero real
cson
1
2
es
(14.11)
singularidades de
se encuentren
258
CHAPTER 14.
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
x0 = Bx + g
Denimos:
en los cuales
Lx1 (s)
explota.
1/100, 329/400
Las cuatro son negativas, es suciente tomar
273
,
16
and
1/6.
(14.13)
No suponemos que el lector aya encontrado integraciones en el plano complejo pero esperamos que este
ejemplo provea la motivacin necesaria para examinarla.
ilaplace
Volviendo a b3.m
observamos que el
produce
t
3
2
x1 (t) =
211.35e
+ 1.085t + 474.19) e
100
(0.0554t +4.5464t
(329t)
273t
273t
e 400
262.842cosh 16
+ 262.836sinh 16
9 http://www.caam.rice.edu/caam335/cox/lectures/b3.m
t
6
259
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
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
con sus polos y ceros y tratar una vez mas una idea cualitativa de lo
H (z),
cualquier valor de
precisa:
z donde
el
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>
11 This content is available online at <http://cnx.org/content/m12963/1.2/>.
12 "The Laplace Transform" <http://cnx.org/content/m10110/latest/>
13 "Transfer Functions" <http://cnx.org/content/m0028/latest/>
Available for free at Connexions <http://cnx.org/content/col10373/1.2>
260
CHAPTER 14.
z donde
el
2. Las frecuencias complejas que hacen de la ganancia de la funcin de transferencia del ltro se
innita.
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.
2
s +2 es cerro para encontrar esto, tenemos que factorizar
s + j 2 s j 2 . Lo que signica que tenemos races imaginarias de j 2
j 2
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
261
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).
H (z) = z 2
H (s) =
1
s25 tender 25 polos en el origen.
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.
262
CHAPTER 14.
Chapter 15
La Transformada Z y Filtros Digitales
15.1 La Transformada Z: Denicin1
15.1.1 Denicin Bsica de la Transformada-Z
La
X (z) =
x [n] z n
(15.1)
n=
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,
X e
x [n] e(jn)
(15.3)
n=
Note que cuando
z n
es remplazada con
e(jn)
z = ej
z.
1 This
CHAPTER 15.
264
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.
|z| = 1,
. X (z)
rej
=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.
x [n]
x [n] z n
es denida como el
serie de potencia,
|x [n] z n | <
(15.4)
n=
Se tiene que satisface para la convergencia.
transformadas-z de
n u [n]
n u [n 1].
Example 15.1
Para
x [n] = n u [n]
(15.5)
265
Figure 15.2:
X (z)
=
=
n=
x [n] z n
n
n
n= u [n] z
n n
n=0 z
P
1 n
n=0 z
(15.6)
Esta secuencia es un ejemplo de una exponencial del lado derecho por que tiene un valor de no
cero para
n 0.
|z 1 | < 1.
Cuando converge,
X (z)
1
1z 1
z
z
=
=
Si
|z 1 | 1,
n=0
z 1
n
(15.7)
valores cuando
|z 1 | < 1
(15.8)
|z| > ||
(15.9)
o, equivalentemente,
CHAPTER 15.
266
Figure 15.3:
Example 15.2
Para
x [n] = (n ) u [(n) 1]
(15.10)
267
Figure 15.4:
X (z)
x [n] z n
(n ) u [n 1] z n
n=
n=
P1
n z n
n
= n= 1 z
n
P
= n=1 1 z
n
P
= 1 n=0 1 z
=
n=
P1
(15.11)
|1 z| < 1
(15.12)
|z| < ||
(15.13)
o, equivalentemente
X (z)
z
z
1
11 z
(15.14)
CHAPTER 15.
268
Figure 15.5:
u [n]
z
1
=
z1
1 z 1
2 This
(15.15)
269
Seal
Transformada-Z
ROC
[n k]
z k
All (z)
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!
|z| < 1
|z| > 1
|z| > 1
|z| > 1
|z| < ||
|z| > ||
|z| > ||
|z| > ||
|z| > ||
|z| > ||
Table 15.1
X (z) =
x [n] z n
(15.16)
n=
La ROC para una
x [n]
transformadaz es una
palabras,
x [n] z n
|x [n] z n | <
(15.17)
n=
tiene que ser satisfecha para la convergencia.
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.
3 This
CHAPTER 15.
270
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
1
absolutamente sumable. Cuando n2 > 0 entonces existir z
trminos por lo tanto la ROC no incluye
z = 0. Cuando n1 < 0 la suma ser innita por lo tanto la ROC no incluye |z| = . Pero si, n2 0
entonces la ROC incluir z = 0, y cuando n1 0 la ROC incluir |z| = . Con esta condiciones, la
nica seal que tiene una ROC que cubre todo el plano-z es x [n] = c [n].
