ANÀLISIS DE FOURIER

ANÀLISIS DE FOURIER
Primera Edición

Julián Quiroga Sepúlveda
BOGOTÁ, COLOMBIA

DERECHOS RESERVADOS © 2007 por JULIAN QUIROGA SEPÚLVEDA Bogotá ANÁLISIS DE FOURIER Julián Quiroga Sepúlveda ISBN: 978-958-44-2350-4

CONTENIDO
PREFACIO 1. CONCEPTOS BÁSICOS
1.1. Bases matemáticas 1.1.1. Conjuntos Numéricos 1.1.2. Notación de interés 1.1.3. Clasificación de conjuntos de acuerdo a su cardinalidad 1.1.4. Ínfimo y supremo 1.2. Funciones 1.2.1. Inyectividad 1.2.2. Sobreyectividad 1.2.3. Biyectividad 1.2.4. Invertibilidad 1.3. Variable compleja 1.3.1. Números complejos 1.3.2. Identidad de Euler (Exponencial Complejo) 1.3.3. Operaciones entre complejos 1.3.4. Complejo conjugado 1.3.5. Funciones Complejas 1.4. 1.5. Resumen Ejercicios 1 1 2 3 3 4 5 5 6 6 6 7 8 10 10 12 14 15

XI 1

2. SEÑALES
2.1. Clasificación de señales 2.1.1. Señales continuas y discretas 2.1.2. Señales de soporte compacto y acotadas 2.1.3. Señales pares e impares 2.2. Señales periódicas 2.2.1. Señales periódicas de tiempo continuo 2.2.2. Suma de exponenciales complejos de TC 2.2.3. Señales periódicas  de tiempo discreto 2.2.4. Suma de exponenciales periódicos de TD 2.3. Potencia y energía de una señal 2.3.1. Potencia instantánea 2.3.2. Energía 2.3.3. Potencia promedio 2.4. Normas y espacios normados 2.4.1. Norma y espacio L1 17 17 19 20 24 24 27 29 32 33 33 34 34 37 37

17

2.4.2. 2.4.3. 2.4.4.

Norma y espacio L2 Norma y espacio l1 Norma y espacio l2

39 41 42 43 43 45 47 47 48 48 52 53 53 55 57 59

2.5. Funciones Singulares 2.5.1. Función escalón de Heaviside 2.5.2. Función impulso 2.5.3. Escalón unitario discreto 2.5.4. Impulso unitario discreto 2.6. Convolución lineal 2.6.1. Definición 2.6.2. Propiedades de la convolución 2.7. Sistemas LTI 2.7.1. Sistemas continuos 2.7.2. Sistemas discretos 2.8. 2.9. Resumen Ejercicios

3. REPRESENTACIÓN DE SEÑALES
3.1. Descomposición de señales 63 64 64 65 68 68 68 70 71 77 78 79 80

63

3.2. Aproximación de un vector 3.2.1. Aproximación de un elemento del plano 3.2.2. Aproximación de una señal 3.3. Bases ortogonales 3.1.1. Bases e independencia lineal 3.1.2. Ortogonalidad 3.1.3. Método de ortogonalización de Gram‐Schmidt 3.4. 3.5. 3.6. 3.7. 3.8. Representación de señales en un intervalo de tiempo finito Teorema de Parseval para un intervalo finito Representación de una señal periódica Resumen Ejercicios

4. SERIES DE FOURIER
4.1. Serie exponencial de Fourier 4.1.1. Condiciones de Dirichlet 4.1.2. Cálculo de la serie exponencial 4.1.3. Espectro de Fourier 4.1.4. Teorema de Parseval para la serie exponencial 83 83 85 88 90

83

VIII

4.1.5.

Propiedades de la serie exponencial

92 96 100 103 106 108 108 108 111 115 116

4.2. Serie trigonométrica de Fourier 4.2.1. Relación entre la serie trigonométrica y la serie exponencial 4.2.2. Serie trigonométrica de Fourier para señales pares e impares 4.2.3. Teorema de Parseval para la serie trigonométrica de Fourier 4.3. Aplicaciones de las series de Fourier 4.3.1. Análisis de señales periódicas 4.3.2. Convolución circular continúa 4.3.3. Oscilaciones forzadas 4.4. 4.5. Resumen Ejercicios

5. TRANSFORMADA DE FOURIER
5.1. Deducción de la transformada de Fourier L1 5.1.1. Representación de señales no periódicas 5.2. Transformada de Fourier L1 5.2.1. Interpretación de la Transformada de Fourier L1 5.2.2. Convergencia de la Transformada de Fourier L1 5.3. Propiedad de convolución para la TF 5.3.1. Respuesta de un sistema LTI utilizando la transformada de Fourier 5.3.2. Multiplicación de señales en el tiempo 5.4. 5.5. Teorema de Parseval para la transformada de Fourier Transformada de Fourier L2

121
121 121 124 127 128 141 143 145 147 148 152 152 152 154 156 157 158

5.6. Transformadas de Fourier que implican funciones impulso 5.6.1. Transformada de Fourier de la función impulso 5.6.2. Transformada de Fourier de un exponencial complejo 5.6.3. Transformada de Fourier de señales periódicas 5.7. 5.8. 5.9. Aplicaciones de la transformada de Fourier Resumen Ejercicios

6. ANÁLISIS DE FOURIER PARA SEÑALES DISCRETAS
6.1. Muestreo de señales de tiempo continuo 6.1.1. Muestreo ideal utilizando funciones impulso 6.1.2. Efecto del muestreo sobre el espectro 6.1.3. Recuperación de la señal original 6.1.4. Transformada de Fourier de una señal muestreada 6.1.5. Señales muestreadas y señales discretas

163
163 163 165 166 169 169

IX

6.2. Transformada de Fourier para señales discretas 6.2.1. Definición de la transformada de Fourier l1 6.2.2. Interpretación de la transformada de Fourier l1 6.2.3. Propiedades de la TF de una señal discreta 6.2.4. Transformada de Fourier para señales periódicas discretas 6.2.5. Teorema de Parseval para la TF de señales discretas 6.2.6. Propiedad de convolución para la TF de señales discretas 6.3. Transformada discreta de Fourier  (DFT) 6.3.1. Efectos del muestreo en frecuencia 6.3.2. Definición de la DFT 6.3.3. Interpretación de la DFT 6.3.4. Visualización de la DFT 6.3.5. Propiedades de la DFT 6.3.7. Convolución discreta utilizando la DFT 6.4. Transformada rápida de Fourier  (FFT) 6.4.1. Algoritmo FFT de diezmado en el tiempo (Base 2) 6.4.2. Aplicaciones de la FFT 6.5. 6.6. Resumen Ejercicios

170 170 172 173 174 176 176 179 180 182 183 184 186 187 188 188 189 194 195

7. ECUACIONES DIFERENCIALES PARCIALES
7.1. Conceptos básicos 7.1.1. Clasificación de las EDP’s 7.1.2. Solución de una EDP 7.1.3. Propiedades de las EDP’s 7.2. Ecuación de onda unidimensional

197
197 198 199 200 201 205 205 213 217 217 222 225

7.3. Solución de la ecuación de onda 1D 7.3.1. Separación de variables 7.3.2. Solución de D’Alembert 7.4. Ecuación de calor unidimensional 7.4.1. Alambre finito (Separación de variables) 7.4.2. Alambre infinito (Transformada de Fourier) 7.5. Ejercicios

A. ESPACIOS VECTORIALES BIBLIOGRAFÍA

227 231

X

PREFACIO
   
 
La primera edición del libro ANALISIS DE FOURIER recopila los contenidos básicos del análisis  de  señales  y  sistemas  utilizando  la  teoría  de  Fourier.  Este  libro  puede  ser  usado  como  texto  guía  en  cursos  de  ingeniería  eléctrica  y  electrónica  en  el  área  de  señales  y  sistemas  en  los  cuales  se  quieran  relacionar  los  conceptos  matemáticos  elementales  de  la  teoría  de  Fourier  con problemas sencillos de aplicación en el campo de procesamiento digital de señales y en el  estudio de sistemas lineales e invariantes en el tiempo.     El  libro  reúne  las  deducciones  matemáticas  junto  a  una  serie  de  ejercicios  explicativos  y  de  aplicación,  los  cuales  intentan  guiar  al  estudiante  en  su  camino  de  aprendizaje  y  de  apropiación de las herramientas que ofrece el análisis de Fourier para el estudio de señales y  sistemas. Para ello el libro presenta en cada Capítulo las temáticas principales, acompañadas  de  ilustraciones  y  ejemplos  desarrollados  en  su  totalidad.  Adicionalmente,  al  fin  de  cada  Capítulo se presenta un breve resumen con los conceptos más importantes.    Este libro trata de apoyar al estudiante en la comprensión de un tema demandante debido a  sus  requerimientos  matemáticos.  Por  tal  motivo,  es  de  suma  importancia  que  el  estudiante  realice la lectura de los contenidos temáticos de cada sección, revise los ejemplos resueltos y  desarrolle  los  ejercicios  propuestos,  con  el  fin  de  apropiarse  de  cada  uno  de  los  contenidos.  Este  libro  trata  algunos  temas  complementarios  de  forma  corta,  si  se  desea  profundizar  en  cualquiera de estos contenidos el lector puede consultar la bibliografía aquí relacionada.    El  libro  está  organizado  como  sigue.  En  el  Capítulo  1  se  hace  una  pequeña  revisión  de  los  conceptos básicos que el estudiante debe manejar para enfrentar los Capítulos posteriores. Se  revisan algunos  conceptos de conjuntos numéricos, funciones y variable compleja.     En el Capítulo 2 se introduce el concepto de señal y se realiza su clasificación.  Posteriormente  se estudian las señales periódicas de tiempo discreto y continuo, y se estudia el concepto de  frecuencia  angular  continua  y  discreta.  Con  el  fin  de  tomar  medidas  cuantitativas  de  las  señales se definen potencia y energía. Se realiza una breve revisión de espacios vectoriales, en  particular aquellos dotados con norma y se presentan las señales como vectores. Finalmente  se  estudian  los  sistemas  lineales  e  invariante  en  el  tiempo  (sistemas  de  convolución),  en  particular su respuesta a una señal de entrada dada y estabilidad en sentido EASA.    En el Capítulo 3 se estudia como un elemento de un espacio vectorial puede ser aproximado  en  términos  de  otros  elementos  del  espacio,  para  ello  se  introducen  los  conceptos  de  producto interno y ortogonalidad. Para la representación  de vectores se estudia el  concepto  de  base  ortogonal  y  como  caso  particular  se  deduce  la  forma  como  una  señal  puede  ser  representada por medio de un conjunto de señales más simples. 

XI

  En el Capítulo 4 se estudian las series de Fourier como caso particular de la representación de  señales.  Se presenta la serie exponencial de Fourier y se analiza la información frecuencial de  la  señal  contenida  en  los  coeficientes  complejos.  De  forma  similar  se  introduce  la  serie  trigonométrica y se ilustran algunos ejemplos de aplicación.    En  el  Capítulo  5  se  define  la  Transformada  de  Fourier  L1  para  la  representación  señales  no  periódicas sobre un intervalo infinito del tiempo. Se interpreta la información contenida en la  transformada  de  Fourier,  así  como  algunas  de  sus  propiedades.  Se  revisan  aplicaciones  en  estimación  espectral  y  estudio  de  sistemas  lineales  el  tiempo  (filtros).  De  forma  corta  se  deduce la Transformada de Fourier L2  para señales de energía finita.     En  el  Capítulo  6  es  dedicado  al  análisis  de  Fourier  para  señales  discretas.  Se  introduce  el  concepto  de  muestreo  en  tiempo  y  sus  efectos  sobre  las  características  frecuenciales  de  la  señal. Posteriormente se define la transformada de Fourier para señales discretas y algunas de  sus propiedades. Se presenta la transformada discreta de Fourier y el efecto de muestreo en   frecuencia  sobre  la  señal  en  el  tiempo.  Se  desarrollan  en  Matlab  ejemplos  de  análisis  de  respuesta en frecuencia de sistemas discreto y de estimación espectral de señales discretas.      Finalmente, en el Capítulo 7 se estudian algunas ecuaciones diferenciales parciales de segundo  orden, en las cuales son aplicadas la serie y la transformada de Fourier. Se incluye además un  apéndice sobre espacios vectoriales.    Deseo agradecer especialmente a los estudiantes de mis cursos que sirvieron para probar en  las clases buena parte  de este material. De igual forma, quiero  agradecer a  Gabriel  Narváez,  Juan Pablo Maillane y Carlos Calvera que escribieron en computador parte de este manuscrito.    Espero  que  este  libro  sea  de  gran  utilidad  para  el  desarrollo  de  sus  cursos  en  los  cuales   necesiten  la  Teoría  de  Fourier  aplicada  a  señales  y  sistemas.  Agradezco  me  comuniquen  los  errores encontrados o cualquier sugerencia para la mejora de este libro.     

Julián Quiroga Sepúlveda
 

Bogotá, 2007.

XII

1 CONCEPTOS BÁSICOS
1.1. Bases matemáticas 
 

1.1.1. Conjuntos Numéricos 
 

Números enteros 
 

El conjunto de los números enteros, denominado Z , está formado por todos los números que pueden ser generados por sumas o restas sucesivas del número 1 .
 

 
 

Z = {K , −5, −4, −3, −2, −1, 0, 1, 2, 3, 4, 5,K}  

El conjunto de los números naturales, denominado N , esta formado por todos los números enteros no negativos.
 

 
 

N = {0, 1, 2, 3, 4, 5,K}  

Denotaremos como Z + , al conjunto de los números enteros positivos, es decir, los números naturales menos el cero ( N − {0} ).
 

 
 

Z + = {1, 2, 3, 4, 5,K}  

Denotaremos como Z* , al conjunto de los números enteros sin el cero ( N − {0} ).
 

 
 

Z* = {K , −5, −4, −3, −2, −1, 1, 2, 3, 4, 5,K}   Números racionales 

 

El conjunto de los números racionales, denominado Q , está formado por todos los números que pueden ser expresados de la forma a/b , donde a y b son números enteros y b es diferente de cero. Cada racional puede ser escrito de infinitas formas, por ejemplo, 4 / 12 = 2 / 6 = 1 / 3 . Se dice que un racional está expresado como una fracción irreducible, si a y b son primos relativos, es decir, mcd( a , b) = 1 . Cada número racional diferente de cero tiene exactamente una forma de fracción irreducible, con un denominador positivo.
 

Números reales 
 

El conjunto de los números reales, denominado R , puede ser informalmente descrito como el conjunto de números que pueden ser expresados por una representación decimal infinita, por ejemplo, 3.14159265... . Los números reales contienen a los

Conceptos básicos 

 

Análisis de Fourier 

números racionales y a los irracionales. El conjunto de los números irracionales está formado por todos los números reales que no pueden ser expresados como un racional, por ejemplo, π y √2. Los números reales pueden ser ubicados como puntos sobre una larga línea numérica, conocida como la recta real.    
Figura 1.1. La recta real. 

 

     Denotaremos como R + , al conjunto de los números reales positivos, es decir, los números reales mayores que cero. Denotaremos como R ∗ , al conjunto de los números reales sin el cero.   Números complejos    El conjunto de los números complejos, denominado C , está formado por todos los números de la forma a + jb , donde a y b son números reales. En la Sección 1.3 se realizará un estudio más detallado de este conjunto.   1.1.2. Notación de interés    A continuación revisaremos algunos símbolos matemáticos, los cuales nos serán útiles  para escribir algunos enunciados de forma compacta.    x  pertenece al conjunto  A   x∈ A  Existe un elemento  x  del conjunto  A   ∃x ∈ A   Existe un único elemento  x  de  A     ∃! x ∈ A   Para todos los elementos del conjunto  A   ∀x ∈ A   B = { x ∈ A : Q( x )}   B es el conjunto formado por los elementos de A que cumplen la condición Q B es subconjunto (está contenido) de A  B ⊂ A  ⇒,⇔   “Entonces”, “Si y sólo si”   /, ∋,:   “Tal que”  ∧, ∨   “y”, “o”    Ejemplo 1.1.    Si  x  es un número entero, entonces  x  es un número real.      x ∈ Z ⇒ x ∈ R   

2

Conceptos básicos 

 

Análisis de Fourier 

B  es el conjunto de los números enteros con magnitud menor a 4. 
 
B = { x ∈ Z : x < 4} = {−3, −2, −1, 0, 1, 2, 3}  

  Existe un único número real tal que la suma con él mismo da el mismo número.     
 

∃! x ∈ R / x + x = x  

                                        1.1.3. Clasificación de conjuntos de acuerdo a su cardinalidad    Los conjuntos pueden clasificarse de acuerdo a su cardinalidad como finitos o infinitos. Por ejemplo, el conjunto del ejemplo anterior, B = { −3,−2,−1, 0, 1, 2, 3} , es un conjunto finito de cardinalidad 7. Todo conjunto finito es contable (enumerable), es decir sus elementos pueden ser ordenados.   Los conjuntos infinitos en cambio pueden ser contables o no contables. Por ejemplo los enteros y los reales son conjuntos infinitos, sin embargo los enteros son contables y los reales no. En el caso de los número enteros, sabemos por ejemplo, que después del −2 sigue −1, 0, 1, 2, ... . Sin embargo, para los números reales, ¿después del 0 que número sigue, el 0.1 , el 0.01 , o 0.001 ?. No importa que número asumamos que sigue al 0 , siempre encontraremos un número entre 0 y éste.
   

Figura 1.2. Clasificación de conjuntos     

 

1.1.4. Ínfimo y supremo    Algunas veces los conceptos de máximo y mínimo de un conjunto numérico no son suficientes. Por ejemplo, ¿cual es mínimo del conjunto formado por el intervalo (0,1] de la recta real?. La respuesta es que este conjunto infinito no tiene mínimo, pues para cualquier valor que asumamos como mínimo, podemos encontrar un valor más pequeño que también pertenece al conjunto.   Definición 1.1. x es una cota superior de un conjunto A , si ∀y ∈ A se cumple que x ≥ y , es decir, x es mayor o igual a cada uno de los elementos de A . La mínima cota superior de un conjunto A se conoce como supremo ( sup ). Si el supremo pertenece al conjunto, entonces es el máximo, en caso contrario, el conjunto no tiene máximo.

3

Conceptos básicos 

 

Análisis de Fourier 

 

Ejemplo 1.2. Para el conjunto [0,10) , encuentre 2 cotas superiores y su supremo. El conjunto tiene máximo?   Solución. Como cotas superiores tomemos  11  y  100 . El supremo es  10  y debido a que  10  no pertenece al intervalo, el conjunto no tiene máximo.  

Definición 1.2. x es una cota inferior de un conjunto A , si ∀y ∈ A se cumple que x ≤ y , es decir, x es menor o igual a cada uno de los elementos de A . La máxima cota inferior de un conjunto A se conoce como ínfimo ( inf ). Si el ínfimo pertenece al conjunto, entonces es el mínimo, en caso contrario, el conjunto no tiene mínimo.  
Ejemplo 1.3. Para el conjunto A = {1 / n : n ∈ R + } , encuentre 2 cotas inferiores y su ínfimo. El conjunto tiene mínimo?   Solución. Como cotas inferiores tomemos  −1  y  −2 . El ínfimo es  0  y debido a que  0  no  pertenece al intervalo, el conjunto no tiene mínimo.                 Observación 1.1. No todos los conjuntos de cardinalidad infinita que tienen supremo  o  ínfimo,  tienen  máximo  o  mínimo,  respectivamente.  Un  conjunto  que  no  posee  supremo o ínfimo, se conoce como un conjunto no acotado (no tiene cotas). Todos  los conjuntos de cardinalita finita tienen máximo y mínimo.   1.2. Funciones    Definición 1.3. f : A → B es una función del conjunto A al conjunto B, si ∀a ∈ A ∃ ! b ∈ B tal que f ( a ) = b , es decir, si a cada elemento de A , f asigna un único elemento del conjunto B . El elemento b se conoce como la imagen de a bajo f. El conjunto A se conoce como el dominio de la función y el conjunto B como el codominio. El rango de f es el conjunto definido como f ( A) = { f ( a ) : a ∈ A} .   Ejemplo 1.4. Determine dominio, codominio y rango de las siguientes funciones.   

 

f : C → R   dada por  f ( a + jb ) = a 2 + b 2 . 
  El dominio de f son los complejos, el codominio los reales y el rango de f los reales mayores e iguales a cero. La imagen del elemento 3 + 4 j bajo f , es el elemento 5 .   f : R → R   dada por  f ( x ) = sin( x ) .    El dominio y codominio de f son los reales y el rango de f es el intervalo [−1, 1] de la recta real. La imagen del elemento π / 2 bajo f , es el elemento 1.

4

Conceptos básicos 

 

Análisis de Fourier 

f : R → R   dada por  f ( x ) = 5 x + 2 . 
  El dominio, el codominio y el rango de f son los reales. La imagen del elemento 2 bajo f es el elemento 12 .   1.2.1. Inyectividad    f : A → B es una función inyectiva si y sólo si ∀a, b ∈ A ( f ( a ) = f (b) ⇒ a = b) , es decir, dos elementos diferentes del dominio no pueden tener la misma imagen.    

 

 

Figura 1.3. Función inyectiva. 

  Ejemplo 1.5. Demuestre que  f : R → R ,  dada por  f ( x ) = 2 x + 1 , es inyectiva.    Solución. Supongamos que  f ( a ) = f (b ) , entonces  2a + 1 = 2b + 1 , lo cual implica que  a = b  y por lo tanto  f  es inyectiva.    Ejemplo 1.6. Demuestre que  f : R → R ,  dada por  f ( x ) = x 2 , no es inyectiva.    Solución. Supongamos que  f ( a ) = f (b ) , entonces  a 2 = b 2 , lo cual implica que  a = ±b   y  que  + b   y  − b   tiene  la  misma  imagen  bajo    f ,    por  tal  motivo  la  función  no  es  inyectiva.    1.2.2. Sobreyectividad    f : A → B es una función sobreyectiva si y sólo si ∀b ∈ B (∃ a ∈ A / f ( a ) = b) , es decir, todo elemento del codominio es imagen de por lo menos un elemento del dominio bajo f, lo cual implica que el codominio es igual al rango.  

 

 

Figura 1.4. Función sobreyectiva no inyectiva. 

5

Conceptos básicos 

 

Análisis de Fourier 

  Ejemplo 1.7. Demuestre que  f : R → R , dada por  f ( x ) = 2 x + 1 , es sobreyectiva.    Solución.  Para  cada  valor  b   del  codominio,  se  debe  encontrar  un  elemento  a   del  dominio,  tal  que  f ( a ) = 2a + 1 = b .  Claramente  para  cada  b ∈ R ,  la  ecuación  a = (b − 1) / 2   calcula  un  a ∈ R   que  satisface  f ( a ) = b .  Por  tal  motivo,  la  función  es  sobreyectiva.    Ejemplo 1.8. Demuestre que  f : Z → R , dada por  f ( x ) = x / 2 , no es sobreyectiva.    Solución. Para un valor b del codominio se debe encontrar un elemento a del dominio  tal  que  f ( a ) = a / 2 = b .  Para  un  b ∈ R   la  ecuación  a = 2b   no  siempre  nos  da  un  entero. Si  b = 0.2  entonces  a = 0.4 , pero  0.4  no pertenece al dominio de la función.   Por tal motivo la función no es sobreyectiva. 
 

  1.2.3. Biyectividad   

f : A → B   es  un  función  biyectiva  si  es  inyectiva  y  sobreyectiva,  es  decir,  dos  elementos  del  dominio  no  pueden  tener  la  misma  imagen  y  todo  elemento  del  codominio es imagen de un elemento del dominio.     

 

 

Figura 1.5. Función biyectiva. 

    1.2.4. Invertibilidad 

f : A → B     es  una  función  invertible  si  f −1 : B → A   es  una  función.  Para  esto  se  requiere que f sea una función biyectiva.      1.3. Variable compleja    Los  números  complejos  fueron  introducidos  con  el  fin  de  resolver  problemas  que  no  tienen  solución  en  los  números  reales.  Por  ejemplo,  ningún  real  es  solución  a  la  ecuación  x 2 = −1 , pues cualquier real al cuadrado siempre es positivo. A diferencia de  los reales que viven en una recta, los complejos viven en un plano (el plano complejo). 
6

 

Conceptos básicos 

 

Análisis de Fourier 

1.3.1. Números complejos    Sea  x   un  número  complejo,  entonces  se  puede  expresar  de  la  forma  x = a + jb ,  donde  a   y  b   son  números  reales  y  la  constante  j   identifica  la  parte  imaginaria.  El  número  complejo  x ,  tiene  2  componentes:  una  parte  real,  Re{ x} = a ,  y  una  parte  imaginaria,   Im{ x} = b . La contaste  j , que tiene valor  √-1, solo es un indicador de la  componente imaginaria y no hace parte de ésta.    Ejemplo 1.9. Encuentre las componentes real e imaginaria de los siguientes complejos.    x = 3 − j4       Re{x} = 3 ,  Im{x} = −4     x = −2           Re{x} = −2 ,  Im{x} = 0     x= j          Re{x} = 0 ,  Im{x} = 1  
 

  Los complejos pueden ubicarse en el plano utilizando dos sistemas de coordenadas.     Coordenadas rectangulares     El  número  complejo  se  expresa  como  la  suma  de  dos  componentes,  una  real  y  una  imaginaria, de la forma  x = Re{ x} + j Im{ x} . Su ubicación en el plano se realiza en el  punto de intersección de dos rectas, una que corta el eje real en  Re{x}  ( a  en la Figura  1.6) y la otra que corta el eje imaginario en  Im{x}  ( b  en la Figura 1.6).     

 

 

Figura 1.6. Ubicación de un número complejo en el plano 

7

Conceptos básicos 

 

Análisis de Fourier 

Coordenadas polares    El  número  complejo  se  expresa  mediante  magnitud  y  fase  (ángulo),  de  la  forma  x = x ∠x . Su ubicación en el plano es a una distancia |x| del origen ( r  en la Figura  1.6) y orientado  ∠x  ( θ  en la Figura 1.6) grados con respecto al eje real.      Cambio de coordenadas    De rectangulares a polares:    Magnitud    Fase   
r = Re{ x} 2 + Im{ x} 2 = x  

θ = arctan ⎜

⎛ Im{ x} ⎞ ⎟ = ∠x   ⎝ Re{ x} ⎠

  De polares a rectangulares:    Re{ x} = r cos θ   Parte Real        Parte imaginaria  Im{ x} = r sin θ       1.3.2. Identidad de Euler (Exponencial Complejo)    La identidad de Euler se establece como   
 

e jθ = cos θ + j sin θ  
  El exponencial complejo e jθ , tiene parte real cos θ y parte imaginaria sin θ , adicionalmente su magnitud y fase están dadas como  
 

e jθ = cos 2 θ + sin 2 θ = 1  
 

⎛ sin θ ⎞ ∠e jθ = arctan ⎜ ⎟ =θ   ⎝ cos θ ⎠   Por tal motivo los números de la forma e jθ viven sobre el círculo unitario (radio 1) y forman una ángulo de θ con el eje real, como se ilustra en la Figura 1.7.

8

Conceptos básicos 

 

Análisis de Fourier 

 

 

Figura 1.7. Exponencial complejo 

    Algunos exponenciales de interés son e j 0 = 1 , e jπ / 2 = j y e jπ = −1 . Conociendo que una vuelta al círculo unitario es 2π , el exponencial complejo permanece inalterado si su argumento es desplazado cualquier múltiplo entero de 2π , es decir   e j (θ + 2π k ) = e jθ ∀k ∈ Z     El exponencial complejo es entonces un fasor, de magnitud 1 y fase  θ , lo cual lo hace  apropiado para representar complejos en forma polar, de la forma  x = x e j∠x .    Ejemplo 1.10. Exprese el número complejo  x = 4 e jπ / 6  en coordenadas rectangulares.    Solución.  Dado  que  x   está  expresado  en  coordenadas  polares,  debemos  encontrar  primero  su  magnitud  y  su  fase,  las  cuales  están  dadas  por  r = 4   y  θ = π / 6 .  Así,  se  obtiene  Re{ x} = 4cos(π / 6) = 3.46  y  Im{ x} = 4sen(π / 6) = 2 , por lo cual  x = 3.46 + j 2 .    Ejemplo 1.11. Exprese el número complejo  x = 3 − j 4  en coordenadas polares.    Solución.  Re{x} = 3 y Im{x} = −4 , entonces r = 3 2 + 4 2 = 5 y θ = arctan(-4 / 3) = −0.9273 . Por tal motivo, x = 5e − j 0.9273 .
a

Las  funciones  sin( x )   y  cos( x )   pueden  expresarse  en  término  de  exponenciales  complejos, de acuerdo a   
 

       

sin x =

e jx − e − jx   2j

 

cos x =

e jx + e − jx   2

9

Conceptos básicos 

 

Análisis de Fourier 

1.3.3. Operaciones entre complejos    Las  operaciones  entre  complejos  deben  ser  tratadas  con  cautela,  pues  algunas  propiedades válidas para los reales no son aplicables para los complejos. La suma y la  diferencia  entre  números  complejos,  se  realiza  por  conveniencia  en  coordenadas  rectangulares,  mientras  la  multiplicación  y  la  división  entre  números  complejos,  se  realiza en coordenadas polares.    Suma    x + y = ( Re{ x} + Re{ y }) + j ( Im{ x} + Im{ y })       Diferencia      Producto   
xy = x y e j (∠x + ∠y )   x − y = ( Re{ x} − Re{ y }) + j ( Im{ x} − Im{ y })  

  División        Ejemplo 1.12. Si  x = 2e jπ , encuentre  x −1 = 1 / x .    Solución.    1 1   x −1 = e j (0 − ∠x ) = e − jπ   x 2
 

x/ y =

x y

e j (∠x − ∠y )  

  Propiedad 1.1. La magnitud de un producto es igual al producto de las magnitudes. De  forma similar, la magnitud de un cociente es igual  al cociente de las magnitudes.     1.3.4. Complejo conjugado    Sea  x = a + jb  entonces su complejo conjugado se define como  x * = a − jb .    Ejemplo 1.13. El conjugado de  x = 2 + j  es   x * = 2 − j . 

10

Conceptos básicos 

 

Análisis de Fourier 

Ejemplo 1.14.  Demuestre que si  x = x e jθ , entonces  x * = x e − jθ .    Solución.    x = x cos θ + j x sin θ  
 

 
 

x* = x cos θ − j x sin θ = x cos ( − θ ) + j x sin ( − θ ) = x e − jθ  

  El conjugado de un número complejo  x  tiene la misma magnitud pero fase contraria,  como se ilustra en la Figura 1.8. Por tal motivo se tiene que  x = x * .     

Figura 1.8. Complejo conjugado. 

 

Ejemplo 1.15. Demuestre que xx* = x

2

Solución. xx* = x e jθ x e − jθ = x

(

)(

)

2

Ejemplo 1.16. Para x = 2 − j 3 encuentre x * y x .

Solución.   x* = 2 + j3  
 

x = 22 + ( −3)2 = 13  

  Ejemplo 1.17.  Para  x = −a + jb  encuentre  xx * .    Solución. 

11

Conceptos básicos 

 

Análisis de Fourier 

2 xx* = x = ⎛ ⎜ ⎝

(− a )2 + b 2 ⎞ ⎟

2

= a 2 + b2  

  Ejemplo 1.18.  Para  x = 1/( a + jb)  encuentre  Re{x} ,  Im{x} ,  x *  y  x .    Solución. Para encontrar las componentes real e imaginaria, primero hay que la parte  compleja del denominador, por lo cual se debe multiplicar y dividir por su conjugado.    1 a − jb a − jb a b x= × = 2 = 2 −j 2     2 2 a + jb a − jb a + b a +b a + b2
 

Re{ x} =
 

a a        Im{ x} = 2 2   2 a +b a +b
2

x* =
 

a b a + jb 1   +j 2 = 2 = 2 2 2 a +b a +b a +b a − jb
2

 
 

x =

1 1   = a + jb a 2 + b2

  1.3.5. Funciones Complejas    Las funciones complejas son aquellas funciones que tienen como codominio el conjunto de los números complejos, es decir f : A → C , donde A es un conjunto arbitrario. Estas funciones se identifican porque poseen el indicador “ j ” o porque su dominio son los números complejos. Las funciones pueden expresarse en coordenadas   Rectangulares:  f ( x) = Re{ f ( x)} + j Im{ f ( x)}   ó  f ( x ) = f ( x ) e jθ ( x )   Polares:      La  relación  entre  coordenadas  rectangulares  y  polares  para  funciones  complejas  es  igual  que  para  el  caso  de  los  números  complejos.  Para  su  visualización,  existen  3  posibilidades  como  se  ilustra  en  las  Figuras  1.9‐1.11,  para  la  función  f ( x) = 2e jx ,  donde  f : R → C . La primera es un gráfico en 3 dimensiones de la función, con ejes:  componente  real,  componente  imaginaria  y  variable  independiente.  La  segunda  opción consiste en visualizar las componentes, real e imaginaria, en gráficos diferentes  contra la variable independiente. La última opción y quizás la más utilizada, consiste en  realizar un gráfico para la magnitud y otro para la fase de la función, cada uno contra la  variable independiente.   

12

Conceptos básicos 

 

Análisis de Fourier 

 

 

Figura 1.9. Grafico 3D. 

   

         
Figura 1.10. Gráficos por componentes: partes real e imaginarias por separado. 

 

   

               
Figura 1.11. Gráficos de magnitud y fase. 

 

                           

13

Conceptos básicos 

 

Análisis de Fourier 

1.4. Resumen    • Se  revisó  la  definición  de  algunos  conjuntos  numéricos  como  los  reales,  enteros,  racionales  e  irracionales  y  se  estableció  una  notación  para  definir  y  relacionar  elementos de un conjunto.  Los conjuntos numéricos se clasifican de acuerdo a su cardinalidad como finitos o  infinitos. Los conjuntos infinitos pueden ser contables (enumerables o ordenables)  o no contables.  Se  definió  el  concepto  de  cota  superior  e  inferior  de  un  conjunto  numérico  y  a  partir de estos los conceptos de supremo (mínima cota superior) e ínfimo (máxima  cota  inferior).  Si  el  supremo  o  el  ínfimo  pertenece  al  conjunto  entonces  es  el  máximo o el mínimo del conjunto, respectivamente.  Una función  f : A → B  es un operador que asigna a cada elemento del conjunto  A   (dominio)  un  único  elemento  del  conjunto  B   (rango).  Una  función  puede  ser  inyectiva  y/o  sobreyectiva,  y  se  conocen  como    biyectiva  si  cumplen  las  dos  condiciones.  Los  números  complejos  viven  en  plano  y  pueden  representarse  en  coordenadas  rectangulares (parte real e imaginaria) o polares (magnitud y fase).   Los  exponenciales  complejo  viven  en  el  circulo  unitario  (magnitud  unitaria)  del  plano  complejo  y  su  fase  (ángulo)  es  igual  a  su  argumento.  Un  exponencial  complejo tiene como parte real un coseno y como parte imaginaria un seno.  El complejo conjugado refleja a un número complejo con respecto al eje real y es  útil para descomponer fracciones complejas en componentes real e imaginaria, así  como para encontrar la magnitud de números complejos.  Una  función  con  codomino  en  los  complejos  es  una  función  compleja,  cuya  visualización puede hacer por componentes real e imaginario por magnitud y fase. 

  •

  •

  •

  •   •

  •

  •                    

14

Conceptos básicos 

 

Análisis de Fourier 

1.5. Ejercicios    Sección 1.1    1. Encuentre los elementos de los conjuntos    a. A = { x ∈ Z : −4 ≤ x ≤ 5}   b. B = { x ∈ R : x < 10}  
x c. C = { x ∈ Z + : 2 ∈ Z, x ≤ 10}  

  2. Escriba textualmente lo que significan las expresiones y conteste si son F ó V.     a. ∃x ∈ R / ( x + x = 0)   x b. ∀x ∈ Z ( 2 ∈ Z)   c. x ∈ Z ⇒ x ∈ R     d. R ⊂ Z     3. Ínfimos y supremos    a. Mencione  2  cotas  superiores  del  conjunto  A  y  encuentre  su  supremo.  ¿Existe máximo? ¿Cuál es?  b. Mencione 2 cotas inferiores del conjunto  B y encuentre su ínfimo. ¿Existe  mínimo? ¿Cuál es?    Sección 1.2    4. Ejemplos de funciones.    a. De un ejemplo de una función inyectiva no sobreyectiva. Demuestre.   b. De un ejemplo de una función no inyectiva sobreyectiva. Demuestre.  c. De un ejemplo de una función biyectiva. Demuestre.  5. Cuales de la siguientes funciones son inyectivas? sobreyectivas? biyectivas?  a.
   

f : R → R ; f ( x) = 1 + x2  
f : R → R ; f ( x) =

b.
   

1   1+ x

c.   d.  

f : R + → R ; f ( x) = x   f : R → R + ∪ {0}; f ( x ) = 2 x  

15

Conceptos básicos 

 

Análisis de Fourier 

e.

f : Z → Z ; f ( x) = 2 x  

  6. Determine el domino, el codominio y el rango, de las siguientes funciones.    1 a. f : R → R ; f ( x ) =   1+ x
   

b.   c.

f : R + → R ; f ( x) = x  

f : Z → Z ; f ( x) = 2 x  

  Sección 1.3    7. Encuentre la parte real, la parte imaginaria, el conjugado, la magnitud y la fase de  los siguientes números complejos.    1   a. x = 2+ j   b. x = e   c.
−j

π
3

 

x=

j   3− 2 j

  8. Demuestre que un número complejo y su conjugado, tienen la misma magnitud y  fase de signo contrario.    9. Encuentre la magnitud de las siguientes funciones complejas.    a. f ( x ) = e x e jx  
 

b.

f ( x ) = xe − j 2 x  

  10. Considere la función compleja    ⎧1 −1 < x < 1   f ( x) = ⎨   ⎩0 otro caso
 

 

⎧1 −1 < x < 1 ∠f ( x ) = ⎨   ⎩0 otro caso

  Exprese la función en coordenadas polares y en coordenadas rectangulares.

16

2 SEÑALES
  Una señal es una abstracción, de cualquier cantidad mesurable, que es función de una  o más variables independientes.    Ejemplo 2.1. Algunas señales del mundo real. 
   

   

    

 

         
 

 

Las  señales  pueden  modelarse  matemáticamente  como  funciones.  En  este  curso  hablaremos  indiscriminadamente  de  señales  y  funciones.  Consideraremos  señales  unidimensionales, las cuales son funciones de una sola variable independiente, que en  la mayoría de los casos será el tiempo  t .    2.1. Clasificación de señales    2.1.1. Señales continuas y discretas    La señales pueden clasificarse en dos grandes grupos: las señales de tiempo continuo  (TC) o señales continuas, que denotaremos como  x(t ) , y las señales de tiempo discreto  (TD) o señales discretas, que representaremos como  xn . 

Señales 

 

Análisis de Fourier 

2.1.1.1.

Señales de tiempo continuo 

  Las señales de TC toman valor en todos los instantes de tiempo y pueden modelarse  como funciones que tienen dominio en los reales ( f : R → ∗ ). El valor de una señal de  TC se puede conocer en cualquier instante de tiempo. Las señales que son  f : R → R   se conocen como señales de TC reales  y las señales que son  f : R → C  se conocen  como señales de TC complejas.     

       
 

    

Figura 2.1. Señales de tiempo continuo: señal real y señal compleja. 

    2.1.1.2. Señales de tiempo discreto    Las  señales  de  TD  toman  valor  sólo  en  un  conjunto  contable  del  tiempo  y  pueden  modelarse  como  funciones  con  dominio  en  los  enteros  ( f : Z → ∗ ).  El  valor  de  una  señal de TD sólo puede conocerse en algunos instantes de tiempo. Las señales que son  f : Z → R  se conocen como señales de TD reales y las señales que son  f : Z → C  se  conocen como señales de TD complejas.     

          
 

   

Figura 2.2. Señales de tiempo discreto: señal real y señal compleja. 

    Algunas  señales  de  TD  son  versiones  muestreadas  de  señales  de  TC,  como  sucede  al  digitalizar una canción o al escanear una fotografía.    

18

Señales 

 

Análisis de Fourier 

2.1.2. Señales de soporte compacto y acotadas    2.1.2.1. Soporte de una señal    El soporte de una función se define como el subconjunto del dominio dentro del cual la  función toma valor distinto de cero.     Definición 2.1. El soporte de una señal de TC  x(t ) , es el subconjunto cerrado y conexo  más pequeño del tiempo, que contiene los valores no nulos de  x(t ) .     

    
 

 

Figura 2.3. Señales de soporte acotado y no acotado, respectivamente. 

    Una señal tiene soporte compacto, si su soporte es acotado.    Ejemplo 2.2. La señal  x(t ) = e − t  no tiene soporte compacto, pues la señal nunca llega  a ser cero. La señal triangular que ilustra en la Figura 2.4 si tiene soporte compacto.     
2

       
 

 

Figura 2.4. Señal de soporte no acotado y señal de soporte compacto.   
 

  2.1.2.2. Señales acotadas    Definición 2.2. Una señal  x(t )  es acotada si existe un valor  M ∈ R , tal que  x(t ) ≤ M .  Es decir, una señal es acotada si tiene supremo e ínfimo reales.     

19

Señales 

 

Análisis de Fourier 

  Ejemplo  2.3.  La  señal  x(t ) = arctan(t )   es  una  señal  acotada,  con  ínfimo  y  supremo  igual a  ±π / 2 .  La señal  x(t ) = 1 / t , no es acotada, como se ilustra en la Figura 2.5.     

     
 

 

Figura 2.5. Señal acotada y señal no acotada.   

    2.1.3. Señales pares e impares    Algunas señales cumplen con cierto tipo de simetría con respecto a cero, y de acuerdo  a esta simetría se clasifican en señales pares e impares.    2.1.3.1. Caso Continuo    Una  señal  de  TC  x(t )   es  par  si  cumple  con  x(t ) = x(−t ) ,  es  decir,  si  al  reflejarla  con  respecto al eje vertical se obtiene la misma señal.     

Figura 2.6. Señal continúa par. 

 

  Ejemplo 2.4. Demuestre que la señal  x(t ) = 1 + t 2  es par.    Solución.      x( −t ) = 1 + ( −t )2 = 1 + t 2 = x(t )     Por tal motivo,  x(t )  es una señal par. 

20

Señales 

 

Análisis de Fourier 

Una señal de TC  x(t )  es impar si cumple con  x(t ) = − x( −t ) , es decir, si al reflejarla con  respecto al eje vertical se obtiene la señal original con signo contrario.     

 

 

Figura 2.7. Señal de TC impar.   

Ejemplo 2.5. Demuestre que la señal  x(t ) = t  es impar.    Solución.    x( −t ) = −t = − x(t )      Por tal motivo,  x(t )  es una señal impar.    Propiedad 2.1. Si  x(t )  es una señal par, entonces    

a

−a

x(t )dt = 2 ∫ x(t )dt  
0

a

  Si  x(t )  es una señal impar, entonces    


 

a

−a

x(t )dt = 0 . 

2.1.3.2. Caso Discreto    Una señal de TD  xn  es par si cumple con  xn = x−n .    Ejemplo 2.6. Demuestre que la señal  xn = e n + e − n  es par.    Solución.    x− n = e − n + e n = xn     Por tal motivo,  xn  es una señal par. 

21

Señales 

 

Análisis de Fourier 

Una señal  xn  es impar si cumple con  xn = − x−n .    Ejemplo 2.7. Demuestre que la señal  xn = e n − e − n  es impar.    Solución.      x− n = e − n − e n = − xn        Propiedad 2.2. Si  xn  es una señal par, entonces    
n =− a

∑x

a

n

= x0 + 2∑ xn  
n=0

a

  Si  xn  es una señal impar, entonces    
n =− a

∑x

a

n

= 0 

  2.1.3.3. Componente par e impar    Una  señal  dada  no  necesariamente  es  par  o  impar,  sin  embargo,  toda  señal  puede  expresarse como la suma de una señal par más una señal impar.    Caso Continuo    x(t ) = x par (t ) + x imp (t ) ,  donde    x(t ) + x(−t ) x par (t ) =       2   x(t ) − x(−t ) x imp (t ) =   2   Ejemplo 2.8. Descomponga  x(t ) = 1 + t + t 2  como una señal par más una señal impar.    Solución.    x(t ) = x par (t ) + x imp (t )    

22

Señales 

 

Análisis de Fourier 

(1 + t + t 2 ) + (1 − t + t 2 ) x (t ) = = 1+ t2   2 2 (1 + t + t ) − (1 − t + t 2 ) ximp (t ) = =t  2
par

  Ejemplo 2.9. Descomponga  x(t ) = e t  como la suma de una señal par más una impar.    Solución.    x(t ) = x par (t ) + x imp (t )  
 

x par (t ) =
 
 

et + e − t = cosh(t )    2 et − e − t ximp (t ) = = sinh(t )   2

  Observación 2.1. Si  x(t )  es una señal par, entonces  x par (t ) = x(t )  y  x imp (t ) = 0 . Si  x(t )  es una señal impar, entonces  x par (t ) = 0 y  x imp (t ) = x(t ) .    Caso Discreto   
imp xn = xnpar + xn ,  donde    x + x− n xnpar = n      2   x − x− n imp xn = n   2

 

  Ejemplo 2.10. Descomponga  xn  como la suma de una señal par más una impar.     

 

 

Figura 2.8. Señal de TD a descomponer. 

 

23

Señales 

 

Análisis de Fourier 

Solución. Realizaremos la solución de forma grafica. 
   

 

 

Figura 2.9.a. Señal reflejada.     

 

 

Figura 2.9.b. Componente par de la señal.     

 

 

Figura 2.9.c. Componente impar de la señal. 
 

  2.2. Señales periódicas    Una  señal  periódica  es  una  señal  que  repite  su  valor  después  de  un  determinado  tiempo, denominado periodo. Las señales periódicas son las funciones elegidas para la  representación de señales en la teoría de Fourier.     2.2.1. Señales periódicas de tiempo continuo     Un valor  a ∈ R , es un tiempo de repetición para una señal  x(t )  si    x( t + a ) = x( t )       es decir, si desplazamos la señal en  a  instantes de tiempo obtenemos la misma señal. 