Figure 15.6:
|X (z) | = |
|X (z) | < .
x [n] z
n=
|x [n] z
|=
n=
|x [n] |(|z|)
(15.18)
n=
1
X
N (z) =
|x [n] |(|z|)
(15.19)
(15.20)
n=
y
P (z) =
|x [n] |(|z|)
(15.21)
n=0
Para que
|X (z) |
se innita,
|x [n] |
|x (n) | C1 r1 n
(15.22)
271
para
n<0
y
|x (n) | C2 r2 n
(15.23)
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
n=0
Figure 15.7:
r2 n (|z|)
|z| > r2 ,
= C2
n
X
r2
n=0
|z|
(15.24)
|z| > r2 .
CHAPTER 15.
272
Figure 15.8:
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 > .
que
N (z) C1
1
X
r1 n (|z|)
= C1
n=
Por lo tanto para que la suma converja,
tiene la forma de
Figure 15.9:
n
k
1
X
X
|z|
r1
= C1
|z|
r1
n=
(15.25)
k=1
|z| < r1 ,
|z| < r1 .
273
Figure 15.10:
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 converge, entonces el tiempo positivo y el tiempo negativo converge, y
X (z) converge tambin. Por eso la ROC de una secuencia de dos lados tiene la forma de r2 < |z| < r2 .
Figure 15.11:
CHAPTER 15.
274
Figure 15.12:
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
|z| >
1
2.
u [n]
(15.26)
275
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
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 ,
CHAPTER 15.
276
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] =
La transformada y ROC de
La transformada de
1 n
2
1
4
n
n
1
u [n]
u [(n) 1]
2
(15.28)
1 n
u [n] fueron mostradas en el ejemplo anterior (Example 15.3).
4
u [(n) 1] es zz 1 con una ROC en |z| > 21 .
2
277
Figure 15.16:
La ROC de
` ` 1 n
2
u [(n) 1]
Usando linealidad,
X2 [z]
=
=
|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
CHAPTER 15.
278
Figure 15.17:
La ROC de x2 [n] =
` 1 n
4
u [n]
` 1 n
2
u [(n) 1].
X (z) =
x [n] z n
(15.30)
n=
Es de gran ayuda el poder encontrar
x [n]
dado
X (z).
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)
Example 15.5
Dado
X (z) =
4 This
z
z
279
|z| >
Al inspeccionar podemos determinar que
x [n] = n u [n]
X (z)
B(z)
A(z)
P
(15.31)
bk z k
k
k=0 ak z
M
k=0
PN
X (z) =
QM
a0 k=1 1 ck z 1
QN
b0 k=1 1 dk z 1
donde
Si
X (z) =
N
X
k=1
dk
(15.32)
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)
X (z)
en la forma descrita
X (z) =
M
N
X
r=0
PN 1 ' k
bk z
Br z r + Pk=0
N
k
a
k=0 k z
(15.34)
Example 15.6
Encuentre la transformada inversa-z de
X (z) =
Donde el ROC es
|z| > 2.
En este caso
1 + 2z 1 + z 2
1 3z 1 + 2z 2
M = N = 2,
obtener
X (z) =
1
7 1
1
2 + 2z
+
2 1 3z 1 + 2z 2
X (z) = 2 +
5 "Partial
1 + 5z 1
(1 2z 1 ) (1 z 1 )
CHAPTER 15.
280
X (z) =
9
A2
1
4
A1
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
X (z) =
x [n] z n
(15.35)
n=
x [n]
z n .
Example 15.7
tamao nito.
X (z)
z 2 1 + 2z 1
= z 2 + 52 z +
1
2
1 21 z 1
1 + z 1
(15.36)
+ z 1
X (z).
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) = logn 1 + z 1
Al notar que
logn (1 + x) =
Entonces
X (z) =
Por lo tanto
X (z) =
X
1n+1 xn
n
n=1
X
1n+1 n z n
n
n=1
1n+1 n
n
if
if
n1
n0
281
1
x [n] =
2j
X (z) z n1 dz
(15.37)
r
donde
Para
expandir este mtodo para encontrar la inversa se necesita conocimiento de teora de variables complejas y
esto no se vera en este modulo.
Example
Aqu se muestra un ejemplo de una funcin racional,
f (x).
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.