24

Señales 

 

Análisis de Fourier 

    Definición  2.3.  El  período  T   de  una  señal  de  TC  x(t ) ,  es  el  mínimo  tiempo  de  repetición positivo. Una señal  x(t )  es una señal periódica, si existe  T ∈ R + , tal que    x( t + T ) = x ( t )     Si una señal  x(t )  tiene periodo  T , entonces cumple    x(t + kT ) = x(t ) , donde k ∈ Z       Cada uno de los términos  kT , es un tiempo de repetición de la señal. Observe que al  desplazar  x(t )  cualquier múltiplo entero de su periodo  T , se obtiene la misma señal.   Por tal motivo, conocer la señal  x(t )  sobre un intervalo de tiempo de longitud  T , es  suficiente  para  conocer  toda  la  señal,  ya  que  la  señal  periódica  está  formada  por  copias infinitas de ese intervalo, como se ilustra en la Figura 2.10.     

Observación 2.2.  El valor a = 0 es un tiempo de repetición para cualquier señal.

 

 
Figura 2.10. Señal periódica de TC. 

 
 

    Por  convención  las  señales  constantes  tienen  periodo  infinito,  pues  el  conjunto  de  tiempos de repetición de una señal constante no tiene mínimo.      Definición 2.4. La frecuencia continua  f , se define como el inverso del periodo     f = 1/ T     Si el periodo se expresa en segundos, la frecuencia está en HZ, para el caso de señales  sinusoidales, o en ciclos por segundo (cps), para otras señales periódicas.     La frecuencia nos da información de cuantas veces se repite una señal en un intervalo  de tiempo (tasa de repetición). Conociendo que el periodo de una señal de TC puede 

Observación  2.3.  Toda  señal  periódica  tiene  soporte  no  acotado,  por  lo  tanto  no  compacto, pues la señal debe repetirse desde  −∞  hasta  ∞ . 

25

Señales 

 

Análisis de Fourier 

estar  en  el  intervalo  (0, ∞ ) ,  la  frecuencia  de  una  señal  de  TC  se  encuentra  en  el  intervalo  [0, ∞ ) . Las señales constantes tienen frecuencia cero, pues su periodo es  ∞ .    Definición 2.5. La frecuencia angular continua  Ω ,  es proporcional a la frecuencia de la  señal e inversa a su periodo, y se define como     2π Ω = 2π f =   T   La frecuencia angular continua  Ω  se encuentra en el intervalo  [0, ∞ ) . Si la frecuencia  se expresa en Hz, la frecuencia angular tiene unidades de rad/seg.     La  mayoría  de  señales  periódicas  pueden  descomponerse  como  la  suma  de  señales  periódicas  más  simples,  de  diferentes  frecuencias.  Sin  embargo,  existen  algunas  señales    periódicas  que  poseen  una  única  frecuencia  y  no  pueden  descomponerse.  Estas señales son la base del análisis de Fourier y son: la señal seno  sin(Ωt ) , la señal  coseno  cos(Ωt )  y el exponencial complejo  e jΩt = cos(Ωt ) + j sin(Ωt ) .    La frecuencia angular  Ω , controla la tasa a la cual se repite cada una de estas señales.   Si la señal  e jΩt es periódica existe un valor  T ∈ R +  tal que  e jΩ ( t +T ) = e jΩt , entonces      e jΩt e jΩT = e jΩt ⇒ e jΩT = 1       así, la señal es periódica si  ΩT = 2π k , donde  k ∈ Z . Por tal motivo, el periodo de las  señales  e jΩt ,  sin(Ωt )  y  cos(Ωt )  puede ser encontrado a partir de  Ω , de acuerdo a    2π      T= Ω   Una  señal  con  frecuencia  negativa,  es  equivalente  a  la  misma  señal  de  frecuencia  positiva  pero  reflejada  (tiempo  invertido).  Por  ejemplo,  las  señales  sin(Ωt )   y  sin( −Ωt ) , tienen el mismo periodo, pero una corresponde a la reflexión de la otra.    Ejemplo 2.11. Encuentre el periodo de las siguientes señales.    x(t ) = sin( 2t )     En este caso  Ω = 2 , por lo cual  T = 2π / 2 = π .    x(t ) = e − jπt     En este caso  Ω = −π , por lo cual  T = 2π / π = 2 .    

26

Señales 

 

Análisis de Fourier 

Observación  2.4.  Para  todo  Ω ∈ R ,  las  señales  sin( Ωt ) ,  cos(Ωt )   y  e jΩt   son  periódicas. Además, la amplitud y fase de estas señales no altera su periodo.   2.2.2. Suma de exponenciales complejos de TC    Supongamos la suma de dos señales de TC periódicas       x(t ) = e jΩ1t + e jΩ2t     Si  x(t )  es periódica, para algún  T ∈ R +  debe cumplir  x(t + T ) = x(t ) , es decir    jΩ e jΩ1 ( t +T ) + e jΩ2 ( t +T ) = e jΩ1t 24 2t     1442443 14+ e 3
x ( t +T ) x(t )

 

    e jΩ1t e jΩ1T + e jΩ2t e jΩ2T = e jΩ1t + e jΩ2t     La  igualdad  anterior  se  cumple  si  y  sólo  si  e jΩ1T = 1   y  e jΩ2T = 1 .  Por  tal  motivo,  si  la  señal  x(t )   es  periódica,  se  debe  cumplir  que  Ω1T = 2πk1   y  Ω 2T = 2πk 2 ,  donde  k1 , k2 ∈ Z* .  Así,  x(t )   es  periódica  si  y  sólo  si  Ω1 / Ω 2 = k1 / k 2 ,  es  decir,  si  el  cociente  Ω1 / Ω 2   es  un  número  racional.  Las  funciones  sin( Ωt )   y  cos(Ωt )   pueden  expresarse  en  términos  de  exponenciales  complejos,  por  lo  cual,  para  la  suma  de  esta  clase  de  señales se mantiene la misma restricción.    Ejemplo 2.12.Encuentre el periodo de las siguientes señales, en caso de ser periódicas.    x(t ) = cos(3t ) + sin(5t )     Ω1 = 3, Ω 2 = 5 ⇒ Ω1 Ω 2 = 3 5 ∈ Q ,  la señal es periódica.  Debemos  encontrar  los  valores  k1 , k2 ∈ Z*   más  pequeños  para  los  que  se  cumple  Ω1T = 2πk1   y  Ω 2T = 2πk 2 .  Para  nuestra  señal  se  tiene  3T = 2πk1   y  5T = 2πk 2 .   Despejando se tiene  3k 2 = 5k1 ⇒ k1 = 3, k 2 = 5 . Por tal motivo  T = 2π .    x(t ) = sin( 2t ) + sin(πt )     Ω1 = 2, Ω 2 = π ⇒ Ω1 Ω 2 = 2 π ∉ Q ,  la señal no es periódica. 
 

      Cuando  se  realiza  la  suma  de  más  de  dos  señales  periódicas,  el  periodo  puede  ser  encontrado  para  dos  señales  y  el  resultado  obtenido  posteriormente  es  recalculado  con otra señal. Este procedimiento es repetido hasta alcanzar la totalidad de señales.  Observación 2.5. Si  Ω1 / Ω 2 ∈ Q ⇒ Ω 2 / Ω1 ∈ Q .

27

Señales 

 

Análisis de Fourier 

  Ejemplo 2.13. Encuentre el periodo de la siguiente señal, en caso de ser periódica.    x(t ) = cos(t ) + sin(t 2) + cos(t 3)     Solución.  Tomemos  x1 (t ) = cos(t ) + sin(t 2) ,  así  x(t ) = x1 (t ) + cos(t / 3) .  Para  x1 (t )   se  tiene  Ω1 = 1  y  Ω 2 = 1 / 2 , entonces  Ω1 Ω 2 = 2 ∈ Q . Por tal motivo  x1 (t )  es periódica y  para ella se debe cumplir  T1 = 2πk1  y  T1 2 = 2πk 2 . Así,  2k 2 = k1 ⇒ k1 = 2, k 2 = 1  y el  periodo de  x1 (t )  es  T1 = 4π  y su frecuencia angular es  Ω x = 2π 4π = 1 2 .    Para  x(t ) ,  se  tienen  dos  señales  con  frecuencias  angulares  Ω x = 1 2   y  Ω 3 = 1 3 ,  entonces  Ω x Ω 3 = 3 2 ∈ Q .  Por  tal  motivo,  x(t )   es  periódica  y  para  ella  se  debe  cumplir  T 2 = 2πk x  y  T 3 = 2πk 3 .  Así , 2k x = 3k 3  y se obtiene  k x = 3  y  k 3 = 2 . Por tal  motivo,  x(t )  tiene periodo  T = 12π . 
1 1 1

 

  Observación 2.6. Cuando se suma una señal periódica con una señal constante, la  señal resultante tiene periodo igual al de la señal periódica.    

Ejemplo 2.14. Encuentre el periodo de  x(t ) = cos 2 (3t ) , en caso de ser periódica.    Solución.  Expresemos  el  cos 2 (3t )   de  forma  apropiada  para  encontrar  el  periodo  de  x(t ) . Conociendo la identidad  cos 2 α = 1 (1 + cos 2α ) , se tiene que  x(t ) = 1 [1 + cos(6t )] .  2 2 El periodo de la señal coseno es  2π 6 , entonces el periodo de  x(t )  es  T = π 3 . 
 

  Definición 2.6. Una señal con frecuencia angular  kΩ , donde  k ∈ R * , se conoce como  un armónico de una señal con frecuencia angular  Ω . En este caso  Ω  se conoce como  frecuencia fundamental y la señal con frecuencia  Ω  como fundamental.    Propiedad  2.3.  El  periodo  de  una  señal  suma  de  una  fundamental  de  frecuencia  angular  Ω  y sus armónicos, es igual al periodo de la fundamental, es decir,  T = 2π Ω .    Demostración.    Considere una señal de frecuencia  Ω  que es sumada con varios de sus armónicos       x(t ) = sin(Ωt ) + sin( k1Ωt ) + sin( k2 Ωt ) + K + sin( k N Ωt ) , k1 , k2 , ..., k N ∈ Z     En  este  caso  la  fundamental  sin( Ωt ) ,  tiene  periodo  2π / Ω   y  su  i‐ésimo  armónico  sin( k i Ω) ,  tiene  periodo  2π /( k i Ω ) .  Observe  que  2π / Ω   es  un  tiempo  de  repetición  para  cada  uno  de  los  armónicos,  pues  2π / Ω   es  múltiplo  de  2π /( k i Ω) de.  Por  tal  motivo, el periodo de la señal total está dado por el periodo de la fundamental.           ■ 

28

Señales 

 

Análisis de Fourier 

  Ejemplo 2.15. Halle el periodo de la señal  x(t ) = cos( 2t ) + 1 cos(6t ) + 1 cos(8t ) , en caso  2 3 de ser periódica.    Solución.  Claramente  la    señal  es  periódica,  pues  corresponde  a  la  suma  de  la  fundamental  cos( 2t )   con  dos  de  sus  armónicos.  El  periodo  de  la  señal  es  T = 2π 2 = π . 
 

    2.2.3. Señales periódicas  de tiempo discreto     Un valor  a ∈ Z , es un tiempo de repetición para una señal de TD  xn , si      xn + a = xn     Definición  2.7.  El  período  N ,  de  una  señal  de  TD  xn ,  es  el  mínimo  tiempo  de  repetición positivo. Una señal  xn  es una señal periódica, si existe  N ∈ Z + , tal que   
 

xn + N = xn    
 

Si una señal  xn  tiene periodo  N , entonces cumple      xn + kN = xn , donde k ∈ Z     Cada uno de los términos  kN , es un tiempo de repetición de la señal. Observe que al  desplazar  xn  cualquier múltiplo entero de su periodo  N , se obtiene la misma señal.   Por  tal  motivo,  conocer  la  señal  xn   sobre  un  intervalo  de  longitud  N ,  es  suficiente  para conocer toda la señal, ya que la señal periódica está formada por copias infinitas  de ese intervalo.     

 

 

Figura 2.11. Señal de TD periódica. 

   

29

Señales 

 

Análisis de Fourier 

Definición 2.8. La frecuencia discreta  f , se define como el inverso del periodo     f = 1/ N     La frecuencia nos da información de cuantas veces se repite una señal en un intervalo  de tiempo. El periodo más pequeño de una señal periódica discreta no constante es 2.  Por tal motivo, el periodo de una señal de TD se encuentra en el intervalo  [2, ∞ ) . De  acuerdo a esto, la frecuencia de una señal de TD está en el intervalo  [0,1 2] .     Claramente  una  señal  constante  discreta  tiene  periodo  1 .  Por  tal  motivo,  las  señales  constantes tienen frecuencia  1 .  Sin embargo, como se demostrará más adelante, las  señales constantes discretas también tienen frecuencia  0 , lo cual implica que también  tienen periodo infinito; es decir, tienen 2 periodos,  1  y  ∞ .     

     
 

 

Figura 2.12. Señales de TD: señal constante y señal con periodo 2. 

    Definición 2.9. La frecuencia angular discreta  ω , es proporcional a la frecuencia de la  señal de TD e inversa a su periodo, y se define como     2π ω = 2π f =   N   La  frecuencia  angular  discreta  ω   se  encuentra  en  el  intervalo  [0, π ] .  Las  frecuencias  cercanas  a  0  se  conocen  como  frecuencias  bajas  y  las  frecuencias  cercanas  a  ±π   se  conocen como frecuencias altas.     Al  igual  que  en  el  caso  continuo,  nos  centraremos  en  el  estudio  de  tres  señales  periódicas básicas que permite representar casi cualquier otra señal periódica discreta.  Estas  señales  son:  la  señal  seno  sin(ω n ) ,  la  señal  coseno  cos(ω n)   y  el  exponencial  complejo  e jω n = cos(ω n ) + j sin(ω n ) . 
 

Observación  2.7.  No  para  todo  ω   las  señales  sin(ω n) ,  cos(ω n)   y  e jω n   son  periódicas.   

30

Señales 

 

Análisis de Fourier 

Propiedad 2.4. La señal  e jω n  es periódica si  y sólo si  ω  es un múltiplo racional de  2π . 
 

Demostración.  Si   e  
jω n

   es una señal periódica, debe existir  N ∈ Z + , tal que 

e jω ( n+ N ) = e jωn   e jω n e jω N = e jω n                                                                                                                    Por  tal  motivo  se  debe  cumplir  que  e jωN = 1 .  Conociendo  que  los  complejos  de  la  forma  e jα  viven sobre el circulo unitario en plano complejo y forman un ángulo de  α   con el eje real, se requiere que  ωN  sea un múltiplo entero de  2π , es decir  ωN = 2πk ,  donde  k ∈ Z . Por tal motivo, la frecuencia angular debe ser de la forma    2πk ω=   N   De  forma  similar,  se  puede  demostrar  que  las  señales  sin(ω n)   y  cos(ω n)   son  periódicas  sólo  si  su  frecuencia  angular  ω   es  un  múltiplo  racional  de 2π .  Para  encontrar  el  periodo  es  necesario  expresar  ω   como  un  múltiplo  racional  de  2π .  El  periodo corresponde al denominador del múltiplo racional.                                               ■    Ejemplo  2.16.    Determine  si  las  siguientes  señales  son  periódicas  y  encuentre  su  periodo.    xn = cos[(π 3)n]     En este caso  ω = 2π (1 / 6) , entonces  xn  es una señal periódica con periodo  N = 6 .    xn = e − j 2 n     En este caso  ω = 2π (1 / π ) , entonces  xn  no es periódica pues  (1 / π ) ∉ Q .    xn = sin ⎡ 2π n ⎤   ⎣ ⎦  

(

)

En este caso  ω = 2π 1 / 2 , entonces  xn  no es periódica pues  1 / 2 ∉ Q .   

(

)

(

)

xn = cos[(7 π 3)n]  

  En este caso  ω = 2π (7 / 6) , entonces  xn  es una señal periódica con periodo  N = 6 . 

31

Señales 

 

Análisis de Fourier 

Dos  señales  con  diferente  frecuencia  angular,  como  cos[(π 3)n]   y  cos[(7 π 3)n] ,  tienen el mismo periodo, situación imposible para señales de TC. Esto se debe a que la  frecuencia  angular  discreta  ω   es  periódica,  con  periodo  2π .  Por  tal  motivo,  una  frecuencia discreta  ω0 , puede también escribirse como  ω0 + 2π k , con  k ∈ Z .    2.2.4. Suma de exponenciales periódicos de TD    Propiedad 2.5. Toda suma de señales de TD periódicas es periódica.    Demostración.  Si  xn   y  y n   son  dos  señales  de  TD  periódicas,  con  periodos  N   y  M ,  respectivamente,  entonces  MN   y  MCM ( M , N ) son  tiempos  de  repetición  para  xn ,  y n  y  { xn + yn } .                                                                                                                               ■       y     yn = e ,  Si sumamos de dos exponenciales complejos periódicos  xn = e señales  con  periodo  N   y  M ,  respectivamente,  entonces  la  señal  xn + yn   tiene  periodo  K , dado por    K = MCM ( M , N )     donde  MCM  es el mínimo común múltiplo.    Ejemplo 2.17. Encuentre el periodo de las siguientes sumas.    ⎛ 2π ⎞ ⎛ 2π ⎞ cos⎜ n ⎟ + sin⎜ n⎟   ⎝ 4 ⎠ ⎝ 5 ⎠   N = 4,   M = 5  y  mcd ( 4,5) = 1  , entonces  K = 4 × 5 = 20 .    ⎛ 2π ⎞ ⎛ 2π ⎞ cos⎜ n ⎟ + sin⎜ n⎟   ⎝ 4 ⎠ ⎝ 8 ⎠   N = 4,   M = 8   y  mcd ( 4, 8) = 4 .  Por  tal  motivo,  el  periodo  de  la  suma  es  K = MCM ( 4, 8) = 8 .    ⎛ 2π ⎞ ⎛ 2π ⎞ n ⎟ + sin⎜ n⎟   cos⎜ ⎝ 6 ⎠ ⎝ 8 ⎠   N = 6,   M = 8   y  mcd (6,8) = 2 .  Por  tal  motivo,  el  periodo  de  la  suma  es  K = MCM (6, 8) = 24 .   
⎛ 2π ⎞ j⎜ ⎟n ⎝ N ⎠ ⎛ 2π ⎞ j⎜ ⎟n ⎝M ⎠

32

Señales 

 

Análisis de Fourier 

2.3. Potencia y energía de una señal    En  la  mayoría  de  los  casos  trabajaremos  con  señales,  continuas  o  discretas,  que  corresponden a un voltaje o a una corriente. Por tal motivo, medidas de la señal como  la potencia instantánea, la potencia promedio y la energía, son de suma importancia.    2.3.1. Potencia instantánea    En un circuito puramente resistivo, como el que se ilustra en la Figura 2.13, la potencia  p(t )   sobre  el  resistor  R   en  un  cierto  instante  de  tiempo,  es  el  producto  entre  la  diferencia  de  potencial  v(t )   de  los  terminales  del  resistor  y  la  intensidad  de  la  corriente  i(t )  que pasa a través del mismo, es decir  p(t ) = v(t )i* (t ) .      

 

 

Figura 2.13. Circuito resistivo. 

    Utilizando  la  ley  de  Ohm,  la  potencia  instantánea  puede  expresarse  en  términos  del  voltaje  v(t )  en los terminales del resistor     

v(t )v* (t ) v(t )   = p(t ) = R R

2

  o en términos de la corriente  i(t )  a través del resistor     

p(t ) = i(t )i* (t ) R = i(t ) R  

2

  En ambos casos, la potencia instantánea es proporcional a la magnitud al cuadrado de  la señal. Para un resistor  R = 1Ω , las ecuaciones toman la misma forma, es decir     

p(t ) = v(t ) = i(t ) , 

2

2

  por lo que es usual referirse a la potencia instantánea de una señal dada  x(t ) , como   

p ( t ) = x(t )  
 

2

33

Señales 

 

Análisis de Fourier 

2.3.2. Energía    La  energía  total  de  una señal  x(t ) ,  se  define como  la  suma  (integral)  de  su  potencia  instantánea  x(t ) 2 y puede ser encontrada como   

E=

−∞

x(t ) dt  

2

  Las señales para las cuales la integral anterior converge se conocen como señales de  energía finita. En la práctica, todas las señales tienen energía finita. La energía de una  señal  x(t )  puede ser encontrada dentro de un intervalo de tiempo  (t1 , t2 ) , para ello        2.3.3. Potencia promedio    La  promedio  durante  un  intervalo  de  tiempo  (t1 , t2 )   de  una  señal  x(t ) ,  puede  ser  encontrada si sumamos la potencia sobre el intervalo y dividimos por la longitud del  mismo. La potencia promedio  P  sobre un intervalo  (t1 , t2 ) , se define como   

Et1 ,t2 = ∫ x(t ) dt  
2 t1

t2

P t1 ,t2

1 2 2 = ∫ x(t ) dt   t2 − t1 t1

t

  La potencia promedio de la señal se calcula cuando el intervalo se vuelve infinito   

1 2 2 P = lim ∫ x(t ) dt   T →∞ T t1
  Si  la  potencia  promedio  se  mantiene  finita,  pero  no  cero,  cuando  la  longitud  del  intervalo de tiempo  T  tiende a infinito, la señal  x(t )  se denomina señal de potencia.  La potencia promedio de una señal periódica puede encontrarse sin evaluar el límite  T → ∞ .  En  este  caso,  se  puede  tomar  T   como  el  periodo  de  la  señal  y  calcular  la  potencia promedio sobre cualquier intervalo de tiempo de longitud  T , es decir    1 2 P = ∫ x(t ) dt   TT   Ejemplo 2.18. Para la señal  x(t ) = 2e j 3t , encuentre la potencia,  la energía de la señal y  la potencia promedio. La señal es de potencia o de energía? 

t

34

Señales 

 

Análisis de Fourier 

Solución.    Potencia instantánea     
 

p ( t ) = x ( t ) = 2e j 3 t   p ( t ) = 2 2 e j 3t = 4  
2

2

2

   

Energía   

 
 

E=

−∞
∞ ∞

x(t ) dt =

2

−∞

2e

j 3t

2

dt = 4 ∫ e j 3t dt  
−∞

2

   

E = 4 ∫ dt = 8∫ 1dt = ∞  
−∞ 0

Potencia promedio     
 

P = lim

1 4 2 j 3t 2 ∫/ 2 x(t ) dt = Tlim T −T∫/ 2 e dt   T →∞ T →∞ −T
T /2

T /2

T /2

 

4 4 P = lim dt = lim [T / 2 − ( −T / 2)] = 4   T →∞ T ∫ T →∞ T −T / 2

  Por tal motivo,  x(t )  es una señal de potencia.    Ejemplo 2.19. Encuentre la potencia, la energía y la potencia promedio de la siguiente  señal. La señal es de potencia o de energía?     

 

 

Figura 2.14. Señal exponencial decreciente par. 

    Solución. 

35

Señales 

 

Análisis de Fourier 

Potencia instantánea            Energía   

p(t ) = x(t ) = e −2|t| = e −2|t|   ⎧ e4t p(t ) = e −4|t| = ⎨ −4t ⎩e t<0 t>0

2

2

(

)

2

 

 
 

E=
E=

−∞


0

x(t ) dt =

2

−∞

∫ (e )
−2|t |

2

dt =

−∞

∫e

−4|t |

dt  

   

−∞

−4 t 4t ∫ e dt + ∫ e dt =

0

1   2

Potencia promedio     
 

1 1 2 P = lim x(t ) dt = lim e −2|t| T →∞ T ∫ T →∞ T ∫ −T / 2 −T / 2

T /2

T /2

(

)

2

1 −4 t dt = lim e dt   T →∞ T ∫ −T / 2

T /2

 

P = lim

2 T →∞ T

T /2


0

e−4t dt = lim

1 −4t 1 e = lim (1 − e−2T ) = 0   T →∞ 2T T →∞ 2T T /2

0

  Por tal motivo,  x(t )  es una señal de energía finita.    2.3.4. Caso discreto    Potencia instantánea de la señal    Energía en el intervalo  ( n1 , n2 )   Energía de la señal    Potencia promedio en el intervalo  ( n1 , n2 )   Potencia promedio   

pn = xn   En1 ,n2 = ∑ xn  
2

2

n2

n = n1

E=

n =−∞

xn  

2

P n1 ,n2

n2 1 2 = ∑ xn   ( n2 − n1 ) + 1 n = n1

P = lim

1 N →∞ N

n =− N / 2

N /2

xn  

2

36

Señales 

 

Análisis de Fourier 

2.4. Normas y espacios normados    Definición 2.10. Un espacio vectorial es una colección de objetos (llamados vectores)  que  pueden  ser  escalados  y  sumados.  Una  norma ⋅ ,  es  una  función  que  asigna  una  longitud  o  tamaño  a  cada  uno  de  los  vectores  del  espacio.  Un  espacio  vectorial  con  norma, se conoce como espacio vectorial normado.    Ejemplo  2.20.  El  espacio  euclidiano  R 3 ,  es  un  espacio  vectorial.  Cada  elemento  del  espacio o vector, es de la forma  x = ( x1 , x2 , x3 ) , donde  x1 , x2 , x3 ∈ R , y corresponde a  un punto en el espacio tridimensional. Una norma para este espacio (se pueden definir  otras) es la distancia euclidiana del vector al origen, definida como      
 

2 2 x = x12 + x2 + x3  

  2.4.1. Norma y espacio L1    La norma  L1  de una señal de TC  x(t ) , se define como   

x(t ) 1 =

−∞

∫ x(t ) dt  

  L1  es el espacio vectorial formado por todas las señales de TC que tienen norma  L1   finita (señales integrables en magnitud), es decir,  L1 = f : R → C : ∫  

{

−∞

f < ∞ . 

}

⎧ t −3 ≤ t ≤ 3 Ejemplo 2.21. Encuentre la norma  L1  de la señal  x(t ) = ⎨   − ⎩0
 

Solución.   
 

Figura 2.15. Señal original y su magnitud. 

    

 

 

x (t ) 1 =

−∞

x(t ) dt =

−3

∫t

3

dt  

37

Señales 

 

Análisis de Fourier 

x(t ) 1 = ∫ −t dt + ∫ t dt = 9  
−3 0

0

3

  Esta señal pertenece a  L1 , pues su norma  L1  es finita.   

t ≥1 ⎧1 / t Ejemplo 2.22. Encuentre la norma  L1  de la señal  x(t ) = ⎨   ⎩ 0 otro caso    

Figura 2.16. La señal original y su magnitud. 

 

   

x (t ) 1 =

x(t ) 1 = ∫ 1 t dt = ln(∞ ) − ln(1) = ∞  
1

−∞ ∞

x(t ) dt = ∫ 1 / t dt  
1

  Por tal motivo la señal no pertenece a  L1 . 
⎧1 / t 2 Ejemplo 2.23. Encuentre la norma  L1  de la señal  x(t ) = ⎨ ⎩ 0     t ≥1   otro caso

Figura 2.17. La señal original y su magnitud. 

 

   

   
 

x (t ) 1 =

x(t ) 1 = ∫ 1 t 2 dt = − 1 t 1 = 1 
1

−∞ ∞

x(t ) dt = ∫ 1 / t 2 dt  
1

 

38

Señales 

 

Análisis de Fourier 

Las señales que pertenecen a  L1  se conocen como señales integrables en magnitud.    

Propiedad 2.6.  

−∞

∫ x(t ) dt ≤ ∫

x(t ) dt  

−∞

  Por tal motivo, si una señal es integrable en magnitud es integrable sin magnitud. La  norma  L1  de una señal de TC puede calcularse sobre un intervalo finito de tiempo, en  ese caso se define como     

x(t ) 1 (t1 , t2 ) = ∫ x(t ) dt  
t1

t2

  Definición 2.11. Un espacio de Banach, es un espacio vectorial normado completo, es  decir,  un  espacio  vectorial  normado  en  el  cual  todas  las  sucesiones  de  Cauchy  convergen.    Definición 2.12. Una sucesión  { xn } , en la cual sus elementos se acercan a medida que  avanza la sucesión, es una sucesión de Cauchy.    Ejemplo 2.24.  {1 / n} , donde  n ∈ N + , es una sucesión de Cauchy.      {1 / n} = {1, 1 , 1 , 1 , ...}   2 3 4
 

  El espacio  L1  es completo, por lo cual  L1  es un espacio de Banach.    2.4.2. Norma y espacio L2    La norma  L2  de una señal de TC  x(t )  se define como   

x (t ) 2 =

−∞

x(t ) dt  

2

  L2  es el espacio vectorial formado por todas las señales de TC que tienen norma  L2   finita (señales de energía finita), es decir,  L2 = f : R → C : ∫  

{

−∞

f

2

< ∞ . 

}

t ≥1 ⎧1 / t Ejemplo 2.25. Encuentre la norma  L2  de la señal  x(t ) = ⎨   ⎩ 0 otro caso  
39

Señales 

 

Análisis de Fourier 

Solución. 

x (t ) 2 =
 

−∞ ∞

x(t ) dt =

2

∫ 1/ t
1

2

dt  

x (t ) 1 =

∫1 t
1

2

dt = −1 / t 1 = 1  

  Por tal motivo la señal pertenece a  L2 . Note que esta señal no pertenece a  L1 .        Las  señales que  pertenecen  a  L2   se  conocen  como  señales  de energía  finita,  pues  si  una señal tiene norma  L2  finita también tiene energía finita. La energía de una señal  puede ser encontrada a partir de su norma  L2 , como     
E = x(t )

Observación 2.8. Una señal en  L1  no necesariamente pertenece a  L2  y viceversa. 

(

2

)

2

 

  Propiedad 2.7. Toda señal acotada y de soporte compacto pertenece a   L1 ∩ L2 .    La norma  L2  de una señal de TC puede calcularse sobre un intervalo finito de tiempo,  en ese caso se define como        Observación 2.9. Una señal que no tiene soporte compacto puede pertenecer a  L1  o  L2 . En los ejemplos realizados algunas señales tiene soporte no acotado y algunas  de ellas pertenecen a  L1  o  L2 . 
x(t ) 2 (t1 , t2 ) =
t2

∫ x(t )
t1

2

dt  

    Definición 2.13. Un espacio de Hilbert, es un espacio vectorial normado completo con  producto interno, es decir, un espacio de Banach con producto interno.    El producto interno entre  x(t )  y  y(t ) , dos señales de  L2 , se define como 
 

 
 

x, y =

−∞

∫ x(t ) y (t ) dt  
*

El producto interno en cierta forma calcula la similitud entre dos señales del espacio.  La norma  L2  y la energía de una señal se relacionan con el producto interno, mediante 

40

Señales 

 

Análisis de Fourier 

 
 

x, x =

−∞

∫ x(t ) x (t ) dt = ∫
*
2

x(t ) dt  

2

−∞

   

x , x = x (t )

(

)

2

=E 

2.4.3. Norma y espacio l1    La norma  l1  de una señal de TD  xn  se define como   

xn 1 =

n =−∞

xn  

  El espacio  l1 , es el espacio vectorial formado por todas las señales de TD que tienen  norma  l1  finita. Las señales de  l1  se conocen como señales sumables en magnitud.     Propiedad 2.8.   
n =−∞

xn ≤

n =−∞

xn  

  Por tal motivo, si una señal es sumable en magnitud es sumable sin magnitud.    La norma  L1  de una señal de TD puede calcularse sobre un intervalo finito de tiempo,  en ese caso se define como     

xn 1 ( n1 , n2 ) = ∑ xn  
n = n1

n2

  Ejemplo 2.26.  Encuentre la norma  l1  de la señal     ⎧ j 2n −3 < n < 0 ⎪   xn = ⎨− jn 0 < n ≤ 3 ⎪ 0 otro caso ⎩ Solución. La magnitud de la señal puede escribir se como    ⎧ 2 n −2 ≤ n ≤ −1 ⎪   xn = ⎨ n 1≤ n ≤ 3   ⎪ 0 otro caso ⎩
 

 
 

xn 1 = 2 −2 + 2 −1 + 1 + 2 + 3 = 12  

41

Señales 

 

Análisis de Fourier 

2.4.4. Norma y espacio l2    La norma  l2  de una señal de TD  xn  se define como   
xn
2

=

n =−∞

xn  

2

  El  espacio  l2   es  el  espacio  vectorial  formado  por  todas  las  señales  de  TD  que  tienen  norma  l2  finita. Las señales que pertenecen a  l2  se conocen como señales de energía  finita, pues si una señal tiene norma  l2  finita también tiene energía finita. La energía  de una señal de TD puede ser encontrada a partir de su norma  l2 , como       
 

E = x (t )

(

2

)

2

 

⎧n / 2 2 ≤ n ≤ 2 Ejemplo 2.27. Calcule la norma  l2  y la energía de la señal  xn = ⎨ .  ⎩ 0 otro caso   Solución.     

         
Figura 2.18. Señal original y su magnitud. 

 

                   

xn

2

=

n = −2

∑ n 2 = 1 + 1 + 0 + 1 + 1 = 10 2   4 4

2

2

E = xn

(

2

)

2

= 5 2 

42

Señales 

 

Análisis de Fourier 

2.5. Funciones Singulares    2.5.1. Función escalón de Heaviside     La función escalón de Heaviside o función escalón unitario se define como     

⎧0 t < 0 u (t ) = ⎨ ⎩1 t > 0
      La  función  escalón  presenta  una  transición  de  0  a  1  en  el  valor  de  t   para  el  cual  se  anula  su  argumento.  El  valor  de  la  función  en  el  instante  de  la  transición  no  está  determinado.  La  función  escalón  puede  trasladarse  y  reflejarse  modificando  su  argumento, como se ilustra en el siguiente ejemplo.    Ejemplo 2.28. Obtenga la grafica de las siguientes funciones escalón.    u (t + 1) : el tiempo de la transición está dado por la ecuación  t + 1 = 0 , por lo  cual la transición ocurre en  t = −1 .     

⎧ 0 t < −1 u (t + 1) = ⎨ ⎩1 t > −1
 

 

u (−t ) : debido a que la función está reflejada la transición es de uno a cero. El  tiempo de la transición se encuentra haciendo  −t = 0 , por lo cual  t = 0 . 
   

⎧1 t < 0 u ( −t ) = ⎨ ⎩0 t > 0
 

43

Señales 

 

Análisis de Fourier 

u (2 − t ) : debido a que la función está reflejada, la transición es de uno a cero.  El tiempo de la transición se encuentra haciendo  2 − t = 0 , por lo cual  t = 2 . 
       

⎧1 t < 2 u (2 − t ) = ⎨ ⎩0 t > 2
 

 

  Propiedad separadora    La  función  escalón  es  comúnmente  utilizada  para  anular  una  señal  a  partir  de  cierto  tiempo y es utilizada junto a otros escalones  para seleccionar una región de interés en  una señal. Al multiplicar una señal  x(t )  por un escalón se obtiene    ⎧ 0 t < t0 x(t )u (t − t0 ) = ⎨   ⎩ x(t ) t > t0    

      
Figura 2.19. Señal original y señal multiplicada por un escalón.       

 

Ejemplo 2.29. Grafique la señal  t [u (t − 1) − u (t − 3)]      

   

 

    

 

Figura 2.20. Resta de las funciones escalón 

44

Señales 

 

Análisis de Fourier 

                  2.5.2. Función impulso    La función impulso o delta de Dirac está definida como     

 

Figura 2.21. Señal original y señal multiplicada por las funciones escalón. 

δ (t ) = ⎨

t =0 ⎧≠ 0 ⎩ 0 otro caso

      El impulso tiene amplitud desconocida. El valor  1  de la gráfica se conoce como el peso  de la función impulso. La función impulso sólo toma valor diferente de cero en aquel  instante del tiempo en el cual su argumento es igual a cero. Por ejemplo, el impulso  δ (t )   está  ubicado  en  el  origen,  pues  su  argumento  es  t .    No  obstante,  un  impulso  puede  ubicarse  en  cualquier  instante  del  tiempo,  para  lo  cual  se  modifica  su  argumento.  El  impulso  δ (t − t0 )   se  encuentra  ubicado  en  t = t0 ,  ya  que  al  igualar  el  argumento del impulso a cero se obtiene  t − t0 = 0 .    Ejemplo 2.30. Grafique la función  δ (t − 3) .    Solución. Igualando el argumento del impulso a cero se tiene  t − 3 = 0 , por lo cual el  impulso se encuentra ubicado en el tiempo  t = 3 .     

δ (t − 3) = ⎨

⎧≠ 0 t = 3 ⎩ 0 t≠3

 

 

45

Señales 

 

Análisis de Fourier 

Propiedad de área unitaria     

∫ δ (t − t )dt = ⎨0 ⎩
0

b

a

⎧1 si a < t0 < b   otro caso
 

Ejemplo 2.31. Evalúe la integral 

−∞

∫ [3δ (t + 2) − 2δ (t ) + δ (t − 1)] dt  

  Solución. La función esta compuesta por 3 impulsos de diferentes pesos, ubicados en  los instantes de tiempo  t = −2 ,  t = 0  y  t = 1 .     

 

 

Figura 2.22. Señal formada por tres funciones impulso. 

    Expresando la integral de la suma como la suma de las integrales se tiene     
 

3 ∫ δ (t + 2)dt − ∫ 2δ (t )dt + ∫ δ (t − 1)dt = 3 − 2 + 1 = 2  
−∞ −∞ −∞

  Propiedad de selección    Al multiplicar una señal  x(t )  por un impulso ubicado en el tiempo  t = t0 , se obtiene un  impulso ubicado  t = t0  con peso  x(t0 ) , es decir,    x(t )δ (t − t0 ) = x(t0 )δ (t − t0 )     Por tal motivo, al integrar una señal  x(t )  por un impulso ubicado en el tiempo  t = t0 ,  se evalúa la señal en el instante de tiempo en el cual vive el impulso.    
∞ −∞

∫ x(t )δ (t − t )dt = x(t )  
0 0

46

Señales 

 

Análisis de Fourier 

  Ejemplo 2.32.  Evalué las siguientes integrales   
∞ −∞ ∞

∫e

cos( t )

δ (t − π )dt = e cos(π ) = e −1  

1 100

∫e
1

− x2

δ ( x)dx = 0  

∫ log(t )δ (t − 10)dt = log(10) = 1  

A    2.5.3. Escalón unitario discreto     La función escalón unitario discreto se define como     

⎧0 n < 0 un = ⎨ ⎩1 n ≥ 0

      El escalón presenta su transición de  0  a  1 , en el valor de  n  que anula su argumento.  La función escalón puede trasladarse y reflejarse modificando su argumento.    2.5.4. Impulso unitario discreto    La función impulso discreto  δ n , está definida como     

δn = ⎨

n=0 ⎧1 ⎩0 otro caso

   

 

47

Señales 

 

Análisis de Fourier 

La función impulso sólo toma valor diferente de cero en aquel instante del tiempo en  el  cual  su  argumento  es  igual  a  cero.  Por  ejemplo,  el  impulso  δ n − n0   se  encuentra  ubicado en  n = n0 , ya que al igualar el argumento a cero se tiene que  n − n0 = 0 .    Propiedad de selección    Al multiplicar una señal  xn  por un impulso ubicado en el tiempo  n = n0 , se obtiene un  impulso ubicado  n = n0  de altura  xn0 , es decir,    xnδ n − n0 = xn0 δ n − n0     Por tal motivo, al sumar una señal  xn  por un impulso ubicado en el tiempo n = n0 , se  evalúa la señal en el instante de tiempo en el cual vive el impulso.    
n =−∞

∑ xδ

n n − n0

= xn0  

    2.6. Convolución lineal     2.6.1. Definición    La convolución es un operador que toma dos señales  f  y  g , y produce una tercera  señal  h , la cual representa la cantidad de traslape (área del producto) entre  f  y una  versión reflejada y trasladada de  g . La convolución entre dos señales se define como   

h(t ) = [ f ∗ g ](t ) =

−∞

f (τ ) g (t − τ )dτ =
 

−∞

f (t − τ ) g (τ )dτ  

  Ejemplo  2.33.  Considere  las  señales  f (t )   y  g (t )   que  se  muestran  en  la  figura,  encuentre la convolución entre ellas.     

   

     

 

48

Señales 

 

Análisis de Fourier 

Solución. La convolución  h(t )  entre las señales  f (t )  y  g (t )  puede encontrarse como   

 

h(t ) =

−∞

f (τ ) g (t − τ )dτ  

  Consideremos la señal  g ( −τ ) , que corresponde a una versión reflejada de  g (t ) .     

Figura 2.23. Señal reflejada. 

 

    La variable  t  se ha cambiado por la variable  τ , lo cual no cambia la forma original de  la señal. Si la señal reflejada  g ( −τ )  es adelantada un valor de  t , se obtiene  g (t − τ ) ,  que corresponde a una versión reflejada y desplazada de  g (t ) , ver Figura 2.24.     

Figura 2.24. Señal reflejada y desplazada.     

 

El  pulso  original  g (t )   tiene  soporte  en  [0, 2] ,  una  vez  que  la  señal  es  reflejada,  el  nuevo pulso obtenido tiene soporte en  [−2, 0] . El pulso final  g (t − τ ) , desplazado en  t ,  tiene soporte en  [−2 + t , t ] , como se ilustra en la Figura 2.24.    Para  computar  la  convolución  h(t )   entre  el  par  de  señales  debe  integrarse  la  señal  f (τ ) g (t − τ )  con respecto a  τ , para todos los valores de  t . Para un valor de  t  dado, la  señal  f (τ )  permanece sin alterarse, ya que es sólo función de la variable  τ . Por otro  lado, para cada valor de  t , la señal  g (t − τ )  corresponde a una versión desplazada en  t  de la señal  g ( −τ ) . Por tal motivo, la señal  h(t ) contiene la información del traslape  entre las señales  f (τ ) , la cual se mantiene fija, y la señal  g (t − τ ) , que se desplaza de  acuerdo  al  valor  de  t .  Para  diferente  valores  de  t ,  la  señal  f (τ ) g (t − τ )   toma  diferentes valores. A continuación calcularemos  h(t )  para tres valores de  t .   

49

Señales 

 

Análisis de Fourier 

Para  t = 0            

h( 0 ) =

−∞

f (τ ) g ( −τ )dτ  

    No hay traslape entre las señales, por lo cual  h(0) = 0 .      Para  t = 1            

 

h(1) =

−∞

f (τ ) g (1 − τ )dτ  

Las señales se traslapan en el intervalo  [0,1] , en el cual  f (τ ) = τ  y  g (1 − τ ) = 1 , así    ∞ 1 1   h(1) = ∫ f (τ ) g (1 − τ )dτ = ∫ τ dτ =   2 −∞ 0   Observa que  h(1)  corresponde al área del triangulo del correspondiente traslape.    Para  t = 2          

 

h( 2 ) =

−∞

f (τ ) g ( 2 − τ )dτ  

        Las  señales  se  traslapan  en  el  intervalo  [0, 2] ,  en  el  cual  g (1 − τ ) = 1 .  Sobre  este  intervalo  f (τ ) = τ , si  0 < τ < 1 , y  f (τ ) = −τ + 2 , si  1 < τ < 2 , por tal motivo 

50

Señales 

 

Análisis de Fourier 

h( 2 ) =

−∞

f (τ ) g (1 − τ )dτ = ∫ τ dτ + ∫ ( −τ + 2) dτ = 1  
0 1

1

2

  El valor de  h( 2)  corresponde al área del triangulo del correspondiente traslape.    Con el fin de encontrar la solución completa para  h(t )  se debe tomar  t  por intervalos  y no por valores puntuales.    Para  t < 0 , no existe traslape entre las señales, pues el pulso termina en  t , el  cual es una valor negativo, y el triangulo empieza en cero.           h( t ) = 0  

 

Para  0 < t < 1 ,  las  señales  se  traslapan  en  el  intervalo  [0, t ] ,  sobre  el  cual  f (τ ) = τ  y  g (t − τ ) = 1 .      

       
h(t ) = ∫ τ dτ =
0

t

t2   2

                Para  1 < t < 2 , las señales se traslapan en el intervalo  [0, t ] . El traslape entre 0 y  1 es constante y corresponde al área del triangulo, igual a 1/2. El traslape entre  1 y  t , depende de  t , sobre este intervalo  f (τ ) = −τ + 2  y  g (t − τ ) = 1 .        t 1 h(t ) = + ∫ ( −τ + 2) dτ 2 1   (t − 2 ) 2 h( t ) = 1 − 2

51

Señales 

 

Análisis de Fourier 

 

Para  2 < t < 3 ,  las  señales  se  traslapan  en  el  intervalo  [−2 + t , 2] .  El  traslape  entre 1 y 2 es constante y corresponde al área del triangulo, igual a 1/2. Para el  traslape entre  −2 + t  y 1, las señales son  f (τ ) = τ  y  g (t − τ ) = 1 .     
h( t ) = 1 + ∫ τ dτ 2 −2 + t
1

(t − 2 ) 2 h( t ) = 1 − 2

 

 

  Para  3 < t < 4 , las señales se traslapan en el intervalo  [−2 + t , 2] , sobre el cual  f (τ ) = −τ + 2  y  g (t − τ ) = 1 .        
h( t ) =
−2 + t

 

2

−τ + 2 dτ

(t − 4) 2 h( t ) = 2

 

 

  Finalmente, para  t > 4  no hay traslape entre las señales y  h(t ) = 0 . 

  Por tal motivo, la convolución entre las señales es una señal a trozos dada por     

0 ⎧ ⎪ 1 2 t 2 ⎪ ⎪ 1 h(t ) = ⎨1 − 2 (t − 2)2 ⎪ 1 (t − 4 ) 2 ⎪ 2 0 ⎪ ⎩
      Conmutatividad       

t<0 0 < t <1 1≤ t ≤ 3 3<t < 4 t>4

2.6.2. Propiedades de la convolución 

x(t ) ∗ y (t ) = y (t ) ∗ x(t )  
52

Señales 

 

Análisis de Fourier 

Asociatividad              Convolución con impulso       
x(t ) ∗ [ y (t ) ∗ z (t )] = [x(t ) ∗ y (t )] ∗ z (t )  

Distributividad 
x( t ) ∗ [ y ( t ) + z ( t ) ] = x ( t ) ∗ y ( t ) + x( t ) ∗ z ( t )  

x( t ) ∗ δ ( t − t 0 ) = x ( t − t 0 )  
2.6.3. Convolución lineal discreta 

  De forma análoga al caso continuo, la convolución discreta entre dos señales  xn  y  yn ,  es una tercera señal  hn , definida como   

yn = [ x ∗ h]n =
    2.7. Sistemas LTI 

k =−∞

∑xh

k n−k

=

k =−∞

∑x

n−k k

h  

  Un sistema es un operador que a cada señal de entrada asigna una señal de salida. Los  sistemas  lineales  e  invariantes  en  el  tiempo  (LTI)  son  de  gran  importancia,  ya  que  muchos circuitos eléctricos y electrónicos pueden modelarse como un sistema LTI. Por  tal motivo, estudiaremos la respuesta de un sistema LTI a una señal de entrada.    2.7.1. Sistemas continuos    Un operador  L , es lineal e invariante en tiempo si cumple    Linealidad: homogeneidad y superposición      L [ ax(t ) + by(t )] = aL[ x(t )] + bL[ y(t )]     Invariante en el tiempo      Si    L [ x(t )] = y(t )    entonces    L[ x(t − t0 )] = y(t − t0 )  

  Un  sistema  LTI  puede  verse  como  un  operador  que  a  cada  señal  de  entrada  x(t )   le  asigna una señal de salida  y(t ) = L [ x(t )] , cumpliendo las dos propiedades anteriores. 