15.5.2.1 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)
{2, 2}
{3, 1}
6 This
(15.39)
CHAPTER 15.
282
note:
Para entender las funciones racionales, es esencial el saber y entender las races que forman
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
Example
Usando la funcin racional anterior, (15.38), el dominio se puede denir como cualquier numero real
donde
{ x R | (x 6= 3) and (x 6= 1) }
(15.40)
15.5.2.4 Intercepciones
La
f (x),en
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
X (z) =
b0 + b1 z 1 + + bM z M
a0 + a1 z 1 + + aN z N
(15.41)
283
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:
ceros en la transformada-z
polos de la transformada-z
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 .
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 15.3:
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
Example
y [n] + 7y [n 1] + 2y [n 2] = x [n] 4x [n 1]
(15.42)
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.
CHAPTER 15.
284
N
X
ak y [n k] =
k=0
M
X
bk x [n k]
(15.43)
k=0
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]
Ya que la ecuacin depende de los valores pasados de la salida, para calcular una solucin numrica, algunos
valores pasados, conocidos como
funcin de transferencia,
de diferencia. Los siguientes pasos se deben de tomar para convertir cualquier funcin de diferencia en su
funcin de diferencia.
la (15.43).
11
Y (z) =
N
X
ak Y (z) z k +
k=1
H (z)
M
X
bk X (z) z k
a0 = 1.
(15.45)
k=0
=
=
Y (z)
X(z)
PM
k
k=0 bk z
P
1+ N
a
z k
k
k=1
(15.46)
note:
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
(jwk)
k=0 bk e
PN
(jwk)
a
e
k
k=0
(15.47)
Despus de que usted entienda la derivacin de esta formula vea el modulo titulado el ltro y la transformada12
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
285
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 21 )(z+ 43 )
z 2 +2z+1
z 2 +2z+1 38
1+2z 1 +z 2
1+ 14 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
1
3
x [n] + 2x [n 1] + x [n 2] = y [n] + y [n 1] y [n 2]
4
8
(15.50)
y [n] = x [n] + 2x [n 1] + x [n 2] +
3
1
y [n 1] + y [n 2]
4
8
(15.51)
x (n)
y basadas en un conjunto de
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.
La primera parte,
las
(15.52)
CHAPTER 15.
286
x (n) = 0.
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
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:
(15.56)
yp (n),
N
X
ak yp (n k) =
k=0
M
X
bk x (n k)
(15.57)
k=0
yp (n)
x (n).
Despus de esto, uno nada mas tiene que sustituir la respuesta y resolver la ecuacin.
Y (z).
Al usar la
X (z) =
14 This
P (z)
Q (z)
(15.58)
287
P (z) y Q (z), nos dejan encontrar los polos y ceros (Section 14.6) de la transformada-
P (z) = 0.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
cero.
donde
Q (z) = 0.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
innita.
Example 15.11
Esta es la funcin de transferencia con polos y ceros.
H (z) =
Los ceros son:
Los polos son:
z+1
z 12 z + 43
{1}
1 3
2, 4
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.
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.
Plano-Z
Figure 15.18
CHAPTER 15.
288
H (z) =
Los ceros son:
Los polos son:
1
2
z
z+
3
4
{0}
1 3
2, 4
Gracas de Polos y Ceros
Figure 15.19:
H (z) =
Los ceros son:
Los polos son:
(z j) (z + j)
21 j
z 12 + 12 j
1
2
{j,
j}
1, 12 + 12 j, 12 12 j
289
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:
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.
X (z)
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.
estable.
causal.
CHAPTER 15.
290
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
Figure 15.21:
15
291
H (w)
H (z) |z,z=ejw
PM
(jwk)
k=0 bk e
PN
(jwk)
a
e
k=0 k
(15.59)
ejw
se obtiene lo siguiente:
H (w) = |
QM
jw
ck |
b0
k=1 |e
| QN
jw
a0
dk |
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
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
Los vectores son usados para representar el trmino y sus partes en el plano complejo. El polo o cero,
w.
|ejw h|,
entender como la magnitud de la respuesta de frecuencia es un radio de distancias de polos y ceros presente
en el plano-z y
Q
b0
distancias de los ceros
Q
|H (w) | = | |
a0
distancias de los polos
(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
2 , las
|H (w) |.
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|,
son gracados especcamente en el plano complejo, visto en la siguenta gura. Estos vectores
va de
17 "Understanding
0 a 2 , tambin
w = 0, el vector
CHAPTER 15.
292
|H (w) |.
se acerca a
el
Figure 15.22:
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
.