53

Señales 

 

Análisis de Fourier 

 

 

Figura 2.25. Sistema LTI continuo 

 
 

Una señal  x(t )  puede evaluarse en un instante de tiempo  t0  haciendo   

 

x( t 0 ) =

−∞

∫ x(t )δ (t − t )dt  
0

  En general, la señal  x(t )  puede reescribirse utilizando una función impulso, como   

 
 

x( t ) =

−∞

∫ x(τ )δ (t − τ )dτ = x(t ) ∗ δ (t )  

Observación 2.10. Al realizar la convolución de cualquier señal  x(t )  con la función  impulso  δ (t )  se tiene la señal original, es decir,  x(t ) ∗ δ (t ) = x(t ) .   Suponga que la señal  x(t )  entra a un sistema LTI , entonces la salida es  
 

 

 
 

⎡∞ ⎤ ∞ y(t ) = L[ x(t )] = L ⎢ ∫ x(τ )δ (t − τ )dτ ⎥ = ∫ x(τ ) L[δ (t − τ )] dτ   ⎣ −∞ ⎦ −∞

Definamos  h(t )   como  la  respuesta  impulso  del  sistema  LTI,  es  decir  h(t ) = L[δ (t )] .  Dado  que  el  sistema  es  invariante  en  el  tiempo  se  tiene  que  L[δ (t − τ )] = h(t − τ )   y  podemos escribir la respuesta del sistema como   

 

y (t ) =

−∞

∫ x(τ )h(t − τ )dτ = x(t ) ∗ h(t )  

  La respuesta de un sistema LTI a una señal de entrada corresponde a la convolución  entre  la  señal  de  entrada  x(t )   y  la  respuesta  al  impulso  del  sistema  h(t ) .  Por  tal  motivo, los sistemas LTI son conocidos también como sistemas de convolución y están  completamente caracterizados por su respuesta impulso  h(t ) , ya que a partir de ella  se puede encontrar la respuesta del sistema a cualquier entrada arbitraria.       

 

Figura 2.26. Respuesta de un sistema LTI con respuesta al impulso h(t). 

54

Señales 

 

Análisis de Fourier 

  Ejemplo 2.34. Encuentre  la respuesta de un sistema LTI a un exponencial complejo.    Solución. Si  x(t ) = e jΩ0t  y la respuesta al impulso de sistema es  h(t ) , se tiene 
 

 
 

y (t ) =

−∞

∫ x(t − τ )h(τ )dτ = ∫ e
−∞

j Ω0 ( t −τ )

h(τ )dτ = e

jΩ0 t

⎡∞ ⎤ − j Ω0τ dτ ⎥ = e jΩ0t H (Ω0 )   ⎢ ∫ h(τ )e ⎣ −∞ ⎦

La respuesta a un exponencial complejo de frecuencia  Ω0  es el mismo exponencial  multiplicado por una función que depende de la frecuencia  Ω0 .    Estabilidad en sentido EASA    La  estabilidad  EASA  (Entrada Acotada  Salida  Acotada) es  comúnmente  utilizada  para  indicar la estabilidad de un sistema LTI. Suponga que a un sistema LTI, con respuesta al  impulso  h(t ) ,  es  aplicada  una  señal  acotada  x(t ) .  ¿Que  condición  debe  cumplir  el  sistema para que su salida  y(t )  sea también acotada?     Consideremos la salida del sistema LTI   

 
 

y (t ) = y (t ) ≤

−∞

∫ x(τ )h(t − τ )dτ  
∞ −∞

 
 

x(τ ) h(t − τ ) dτ ≤ sup x(τ )
τ ∈R

−∞

h(t − τ ) dτ  

 

y(t ) ≤ sup x(τ ) h(t ) 1  
τ ∈R

  Dado que la señal  x(t )  es acotada, la señal  x(t )  tiene por supremo un real, entonces  para que la señal  y(t )  sea acotada se requiere que  h(t )  sea integrable en magnitud.  Por tal motivo, si la respuesta impulso  h(t ) ∈ L1  el sistema es estable en sentido EASA,  y el sistema asigna una señal de salida acotada a toda señal de entrada acotada.    2.7.2. Sistemas discretos    Un sistema LTI discreto puede verse como un operador que a cada señal de entrada  xn   le asigna una señal de salida  yn , cumpliendo linealidad e invarianza temporal.       

   

Figura 2.27. Sistema LTI discreto 

55

Señales 

 

Análisis de Fourier 

La señal  xn  puede escribirse, utilizando una función impulso, como     

xn =

k =−∞

∑ xδ
k

n−k

= xn ∗ δ n  

  Suponga que la señal  xn  entra a un sistema (LTI), entonces la salida es    ∞ ⎡ ∞ ⎤ yn = L[ xn ] = L ⎢ ∑ xk δ n − k ⎥ = ∑ xk L[δ n − k ]     ⎣ k =−∞ ⎦ k =−∞   Definamos  hn  como la respuesta a un impulso discreto del sistema LTI, es decir      hn = L[δ n ] ⇒ L[δ n − k ] = hn − k       Por tal motivo, podemos escribir la respuesta del sistema como     

yn =

k =−∞

∑xh

k n−k

= xn ∗ hn  

  La respuesta de un sistema LTI a una señal de entrada corresponde a la convolución  entre la señal de entrada  xn  y la respuesta al impulso del sistema  hn .       

Figura 2.28. Respuesta de un sistema LTI con respuesta al impulso h(t). 

    Estabilidad en sentido EASA     
 

yn =

k =−∞

∑xh
k =−∞

k n−k

 

 
 

yn ≤

xk hn − k ≤ sup xk
k∈Z

k =−∞

hn − k  

 

yn ≤ sup xk hn 1  
k∈Z

  Por tal motivo, si la respuesta impulso  hn ∈ l1  el sistema es estable en sentido EASA, y  el sistema asigna una señal de salida acotada a toda señal de entrada acotada. 

56

Señales 

 

Análisis de Fourier 

2.8. Resumen    • Una  señal  es  una  abstracción  de  cualquier  cantidad  que  puede  ser  medida.  Las  señales puede modelarse como funciones y de acuerdo a su dominio se clasifican  como señales de tiempo continuo o de tiempo discreto.  Una  señal  es  acotada  en  valor  si  su  magnitud  tiene  supremo  y  una  señal  tiene  soporte compacto si su soporte es acotado.  Una señal es par si al reflejarla se obtiene la misma señal, en cambio una señal es  impar  si  al  reflejarla  se  obtiene  la  señal  con  signo  negativo.  No  todas  las  señales  son  pares  o  impares  pero  todas  pueden  descomponerse  como  la  suma  de  una  señal par más una señal impar.   Una señal que repite su valor cada determinado tiempo es una señal periódica. El  inverso del periodo se conoce como frecuencia y da información de la tasa a la cual  se repite una señal periódica.   Las señales de tiempo continuo  e jΩt ,  cos(Ωt )  y  sin(Ωt )  son periódicas, con periodo  2π / Ω ,  para  cualquier  frecuencia  angular  continua  Ω   real.  La  señal  e jΩ t + e jΩ t   es  periódica sólo si  Ω1 / Ω 2 ∈ Q .  
1 2

  •   •

  •

  •

  •

Una  señal  con  frecuencia  múltiplo  de  una  frecuencia  Ω0   se  conocen  como  armónicos de  Ω0  y una señal con frecuencia   Ω0  se conocen como fundamental.  Las  señales  de  tiempo  discreto  e jω n ,  cos(ω n)   y  sin(ω n)   son  periódicas  sólo  si  la  frecuencia  angular  discreta  ω   es  un  múltiplo  racional  de  2π .    Toda  suma  de  señales periódicas corresponde a una señal periódica.  La frecuencia angular discreta  ω  es periódica con periodo  2π . En el intervalo de  frecuencias  [−π , π ] ,  las  frecuencias  altas  son  la  cercanas  a  ±π   y  las  frecuencias  bajas las cercanas a  0 .  Definimos la potencia instantánea como la magnitud al cuadrado de una señal, la  energía como la cantidad de potencia en un intervalo dado y la potencia promedio  como  la  energía  en  un  intervalo  sobre  la  longitud  de  mismo.  Una  señal  es  de  energía  si  tienen  energía  finita  y  una  señal  es  de  potencia  si  tiene  potencia  promedio finita no nula.  Un  espacio  vectorial  es  un  conjunto  de  elementos  que  al  ser  sumados  y/o  escalados permanecen en el conjunto.   L1  es el espacio vectorial formado por las  señales  integrables  en  magnitud  (norma  L1   finita).  L2   es  el  espacio  vectorial  formado por las señales de energía (norma  L2  finita).  

  •

  •

  •

 

57

Señales 

 

Análisis de Fourier 

La función impulso sólo toma valor distinto de cero en el valor de tiempo donde se  anula  su  argumento.  Al  multiplicar  una  señal  por  un  impulso  se  obtiene  otro  impulso  de  peso  igual  a  la  señal  donde  vive  el  impulso.  Un  impulso  tiene  área  unitaria. La función escalón presenta una transición de 0 a 1 en el tiempo para el  cual se anula su argumenta. Su derivada corresponde a la función impulso.  La convolución es un operador que calcula el área del producto entre dos señales,  una que se deja inalterada y otra que se refleja y se desplaza para cada valor de  t .   Un sistema es un operador que asigna a cada señal de entrada una única señal de  salida.  Un  sistema  que  cumple  con  superposición  y  homogeneidad  es  un  sistema  lineal. Un sistema es invariante en el tiempo si un desplazamiento de la señal de  entrada genera un desplazamiento igual de la señal de salida. Los sistemas lineales  e invariantes se conocen como sistemas LTI.  Un sistema LTI se caracteriza por su respuesta a impulso, a partir de la cual puede  ser  encontrada  la  salida  del  sistema  a  cualquier  señal  de  entrada  como  la  convolución entre la respuesta impulso y la señal de entrada. La respuesta de un  sistema  LTI  a  un  exponencial  complejo  es  el  mismo  exponencial  complejo  multiplicado por una función que depende de la frecuencia del exponencial.  Un sistema es estable en sentido EASA si a toda entrada acotada asigna una salida  acotada. Un sistema LTI es estable si su respuesta impulso pertenece a  L1 . 

  •   •

  •

  •                                        

58

Señales 

 

Análisis de Fourier 

2.9. Ejercicios    Sección 2.2    1. Determine si las siguientes señales son de tiempo continuo o discreto.    a. f : R → C   b. f : Z → {0,1}   c. f : Z → R   d. f : R → { x ∈ Z : 0 < x < 255}     2. Determine si las señales del ejemplo anterior son de valor continuo o discreto.    Sección 2.4    3. Demuestre que si  x(t )  y  y(t )  son señales impares, entonces  z (t ) = x(t ) y(t ) , es una  señal par y  z (t ) = x(t ) + y(t )  es una señal impar.    4. Demuestre que si  x(t )  es una señal par, entonces      

a

−a

x(t )dt = 2 ∫ x(t )dt
0

a

  5. Descomponga las siguientes señales  como la suma de una señal par más una señal  impar. Demuestre que cada componente es par o impar.    a. x(t ) = 2 + t + t 2   b. x(t ) = e jt   c. xn = sin( n ) + cos(3n ) + n     Sección 2.5    6. Encuentre el periodo de las siguientes señales de tiempo continuo, en el caso de  ser periódicas.    a. x(t ) = sin( 27π t ) + cos( 25π t )     b. c. d. e.  

x(t ) = sin 2 ( 2t ) + sin 3t   x(t ) = cos t + cos(π t )        Ω Ω x(t ) = sin( Ωt ) + sin( 3 t ) + sin( 4 t )   x(t ) = sin( 2t ) + 3 sin(6t ) + 5 sin(10t ) + 10 sin( 20t )  

59

Señales 

 

Análisis de Fourier 

7. Encuentre el periodo de las siguientes señales de tiempo discreto, en el caso de ser  periódicas.      a. x[n] = sin( 2n) + cos(π n)   b. x[n] = e c.
⎛ 2π ⎞ − j⎜ ⎟n ⎝ 3 ⎠

+e

⎛ 2π ⎞ j⎜ ⎟n ⎝ 5 ⎠

 

x[n] = ∑ sin(3π kn )  
k =1

  8. *Encuentre  el  periodo  de  las  siguientes  señales  y  ordénelas  de  acuerdo  a  su  frecuencia angular discreta  ω  en el intervalo  [0, π ] .      x1[n] = e − jπ n     x2 [n] = cos( 2π n)       ⎛ 7π ⎞   x3 [n] = sin ⎜ − n⎟   ⎝ 4 ⎠   ⎛ 6π ⎞   x4 [n] = sin ⎜ n⎟   ⎝ 4 ⎠   9. *Encuentre  dos  señales  discretas  x[n]   y  y[n] ,  con  periodo  10  y  15  respectivamente, tales que la señal  x[n] + y[n]  tenga periodo 6.   Sección 2.6  10. Para la señal  x(t ) = e j 3t , encuentre 
 

La potencia instantánea  La energía  La potencia promedio  La señal  x(t ) , es una señal de energía o de potencia?    11. Para la señal  x(t ) = et u( −t ) , encuentre 
 

a. b. c. d.

a. b. c. d.

La potencia instantánea  La energía  La potencia promedio  La señal  x(t ) , es una señal de energía o de potencia? 

  12. Para la señal  x(t ) = t , encuentre 
 

60

Señales 

 

Análisis de Fourier 

a. b. c. d.

La potencia instantánea  La energía  La potencia promedio  La señal  x(t ) , es una señal de energía o de potencia? 

  13. *Por qué la energía de una señal periódica es infinita? Por qué su potencia  promedio puede calcularse sobre un intervalo de longitud  T ?    Sección 2.7  14. *Conteste falso ó verdadero.    a. Una señal  x(t ) , acotada y de soporte compacto pertenece a L1 y a L2.  b. Toda señal  x(t ) ∈ L1 pertenece también a L2.  c. Si  x(t ) ∈ L2 entonces tiene energía finita y soporte compacto.  d. La única señal con  x n 1 = 0  es la señal cero.  e. Si  x n ∈ (l1 ∩ l2), entonces  x n  tiene energía finita y 

(∑

∞ n = −∞

x n ∈ R . 

)

  15. Encuentre la norma ele 1, la norma ele 2 y la energía de las siguientes señales.    a. x(t ) = e   b. x(t ) = t 2 [u(t ) − u(t − 3)]   c. x[n] = 0.5− n un   d. x(t ) = e −t e j10t u(t )     Sección 2.8    16. Considere la señal  x(t ) = u(1 − t )u(t + 2) .    a. Dibuje  x(t )   b. Dibuje  x( 2t )   c. Dibuje  x( 2 − t )     17. Dibuje la señal  x(t ) = δ (t + 2) + 3δ ( −t ) − δ (t − 3) .  Evalué la integral  ∫ x(t )dt . 
−1 ∞ −t

  18. Evalué las siguientes expresiones    a.
n =−∞

∑ δ [n − 3]e

( n − 3 )2

 

61

Señales 

 

Análisis de Fourier 

b.

−∞

∫ δ (2t − 1)4

t

dt  

  Sección 2.9    19. *Encuentre  g (t ) ∗ g (t ) , si   

    20. Encuentre la convolución  e − t u (t ) ∗ e−2t u (t ) .    21. Considere la señal del ejercicio 19. Dibuje la señal  x(t ) = g (t ) ∗ δ (t − 3) .    22. Demuestre que si  x(t )  y  y(t )  pertenecen a  L1 , entonces  x(t ) ∗ y(t )  también.    Sección 2.10    23. *Defina sistema causal y sistema con memoria.    24.  Determine si el sistema  y(t ) = x(t − 2) + x( 2 − t ) es   a. b. c. d. Lineal  Invariante en el tiempo  Causal   Con memoria. 

  25. *Encuentre la respuesta de un sistema LTI a la señal  x(t ) = A cos(Ω 0t ) .    26. *Un sistema LTI con respuesta impulso  h(t ) = e−t u(t )  es estable? Justifique.    27. *Argumente por qué la transformada de Laplace de la respuesta impulso  h(t )  de  un sistema estable en sentido EASA, tiene todo su polos en el semiplano izquierdo.    28. *Que  son  los  valores  y  vectores  propios?  De  acuerdo  a  esto,  por  qué  los  exponenciales complejos se conocen como funciones propias de los sistemas LTI?    29. *En  el  estudio  de  sistemas  LTI,  para  que  puede  ser  útil  descomponer  una  señal  como  la  suma  de  exponenciales  complejos. 

62

3 REPRESENTACIÓN DE SEÑALES
3.1. Descomposición de señales    Sin perdida de generalidad, considere una señal  x(t )  con soporte en  [t1 , t 2 ]  
   

Figura 3.1. Señal de soporte compacto. 
   

 

Se desea expresar  x(t )  en el intervalo de tiempo  [t1 , t2 ]  como una combinación lineal  de señales más simple, es decir      x(t ) = ∑ anφn (t ) t1 < t < t2  
n

donde los coeficientes constantes  a n ∈ C  y los términos  φ n (t )  son señales, en general  complejas,  las  cuales  se  conocen  como  señales  base.  Los  coeficientes  a n   son  independientes del tiempo y nos brindan información importante sobre la señal.   
 

 

Suponga  que  una  señal  arbitraria  x(t )   puede  descomponerse  como  la  suma  de  N   exponenciales complejos, de acuerdo a 
 

 
 

x(t ) = a1e jΩ1t + a2 e jΩ2t + ... + aN e jΩ N t  

Si  la  señal  x(t )   es  aplicada  a  un  sistema  LTI,  la  respuesta  del  sistema  puede  ser  encontrada  de  forma  sencilla  al  encontrar  la  respuesta  individual  del  sistema  a  cada  una de las componentes de  x(t ) , como se ilustra en la Figura 3.2. 
 

 

 

 

Figura 3.2. Respuesta de un sistema LTI a la descomposición de la señal. 

Representación de señales 

 

Análisis de Fourier 

  La función  H (Ω)  depende de la respuesta impulso  h(t )  y de la frecuencia  Ω , y esta  definida en el Ejemplo 2.34 de la sección anterior. El modelo descrito en la Figura 3.2  permite encontrar de forma sencilla la respuesta de un SLIT a una señal arbitraria que  puede  descomponerse  como  una  suma  ponderada  de  exponenciales  complejos.  Con  veremos  en  Capítulos  posteriores  esta  representación  además  permite  conocer  información sobre la componentes de frecuencia presentes en la señal.    En este Capítulo estudiaremos bajo que condiciones una señal puede descomponerse  como una suma de señales más simples y como se realiza dicha descomposición.    3.2. Aproximación de un vector    Consideremos la tarea de aproximar un elemento de un espacio vectorial dotado con  producto interno en términos de otro elemento cualquiera del espacio.  Para este fin,  definamos  la notación  ., .  como el producto interno del espacio vectorial.    3.2.1. Aproximación de un elemento del plano    Sean  x = ( x1 , x2 )  y  f = ( f1 , f 2 )  los elementos de  R 2  que se ilustran en la Figura 3.3. En  el  espacio  R 2   (parejas  de  reales)  el  producto  interno  entre  dos  vectores  x   y  f   se  define como  x,f = x1 f1 + x2 f 2 . Se desea aproximar el vector  f en términos del vector  x ,  para  lo  cual  existen  diversas  posibilidades  como  se  ilustran  en  la  Figura  3.4.  Se  pretende obtener la mejor representación posible de  f en términos del vector  x . Si los  vectores  f  y  x  son colineales, la aproximación llega a ser una representación, en caso  contrario (caso de la Figura 3.3) la aproximación tiene un error asociado.     

Figura 3.3. Dos vectores en  R 2 . 
  

 

 

 

 

 

f = c1 x + e1

f = c2 x+ e 2

f = c2 x+ e 2

  Figura 3.4. Algunas posibilidades para la aproximación de  f  en términos de  x . 

64

Representación de señales 

 

Análisis de Fourier 

Claramente  el  mínimo  error  ocurre  cuando  la  aproximación  corresponde  a  la  proyección del vector  f  sobre el vector  x , caso en el cual el error  e 2  es perpendicular  a la aproximación  c2 x . Por tal motivo, la mejor aproximación es obtenida haciendo      f ≈ copt x     donde el escalar  copt  corresponde a la componente (sombra) de  f  sobre  x , definida  en términos del producto interno del espacio vectorial como    f, x f, x   copt = ⇒ f≈ x  x, x x, x   3.2.2. Aproximación de una señal    Consideremos el conjunto de señales con energía finita en el intervalo  [t1 , t2 ] , dado por     

S[t1 , t2 ] = f : R → C : ∫

{

t2

t1

f <∞  

}

  Se  puede  demostrar  que  S   forma  un  espacio  vectorial  euclídeo.  El  producto  interno  entre  x1 (t )  y  x2 (t ) , dos elementos de  S[t1 , t2 ] , se define como     
* x1 (t ), x2 (t ) = ∫ x1 (t ) x2 (t ) dt  

t2

t1

  Sean  x(t )   y  f (t )   dos  elementos  de  S[t1 , t2 ] ,  se  desea  aproximar  la  señal  f (t )   en  términos  de la señal  x(t )  en el intervalo  [t1 , t2 ] , es decir      f (t ) ≈ cx(t ) t1 < t < t2     Se  pretende  encontrar  el  valor  más  apropiado  para  la  constante  c ,  con  el  fin  de  obtener  la  representación  óptima  (en  algún  sentido)  de  la  señal  f (t ) .  Definamos  la  señal  ε (t )  como el error entre la señal  f (t )  y su aproximación, es decir    ε (t ) = f (t ) − cx(t )        Sea  Eε  la energía del error en el intervalo  [t1 , t2 ] , definida como       

Eε = ∫ f (t ) − cx(t ) dt  
2

t2

t1

65

Representación de señales 

 

Análisis de Fourier 

La energía del error puede escribirse de forma apropiada como         

Eε = ∫ f (t ) − cx(t ) dt = ∫ [ f (t ) − cx(t )][ f (t ) − cx(t )] dt  
2

t2

t2

*

t1

t1

Eε = ∫ f (t ) dt − c ∫ f * (t ) x(t )dt − c ∫ f (t ) x* (t )dt + c
2

t2

t2

t2

2

t2

t1

t1

t1

∫ x( t )
t1

2

dt  

Eε = E f − c ∫ f * (t ) x(t )dt − c ∫ f (t ) x* (t )dt + c Ex                                                 (3.1) 
2

t2

t2

t1

t1

  Donde  las  constantes  E f   y    Ex   son  las  energías  de  las  señales  f (t )   y  x(t )   en  el  intervalo  [t1,t2 ] , respectivamente. La ecuación (3.1) puede reescribirse como     

Eε = E f − c Ex −

1

t2

Ex


t1

1 f (t ) x (t )dt − 2 Ex
*

2

t2

2

∫ f (t ) x (t )dt
*

 

t1

  En esta expresión el único término que depende de  c  es el segundo, por tal motivo el  valor de  c  que minimiza la energía del error es el encontrado como   
t2

 

copt =

1 Ex

t2

∫ f (t ) x (t )dt =
*

∫ f (t ) x (t )dt
*

t1

t1

t2

 
2

∫ x (t )
t1

dt

  La ecuación anterior puede escribirse en términos del producto interno en  S  como    f (t ), x(t )     copt = x(t ), x(t )   Este resultado concuerda con el resultado obtenido en la Sección 3.1.2.  Para el caso  en  el  cual  las  señales  f (t )   y  x(t )   son  reales,  la constante  c   es  un  real  también y  la  ecuación (3.1) puede escribirse como      

Eε = E f − 2c ∫ f (t ) x(t )dt + c 2 Ex  
t1

t2

  El  valor    de  c   que  minimiza  la  energía  del  error  puede  ser  encontrado  haciendo  dEε / dc = 0  y despejando  c , para lo cual se obtiene 

66

Representación de señales 

 

Análisis de Fourier 

 

2 dEε = −2∫ f (t ) x(t )dt + 2cEx = 0   dc t1

t

  Al  despejar  c   de  esta  ecuación  se  obtiene  el  mismo  valor  óptimo  que  para  el  caso  complejo. Por tal motivo, de forma general, si se desea aproximar una señal  f (t ) ∈ S   en términos de otra señal  x(t ) ∈ S , lo mejor que puede hacerse es    f (t ), x(t ) f (t ) ≈ x(t ) t1 < t < t2   x(t ), x(t )   Ejemplo  3.1.  Aproxime  la  señal  f (t )   que  se  ilustra  en  la  figura,  utilizando  la  señal   x(t ) = sin(t ) , en el intervalo de tiempo  [0, 2π ] .   
 

0<t <π ⎧1 f (t ) = ⎨ ⎩−1 π < t < 2π
 

    Solución. La señal puede aproximarse como    f (t ), x(t )   f (t ) ≈ sin(t ) 0 < t < 2π   x(t ), x(t )  

   

f (t ), x(t ) =


0

f (t ) x(t )dt = ∫ sin(t )dt − ∫ sin(t )dt = 4  
0

π

π

     

x(t ), x(t ) =


0

x 2 (t )dt =

2 ∫ sin (t )dt = 0

1 2 ∫ ⎡1 − cos (t )⎤ dt = π   ⎣ ⎦ 20

π

f (t ) ≈

4

π

sin(t )

0 < t < 2π  

  En  general,  si  se  desea  obtener  una  mejor  aproximación  de  un  vector  dado  es  necesario  expresarlo  como  una  combinación  lineal  de  varios  elementos  del  espacio  vectorial, cada uno de los cuales debe realizar una contribución óptima. 

67

Representación de señales 

 

Análisis de Fourier 

3.3. Bases ortogonales    3.1.1. Bases e independencia lineal    Considere  un  espacio  vectorial  euclídeo  V   con  campo  F .  Un  conjunto  de  vectores  {φ1 , φ2 , ..., φN }   de  V   genera  el  espacio  vectorial  si  cualquier  elemento  del  espacio  puede expresarse como una combinación lineal de dichos vectores, es decir si      ∀v ∈ V v = α1φ1 + α 2φ2 + ... + α N φN     donde  α i ∈ F ,  para  i = 1, 2, ..., N .  Si  adicionalmente  los  vectores  {φ1 , φ2 , ..., φN }   son  linealmente independientes, entonces son una base del espacio  V .    Definición 3.1. Un conjunto de vectores  {φ1 , φ2 , ..., φN }  es linealmente independiente si  y sólo si   α1φ1 + α 2φ2 + ... + α N φN = 0  implica  α1 = α 2 = ... = α N = 0 .    Si  un  conjunto  de  vectores  {φ1 , φ2 , ..., φN }   es  lineal  linealmente  independientes  y  genera  el  espacio  V   (base  del  espacio),  cada  elemento  v ∈ V   tiene  una  representación única en términos de dichos vectores.    3.1.2. Ortogonalidad    Dos  vectores  v1   y  v2   son  ortogonales  si  su  producto  interno  es  cero,  es  decir,  si  v1 , v2 = 0 .  Un  conjunto  de  vectores  {v1 , v2 , ..., vN }   forma  un  sistema  ortogonal  (mutuamente  ortogonales)  si  vm , vn = 0   para  m ≠ n .  Un  conjunto  de  vectores  {v1 , v2 , ..., vN }   forma  un  sistema  normalizado  (norma  unitaria)  si  vm , vm = 1   para  m = 1, 2, ..., N . Un conjunto de vectores que forma un sistema ortogonal y normalizado  se conoce como un sistema ortonormal.     Definición 3.2.  φ1 (t )  y  φ 2 (t )  son señales ortogonales en el intervalo  [t1 , t 2 ]  si    

φ1 (t ), φ2 (t ) = ∫ φ1 (t )φ2* (t )dt = 0  
t1

t2

  Un  conjunto  contable  de  señales  {φn (t )} = {φ1 (t ), φ2 (t ),K , φN (t )}   forma  un  sistema  ortogonal en  [t1 , t 2 ]  si    t2 ⎧ 0 m≠n φm (t ), φn (t ) = ∫ φm (t )φn* (t )dt = ⎨   ⎩ En m = n t1

68

Representación de señales 

 

Análisis de Fourier 

donde  En , es la energía de la señal  φn (t )  en el intervalo de tiempo  [t1 , t 2 ] . Las señales  del  conjunto  {φn (t )}   forman  un  sistema  normalizado  en  [t1 , t 2 ] ,  si  cada  una  de  ellas  tiene energía   1  en el intervalo, es decir, si     

φn (t ), φn (t ) = ∫ φn (t )φn* (t )dt = ∫ φn ( t ) dt = 1  
2
t1 t1

t2

t2

  para toda señal  φ n (t )  del conjunto. Es decir, su energía en  [t1 , t 2 ]  es la unidad.    Ejemplo 3.2. Pruebe que el conjunto de señales  {φn (t )},  donde  φn (t ) = e jnΩt , con  n ∈ Ζ   y   Ω ∈ R * , es un sistema ortogonal en intervalo  [0, 2π Ω] .    Solución. El conjunto de señales dado, es de la forma    {φn (t )} = {K , e − jΩ 2 t , e − jΩt , 1 , e jΩt , e jΩ 2 t ,K}     Verifiquemos si el sistema es ortogonal, para ello debe cumplir   
t2

∫ φ (t )φ
n t1

∗ m

(t )dt = ∫ e
t1

t2

2π / Ω
jnt Ω − jmt Ω

e

dt =


0

e

j ( n − m ) Ωt

dt  

  Si  n ≠ m    
2π / Ω


0

e

j ( n − m ) Ωt

dt = e j ( n − m)Ω 0

j ( n − m ) Ωt

2π / Ω

j ( n − m ) 2π −1   =e j ( n − m)Ω

  Dado que  ( n − m) ∈ Z  entonces  e j ( n − m ) 2π = 1  y   
t2

∫ φ (t )φ
n t1

∗ m

(t )dt = 0  

  Si  n = m    
2π / Ω

 
t2


0

2π / Ω

e

j ( n − m ) Ωt

dt =


0

2π / Ω

e j 0 dt =


0

dt = t 0

2π / Ω

=

2π   Ω

 

∫ φ (t )
n t1

2

dt =

2π   Ω

  Por tal motivo el sistema es ortogonal. 

69

Representación de señales 

 

Análisis de Fourier 

Definición  3.3.  Un  conjunto  de  señales  {φn (t )} = {φ1 (t ), φ2 (t ),K , φN (t )}   forma  un  sistema  ortonormal    si  forma  un  sistema  ortogonal  y  normalizado.  Si  el  sistema  ortonormal  {φn (t )} = {φ1 (t ), φ2 (t ),K , φN (t )}   es  una  base  de  cierto  espacio  vectorial,  entonces se conoce como una base ortonormal.    Un conjunto de vectores mutuamente ortogonal es linealmente independiente. Por tal  motivo,  si  un  conjunto  de  señales  {φn (t )} = {φ1 (t ), φ2 (t ), K , φN (t )}   forma  un  sistema  ortogonal, entonces el conjunto de señales es linealmente independiente.    Ejemplo  3.3.  Las  tres  señales  que  se  muestran  en  la  Figura  3.5  forman  un  sistema  ortonormal  en  [0, 3] ,  ya  que  son  mutuamente  ortogonales  y  todas  tienen  energía  1 .  Adicionalmente, las tres señales son linealmente independientes.     

 

      
 

      

 

Figura 3.5. Tres señales ortonormales. 

  3.1.3. Método de ortogonalización de Gram‐Schmidt    Dado  un  conjunto  de  vectores  {φ1 , φ2 ,K , φN }   se  puede  construir  un  sistema  ortonormal  {u1 , u2 ,K , u N } , usando el siguiente esquema    w1 = φ1                             
 

u1 = w1 / w1  

  w2 = φ2 − φ2 , u1 u1     
u2 = w2 / w2  

 

 

w3 = φ3 − φ3 , u1 u1 − φ3 , u2 u2    u3 = w3 / w3  

 

 

M  70

Representación de señales 

 

Análisis de Fourier 

  

wi = φi − ∑ k =1 φi , uk uk     
i −1

 

 

  ui = wi / wi     Este método es conocido como el procedimiento de Gram‐Schmidt. Es fácil ver que el  resultado  no  es  único,  pues  un  reordenamiento  de  los  vectores  {φi }   antes  de  la  otrogonalización  resulta  en  un  conjunto  {ui }   diferente.  Adicionalmente,  si  {φ1 , φ2 ,K , φN }   es  una  base  de  un  espacio  vectorial  entonces  el  procedimiento  de  Gram‐Schmidt construye una base ortonormal  {u1 , u2 ,K , u N }  para el mismo espacio.    3.4. Representación de señales en un intervalo de tiempo finito    Una señal  x(t )  con energía finita en un intervalo  [t1 , t2 ]  se puede representar de forma  única por medio de una base de  S[t1 , t2 ] . Si queremos aproximar la señal  x(t )  en dicho  intervalo, en términos de N señales arbitrarias  {φ1 (t ), φ2 (t ), K , φN (t )} , debemos hacer     
x(t ) ≈ ∑ anφn (t )
n =1 N

t1 < t < t2  

  donde  ai ∈ C , para  i = 1, 2, .., N . Definamos  ε  como el error entre la señal  x(t )  y su  aproximación, entonces la energía del error en el intervalo  [t1 , t2 ]  viene dada como     

Eε = ∫ x(t ) − ∑ anφn (t ) dt  
t1 n =1

t2

N

2

  Se  desea  minimizar  la  energía  del  error Eε   mediante  la  elección  apropiada  de  los  coeficientes  an , con el fin de que la aproximación sea los más ajustada a la señal  x(t ) .  La  elección  de  los  coeficientes  an   óptimos  puede  ser  una  tarea  bastante  difícil  si  el  conjunto de señales   {φ1 (t ), φ2 (t ), K , φN (t )}  no es linealmente independiente, pues en  este  caso  la  aproximación  óptima  puede  no  ser  única.  Si  el  conjunto  de  señales  es  linealmente  independiente,  los  coeficientes  an   pueden  ser  encontrados  utilizando  algún  método  de  mínimos  cuadrados.  Sin  embargo,  si  el  conjunto  de  señales  {φ1 (t ), φ2 (t ), K , φN (t )}  forma un sistema ortogonal, caso considerado en esta Sección,  la obtención de los coeficientes  an  es una tarea sencilla.    2 2 2 Propiedad 3.1.  x − y = x − xy* − x* y + y     Demostración.       

x − y = ( x − y )( x − y )* = ( x − y )( x* − y* )   x − y = xx* − xy* − x* y + yy*                                                                                        ■ 
2

2

71

Representación de señales 

 

Análisis de Fourier 

Utilicemos la Propiedad 3.1 para expandir nuestra función de error, como     
Eε = ∫ x(t ) dt − ∫ x(t )∑ a φ (t ) dt − ∫ x (t )∑ anφn (t ) dt + ∫
2 t1 t1 n =1 * * n n * t1 n =1 t2 t2 N t2 N t2 t1 n =1

∑ a φ (t )
n n

N

2

dt  

  Consideremos el último término de la función de error, entonces   
t2

 


t1

2 N N ⎛ N ⎞⎛ N ⎞ * * ∑ anφn (t ) = ∫ ⎜ ∑ anφn (t ) ⎟ ⎜ ∑ anφn (t ) ⎟ dt = ∫ ∑∑1 anφn (t )amφm (t ) dt   n =1 ⎠ ⎝ n =1 ⎠ t1 ⎝ n =1 t1 n =1 m =

N

2

t2

*

t

  Intercambiando el orden de las sumatorias y la integral, se tiene   
t2

 

t1 n =1

* * ∑ anφn (t ) = ∑∑ an am ∫ φn (t )φm (t )dt   n =1 m =1 t1

N

2

N

N

t2

  El conjunto de señales  {φn (t )}  forman un sistema ortogonal, por lo cual    t2 ⎧a 2 E n=m ⎪ * * an am ∫ φn (t )φm (t ) dt = ⎨ n n     n≠m ⎪ 0 t1 ⎩
t2

 

t1 n =1

∑ anφn (t ) = ∑ an En  
2 n =1

N

2

N

  Reemplazando este resultado en la función de error expandida, se tiene     
* * Eε = ∫ x(t ) dt − ∫ x(t )∑ anφn (t ) dt − ∫ x* (t )∑ anφn (t ) dt + ∑ an En   2 2 t1 t1 n =1 t1 n =1 n =1 t2 t2 N t2 N N

  La función de error puede reescribirse de forma apropiada como     

Eε = ∫ x(t ) dt + ∑
2 t1 n =1

t2

N

N 1 2 1 2 * * E a − 1 2 ∫ x(t )φn (t) dt − ∑ 1 2 ∫ x(t )φn (t) dt     En t1 n =1 En t1 12 n n

t

2

t

2

  El  único  término  de  la  expresión  anterior  que  se  puede  modificar,  es  el  de  los  coeficientes  an , entonces el valor de  an que minimiza la energía del error es aquel que  anula el segundo término de la ecuación anterior, es decir     
1 En 2 an −

1 2 * x(t )φn (t) dt = 0   12 ∫ En t1 72

t

Representación de señales 

 

Análisis de Fourier 

Por tal motivo, el valor óptimo para los coeficientes  an  es   

1 2 * an = ∫ x(t )φn (t ) dt   En t1
  Cada coeficiente  an  representa en cierto sentido, la similitud entre la señal  x(t )  y la  señal  φn (t )  utilizada para su aproximación. De esta forma, cada coeficiente  an  indica la  contribución  óptima  de  la  señal  φn (t ) ,  en  la  aproximación  de  x(t ) .  Reemplazando  el  valor de la energía  En  de la señal  φn (t ) , en la ecuación anterior, se tiene   

t

an

∫ x(t )φ (t ) dt = = ∫ φ (t )φ (t ) dt
t1 t2 * n t1 * n * n

t2

x(t ), φn (t )

φn (t ), φn (t )

 

  Utilizando este resultado en la energía del error obtenemos    t2 t N ⎞⎛ t2 ⎞ 1 ⎛2 2 * Eε = ∫ x(t ) dt − ∑ 1 2 ⎜ ∫ x(t )φn (t) dt ⎟⎜ ∫ x* (t )φn (t) dt ⎟     ⎜ ⎟⎜ t ⎟ n =1 En ⎝ t1 t1 ⎠⎝ 1 ⎠  
Eε = ∫ x(t ) dt − ∑
2 t1 n =1 t2 N
2 N 1 2 2 ( En an ) En an* = ∫ x(t ) dt − ∑ En an   En n =1 t1

(

)

t

    Entre más señales  φn (t )  se tomen para aproximar la señal deseada, se espera obtener  una  aproximación  mejor.  Si  el  conjunto  de  señales  base  {φn (t )}   es  tal  que  el  Eε = 0   cuando  N → ∞ (un  número  infinito  de  señales),  se  dice  que  {φn (t )}   es  completo  en  [t1 , t2 ]  y el conjunto  {φn (t )}  es una base de  S[t1 , t2 ] . En este caso, la señal  x(t )  puede  representarse de forma única en el intervalo  [t1 , t2 ]  como   

x(t ) = ∑ anφn (t )
n =1

t1 < t < t2  

Observación 3.1. La representación converge a la señal sólo en el intervalo  [t1 , t2 ] ,  fuera de éste no se puede garantizar la igualad entre la serie y su representación. Ejemplo 3.4. Considere las siguientes señales    φ0 (t ) = 1   φ1 (t ) = t   φ 2 (t) = 3 t 2 − 1   2 2   Demuestre  que  las  señales  son  mutuamente  ortogonales  en  el  intervalo  [−1,1]   y  represente la señal  x(t ) = t  en el intervalo  [−1,1]  usando el conjunto de señales.  

73

Representación de señales 

 

Análisis de Fourier 

Solución.    
−1 1 * ∫ φ0 (t )φ1 (t )dt = ∫ t dt = 0
* 2 2 ∫ φ0 (t )φ2 (t )dt = ∫ ( 32 t − 12 ) dt = ∫ ( 3t − 1) dt = 0

1

1

−1 1

1

−1 1

−1 1

0

−1

∫ φ (t )φ
1

* 2

(t )dt =

−1

∫(

3 3 2

t − t ) dt =
1 2

3 2

−1

∫t

1

3

dt −

1 2

−1

∫ t dt = 0

1

  Las  señales  son  mutuamente  ortogonales  en  [−1,1]   y  el  conjunto  {φ0 (t ), φ1 (t ), φ2 (t )}   forma un sistema ortogonal. La señal  x(t )  puede ser aproximada haciendo      x(t ) ≈ a0φ0 (t ) + a1φ1 (t ) + a2φ2 (t )     Donde los coeficientes  a0 ,  a1  y  a2 , son encontrados como     
 

a0

∫ x(t )φ (t ) dt = ∫ = ∫ φ (t )φ (t ) dt ∫
−1 1
* 0

1

1

−1 0 1

* 0

−1 1

t dt 1 dt

=

2 ∫ t dt
0

1

2

=

1   2
1

−1

 
 

a1 =

∫ ∫

−1 1

x(t )φ1* (t ) dt
* 1

−1

φ1 (t )φ (t ) dt
* x(t )φ2 (t ) dt * 2

=

∫ ∫

1

−1 1

t t dt t dt
2

=

0

−1

−t 2 dt + ∫ t 2 dt
0

2/3
1 3

=0 

−1

 

a2

∫ ∫ ( t − ) t dt = ∫ ( 3t − t ) dt = 1 / 4 = 5   = = 2/5 2/5 8 ∫ φ (t )φ (t ) dt ∫ ( t − ) dt
1 −1 1 −1 2 3 2 −1 2 1 3 2 −1 2 1 1 2 0 1 2 2

  La señal puede aproximarse como    5 3 15   x(t ) ≈ 1 φ0 (t ) + 8 φ2 (t ) = 16 + 16 t 2   2      

      
 

 

Figura 3.6. Señal original y su aproximación utilizando el conjunto de señales dadas. 

74

Representación de señales 

 

Análisis de Fourier 

Ejemplo 3.5. Considere la señal      

⎧ 1 0 < t <1 x( t ) = ⎨ ⎩−1 1 < t < 2
      Se desea aproximar  x(t )  en el intervalo  [0, 2]  empleando el conjunto de señales base  φ n = sin( nπ t ) , donde  n ∈ Z .  Solución. Verifiquemos que  {φ n(t )}  forma un sistema ortogonal en  [0, 2] , para ello 
 

 

t2

 
 

∗ ∫ φn (t )φm (t )dt = ∫ sin(nπ t )sin(mπ t )dt   t1 0

2

1 Propiedad 3.2. Identidad  sin( x )sin( y ) = [cos( x − y ) − cos( x + y )] .  2   2 2 2 1 1 sin( nπ t )sin( mπ t )dt = ∫ cos[( n − m)π t ]dt − ∫ cos[( n + m)π t ]dt   ∫ 20 20 0     Si  n = m     1 1 t 1 sin( 2nπ t ) ∫ sin(nπ t )sin( mπ t )dt = 2 ∫ dt − 2 ∫ cos(2nπ t )dt = 2 0 − 2 2nπ 0 0 0 0
2 2 2 2 2

 

    Por tal motivo  kn = 1 . Recuerde que si  k ∈ Z , entonces  sin( k 2π ) = 0 .    Si  n ≠ m     2 2 2 1 1   sin( nπ t )sin( mπ t )dt = ∫ cos[( n − m)π t ] dt − ∫ cos[( n + m)π t ]dt   ∫ 20 20 0

∫ sin(nπ t )sin(mπ t )dt = 1 − 2 ⎢ ⎣
0

2

1 ⎡ sin( 4nπ ) ⎤ − 0⎥ = 1   2nπ ⎦

 

 

75

Representación de señales 

 

Análisis de Fourier 

   

1 sin[( n − m)π t ] 1 sin[( n + m)π t ] ∫ sin(nπ t )sin(mπ t )dt = 2 (n − m)π − 2 (n + m)π 0 0 0
2

2

2

∫ sin(nπ t )sin( mπ t )dt = 2
0

2

1 sin[( n − m )2π ] 1 sin[( n + m )2π ] − =0  ( n − m )π 2 ( n + m )π

  Así  queda  demostrado  que  el  conjunto  {sin( nπ t )}   forma  un  sistema  ortonormal  ( En = 1 ).  En  particular  forma  un  sistema  ortogonal.  Por  tal  motivo,  podemos  representar  x(t )  como una suma de señales  {sin( nπ t )} , con coeficientes dados por   
 

an =

1 En
1

t2

t1

* ∫ x(t )φ (t )dt = ∫ x(t )sin(nπ t )dt    0 2 0 2

2

 

   

cos( nπ t ) cos( nπ t ) +   a n = ∫ sin( nπ t )dt − ∫ sin( nπ t )dt == nπ nπ 1 1 0 1 1 [1 − cos(nπ ) + cos(2nπ ) − cos(nπ )]   an = nπ si n es par ⎧ 0 2 ⎪ an =   [1 − cos(nπ )] = ⎨ 4 nπ si n es impar ⎪ nπ ⎩

  Utilizando la ecuación general de la representación, podemos escribir  x(t )  como    4 ∞ 1 4 ∞ 1   x( t ) =   ∑ n sin(nπ t ) = π ∑ (2n − 1) sin[(2n − 1)π t ] π n =1 n =1
n impar

  Expandiendo algunos términos de la suma se tiene    4⎡ 1 1 ⎤ x(t ) = ⎢sin(π t ) + sin(3π t ) + sin(5π t ) + ...⎥     3 5 π⎣ ⎦    

 

     

 

Figura 3.7. Representación de la señal utilizando 3 y 100 términos de la serie, respectivamente. 

76

Representación de señales 

 

Análisis de Fourier 

Observación  3.2.  A  medida  que  se  aumentan  los  términos  de  la  representación  disminuye el error entre la señal original y su aproximación.     La representación de la señal  x(t )  en el intervalo  [0, 2] , puede realizarse con cualquier  conjunto  de  señales  que  base  que  formen  un  sistema  ortogonal  en  [0, 2] .  Más  adelante estudiaremos otros conjuntos de señales base.      3.5. Teorema de Parseval para un intervalo finito    Para una señal  x(t )  del espacio  S[t1 , t2 ]  y un conjunto de señales  {φn (t )}  completo en  el intervalo  [t1 , t2 ]  (base de  S[t1 , t2 ] ), se cumple   
t2


t1

x(t ) dt = ∑ an En  
2 2 n =1

  La energía de la señal en el intervalo  [t1 , t2 ]  es proporcional al cuadrado de la norma  l2   de los coeficientes  an  utilizados para su representación en ese intervalo.    Demostración.   
t2

 


t1

⎡∞ ⎤ x(t ) dt = ∫ x(t ) x (t )dt = ∫ x(t ) ⎢ ∑ anφn (t )⎥ dt   ⎣ n =1 ⎦ t1 t1
2 *

t2

t2

*

  Intercambiando el orden entre la sumatoria y la integral, se tiene    t2 ∞ ∞ ⎡ t2 ⎤ ∞ * 2 2 * *   ∫ x(t ) dt = ∑ an ⎢ ∫ x(t )φn (t )dt ⎥ = ∑ an ( En an ) = ∑ an En   n =1 n =1 ⎢ t1 ⎥ n =1 t1 ⎣ ⎦   Ejemplo 3.6. Aproxime la energía de la señal  x(t ) = t  del Ejemplo 3.4 a partir de los  coeficientes de su representación, para ello utilice el teorema de Parseval.    Solución. Los coeficientes encontrados para la aproximación de la señal utilizando las  tres señales base son  a0 = 1 / 2 ,  a1 = 0  y   a3 = 5 / 8 , por lo cual     

⎛1⎞ ⎛5⎞ ⎛1⎞ ⎛ 5 ⎞ ⎛ 2 ⎞ 21 E ≈ ∑ an kn = ⎜ ⎟ k0 + ⎜ ⎟ k2 = ⎜ ⎟ 2 + ⎜ ⎟ ⎜ ⎟ =   ⎝2⎠ ⎝8⎠ ⎝2⎠ ⎝ 8 ⎠ ⎝ 5 ⎠ 32 n =1
3 2

2

2

2

2

77

Representación de señales 

 

Análisis de Fourier 

3.6. Representación de una señal periódica     Una  señal  puede  representarse  en un  intervalo  [t1 , t2 ]   si  tiene  energía  finita  en  éste.  Sin  embargo,  si  el  soporte  de  la  señal  contiene  al  intervalo  [t1 , t2 ] ,  no  se  puede  garantizar la representación de la señal por fuera de este intervalo.    Una señal periódica no tiene soporte compacto, no obstante un solo periodo (el cual si  tiene  soporte  compacto)  es  necesario  para  su  representación.  Si  x(t ) = x(t + T ) ,  entonces  la  señal  x(t )   tiene  periodo  T  y  puede  obtenerse  una  representación  de  la  señal hallando los coeficientes  an , sobre un intervalo de longitud T, como    1 * an = ∫ x(t )φ (t )dt   En T   Si  la  señales  {φn (t )}   son  periódicas,  con  periodo  T,  entonces  la  representación  de  la  señal  corresponde  con  la  señal  periódica  por  fuera  del  intervalo  [0, T ] .  Para  esto  se  debe cumplir que    ∫ x(t ) dt ∈ R ó x(t ) ∈ S[0, T ]  
T

  En este caso, la señal periódica es representada por la sumatoria sobre todo el eje real  (para todos los instantes de tiempo), es decir   

x(t ) = ∑ anφn (t )
n =1

−∞ < t < ∞  
     

 

 

Figura 3.8. Representación de una versión periódica de la señal del Ejemplo 3.5 utilizando 20 términos  de la serie. 

78

Representación de señales 

 

Análisis de Fourier 

3.7. Resumen 
 

Descomponer  una  señal  como  suma  de  exponenciales  complejos  permite  encontrar  la  respuesta  de  un  sistema  a  LTI  a  dicha  señal  como  la  suma  de  las  respuestas individuales a cada uno de los exponenciales complejos.  Un espacio vectorial euclídeo es un espacio dota con producto interno. El producto  interno calcula en cierto sentido la similitud entre dos vectores.  La  mejor  aproximación  de  un  elemento  de  un  espacio  vectorial  euclídeo  en  términos  de  otro  elemento  del  espacio  es  obtenida  al  realizar  la  proyección  ortogonal, la cual se calcula a partir del producto interno entre los vectores.  Las  señales  con  energía  finita  en  un  intervalo  dado  forman  un  espacio  vectorial  euclídeo. Al aproximar una señal en términos de otra por medio de una proyección  ortogonal se minimiza la energía del error entre la señal y su aproximación.   Un conjunto de elementos de un espacio vectorial es una base del espacio si son  linealmente  independientes  y  si  cualquier  vector  del  espacio  puede  expresarse  como una combinación lineal de dichos elementos.  Dos  vectores  son  ortogonales  si  su  producto  interno  es  cero.  Dos  vectores  son  ortonormales si son ortogonales y su auto‐producto interno es la unidad. Una base  ortogonal es una base del espacio formada por vectores mutuamente ortogonales.  Dos  señales  son  ortogonales  si  su  producto  interno  es  cero.  Dos  señales  son  ortonormales si son ortogonales y la energía de cada una de ellas es la unidad.  Una  señal  puede  aproximarse  por  medio  de  un  conjunto  de  señales  ortogonales  realizando  la  proyección  ortogonal  sobre  cada  una  de  ellas,  este  procedimiento  minimiza la energía del error entre la señal y su aproximación.   Si el conjunto de señales utilizadas para la aproximación forma una base ortogonal  el error es cero y la aproximación llega a ser una representación de la señal.  Para  aproximar/representar  una  señal  utilizando  un  conjunto  de  señales  otrogonales/base  ortogonal  los  coeficientes  óptimos  de  la  aproximación/  representación  son  encontrados  realizando  proyecciones  ortogonales  sobre  cada  uno de las señales del conjunto.   Los  coeficientes  resultantes  de  una  aproximación/representación  de  una  señal  contienen información importante de la misma y permiten encontrar su energía de  la misma utilizando el teorema de Parseval. 

  •   •

  •

  •

  •

  •   •

  •   •

  •

79

Representación de señales 

 

Análisis de Fourier 

3.8. Ejercicios    Sección 3.2    1. Se tienen dos señales    

φ1 (t ) = e
 

−t

         φ 2 (t ) = 1 − Ae

−2 t

 

a. Determine  la  constante  A   para  que  φ1 (t )   y  φ 2 (t )   sean  ortogonales  en  el  intervalo  ( −∞,+∞) .  b. Repita a. para el intervalo  [‐1,1].  c. Las señales son ortonormales?     2. Determine un valor de  τ ≠ 0  para el cual el conjunto de señales  {φn } = {e jnΩt } , con 
n ∈ Z  y  Ω ∈ R * , sea ortogonal en el intervalo  [0,τ ] . 

  Sección 3.3    3. Considere las siguientes señales    φ1 (t ) = t   φ0 (t ) = 1   φ 2 (t) = 3 t 2 − 1   2 2   a. Muestre que son mutuamente ortogonales en el intervalo [‐1,1].  b. Usando  este  conjunto  de  señales  ortogonales,  represente  en  el  intervalo       [‐1,1], la señal     ⎧−1 −1 < t < 0      x( t ) = ⎨ ⎩ 1 0 < t <1   4. Considere la señal    ⎧e − t 0 < t < τ     x( t ) = ⎨ 0 otro caso ⎩   a. Aproxime  x(t )   en  el  intervalo  [0,τ ] ,  para  el  valor  de  τ   encontrado  en  el  Punto 2, utilizando las señales base  φ n = e jnΩt  como   

x(t ) =

n = −∞

∑d φ

n n

(t )
 

0 < t <τ  

80

Representación de señales 

 

Análisis de Fourier 

b. Obtenga el grafico de la señal aproximada, utilizando sólo las señales base  que cumplen con  n ≤ 10 .    5. Considere el conjunto de señales ortogonales, dado por     

                  Utilice estas tres señales para aproximar la siguiente señal en el intervalo  [0, 3] .     

 

      6. Considere el conjunto de señales    x1 (t ) = e −t u(t )     x2 (t ) = e −2t u(t )   x3 (t ) = e − t u(t )     a. Utilice  el  método  de  ortogonalización  de  Gram‐Schmidt,  para  generar  un conjunto de señales ortonormales  φi  a partir de  xi (t ) ,  i = 1, 2, 3 .  b. Aproxime la señal  x(t ) = 3e −4t u(t )  utilizando las señales  φi ,  i = 1, 2, 3 .  c. Calcule el error cuadrático medio entre la señal  x(t )  y su aproximación.    Sección 3.4    7. Utilice el Teorema de Parseval para aproximar la energía de la señal triangulo del  Punto 5, para ello utilice los coeficientes encontrados para su representación. 

81

Representación de señales 

 

Análisis de Fourier 

                                          ESTA PÁGINA SE DEJA INTENCIONALMENTE EN BLANCO.                                           

82

4 SERIES DE FOURIER
  4.1. Serie exponencial de Fourier    La  serie  exponencial  de  Fourier  es  un  caso  particular  de  representación  señales  periódicas, en el cual el conjunto de señales es una familia de exponenciales complejos  de  la  forma  φn (t ) = e jnΩ0t ,  donde  n ∈ Z .  Se  puede  demostrar  que  {φn (t )} = {e jnΩ0t }   es  una  base  ortogonal  en  [0, 2π / Ω0 ] .    La  elección  de  está  familia  de  señales  base  complejas permite la representación de señales reales y complejas.    Definición  4.1.  La  serie  exponencial  de  Fourier  de  una  señal  periódica  x(t ) ,  con  periodo  T , está dada por   

x( t ) =

n =−∞

∑ce
n

jnΩ0t

 

  donde la constante  Ω0  se conoce como frecuencia fundamental de la señal  x(t )  y está  definida  como  Ω 0 = 2π / T .  Los  coeficientes  cn   se  conocen  como  coeficientes  complejos de Fourier y  pueden ser encontrados de acuerdo a    1 cn = ∫ x(t )e − jnΩ0t dt   TT   Propiedad  4.1.  Los  coeficientes  cn   de  la  serie  exponencial,  pueden  ser  encontrados  tomando cualquier intervalo de tiempo de longitud  T . Por tal motivo          4.1.1. Condiciones de Dirichlet    Las  condiciones  bajo  las  cuales  una  señal  periódica  x(t ) ,  con  periodo  T ,  puede  ser  representada como una serie exponencial de Fourier se conocen como condiciones de  Dirichlet y están dadas por:    i. x(t )  tiene un número finito de máximos y mínimos sobre un periodo.  ii. x(t )  tiene un número finito de discontinuidades sobre un periodo, es decir,  es continua a trozos.  iii. x(t ) es integrable en magnitud sobre un periodo, es decir, 
cn = ∫
a +T a

x(t )e − jnΩ0t dt   para cualquier  a ∈ R . 

Series de Fourier 

 

Análisis de Fourier 

 

 

T

∫ x(t ) dt ∈ R . 

  Si se cumplen las condiciones de Dirichlet, la serie de Fourier converge a la señal  x(t )   en  todos  los  puntos  de  continuidad,  y  en  los  valores  de  t   en  los  cuales  x(t )   es  discontinua, la serie converge al promedio de la discontinuidad, es decir, al promedio  entre  x(t − )   y  x(t + ) , como se ilustra en la Figura 4.1.     

 

 

Figura 4.1. Convergencia de la serie en los puntos de discontinuidad. 

    Propiedad  4.2.  Las  condiciones  de  Dirichlet  se  cumple  si  la  señal  x(t )   tiene  energía  finita sobre un periodo ( x(t ) ∈ S[0, T ] ), es decir, si   
T

∫ x (t )

2

∈R  

  Por tal motivo, si una  señal periódica tiene energía finita a lo largo de cada periodo,  entonces  puede  ser  representada  como  una  serie  exponencial  de  Fourier.  La  gran  mayoría de señales periódicas cumplen esta condición.      Ejemplo  4.1.  Demuestre  que  si  una  señal  x(t )   cumple  la  condición  iii)  de  Dirichlet,  entonces los coeficientes  cn  de su serie exponencial de Fourier tienen magnitud finita.    Solución.         

1 1 cn = ∫ x(t )e− jnΩ0t dt ≤ ∫ x(t )e− jnΩ0t dt   T 0 T 0
cn ≤
1 − jnΩ t ∫ x ( t ) e 0 dt   T 0
T T

T

T

1 cn ≤ ∫ x ( t ) dt ∈ R   T 0

84

Series de Fourier 

 

Análisis de Fourier 

4.1.2. Cálculo de la serie exponencial     Ejemplo  4.2.  Encuentre  la  serie  exponencial  de  Fourier  de  la  señal  periódica  que  se  ilustra en la Figura.     

π ⎧ ⎪ − A −π ≤ t ≤ − 2 ⎪ π π ⎪ x( t ) = ⎨ A − ≤ t ≤ 2 2 ⎪ π ⎪ ≤t ≤π ⎪− A 2 ⎩
      Solución. Claramente  x(t )  cumple con las condiciones de Dirichlet, entonces la señal  puede ser representada como una  serie exponencial de Fourier. El periodo de la señal  es  2π , por lo cual  Ω0 = 1  y los coeficientes de la serie son encontrados como    T /2 π 1 1 cn = x(t )e − jnΩ0t dt = x(t )e − jnt dt         2π −∫ T −T∫/ 2 π    
−π / 2 π /2 π ⎤ 1 ⎡ − jnt − jnt − jnt cn = ⎢ ∫ − Ae dt + ∫ Ae dt + ∫ − Ae dt ⎥   2π ⎣ −π π /2 −π / 2 ⎦ −π / 2 π /2 π ⎤ A ⎡ − jnt − jnt − jnt cn = ⎢ ∫ −e dt + ∫ e dt − ∫ e dt ⎥   2π ⎣ −π −π / 2 π /2 ⎦

  Los coeficientes  cn  son infinitos, por lo cual deben ser encontrados en función de  n .  Al  realizar  la  integral  el  término  nt   pasa  a  dividir  y  para  el  caso  n = 0   se  tiene  un  coeficiente  de  valor  infinito.  Por  tal  motivo  algunos  valores  de  n ,  en  este  ejemplo  n = 0 , deben ser tratados por aparte, para evitar coeficientes de valor infinito.    Caso 1:  n = 0     −π / 2 π /2 π ⎤ A ⎡ c0 = ⎢ − ∫ dt + ∫ dt − ∫ dt ⎥     2π ⎣ −π −π / 2 π /2 ⎦ π π π π A ⎡ ⎤ c0 = ⎢π + 2 + 2 − 2 − 2 − π ⎥ = 0     2π ⎣ ⎦   Caso 2:  n ≠ 0    

85

Series de Fourier 

 

Análisis de Fourier 

     

⎡ e − jnt −π / 2 e − jnt −π / 2 e − jnt π ⎤ ⎢ ⎥ + + jn π / 2 jn π / 2 ⎥   ⎢ jn −π ⎣ ⎦ π π π π jn − jn − jn ⎤ A ⎡ jn 2 cn = e − e jnπ + e 2 − e 2 + e − jnπ − e 2 ⎥   ⎢ 2π jn ⎣ ⎦ A cn = 2π
cn =
π − jn ⎤ A ⎡ jn π 2e 2 − e jnπ − 2e 2 + e − jnπ ⎥   ⎢ 2π jn ⎣ ⎦

 

 

π − jn ⎡ jn π ⎤ A ⎢ 2e 2 − 2e 2 e − jnπ − e jnπ ⎥   + cn = ⎥ 2j 2j πn ⎢ ⎢ ⎥ ⎣ ⎦ ⎤ 2 A ⎛ nπ A ⎡ ⎛ nπ ⎞ cn = ⎢ 2 sin ⎜ 2 ⎟ − sin ( nπ ) ⎥ = nπ sin ⎜ 2 πn ⎣ ⎝ ⎠ ⎝ ⎦

⎞ ⎟  ⎠

  Recuerde que si  n ∈ Z , entonces  sin( nπ ) = 0 . Los coeficientes están dados por    ⎧2A ⎛ π ⎞ ⎪ sin ⎜ n ⎟ n impar cn = ⎨ nπ     ⎝ 2⎠ ⎪ 0 n par ⎩   Por tal motivo la serie exponencial puede escribirse como    ∞ 2A ⎛ nπ ⎞ jnt x (t ) = ∑ sin ⎜   ⎟e   ⎝ 2 ⎠ n =−∞ nπ
n impar

  Ejemplo  4.3.  Considere  el  tren  de  pulsos  de  ancho  2τ ,  que  se  ilustra  en  la  Figura.  Represente la señal utilizando la serie exponencial de Fourier. Considere  τ  como un  número real en el intervalo  (0, π ) .     

⎧ A −τ < t < τ x( t ) = ⎨ ⎩ 0 otro caso
      Solución. El periodo de la señal es  2π , por lo cual  Ω0 = 1 . La serie exponencial puede  escribirse como   

86

Series de Fourier 

 

Análisis de Fourier 

 

x (t ) =

n =−∞

cn e jnΩ0t =

n =−∞

∑ce
n

jnt

 

  donde los coeficientes  cn  pueden encontrarse de acuerdo a    T /2 π 1 1 − jnt cn = x(t )e − jnt dt = ∫/ 2 ∫π x(t )e dt     2π − T −T   En el intervalo  [−π , π ]  la señal sólo toma valor en  [−τ ,τ ] , entonces    τ τ 1 A − jnt cn = Ae − jnt dt = ∫ ∫ e dt     2π −τ 2π −τ   Caso 1:  n = 0      
τ ⎤ A τ A ⎡ ⎡t ⎤ = Aτ c0 = ⎢ ∫ dt ⎥ = 2π ⎣ −τ ⎦ 2π ⎣ −τ ⎦ π  

  Caso 2:  n ≠ 0        
A cn = 2π
cn =

⎡ −e − jnt ⎢ ⎢ jn ⎣

τ

⎤ A ⎡ e jnτ − e − jnτ ⎤   ⎥= ⎦ 2π jn ⎣ −τ ⎥ ⎦

A sin( nτ )   nπ

  La serie exponencial de la señal puede escribirse como    ∞ Aτ A x (t ) = +∑ sin( nτ )e jnt     π n =−∞ nπ
n≠0

  Ejemplo  4.4.  Represente  la  señal  x(t ) = 2 cos 2 (t ) + 4 sin( 4t ) como  una  serie  exponencial de Fourier y encuentre los coeficientes  cn .    Solución. Conociendo que  cos2 (t ) = 1 + 1 cos( 2t ) ,  la señal  puede reescribirse como  2 2   ⎛ e j 2t + e − j 2t ⎞ ⎛ e j 4t − e− j 4t ⎞ x(t ) = 1 + cos( 2t ) + 4 sin( 4t ) = 1 + ⎜ + 4⎜ ⎟ ⎟    2 2j ⎝ ⎠ ⎝ ⎠

87

Series de Fourier 

 

Análisis de Fourier 

 

1 1 2 2 x( t ) = 1 + e j 2 t + e − j 2 t + e j 4 t − e − j 4 t   2 2 j j

  En esta expresión la señal  x(t )  se encuentra expresada como una serie exponencial, ya  que corresponde a una suma de exponenciales complejos. El período de la señal es  π ,  por lo cual  Ω0 = 2 . Con el fin de identificar los coeficientes de esta serie exponencial  es  necesario  recordar  que  el  coeficiente  cn   acompaña  al  término  e jnΩ0t   en  la  serie.  Para  este  caso,  el  coeficiente  cn   acompaña  al  término  e jn 2t ,  por  lo  cual  c0 = 1 ,  c1 = 1 / 2 ,  c−1 = 1 / 2 ,  c2 = −2 j  y  c−2 = 2 j ; los demás coeficientes son cero. 
 

    4.1.3. Espectro de Fourier    Los coeficientes  cn  de la serie exponencial de Fourier pueden ser interpretados como  una  representación  frecuencial  de  x(t ) ,  pues  cada  coeficiente  cn   indica  la  contribución de la frecuencia  nΩ0  a la señal  x(t ) . Así, si para algún  n  el coeficiente  cn es  cero,  la  señal  x(t )   no  tiene  componente  de  frecuencia  nΩ0 ;  por  ejemplo,  c0   representa el nivel DC de la señal.  Debido a que la señal  x(t )  es periódica con periodo  T , sus componentes de frecuencias son múltiplos de la frecuencia fundamental  Ω0      El  espectro  de  Fourier  es  un  gráfico  que  muestra  que  componentes  de  frecuencia  están presentes en la señal y en que proporción, para ello se ilustran los coeficientes  de la serie exponencial junto a su frecuencia respectiva. Debido a que los coeficientes  cn  en general pueden ser complejos, el espectro de Fourier se grafica  cn vs nΩ0 . En  el  eje  horizontal  se  ubica  la  frecuencia  angular  Ω ,  en  radianes  sobre  segundo,  mientras que en el eje vertical se indica el aporte de esta frecuencia a la señal.     Ejemplo 4.5. Para el Ejemplo 4.3, lo coeficientes de la serie exponencial son  c0 = Aτ / π   y  para  n ≠ 0 ,  cn = ( A / nπ ) sin( nτ ) . Si tomamos  A = 1  y  τ = π / 6  se obtiene la señal    

     y su respectivo espectro de Fourier     

 

88

Series de Fourier 

 

Análisis de Fourier 

    Si tomamos  A = 1  y  τ = π / 6  se obtiene la señal     

 

    y su respectivo espectro de Fourier     

 

      El  espectro  de  Fourier  del  tren  de  pulsos  se  modifica  al  cambiar  el  ancho  τ   de  los  pulsos.  Para  un  pulso  angosto,  τ = π / 6 ,  un  mayor  número  de  frecuencia  tienen  participación; además las frecuencia altas tienen un aporte importante y el nivel DC de  la  señal  no  es  muy  grande.  Por  otro  lado,  para  un  pulso  más  ancho,    τ = 3π / 4 ,  un  número menor de frecuencias tiene aporte significativo; además el nivel DC de la señal  es mucho mayor y la participación de las componentes de alta frecuencia es muy poco.    Ejemplo 4.6. Para la señal  x(t ) = 1 + cos( 2t ) + 4 sin( 4t )  del Ejemplo 4.4, los coeficientes  de la serie exponencial de Fourier son  c0 = 1 ,  c1 = 1 / 2 ,  c−1 = 1 / 2 ,  c2 = −2 j  y  c−2 = 2 j ,  con  Ω0 = 2 . El espectro de Fourier de  x(t )  se ilustra en la Figura 4.2. 

89

Series de Fourier 

 

Análisis de Fourier 

 

 

Figura 2.4. Espectro de Fourier de la señal periódica. 

    Observe que sólo existen 2 componentes de frecuencias en la señal, las frecuencias  2  y  4,  y  un  nivel  de  DC  de  valor  1.  Recuerde  que  las  frecuencias  negativas  y  positivas  corresponden  a  la  misma  componente  de  frecuencia.  Por  tal  motivo,  las  señales  cn e jnΩ0t  y  c− n e − jnΩ0t  conforman la componentes de frecuencia  nΩ0 , para cualquier  n .      4.1.4. Teorema de Parseval para la serie exponencial    El teorema de Parseval relaciona la potencia promedio de una señal periódica con el  cuadrado de la  norma  l2  de los coeficientes  cn  de su serie exponencial, mediante   
P=
∞ 1 2 2 x(t ) dt = ∑ cn   ∫ T 0 n =−∞ T

  Demostración.    T T 1 1 2 P = ∫ x(t ) dt = ∫ x(t ) x* (t )dt     T 0 T 0  
 

1 ⎡ ∞ ⎤⎡ ∞ ⎤ P = ∫ ⎢ ∑ cn e jnΩ0t ⎥ ⎢ ∑ cn e jnΩ0t ⎥ dt   T 0 ⎣ n =−∞ ⎦ ⎣ n =−∞ ⎦
1 ⎡ ∞ ⎤⎡ ∞ * ⎤ P = ∫ ⎢ ∑ cn e jnΩ0t ⎥ ⎢ ∑ cn e − jnΩ0t ⎥ dt   T 0 ⎣ n =−∞ ⎦ ⎣ n =−∞ ⎦ P= P= 1 ⎡ ∞ ∞ jnΩ t * − jmΩ t ⎤ ∫ ⎢ n∑ m∑ cn e 0 cme 0 ⎥ dt   T 0 ⎣ =−∞ =−∞ ⎦
T T

T

*

 
 

 
 

 

n =−∞ m =−∞

∑∑

* cn cm

1 j ( n − m ) Ω0t e dt   T∫ 0

T

  Las señales  {e jnΩ0t } , con  n ∈ Z , son ortogonales en  [0, T ] , entonces 

90

Series de Fourier 

 

Análisis de Fourier 

 

T ⎧1 n = m 1 j ( n − m ) Ω0t   dt = ⎨ ∫e T 0 ⎩0 n ≠ m

  Por  tal  motivo,  de  la  doble  sumatoria  sólo  sobreviven  los  términos  para  los  cuales  n = m , entonces        Observación  4.1.  Recuerde  que  x(t )   es  la  potencia  instantánea  de  la  señal.  Si  sumamos la potencia en un intervalo de longitud  T  y dividimos por  T , encontramos  el promedio de la potencia  P de la señal periódica  x(t ) .
2

P=

n =−∞

∑ c c =∑
* n n

n =−∞

cn  

2

    Ejemplo  4.7.  Encuentre  la  energía  promedio  de  la  señal  x(t ) = sin(t ) + cos(2t ) ,  utilizando el teorema de Parseval.    Solución.  La señal puede escribirse como    e jt − e − jt e j 2t + e − j 2t x( t ) = +     2j 2 j j 1 1   x(t ) = e− jt − e jt + e j 2t + e − j 2t   2 2 2 2   La potencia promedio puede ser encontrada como     
 

P=

n =−∞

cn

2

j −j 1 1 = + + +   2 2 2 2

2

2

2

2

 

 

P=

1 1 1 1 + + + = 1  4 4 4 4

  Ejemplo  4.8.  Encuentre  la  energía  promedio  de  la  señal  sinusoidal  x(t ) = A sin(Ωt ) ,  donde  Ω ∈ R* , usando el teorema de Parseval.    Solución.  La señal puede escribirse como    A A x(t ) = A sin(Ωt ) = − j e jΩt + j e − jΩt     2 2   La potencia promedio puede ser encontrada como   

91

Series de Fourier 

 

Análisis de Fourier 

 
 

P=

n =−∞

cn

2

A A = −j + j   2 2

2

2

 

P

A 2 A 2 A2 + =   4 4 2

Observación 4.2. La energía promedio de un sinusoide depende exclusivamente de  su  amplitud.  Dos  sinusoides  de  igual  amplitud  y  de  diferente  frecuencia  tienen  la  misma potencia promedio.      4.1.5. Propiedades de la serie exponencial    Sea  SF  la función que calcula  los coeficientes de la serie exponencial de Fourier de  una señal, es decir,  SF [ x(t )] = cn .    4.1.5.1. Linealidad:    SF [Ax(t ) + By (t )] = A(SF [x(t )]) + B(SF [ y (t )])     Un operador es lineal si cumple con superposición y homogeneidad.     Superposición:  un  operador  cumple  con  superposición  si  su  respuesta  a  la  suma  de  elementos  es  igual  a  la  suma  de  las  respuestas  individuales  a  cada  una  de  los  elementos.     Suponga  que  x(t )   y  y(t )   son  señales  periódicas  con  periodo  T ,  entonces  los  coeficientes  de  la  señal  x(t ) + y(t )   corresponden  a  la  suma  de  los  coeficiente  de  la  señal  x(t )  más los coeficientes de la señal  y(t ) .    A probar:  SF [ x(t ) + y(t )] = SF [ x(t )] + SF [ y(t )]        
 

SF [ x(t ) + y(t )] =

1 T

T

∫ [ x (t ) + y ( t ) ] e
0

− jnΩ0t

dt  

1 1 SF [ x(t ) + y(t )] = ∫ x(t )e − jnΩ0t dt + ∫ y (t )e − jnΩ0t dt = SF [ x(t )] + SF [ y(t )]   T 0 T 0 SF [ x(t ) + y(t )] = SF [ x(t )] + SF [ y(t )]  

T

T

 

  Homogeneidad:  un  operador  L   es  homogéneo  si  para  toda  señal  x(t )   y  toda  constante real  c  se cumple  L{cx(t )} = cL{ x(t )} .   

92

Series de Fourier 

 

Análisis de Fourier 

Suponga  que  x(t )   es  una  señal  con  periodo  T   entonces  los  coeficientes  de  la  señal  Ax(t )  corresponden a los coeficientes de la señal  x(t )  multiplicados por  A .    A probar:  SF [ Ax(t )] = A ⋅ SF [ x(t )]           4.1.5.2.         4.1.5.3.    
SF ⎡ x* (t )⎤ = ⎣ ⎦
* * Complejo conjugado:  SF ⎡ x* (t )⎤ = c− n   ⎣ ⎦

1 SF [ Ax(t )] = ∫ Ax(t )e − jntΩ0 dt   T 0

T

⎛1T ⎞ SF [ Ax(t )] = A ⎜ ∫ x(t )e − jnΩ0t dt ⎟ = A ⋅ SF [ x(t )]   ⎝T 0 ⎠

1 * 1 jnΩ t * − jnΩ t ∫ x (t )e 0 dt = T ∫ ⎡ x(t )e 0 ⎤ dt   ⎣ ⎦ T 0 0
* *

T

T

⎛ 1T ⎞ ⎛1T ⎞ * SF ⎡ x (t )⎤ = ⎜ x(t )e jnΩ0t dt ⎟ = ⎜ ∫ x(t )− j ( − n )Ω0t dt ⎟ = c− n   ∫ ⎣ ⎦ ⎝ T 0 ⎠ ⎝T 0 ⎠
Reflexión:   SF [ x( −t )] = c− n  

SF [ x( −t )] =

1 t − jnΩ t ∫0 x(−t )e 0 dt   T

  Si realizamos la sustitución  u = −t  entonces  du = − dt  y se tiene     −T 0 1 1   SF [ x( −t )] = ∫ x(u )e jnΩu ( − du ) = ∫ x(u )e jnΩu du   T 0 T −T   La integral de  [−T , 0]  puede cambiarse por una integral de  [0, T ] , por lo cual    T 1   SF [ x( −t )] = ∫ x(u )e − j ( − n )Ωu du = c− n   T 0   4.1.5.4. Simetría    Si  x(t )  es real, se tiene    T T 1 1   cn = ∫ x(t )e − jnΩ0t dt = ∫ x(t ) [cos( − nΩ 0t ) + j sin( − nΩ 0t )] dt   T 0 T 0

93

Series de Fourier 

 

Análisis de Fourier 

         

1 cn = T cn =

T

∫ [ x(t )cos(nΩ t )dt − jx(t )sin(nΩ t )]dt  
0 0 0

1 x(t )cos( nΩ 0t ) dt − j ∫ x(t )sin( nΩ 0t ) dt   T∫ 0 0
T

T

T

1 Re {cn } = ∫ x(t )cos( nΩ 0t )dt   T 0

Im {cn } = −

1 x(t )sen( nΩ 0t )dt   T∫ 0

T

Re {cn }  es una señal par 

           
cn  es una señal par 

Re {c− n } =

1 1 ∫ x(t )cos(−nΩ0t )dt = T ∫ x(t )cos(nΩ0t )dt = Re {cn }   T 0 0

T

T

Im {cn }  es una señal par  Im {c− n } = −
1 1 ∫ x(t )sen(−nΩ0t )dt = T ∫ x(t )sen(nΩ0t )dt = − Im {cn }   T 0 0
T T

   
cn = Re {cn } + Im {cn } = Re {c− n } + Im {c− n } = c− n  
2 2 2 2

  Re{cn }2  es una señal par, pues el producto de dos señales pares es otra señal par.  Im{cn }2  es una señal par, pues el producto de dos señales impares es una señal par.  La suma de dos señales pares es una señal par y la raíz cuadrada de una señal par es  par también; por lo cual  | cn |  es una señal par.    ∠cn  es una señal impar    ⎛ Im{c− n } ⎞ ⎛ − Im{cn } ⎞ ⎛ Im{cn } ⎞ ∠c− n = arctan ⎜   ⎟ = arctan ⎜ ⎟ = − arctan ⎜ ⎟ = −∠cn   ⎝ Re{c− n } ⎠ ⎝ Re{cn } ⎠ ⎝ Re{cn } ⎠  
* cn = c− n  

  Dado que  x(t )  es real se tiene que  x* (t ) = x(t ) , por lo cual   

94

Series de Fourier 

 

Análisis de Fourier 

   

T T ⎛1T ⎞ 1 * 1 jnΩ0t − jnΩ0t c = ⎜ ∫ x(t )e dt ⎟ = ∫ x (t )e dt = ∫ x(t )e− j ( − n ) Ω0t dt = c− n   T 0 ⎝T 0 ⎠ T 0
* n

*

Si  x(t )  es real y par, entonces         
1 Im {Cn } = − x(t )sin( nΩ 0t )dt = 0   T −T∫/ 2 cn = 1 x(t )cos( nΩ 0t )dt = c− n   T −T∫/ 2
T /2 T /2 T /2

2 cn = Re {cn } = T


0

x(t )cos( nΩ 0t )dt  

  La integral de la parte imaginaria es cero, pues el producto  x(t )sin( nΩ0t )  es una señal  impar. Por tal motivo los coeficientes  cn  son reales y pares.    Si  x(t )  es real e  impar, entonces    T /2 1   Re {Cn } = x(t )cos( nΩ 0t )dt = 0   T −T∫/ 2    
cn = − j 1 x(t )sin( nΩ 0t )dt = −c− n   T −T∫/ 2
T /2 T /2

2 cn = Im {cn } = − j T


0

x(t )sin( nΩ 0t )dt  

  La integral de la parte real es cero, pues el producto  x(t )cos( nΩ0t )  es una señal impar.  Por tal motivo, los coeficientes  cn  son imaginarios e impares.    Señal Periódica  Coeficientes de la SEF    x(t ), y(t )   cn , d n   Ax(t ) + By (t )   Ac n + Bd n   * x (t )   c−n   x(−t )   c−n   x(t )  real  Re{cn }  par y  Im{cn }  impar  * x(t )  real  cn = c− n   x(t )  par  cn  par  x(t )  real y par  cn  real y par 
 

Tabla 4.1. Algunas propiedades de la serie exponencial de Fourier  

95

Series de Fourier 

 

Análisis de Fourier 

4.2. Serie trigonométrica de Fourier    Si  se  conoce  que  x(t )   es  una  señal  real,  es  decir  Im{ x(t )} = 0 ,  existe  una  forma  equivalente  de  representar  x(t )   como  una  serie  de  Fourier  utilizando  sólo  señales  reales que forman una base ortogonal.    Sea  x(t )  una señal real con periodo  T , entonces      

x( t ) =

n =−∞

∑ce
n

jnΩ0t

 

  Propiedad 4.3.  Re { x(t ) y(t )} = Re { x(t )} Re { y(t )} − Im { x(t )} Im { y(t )}     Demostración.  Para toda función o  variable  x  se cumple que      x = Re{ x} + j Im{ x}      (1) 
 

  x ∗ (t ) = Re{ x} − j Im{ x}     (2)                                                                                  ■    Utilizando (1) y (2) para despejar  Re{ x}  y  Im{ x}  se tiene    1   Re{ x} = x + x*       (3)  2

(

)

 

 

Im{ x} =

1 ( x − x* )      2j

(4) 

  Utilizando (3) para el producto  xy , se tiene    1 1   Re{ xy } = ⎡ xy + ( xy )* ⎤ = xy + x* y*   ⎣ ⎦ 2 2   Ahora, utilizando las definiciones (1) y (2) sobre esta última ecuación se tiene    1 Re{ xy } = ⎡( Re{ x} + j Im{ x})( Re{ y } + j Im{ y }) 2⎣     + ( Re{ x} − j Im{ x})( Re{ y } − j Im{ y }) ⎤ ⎦

(

)

 

  Re{ xy } = Re{ x } Re{ y } − Im{ x}Im{ y }                                                                           Representemos sólo la parte real de la señal  x(t ) , para ello   

96

Series de Fourier 

 

Análisis de Fourier 

 

⎧ ∞ ⎫ ∞ Re{ x(t )} = Re ⎨ ∑ cn e jnΩ0t ⎬ = ∑ Re{cn e jnΩ0t }   ⎩ n =−∞ ⎭ n =−∞

  Utilizando la Propiedad 4.3, se tiene     
 

Re{ x(t )} = Re{ x(t )} =

n =−∞

∑( ∑

Re{cn }Re{e jnΩ0t } −

) ∑ ( Im{c }Im{e
n =−∞ n ∞ n =−∞ n
0

jnΩ0t

}  

)

 

n =−∞

Re{cn }cos( nΩ0t ) −

∑ Im{c }sin(nΩ t )  

  Utilizando (3) y (4) se tiene    1 ∞ 1 ∞ * Re{ x(t )} = ∑ cn + cn cos( nΩ 0t ) −   ∑ cn − cn* sin(nΩ0t )   2 n =−∞ 2 j n =−∞   * Dado que  x(t )  es real,  Re{ x(t )} = x(t )  y  cn = c− n , por lo cual    1 ∞ 1 ∞ x(t ) = ∑ ( cn + c− n ) cos( nΩ0t ) −   ∑ ( cn − c− n ) sin(nΩ0t )   2 n =−∞ 2 j n =−∞   El término  cn + c− n  es par con respecto a  n , pues si hacemos   tn = cn + c− n  se cumple  tn = t− n . Por otro lado, el término  cn − c− n  es impar con respecto a  n , pues si hacemos   tn = cn − c− n  se cumple  tn = −t− n ; por tal motivo    1 ∞ j ∞ x(t ) = ∑ ( cn + c− n ) cos( nΩ 0t ) + ∑ ( cn − c− n ) sin( nΩ 0t )     4 3 4 3 2 n =−∞ 144 2444 2 n =−∞ 144 2444

(

)

(

)

par

par

  pues el  cos( nΩ0t )  y  sin( nΩ0t )  son par e impar con respecto a  n , respectivamente. La  sumatoria de  −∞  a  ∞  de una señal par es igual a dos veces la sumatoria de  1  a  ∞  más  el término cero. De acuerdo a esto podemos reescribir  x(t ) , como                 

x(t ) = c0 + ∑ ( cn + c− n ) cos( nΩ 0t ) + j ∑ ( cn − c− n ) sin( nΩ 0t )  
n =1 n =1

  Definamos los coeficientes de la serie trigonométrica, de acuerdo a   
 

a0 = c0  
   

an = cn + c− n  

bn = j (cn − c− n )  

97

Series de Fourier 

 

Análisis de Fourier 

  * Observación  4.3.  Dado  que  x(t )   es  real  an = cn + c− n = cn + cn = 2 Re{cn }   y    * b = j (cn − c− n ) = j (cn − cn ) = −2 Im{cn } , para todo  n ∈ Z + . A partir de este hecho y    n utilizando la definición de  cn  pueden ser encontrados lo coeficientes  an y  bn . 

    Definición 4.2. La serie trigonométrica de Fourier de una señal real  x(t ) , esta dada por      

x(t ) = a0 + ∑ an cos( nΩ0t ) + ∑ bn sin( nΩ0t )  
n =1 n =1

  donde             
 

a0 =

1 ∫ x(t )dt   TT 2 ∫ x(t )cos(nΩ0t )dt   TT 2 ∫ x(t )sin(nΩ0t )dt   TT

an =

bn =

  Observación 4.4. Los coeficientes  a0 ,  an  y  bn  de la serie trigonométrica son reales.  Los coeficientes  an  y  bn  sólo toman valor para  n = 1, 2, ..., ∞.   Ejemplo 4.9. Represente la señal  x(t )  utilizando la serie trigonométrica de Fourier.   
 

 

⎧ M ⎪ 2 ⎪(t + 2) ⎪ x (t ) = ⎨ t 2 ⎪(t − 2)2 ⎪ ⎪ M ⎩
 
 

M −2 < t < 0 0<t <2 2<t <4 M

 

Solución.  La  señal  x(t )   tiene  periodo  T = 2 ,  por  lo  tanto  Ω 0 = π .  Para  la  representación de una señal periódica se puede tomar cualquier segmento de la señal  con longitud  T . Se tomará por facilidad el intervalo  (0, 2) . 

98

Series de Fourier 

 

Análisis de Fourier 

Para el coeficiente  a0  o valor medio de la señal, se tiene     

1 1 2 t3 4 a0 = ∫ x(t )dt = ∫ t dt = =   20 60 3 T 0

T

T

2

  Para los coeficientes  an , se tiene    T 2 2   an = ∫ x(t )cos( nΩ 0t )dt = ∫ t 2 cos( nπ t )dt   T 0 0   Integrando por partes    ⎧u = t 2 dv = cos( n π t ) ⎪   ⎨ sin( n π t )   du = 2 tdt v = ⎪ nπ ⎩    

sin( nπ t ) 2 ⎛ sin( nπ t ) ⎞ an = ⎜ t 2 ⎟ − ∫ nπ 2t dt = − nπ ∫ sin( nπ t )t dt   nπ ⎠ 0 0 ⎝ 0
2 2

2

  Integrando por partes nuevamente, se tiene    dv = sin( nπ t ) ⎧u = t ⎪   ⎨ − cos( nπ t )   du = dt v = ⎪ nπ ⎩   2 2 −2 ⎡⎛ −t cos( nπ t ) ⎞ cos( nπ t ) ⎤   +∫ an = dt ⎥   ⎢⎜ ⎟ nπ ⎢⎝ nπ ⎠ 0 0 nπ ⎥ ⎣ ⎦ 2 ⎡ ⎤ 4 −2 ⎢ −2 sin( nπ t ) ⎥     an = + = 2 2 nπ ⎢ nπ ( nπ ) 0 ⎥ ( nπ ) ⎣ ⎦   Para lo coeficientes  bn , se tiene    T 2 2   bn = ∫ x(t )cos( nΩ 0t )dt = ∫ t 2 sin( nπ t )dt   T 0 0   Integrando por partes   

99

Series de Fourier 

 

Análisis de Fourier 

     

⎧u = t 2 dv = sin( nπ t ) ⎪ ⎨ cos( nπ t )   ⎪du = 2tdt v = − nπ ⎩

cos( nπ t ) ⎞ cos( nπ t ) 4 cos( n2π ) cos( nπ t ) ⎛ 2t dt = − bn = ⎜ −t 2 t dt   + 2∫ ⎟ + ∫ nπ nπ ⎠ 0 0 nπ nπ ⎝ 0
2 2

2

  Integrando por partes nuevamente, se tiene    dv = cos( nπ t ) ⎧u = t ⎪   ⎨ sin( nπ t )   du = dt v = ⎪ nπ ⎩   ⎡ t sin( nπ t ) 2 2 sin( nπ t ) ⎤ 4 4     +2⎢ −∫ bn = − dt ⎥ = − nπ nπ nπ ⎢ nπ ⎥ 0 0 ⎣ ⎦   La serie trigonométrica de Fourier para  x(t )  viene dada por    4 4 ∞ 1 4 ∞ 1   x(t ) = + 2 ∑ 2 cos( nπ t ) − ∑ sin( nπ t )   3 π n =1 n π n =1 n    

 

 

Figura 4.3. Representación de  x(t )  utilizando los primeros 15 términos de la   serie trigonométrica de Fourier. 
 

  4.2.1. Relación entre la serie trigonométrica y la serie exponencial    Una vez que una señal real  x(t )  ha sido representada como una serie trigonométrica  de Fourier, los coeficientes de la serie exponencial pueden ser encontrados de forma  directa  a  partir  de  los  coeficientes  de  la  serie  trigonométrica.  De  forma  similar,  si  se  conocen  los  coeficientes  de  la  serie  exponencial  de  Fourier  de  una  señal  real,  los  coeficientes de la serie trigonométrica pueden ser calculados a partir de estos.                                 

100

Series de Fourier 

 

Análisis de Fourier 

Si  queremos  encontrar  los  coeficientes  de  la  serie  exponencial  a  partir  de  los  coeficientes de la serie trigonométrica de Fourier, es decir,  {cn } → {a0 ,an , bn } , se hace      a0 = c0     an = 2 Re{cn }, n = 1, 2, 3...     bn = −2 Im{cn }, n = 1, 2, 3...     Si  queremos  encontrar  los  coeficientes  de  la  serie  trigonométrica  a  partir  de  los  coeficientes de la serie exponencial de Fourier, es decir  {a0 ,an , bn } → {cn } , se hace      c0 = a0     cn = 1 ( an − jbn ), n = 1, 2, 3, ...   2   * Para encontrar los coeficientes  cn  para valor negativos de  n , se hace  c− n = cn .    Ejemplo 4.10. Encuentre los coeficientes de la serie exponencial del Ejemplo 4.9.    Solución.    4 c0 = a0 =     3   Los coeficientes  cn  para  n  positivo,  n = 1, 2, 3, ... , son    1 1⎡ 4 4 ⎤   cn = [ a n − jbn ] = ⎢   +j 2 2 2 ⎣ ( nπ ) nπ ⎥ ⎦
 

 

cn =

2
( nπ )2

(1 + jnπ ) , n = 1, 2, 3...  

  Los coeficientes  cn , para  n  negativo, se encuentran como    2 * c− n = cn = (1 − jnπ ), n = 1, 2, 3, ...     ( nπ )2   Por tal motivo los coeficientes de la serie exponencial,  están dados por    4/3 n=0 ⎧ ⎪      cn = ⎨ 2 (1 + jnπ ) n ≠ 0 ⎪ ( nπ )2 ⎩

101

Series de Fourier 

 

Análisis de Fourier 

y la serie exponencial para la señal es    4 2 ∞ ⎛ 1 + jnπ ⎞ jnπ t x(t ) = + 2 ∑ ⎜ e     3 π n =−∞ ⎝ n 2 ⎟ ⎠
n≠0

Ejemplo 4.11. Encuentre los coeficientes de la serie trigonométrica de Fourier para la  señal del Ejemplo 4.3.    Solución.    Aτ     a0 = c0 =

π

 

    Ejemplo  4.12.  Encuentre  la  serie  trigonométrica  de  x(t ) = cos 2 (t ) + sin(t ) + cos(3t ) .  Identifique los coeficientes de la serie trigonométrica y encuentre por medio de estos  los coeficientes  cn  de la serie exponencial de Fourier.    Solución. Conociendo que  cos 2 α = 1 (1 + cos 2α ) , podemos reescribir la señal como  2   1 1   x(t ) = + cos( 2t ) + sin(t ) + cos(3t )   2 2   Es expresión corresponde a la  serie trigonométrica de Fourier de la señal, pues es una  suma de senos y cósenos. Para identificar los coeficientes de la serie primero se debe  encontrar  el  periodo  de  la  señal.  La  señal  x(t )   tiene  T = 2π ,  por  lo  cual  Ω 0 = 1 .  El  término independiente corresponde al valor medio o nivel DC de la señal, entonces    a0 = 1 / 2       El coeficiente  an  acompaña al  cos( nΩ 0t )  en la serie trigonométrica. Para nuestra señal  el coeficiente  an  acompaña al  cos( nt ) , por lo cual    1 cos( 2t ) ⇒ n = 2 ⇒ a2 = 1 / 2 2     cos(3t ) ⇒ n = 3 ⇒ a3 = 1     De forma similar, el coeficiente  bn  acompaña al  cos( nΩ 0t )  en la serie trigonométrica.  Para nuestra señal el coeficiente  bn  acompaña al  sin( nt ) , por lo cual   

2A sin( nτ )   nπ bn = −2 Im{cn } = 0  
an = 2 Re{cn } =

102

Series de Fourier 

 

Análisis de Fourier 

  sin(t ) ⇒ n = 1 ⇒ b1 = 1     Por  tal  motivo  los  coeficientes  de  la  serie  trigonométrica  son  a0 = 1 / 2 ,  a2 = 1 / 2 ,  a3 = 1   y  b1 = 1 ;  los  demás  coeficientes  son  cero.  Los  coeficientes  de  la  serie  exponencial  se  encuentran  a  partir  de  los  de  la  serie  trigonométrica.  Para  el  valor  medio  se  tiene    que  c0 = a0 = 1 / 2 .  Dado  que  cn = 1 ( an − jbn ), para n > 0 ,  entonces  2 * c1 = − j / 2 ,  c2 = 1 / 4   y  c3 = 1 / 2 .  Además  c− n = cn , para n > 0 ,  entonces  c−1 = j / 2 ,  c−2 = 1 / 4  y  c3 = 1 / 2 . Los demás coeficientes son cero. 
 