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 12 e(jw)
describes
las
ecuaciones
anteriores.
La
cnxn
H (w).
w = 0
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
0.
293
Figure 15.23:
294
CHAPTER 15.
Chapter 16
Tareas
CHAPTER 16.
296
TAREAS
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.
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. Specically, be sure to review
topics such as:
complex plane
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
ez
|z| = 1
(b) Experiment with the functions absolute (abs), real part (re), and imaginary part (im) and report
your ndings.
297
1j
(a)
2
1+2j
(b)
3+4j
1+ 3j
(c)
3j
a + jb.
Do
(d)
(e)
20
jj
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,
b,
etc...).
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
(a)
j2
N
is called an
(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.
u C2
and
v C2
are called
linearly independent if
u + v = 0
It is a fact that we can write any vector in
if and only if
C2
as a
are
complex-valued.
3 + 4j
1
5
as a linear combination of and
. That is, nd and
(a) Write
6 + 2j
2
3
and
==0
as
x=
3 + 4j
6 + 2j
x1
1
2
as
x2
(x) and (x).
a linear combination of
(c) Write the answer to (a) in matrix form, i.e. nd a 22 matrix
x1
x2
(x)
(x)
such that
1
2
and
such that
5
3
We will denote
CHAPTER 16.
298
(d) Repeat (b) and (c) for a general set of linearly independent vectors
and
TAREAS
v.
A Julia set
f (x) = x2 +
with
g0 (x) = x
g1 (x) = f (g0 (x)) = f (x)
g2 (x) = f (g1 (x)) = f (f (x))
.
.
.
xJ
if the sequence
also belongs to
x J,
J.
matter how far you zoom in on it. The well-known Mandelbrot set contains all values of
= 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,
threshold
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
%
%
%
%
imagesc
N on the number of
M for all 0 n N ,
299
Figure 16.1:
Using the
= 0.75, N = 100,
and
M = 2.
Example image where the x-axis is Re (x) and the y-axis is Im (x).
N, M,
and
x,
= 0.391 0.587j .
M.
Tip: try
imagesc(log(Jmap))
and
colormap jet
neat picture.
for a
GLOSSARY
300
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
2
6
4
no linealmente independientes.
Base Normada
una base (Section 5.1.3: Bases)
{bi }
donde cada
bi
k bi k= 1 , i Z
(7.19)
Base Ortogonal
una base
{bi }
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
Cn
Cn y
(2) es linealmente
independiente.
GLOSSARY
301
Ceros
1. El valor(es) para
z donde
el
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
cero.
ceros
1. valor(es) dez donde
P (z) = 0.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
cero.
Convergencia Uniforme
La secuencia (Section 10.1)
existe un entero
tal que
{gn } |
n=1 converge
n N implica que
uniformemente a la funci
si para cada
>0
todo
(10.7)
t R.
Desigualdad de Cauchy-Schwarz
Para
x, y
| < x, y > | k x kk y k
que mantiene la igualdad
si y solo si
x = y
para un escalar
dominio
El grupo, o conjunto, de valores que son denidos por una funcin.
Example:
donde
obtenemos lo siguiente:
{ x R | (x 6= 3) and (x 6= 1) }
(15.40)
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
Un espacio vectorial
escalar
(donde
para todo
Funcin Racional
Para dos polinomios cualquiera, A y B, su fraccin es conocida cono una funcin racional.
Example:
f (x).
denominador pueden ser polinomios de cualquier orden, pero la funcin racional es indenida
cuando el denominador es cero.
f (x) =
x2 4
+x3
2x2
(15.38)
GLOSSARY
302
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)
lmite
Una secuencia
{gn } |
n=1
converge a un lmite
gR
si para
todo
>0
existe un entero
tal que
|gi g| < , i N
Usualmente denotamos un lmite escribiendo
limit gi = g
i
gi g
Ortogonal
Decimos que
< x, y >= 0
polos
1. El valor(es) para
z donde
el
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.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
innita.
Producto Interno
El producto interno esta denido matemticamente de la siguiente manera:
< x, y >
= yT x
Pn1
y0
y1
...
yn1
x0
x1
.
.
.
xn1
i=0
xi yi
secuencia
(7.1)
GLOSSARY
303
gn
{gn } |
n=1
gn =
Example:
gn =
Example:
1
n
sin
cos
n
2
n
2
1
gn (t) =
0
if
0t<
1
n
otherwise
note: Una funcin puede ser pensada como un vector de dimensin innito donde por
Subespacio Generado
7
{x1 , x2 , . . . , xk } es el conjunto
{x1 , x2 , . . . , xk }
de
Dado el vector
x1 =
el subespacio generado de
Example:
x1
es una
linea.
x1 =
x2 =
El subespacio generado por estos vectores es
7 "Subspaces",
3
2
1
2
C2 .