  4.2.2. Serie trigonométrica de Fourier para señales pares e impares    Conocer que una señal es par o impar es útil para agilizar el cálculo de los coeficientes  de la serie trigonométrica de Fourier cuando se toma el intervalo  [−T / 2, T / 2] . En este  caso la serie puede reducirse dependiendo si  x(t )  es par o impar.    4.2.2.1. x(t )  par    En este caso, el producto  x(t )sin( nΩ 0t )  es impar y los coeficientes  bn  son cero.    T /2 2   bn = x(t )sin( nΩ 0t ) dt = 0   4 3 T −T∫/ 2 14 244
impar

  El producto  x(t )cos( nΩ0t )  es par, por lo cual    T /2 T /2 2 4   an = x(t )cos( nΩ0t ) dt = ∫ x(t )cos( nΩ0t )dt   4 3 T −T∫/ 2 14 244 T 0
par

  Finalmente, dado que la señal  x(t )  es par, su valor medio puede encontrarse como    T /2 T /2 1 2   a0 = x(t ) dt = ∫ x(t )dt   T −T∫/ 2 { T 0 par   Por tal motivo, para una señal par la serie trigonométrica de Fourier es de la forma   
 

x(t ) = a0 + ∑ an cos( nΩ0t )  
n =1

     

103

Series de Fourier 

 

Análisis de Fourier 

4.2.2.2.

x(t )  impar 

  El producto  x(t )cos( nΩ0t )  es impar y los coeficientes  a n  son cero.    T /2 2   an = x(t )cos( nΩ 0t )dt = 0   T −T∫/ 2   El producto  x(t )sin( nΩ 0t )  es par, por lo cual    T /2 T /2 2 4 bn = x(t )sin( nΩ 0t )dt = ∫ x(t )sin( nΩ 0t )dt     244 3 T T −T∫/ 2 144 0
par

  Dado que la señal es impar, su valor medio es cero.    T /2 1   a0 = x(t ) dt = 0   T −T∫/ 2 { impar   Así, para una señal impar la serie trigonométrica de Fourier como es de la forma   
 

x(t ) = ∑ bn sin( nΩ0t )  
n =1

  Observación  4.5.  Para  representar  señales  pares  sólo  se  necesitan  lo  coeficientes  an ,  los  cuales  ponderan  cada  uno  de  los  cósenos  de  la  serie,  pues  la  serie  corresponde  a  una  señal  par  y  sólo  se  necesitan  señales  pares  para  su  representación. De forma similar para representar una señal impar sólo se necesitan  las señales seno, por lo cual sólo interviene los coeficientes  bn .   Ejemplo 4.13. Encuentre la serie trigonométrica de Fourier de la señal.     

 

⎧ π −π < t < 0 ⎪t + ⎪ x (t ) = ⎨ 2 ⎪− t + π 0 < t < π ⎪ 2 ⎩

 

 

104

Series de Fourier 

 

Análisis de Fourier 

Solución. Para esta señal  T = 2π , por lo cual  Ω 0 = 1 . Se sabe que  x(t )  es par, entonces  los coeficientes  bn  son cero y los demás coeficientes pueden encontrarse como         
 

2 a0 = T
an = 4 T

T /2

π π⎞ 1 ⎛ 1 ⎛ t2 π ⎞ x(t )dt = ∫ ⎜ − t + ⎟dt = ⎜ − + ⎟ = 0   ∫ 2⎠ π 0⎝ π ⎜ 2 2⎟0 ⎝ ⎠ 0

π

T /2


0

x(t )cos( nt )dt =
π

2 ⎛ π⎞ ∫ ⎜ −t + 2 ⎟ cos(nt )dt   π 0⎝ ⎠

π

 
 

an =

−2

π

π

∫ t cos(nt )dt + ∫ cos(nt )dt
0 0

⎧u = t dv = cos( nt )dt ⎪ ⎨ sin( nt )   du = dt v = ⎪ n ⎩

   

π π ⎤ sin( nt ) π −2 ⎡ t sin( nt ) 1   − ∫ sin( nt )dt ⎥ + an = ⎢ π ⎢ n n0 n 0 ⎥ 0 ⎣ ⎦

an =

π −2 ⎡ cos( nt ) ⎤ −2 [cos(nπ ) − cos(0)]   ⎢ ⎥= π ⎢ n 2 .0 ⎥ n 2π ⎣ ⎦

 

⎧ 4 ⎪ an = 2 [1 − cos( nπ )] = ⎨ n 2π nπ ⎪0 ⎩ 2

n impar n par

 

  La serie trigonométrica puede escribirse como    4 ∞ 1 4 ∞ 1 x(t ) =   ∑ n2 cos( nt ) = π ∑ (2n − 1)2 cos [(2n − 1)t ]   π n =1 n =1
n impar

 
 

Ejemplo 4.14. Encuentre la serie trigonométrica de Fourier de la señal     

π ⎧ ⎪−1 − 2 < t < 0 ⎪ x( t ) = ⎨ π ⎪1 0<t < ⎪ ⎩ 2
     

105

Series de Fourier 

 

Análisis de Fourier 

Solución. Para esta señal  T = π  por lo cual  Ω0 = 2 . Dado que  x(t )  es impar entonces  los coeficientes  an  y  a0  son cero. Los coeficientes  bn  pueden encontrarse como    T /2 π /2 4 4   bn = ∫ x(t )sin( nΩ 0 t ) = ∫ sin( n 2t )   T 0 π 0  

 

⎤ 2 [ − cos(nπ ) + cos(0)]   ⎥= ⎥ nπ ⎦ ⎧ 4 n → impar 2 bn =   [1 − cos( nπ )] = ⎪ nπ ⎨ nπ ⎪0 n → par ⎩
π /2

4 ⎡ − cos( n2t ) bn = ⎢ 2n π⎢ 0 ⎣

  La serie trigonométrica puede escribirse como:    ∞ 4 4 ∞ sin [( 2n − 1)2t ]     x(t ) = ∑ sin( n 2t ) = ∑ π n =1 2n − 1 n =1 nπ
n impar
 

  4.2.3. Teorema de Parseval para la serie trigonométrica de Fourier    La  potencia  promedio  de  una  señal  periódica  puede  ser  encontrada  utilizando  los  coeficientes  de  la  serie  exponencial  de  Fourier.  Conociendo  la  relación  entre  los  coeficientes  de  la  serie  exponencial  y  la  serie  trigonométrica,  podemos  encontrar  la  potencia promedio de la señal por medio de esta última, como   
1 1 ∞ 2 2 P = ∫ x(t ) dt = a0 + ∑ an 2 + bn 2   2 n =1 T 0
T

(

)

  Demostración.     

P=

n =−∞

cn =

2

n =−∞

−1

cn + c0 + ∑ cn  
2 2 2 n =1

  * Dado  que  x(t )   es  real  se  tiene  que  cn = c− n .  Todo  número  complejo  tiene  magnitud 
* igual a su conjugado, por lo cual   cn = cn = c− n ; así podemos reescribir 

     

P=

n =−∞ 2

−1

c− n + c0 + ∑ cn  
2 2 2 n =1 ∞ 2

P = c0 + 2∑ cn  
n =1

106

Series de Fourier 

 

Análisis de Fourier 

Conociendo que  c0 = a0  y  cn = 1 ( an − jbn ) , para  n > 0 , se tiene  2         El valor medio de la señal real  x(t )  es un valor real, por lo cual  a0 = a0 2  y la potencia  promedio puede escribirse como 
     
2

P = a0 + 2∑ ( an − jbn ) = a0 + 2∑ 1 an − jbn   4
2 n =1 ∞ 1 2 2 2 2

P = a0 +

2

1 ∑ 2 n =1

(

2 an + bn2


2

n =1

P = a0 2 +

1 ∞ 2 ∑ an + bn2 2 n =1

(

   

Ejemplo  4.15.  Encuentre,  utilizando  el  teorema  de  Parseval  para  la  serie  trigonomé‐ trica, la potencia promedio de la señal  x(t ) = 1 + 1 cos( 2t ) + sin(t ) + cos(3t ) .  2 2   Solución. La señal ya se encuentra expresada como una serie trigonométrica, entonces    1 ∞ 2   P = a0 2 + ∑ an + bn2   2 n =1   2 2 ⎤ 11 ⎛ 1 ⎞ 1 ⎡⎛ 1 ⎞   P = ⎜ ⎟ + ⎢⎜ ⎟ + 12 + 12 ⎥ =   ⎝ 2 ⎠ 2 ⎢⎝ 2 ⎠ ⎥ 8 ⎣ ⎦   Ejemplo  4.16.  Encuentre  la  energía  promedio  de  la  señal  sinusoidal  x(t ) = A sin(Ωt ) ,  donde  Ω ∈ R * , usando el teorema de Parseval para la serie trigonométrica de Fourier.    Solución. Para este caso el valor medio de la señal es cero y  Ω0 = Ω , por lo cual sólo  existe el coeficiente  b1 = A  de la serie trigonométrica. La potencia promedio es    1 ∞ 2 P = a0 2 + ∑ an + bn2     2 n =1   1 A2     P = b12 = 2 2   Este  resultado  concuerda  con  el  obtenido  utilizando  el  teorema  de  Parseval  para  la  serie exponencial, para la potencia promedio de la señal sinusoidal.   

(

)

(

)

107

Series de Fourier 

 

Análisis de Fourier 

4.3. Aplicaciones de las series de Fourier    4.3.1. Análisis de señales periódicas    Una  señal  periódica,  que  cumple  las  condiciones  de  Dirichlet,  puede  representarse  como  una  serie  exponencial  de  Fourier  y  en  el  caso  de  ser  real  también  puede  representarse como una serie trigonométrica. La serie de Fourier brindan  información  importante acerca de la señal periódica.     Valor medio o promedio de la señal    VM = c0 = a0  
 

Espectro de Fourier    Grafico de  cn vs nΩ 0     El  espectro  da  información  acerca  de  las  componentes  de  frecuencia  presentes  y  su  participación en la señal. 
 

Potencia promedio    En  el  caso  en  el  cual  la  señales  corresponden  a  señales  de  voltaje  o  corriente,  los  coeficientes de la serie de Fourier nos dan información sobre la cantidad de potencia  de la señal por unidad de tiempo.    ∞ 1 ∞ 2 2 2   P = ∑ cn = a0 + ∑ ( an + bn2 )   2 n =1 n =−∞   4.3.2. Convolución circular continúa    Definición  4.3.  Sean  x(t )   y  y(t )   dos  señales  periódicas,  de  periodo  T ,  entonces  la  convolución circular entre ellas se define como    T T 1 1 h(t ) = [ x ⊗ y ] (t ) = ∫ x(τ ) y(t − τ )dτ = ∫ x(t − τ ) y(τ )dτ   T 0 T 0   La convolución circular  h(t ) , también una señal con periodo  T , indica la cantidad de  traslape  entre  la  señal  x(t )   y  una  versión  reflejada  y  trasladada  de  y(t ) ,  sobre  un  intervalo de longitud  T . Debido a que las señales  x(t )  y  y(t )  son periódicas, a medida  que  una  de  las  señales  se  desplaza  sobre  la  otra  el  traslape  entre  las  señales  es  periódico,  con  periodo  T .  Recuerde  que  al  desplazar  una  señal  de  periodo  T   una 

108

Series de Fourier 

 

Análisis de Fourier 

cantidad de tiempo  τ  que es múltiplo entero de  T , se obtiene exactamente la misma  señal y por ende el mismo traslape.    Ejemplo  4.17.  Consideremos  dos  señales  periódicas  x(t )   y  y(t ) ,  de  periodo  T .  Una  señal triangular y un tren de pulsos, como se ilustra en la Figura 4.4.     

        
 

 

Figura 4.4. Señales periódicas. 

    La señal  y (−τ )  corresponde a un versión reflejada de la señal  y (τ ) .     

 

 

Figura 4.5. Versión reflejada de la señal y(t). 

    La convolución circular  h(t )  indica la cantidad de traslape, en un intervalo de longitud  T ,    entre  la  señal  x(τ )   y  una  versión  desplazada  en  t   de  la  señal  y (−τ ) ,  como  se  ilustra en la figura. El traslape en cualquier intervalo de longitud  T  es el mismo.     

 

 

Figura 4.6. Traslape entre las señales periódicas (en gris). 

    Conociendo que la convolución circular  h(t )  entre dos señales  x(t )  y  y (t ) , de periodo  T , es también una señal periódica con periodo  T , puede expresarse como 

109

Series de Fourier 

 

Análisis de Fourier 

      donde  Ω 0 =    
rn = 1 h(t )e − jnΩ0t dt    T∫ 0
T

h(t ) =

n = −∞

∑r e
n

jnΩ 0t

 

2π   y los coeficientes de la serie exponencial pueden encontrarse como  T

  Para  esta  representación  es  necesario  conocer  la  señal  h(t ) .  No  obstante,  los  coeficientes  rn  pueden encontrarse de forma directa si se conocen los coeficientes de  la series exponenciales de las señales  x(t )  y  y (t ) .    Propiedad 4.4. Los coeficientes de la serie exponencial de la convolución circula  h(t )   pueden encontrarse como  rn = cn d n , donde  cn  y  d n  son los coeficientes de las series  exponenciales de la señales  x(t )  y  y (t ) , respectivamente.     Demostración.  Las señales  x(t )  y  y (t )  al ser periódicas pueden expresarse como     T ∞ 1 jnΩ 0t   x(t ) = ∑ c n e   con  c n = ∫ x(t )e − jnΩ0t dt   T 0 n = −∞  

y (t ) =

n = −∞

∑ d n e jnΩ0t  

con 

dn =

1 − jnΩ t ∫ y(t )e 0 dt   T 0

T

  Por tal motivo podemos reescribir  h(t )  como    T T 1 1 ⎡ ∞ ⎤   h(t ) = ∫ x(t − τ ) y (τ )dτ = ∫ ⎢ ∑ cn e jnΩ0 ( t −τ ) ⎥ y (τ )dτ   T 0 T 0 ⎣ n =−∞ ⎦    
⎡1 T ⎤ h(t ) = ∑ ⎢ ∫ y (τ )e − jnΩ0τ dτ ⎥ cn e jnΩ0t   n =−∞ ⎣ T 0 ⎦

h(t ) =

n =−∞

∑cde
n n

jnΩ0t

⇒ rn = cn d n                                                                             ■ 

  Ejemplo  4.18.  Encuentre  la  convolución  circular  entre  las  señales  x(t ) = sin(t )   y  y(t ) = 1 + cos(t ) .    Solución. Las señales  x(t )  y  y(t )  tiene periodo  T = 2π , por lo cual   Ω 0 = 1 . La señal  x(t )  puede expresarse como una serie exponencial, de acuerdo a 

110

Series de Fourier 

 

Análisis de Fourier 

 

x(t ) = sin(t ) =

− j jt j − jt e + e   2 2

  cuyos  coeficientes  son  c1 = − j / 2 y c−1 = j / 2 .  La  señal  y (t )   puede  expresarse  también como una serie exponencial, de la forma    1 1   y(t ) = 1 + cos(t ) = 1 + e jt + e − jt   2 2   cuyos  coeficientes    son  d 0 = 1, d1 = 1/ 2 y d −1 = 1/ 2 .  La  serie  exponencial  de  la  convolución circular entre las señales periódicas es     

h(t ) =

n =−∞

∑ re
n

jnt

 

  donde  rn = c n d n . Utilizando los coeficientes obtenidos para  x(t )  y  y (t )  se tiene      r0 = c0 d 0 = 0  
 

 
 

r1 = c1d1 = − j / 4  

  r−1 = c−1d −1 = j / 4     Por tal motivo, la convolución circular puede obtenerse como    − j jt j − jt   h(t ) = r1e jt + r−1e − jt = e + e   4 4
 

 
 

h(t ) =

1 ⎡ e jt − e − jt ⎤ 1 ⎢ ⎥ = sin(t )   2⎣ 2j ⎦ 2

  4.3.3. Oscilaciones forzadas    Considere un sistema masa‐resorte, al cual le es aplicada un fuerza externa  F (t ) .     

 

 

Figura 4.7. Sistema masa‐resorte amortiguado. 

111

Series de Fourier 

 

Análisis de Fourier 

El término  k  es la constante del resorte,  c  la constante de fricción de la superficie,  m   la masa del objeto y  x  su posición horizontal.     La  sumatoria  de  fuerza  en  el  sistema  físico  debe  ser  igual  a  cero,  por  lo  cual  fuerza  externa aplicada  F (t )  debe ser igual a la fuerza del objeto, más la fuerza de fricción de  la superficie, más la fuerza de oposición del resorte al movimiento. La fuerza que actúa  sobre un objeto es directamente proporcional a su masa y a su aceleración. La fuerza  de fricción es directamente proporcional al coeficiente de fricción y a la velocidad del  objeto.  La  fuerza  en  el  resorte  es  directamente  proporcional  a  su  constante  por  su  desplazamiento. Así, la sumatoria de fuerzas del sistema puede expresarse en función  de la posición del objeto,  x(t ) , como   

m x(t ) + c x(t ) + kx(t ) = F (t )  
  donde cada punto representa una derivada con respecto al tiempo. Si la fuerza externa  F (t )   es  periódica  y  la  constante  de  fricción  no  es  cero,  la  respuesta  del  sistema  en  estado estable es oscilatoria con frecuencia igual a la frecuencia fundamental de  F (t ) .    Suponga que la fuerza externa aplicada corresponde a una señal sinusoidal, entonces      m x(t ) + c x(t ) + kx(t ) = D cos(Ωt )     La solución  x(t )  del sistema esta formada por dos soluciones,  x(t ) = xH (t ) + xP (t ) . La  solución  xH (t )   es  la  solución  homogénea  (solución  transitoria)  y  corresponde  a  la  solución diferencial homogénea    
.. .

..

.

m x(t ) + c x(t ) + kx(t ) = 0       La solución general de esta ecuación es de la forma  xH (t ) = c1e r1t + c2 e r2t , donde  r1  y  r2   son las raíces de la ecuación característica      mr 2 + cr + k = 0     Las raíces de este polinomio están dadas por   
 
r1,2 = −c ± c 2 − 4mk   2m

..

.

  Motivo por el cual, las raíces  r1  y  r2  se encuentran en alguno de estos dos casos    Ambas negativas ( r1 , r2 < 0 ). 

112

Series de Fourier 

 

Análisis de Fourier 

Complejas conjugadas con parte real negativa.    En cualquiera de los casos,   lim x H (t ) = 0 , entonces   lim x(t ) = xP (t ) . 
t →∞
t →∞

  Por  tal  motivo,  en  estado  estable  x(t )   es  igual  a  la  solución  particular.  La  solución  particular  xP (t )   se  escoge  de  acuerdo  a  la  ecuación  en  particular,  en  este  caso  de  acuerdo a la fuerza externa  F (t ) . Dado que la fuerza externa es una función sinusoidal  x(t )  debe serlo también, pues su derivadas debe ser iguales a  D cos(Ωt ) , por lo cual  se la solución particular tiene la forma    xP (t ) = A cos(Ωt ) + B sin(Ωt )       Las constantes  A  y  B  pueden encontrarse haciendo   
m x P (t ) + c x P (t ) + kx P (t ) = D cos(Ωt )       de lo cual se obtiene    D( k − mΩ 2 ) A=     ( k − mΩ 2 )2 + (cΩ )2   DΩc     B= ( k − mΩ 2 )2 + (cΩ)2   Conociendo la solución particular se tiene que la solución del sistema es    x(t ) = A cos(Ωt ) + B sin(Ωt )       Si  la  fuerza  externa  F (t )   es  periódica,  puede  expresarse  como  una  serie  trigonométrica    
.. .

 

F (t ) = a0 + ∑ an cos( nΩ0t ) + ∑ bn sin( nΩ0t )  
n =1 n =1

  Dado  que  ya  conocemos  la  solución  del  sistema  si  la  fuerza  externa  es  una  función  sinusoidal,  la  solución  general  del  sistema  ante  cualquier  fuerza  externa  periódica  puede  ser  encontrada,  la  solución  a  cada  una  de  las  componentes  de  F (t )   y  posteriormente realizar su superposición.    

113

Series de Fourier 

 

Análisis de Fourier 

  Ejemplo  4.19.  Considere  un  sistema  masa‐resorte  con  m = 1gr ,  c = 0.02 gr / s   y  k = 25 gr / s 2 .  Encuentre  la  posición  del  objeto,  x(t ) ,  en  estado  estable  si  la  fuerza  externa aplicada es la que se ilustra en la Figura.     

π ⎧ t+ ⎪ ⎪ 2 F (t ) = ⎨ ⎪ −t + π ⎪ 2 ⎩
   

−π < t < 0 0<t<π

    Solución. La ecuación para este sistema es   
.. .

  x(t ) + 0.02 x(t ) + 25 x(t ) = F (t )     La fuerza externa  F (t )  tiene periodo  T = 2π , por lo cual  Ω 0 = 1 , y puede expresarse  cono una serie trigonométrica de la forma    ∞ 4 1 4⎛ 1 1 ⎞ F (t ) =   ∑ n2 cos(nt ) = π ⎜ cos(t ) + 9 cos(3t ) + 25 cos(5t )... ⎟   π n =1 ⎝ ⎠
n = impar

  Encontremos la solución de la ecuación del sistema para cada una de las componentes  de la fuerza  F (t ) , cada una de las cuales es de la forma  4 cos( nt ) / n 2π , con  n  impar.  Consideremos las ecuaciones diferenciales de la forma    .. . 4   x(t ) + 0.02 x(t ) + 25 x(t ) = 2 cos( nt )   nπ   El  lado  derecho  de  esta  ecuación  corresponde  a  nuestra  función  sinusoidal  general  para  D = 4 / n 2π  y  Ω = n . La solución para un valor de  n  dado es      xn (t ) = An cos( nt ) + Bn sin( nt )     donde   

114

Series de Fourier 

 

Análisis de Fourier 

     

( 25 − n 2 ) An = 2   n π ( 25 − n 2 )2 + (0.02n )2 4

Bn =

0.02n   n π ( 25 − n ) + (0.02n)2
2 2 2

4

  Entonces, la respuesta general del sistema puede escribirse como              4.4. Resumen    • Los  exponenciales  complejos  forman  las  bases  ortogonales  elegidas  en  la  representación de señales en la teoría de Fourier. Al realizar la descomposición de  una  señal  en  términos  de  exponenciales  complejos  se  pueden  conocer  las  componentes de frecuencia presentes y la respuesta de un sistema LTI.    • La representación de una señal utilizando un conjunto contable de exponenciales  complejos se conoce como serie exponencial de Fourier.    • Un  conjunto  de  exponenciales  de  la  forma  e jnΩ0t ,  con  n ∈ Z ,  son  mutuamente  ortogonales  en  un  intervalo  [t1 , t2 ]   si  Ω0 = 2π /(t2 − t1 ) .  Dicho  conjunto  de  exponenciales  complejos  forma  una  base  ortogonal  para  el  espacio  vectorial  formado por las señales con energía finita en dicho intervalo (finito).    • Para  expresar  una  señal  periódica  como  una  serie  exponencial  de  Fourier  es  suficiente  representar  un  intervalo  de  longitud  el  periodo,  de  esta  forma  la  serie  converge a la señal para todos los valores de tiempo.    • Los  coeficientes  de  la  serie  exponencial  de  Fourier  dan  información  de  las  componentes de frecuencia presentes en la señal. El coeficiente  cn  da información  de la frecuencia  nΩ0  en la señal y pondera la participación del exponencial  e jnΩ0t   en la representación de la misma.     • El grafico de la magnitud de los coeficientes contra la frecuencia se conoce como  Espectro  de  Fourier.  Esta  visualización  permite  conocer  las  componentes  de  frecuencia presentes en la señal.   

x( t ) =

n =1 n = impar

xn (t ) =

n =1 n = impar

An cos( nt ) + Bn sin( nt )  

115

Series de Fourier 

 

Análisis de Fourier 

El  teorema  de  Parseval  para  la  serie  exponencial  establece  que  la  potencia  promedio  de  una  seña  periódica  puede  ser  encontrada  sumando  los  coeficientes  de la serie exponencial en magnitud al cuadrado.  Si  se  desea  representar  una  señal  real  es  suficiente  utilizar  una  base  ortogonal  formada  por  señales  reales.  La  señales  de  la  forma  cos( nΩ 0t )   y  sin( nΩ0t ) ,  con  n ∈ Z ,  son  mutuamente  ortogonales  en  un  intervalo  [t1 , t2 ]   si  Ω0 = 2π /(t2 − t1 ) .  Dicho  conjunto  de  señales  forma  una  base  ortogonal  para  el  espacio  vectorial  formado por las señales con energía finita en dicho intervalo (finito).  La  representación  de  señales  en  términos  de  funciones  seno  y  coseno  se  conoce  como  serie  trigonométrica  de  Fourier.  Si  la  señal  es  par  son  sólo  necesaria  las  señales  coseno  para  su  representación,  en  cambio,  si  la  señal  es  impar  es  solo  necesario utilizar las señales seno para su representación.      4.5. Ejercicios 

  •

  •

  Sección 4.1‐4.3    1. Encuentre los coeficientes de la serie exponencial de Fourier, de la señal periódica   

      2. Usando la serie exponencial de Fourier represente la señal periódica   

x(t ) = e − t

0 < t <1

      3. Usando  la  serie  trigonométrica  de  Fourier,  represente  la  señal  de  salida  de  un  rectificador de media onda ( y(t )  en la siguiente figura), si la señal de entrada es  x(t ) = sin(t ) .   

116

Series de Fourier 

 

Análisis de Fourier 

y (t ) = sin(t )

0 < t <1

         4. Obtenga  la  serie  exponencial  de  Fourier  de  la  secuencia  de  impulsos  de  peso  unitario, que se ilustra en la figura.     

      5. Exprese  la  señal  x(t ) = 1 + sin 2 t − cos 2 t + 2 sin t + 3 cos(3t )   como  una  serie  2 exponencial de Fourier e identifique los coeficientes de Fourier. Determine el valor  medio de la señal.    6. La serie exponencial de una señal  x(t ) , con periodo  T , en un intervalo  [0, T ]  es    ∞ ⎡ ⎤ 3 x( t ) = ∑ ⎢ e jnπ t ⎥   2 n =−∞ ⎣ 4 + (π n ) ⎦   a. Determine el valor de  T   b. ¿Cual es el valor medio de  x(t ) ?  c. La  componente  de  x(t )   en  cierta  frecuencia  puede  expresarse  como  a cos(3πt ) . Determine el valor de  a .    7. Encuentre la componente de frecuencia  5π , de la señal periódica del Punto 1.      Sección 4.4    8. Grafique el espectro de Fourier de la señal del Punto 5.    9. Utilizando  Matlab,  grafique  el  espectro  de  Fourier  de  la  señal  de  salida  del  rectificador de media onda (Punto 3), para ello tome sólo los coeficientes  cn  con  n ≤ 20 . Grafique la señal utilizando sólo estos coeficientes en la serie exponencial. 

117

Series de Fourier 

 

Análisis de Fourier 

Sección 4.5    10. Utilizando el Teorema de Parseval para la serie exponencial, encuentre la potencia  promedio de la señal periódica del Punto 5.    11. Aproxime  la  potencia  promedio  de  la  señal  periódica  del  Punto  2  utilizando  los  coeficientes de la serie exponencial con  n ≤ 10 . A qué porcentaje de la verdadera  potencia promedio de la señal corresponde esta aproximación?    12. Que  porcentaje  de  la  potencia  promedio  de  la  señal  periódica  del  Punto  2,  se  encuentra contenido en las componentes de la señal con frecuencia menor igual a  10π  rad/s?    13. Suponga  que  un  señal  periódica  tiene  coeficientes  de  la  serie  exponencial  de  n Fourier dados por  cn = 0.5 . Encuentre la potencia promedio de la señal.      Sección 4.6    14. Demuestre que  si para  x(t )  se tiene los coeficientes  c n  para la serie exponencial  * de Fourier entonces para  x * (t )  se tienen los coeficientes  c −n .    * 15. Demuestre que  si  x(t )  es real entonces  c n = c − n .    16. Demuestre que si  x(t )  real entonces  Re{cn }  es  par y  Im{cn }  es impar      Sección 4.7    17. Usando  la  serie  trigonométrica  de  Fourier  represente  la  señal  de  salida  de  un  rectificador de onda completa ( y(t )  en la Figura), si la entrada es  x(t ) = sin(π t ) .     

      18. Usando la serie trigonométrica de Fourier, represente la siguiente señal periódica   

118

Series de Fourier 

 

Análisis de Fourier 

 

      19. Encuentre  los  coeficientes  de  la  serie  trigonométrica  de  la  señal  periódica  del  Punto 1.    20. Encuentre la serie trigonométrica de Fourier de la señal periódica del Punto 2.    21. Encuentre la serie trigonométrica de Fourier de la señal del Punto 5.      Sección 4.8    22. Represente la señal  x(t ) = sin( 2t ) + cos( 4t ) + 2 sin( −8t )  como una serie exponencial  de  Fourier.  Identifique  los  coeficientes  cn   y  a  partir  de  ellos  obtenga  los  coeficientes de la serie trigonométrica.    23. Represente la señal  x(t ) = sin 2 ( 2t ) − cos(3t ) + cos(t )  como una serie trigonométrica  de Fourier, identifique los coeficientes y a partir de ellos obtenga los coeficientes  de la serie exponencial.      Sección 4.10    24. Utilizando  el  Teorema  de  Parseval  para  la  serie  trigonométrica,  encuentre  la  potencia promedio de la señal periódica del Punto 5.    25. Aproxime  la  potencia  promedio  de  la  señal  periódica  del  Punto  2  utilizando  los  coeficientes  de  la  serie  trigonométrica  con  n ≤ 10 .  A  qué  porcentaje  de  la  verdadera potencia promedio de la señal corresponde esta aproximación? 

119

Series de Fourier 

 

Análisis de Fourier 

ESTA PÁGINA SE DEJA INTENCIONALMENTE EN BLANCO                     

120

5 TRANSFORMADA DE FOURIER
  5.1. Deducción de la transformada de Fourier L1    Hasta  este  punto  hemos  podido  representar  una  señal  x(t )   sobre  un  intervalo  de  longitud finita  [t1 , t2 ] , utilizando la serie exponencial de Fourier, mediante     

x( t ) =

n =−∞

∑ce
n

jnΩ0t

t1 < t < t2  

  donde las funciones  {e jnΩ0t }  forman una base ortogonal en  [t1 , t2 ]  y los coeficientes  cn   pueden ser encontrados de acuerdo a 
 

 
 

1 cn = t 2 − t1

t2

∫ x (t ) e
t1

− jn Ω 0 t

dt ,

Ω0 =

2π   t 2 − t1

En este caso la serie converge a la señal  x(t )  en el intervalo  [t1 , t2 ]  (en los puntos de  discontinuad  de  x(t )   converge  al  promedio  de  la  discontinuidad).  Sin  embargo,  por  fuera de este intervalo, la serie no necesariamente converge a  x(t ) .    Si la señal  x(t )  es periódica y el intervalo  [t1 , t2 ]  se elige de longitud igual al periodo  T   de la señal, la serie converge a la señal para todos los instantes de tiempo.      5.1.1. Representación de señales no periódicas    Suponga  que  se  quiere  representar  una  señal  no  periódica  x(t )   como  una  suma  de  exponenciales complejos en el intervalo  ( −∞, ∞ ) . En este caso no se puede utilizar de  forma directa la serie exponencial de Fourier, pues  t2 − t1 = ∞  y  Ω0 = 0 .    Sin  perdida  de  generalidad  suponga  que  la  señal  x(t )   tiene  soporte  compacto.  Generamos a partir de  x(t )  una señal periódica  xT (t ) , la cual es forzada a repetirse, de  forma simétrica con respecto al origen, cada  intervalo de tiempo  T .    

 

 

Figura 5.1. Señal no periódica. 

Transformada de Fourier 

 

Análisis de Fourier 

 

 

Figura 5.2. Señal periódica. 

    La señal original  x(t )  puede recuperarse a partir de la señal periódica haciendo    lim xT = x(t )    
T →∞

  Cuando el periodo  T  tiende a infinito, los vecinos de la señal original se desplazan al  infinito y se obtiene la señal no periódica  x(t ) .  La señal  xT (t ) , por ser periódica, tiene  serie exponencial de Fourier dada por        donde     
1 − jnΩ t cn = ∫/ 2 xT (t )e 0 dt , T −T
T /2

xT (t ) =

n =−∞

∑ce
n

jnΩ0t

 

Ω0 =

2π   T

  Para una señal periódica  xT (t )  en particular, se tiene su espectro de Fourier.     

 

 

Figura 5.3. Espectro de Fourier de una señal periódica. 

    Definamos las funciones  Ω n = nΩ 0  y   X (Ω n ) = Tcn , entonces la serie de Fourier de la  señal periódica  xT (t )  puede reescribirse como 

122

Transformada de Fourier 

 

Análisis de Fourier 

      donde   
T /2

xT (t ) =

n =−∞

X ( Ω n ) jΩn t e     T

 

 

 

X (Ω n ) =

−T / 2

xT (t )e − jΩnt dt  

  Sea  ∆Ω  el espaciamiento entre las componentes de frecuencia presentes en la señal  xT (t ) .  El  espaciamiento  ∆Ω   es  igual  a  la  frecuencia  fundamental  Ω0 ,  pues  las  componentes de frecuencia presentes en la señal periódica son de la forma  nΩ0 . Por  tal motivo,  ∆Ω = 2π / T  y reemplazando en la serie exponencial, se tiene    ∞ X ( Ω n ) jΩ n t 1 ∞    xT (t ) = ∑ e = ∑ X (Ωn )e jΩnt ∆Ω   2π n =−∞ n =−∞ 2π / ∆Ω   Al hacer  T  muy grande,  ∆Ω se hace muy pequeño y el espectro de Fourier de la señal  xT (t )  se vuelve más denso, como se ilustra en la Figura 5.4.     

 

 

Figura 5.4. Espectro de Fourier de la señal periódica para T grande. 

    En el límite cuando  T → ∞ , la señal  xT (t )  llega a ser la señal  x(t ) , por lo cual    1 ∞   x(t ) = lim xT (t ) = lim ∑ X (Ωn )e jΩnt ∆Ω   T →∞ T →∞ 2π n =−−∞   En  el  limite  cuando  T → ∞   el  espaciamiento  entre  frecuencias  ∆Ω → 0   y  las  componentes discretas del espectro de Fourier  se unen y forman un continuo. Por tal  motivo la variable discreta  Ω n  llega a ser la variable continua  Ω  y la suma discreta,  con diferencial  ∆Ω , llegar a ser una suma continua (integral) de la forma 

123

Transformada de Fourier 

 

Análisis de Fourier 

    donde   

1 x (t ) = 2π

−∞

∫ X (Ω)e

j Ωt

dΩ  

 

X (Ω) =

−∞

∫ x(t )e

− j Ωt

dt  

  De  esta  forma  pudimos  representar  nuestra  señal  x(t )   para  todos  los  valores  del  tiempo. La señal  X (Ω)  se conoce como la transformada de Fourier  L1  de  x(t ) .      5.2. Transformada de Fourier L1    Sea  x(t ) ∈ L1 , entonces su transformada de Fourier puede ser encontrada como   

ℑ{ x(t )} = X (Ω) =
 

−∞

∫ x(t )e

− j Ωt

dt        

donde  ℑ{⋅} = ∫ ⋅ e − jΩt dt , es el operador que calcula la transformada de Fourier.  
−∞

  Si  la  transformada  de  Fourier  X (Ω)   de  una  señal  pertenece  a  L1   entonces  la  señal  puede expresarse como una suma continua de exponenciales complejos de la forma   

1 ℑ { X (Ω )} = x(t ) = 2π
−1

−∞

∫ X (Ω)e

j Ωt

dΩ  

  Esta  ecuación  se  conoce  como  la  transformada  inversa  de  Fourier  L1   y  permite  recuperar una señal a partir de su transformada.     El operador   ℑ−1{⋅} =
1 2π

−∞

⋅ e jΩt dt ,  calcula la transformada inversa de Fourier de una 

transformada  X (Ω)  que pertenece a  L1 .    Observación 5.1. Las integrales anteriores permiten encontrar la transformada y la  transformada inversa de Fourier, respectivamente, de señales en  L1 . Las integrales  anteriores no necesariamente convergen para señales que no pertenecen a  L1 .    
 

 

Ejemplo 5.1. Encuentre la TF de la señal   x(t ) = e − at u (t ) , donde a ∈ R + . 

124

Transformada de Fourier 

 

Análisis de Fourier 

⎧ 0 x(t ) = ⎨ − at ⎩e

t<0 t >0

      Solución. Primero se debe verificar que la señal pertenece a  L1 .   

 

x (t ) 1 =

−∞

e − at x(t ) dt = ∫ e dt = a 0
− at

0

=

1 1 ⎡1 − e −∞ ⎤ = ∈ R ⇒ ⎣ ⎦ a a

x(t ) ∈ L1  

  La señal pertenece a  L1 , entonces su transformada de Fourier es encontrada como   

     

X (Ω) =

−∞

∫ x(t )e

− j Ωt

dt = ∫ e e
0

− at − jΩt

dt = ∫ e
0

− t ( a + jΩ )

dt =

− t ( a + jΩ ) 0

a + jΩ ∞

=

1   a + jΩ

 

           

 

Figura 5.5. Transformada de Fourier de la señal: grafico complejo y magnitud.     

Ejemplo 5.2. Encuentre la transformada de Fourier de un pulso de ancho 2 a , donde  a ∈ R + , centrado en el origen.     

⎧1 − a < t < a x(t ) = ⎨ ⎩0 otro caso

 

125

Transformada de Fourier 

 

Análisis de Fourier 

Solución. Primero se debe verificar que la señal pertenece a  L1 .   

 

x (t ) 1 =

−∞

x(t ) dt =

−a

∫ dt = 2a ∈ R

a

x(t ) ∈ L1

 

  La señal pertenece a  L1 , entonces su transformada de Fourier es encontrada como   

 
 

X (Ω) = X (Ω) = X (Ω) =

−∞

∫ x(t )e

− j Ωt

dt =

−a

∫e

a

− jΩt

e − jΩt dt = jΩ

−a

=
a

1 ( e jΩa − e− jΩa )   jΩ

 
 

2 2 ( e jΩa − e− jΩa ) = Ω [sin(Ωa )]   2 jΩ 2a sin(Ωa ) = 2a sinc(Ωa )   aΩ

     

 

 

Figura 5.6. Transformada de Fourier de la señal. 

    La señal  sinc(t )  se define como el seno sobre su argumento, es decir     sin(t )     sinc(t ) = t   La  señal  sinc(t )   presenta  su  máximo  para  t = 0   y  posteriormente  cae  oscilando  a  medida que la magnitud del tiempo aumenta. La frecuencia de oscilación de la señal  sinc(t ) , puede variarse modificando su argumento, de la forma  sinc( at ) . En este caso,  la señal corta el eje horizontal en los valores del tiempo dados por  t = ( nπ / a ) , donde  n ∈ Z* . El máximo de la señal  sinc( at )  está dado como    sin( at ) a cos( at )   = lim = 1  lim sinc( at ) = lim t →0 t →0 t →0 at a

126

Transformada de Fourier 

 

Análisis de Fourier 

Ejemplo 5.3. Encuentre la transformada inversa de Fourier de la señal      

X (Ω) = Ω [u(Ω + 3) − u(Ω − 3)]

      Solución. Encontremos primero la norma  L1  de  X (Ω)    

X (Ω) 1 =

−∞

X (Ω) d Ω =

−3

∫ Ω d Ω = 2 ∫ Ωd Ω = 9
0

3

3

X (Ω ) ∈ L1  

  La transformada inversa de Fourier de  X (Ω )  puede ser encontrada como   
1 x( t ) = 2π
 

1 j Ωt ∫ X (Ω)e d Ω = 2π −∞ ⎛ Ωe jΩt ⎜ ⎜ jt ⎝
3 3

−3

∫ Ωe

3

jΩt

dΩ

⎧ u=Ω ⎪ ⎨ j Ωt ⎪dv = e ⎩

du = d Ω v=
3

e jΩt jt

 

1 x( t ) = 2π
 

⎞ 1 ⎡1 e jΩt e j 3t ⎢ 3e j 3t + 3e − j 3t + 2 dΩ ⎟ = −∫ ⎟ 2π ⎢ jt jt t −3 −3 ⎠ ⎣

(

)

⎤ ⎥  ⎥ −3 ⎦

x( t ) =
 

1 ⎡ 3 j 3t − j 3 t 1 j 3t − j 3t ⎤ 1 ⎢ jt ( e + e ) + t 2 ( e − e ) ⎥ = π 2π ⎣ ⎦
j ⎡1 3 ⎤ ⎢ t 2 sin(3t ) − t cos(3t ) ⎥   π⎣ ⎦

⎡3 ⎤ j ⎢ jt cos(3t ) + t 2 sin(3t )⎥   ⎣ ⎦

x( t ) =

    5.2.1. Interpretación de la Transformada de Fourier L1    La  magnitud  de  X (Ω)   indica  que  componentes  de  frecuencia,  de  la  forma  e jΩt ,  se  encuentran presentes en la señal  x(t )  y en que proporción. Para cada valor de  Ω , la  señal  X (Ω)  contiene la información resultante de la comparación entre señal  x(t )  y  un  exponencial  complejo  de  frecuencia  Ω ,  como  se  ilustra  en  la  Figura  5.7.  La  línea 

127

Transformada de Fourier 

 

Análisis de Fourier 

continúa corresponde a la señal  x(t )  y la línea punteada a la parte real del exponencial  complejo de frecuencia  Ω .     

 

 

Figura 5.7. Comparación de la señal x(t)  y la parte real del exponencial complejo. 

    Si en algún intervalo de tiempo la señal  x(t )  y el exponencial complejo  e − jΩt  oscilan  con  la  misma  frecuencia,  entonces  tienen  una  fase  mutua  constante,  y  hacen  una  contribución no nula a  X (Ω) .     Por tal motivo, para un valor dado de  Ω ,  X (Ω)  indica “que tanto” de esa frecuencia  se encuentra presente en la señal. Dado que  X (Ω)  se define para todo valor real de  Ω , podemos conocer que frecuencias se encuentra presentes en la señal bajo análisis.    Por  otro  lado,  conociendo  la  participación  de  cada  frecuencia  podemos  expresar  la  señal  x(t ) , como una suma de componentes frecuenciales de la forma    ∞ 1 jΩt x(t ) =   ∫ X (Ω)e d Ω   2π −∞   donde  X (Ω)  pondera el aporte del exponencial de frecuencia  Ω  a la señal.      5.2.2. Convergencia de la Transformada de Fourier L1    En la definición de la transformada y  la transformada inversa de Fourier  L1 , se indicó  que su utilización se restringe a señales que pertenecen al conjunto  L1 . A continuación  revisaremos el por qué de esta restricción.    Propiedad  5.1.  Si  x(t ) ∈ L1   entonces  la  integral  de  la  transformada  de  Fourier  L1   converge para cualquier valor de  Ω .   

128

Transformada de Fourier 

 

Análisis de Fourier 

Demostración.    

X (Ω) =

−∞

x(t )e − jΩt dt ≤

−∞

x(t )e− jΩt dt ≤

−∞

x(t ) e− jΩt dt =

−∞

x(t ) dt = x(t ) 1  

  Para todo valor de  Ω  se cumple que  X (Ω ) ≤ x(t ) 1 . Por tal motivo, la magnitud de la  transformada de Fourier está acotada por la norma  L1  de la señal.                                  ■    Propiedad 5.2. Si  X (Ω) ∈ L1  entonces la integral de la transformada inversa de Fourier  L1  converge para cualquier valor de  t .    Demostración.   

1 x (t ) = 2π

1 ∫ X (Ω)e d Ω ≤ 2π −∞
j Ωt

−∞

X (Ω ) e

j Ωt

1 dΩ = 2π

−∞

X (Ω ) d Ω =

1 X (Ω ) 1   2π

  Para todo valor de  t  se cumple que  x(t ) ≤

1 2π

X (Ω ) 1 .                                                       ■ 

  Queda demostrado así que las integrales de Fourier pueden ser utilizadas para señales  en  L1  con certeza absoluta de su convergencia.    Observación 5.2.  Si  x(t ) ≠ L1  entonces  x(t ) 1 = ∞  y la desigualdad  X (Ω ) ≤ x(t ) 1  no tiene sentido. Por tal motivo, no se puede garantizar que las integrales de Fourier  convergen para señales no pertenecientes a  L1 .     5.2.3. Propiedades de la transformada de Fourier L1    El  conocimiento  de  las  propiedades  de  la  transformada  de  Fourier  permite  obtener  información importante en el análisis de una señal. En primer lugar, se puede observar  como  se  comportan  las  propiedades  frecuenciales  ante  diferentes  modificaciones  temporales sobre la señal original. En segundo lugar, se puede calcular de forma más  sencilla la transformada de Fourier de señales que corresponden a la modificación de  una  señal  cuya  transformada  ya  es  conocida.  Finalmente,  las  propiedades  permiten  relacionar la información en tiempo y frecuencia de una señal.    5.2.3.1. Linealidad: Superposición y homogeneidad   

 

 

ℑ{ax(t ) + by(t )} =

−∞

− j Ωt − jΩt − jΩt ∫ [ax(t ) + by(t )]e dt = a ∫ x(t )e dt + b ∫ y(t )e dt   −∞ −∞

129

Transformada de Fourier 

 

Análisis de Fourier 

     

ℑ{ax(t ) + by(t )} = aℑ{ x(t )} + bℑ{ x(t )} = aX (Ω) + bY (Ω )  
5.2.3.2.

Complejo conjugado 

 

ℑ{ x (t )} =
* *

−∞

∫ x (t )e
*

− j Ωt

dt =

−∞

∫ ⎡ x(t )e ⎣
*

j Ωt

⎡∞ ⎤ ⎤ dt = ⎢ ∫ x(t )e jΩt dt ⎥   ⎦ ⎣ −∞ ⎦
*

*

   

⎡∞ ⎤ ℑ{ x (t )} = ⎢ ∫ x(t )e − j ( −Ω )t dt ⎥ = X * ( −Ω)   ⎣ −∞ ⎦
Observación 5.3. La magnitud de la transformada de una función real es par, pues  x(t ) = x* (t )  y por ende  ℑ{ x* (t )} = ℑ{ x(t )} y  X ( −Ω ) = X (Ω ) .

  5.2.3.3. Simetría    La transformada de Fourier puede expresarse como   

 

 

X (Ω) =

−∞

∫ x(t )cos(Ωt )dt − j ∫ x(t )sin(Ωt )dt  
−∞

  Supongamos que  x(t )  es real, entonces   

       

Re{ X (Ω)} =

−∞

∫ x(t )cos(Ωt )dt  
∞ −∞

Im{ X (Ω)} = − ∫ x(t )sin(Ωt )dt   Re{ X (Ω)}  es par 

         

Re{ X (Ω )} =

−∞

x(t )cos(Ωt )dt =

−∞

∫ x(t )cos(−Ωt )dt = Re{ X (−Ω)}  

Im{ X (Ω)}  es impar  Im{ X (Ω)} = − ∫ x(t )sin(Ωt )dt =
−∞ ∞ ∞

−∞

∫ x(t )sin(−Ωt )dt = − Im{ X (−Ω)}  

X (Ω ) es par 

 

130

Transformada de Fourier 

 

Análisis de Fourier 

 

X (Ω ) = Re{ X (Ω )}2 + Im{ X ( −Ω )}2  

  Las funciones  Re{ X (Ω )}2  y  Im{ X (Ω)}2  son pares, la suma de señales pares es par y  la raíz cuadrada de una señal par es par.    ∠ X (Ω) es impar    ⎛ Im { x( −Ω)} ⎞ ⎛ ⎞ −1 − Im { x( Ω )} ∠ X ( −Ω) = tan −1 ⎜   ⎟ = tan ⎜ ⎜ Re { x( −Ω )} ⎟ ⎜ Re { x(Ω)} ⎟ ⎟ ⎝ ⎠ ⎝ ⎠
⎛ Im { x(Ω)} ⎞ ∠ X ( −Ω ) = − tan −1 ⎜ = −∠ X (Ω )   ⎜ Re { x(Ω)} ⎟ ⎟ ⎝ ⎠   Si  x(t )  es par entonces   

 

   

Re{ X (Ω )} =

−∞

x(t )cos(Ωt ) dt = 2 ∫ x(t )cos(Ωt )dt   14243
par 0

Im{ X (Ω)} = − ∫ x(t )sin(Ωt ) dt = 0   14243
−∞ impar

  En este caso la transformada es un señal real y puede encontrase como        Si  x(t )  es impar entonces   

X (Ω) = 2 ∫ x(t )cos(Ωt )dt  
0

   

Re{ X (Ω )} =

−∞

x(t )cos(Ωt ∫ 14243) dt = 0  
impar ∞ ∞

Im{ X (Ω)} = − ∫ x(t )sin(Ωt ) dt = −2∫ x(t )sin(Ωt )dt   14243
−∞ par 0

  En este caso la transformada es un señal imaginaria y puede encontrase como       
X (Ω) = −2 j ∫ x(t )sin(Ωt )dt  
0 ∞

131

Transformada de Fourier 

 

Análisis de Fourier 

5.2.3.4.

Dualidad 

  Si  la  transformada  de  Fourier  de  una  señal  en  el  tiempo  x(t )   es  la  señal  X (Ω) ,  entonces la transformada de la señal en el tiempo  X (t )  es la señal  2π x( −Ω) .     Suponga que ℑ{ x(t )} = X (Ω) , entonces 
 

 

1 x( t ) = 2π

−∞

∫ X (Ω) e

jΩt

dΩ  

  Ahora, intercambiando las variables  Ω  y  t  se tiene    ∞ 1 j Ωt x( Ω ) =   ∫ X (t )e dt   2π −∞   Reemplazando  Ω  por  −Ω , está ecuación puede reescribirse como     

2π x( −Ω) =

−∞

∫ X (t )e

− jΩt

dt  

  El lado derecho de esta ecuación corresponde a la transformada de Fourier de la señal  X (t ) , por tal motivo,    ℑ{ X (t )} = 2π x( −Ω)      

 

 

Figura 5.8. La transformada de un pulso es una señal sinc. 

   

 

 

Figura 5.9. La transformada de una señal sinc es un pulso. 

132

Transformada de Fourier 

 

Análisis de Fourier 

Esta  propiedad  es  de  gran  utilidad  para  encontrar  la  transformada  de  Fourier  de  señales que no pertenecen a  L1 , como veremos más adelante.     Ejemplo 5.4. Encuentre la transformada de Fourier de la señal  x(t ) = 1 /( 2 + jΩ) .    Solución.  Conociendo  que  ℑ{e −2t u(t )} = 1 /( 2 + jΩ)   y  utilizando  la  propiedad  de  dualidad para  x(t ) = e −2t u (t )  y  X (Ω) = 1 /( 2 + jΩ) , se tiene que    ℑ{1 /( 2 + jΩ )} = 2π x( −Ω) = 2π e 2 Ωu( −Ω )    
 

  5.2.3.5. Escalamiento    La compresión o expansión de una señal afecta su transformada de Fourier de forma  inversa.  Una  señal  que  se  comprime  sufre  una  expansión  de  su  transformada  de  Fourier,  es  decir  presenta  componentes  de  frecuencia  más  altos.  Por  otro  lado,  una  señal que es expandida sufre una compresión de su transformada de Fourier y por lo  tanto una compresión de las frecuencias presentes en la señal.             

Original 

    

Compresión 
 

    

Expansión 

 

Figura 5.10. Expansión y compresión de una señal     

Consideremos la transformada de Fourier de un señal escalada   
 

   

ℑ{ x( at )} =

−∞

∫ x(at )e

− jΩt

dt

⎧u = at   ⎨ ⎩du = adt

 

⎛u⎞ ⎧ 1 ∞ − jΩ⎜ ⎟ a ⎪ ∫ x(u )e ⎝ ⎠ si a > 0 ⎪ a   ℑ{ x( at )} = ⎨ −∞ ⎛u⎞ −∞ − jΩ⎜ ⎟ ⎪1 ⎝a⎠ du si a < 0 ⎪ a ∫ x(u )e ⎩ ∞

133

Transformada de Fourier 

 

Análisis de Fourier 

 

⎧ 1 ⎛Ω⎞ ⎪ a X ⎜ a ⎟ si a > 0 ⎪ ⎝ ⎠ ℑ{ x( at )} = ⎨   ⎪− 1 X ⎛ Ω ⎞ si a < 0 ⎪ a ⎜a⎟ ⎝ ⎠ ⎩

  Por tal motivo,   

ℑ{ x( at )} =

1 ⎛Ω⎞ X   a ⎜a⎟ ⎝ ⎠

  En las Figuras 5.11 y 5.12 se ilustra el efecto del escalamiento de un pulso centrado en  el origen y ancho  2a . Si el pulso se comprime, su transformada de Fourier (señal sinc)  se ensancha, lo que indica que la señal comprimida presenta frecuencias más altas que  la señal original. Si el pulso se expande, su transformada se comprime, lo que indica  que la señal expandida presenta frecuencias más bajas que la señal original.     

Figura 5.11. Comprensión en tiempo expansión en frecuencia. 

 

   

Figura 5.12. Expansión en tiempo compresión en frecuencia. 

 

    Ejemplo  5.5.  La  transformada  de  Fourier  de  una  señal  x(t )   es  X (Ω) = 1 /(1 + Ω 2 ) .  Encuentre la transformada de Fourier de la señal  x( −t / 2) .    Solución. Utilizando la propiedad de escalamiento se tiene que  ℑ{ x( −t / 2)} = 2 X ( 2Ω)   y por lo tanto   ℑ{ x( −t / 2)} = 2 / 1 + 4Ω 2 . 

(

)

134

Transformada de Fourier 

 

Análisis de Fourier 

5.2.3.6.

Desplazamiento temporal 

  Si una señal se retraza en el tiempo en  t0 , la magnitud de su transformada no se altera  y a cada componente de frecuencia se le agrega una fase negativa de valor  −Ωt0 .     

Figura 5.13. Desplazamiento temporal de una señal. 

       

 

    Consideremos la transformada de Fourier de una señal desplazada    ∞ ⎧u = t − t0     ℑ{ x(t − t0 )} = ∫ x(t − t0 )e − jΩt dt ⎨ ⎩du = dt −∞    

ℑ{ x(t − t0 )} =

−∞

∫ x(u )e
− jΩt0 ∞ −∞

− j Ω ( u + t0 )

du   du  

ℑ{ x(t − t0 )} = e

∫ x(u )e

− jΩu

  Por tal motivo,     

ℑ{ x(t − t0 )} = X (Ω)e − jΩt0  

Observación 5.4.   ℑ{ x(t − t0 )} = X (Ω )e − jΩt0 = X (Ω) = ℑ{ x(t )}       5.2.3.7.

 

Desplazamiento en Frecuencia (Modulación de amplitud) 

  Cuando una señal  x(t )  es multiplicada en el tiempo por un exponencial complejo de  frecuencia  Ω0 , su transformada de Fourier  X (Ω)  se desplaza hasta  Ω0 .    Consideremos la TF de una señal multiplicada por un exponencial complejo     

ℑ x(t )e jΩ0t =

{

} ∫ x(t )e
−∞

jΩ0t − jΩt

e

dt  

135

Transformada de Fourier 

 

Análisis de Fourier 

 
 

ℑ x(t )e

{

jΩ0 t

} = ∫ x(t )e
−∞

− j ( Ω−Ω0 )t

dt  

Por tal motivo, 

ℑ x(t )e

{

jΩ0 t

} = X (Ω − Ω )  
0

 

  En Figuras 5.14 y 5.15 se ilustra el efecto de multiplicar un pulso centrado en el origen  y ancho  2a , por un exponencial complejo de frecuencia  Ω0 .     

 

 

Figura 5.14. Señal pulso multiplicada por un exponencial complejo. 

   

 

 

Figura 5.15. Desplazamiento de la señal sinc hasta la frecuencia  Ω 0 . 

  Ejemplo  5.6.  El  proceso  de  modificar  la  amplitud  de  una  señal  armónica  de  alta  frecuencia se conoce como modulación de amplitud.     

 

 

Figura 5.16. Modulación de amplitud. 

136

Transformada de Fourier 

 

Análisis de Fourier 

  La  amplitud  de  la  señal  x(t )   modifica  (modula)  la  amplitud  de  la  señal  cos(Ω 0 )t   de  forma tal que la información de la señal  x(t ) , que estaba contenida en componentes  de frecuencia bajas, ahora está contenida en una señal de alta frecuencia. Analicemos  el efecto de multiplicar una señal arbitraria por la señal  cos(Ω 0 )t .    1 1   ℑ{ x(t )cos(Ω0t )} = ℑ{ x(t )e jΩ0t } + ℑ{ x(t )e− jΩ0t }   2 2
 

1 1 X (Ω − Ω 0 ) + X (Ω + Ω0 )   2 2   Al  multiplicar  la  señal  por  el  cos(Ω 0t ) ,  la  mitad  de  de  su  transformada  de  Fourier  X (Ω)   se  traslada  hasta  −Ω0   y  la  otra  mitad  hasta  Ω0 .  Suponga  que  x(t ) = e − t u(t ) ,  entonces  X (Ω) = 1 /(1 + jΩ ) . Si modulamos la señal con el   cos(10t )  se tiene que    ⎞ 1⎛ 1 1   ℑ{e −t u (t )cos(10t )} = ⎜ + ⎟    2 ⎝ 1 + j (Ω − Ω0 ) 1 + j (Ω + Ω 0 ) ⎠   En las Figuras 5.17 y 5.18 se ilustra el efecto de la modulación sobre la señal original.     
 

ℑ{ x(t )cos(Ω0t )} =

      

 

     

 

Figura 5.17. Señal original y la magnitud de su transformada de Fourier. 

       

 

   

 

Figura 5.18. Señal modulada y la magnitud de su transformada de Fourier. 

137

Transformada de Fourier 

 

Análisis de Fourier 

5.2.3.8.

Diferenciación 

  Si  conocemos  la  transformada  de  una  señal  x(t ) ∈ L1   podemos  encontrar  la  transformada de  dx(t ) / dt ∈ L1 , y en general la de cualquiera de sus derivadas.     Si  X (Ω)  pertenece a  L1 , entonces    ∞ 1 jΩt   x( t ) = ∫ X (Ω)e d Ω   2π −∞   Derivando a  ambos lados de la igualdad con respecto a  t  se tiene    ∞ dx(t ) 1 jΩt −1   = ∫ jΩX (Ω)e d Ω = ℑ { jΩX (Ω)}   dt 2π −∞   Por tal motivo, si transformamos ambos lados de la igualdad obtenemos    ⎧ dx(t ) ⎫ ℑ⎨ ⎬ = jΩX (Ω)   ⎩ dt ⎭   Similarmente, se puede demostrar que para una derivada de orden superior se cumple    ⎧ d n x(t ) ⎫ ℑ ⎨ n ⎬ = ( jΩ )n X ( Ω )   ⎩ dt ⎭   Ejemplo 5.7. Suponga que la transformada de Fourier de cierta señal  x(t )  es la función  X (Ω) = 1 /(1 + Ω 2 ) . Encuentre la transformada de Fourier de la señal  d 2 x(t ) / dt 2 .    ⎧ d 2 x (t ) ⎫ Ω2 2 Solución. ℑ ⎨   ⎬ = ( jΩ ) X ( Ω ) = − 2 1 + Ω2 ⎩ dt ⎭ 5.2.3.9. Propiedades derivadas de la integrabilidad en magnitud    La siguientes propiedades se basan en el hecho de que la señal  x(t )  pertenece a  L1 .    Si  x(t ) ∈ L1  entonces  X (Ω)  es acotada, pues se puede demostrar que    

   

X (Ω) ≤

−∞

x(t )e

− j Ωt

dt = ∫ x(t ) dt = x(t ) 1  
−∞

138

Transformada de Fourier 

 

Análisis de Fourier 

De forma similar si X (Ω) ∈ L1 , entonces  x(t )  es acotada, pues     ∞ ∞ 1 1 1 j Ωt   x (t ) ≤ ∫ X (Ω)e d Ω = 2π −∞ X (Ω) d Ω = 2π X (Ω) 1   ∫ 2π −∞   Continuidad    Si  X (Ω) ∈ L1  entonces  X (Ω)  es una señal continua. Una función f (x)  es continua si        lim f ( x + h ) − f ( x ) = 0 ∀x ∈ R  
h →0

  Para la transformada de Fourier se tiene que   

   

X (Ω + h) − X (Ω) = X (Ω + h) − X (Ω) =

−∞ ∞

x(t )e − j ( Ω+ h )t dt −
− jΩt

−∞

∫ x(t )e

− jΩt

dt  

−∞

∫ x(t )e
h→0

⎡e− jht − 1⎤ dt   ⎣ ⎦

  Se  debe  demostrar  que  el  lim [ X (Ω + h ) − X (Ω )] = 0 .  Sea  {hn } una  sucesión  que  tiende  a  cero  a  medida  que  n → ∞ ,  entonces  basta  comprobar  que  el  lim [ X (Ω + hn ) − X (Ω)] = 0 . Para ello se tiene que  
n →∞

   

lim [ X (Ω + hn ) − X (Ω )] = lim
n →∞ n →∞

−∞

∫ x(t )e

− jΩt

⎡ e − jhnt − 1⎤ dt   ⎣ ⎦

  La  señal  x(t )e − jΩt [e− jht − 1]   pertenece  a  L1 ,  entonces  utilizando  el  Teorema  de  la  convergencia dominada de Cauchy se puede intercambiar el orden entre la integral y  el límite, para lo cual se tiene que        Observación  5.5.  Toda  señal  en  L1   debe  tener  transformada  de  Fourier  continua.  Por tal motivo, la señal  sinc(t )  no pertenece a  L1 , pues su transformada de Fourier  es una señal pulso, la cual no es una señal continua (presenta discontinuidades).        

lim [ X (Ω + hn ) − X (Ω )] =
n →∞

−∞

∫ lim x(t )e
n →∞

− jΩt

⎡ e − jhnt − 1⎤ dt = 0                                       ■  ⎣ ⎦

139

Transformada de Fourier 

 

Análisis de Fourier 

Teorema de Riemann‐Lebesgue    Si  x(t ) ∈ L1  entonces su TF  tiende a cero a medida que  Ω  crece, es decir,    lim X (Ω) = lim X (Ω) = 0    
Ω→∞ Ω→−∞

  Si  una  señal  x(t )   se  retrasa  en  el  tiempo  un  valor  t0 ,  su  transformada  de  Fourier  X (Ω)  presenta una fase adicional  de valor  −Ωt0 . Si a la transformada se le resta una  fase de valor  π , entonces la señal  x(t )  se retrasó en el tiempo   π / Ω . Por tal motivo, 
 

 
 

− X (Ω ) = X (Ω)e

− jπ

=

−∞

∫ x(t − π / Ω)e

− jΩt

dt  

De acuerdo a esta ecuación, se puede escribir 
 

 
 

2 X (Ω) =

dt − ∫ x(t − π / Ω )e dt = ∫ [ x(t ) − x(t − π / Ω )] e− jΩt dt   −∞ 14 244 −∞ 4 3 144 2444 4 3 −∞

∫ x(t )e

− j Ωt

− jΩt

X (Ω)

− X (Ω)

y por tal motivo, 
 

   

X (Ω) = 0.5 ∫ [ x(t ) − x(t − π / Ω)] e − jΩt dt   X (Ω ) ≤ 0.5 ∫ x(t ) − x(t − π / Ω) dt  
−∞ −∞ ∞

  Se puede demostrar que si  x(t ) ∈ L1  entonces 
 

 
 

lim
δ →0

−∞

g (t + δ ) − g (t ) dt = 0  

por lo cual 
 

 
 

Ω→±∞

lim

−∞

x(t ) − x(t − π / Ω ) dt = 0  

y por ende si  Ω → ±∞  entonces  X (Ω) = 0 .    Observación 5.6. Ninguna señal en  L1  puede tener como transformada de Fourier  una señal constante.  

 

140

Transformada de Fourier 

 

Análisis de Fourier 

5.3. Propiedad de convolución para la TF    La convolución entre dos señales es  x(t )  y  y (t )  se define como 
 

 

[x(t ) ∗ y(t )](t ) = ∫ x(t − τ ) y(τ )dτ  
−∞

  Sea  X (Ω) = ℑ{x(t )} y  Y (Ω) = ℑ{y (t )} , entonces 
 

 
 

⎡∞ ⎤ ℑ{ x(t ) ∗ y(t )} = ∫ ⎢ ∫ x(t − τ ) y(τ )dτ ⎥ e − jΩt dt   −∞ ⎣ −∞ ⎦

Cambiando el orden de integración se tiene 
 

 

ℑ{ x(t ) ∗ y(t )} =

∞ ⎡∞ ⎤ ⎡∞ ⎤ x(t − τ ) y(τ )e− jΩt dt ⎥ dτ = ∫ y(τ ) ⎢ ∫ x(t − τ )e− jΩt dt ⎥ dτ   ∫ ⎢ −∞ ∫ −∞ ⎣ −∞ ⎦ ⎣ −∞ ⎦ ∞

    Como  ℑ{ x(t − τ )} = X (Ω)e − jΩτ , entonces 
 

ℑ{ x(t ) ∗ y(t )} =
 

−∞

y(τ ) X (Ω)e − jΩτ dτ = X (Ω ) ∫ y(τ )e− jΩτ dτ  
−∞

Por tal motivo     

ℑ{ x(t ) ∗ y(t )} = X (Ω)Y (Ω)   x(t ) ∗ y(t ) = ℑ−1 { X (Ω)Y (Ω)}  

  Observación  5.7.  La  convolución  en  el  tiempo  de  dos  señales  implica  la  multiplicación de sus transformadas de Fourier en el dominio de la frecuencia.     Ejemplo 5.8. Encuentre la transformada de Fourier de la convolución  x(t ) ∗ x(t ) ,  donde     

Figura 5.19. Señal pulso de ancho 2a. 

141

Transformada de Fourier 

 

Análisis de Fourier 

Solución. Utilizando al propiedad de convolución se tiene que      ℑ{ x(t ) ∗ x(t )} = X 2 (Ω )          
X (Ω) =

ℑ{ x(t ) ∗ x(t )} = 4a 2 sinc 2 ( aΩ)  

−a

∫e

a

− jΩt

dt = 2a sinc( aΩ)  

 

 

Figura 5.20. Transformada de la convolución de un par de pulsos. 

    Propiedad  5.3.  Si  las  señales  x(t )   y  y(t )   pertenecen  a  L1 ,  entonces  su  convolución  x(t ) ∗ y(t )  también pertenece a  L1 . 
 

Demostración. A probar que   
∞ ∞ ∞

−∞

x(t ) ∗ y(t ) dt ∈ R  

   

−∞ ∞

∫ ∫

x(t ) ∗ y(t ) dt = x(t ) ∗ y(t ) dt ≤

−∞ −∞ ∞ ∞

∫ ∫ x(t − τ ) y(τ )dτ

dt  

−∞

−∞ −∞

∫∫

x(t − τ ) y(τ ) dτ dt  

    Intercambiando el orden de integración se tiene 
 

 

−∞

x(t ) ∗ y(t ) dt ≤

−∞

y(τ )

−∞

x(t − τ ) dt dτ   14 244 4 3
x(t ) 1

 
 

−∞

x(t ) ∗ y(t ) dt ≤ x(t ) 1

−∞

y(τ ) dτ  

Por tal motivo     

x (t ) ∗ y (t ) 1 ≤ x( t ) 1 y ( t ) 1

■  142

Transformada de Fourier 

 

Análisis de Fourier 

5.3.1. Respuesta de un sistema LTI utilizando la transformada de Fourier    La convolución entre la señal de entrada y la respuesta al impulso del sistema puede  ser realizada utilizando la propiedad de convolución de la transformada de Fourier. La  transformada de Fourier de la salida del sistema LTI puede ser encontrada como    ℑ{ y(t )} = ℑ{ x(t ) ∗ h(t )} = X (Ω) H (Ω)       donde  X (Ω)   es  la  transformada  de  Fourier  de  la  señal  de  entrada  x(t )   y  H (Ω)   corresponde a la transformada de la respuesta al impulso del sistema  h(t ) .        

Fig. Respuesta de un sistema LTI con respuesta en frecuencia H(Ω). 

    La función  H (Ω)  se conoce como respuesta en frecuencia del sistema, pues indica en  que forma el sistema modifica las características frecuenciales de la señal de entrada.    Ejemplo 5.9. La señal  x(t ) = e − t u (t )  es aplicada a un sistema LTI que tiene respuesta al  impulso  h(t ) = sinc(t ) . Encuentre la transformada de Fourier de la salida.    Solución. La transformada de Fourier de la señal de entrada es    1 ⎛ 1 ⎞ ⎛ Ω ⎞   X (Ω) = ℑ{ x(t )} = =⎜ −j   1 + jΩ ⎝ 1 + Ω 2 ⎟ ⎜ 1 + Ω 2 ⎟ ⎠ ⎝ ⎠   La respuesta en frecuencia del sistema LTI está dada por    ⎧π −1 < Ω < 1 H (Ω) = ℑ{h(t )} = ⎨     ⎩ 0 otro caso    

            
 

 

Figura 5.21. Magnitud de la transformada de Fourier de la señal y respuesta en frecuencia del sistema. 

143

Transformada de Fourier 

 

Análisis de Fourier 

El  sistema  se  comporta  como  un  filtro  que  sólo  lo  deja  pasar  las  frecuencias  bajas,  contenidas entre ‐0.5 y 0.5 radianes sobre segundo. La transformada de Fourier de la  salida puede encontrarse como  Y (Ω) = X (Ω) H (Ω) . La señal  X (Ω)  es compleja, por  lo cual la señal  Y (Ω)  también lo es. La señal  H (Ω)  es real, por tal motivo su fase es  cero y no altera la fase de  X (Ω) . De acuerdo a esto, la fase de  Y (Ω)  viene dada por    ⎛ Im{ X (Ω)} ⎞   ∠Y (Ω) = ∠X (Ω) = arctan ⎜ ⎟    ⎝ Re{ X (Ω)} ⎠     ∠Y (Ω) = − arctan ( Ω )     La magnitud de  Y (Ω)  puede encontrarse como    ⎧π X (Ω ) −1 < Ω < 1     Y (Ω) = ⎨ otro caso ⎩ 0   ⎧ π −1 < Ω < 1 ⎪   Y (Ω) = ⎨ 1 + Ω 2   ⎪ 0 otro caso ⎩    

        
 

 

Figura 5.22. Transformada de Fourier de la salida: magnitud y fase. 

    Una señal puede descomponerse como la suma continúa de exponenciales complejos  de diferentes frecuencias, por tal motivo, la respuesta de un sistema LTI ante una señal  puede verse actuando de forma separada sobre cada componente de frecuencia de la  señal, atenuando, amplificando o dejando inalterada cada componente.    Un  sistema  LTI  puede  ser  diseñado  para  modificar  las  propiedades  frecuenciales  de  una señal de entrada. Por ejemplo un sistema LTI que sólo deja pasar las componentes  de baja frecuencia de una señal se conoce como un filtro pasa bajas.     

144

Transformada de Fourier 

 

Análisis de Fourier 

5.3.2. Multiplicación de señales en el tiempo    Cuando dos o mas señales se multiplican en el tiempo su características frecuenciales  se  modifican.  El  efecto  que  tiene  una  multiplicación  en  el  tiempo  es  importante  de  analizar, pues este procedimiento es comúnmente utilizado en el análisis de señales.    Propiedad 5.4. La multiplicación de dos señales en el tiempo implica la convolución de  sus transformadas de Fourier en el dominio de la frecuencia.    1 ℑ{ x(t ) y(t )} =   [ X ( Ω ) ∗ Y ( Ω )]   2π   Demostración.     

ℑ{ x(t ) y(t )} =

−∞

∫ [ x(t ) y(t )]e

− jΩt

dt  

  La señal  y(t )  puede expresarse utilizando la formula de la transformada inversa, como    ∞ ⎡ 1 ∞ ⎤ ℑ{ x(t ) y(t )} = ∫ x(t ) ⎢   Y (τ )e jτ t dτ ⎥ e− jΩt dt   ∫ −∞ ⎣ 2π −∞ ⎦   Cambiando el orden de integración se tiene    ∞ ⎡∞ ⎤ 1 ℑ{ x(t ) y(t )} = Y (τ ) ⎢ ∫ x(t )e − j ( Ω−τ )t dt ⎥ dτ     ∫ 2π −∞ ⎣ −∞ ⎦     Observación  5.8.  La  convolución  en  el  tiempo  implica  multiplicación  en  frecuencia  (producto de transformadas). Una multiplicación de dos señales implica convolución  en la frecuencia (convolución de sus transformadas). 

ℑ{ x(t ) y(t )} =

1 2π

−∞

∫ Y (τ ) X (Ω − τ ) dτ = 2π [Y (Ω) ∗ X (Ω)]                                      ■ 

1

    Ejemplo 5.10. Suponga que se nos pide estudiar las componentes de frecuencia de una  señal  de  ECG  (electrocardiografía)  con  el  fin  de  monitorear  la  salud  de  un  paciente.  Para  ello  se  emitirá  un  reporte  de  la  actividad  cardiaca  del  paciente  cada  dos  segundos.  Con  el  fin  de  obtener  el  fragmento  que  nos  interesa,  de  longitud  dos  segundos,  multiplicamos  la  señal  x(t )   por  una  ventana  v(t ) ,  con  el  fin  de  aislar  el  segmento  a  estudiar.  El  tipo  de  ventana  elegida,  determina  la  distorsión  de  la  transformada de Fourier  X (Ω) . 

145

Transformada de Fourier 

 

Análisis de Fourier 

       
 

 

Figura 5.23. Señal original de ECG y su transformada de Fourier (suposición). 
   

Si elegimos como función una ventana rectangular (pulso), la transformada de Fourier  de la señal de ECG se convoluciona con una señal sinc, en el dominio de la frecuencia. 
   

      
 

  

Figura 5.24.  Señal ventana rectangular y la señal de ECG ventaneada. 
   

Si la ventana rectangular es ancha, su transformada es un sinc angosto y la distorsión  sobre  la  transformada  original  es  poca,  Figura  5.25.  En  cambio,  si  la  ventana  rectangular  es  angosta,  su  transformada  es  una  señal  ancha  y  la  transformada  de  Fourier de la señal original se ve distorsionada en mayor grado, Figura 5.26. 
   

      
 

 

Figura 5.26.  Transformada de la ventana rectangular ancha y su efecto en la transformada de la señal  de ECG. 
   

        
 

 

Figura 5.26.  Transformada de la ventana rectangular angosta y su efecto en la transformada de la señal  de ECG. 

146

Transformada de Fourier 

 

Análisis de Fourier 

5.4. Teorema de Parseval para la transformada de Fourier    La energía de una señal se define como 
 

 

E=

−∞

x(t ) dt =

2

−∞

∫ x(t ) x (t ) dt  
*

 

Si  x(t ) ∈ L2  entonces tiene energía finita. Supongamos que  X (Ω) ∈ L1 , entonces  utilizando la formula de la transformada inversa para  x* (t )  podemos escribir 
 

 
 

E=

⎡ 1 ∫ x(t ) ⎢ 2π −∞ ⎣

−∞

∫X

*

⎤ (Ω )e − jΩt d Ω ⎥ dt   ⎦

Intercambiamos el orden de integración, se tiene 
 

   

1 E= 2π
E=

⎡∞ ⎤ X (Ω) ⎢ ∫ x(t )e − jΩt dt ⎥ d Ω   ∫ −∞ ⎣ −∞ ⎦

*

1 2π

−∞

∫X

*

( Ω )X ( Ω ) d Ω  

  Por tal motivo al energía de la señal puede ser encontrada utilizando su transformada  de Fourier  X (Ω) , de acuerdo a  
 

E=
 

1 2π

−∞

X (Ω) d Ω  

2

La norma  L2  de la señal  x(t )  es directamente proporcional a la norma  L2  de su  transformada  X (Ω)  y esta relacionadas por la ecuación 
 

x (t ) 2 =
 

1 X (Ω) 2   2π

Observación 5.9. Si una señal pertenece a  L2  entonces su transformada de Fourier  también  pertenece  a  L2 .  Por  tal  motivo,  la  transformada  de  Fourier  puede  verse  como una función de  L2  a  L2 . Por ejemplo, la transformada un pulso es la función  sinc. Dado que el pulso pertenece a  L2 entonces el sinc también pertenece a  L2 .
 

 

La función  X (Ω ) 2 se conoce como densidad espectral de energía y da información de  cómo está repartida la energía de la señal en las diferentes frecuencias. El área de la  densidad espectral de energía en un intervalo dado nos indica la cantidad de energía  de la señal que se encuentra en ese rango de frecuencias. 

147

Transformada de Fourier 

 

Análisis de Fourier 

    Ejemplo  5.11.  Calcule  la  energía  de  la  señal  x(t ) = e − at u(t ) ,  donde  a > 0 ,  tanto  en  el   dominio del tiempo como en el dominio de la frecuencia.    Solución.    Tiempo   

Observación 5.10. La energía de una señal puede ser encontrada en el domino del  tiempo, utilizando  x(t )  o en el de la frecuencia (Parseval), utilizando  X (Ω) . 

     

E=

−∞

x(t ) dt = ∫ e − at dt  
2 0

( )
0

2

E = ∫e
0

− a 2t

e− a 2t   dt = 2a ∞

E=

1   2a

  Frecuencia            
 

E=

1 2π

−∞

X (Ω ) d Ω  
1 ⇒ a + jΩ

2

ℑ{ x(t )} = X (Ω) =

X (Ω) =

1

a + Ω2
2

 

1 E= 2π
E= 1   2a

1 1 ⎡1 −1 ⎛ Ω ⎞ ⎤ ∫ a 2 + Ω2 d Ω = 2π ⎢ a tan ⎜ a ⎟ ⎥   ⎝ ⎠ ⎦ −∞ ⎣ −∞

Hasta este punto sólo podemos encontrar la transformada de Fourier de una señal  en  L1 .  Por  tal  motivo,  es  necesario  definir  la  transformada  de  Fourier  para  señales  de  energía finita (señales en  L2 ) que no necesariamente pertenezcan a  L1 .      5.5. Transformada de Fourier L2    El  espacio  L2   y  su  norma  . 2  forman  un  espacio  de  Hilbert,  es  decir,  un  espacio  normado completo con producto interno. Sean  x(t )  y  y(t )  señales pertenecientes a  L2 , entonces el producto interno en  L2   se define como   

148

Transformada de Fourier 

 

Análisis de Fourier 

 

x, y = ∫ x(t ) y* (t )dt  
−∞

  La energía de una señal  x(t ) ∈ L2 , se relaciona con su producto interno, mediante     
E = x, x = ∫ x(t ) x* (t )dt = ∫
−∞ ∞ ∞ −∞

x(t ) dt = x(t ) 2   

2

2

  Si  x(t ) ∈ L1 ∩ L2 ,  su  transformada  de  Fourier  puede  ser  encontrada  utilizando  la  integral de Fourier para señales en  L1 . Sin embargo si  x(t ) ∈ L2 ∩ L1 , la formula de la  transformada de Fourier  L1  no necesariamente converge.    Definición  5.1.  Un  conjunto  A   es  denso  en  un  conjunto  B ,  si  para  todo  elemento  b ∈ B , cualquier vecindario de  b  contiene por lo menos un elemento  a ∈ A .    Ejemplo 5.12. El conjunto de los números racionales es denso en los reales. Al abrir un  intervalo,  sin  importar  que  tan  pequeño  sea,  sobre  cualquier  número  real,  siempre  habrá  por  los  menos  un  número  racional  dentro  de  este  intervalo.  Así,  cualquier  número real puede aproximarse tan bien como se quiera por un número racional.    El  espacio  L1 ∩ L2   es  denso  en  L2 ,  por  lo  cual  cualquier  señal  de  L2   puede  ser  aproximada  tan  bien  como  se  quiera  por  una  señal  de  L1 ∩ L2 .  Recordemos  que  las  señales en  L1 ∩ L2  tiene transformada de Fourier  L1 . Por tal motivo para  x(t ) ∈ L2  se  puede  encontrar  una  familia  de  señales  { xN (t )} ,  donde  N ∈ Z ,  que  pertenecen  a  L1 ∩ L2  y que convergen en  L2  a la señal  x(t ) , es decir      lim x(t ) − xN (t ) 2 = 0  
N →∞

  Sea  x(t ) ∈ L2  y  N ∈ Z . Consideremos versiones truncadas de  x(t ) , definidas como      xN (t ) = x(t )[u(t + N ) − u(t − N )]      
+

     
 

 

Figura 5.27. Señal original de energía finita y su versión truncada. 

 

149

Transformada de Fourier 

 

Análisis de Fourier 

Para  cada  N ∈ Z + ,  la  señal  xN (t ) ∈ ( L1 ∩ L2 ) ,  por  tal  motivo  su  transformada  de  Fourier puede ser encontrada como   
X N (Ω) = ∫ x(t )e − jΩt dt  
−N N

  Teorema de Parseval (General). Sean  f , g ∈ ( L1 ∩ L2 )  entonces la transformada de  Fourier preserva el producto interno, es decir,      f (t ), g (t ) = 21π F (Ω ), g (Ω)     Teorema de Plancherel (Caso particular). Sea  x ∈ ( L1 ∩ L2 )  entonces     

x (t ) 2 =

1 2π

X (Ω) 2  

  De acuerdo al teorema de Plancherel, para cada  N ∈ Z +  la señal  X N (Ω) ∈ L2 .     Se  puede  demostrar  que  { xN (t )}   es  una  sucesión  de  Cauchy  en  L2 ,  es  decir,  xN1 (t ) − xN2 (t ) 2  es  arbitrariamente  pequeño  si  N1   y  N 2   son  lo  suficientemente  grandes. Utilizando el teorema de Plancherel se tiene     

 

xN1 (t ) − xN2 (t ) =
2

1 2π

X N1 (Ω ) − X N2 (Ω)  
2

  por lo cual  { X N (Ω)}  es también una sucesión de Cauchy en  L2 . Dado que  L2  es un  espacio completo, la sucesión  { X N (Ω)}  converge a un elemento del espacio  L2 . Sea  X (Ω ) ∈ L2  la señal tal que    lim X (Ω) − X N (Ω) 2 = 0    
N →∞

  entonces  X (Ω) es la transformada  L2  de  x(t ) , definida como   
 

X (Ω) = lim ∫ x(t )e − jΩt dt  
N →∞ − N

N

 
 

De forma similar, la transformada inversa de Fourier  L2  se define como   
 

x( t ) =

N 1 2π N →∞ − N

lim ∫

X (Ω )e jΩt d Ω

150

Transformada de Fourier 

 

Análisis de Fourier 

Ejemplo 5.13. Demuestre que la señal  sinc(t )  es integrable, es decir   
N

   

N →∞

lim

−N

∫ sinc(t ) dt = π  
sin(t ) dt = π .  t −∞

Solución. A probar que  

La señal  sinc(t )  es par, por tal motivo basta probar que  ∫ señal     
G( x ) = ∫ e − tx
0

sin(t ) π dt = . Definamos la  2 t 0

sin(t ) dt   t

  entonces           
G '( x ) =
dG ( x ) = − ∫ e − tx sin(t ) dt   dx 0

∞ ∞ ⎡ e jt − e − jt ⎤ 1 G '( x ) = − ∫ e − tx ⎢ dt = − ∫ ⎡e − t ( x − j ) − e− t ( x + j ) ⎤ dt   ⎥ ⎦ 2j 0⎣ ⎣ 2j ⎦ 0

1 ⎡ e−t ( x− j ) e−t ( x+ j ) ⎤ 1 ⎛ 1 1 G '( x ) = − − ⎜ ⎢ ⎥ = 2j ⎣ x− j x + j ⎦0 2 j ⎝ x + j x − 1 G '( x ) = − 2   x +1

⎞ ⎟  j⎠

  Integrando la señal  G '( x )  encontramos  G( x ) , de acuerdo a    1   G( x ) = − ∫ 2 dx = − arctan( x ) + c   x +1   Tomando el límite  x → ∞  sobre las dos expresiones de  G( x ) , se tiene     
 

lim G( x ) = lim [ − arctan( x ) + c ] = −
x →∞ x →∞

π

2

+c 

   

lim G( x ) = lim ∫ e −tx
x →∞ x →∞
0

sin(t ) dt = 0   t

151

Transformada de Fourier 

 

Análisis de Fourier 

Por tal motivo, la constante de integración es  c = π / 2 . Evaluando el límite  x → 0  
 

 
 

π⎤ π ⎡ lim G( x ) = lim ⎢ − arctan( x ) + ⎥ =   x →∞ x →∞ 2⎦ 2 ⎣
lim G( x ) = lim ∫ e − tx
x →0 x →0
0

 
 

sin(t ) sin(t ) dt = ∫ dt = π / 2   t t 0

Por tal motivo,    ∞ sin(t )   ∫ t dt = π   −∞     5.6. Transformadas de Fourier que implican funciones impulso    5.6.1. Transformada de Fourier de la función impulso    Utilizando la propiedad de selección sobre la integral de Fourier  L1 , se tiene 
 

 
 

ℑ{δ (t − t0 )} =

−∞

∫ δ (t − t )e
0

− j Ωt

dt = e− jΩt0  

Por tal motivo, la transformada de Fourier de un impulso ubicado en  t0  corresponde a  un exponencial complejo en el domino de la frecuencia, de frecuencia  −t0 .    Ejemplo 5.14. Encuentre la TF de la señal  x(t ) = 3δ (t − 3) + 2δ (t ) − δ (t + 1) .    Solución.    ℑ{ x(t )} = 3ℑ{δ (t − 3)} + 2ℑ{δ (t )} − ℑ{δ (t + 1)}       ℑ{ x(t )} = 3e − j 3Ω + 2e − j 0 Ω − e jΩ      ℑ{ x(t )} = 2 − e jΩ + 3e − j 3Ω  
 

 

Observación 5.11.  La función impulso no pertenece a  L1 , pues su transformada de  Fourier no tiende a cero a medida que  Ω → ±∞ .   5.6.2. Transformada de Fourier de un exponencial complejo 

 

  Un exponencial complejo es una señal periódica, por tal motivo no pertenece a  L1  y su  transformada de Fourier no puede ser encontrada utilizando la integral para  L1 . En la  Sección  5.9.1  se  encontró  que  la  transformada  de  un  impulso  corresponde  a  un 

152

Transformada de Fourier 

 

Análisis de Fourier 

exponencial  complejo  en  el  dominio  de  la  frecuencia.  De  esta  forma,  utilizando  la  propiedad de dualidad se tiene que si   ℑ{δ (t − t0 )} = e − jΩt0 , entonces    ℑ{e − jΩ0t } = 2πδ ( −Ω − Ω 0 ) = 2πδ (Ω + Ω 0 )    
 

Por tal motivo   
ℑ{ e j Ω 0t } = 2πδ ( Ω − Ω 0 )  
 

 

 
 

 

 

Figura 5.28. Señal exponencial complejo y su transformada de Fourier. 

Observación  5.12.  El  exponencial  complejo  posee  una  única  componente  de  frecuencia de valor  Ω0 .    Ejemplo 5.15. Encuentre la transformada de Fourier de la señal  x(t ) = cos(Ω0t )     Solución.    ⎧ e j Ω0 t + e − j Ω0t ⎫ 1 jΩ t − jΩ t   ℑ{ x(t )} = ℑ{cos(Ω0t )} = ℑ ⎨ ⎬ = ℑ{e 0 + e 0 }   2 ⎩ ⎭ 2        

ℑ{ x(t )} =

1 1 ⎡ ℑ{e jΩ0t } + ℑ{e − jΩ0t }⎤ = [ 2πδ (Ω − Ω 0 ) + 2πδ (Ω + Ω 0 )]   ⎣ ⎦ 2 2 ℑ{ x(t )} = π [δ (Ω − Ω0 ) + δ (Ω + Ω 0 )]  

 

 

Figura 5.29. Transformada de Fourier de la señal cos(Ω0t). 

153

Transformada de Fourier 

 

Análisis de Fourier 

Ejemplo 5.16. Encuentre la transformada de Fourier de la señal constante  x(t ) = c .    Solución.      ℑ{c} = ℑ ce j 0t = cℑ e j 0t = 2π cδ (Ω)  

{

}

{ }

 

Figura 5.30. Señal constante y su transformada de Fourier. 
 

        

 

                 Observación 5.13. La información sobre el nivel DC de una señal se encuentra en la  transformada de Fourier evaluada en  Ω = 0 , es decir , X (0) .

    La transformada del exponencial complejo es la clave para encontrar la transformada  de Fourier de cualquier señal periódica.    5.6.3. Transformada de Fourier de señales periódicas    Si  x(t )  es una señal periódica, con periodo  T , entonces  x(t ) ∉ L1  y la señal periódica  puede expresarse por medio de una serie exponencial de Fourier, como    ∞ 2π x(t ) = ∑ Cn e jnΩ0t , Ω0 =     T n =−∞      
∞ ⎧ ∞ ⎫ ∞ ℑ{ x(t )} = ℑ ⎨ ∑ cn e jnΩ0t ⎬ = ∑ ℑ{cn e jnΩ0t } = ∑ cn ℑ{e jnΩ0t }   n =−∞ ⎩ n =−∞ ⎭ n =−∞

ℑ{ x(t )} =

n =−∞

∑ cn ℑ{e jnΩ0t } =
∞ n =−∞ n

n =−∞

∑ c 2πδ (Ω − nΩ )  
n
0 0

ℑ{ x(t )} = 2π

∑ c δ (Ω − nΩ )  

  Por tal motivo, si se conocen los coeficientes de la serie exponencial de Fourier de una  señal  periódica,  su  transformada  de  Fourier  puede  ser  encontrada  directamente,  ubicando una función impulso en la frecuencia correspondiente al coeficiente  cn , de  peso  2π cn . Claramente, una señal periódica no pertenece a L1 , pues su transformada  de Fourier esta formada por una serie de impulsos, por lo cual no es continua. 

154

Transformada de Fourier 

 

Análisis de Fourier 

    Ejemplo  5.17.  Una  señal  periódica  tiene  los  coeficientes  cn   que  se  muestran  en  la  Figura 5.31, encuentre la señal y su transformada de Fourier, si  Ω0 = 3 .     

Observación  5.14.  Todas  las  frecuencias  presentes  en  una  señal  periódica  son  múltiplos  de  la  frecuencia  fundamental  Ω0 .    La  transformada  de  Fourier  de  una  señal  periódica  está  formada  por  un  conjunto  de  impulsos  y  no  puede  ser  encontrada utilizando la ecuación de la transformada de Fourier  L1 . 

Figura 5.31. Coeficientes de Fourier para la señal periódica. 

 

    Solución. El coeficiente  cn se encuentra ubicado en la frecuencia  nΩ0 , por lo cual, los  coeficientes  son  c−2 = 2 ,  c−1 = 4 ,  c0 = 4 ,  c1 = 4   y  c2 = 2 .  Conociendo  que  en  la  serie  de Fourier el coeficiente  cn  acompaña al término  e jn 3t , se tiene      x(t ) = 4e j 0t + 4e j 3t + 4e − j 3t + 2e j 6t + 2e − j 6t     x(t ) = 4 + 2 cos(3t ) + cos(6t )     La transformada de Fourier puede encontrarse como    ℑ{ x(t )} = 4ℑ{e j 0t } + 4ℑ{e j 3t } + 4ℑ{e − j 3t } + 2ℑ{e j 6t } + 2ℑ{e− j 6t }    
   

     

ℑ{ x(t )} = 4π [2δ (Ω) + 2δ (Ω − 3) + 2δ (Ω + 3) + δ (Ω − 6) + δ (Ω + 6)]  

Figura 5.32. Transformada de Fourier de la señal periódica. 