INDEX
304
1
A
15.8(290)
1 Linealmente Independiente, 75
alfabeto, 1.6(23), 25
coecientes, 6.2(96)
13.6(243)
6.9(114)
amplitud compleja, 20
Anti-Aliasing, 13.6(243)
anticausal, 1.1(1)
anticausales, 3
compuesto, 196
anlogo, 1.1(1), 2
anlogos, 23
aperiodica, 96
aperidico, 1.1(1)
conjugados, 173
approximacin, 7.13(161)
armnico, 8.2(168)
continua, 116
continuo, 1
continuous time, 3.2(42), 3.4(55),
11.1(207)
converge, 10.3(204)
10.2(201), 10.3(204)
8.2(168), 174
convergente, 10.3(204)
convoluciones, 4.3(68)
BIBO, 3.4(55)
6.7(110), 12.2(223)
buttery, 9.3(193)
apples, 1
convolucin linear, 68
cada, 97
Cartesian, 297
convolver, 4.3(68)
cascade, 2.2(33)
cauch-schwarz, 7.5(132)
csi, 7.5(132)
cauchy, 7.5(132)
cuachy, 7.5(132)
causales, 3
cero, 14.4(255), 14.6(259), 15.7(286),
decompose, 7.8(146)
delta de Dirac, 14
INDEX
305
energa, 115
espacio de funciones, 79
determinant, 5.3(79)
7.10(151), 7.13(161)
determinstica, 7
11.2(208), 11.3(210)
diferenciales, 3.1(39)
Dirichlet, 116
7.9(150)
7.7(142)
15.2(268)
existencia, 116
DT, 4.2(63)
F, 62
fasor, 20
constante, 283
eigen, 5.5(88)
11.2(208)
eigenfuncion, 6.4(100)
ltro de boxcar, 62
eigenfuncin, 5.6(89), 90
FIR, 62
eigenfunctions, 5.5(88)
forma, 193
eigenseal, 90
8.5(184), 9.2(192)
eigenvectors, 5.5(88)
ejemplo, 11.7(215)
ejemplos, 11.7(215)
elec301, 16.1(296)
INDEX
306
238
frequencia, 11.6(214)
lineal, 2.1(29), 29
fsk, 7.5(132)
linealidad, 12.2(223)
linealmente independiente, 75
funcion, 15.5(281)
linear, 2.2(33)
6.2(96), 6.8(111)
lmite, 199
M mariposa, 195
matched lter detector, 7.5(132)
G
H
genera, 150
haar, 7.10(151)
hermitiana, 7.11(158)
metodo grco, 45
modulacin, 12.2(223)
7.8(146), 7.10(151)
muestra, 13.5(240)
homework 1, 16.1(296)
muestreando, 13.4(238)
muestrear, 210
muestreo, 227, 13.3(236), 13.4(238),
I, 62
13.5(240), 13.6(243)
identidad de Euler, 20
impulso unitario, 14
mximo, 131
independencia, 5.1(75)
mximos, 118
inestable, 32
K
L
mnimos, 118
kronecker, 7.7(142)
10.2(201)
14.5(257)
normada, 7.7(142)
normalizada, 300
normalization, 7.2(127)
INDEX
307
norms, 7.2(127)
proporcional, 191
ondoleta, 7.10(151)
puntual, 10.2(201)
puntualmente, 201
R, 62
racional, 15.5(281)
parallel, 2.2(33)
reconstruir, 13.3(236)
Laplace, 251
Parseval, 7.12(160)
perfecta, 13.3(236)
respuesta de estado-cero, 39
periodicidad, 6.1(95)
respuesta de impulso, 19
respuesta de salida-cero, 39
schwarz, 7.5(132)
Plancharel, 7.12(160)
secuencia, 199
plano-s, 22
pole, 3.4(55)
polinomio, 15.5(281)
seno, 1.6(23)
15.8(290)
11.7(215)
processing, 13.7(245)
7.5(132), 7.11(158)
8.3(175), 8.4(176)
projection, 7.3(129)
property, 3.3(48)
seal aleatoria, 7
1.4(16), 18
propiedades, 6.6(106)
tiempo-continuo, 20
INDEX
308
21
14.6(259), 15.2(268)
Tiempo-continuo, 12.2(223)
tiempo-discreto, 1.6(23)
time-invariant, 2.2(33)
transforma, 86
transformada, 6.2(96)
11.1(207)
15.1(263), 263
sinc, 13.3(236)
221
sistema continuo, 29
Tiempo, 11.7(215)
sistema discreto, 29
14.4(255), 14.6(259)
transformada de z, 8.1(167)
14.6(259)
210
4.1(59)
9.2(192), 9.3(193)
span, 5.5(88)
stability, 3.4(55)
suaves, 102
suma de convolucin, 63
transformadaz, 269
superposicin, 4.1(59)
transforms, 149
superposition, 2.2(33)
transpuesta, 7.11(158)
system, 5.5(88)
trasformar, 98
uniforme, 10.3(204)
sntesis, 98
t-periodico, 6.1(95)
tamao nito, 280
Teorema de Nyquist, 13.4(238), 238
Teorema de Parseval, 11.7(215)
teora de control, 261
tiempo continuo, 1.1(1), 1.3(12), 3.1(39),
8.1(167), 12.1(221), 13.1(227), 227,
13.7(245), 14.1(251), 14.2(253),
14.3(255), 14.4(255), 14.6(259)
tiempo discreto, 1.1(1), 4.2(63), 8.1(167),
8.3(175), 8.5(184), 11.4(212), 11.5(214),
unitario, 16
INDEX
309
nica, 147
zero, 3.4(55)
ATTRIBUTIONS
310
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
License: http://creativecommons.org/licenses/by/2.0/
Based on: Signal Classications and Properties
By: Melissa Selik, Richard Baraniuk, Michael Haag
URL: http://cnx.org/content/m10057/2.16/
Module: "Operaciones para Seales"
By: Richard Baraniuk