 

   

155

Transformada de Fourier 

 

Análisis de Fourier 

5.7. Aplicaciones de la transformada de Fourier    5.7.1. Estimación espectral    La  transformada  de  Fourier  de  una  señal  nos  da  información  de  sus  componentes  frecuenciales. La función  X (Ω )  o espectro de Fourier, nos indica que componentes  de  frecuencia  están  presentes  en    la  señal  x(t )   y  en  que  proporción.  La  función  X (Ω ) 2  o  densidad  espectral  de  energía,  nos  indica  como  se  encuentra  repartida  la  energía de señal en las diferentes componentes de frecuencia.    5.7.2. Análisis de sistemas LTI    La  transformada  de  Fourier  nos  permite  encontrar  la  respuesta  en  frecuencia  H (Ω)   de un sistema LTI a partir de su respuesta a impulso  h(t ) . A partir de la función  H (Ω)   podemos  analizar  de  qué  forma  se  comporta  nuestro  sistema  ante  diferentes  componentes  de  frecuencia.  Adicionalmente  utilizando  la  función  H (Ω)   se  puede  encontrar  la  respuesta  del  sistema,  y(t ) ,  ante  cualquier  señal  de  entrada  x(t ) .  Para  ello  se  hace  Y (Ω) = X (Ω ) H (Ω) ,  donde  X (Ω)   y  Y (Ω) ,  corresponde  a  las  transformadas  de  Fourier  de  x(t )   y    y(t ) ,  respectivamente.  Posteriormente  la  señal  de salida del sistema puede ser encontrada como  y(t ) = ℑ−1{ y(t )} = ℑ−1{ X (Ω) H (Ω)} .    5.7.3. Ecuaciones diferenciales ordinarias y parciales    Utilizando la propiedad de diferenciación, dada por     ⎧ d n x (t ) ⎫   F⎨ = ( jΩ )n X ( Ω )   n ⎬ ⎩ dt ⎭   una  ecuación  diferencial  ordinaria  o  parcial,  puede  ser  resuelta  en  el  dominio  de  la  frecuencia.  A  continuación  se  presenta  un  ejemplo  de  una  ecuación  diferencial  ordinaria. Las ecuaciones diferenciales parciales se estudiarán detenidamente en una  sección posterior.    Ejemplo 5.18.  Utilizando la transformada de Fourier, resuelva la ecuación diferencial 

x(t ) + a x(t ) + bx(t ) = y (t ) , donde  y(t )  es una señal arbitraria.    Solución. Primero se transforman ambos lados de la igualdad.    ⎧ .. ⎫ ⎧. ⎫   ℑ ⎨ x(t )⎬ + aℑ ⎨ x(t )⎬ + bℑ{ x(t )} = ℑ{ y(t )}   ⎩ ⎭ ⎩ ⎭
 

..

.

 

( jΩ)2 X (Ω ) + ajΩX (Ω) + bX (Ω) = Y (Ω )  

156

Transformada de Fourier 

 

Análisis de Fourier 

  Ahora se despeja el término  X (Ω)  y se computa la transformada inversa de Fourier  para encontrar la solución  x(t ) .      X (Ω) ⎡ −Ω 2 + ajΩ + b ⎤ = Y (Ω )   ⎣ ⎦
 

 
 

X (Ω) =

Y (Ω)   (b − Ω 2 ) + ajΩ

   

x(t ) = ℑ−1 { X (Ω )}  

5.7.4. Diseño de filtros analógicos    Conociendo como se comporta un sistema LTI en el dominio de la frecuencia es posible  diseñar en circuito (filtro) que realice una función deseada sobre una señal de entrada.  Para  ello  se  establece  la  respuesta  en  frecuencia  que  se  desea  y  posteriormente  se  diseña un circuito analógico que tenga dicha respuesta en frecuencia.        5.8. Resumen    • La  serie  exponencial  no  permite  representar  señales  no  periódicas  sobre  un  intervalo  de  tiempo  infinito  por  lo  cual  es  necesario  utilizar  un  conjunto  no  contable de exponenciales para obtener dicha representación.    • La  transformada  de  Fourier  X (Ω)   de  una  señal  x(t )   es  obtenida  al  comprar  la  señal  con  un  conjunto  no  contable  de  exponenciales  complejos  de  diferentes  frecuencias. La transformada de Fourier converge sólo para señales de  L1 .    • X (Ω)   da  información  de  la  componente  de  frecuencia  Ω   en  la  señal,  por  tal  motivo,  el  gráfico  de  la  magnitud  de  X (Ω)   contra  la  frecuencia  visualiza  las  componentes de frecuencia presentes en la señal. La función  X (Ω)  puede verse  como una representación en el domino de la frecuencia de una señal.    • X (Ω )  es una función par y  ∠X (Ω)  es una función impar. Si se conoce que  X (Ω)   es  la  transformada  de  Fourier  de  una  señal  x(t )   la  transformada  de  X (t )   es   encontrada como  2π x( −Ω) . Una compresión/expansión de una señal en el tiempo  implica una expansión/compresión de su transformada de Fourier.     • Si  una  señal  se  desplaza  en  el  tiempo  su  transformada  se  multiplica  por  un  exponencial complejo, mientras que si una señal se multiplica por un exponencial  complejo su transformada se desplaza hasta la frecuencia de dicho exponencial. 

157

Transformada de Fourier 

 

Análisis de Fourier 

Si  una  señal  pertenece  a  L1   entonces  su  transformada  de  Fourier  es  acotada,  continua  y  decrece  con  la  magnitud  de  la  frecuencia.  La  energía  de  una  señal  es  proporcional  a  la  energía  de  su  transformada  de  Fourier.  Por  tal  motivo,  la  transformada de Fourier es una función de  L2  a   L2 .  La  transformada  de  Fourier  de  una  convolución  corresponde  al  producto  de  las  transformadas. Por tal motivo, la salida de un sistema LTI puede ser encontrada al  tomar la transformada inversa del producto entre la transformada de la señal de  entrada y la transformada de la respuesta impulso del sistema.   La transformada de Fourier de la respuesta impulso de un sistema se conoce como  la respuesta en frecuencia del sistema, pues ésta indica como responde el sistema  a  cada  componente  de  frecuencia  de  entrada.  Si  un  exponencial  complejo  es  aplicado a un sistema LTI la salida corresponde al mismo exponencial multiplicado  por la respuesta en frecuencia evaluada en la frecuencia del exponencial.  La transformada de Fourier de un exponencial complejo corresponde a un impulso  ubicado en la frecuencia del exponencial.  La transformada de Fourier de una señal  periódica está formada por un conjunto de impulsos. 

  •

  •

  •

    5.9. Ejercicios    Sección 5.2    1. Determine la transformada de Fourier de la señal  x(t ) = e .    2. Determine  la  transformada  de  Fourier  de  la  señal  x(t )   de  la  figura.  Exprese  el  resultado en función de  sinc .   
−t

      3. Determine la transformada de Fourier de  x(t ) = e − at cos(Ω 0 t )u (t ) , donde  a > 0 .    4. Determine  la  transformada  de  Fourier  de  la  señal  x(t ) = e − t u (t ) ∗ e −2t u (t ) ,  efectuando  primero  la  convolución  y  transformando  el  resultado  y  tomando  la  transformada de cada término y después multiplicando. 

158

Transformada de Fourier 

 

Análisis de Fourier 

5. Halle la transformada de Fourier de la señal   x(t ) = 2δ (t + 2) − 2δ (t − 2) .    6. Consideremos la señal “Campana de Cauchy” dada por  x(t ) = 1 1 + t 2 .    a. Demuestre que  x(t ) ∈ L1   b. Encuentre la transformada de Fourier de  x(t )     dx 1 ⎛ bx ⎞ = Tenga en cuenta que  ∫ 2 tan −1 ⎜ ⎟ .  2 2 ab a +b x ⎝ a⎠  

(

)

7. La señal  x(t ) =  

1

σ 2π

e

t2

2σ 2

, se conoce como señal gaussiana.  

a. Encuentre su norma  L1 , en función de  σ  ( σ ≠ 0 ).  b. Halle su transformada de Fourier, en función de  σ . 

2

  Para a. y b. tenga en cuenta que   ∫ e −u du = π . 
−∞

  8. Determina la señal  x(t )  cuya transformada de Fourier se ilustra en la figura.   

   

     

 

Sección 5.5    9. Si  ℑ{x(t )} = X (Ω) , determine la transformada de fourier de    a. x(1 − t )     b. x[(t / 2) − 2]     dx(t ) c. cos t   dt d [x(−2t )]   d. dt

159

Transformada de Fourier 

 

Análisis de Fourier 

10. Una señal  x(t )  tiene transformada de Fourier dada por   
−⎜ 2 ⎟ ⎜ ⎟ 1 X (Ω) = 2 e ⎝ Ω +1 ⎠   Ω +1 ⎛ 2Ω 2 ⎞

  Usando las propiedades de la transformada de Fourier, escriba las transformadas de     a. x(2t )  
 

b. x(t − 2)e jt  
 

c. 4
 

dx(t )   dt

11. Use  la  propiedad  de  modulación  para  encontrar  la  señal  x(t )   cuya  transformada  de Fourier se encuentra en la figura.   

    12. Determine la transformada de Fourier de la señal  x(t ) = senc(t ) .       Sistemas 5.6    13. Se conoce que dos señales  x(t )  y  y (t ) , satisfacen la ecuación 
 

y (t ) =

−∞

∫ x(t − s) y(s)ds + δ (t )  

  a. Si  ℑ{x(t )} = X (Ω)  y  ℑ{y (t )} = Y (Ω) , halle la relación entre  X (Ω)  y  Y (Ω) . 
 

b. Si  x(t ) = e −2t u (t ) , halle  y (t ) .    14. Demuestre utilizando la transformada de Fourier, que si  h(t ) = x(t ) ∗ y (t )  entonces 
 

a. x(t )e jΩ 0t ∗ y (t )e jΩ0t = h(t )e jΩ0t  
 

b. x(t − t1 ) ∗ y (t − t 2 ) = h[t − (t1 + t 2 )]  

160

Transformada de Fourier 

 

Análisis de Fourier 

Sección 5.7    −Ω 15. La  transformada  de  Fourier  de  cierta  señal  x(t )   es  X (Ω) = πe .  Calcule  el  porcentaje  de  energía  total  de  x(t )   proporcionada  por  los  componentes  de  frecuencia hasta 1 radian por segundo.    16. Determine  el  valor  numérico  de  la  constante  real  positiva  a ,  si  la  mitad  de  la  energía de la señal  x(t ) = e − at u (t )  está en el rango espectral de 0 a 1 Hz.    17. Evalué las siguientes integrales utilizando el teorema de Parseval.   
⎛ sin t ⎞ a.   ∫ ⎜ ⎟ dt           ⎝ t ⎠ −∞
∞ ∞

2

b.

−∞

∫⎜ a ⎝

2

1 ⎞ ⎟dt   + t2 ⎠

  Sección 5.7    18. Obtenga la transformada de Fourier de la señal  x(t ) = cos(Ω0t ) , donde  Ω0 ∈ R .    19. Obtenga la transformada de Fourier de la secuencia de impulsos de peso unitario,  que se ilustra en la figura.     

        20. Encuentre  la  transformada  de  Fourier  de  la  señal  de  salida  de  un  rectificador  de  onda completa ( y(t )  en la figura), si la entrada es  x(t ) = sin(π t ) .     

161

6 ANÁLISIS DE FOURIER PARA SEÑALES DISCRETAS
  Las  ventajas  del  procesamiento  digital  de  señales  han  hecho  que  las  técnicas  de  procesamiento  analógico  queden  un  poco  rezagadas.  Por  tal  motivo,  es  sumamente  importante conocer y utilizar las herramientas que ofrece el análisis de Fourier para el  estudio y análisis de señales y sistemas de tiempo discreto.  
 

6.1. Muestreo de señales de tiempo continuo 
 

6.1.1. Muestreo ideal utilizando funciones impulso    Muchas señales de TC deben ser muestreadas para ser procesadas utilizando técnicas  digitales.  Como  la  señal  de  TC  toma  valores  en  todos  los  instantes  de  tiempo,  es  imposible almacenar y procesar todo esa cantidad de información. Por tal motivo, el  primer paso en el procesamiento digital de una señal continúa, es tomar un conjunto  de  muestras  de  la  señal,  con  el  fin  de  que  éstas  sean  analizadas  y/o  procesadas.  El  proceso  de  tomar  un  conjunto  de  muestras  de  una  señal  de  TC  x(t ) ,  se  denomina  muestreo. Suponga que una señal de TC  x(t )  es muestreada cada  Tm  segundos. 

 

 

 

Figura 6.1. Muestreo de una señal de TC. 

 
El término  Tm , se conoce como tiempo de muestreo y su inverso  f m = 1 / Tm , se conoce  como frecuencia de muestreo. Es claro en este punto, que entre más muestras se tome  de una señal, más similar será la imagen muestreada de la versión continua. Entre más  pequeño  sea  Tm ,  mayor  número  de  muestras  se  tendrá  de  la  señal  por  unidad  de  tiempo y mayor será la frecuencia de muestreo. Podemos imaginarnos que la señal de  TC se hace pasar por un dispositivo, que se cierra cada  Tm  segundos para obtener la  muestra  x( nTm ) . En los demás instantes de tiempo, la salida del dispositivo es cero.    Este procedimiento puede ser modelado multiplicando nuestra señal de TC  x(t ) , por  un tren de impulsos igualmente espaciados un distancia  Tm , definidos como 

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

 

p(t ) =

n =−∞

∑ δ (t − nT

m

  La señal muestreada  xm (t ) , es obtenida como       

xm (t ) = x(t ) p(t ) = x(t ) ∑ δ (t − nTm )  
n =−∞

xm (t ) =

n =−∞

∑ x(t )δ (t − nT

m

  Recordemos  que  al  multiplicar  una  señal  x(t )   por  un  impulso  ubicado  en  t = t0 ,  se  obtiene el mismo impulso de peso la señal en  t0 , es decir,  x(t )δ (t − t0 ) = x(t0 )δ (t − t0 ) .  Por tal motivo, nuestra señal muestreada puede ser expresada como         

xm (t ) =

n =−∞

∑ x(nT

m

)δ (t − nTm )  

       
 

 

Figura 6.2. Señal de TC y tren de impulsos. 

    La  señal  de  TC  xm (t ) ,  toma  el  valor  de  la  señal  x(t )   en  los  múltiplos  del  tiempo  de  muestreo  Tm  y el valor cero en cualquier otro instante de tiempo.        

 

 

Figura 6.3. Señal muestreada obtenida. 

164

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.1.2. Efecto del muestreo sobre el espectro    La señal muestreada puede expresarse como     

xm (t ) = x(t ) ∑ δ (t − nTm )  
n =−∞

  Si tomamos la transformada de Fourier a ambos lados de la igualdad, encontramos la  transformada  de  un  producto,  la  cual  corresponde  a  la  convolución  de  las  transformadas de cada uno de lo términos de acuerdo a    ∞ ⎧ ⎫ X m (Ω) = ℑ ⎨ x(t ) ∑ δ (t − nTm ) ⎬     n =−∞ ⎩ ⎭ ∞ 1 ⎧ ⎫   X m (Ω) = X (Ω) ∗ ℑ ⎨ ∑ δ (t − nTm ) ⎬   2π ⎩ n =−∞ ⎭   donde  X (Ω)  corresponde a la transformada de Fourier de la señal original  x(t ) . Para  computar la transformada del tren de impulsos  p(t ) , encontraremos primero su serie  exponencial  de  Fourier,  pues  la  señal  es  periódica,  con  periodo  Tm .  La  señal  tren  de  impulsos tiene  serie exponencial de Fourier dada por     ∞ 2π   xi (t ) = ∑ cn e jnΩmt , Ω m =   Tm n =−∞   donde los coeficientes  cn , pueden ser encontrados como    T /2 T /2 ⎤ 1 m ⎡ ∞ 1 ∞ ⎡ m ⎤ − jnΩmt cn =   ∑ δ (t − nTm )⎥ e dt = T n∑ ⎢ ∫ δ (t − nTm ) e− jnΩmt dt ⎥   Tm −T∫ / 2 ⎢ n =−∞ ⎣ ⎦ ⎥ m =−∞ ⎢ −Tm / 2 m ⎣ ⎦   La  ecuación  anterior  comprende  infinitas  integrales  evaluadas  en  el  intervalo  [−Tm / 2, Tm / 2] , de impulsos ubicados en  nTm . Claramente el impulso ubicado en  t = 0   es el único que vive dentro del intervalo de integración, por tal motivo las integrales  para  n ≠ 0  son cero y la ecuación anterior puede reescribirse como     

cn =

1 Tm

Tm / 2

−Tm / 2

δ (t ) e− jnΩ t dt =
m

1 − jnΩ0 ( 0 ) 1 e =   Tm Tm

 

  Por  tal  motivo,  la  serie  exponencial  del  tren  de  impulsos  unitario  con  periodo  Tm ,  puede escribirse como   

165

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

 

p(t ) =

n =−∞

∑T

1
m

e jnΩmt , Ω m =

2π   Tm

  La  transformada  de  Fourier  puede  ser  encontrada  utilizando  la  ecuación  de  la  transformada para señales periódicas, con la cual se obtiene que    ∞ 2π 2π     δ (Ω − nΩ m ), P( Ω ) = ∑ Ωm = Tm n =−∞ Tm   Por lo tanto, la transformada de Fourier  X m (Ω)  de la señal muestreada, corresponde  a la convolución entre la transformada de la señal y un tren de impulsos igualmente  espaciados una distancia  Ω m  y de peso  2π / Tm . Por tal motivo se obtiene    ⎡ ∞ 2π ⎤ 1 ∞ 1   X m (Ω) = [ X (Ω)] ∗ ⎢ ∑ δ (Ω − nΩm )⎥ = ∑ [ X (Ω) ∗ δ (Ω − nΩm )]   2π ⎣ n =−∞ Tm ⎦ Tm n =−∞   Propiedad 6.1.   X (Ω) ∗ δ (Ω − Ω 0 ) = X (Ω − Ω 0 )     Demostración.     

X (Ω) ∗ δ (Ω − Ω0 ) =

−∞

∫ X (τ )δ [(Ω − Ω ) − τ ] dτ = X (Ω − Ω
0

0

)                                  ■ 

  Utilizando la Propiedad 6.1, la transformada de Fourier  X m (Ω ) , puede escribirse como 
 

X m (Ω) =

1 Tm

n =−∞

∑ X (Ω − nΩ

m

  Observación 6.1. La señal  X m (Ω )  corresponde a una versión periódica, con periodo  Ω m ,  de  la  transformada  de  Fourier  X (Ω)   de  la  señal  original  x(t ) ,  escalada  en  amplitud por el factor  1 / Tm , como se ilustra en la Figuras 6.4 y 6.5.     6.1.3. Recuperación de la señal original    Consideremos  una  señal  de  TC  x(t )   perteneciente  a  L1   y  cuya  componente  de  frecuencia más alta es  Ω a  rad/seg, como se ilustra en la Figura 6.4.    Definición  6.1.  Una  señal  x(t )   tiene  ancho  de  banda  limitado  si  su  transformada  de  Fourier  X (Ω)  tiene soporte compacto, como se ilustra en la Figura 6.4. 

166

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

 

 

Figura 6.4. Transformada de Fourier de la señal de TC de banda limitada. 

    Cuando la señal de TC  x(t )  se muestrea cada  Tm  segundos, se obtiene la señal de TC  xm (t ) ,  cuya  transformada  de  Fourier  X m (Ω ) ,  corresponde  a  una  serie  de  copias  escaladas  de la señal  X (Ω) , espaciadas  Ω m , como se ilustra en la Figura 6.5. Por tal  motivo, la señal muestreada  xm (t )  no tiene ancho de banda limitado (a diferencia de  x(t ) ) y presente componentes en infinitas banda de frecuencia.     

 

 

Figura 6.5. Transformada de Fourier de la señal muestreada. 

    Con el fin de reconstruir la señal original  x(t )  a partir de sus muestras, se debe filtrar  la señal muestreada  xm (t ) , para eliminar las copias redundantes de  X (Ω)  en  X m (Ω) .  Para ello, se debe ajustar un filtro ideal pasa‐bajas con respuesta en frecuencia  H (Ω)   tal  que  sólo  permita  el  paso  de  la  copia  central  de  X (Ω)   y  elimine  las  copias  redundantes, como se ilustra en la Figura 6.6.      

 

 

Figura 6.6. Eliminación de las copias redundantes. 

 

167

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

La señal  x(t )  es perfectamente reconstruida si se tiene un filtro ideal con frecuencia  de corte  Ωc   ajustado para contener la copia central de  X (Ω) , ver Figura 6.7.     

 

 

Figura 6.7. Reconstrucción de la señal original.   

Observación 6.2. El filtro ideal  H (Ω) , implica un sistema que tiene por respuesta al  impulso la función sinc, es decir,  h(t ) = sinc(t ) . En la práctica es imposible obtener  un  sistema  con  esta  respuesta  al  impulso,  pues  se  requiere  que  el  sistema  no  sea  causal  y  que  su  respuesta  impulso  tenga  soporte  infinito.  Por  tal  motivo,  en  la  práctica es imposible reconstruir de forma exacta la señal original.
 

Para reconstruir  x(t )  a partir de  xm (t )  de forma correcta, se necesita que las copias de  X (Ω)  en  X m (Ω )  no se traslapen. Si las copias se traslapan, al realizar el filtrado ideal  obtendremos una versión distorsionada de  X (Ω)  y por lo tanto también una de  x(t ) .     

 

 

Figura 6.8. Traslape entre las copias de la transformada original. 

    Para evitar el traslape entre copias se debe garantizar que  Ω a < Ω m − Ω a , es decir,    2π 2Ω a < Ω m =     Tm   Si la frecuencia en Hz más alta de la señal es  f a = Ω a / 2π , entonces se debe cumplir    fm > 2 fa     Esta condición se conoce como tasa de Nyquist. 

168

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.1.4. Transformada de Fourier de una señal muestreada    Para una señal de TC  x(t ) ∈ L1 , su transformada de Fourier puede encontrarse como   

 

X (Ω) =

−∞

∫ x(t )e

− j Ωt

dt  

  Si  se  muestrea  x(t ) cada  Tm   segundos,  utilizando  un  tren  de  impulsos,  se  obtiene  xm (t ) , cuya transformada de Fourier puede ser encontrada mediante   

 

X m (Ω) =

−∞

∫x

m

(t )e − jΩt dt  

  Utilizando la definición de la señal muestreada  xm (t ) , podemos reescribir    ∞ ⎡ ∞ ⎤   X m (Ω) = ∫ ⎢ ∑ x( nTm )δ (t − nTm )⎥ e − jΩt dt   ⎦ −∞ ⎣ n =−∞   Intercambiando el orden entre la integral y la sumatoria, se tiene     

X m (Ω) =

n =−∞

x( nTm ) ∫ δ (t − nTm )e − jΩt dt  
−∞

  Utilizando la propiedad de selección del la función impulso, se tiene   

X m (Ω) =
   

n =−∞

∑ x(nT

m

)e − jΩnTm  

6.1.5. Señales muestreadas y señales discretas    La señal muestreada  xm (t )  sólo contiene información importante en aquellos tiempo  de  muestreo,  en  los  otros  instantes  del  tiempo  es  cero.  Por  tal  motivo,  es  suficiente  almacenar la información de la señal de TC  x(t )  en un señal de TD  xn  que contenga  sólo los valores muestreados.    Definamos  x n  como la señal de tiempo discreto dada por  xn = x( nTm ) . Para un valor  dado  de  n ,  la  señal  x n   indica  el  valor  de  la  señal  de  TC  x(t ) ,  en  el  tiempo  t = nT ,  donde  n ∈ Z .  Por  tal  motivo,  toda  señal  discreta  puede  verse  como  una  señal  de  tiempo continuo que ha sido muestreada.   

169

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

 

 

Figura 6.9. Señal de TD obtenida.    
 

Al visualizar una señal de TD, sólo se presentan las muestras y no el tiempo en el cual  éstas  fueron  tomadas.  Sin  embargo,  la  información  del  tiempo  de  muestreo  siempre  debe ser conocida para el análisis de la señal y para su correcta visualización en una  escala  temporal.  Adicionalmente,  en  la  Sección  6.2  se  muestra  que  el  tiempo  de  muestreo  Tm  es de suma importancia para relacionar la frecuencia angular discreta  ω   con la frecuencia angular continua  Ω .  Observación  6.3.  Dos  señales  de  TC  pueden  generar  la  misma  señal  de  TD  al  ser  muestreadas, por lo cual es importante especificar el tiempo de muestreo.    Ejemplo  6.1.  Consideremos  dos  señales  sinusoidales  de  TC,  de  diferente  frecuencia.  Las  dos  señales  son  muestreadas  de  tal  forma  que  se  toman  4  muestras  por  cada  periodo de la señal: máximo, mínimo y cruces por cero. En este caso, la señal de TD  obtenida es la misma, como se ilustra en la señal derecha de la Figura 6.10. 
 
 

(a)  (b)  (c)  Figura 6.10. Señales de TC que generan una misma señal de TD. (a) y (b) señales de TC y (c) señal de TD. 

    

    

 

  6.2. Transformada de Fourier para señales discretas    6.2.1. Definición de la transformada de Fourier l1    La transformada de Fourier de una señal muestreada  xm (t ) , esta dada por     

X m (Ω) =

n =−∞

∑ x(nT

m

)e − jΩnTm  

170

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

Definamos  ω  como la frecuencia angular discreta, dada por  ω = ΩTm . Conociendo que  la  señal  de  TD  xn   se  relaciona  con  la  señal  de  TC  x(t ) ,  por  medio  de  xn = x( nTm ) ,  podemos definir la transformada de Fourier para una señal de TD  xn , de acuerdo a   

ℑ{ xn } = X (ω ) =
 

n =−∞

∑xe
n

− jω n

 

Observación  6.4.  La  transformada  de  Fourier  X m (Ω) ,  de  la  señal  muestreada  xm (t ) , y la Transformada de Fourier  X (ω ) , de la señal de TD  xn  se relacionan por la  variable  ω = ΩTm .  Si  se  quiere  encontrar X (ω )   a  partir  de  X m (Ω ) ,  se  hace  X (ω ) = X m (Ω)   para  Ω = ω / Tm .
 

 

⎧1 si n ∈ {− 1,0,1} Ejemplo 6.2. Encuentre la TF de la señal  x n = ⎨ .   ⎩0 si n ∉ {− 1,0,1}   Solución. La señal corresponde a un pulso de TD, como se ilustra en la Figura 6.11. 
 

   

 

 

Figura 6.11. Señal pulso de TD de ancho 2. 
   

1

 

X (ω ) =

X (ω ) = e + 1 + e − jω = 1 + 2 cos(ω )

n =−∞ jω

∑xe
n

− jω n

=

n =−1

∑e

− jω n

 

Figura 6.12. Transformada de Fourier de la señal pulso de TD. 
 

171

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

Propiedad 6.2. Si  xn ∈ l1 , entonces  X (ω ) es acotada.      Demostración.       

X (ω ) = X (ω ) ≤

n =−∞


xn e − jω n ≤

n =−∞

xn e − jω n  

n =−∞

xn = xn 1                                                                                                    ■ 

  Propiedad. 6.3. La transformada  X (ω )  siempre es periódica, con periodo 2π .    Demostración. Evaluemos un corrimiento  2π k , donde  k ∈ Z , en  X (ω ) .         

X (ω + 2π k ) = X (ω + 2π k ) =

n =−∞ ∞

∑xe
n

− j ( ω + 2π k ) n

=

n =−∞ − jω n

∑xe
n

− jω n − j 2π kn

e

 

n =−∞

∑xe
n

= X (ω )                                                                                 ■ 

  La Propiedad 6.3 también puede demostrarse a partir de la Observación 6.4.       6.2.2. Interpretación de la transformada de Fourier l1    Para un valor dado de  ω0 , la magnitud de  X (ω0 )  da información de la participación de  la componente de frecuencia  ω0  en la señal  xn . Conociendo que la frecuencia discreta  es  periódica,  tiene  sentido  que  la  transformada  de  Fourier  de  una  señal  periódica  también lo sea. Por tal motivo, si se conoce  X (ω )  sobre un intervalo de longitud  2π   se  pueden  conocer  las  componentes  de  frecuencia  presentes  en  una  señal.  Recordemos  que  la  frecuencia  más  alta  es  ±π   y  la  más  baja  es  0 ,  por  lo  cual  las  frecuentas  altas  son  las  cercanas  a  ±π   y  las  frecuencias  bajas  las  cercanas  a  0 .La  Figura 6.13 ilustra las componentes de frecuencias de la señal del Ejemplo 6.2.     

Figura 6.13. Espectro de Fourier de la señal del Ejemplo 6.2. 

 

172

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

Una vez es obtenida la transformada de Fourier  X (ω ) , de una señal de TD  xn ∈ l1 , la  señal puede ser recuperada utilizando la transformada inversa de Fourier. Observe que  X (ω )  es una señal periódica, con periodo  2π , y corresponde a una serie exponencial  de Fourier, con coeficientes dados por  xn  y señales base  e− jω n . Los coeficientes de la  serie  exponencial  (señal  xn )  pueden  ser  encontrados  utilizando  la  formula  de  los  coeficientes  cn  de la serie exponencial de Fourier, a partir de lo cual se tiene   
 

ℑ-1{ X (ω )} = xn =
 

1 2π

2

∫π X (ω )e

jω n

dω  

  A partir de esta ecuación, es claro que  X (ω )  pondera una suma continua (integral) de  exponenciales complejos de distintas frecuencias con el fin de obtener la señal  xn .      6.2.3. Propiedades de la TF de una señal discreta      Linealidad      ℑ{axn + byn } = aX (ω ) + bY (ω )     Desplazamiento en el tiempo      ℑ{ xn − n0 } = X (ω )e − jωΩo     Modulación        Multiplicación        Periodicidad           

ℑ{ xn e jω0 n } = X (ω − ω0 )  

ℑ{ xn yn } = X (ω ) ⊗ Y (ω ) =

∫ X (τ )Y (ω − τ )dτ  

X (ω + 2π ) = X (ω )  
Simetría 
X (ω )  es par  y   ∠X (ω )  es impar 

173

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.2.4. Transformada de Fourier para señales periódicas discretas    Las  señales  periódicas  discretas  no  pertenecen  a  l1   por  lo  cual  su  transformada  de  Fourier no puede ser encontrada por medio de la sumatoria. De forma análoga al caso  continuo, se quiere representar una señal periódica discreta como una combinación de  armónicos de su frecuencia fundamental. Sea  xn  una señal con periodo  N , entonces  su frecuencia angular es  ω0 = 2π N  y la señal puede escribirse como     

xn =

k =−∞

∑ce
k

jkω0 n

 

  donde  cada  coeficientes  complejo  ck   controla  el  aporte  del  k‐ésimo  armónico  en  la  representación de la señal.    Propiedad 6.4. Sólo hay  N  señales distintas de la forma  e jkω0 n .      Demostración.      e j ( k + N )ω0 n = e jkω0 n e jNω0 n = e jkω0 n                                                                                        ■                                                                                                   Por  tal  motivo,  la  señal  puede  representarse  utilizando  sólo  N   armónicos  de  su  frecuencia fundamental, de acuerdo a     

xn = ∑ ck e jkω0 n  
k =0

N −1

  Está  representación  se  conoce  como  la  serie  exponencial  de  Fourier  para  una  señal  discreta  y  a  diferencia  del  caso  continuo,  la  señal  xn   se  expresa  en  función  de  un  conjunto  finito  de  exponenciales.  Para  encontrar  los  coeficientes  ck   cambiemos  el  índice de la sumatoria por  m  y multipliquemos a ambos lados por un exponencial        

xn e − jkω0 n = ∑ ck e jmω0 n e − jkω0 n  
m=0

N −1

xn e − jkω0 n = ∑ ck e j ( m − k )ω0 n  
m=0

N −1

  Sumando sobre los valores de  n  en intervalo  [ 0, N − 1]  se tiene       
N −1 N −1 ⎧ Nc xn e − jkω0 n = ∑ ck ∑ e j ( m − k )ω0 n = ⎨ k ∑ n=0 m=0 n=0 ⎩ 0 N −1

m=k   m≠k

174

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

Por tal motivo, los coeficientes de la serie exponencial pueden encontrarse como   
 

 
 

ck =

1 N

∑x e
n=0 n

N −1

− jkω0 n

,

k = 0,1, ..., N − 1  

  Suponga que una señal tiene transformada de Fourier  X (ω ) =    
k =−∞

∑ 2πδ (ω − ω

0

− k 2π )  

      Encontremos a que señal pertenece esta transformada, para ello se hace    ∞ ⎧ ∞ ⎫ 1   xn = ℑ−1 ⎨ ∑ 2πδ (ω − ω0 − k 2π ) ⎬ = ∑ 2πδ (ω − ω0 − k 2π )e jωn dω   2π 2∫ k =−∞ ⎩ k =−∞ ⎭ π  
1 xn = 2π

∫ 2πδ (ω − ω )e
0 0

jω n

dω = e jω0 n  

  Por tal motivo, la transformada de Fourier de un exponencial complejo de frecuencia  ω0   es  un  conjunto  impulsos  de  periodo  y  peso  2π ,  ubicados  en  las  frecuencias  ω0 + 2π k , con  k ∈ Z .  Así, para un exponencial complejo de frecuencia  ω0  se tiene     

ℑ{e jω0 n } =

k =−∞

∑ 2πδ (ω − ω

0

− k 2π )  

  Esta ecuación es la clave para encontrar la transformada de Fourier de cualquier señal  periódica.  Consideremos  la  transformada  de  Fourier  de  una  señal  periódica  discreta  expresada como una serie exponencial de Fourier    ⎧ N −1 ⎫ N −1   X (ω ) = ℑ{ xn } = ℑ ⎨∑ ck e jkω0 n ⎬ = ∑ ck ℑ{e jkω0 n }   ⎩ k =0 ⎭ k =0
 

 

X (ω ) = ∑ 2π ck
k =0

N −1

m =−∞

∑ δ (ω − kω

0

− m2π )  

175

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

La  función  X (ω )   está  formada  por  un  conjunto  de  N   impulsos  ubicados  en  el  intervalo  [0, 2π ] , cada uno de los cuales se repite cada  2π . 
 

Observación 6.5. Si la  transformada  X (ω )  es un conjunto de impulsos entonces la  señal  xn   es  periódica.  Por  otro  lado,  si  la  transformada  X (ω )   es  una  función  continua (no presenta discontinuidades) entonces la señal  xn ∈ l1 .     6.2.5. Teorema de Parseval para la TF de señales discretas    La energía de una señal discreta se define como     

E=

n =−∞

xn =

2

n =−∞

∑xx

∗ n n

 

  Utilizando la ecuación de transformada inversa de Fourier de TD, se tiene   
⎛ 1 ⎞ ⎛ ⎞ 1 ∞ jω n E = ∑ xn ⎜ X (ω )e d ω ⎟ = ∑ xn ⎜ ∫ X ∗ (ω )e− jωn dω ⎟   ∫ n =−∞ ⎝ 2π 2π ⎠ 2π n =−∞ ⎝ 2π ⎠   Intercambiando el orden entre la integral y la suma, se tiene    1 ⎛ ∞ ⎞ 1 ∗ E= X ∗ (ω ) ⎜ ∑ xn e − jω n d ω ⎟ = ∫π ∫π X (ω ) X (ω )d ω   2π 2 ⎝ n =−∞ ⎠ 2π 2
∞ ∗

  Por tal motivo, la energía de la señal discreta puede encontrarse como   
 

E=

1 2π

2

∫π

X (ω ) d ω  

2

    6.2.6. Propiedad de convolución para la TF de señales discretas    La convolución discreta entre  x n y  hn  se define como:     

xn ∗ hn =

k =−∞

∑x

n−k k

h   

  Utilizando la ecuación de transformada inversa de Fourier podemos escribir  xn − k  como 

176

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

 

xn ∗ hn =

⎡ 1 ∑ ⎢ 2π k =−∞ ⎣

∫ X (ω )e
0

jω ( n − k )

⎤ dω ⎥ hk   ⎦

  Intercambiando el orden entre la integral y la suma, se tiene    1 ⎛ ∞ ⎞   xn ∗ hn = X (ω )e jω n ⎜ ∑ e − jω k hk ⎟ dω   ∫π 2π 2 ⎝ n =−∞ ⎠
 

 
 

xn ∗ hn =

1 2π

2

∫π [ X (ω )H (ω )] e

jω n

dω  

  xn ∗ hn = ℑ−1{ X (ω ) H (ω )}       Por tal motivo, la transformada de una convolución puede encontrarse como   
 

ℑ{ xn ∗ hn } = X (ω ) H (ω )  
 

donde  X (ω ) = ℑ{ xn }  y   H (ω ) = ℑ{hn } .    Los  sistemas  discretos  lineales  e  invariante  en  el  tiempo  se  caracterizan  por  su  respuesta impulso  hn  y la respuesta del sistema a cualquier señal de entrada  xn  puede  encontrarse como  xn ∗ hn . Utilizando la propiedad de convolución es posible encontrar  la transformada de Fourier de la salida del sistema como se ilustra en la Figura 6.14.      

 

 

 

Figura 6.14. Análisis de un sistema LTI discreto utilizando la transformada de Fourier 

    La  transformada  de  Fourier  H (ω )   de  la  respuesta  impulso  hn   se  conoce  como  respuesta  en  frecuencia  del  sistema,  pues  está  función  indica  como  responde  al  sistema  a  cada  componente  de  frecuencia  de  entrada.  Observe  que  la  información  frecuencial  de  la  señal  de  salida  está  contenida  en  la  transformada  Y (ω ) ,  la  cual  se  obtiene  multiplicando  X (ω )   (que  contiene  la  información  frecuencial  de  la  señal  d  entrada)    con  H (ω ) .  Por  tal  motivo  graficando  la  magnitud  de  H (ω )   (sobre  un  intervalo  de  longitud  2π )  se  puede  observar  que  componentes  de  frecuencia    se  atenúan, se amplifican o no se alteran al pasar a través del sistema. 

177

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

  Ejemplo  6.3.  Encuentre  la  respuesta  del  sistema  LTI  discreto  que  tiene  la  respuesta  impulso que se ilustra en la siguiente Figura, donde  M ∈ Z + .    
 

⎧ 1 n ∈ {− M , ..., M } ⎪ hn = ⎨ 2 M + 1 ⎪ 0 otro caso ⎩

 

 

  Solución.  La respuesta en frecuencia del sistema puede encontrase como    ∞ M M 1 1 ⎛ −1 ⎞   H (ω ) = ∑ xn e − jω n = ∑M e− jωn = 2M + 1 ⎜ n∑M e jωn +1 + ∑ e jωn ⎟   2 M + 1 n =− n =−∞ n =1 ⎝ =− ⎠    

1 ⎡ M jω n − jω n ⎤ 1+ ∑ e + e n ⎥  2 M + 1 ⎢ n =1 n =−∞ ⎣ ⎦ M 1 ⎡ ⎤ H (ω ) = ⎢1 + ∑ 2 cos( nω ) ⎥   2 M + 1 ⎣ n =1 ⎦
H (ω ) =

∑xe

− jω n

=

(

)

  La magnitud de la respuesta en frecuencia se ilustra en la Figura 6.15, para diferentes  valores  de  M .  Claramente  el  sistema  se  comporta  como  un  filtro  que  de  pasar  las  componentes  de  baja  frecuencia y atenúa  las de  alta  frecuencia (filtro  pasa‐bajas), y  cuya selectividad aumenta a medida que crece  M  (crece el soporte de  hn ).   
 

    
 

 

    

 

Figura 6.15. Respuesta en frecuencia del sistemas para M = 1, M = 3 y M = 10, respectivamente. 

  La salida del sistema a una entrada arbitraria  xn  puede expresarse como    1 ⎛ 1 ⎞ N   yn = xn ∗ hn = ⎜ ⎟ ∑ xn = 2M + 1 ( x− N + ... + x0 + ... + xN )   ⎝ 2M + 1 ⎠ n =− N  

178

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.3. Transformada discreta de Fourier  (DFT)    La  transformada  de  Fourier  X (ω )   de  una  señal  discreta  es  una  función  de  tiempo  continuo, por lo cual su cálculo implica tener en cuenta todos los posibles valores de la  variable  real  ω .  Dado  que  X (ω )   es  una  función  con  periodo  2π   bastaría  con  computar  X (ω )  en el intervalo  [0, 2π ] , sin embargo,  ω  toma un número infinito de  valores  en  este  intervalo  finito.    Este  aspecto  hace  que  sea  imposible  encontrar  exactamente  X (ω )   utilizando  un  procesador  digital,  pues  se  necesitarían  infinitas  posiciones de memoria y computar infinitos productos y sumas.     Con el fin de solucionar este problema se calculará  X (ω )  sólo sobre un conjunto de  N   valores  de  frecuencia  (muestras  de  frecuencia)  igualmente  espaciados  en  el  intervalo  [0, 2π ] , como se ilustra en la Figura 6.16.     

 

 

Figura 6.16. Muestreo de la transformada de Fourier. 

    Las  N  muestras de frecuencia se toman igualmente espaciadas, en los valores     2π ( N − 1) ⎫ ⎧ 2π 2π ( 2) , , ..., ⎨0, ⎬  N N ⎩ N ⎭   De  esta  forma  podemos  calcular  X (ω )   sólo  sobre  las  frecuencias  ωk = 2π k / N ,  con  k = {0,1, ..., N − 1} , de acuerdo a     

X (ωk ) =

n =−∞

∑xe
n

− jωk n

,

k = 0,1, ..., N − 1  

  En  la  práctica  todas  las  señales  tiene  longitud  finita  (soporte  compacto),  entonces  la  ecuación anterior puede escribirse para una señal causal (toma valor 0 para  n < 0 )  de  longitud  L  como      

X (ωk ) = ∑ xn e − jωk n ,
n =0

L −1

k = 0,1, ..., N − 1  

179

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.3.1. Efectos del muestreo en frecuencia    Es claro en este punto que  X (ω )  corresponde a la representación en el domino de la  frecuencia  de  una  señal  discreta  xn ,  es  decir,  X (ω ) = ℑ{ xn } .  Sin  embargo,  como  se  mencionó anteriormente, en algunos casos es imposible calcular  X (ω )  para todos los  valores de  ω  y lo mejor que puede hacerse es calcular  X (ω )  para un conjunto finitos  de  N   valores  de  frecuencia  en  el  intervalo  [0, 2π ] .  Este  procedimiento  equivale  a  tomar  N  muestras de la función  X (ω )  en el intervalo  [0, 2π ] .    Suponga  que  una  señal  discreta  xn   tiene  transformada  de  Fourier  X (ω )   y  dicha  transformada  es  muestreada  utilizando  un  conjunto  de  N   impulsos  igualmente  espaciados sobre cada intervalo de longitud  2π . Definamos la función  X m (ω )  como la  versión muestreada de la transformada  X (ω ) , es decir     2π k ⎡ 2π ∞ ⎤ ωk =     X m (ω ) = X (ω ) ⎢ ∑ δ (ω − ωk )⎥ , N ⎣ N k =−∞ ⎦   La pregunta a responder ahora es de que señal discreta es transformada  X m (ω ) ?, o lo  que  es  lo  mismo,  X m (ω )   corresponde  a  la  representación  frecuencial  de  que  señal?  Para responder esta pregunta encontremos la transformada inversa de  X m (ω )  como    ∞ 1 ⎡ ⎤   X (ω ) ⎢ 2π ∑ δ (ω − ωk ) ⎥ e jω n dω   ℑ−1{ X m (ω )} = ∫π 2π 2 ⎣ k =−∞ ⎦
 

 
 

ℑ { X m (ω )} =
−1


0

⎡ N −1 ⎤ X (ω ) ⎢ ∑ δ (ω − ωk )⎥ e jω n dω   ⎣ k =0 ⎦

 
 

N −1 ⎧ 2π ⎫ ⎡ N −1 ⎤ ⎪ ⎪ ℑ−1{ X m (ω )} = ∑ ⎨ ∫ X (ω )e jω n ⎢ ∑ δ (ω − ωk ) ⎥ dω ⎬   ⎪ k =0 ⎪ 0 ⎣ k =0 ⎦ ⎩ ⎭

 

ℑ−1{ X m (ω )} = ∑ X (ωk )e jωk n  
k =0

N −1

  Por tal motivo, la transformada inversa de  X m (ω )  corresponde a la serie exponencial   Fourier de una señal de periodo  N ,  cuyos coeficientes complejos de Fourier son los  valores  X (ωk ) , los cuales pueden ser encontrados como    1 N −1 X (ωk ) = ∑ xnp e − jωk n     N n =0   donde la señal  xnp  corresponde a una versión periódica (de periodo  N ) de la señal  xn ,  como se ilustra en la Figura 6.17 para una señal de longitud  4  y para N = 4. 

180

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

 

        Figura 6.17. Señal discreta de longitud  4  y su versión periódica, de periodo 4. 

 

 

  La función  X m (ω )  es la representación en el dominio de la frecuencia de una versión  periódica de la señal  discreta  xn , es decir,  X m (ω ) = ℑ{ xnp } . El periodo de la señal  xnp   es  igual  a  número  de  muestras  que  se  toman  de  X (ω )   en  el  intervalo  [0, 2π ] .  Cual  debe ser el número de muestras que deben tomarse de  X (ω )  en  [0, 2π ]  para obtener  una buena representación frecuencial de la señal discreta  xn  por medio de  X m (ω ) ?    Consideremos  la  señal  xn   de  longitud  4   de  la  Figura  6.17,  a  la  cual  se  le  calcula   X m (ω )   para  N = 2 ,  N = 4   y  N = 8 .    La  señal  representada  en  el  dominio  de  la  frecuencia por  X m (ω )  para  N = 2  es la señal periódica que se ilustra en la Figura 6.18,  que corresponde a una versión de periodo 2 de  xn . Para  N = 4 ,  X m (ω )  representa a  la señal de periodo 4,  xnp , que se ilustra en la Figura 6.17. Finalmente, para  N = 6  la  señal representada por  X m (ω )  es la señal de periodo 6 que se ilustra en la Figura 6.19.  Claramente, la señal representada en el dominio de la frecuencia por  X m (ω )  para un  valor  de  N   dado,  corresponde  con  la  señal  xn   en  el  intervalo  de  tiempo  [0, N − 1] .   Entre mas muestra se tomen en frecuencia (más grande el valor de  N ) más similar es   la  transformada  X m (ω )   a  X (ω )   y    mejor  es  la  representación  en  el  domino  de  la  frecuencia dada por  X m (ω )  de la señal discreta  xn .    
 