URL: http://cnx.org/content/m12823/1.7/
Pages: 9-12
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Signal Operations
By: Richard Baraniuk
URL: http://cnx.org/content/m10125/2.5/
Module: "Seales tiles"
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m12819/1.11/
Pages: 12-16
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Useful Signals
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m10058/2.10/
Module: "Funcin de Impulso"
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m12824/1.9/
Pages: 16-19
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: The Impulse Function
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m10059/2.16/
ATTRIBUTIONS
311
ATTRIBUTIONS
312
Module: "Convolucin de Tiempo-Continuo"
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m12828/1.4/
Pages: 42-48
Copyright: Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Continuous-Time Convolution
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m10085/2.25/
Module: "Propiedades de la Convolucin"
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m12829/1.2/
Pages: 48-55
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Properties of Convolution
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m10088/2.12/
Module: "Estabilidad BIBO"
By: Richard Baraniuk
URL: http://cnx.org/content/m12834/1.3/
Pages: 55-57
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: BIBO Stability
By: Richard Baraniuk
URL: http://cnx.org/content/m10113/2.8/
Module: "Anlisis en el Dominio del Tiempo para Sistemas Discretos"
By: Don Johnson
URL: http://cnx.org/content/m12830/1.6/
Pages: 59-62
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Discrete-Time Systems in the Time-Domain
By: Don Johnson
URL: http://cnx.org/content/m10251/2.20/
Module: "Convolucin Discreta"
By: Ricardo Radaelli-Sanchez, Richard Baraniuk
URL: http://cnx.org/content/m12833/1.4/
Pages: 63-68
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Discrete-Time Convolution
By: Ricardo Radaelli-Sanchez, Richard Baraniuk
URL: http://cnx.org/content/m10087/2.17/
ATTRIBUTIONS
313
ATTRIBUTIONS
314
Module: "Generalidades de Eigenvectores y Eigenvalores"
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m12872/1.3/
Pages: 88-89
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Eigen-stu in a Nutshell
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m10742/2.4/
Module: "Eigenfunciones de los Sistemas LTI"
By: Justin Romberg
URL: http://cnx.org/content/m12874/1.3/
Pages: 89-92
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Eigenfunctions of LTI Systems
By: Justin Romberg
URL: http://cnx.org/content/m10500/2.7/
Module: "Propiedades de la Transformada de Fourier"
By: Don Johnson
URL: http://cnx.org/content/m12875/1.2/
Page: 92
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Fourier Transform Properties
By: Don Johnson
URL: http://cnx.org/content/m0045/2.8/
Module: "Seales Peridicas"
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m12933/1.3/
Pages: 95-96
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Periodic Signals
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m10744/2.5/
Module: "Series de Fourier: El Mtodo de Eigenfunciones"
By: Justin Romberg
URL: http://cnx.org/content/m12893/1.3/
Pages: 96-99
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Fourier Series: Eigenfunction Approach
By: Justin Romberg
URL: http://cnx.org/content/m10496/2.20/
ATTRIBUTIONS
315
ATTRIBUTIONS
316
Module: "Series de Fourier y los Sistemas LTI"
By: Justin Romberg
URL: http://cnx.org/content/m12900/1.2/
Pages: 111-114
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Fourier Series and LTI Systems
By: Justin Romberg
URL: http://cnx.org/content/m10752/2.7/
Module: "Convergencia de las Series de Fourier"
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m12934/1.2/
Pages: 114-116
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Convergence of Fourier Series
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m10745/2.3/
Module: "Condiciones de Dirichlet"
By: Ricardo Radaelli-Sanchez
URL: http://cnx.org/content/m12927/1.2/
Pages: 116-118
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Dirichlet Conditions
By: Ricardo Radaelli-Sanchez
URL: http://cnx.org/content/m10089/2.9/
Module: "El Fenmeno de Gibbs"
By: Ricardo Radaelli-Sanchez, Richard Baraniuk
URL: http://cnx.org/content/m12929/1.1/
Pages: 118-121
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Gibbs's Phenomena
By: Ricardo Radaelli-Sanchez, Richard Baraniuk
URL: http://cnx.org/content/m10092/2.8/
Module: "Resumen de las Series de Fourier"
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m12932/1.3/
Pages: 121-122
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Fourier Series Wrap-Up
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m10749/2.3/
ATTRIBUTIONS
317
ATTRIBUTIONS
318
Module: "Espacios de Hilbert comunes"
By: Roy Ha, Justin Romberg
URL: http://cnx.org/content/m12881/1.2/
Pages: 139-142
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Common Hilbert Spaces
By: Roy Ha, Justin Romberg
URL: http://cnx.org/content/m10759/2.5/
Module: "Tipos de Bases"
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m12902/1.2/
Pages: 142-146
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Types of Basis
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m10772/2.4/
Module: "Expansin de Bases Ortonormales"
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m12928/1.1/
Pages: 146-150
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Orthonormal Basis Expansions
By: Michael Haag, Justin Romberg
URL: http://cnx.org/content/m10760/2.4/
Module: "Espacio de Funciones"
By: Justin Romberg
URL: http://cnx.org/content/m12913/1.1/
Pages: 150-151
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Function Space
By: Justin Romberg
URL: http://cnx.org/content/m10770/2.4/
Module: "Base de la Ondoleta de Haar"
By: Roy Ha, Justin Romberg
URL: http://cnx.org/content/m12919/1.2/
Pages: 151-158
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Haar Wavelet Basis
By: Roy Ha, Justin Romberg
URL: http://cnx.org/content/m10764/2.6/
ATTRIBUTIONS
319
ATTRIBUTIONS
320
Module: "Ecuacin de Matriz para la DTFS"
By: Roy Ha
URL: http://cnx.org/content/m12859/1.1/
Pages: 175-176
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Matrix Equation for the DTFS
By: Roy Ha
URL: http://cnx.org/content/m10771/2.6/
Module: "Extensin Peridica de las DTFS"
By: Roy Ha
URL: http://cnx.org/content/m12860/1.2/
Pages: 176-184
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Periodic Extension to DTFS
By: Roy Ha
URL: http://cnx.org/content/m10778/2.5/
Module: "Desplazamientos Circulares"
By: Justin Romberg
URL: http://cnx.org/content/m12864/1.1/
Pages: 184-189
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Circular Shifts
By: Justin Romberg
URL: http://cnx.org/content/m10780/2.6/
Module: "DFT: Transformada Rpida de Fourier"
By: Don Johnson
URL: http://cnx.org/content/m12937/1.1/
Pages: 191-192
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: DFT: Fast Fourier Transform
By: Don Johnson
URL: http://cnx.org/content/m0504/2.8/
Module: "La Transformada Rpida de Fourier (FFT)"
By: Justin Romberg
URL: http://cnx.org/content/m12942/1.1/
Pages: 192-193
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: The Fast Fourier Transform (FFT)
By: Justin Romberg
URL: http://cnx.org/content/m10783/2.5/
ATTRIBUTIONS
321
ATTRIBUTIONS
322
Module: "Transformacin Discreta de Fourier"
By: Phil Schniter
URL: http://cnx.org/content/m12843/1.2/
Pages: 208-210
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Discrete Fourier Transformation
By: Phil Schniter
URL: http://cnx.org/content/m10421/2.10/
Module: "Transformada Discreta de Fourier (DFT)"
By: Don Johnson
URL: http://cnx.org/content/m12844/1.1/
Pages: 210-212
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Discrete Fourier Transform (DFT)
By: Don Johnson
URL: http://cnx.org/content/m10249/2.23/
Module: "Transformada de Fourier Discreta en el Tiempo (DTFT)"
By: Richard Baraniuk
URL: http://cnx.org/content/m12861/1.1/
Pages: 212-213
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Discrete-Time Fourier Transform (DTFT)
By: Richard Baraniuk
URL: http://cnx.org/content/m10108/2.11/
Module: "Propiedades de la Transformada de Fourier Discreta en el Tiempo"
By: Don Johnson
URL: http://cnx.org/content/m12846/1.1/
Page: 214
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Discrete-Time Fourier Transform Properties
By: Don Johnson
URL: http://cnx.org/content/m0506/2.6/
Module: "Par de la Transformada de Fourier Discreta en el Tiempo"
By: Don Johnson
URL: http://cnx.org/content/m12845/1.1/
Pages: 214-215
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Discrete-Time Fourier Transform Pair
By: Don Johnson
URL: http://cnx.org/content/m0525/2.6/
ATTRIBUTIONS
323
ATTRIBUTIONS
324
Module: "Ms sobre Reconstruccin Perfecta"
By: Roy Ha, Justin Romberg
URL: http://cnx.org/content/m12970/1.2/
Pages: 236-238
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: More on Perfect Reconstruction
By: Roy Ha, Justin Romberg
URL: http://cnx.org/content/m10790/2.4/
Module: "Teorema de Nyquist"
By: Justin Romberg
URL: http://cnx.org/content/m12971/1.2/
Pages: 238-239
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Nyquist Theorem
By: Justin Romberg
URL: http://cnx.org/content/m10791/2.4/
Module: "Aliasing"
By: Justin Romberg, Don Johnson
URL: http://cnx.org/content/m12973/1.3/
Pages: 240-243
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Aliasing
By: Justin Romberg, Don Johnson
URL: http://cnx.org/content/m10793/2.5/
Module: "Filtros Anti-Aliasing"
By: Justin Romberg
URL: http://cnx.org/content/m12974/1.2/
Pages: 243-245
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Anti-Aliasing Filters
By: Justin Romberg
URL: http://cnx.org/content/m10794/2.4/
Module: "Procesamiento de Tiempo Discreto de Seales de Tiempo Continuo"
By: Justin Romberg
URL: http://cnx.org/content/m12976/1.2/
Pages: 245-247
Copyright: Fara Meza, Erika Jackson
License: http://creativecommons.org/licenses/by/2.0/
Based on: Discrete Time Processing of Continuous Time Signals
By: Justin Romberg
URL: http://cnx.org/content/m10797/2.4/
ATTRIBUTIONS
325
ATTRIBUTIONS
326
Module: "Polos y Ceros"
By: Richard Baraniuk
URL: http://cnx.org/content/m12963/1.2/
Pages: 259-261
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Poles and Zeros
By: Richard Baraniuk
URL: http://cnx.org/content/m10112/2.11/
Module: "La Transformada Z: Denicin"
By: Benjamin Fite
URL: http://cnx.org/content/m12951/1.1/
Pages: 263-268
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: The Z Transform: Denition
By: Benjamin Fite
URL: http://cnx.org/content/m10549/2.9/
Module: "Tabla de Transformadas-Z Comunes"
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m12950/1.2/
Pages: 268-269
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Table of Common z-Transforms
By: Melissa Selik, Richard Baraniuk
URL: http://cnx.org/content/m10119/2.12/
Module: "Regin de Convergencia para la Transformada- Z"
By: Benjamin Fite
URL: http://cnx.org/content/m12956/1.2/
Pages: 269-278
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Region of Convergence for the Z-transform
By: Benjamin Fite
URL: http://cnx.org/content/m10622/2.5/
Module: "La Transformada Inversa de Z"
By: Benjamin Fite
URL: http://cnx.org/content/m12958/1.2/
Pages: 278-281
Copyright: Erika Jackson, Fara Meza
License: http://creativecommons.org/licenses/by/2.0/
Based on: Inverse Z-Transform
By: Benjamin Fite
URL: http://cnx.org/content/m10651/2.4/
ATTRIBUTIONS
327
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.
English, Spanish, Chinese, Japanese, Italian, Vietnamese, French, Portuguese, and Thai. Connexions is part
of an exciting new information distribution system that allows for
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.