 

       

 

Figura 6.18. Señal discreta representada por Xm(ω) para N = 2.     

 

       
Figura 6.19. Señal discreta representada por Xm(ω) para N = 6. 

 

181

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

Observación  6.6.  Para  obtener  una  buena  representación  en  el  domino  de  la  frecuencia  de  una  señal  discreta  de  longitud  L   es  necesario  que  el  número  de  muestras en frecuencia cumpla  N ≥ L , caso contrario, la señal representada es una  versión  truncada  periódica  de  la  seña  discreta,  como  se  ilustra  en  la  Figura  6.18.  Para  N > L  la señal es rellenada con ceros hasta alcanzar la longitud  N .   6.3.2. Definición de la DFT 

 

  Sea  xn   una  señal  discreta  de  longitud  L   entonces  la  DFT  (transformada  discreta  de  Fourier) de  N  puntos se define como   
 

Xk =

1 N

∑x e
n =0 n

L −1

− jωk n

,

k = 0,1, ..., N − 1

donde,  ωk  son las  N  muestras de frecuencia definidas como  ωk = 2π k / N . La DFT de  N  puntos corresponde a un vector de  N  posiciones, de la forma       X k = [ X 0 , X 1 , ..., X N −1 ]     Observación 6.7. La función  X k  es periódica, con periodo  N , pues corresponde a  una versión muestreada de la función periódica  X (ω ) que tiene periodo  2π .    Ejemplo 6.4. Encuentre la DFT de 3 puntos de la señal  xn = {1, 2, 3} .   
 

 

 

 

Figura 6.20. Señal discreta de longitud 3. 

 
 

Solución. En este caso  L = 3  y la DFT de 3 puntos es     
 

1 Xk = N

∑x e
n =0 n

N −1

⎛ 2π ⎞ − j⎜ k ⎟n ⎝ N ⎠

2π −j kn 1 2 = ∑ xn e 3   3 n =0

 

2π 4π −j k −j k⎤ 1⎡ X k = ⎢ x0 + x1e 3 + x2 e 3 ⎥   3⎣ ⎦

182

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

     

1 [ x0 + x1 + x2 ] = 2   3 2π 4π −j −j ⎤ 1⎡ 3 X 1 = ⎢ x0 + 2e + 3e 3 ⎥ = −0.5 − j 0.2887   3⎣ ⎦
X0 =
4π 8π −j −j ⎤ 1⎡ X 2 = ⎢1 + 2e 3 + 3e 3 ⎥ = −0.5 + j 0.2887   3⎣ ⎦

  Por tal motivo, la DFT puede escribirse como      X k = [2, −0.5 + j 0.2887, −0.5 + j 0.2887]   6.3.3. Interpretación de la DFT    Para  cada  valor  de  k   la  función  X k   da  información  sobre  la  participación  de  la  componente de frecuencia  ωk  en una versión periódica (de periodo  N ) de la señal  xn .   Por ejemplo, el término  X 0  da información del valor medio (nivel DC) de la señal, pues    1 N −1 X 0 = ∑ xn N n =0       A partir de la DFT de  N  puntos es posible recuperar la señal discreta de longitud  L  si  N ≥ L  de acuerdo a     
 

xn = ∑ X k e jωk n ,
k =0
 

N −1

n = 0,1, ..., L − 1  

  De la ecuación de la DFT inversa es claro que la función  X k  pondera la participación de  cada exponencial complejo de frecuencia  ωk  en la representación de la señal  xn .        Ejemplo 6.5. Encuentre la señal discreta que tiene por DFT la función      X k = {0, 1, 2, 0, 0, 0, 2, 1}     Solución. La función  X k  corresponde a una DFT de  8  puntos ( N = 8 ), la señal discreta  puede obtenerse como     

xn = ∑ X k e
k =0

N −1

⎛ 2π k ⎞ j⎜ ⎟n ⎝ N ⎠

= ∑ Xke
n=0

7

j

2π kn 8

 

183

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

Solo  X 1 , X 2 , X 6  y  X 7  son diferentes de cero, por lo cual     
 

xn = X 1e
j

j

2π (1) n 8

+ X 2e
j

j

2π ( 2 ) n 8 12π

+ X 6e
n j

j

2π ( 6 ) n 8

+ X 7e

j

2π ( 7 ) n 8

 

  xn = e 8 + 2e 8 + 2e 8 + e 8     La frecuencia discreta tiene periodo  2π , por lo cual    12π 4π 14π 2π ω6 =   − 2π = −     y    ω7 = − 2π = −   8 8 8 8   La señal discreta puede escribirse como       
 

n

n

j

14π

n

xn = e

j

2π n 8

+ 2e

j

4π n 8

+ 2e

−j

4π n 8

+e

−j

2π n 8

 

 
 

xn = 2 cos( 28π n) + 4 cos( 24π n )  

 

Propiedad  6.5.  La  señal  de  TD  xn   obtenida  a  partir  de  la  DFT  inversa  es  una  señal  periódica, con periodo  N .    Demostración.   

xn + N = ∑ X k e
k =0

N −1

⎛ 2π k ⎞ j⎜ ⎟( n + N ) ⎝ N ⎠

= ∑ Xke
k =0

N −1

⎛ 2π k ⎞ j⎜ ⎟n ⎝ N ⎠

e j 2π kn

xn + N = ∑ X k e
k =0
 

N −1

⎛ 2π k ⎞ j⎜ ⎟n ⎝ N ⎠

= xn

■ 

  6.3.4. Visualización de la DFT    La  DFT  da  información  de  las  componentes  de  frecuencia  presentes  en  una  señal  discreta,  por  tal  motivo  la  visualización  de  la  función  X k   permite  conocer  la  información  frecuencial  de  la  señal.  Debido  a  que  X k   en  general  puede  ser  una  función compleja es necesaria visualizar en magnitud, dicho gráfico se conoce como el  espectro de frecuencias de la señal discreta.  
 

La función  X k  se puede graficar básicamente  de dos formas: contra las muestras de  frecuencia  discreta  ωk ,  o  si  se  conoce  el  periodo  de  muestreo,  contra  la  frecuencia  continua  Ω .  En  el  primer  caso,  simplemente  se  ubica  la  magnitud  de  X k   contra  su  respectiva frecuencia discreta  ωk , como se ilustra en la Figura 6.21.   

184

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

 

 

Figura 6.21. DFT contra frecuencia angular discreta. 
 

  Para mejorar la interpretación, los valores de  X k  con frecuencia discreta superior a  π   son ubicados en frecuencias negativas, para esas frecuencias se hace  ωk = ωk − 2π .  De  esta forma se ilustran las  N  muestras de  X (ω )  en el intervalo  [−π , π ] ,  Figura 6.22.     

 

 

Figura 6.22. Visualización alternativa de la DFT contra frecuencia discreta. 

  Si se conoce  Tm , se puede convertir cada muestra de frecuencia discreta  ωk , en una  muestra de frecuencia continua  Ω k , mediante  Ω k = ωk / Tm = 2π k / Tm , ver Figura 6.23.  Si se desea el gráfico en Hz, se encuentra cada muestra como  f k = k / Tm .     
 

   

 

Figura 6.23. DFT contra frecuencia angular continua. 

185

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.3.5. Propiedades de la DFT    Linealidad              Desplazamiento en el tiempo        Modulación       
X k  es par ,   ∠X k  es impar  y   X k =

DFT{ axn + byn } = aX k + bYk  
Simetría: si  xnp  (extensión periódica de  xn ) es par entonces 

1 N

∑x
n =0

L −1

n

cos(ωk n ) . 

DFT{xn − n0 } = X k e − jωk n0  

DFT{xn e jωl n } = X k −l  

Multiplicación      DFT{ xn yn } = X k ⊗ Yk     donde  ⊗  representa la convolución discreta, la cual  se define en la Sección 6.3.7.      6.3.6. Teorema de Parseval para DFT ( N = L )     
 

1 P= N
P=

∑x
n =0 N −1

N −1

2

n

1 = N

1 ∑x x = N n =0
∗ n n

N −1

⎛ N −1 ⎞ ∑ xn ⎜ ∑ X k e jωkn ⎟   n=0 ⎝ k =0 ⎠
N −1

*

 
 

1 N

⎛ N −1 * ⎞ 1 xn ⎜ ∑ X k e − jω kn ⎟ = ∑ ⎝ k =0 n =0 ⎠ N
N −1

∑∑ ( x X
n=0 k =0 n

N −1 N −1

* − jω kn k

e

 

N −1 *⎛ 1 P = ∑ Xk ⎜ k =0 ⎝N

⎞ N −1 xn e − jω kn ⎟ = ∑ X k∗ X k   ∑ n=0 ⎠ k =0

  Por tal motivo, la potencia promedio de la señal discreta puede encontrarse como   

P = ∑ Xk  
2 k =0

N −1

186

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.3.7. Convolución discreta utilizando la DFT    Propiedad de convolución circular discreta    La convolución circular discreta se define para dos señales de TD periódicas  x n  y  y n ,  ambas señales con periodo  N , como     1 N −1 1 N −1 ⎛ N −1 ⎞   xn ⊗ yn = ∑ xn − s yn = ∑ ⎜ ∑ X k e jωk ( n − s ) ⎟ ys   N s =0 N s =0 ⎝ k =0 ⎠    

xn ⊗ yn =

1 N
N −1 s =0

∑ X k e jωk n ∑ Ys e− jωk s  
k =0 s =0

N −1

N −1

xn ⊗ yn = ∑ X k Yk e jωk n = DFT -1{ X k Yk }  

  Por tal motivo, la DFT de una convolución circular discreta esta dada por    DFT{ xn ⊗ yn } = X k Yk     Convolución lineal discreta utilizando la DFT    Para realizar la convolución lineal de dos señales de longitud finita utilizando la DFT es  necesario que la convolución circular  iguale a la convolución lineal en el intervalo de  interés. Sean  xn  y  hn  señales discretas causales de longitud  M y  L, respectivamente,  entonces la señal  xn ∗ hn  (convolución lineal entre  xn  y  hn ) es también causal y tiene  longitud  M + L − 1 .    De  acuerdo  a  esto  se  requiere  que  la  convolución  circular  se  equivalente a la convolución lineal en el intervalo de 0 a  M + L − 2 . Para ello se hace    1. Se calculamos  la DFT de  N  ( N = M + L − 1 ) puntos de las señales  xn  y  hn  para  obtener las funciones  X k  y  H k , respectivamente.  2. Se computa el producto entre DFT’s, es decir, se realiza  X k H k , lo cual equivale  a realizar la convolución circular en el tiempo de las señales periódicas  xnp  y  hnp   (versiones de periodo  N  de las señales  xn  y  hn , respectivamente).  3. Finalmente la convolución es obtenida realizando la DFT inversa de la función  X k H k  de acuerdo a    xn ∗ yn = DFT -1{ X k H k } n = 0,1, ..., M + L − 2       Observación  6.7.  Esta  propiedad  es  útil  para  computar  convolución  lineal  en  el  domino de la frecuencia, reduciendo así el tiempo de cómputo. Por ejemplo, puede  utilizarse para encontrar la respuesta al aplicar un filtro dado  hn , a una señal  xn .

 

187

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.4. Transformada rápida de Fourier  (FFT)    Para computar la DFT de  N  puntos de una señal discreta de longitud  L  es necesario  realizar  L − 1   sumas  de  L   productos  para  cada  uno  de  los  valores  X k .  Dado  que  deben  encontrarse  N   elementos  de  X k ,  el  cómputo  de  la  DFT  requiere  un  total  de  NL  multiplicaciones, lo que hace que esta tarea se computacionalmente demandante,  tanto  en  tiempo  de  proceso  como  en  posiciones  de  memoria,  para  señales  de  gran  longitud o para un número elevado de muestras en frecuencia.    Ejemplo 6.5. Se quiere obtener la DFT de  10000  de una señal de longitud  10000 . Para  esta señal se requiere un total de  100 ' 000.000  de multiplicaciones.    Los algoritmos FFT (Fast Fourier Transform) son un conjunto de rutinas que calculan la  DFT  de  una  señal  discreta  de  una  forma  más  eficiente,  sin  requerir  el  número  de  multiplicaciones antes mencionado. Por ejemplo, algunas versiones de FFT requieren  sólo  N log 2 N  multiplicaciones, para el caso  N = L  y  N  una potencia de 2.    Ejemplo  6.6.  Para  la  misma  señal  del  Ejemplo  6.  se  requieren  10000 log 2 10000   ≈ 132877   multiplicaciones.  Suponga  que  en  una  tarjeta  de  procesamiento  digital  de  señales  una  multiplicación  en  punto  flotante  tarda  1ns ,  entonces  para  computar  la  DFT utilizando la formula convencional se requiere  1s . Por otro lado, para computar la  DFT utilizando el algoritmo de la FFT sólo se requerirían  1.32ms      Existen  diferentes  algoritmos  FFT,  a  continuación  revisamos  las  versión  más  sencilla  del Algoritmo de Cooley‐Tukey, para tener una idea general de su funcionamiento.    6.4.1. Algoritmo FFT de diezmado en el tiempo (Base 2)    Este algoritmo FFT divide la señal original  xn , de longitud  N = 2 p , en dos señales: la  señal  de  muestras  pares  par  xnpar = x2 n = { x0 , x2 , ..., xN − 2 }   y  la  señal  de  muestras  imp impares  xn = x2 n +1 = { x1 , x3 , ..., xN −1 } .  El  algoritmo  computa  la  DFT  para  las  señales  xnpar  y  xnpar , y después las combina para obtener la DFT de la señal original  xn .  Observación 6.8. Con sólo dividir la señal en dos, se está reduciendo la complejidad  del algoritmo de  N 2  multiplicaciones a   N 2 / 2 multiplicaciones.   Definamos  M = N / 2 ,  entonces la DFT de la seña original  xn , puede escribirse como     

1 Xk = N

∑x e
n =0 n

N −1

⎛ 2π k ⎞ − j⎜ ⎟n ⎝ N ⎠

 

188

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

 
 

1 Xk = N 1 Xk = N

( N / 2 ) −1
m =0 M −1 m=0

x2 m e
par m

⎛ 2π k ⎞ − j⎜ ⎟( 2 m ) ⎝ N ⎠

1 + N
M −1 m =0

( N / 2 ) −1
m =0

x2 m +1e

⎛ 2π k ⎞ − j⎜ ⎟( 2 m +1) ⎝ N ⎠

 

 

∑x

e

⎛ 2π k ⎞ − j⎜ ⎟m ⎝ M ⎠

1 + N

∑x

imp m

e

⎛ 2π k ⎞ ⎛ 2π k ⎞ − j⎜ ⎟m − j⎜ ⎟ ⎝ M ⎠ ⎝ N ⎠

e

 

  De acuerdo a esto, podemos encontrar la DFT como    ⎛ 2π k ⎞ ⎧ − j⎜ ⎟ par imp si k < M ⎪ Xk + e ⎝ N ⎠Xk Xk = ⎨     ⎡ 2π ( k − M ) ⎤ − j⎢ ⎥ ⎪ par N ⎣ ⎦ X kimp si k ≥ M −M ⎩ X k −M − e   imp donde  X kpar   es  la  DFT  de  la  señal  xnpar   y  X kimp   es  la  DFT  de  la  señal  xn .  Para  el  cómputo  X kpar   y  X kimp ,  las  señales    xnpar   y  xnpar   pueden  ser  divididas  en  dos.  El  algoritmo se repite de forma secuencial, hasta obtener señales de longitud dos que no  pueden ser dividas.    6.4.2. Aplicaciones de la FFT    Diversos  programas  de  computación  contienen  rutinas  muy  eficientes  de  FFT,  las  cuales  pueden  ser  usadas  en  esta  sección,  dedicada  a  las  aplicaciones.  Entre  ellos  Matlab,  en  sus  diferentes  versiones,  que  incorpora  la  función  FFT,  la  cual  permite  computar la DFT de una señal de cualquier longitud de forma eficiente y sencilla.    6.4.2.1. Análisis espectral de señales y sistemas TD discretos    La FFT nos permite estimar las componentes de frecuenciales de una señal discreta de  longitud finita, como se ilustra en el Ejemplo 6.7. 

189

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

  Ejemplo  6.7.  Obtenga  el  espectro  de  frecuencias  de  una  señal  de  ECG  que  ha  sido  muestreada  a  una  tasa  de  250   muestras  por  segundo.  Para  ello,  implemente  un  programa en Matlab y utilice para el cálculo de la DFT la función FFT para  512  puntos.  Grafique la función de ECG en el tiempo y su correspondiente espectro, en HZ.      Solución. Se implemento la siguiente función en Matlab.   
function espectro(x,Np,fm); % x --- señal discreta de entrada % Np --- número de puntos de la DFT % fm --- frecuencia de muestreo L=length(x); Tm=(1/fm); Mp=ceil(Np/2); wd=0:2*pi/Np:2*pi*(Np-1)/Np; wdo=zeros(1,Np); fc=zeros(1,Np); z=abs(fft(x,Np)); zo=zeros(1,Np); t=0:Tm:Tm*(L-1); % Reorganización de frecuencias wdo(Np-Mp+1:end)=wd(1:Mp); wdo(1:Np-Mp)=wd(Mp+1:end)-2*pi; % Frecuencia continua en Hz fc=wdo/(2*pi*Tm); % Reorganización de la FFT zo(Np-Mp+1:end)=z(1:Mp); zo(1:Np-Mp)=z(Mp+1:end); % Visualización plot(t,x); title('Señales de ECG'); xlabel('Tiempo (seg)'); figure; plot(wdo,zo); title('Magnitud de la DFT') xlabel('Frecuencia discreta (rad)') figure; plot(fc,zo); title('Magnitud de la DFT') xlabel('Frecuencia (Hz)') % % % % % % % % % Longitud de la señal Tiempo de muestreo Mitad de puntos de la FFT Vector de Frec. discreta Vector de Frec. disc. org. Vector de Frec. cont. Hz Magnitud de FFT de la señal Vector para reorganizar la FFT Vector de tiempo

    Utilizando  la  función  espectro  se  obtiene  la  señal  en  el  tiempo  y  su  espectro  de  frecuencias, como se ilustra en las Figura 6.24. 

190

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

Figura 6.24. Señal de ECG y su espectro (utilizando la FFT). 
 

          

 

  La FFT nos permite conocer la respuesta en frecuencia de un sistema discreto.    Ejemplo  6.8.  Obtenga  la  respuesta  en  frecuencia  de  los  sistemas  discretos    con  respuesta a impulso  hn = {0.1, 0.2, 0.4, 0.2, 0.1}  y  g n = {1, − 2, 1,} .     Solución. Utilizando la función espectro podemos encontrar la respuesta en frecuencia  del sistema. Para ello, la respuesta a impulso es utilizada como la señal de entrada y   se configura una FFT de 512 puntos.      

Figura 6.25. Respuesta en frecuencia de los sistemas discretos. 

   

 

    El sistema  hn , se comporta como un filtro pasa‐bajas, pues deja pasar las frecuencias  cercanas  a  0   y  atenúa  las  frecuencias  cercanas  a  ±π .  El  sistema  g n ,  se  comporta  como un filtro pasa‐altas, pues deja pasar las frecuencias cercanas a  ±π  y atenúa las  frecuencias cercanas a  0 .    Observación 6.9. La frecuencia continua de corte de los filtros depende del tiempo  de muestreo del sistema discreto, dado que  Ω = ω / Tm .      

191

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.4.2.2.

Convolución lineal vía FFT 

  La respuesta de un sistema LTI puede ser encontrada realizando la convolución entre  su respuesta a impulso y la señal de entrada. La FFT permite realizar esta operación de  una  forma  sencilla  y  eficiente.    Para  ello,  se  obtiene  la  FFT  de  ambas  señales  y  se  realiza el producto. La FFT inversa de este producto corresponde a al convolución.  Ejemplo 6.9. Aplique los filtros del ejemplo anterior a la señal de ECG y observe la  señal filtrada, tanto en el tiempo como en la frecuencia.  Solución.  Utilizando  la  función  convFFT  se  puede  realizar  la  convolución  entre  dos  señales  en  el  dominio  de  la  frecuencia.  Para  encontrar  la  respuesta  del  sistema  a  al  señal de ECG, se introduce la señal de ECG como la señal 1 y la respuesta a impulso del  sistema  como  la  señal  2.  Las  componentes  de  frecuencia  de  las  señales  filtradas  son  encontradas  utilizando  la  función  espectro.  Además,  se  encuentra  la  respuesta  en  frecuencia continua de los dos sistemas, para una frecuencia de muestreo  f m = 250 . 
function xy=convFFT(x,y,fm); % x --- señal discreta de entrada 1 % y --- señal discreta de entrada 2 % fm --- frecuencia de muestreo L1=length(x); L2=length(y); Tm=(1/fm); t=0:Tm:Tm*(L1-1); % Longitud máxima entre las señales L=max(L1,L2); % Convolución via FFT z1=fft(x,L); z2=fft(y,L); z=z1.*z2; xy=ifft(z); % Visualización plot(t,x); title('Señal de entrada'); xlabel('Tiempo (seg)'); figure; plot(t,xy); title('Señal filtrada'); xlabel('Tiempo (seg)'); % % % % Longitud señal 1 (entrada) longitud señal 2 (sistema) Tiempo de muestreo Vector de tiempo

192

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

Figura 6.26. Señal original de ECG y su espectro. 

 

   

Figura 6.27. Respuesta en frecuencia continua de los sistemas discretos. 

 

 

Figura 6.28. Señal de ECG filtrada con el filtro pasa‐bajas y su espectro. 

 

   

Figura 6.29. Señal de ECG filtrada con el filtro pasa‐altas y su espectro. 

 

193

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.5. Resumen 
 

Una señal de tiempo continuo toma valor para cualquier instante de tiempo. Por  tal motivo, es imposible almacenar y/o procesar todo esta cantidad de información  y  es  necesario  tomar  un  conjunto  de  muestra  cada  determinado  tiempo,  denominado tiempo de muestreo.  El muestreo ideal de una señal de tiempo continuo se realiza multiplicando la señal  por  un  tren  de  impulsos  ubicados  en  los  tiempos  de  observación  deseados.  El  muestreo de una señal hace que su espectro llegue a ser periódico.   Si la frecuencia de muestreo es por lo menos dos veces mayor a  la frecuencia más  alta de la señal las copias en el espectro de la señal muestreada no se traslapan y la  señal de tiempo continuo puede recuperarse utilizando un filtro pasa‐bajas ideal.  Una señal discreta es una señal que toma valor sólo en un conjunto contable del  tiempo y puede verse como una señal de tiempo continuo muestreada.  La  transformada  de  Fourier  X (ω )   de  una  seña  discreta  puede  ser  encontrada  al  compara  la  señal  con  un  conjunto  contable  de  exponenciales  complejos.  La  transformada de Fourier converge sólo para señales de  l1 . 

  •

  •

  •   •

  •

X (ω )   de  información  de  la  componente  de  frecuencia  ω   en  la  señal,  por  tal  motivo, el gráfico de  X (ω )  en magnitud visualiza las componentes de frecuencia  presentes en la señal.  La función  X (ω )  es periódica y tiene periodo  2π . 
La transformada de Fourier es una seña continua para señal en  l1  y es un conjunto  de  impulsos  para  una  señal  periódica.  Las  señales  periódicas  no  pertenecen  a  l1   por lo que su transformada debe ser encontrada utilizando la serie exponencial de  Fourier y  la transformada de Fourier para exponenciales complejo.  Para  conocer  las  componentes  de  frecuencia  de  una  señal  discreta  es  suficiente  conocer  X (ω )   en  el  intervalo  [0, 2π ] .  Dado  que  X (ω )   toma  infinitos  valores  sobre este intervalo es imposible calcular esta función utilizando un computador.   En vez de calcular  X (ω )  para todo  ω  en  [0, 2π ]  se calcula sólo para  N  valores de  frecuencia igualmente espaciados en este intervalo. Esta transformada se conoce  como transformada discreta de Fourier (DFT) de  N  puntos y se nota como  X k .  El  muestreo  en  frecuencia  de  la  función  X (ω )   implica  que  la  señal  que  es  representada  por  la  función  X k   corresponde  a  una  versión  periódica  de  la  señal  discreta  xn . Los algoritmos FFT permite calcular de forma rápida y eficientes la DFT  de  N  (potencia de 2) puntos de una señal discreta de longitud finita. 

  •

  •

  •

  •

194

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

6.6. Ejercicios    Sección 6.1     1. Suponga que la señal  x(t ) = e − t u(t ) , es muestreada cada  T = 1  instantes de tiempo.     a. Encuentre la expresión de la señal muestreada y de la señal de TD.  b. Repita a. para un tiempo de muestreo  T = 3 .     2. Encuentre la transformada de Fourier de la señal muestreada del Punto 1.a.      Sección 6.2    3. Para la señal de tiempo discreto obtenida del Punto 1.a.    a. Encuentre la transformada de Fourier.  b. Grafique la magnitud de la transformada para  −5π < ω < 5π .  c. Compare  este  grafico  con  la  magnitud  de  la  transformada  de  la  señal  original de tiempo continuo  x(t ) = e − t u (t ) .    4. Para la señal de tiempo discreto    ⎧n + 4 −3 ≤ n ≤ −1 ⎪   x( n ) = ⎨ 4 − n 0 ≤ n ≤ 3   ⎪ 0 otro caso ⎩   a. Encuentre la transformada de Fourier.  b. Grafique la magnitud y la fase de la transformada.    5. Demuestre las siguientes propiedades de la transformada de Fourier    a. ℑ{axn + byn } = aX (ω ) + bY (ω ) b. ℑ{ xn − n0 } = X (ω )e − jω n0 c. ℑ{ xn e jω0 n } = X (ω − ω0 )   6. Utilice el Teorema de Parseval para calcular    a. La energía de la señal de Punto 3.  b. La energía de la señal de Punto 4.   

195

Análisis de Fourier para señales discretas 

 

Análisis de Fourier 

Secciones 6.3 y 6.4    7. Obtenga la DFT de las siguientes señales    a. xn = {1, −1, 0,1, −1}  
 

⎛ 3π b. xn = cos ⎜ ⎝ 4
 

⎞ n⎟   ⎠ ⎞ ⎛πn ⎞ n ⎟ sin ⎜ ⎟  ⎠ ⎝ 2 ⎠

c.

⎛ 2π xn = 4 cos ⎜ ⎝ 3

  8. Determine  la  señal  de  TD  que  corresponde  cada  una  de  las  siguientes  transformadas.    a. X k = [1, 0, −1, 0,1]
 

1 ⎛π ⎞ ⎛π ⎞ b. X k = 1 + cos ⎜ k ⎟ + 2 cos ⎜ k ⎟ , 2 ⎝2 ⎠ ⎝4 ⎠
 

0≤k ≤8

c.

Xk = e

−j

πk
4

,

0≤k ≤7

  9. Demuestre las siguientes propiedades de la DFT.    a. DFT{ axn + byn } = aX k + bYk
 

b. DFT{ xn − n0 } = X k e − jωk n0   10. Suponga que un sistema LTI discreto tiene respuesta impulso  hn = ( 1 )n un .  Obtenga  2 la DFT de la señal de salida del sistema, si la señal de entrada es  xn = {1, −1, 0,1, −1} .    11. Utilizando Matlab y un micrófono, grabe su nombre y realice    a. Visualice el segmento de audio.  b. Obtenga la FFT de 512 puntos, del segmento de audio.  c. Visualice las componentes de frecuencia del segmento de audio.  d. Convolucione el segmento de audio con una señal constante de valor 1/N y  de longitud N.   e. Reproduzca el segmento de audio original y el segmento convolucionado,  para diferentes valores de N. Que sucede al realizar la convolución?  f. Visualice las componentes de frecuencia del segmento convolucionada.  Que le sucede a las componentes de frecuencia? Que efecto tiene variar N?

196

7 ECUACIONES DIFERENCIALES PARCIALES
 

7.1. Conceptos básicos 
 

Definición  7.1.  Una  derivada  parcial  es  una  derivada  de  una  función  de  dos  o  más  variables independientes, con respecto a una de ellas. 
 

Ejemplo 7.1. Algunas derivadas parciales.    ∂f ( x, y , z )   f ( x, y , z ) = xyz , = xz = f y   ∂y ∂f ( x, t )   f ( x, t ) = tx 2 + t 2 , = zx = f xt   ∂x∂t
 

 

Definición 7.2. Una ecuación diferencial parcial (EDP) es una ecuación con una o más  derivadas parciales de una función (desconocida) de 2 o más variables independientes. 
 

El orden de la derivada parcial más alta de una EDP es denominado el orden de la EDP.  En  esta  sección  nos  centraremos  en  ecuaciones  diferenciales  de  segundo  orden,  es  decir, en ecuaciones cuya derivada parcial más alta es de segundo orden. 
 

Ejemplo 7.2. Algunas ecuaciones diferenciales parciales de segundo orden 
 

Ecuación de onda unidimensional ( u( x, t ) )   

∂ 2u ∂ 2u = c2 2 ∂t 2 ∂x

→ u tt = c 2 u xx  
 

Ecuación de calor unidimensional ( u( x, t ) ) 
 

∂u ∂ 2u = c2 2 ∂t ∂x

→ ut = c 2 u xx  
 

Ecuación de Laplace bidimensional ( u( x, y ) ). 
 

∂ 2u ∂ 2u + = 0 → u xx + u yy = 0   ∂x 2 ∂y 2
 

En estas ecuaciones,  c  es una constante real,  t  es la variable tiempo y  ( x, y , z )  son las  coordenadas espaciales. 

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

7.1.1. Clasificación de las EDP’s    Toda EDP de segundo orden puede escribirse de forma general como    Para u ( x, y ) : Au xx + 2 Bu xy + Cu yy = F ( x, y , u , u x , u y )       Para u ( x, t ) : Au xx + 2 Bu xt + Cutt = F ( x, t , u , u x , ut )     De acuerdo a esta forma general, las EDP’s de segundo orden se clasifican en:    AC − B 2 > 0   i. Elípticas si   ii. Parabólicas si   AC − B 2 = 0   iii. Hiperbólicas si   AC − B 2 < 0     Ejemplo  7.3.  Clasifique  las  ecuaciones  de  onda,  calor  y  laplace,  utilizando  las  clases  definidas anteriormente.    Solución.    Ecuación de onda unidimensional       c 2u xx − utt = 0     A = c 2 , B = 0, C = −1 y F = 0     AC − B 2 = −c 2 < 0     Por tal motivo, la ecuación de onda 1D es hiperbólica.    Ecuación de calor unidimensional    c 2u xx = ut      

A = c 2 , B = 0, C = 0 y F = ut  

  AC − B 2 = 0     Por tal motivo, la ecuación de onda 1D es hiperbólica.    Ecuación de Laplace bidimensional      u xx + u yy = 0     A = 1, B = 0, C = 1 y F = 0     AC − B 2 = 1     Por tal motivo, la ecuación de Laplace 2D es hiperbólica. 

198

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

7.1.2. Solución de una EDP    Definición 7.3. Una función  u  es solución de una EDP en alguna región  R  del espacio  de  las  variables  independientes,  si  la  función  u   tiene  todas  las  derivadas  en  R   y  satisface la EDP sobre todo  R .    En general el conjunto de soluciones de una EDP es muy grande. Una EDP puede tener  múltiples soluciones, como se ilustra en el siguiente ejemplo.    Ejemplo  7.4.  Verifique  que  las  funciones  u = x 2 − y 2 ,  u = e x cos( y )   y  u = ln( x 2 + y 2 ) ,  son solución a la ecuación de Laplace bidimensional.    Solución. A verificar que  u xx + u yy = 0 .   

u = x2 − y2  
   
 

ux = 2 x u xx = 2     u y = −2 y u yy = −2

   

u xx +u yy = 2 − 2 = 0   u = e x cos( y )  

   
 

u x = e x cos( y ) u xx = e x cos( y )   u y = −e x sin( y ) u yy = −e x cos( y ) u xx +u yy = e x cos( y ) − e x cos( y ) = 0  

   

u = ln( x 2 + y 2 )  
 
ux = 2x 2 x + y2 u xx = u yy = −2 x 2 + 2 y 2

 

(x (x
2

2

+ y2 + y2

) )

2

2y uy = 2 x + y2

−2 y 2 + 2 x 2
2 2

 

 

 
 

u xx +u yy =

−2 x 2 + 2 y 2

(x

2

+ y2

)

+

−2 y 2 + 2 x 2

(x

2

+ y2

)

2

=0 

  Muchos sistemas físicos pueden ser modelados por medio de una EDP. Con el fin de  obtener  una  solución  única  del  sistema,  se  debe  tener  en  cuenta  información  del 

199

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

problema en particular y agregar esta información en el planteamiento de la EDP, por  medio de condiciones de frontera y condiciones iniciales.    Condiciones de frontera    Dan información del valor de la solución en la frontera de algún dominio.      u( x0 , t ) = c     u ( 0, t ) = c     Condiciones iniciales    Dan información del valor de la solución en  t = 0 .      u ( x , 0) = c     7.1.3. Propiedades de las EDP’s    Se dice que una EDP está “bien planteada”, si:    i. Tiene solución.  ii. La solución es única.  iii. La solución es continua en las variables.    Definición  7.4.  Una  EDP,  es  lineal  si  la  variable  dependiente  u   y  cada  una  de  sus  derivadas aparecen en una forma lineal, es decir, aparecen a la potencia  1 , y no hay  productos o funciones de la variable dependiente.    Ejemplo 7.5. Identifique si las siguientes EDP’s son lineales.    u xx + u yy = u     La ecuación es lineal.   
2
 

u xx + ( u yy ) = u  

  La ecuación no es lineal, el término  u yy  está la cuadrado.    Definición  7.5.  Una  EDP  es  homogénea  si  cada  término  de  la  ecuación  es  la  variable  dependiente  u  o alguna de sus derivadas. 

200

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

  Ejemplo 7.6. Identifique si las siguientes EDP’s son homogéneas.    u xx + u yy = 0   La ecuación es homogénea.    u xy − sin( y ) = 0     No homogénea, pues  sin( y )  no es la variable dependiente ni una de sus derivadas.    u xx + u t + 3 = 0     No homogénea, pues  3  no es la variable dependiente ni una de sus derivadas.    7.1.4. Teorema fundamental de las EDP’s    Si  u1  y  u 2  son soluciones de una EDP lineal y homogénea en una región, entonces    u = c1u1 + c2 u 2     también es solución a la ecuación en esa región, donde  c1  y  c2  son constantes.   Observación  7.1.  Toda  combinación  lineal  de  soluciones  una  EDP  es  también  una  solución de la EDP.    Ejemplo 7.7. Demuestre que si las funciones  v  y  w  son solución a la ecuación de calor  1D, entonces  u =c1 v + c 2 w , donde  c1  y  c2  son constantes, es solución también.    Solución. A probar que   ut = c 2u xx . Dado que  v  y  w  son solución a la ecuación de calor   cumplen  vt = c 2 vxx  y  wt = c 2 wxx , respectivamente. Por tal motivo      ut = c1vt + c2 wt      
 

ut = c1 c 2 vxx + c2 c 2 wxx  

ut = c ( c1vxx + c2 wxx ) = c 2u xx  
2

(

)

(

)

  7.2. Ecuación de onda unidimensional    Considere una cuerda vibrante extendida a una longitud  L  y fijada en los extremos. 

201

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

Figura 7.1.  Cuerda vibrante de longitud L. 

Suponga que la cuerda es distorsionada y después en cierto instante ( t = 0 ) se suelta y  se deja vibrar libremente. El problema es determinar la deflexión de la cuerda  u( x, t ) ,  que corresponde a la distorsión de la cuerda en la posición  x  en un tiempo  t . 

Figura 7.2.  Deflexión de la cuerda en la posición x en el tiempo t.

Para encontrar la deflexión de la cuerda  u ( x, t ) , se debe asumir:    i. La  masa  de  la  cuerda  es  constante  por  unidad  de  longitud  ( ρ   constante)  y  no  presenta resistencia al doblarse.  ii. La tensión causada al estirar la cuerda ( TH ) antes de atarla a los extremos es tan  alta que la fuerza de gravedad es despreciable.  iii. El movimiento de la cuerda es únicamente vertical, es decir, cada partícula de la  cuerda se mueve sólo verticalmente.  Para obtener la ecuación diferencial del sistema consideremos las fuerzas que actúan  sobre una pequeña porción de la cuerda. Dado que la cuerda no ofrece resistencia al  doblaje, la tensión es a la curva de la cuerda en cada punto. 

Figura 7.3. Fuerzas que actúan sobre una pequeña porción de la cuerda. 

 

202

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

Sean  T1   y  T2   las  tensiones  sobre  los  puntos  P   y  Q   de  la  porción  de  la  cuerda,  respectivamente. Como no hay movimiento horizontal, las componentes horizontales  de las tensiones  T1  y  T2  deben ser iguales para que se anulen entre ellas, es decir,      T1 cos(α ) = T2 cos( β ) = TH     T1 La tensión horizontal de la cuerda  TH , es una constante que depende de tensión inicial  con la cual la cuerda fue fijada a los extremos.    En la componente vertical se tienen 2 fuerzas, una hacia abajo  T1 sin(α )  y otra hacia  arriba  T2 sin( β ) . De acuerdo a la segunda Ley de Newton, la relación entre la masa de  un  objeto  m ,  su  aceleración  a   y  la  fuerza  aplicada  F ,  es  F = ma .  El  objeto  en  nuestro  caso,  es  la  porción  de  la  cuerda,  que  tiene  masa  proporcional  a  ∆x .  La  aceleración de la porción de cuerda es al segunda derivada de su deflexión. La fuerza  sobre  la  porción  de  cuerda  es  solamente  la  resultante  entre  las  componentes  verticales  de  las  tensiones,  pues  las  componentes  horizontales  se  encuentran  en  equilibrio. Por tal motivo, podemos escribir 
T2 sin( β ) − T1 sin(α ) = ( ρ ∆x ) ( ∂ 2u / ∂t 2 ) 144 2444 4 3 123 1 24 4 3
F m a

donde  ρ  es la densidad lineal de la cuerda (masa por unidad de longitud). Dividiendo  la ecuación anterior por la tensión horizontal  TH , se tiene 
T2 sin( β ) T1 sin(α ) ρ ∆x 2 − = ∂ u / ∂t 2 T2 cos( β ) T1 cos(α ) TH

(

)

tan( β ) − tan(α ) =

ρ ∆x
TH

( ∂ u / ∂t )
2 2

  Los valores   tan(α )  y  tan( β ) , corresponde a las pendientes de la cuerda en los puntos  P  y  Q , respectivamente, por lo cual    ∂u     tan(α ) = ∂x x = x
 

 

tan( β ) =

∂u ∂x

 
x = x +∆x

  Reemplazando este hecho en la ecuación de la porción de cuerda, se tiene    ⎛ ∂u ⎞ ⎛ ∂u ⎞ ρ ∆x 2   ( ∂ u / ∂t 2 )   ⎜ ⎟−⎜ ⎟= ∂x x = x +∆x ⎠ ⎝ ∂x x = x ⎠ TH ⎝

203

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

Sea  f ( x ) =    

∂u , entonces podemos escribir  ∂x

f ( x + ∆x ) − f ( x + ∆x ) =

ρ ∆x
TH

( ∂ u / ∂t )  
2 2

  La porción de cuerda se supone muy pequeña, por lo cual  ∆x → 0 . Bajo esta condición  se el diferencial,  ∆x se pasa a dividir la expresión de la izquierda, se tiene    2 ⎡ f ( x + ∆x ) + f ( x ) ⎤ df ( x ) ∂ u = = 2    lim ⎢ ⎥ ∆x → 0 ∆x ∂x dx ⎣ ⎦   y la ecuación de la cuerda puede reescribirse como     

∂ 2u / ∂x 2 =

ρ

TH

( ∂ u / ∂t )  
2 2

  Finalmente, si definimos  c 2 = TH / ρ , obtenemos la ecuación de onda unidimensional  que gobierna la deflexión de la cuerda, dada por    ∂ 2u ∂ 2u = c2 2   ∂x 2 ∂t   Condiciones de frontera     Debido a que la cuerda está sujeta a los extremos  x = 0  y  x = L , se tiene que    u(0, t ) = 0     u ( L, t ) = 0     Condiciones iniciales    La forma de movimiento de la cuerda, depende de la flexión inicial y de la velocidad.  Denotemos  f ( x)   como  la  deflexión  inicial,  es  decir,  la  distorsión  de  la  cuerda  para  t = 0 , y  g ( x)  como la velocidad inicial. Entonces las condiciones iniciales son:    u ( x, 0) = f ( x )     ∂u = g ( x)   ∂t t =0

204

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

7.3. Solución de la ecuación de onda 1D    7.3.1. Separación de variables    Los  siguientes  son  los  pasos  para  encontrar  la  solución  a  la  ecuación  de  onda  por  medio del método de separación de variables:    i. Se  plantean  2  ecuaciones  diferenciales  ordinarias  utilizando  la  separación  de  variables.  ii. Se encuentran soluciones a las ecuaciones de tal forma que cumplan con las  condiciones de frontera.  iii. Luego se reúnen las soluciones para formar una solución general que satisfaga  las condiciones iniciales.    El  método  de  separación  de  variables  propone  plantear  la  solución  de  la  ecuación  diferencial como el producto de dos funciones de una única variables, es decir,      u( x, t ) = F ( x )G(t )     donde  F  es sólo función de la distancia  x  e independiente del tiempo  t , y  G  es sólo  función del tiempo  t  e independiente de la distancia  x . De acuerdo a esto, podemos  escribir las derivadas parciales de  u( x, t )  como    ∂ 2u ( x , t ) d 2 G (t )   = F ( x) = F ( x )G '' (t )   2 2 dt ∂t   ∂ 2u ( x , t ) d 2 F ( x ) ••   = G (t ) ⋅ = F ( x )G(t )   dx 2 ∂x 2   donde cada comilla denota una derivada con respecto a  t  y cada punto una derivada  con respecto a  x .La ecuación de onda puede escribirse como     

F ( x )G '' (t ) = c 2 F ( x )G (t )  
 
••

••

Dividiendo la ecuación de onda por el término  c 2 F ( x ) G(t ) , se tiene 
 

   

G '' (t ) F ( x ) =   c 2 G (t ) F ( x )

••

El  lado  izquierdo  de  la  ecuación  corresponde  a  una  función  que  depende  sólo  de  t ,  mientras el lado derecho corresponde a una función que depende sólo  de  x . Debido a 

205

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

la igualdad, ambas funciones deben ser constantes, para evitar que una variación en  una de ellas implique lo mismo en la otra. Por tal motivo, se puede afirmar que     

G '' (t ) F ( x ) = = k , k ∈R   c 2 G (t ) F ( x )

••

  A partir de esta ecuación podemos plantear dos ecuaciones diferenciales ordinarias   

(a)       F − Fk = 0     '' 2 (b )     G − Gkc = 0           Solución de  ( a )     Revisando las condiciones de frontera  u(0, t ) = 0  y  u ( L, t ) = 0 , se tiene que      u(0, t ) = F (0)G(t ) = 0    
 

••

 

u( L, t ) = F ( L )G(t ) = 0  

  Claramente,  G (t )   no  puede  ser  cero,  pues  ello  implicaría  u ( x, t ) = 0 ,  por  lo  cual  se  debe  cumplir  que  F (0) = 0   y  F ( L) = 0 .  Utilizando  estas  restricciones  sobre  F ,  encontremos la solución de la ecuación  ( a ) , que puede escribirse como     d 2 F ( x) − kF ( x ) = 0   dx 2   La ecuación característica está dada por  m 2 − k = 0  , por lo cual  m1, 2 = ± k . El valor  de  k  controla la forma de la solución de  ( a ) . Dado que no conocemos el valor de  k ,  se debe analizar los posibles valores que la constante  k  puede tomar.    Si  k = 0 , entonces  m1 = m2 = 0  y las raíces son  reales e  iguales. En este caso,  la solución de la ecuación  ( a )  es de la forma      F ( x ) = Axem1x + Bem2 x     F ( x ) = Ax + B     La solución debe satisfacer   F (0) = 0  y  F ( L) = 0 , entonces      F ( 0) = B = 0 ⇒ B = 0  
   

 

F ( L ) = AL = 0 ⇒

A = 0 

206

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

La función  F ( x ) = Ax + B  no es una solución valida, pues para satisfacer la condición  de frontera requiere  A = B = 0 , por lo cual  F ( x ) = 0  y  u( x, t ) = 0 .       Si  k = q 2   ( k > 0 ),  entonces  m1 = q   y  m2 = −q ,  y  las  raíces  son    reales  y  diferentes. En este caso,  la solución de la ecuación  ( a )  es de la forma      F ( x ) = Aem1x + Bem2 x  
 

 
   

F ( x ) = Aeqx + Be− qx  

La solución debe satisfacer   F (0) = 0  y  F ( L) = 0 , entonces   
 

F ( 0) = A + B = 0 ⇒

A = −B  

 

F ( L ) = A e qL − Ae− qL = 0 ⇒

(

)

A= 0 

  La  función  F ( x ) = Aeqx + Be− qx   no  es  una  solución  valida,  pues  para  satisfacer  la  condición de frontera requiere  A = B = 0 , por lo cual  F ( x ) = 0  y  u( x, t ) = 0 .     Finalmente,  si  k = − q 2   ( k < 0 ),  entonces  m1 = jq   y  m2 = − jq ,  y  las  raíces  complejas conjugadas. En este caso,  si la raíces son de la forma  m = p ± jq , la  solución de la ecuación es de la forma    F ( x ) = e px [ A cos( qx ) + B sin( qx )]       Como la parte real de las raíces es cero, la solución puede escribirse como      F ( x ) = A cos( qx ) + B sin( qx )     La solución debe satisfacer   F (0) = 0  y  F ( L) = 0 , entonces      F ( 0) = A = 0 ⇒ A = 0  
 

  F ( L ) = B sin( qL ) = 0 ⇒ sin( qL ) = 0     Para garantizar la restricción, se requiere que  qL = nπ , donde  n ∈ Z , por lo cual  
 

 
 

q=

nπ   L

y  podemos escribir la solución como    ⎛ nπ ⎞ F ( x ) = B sin ⎜ x⎟     ⎝ L ⎠

207

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

Asignado  B = 1 , obtenemos infinitas solución para la ecuación  ( a )  (una diferente para  cada valor de  n ) a las cuales llamaremos  Fn  y escribiremos como    ⎛ nπ ⎞ Fn ( x ) = sin ⎜ x⎟   ⎝ L ⎠   Ejemplo 7.8. Tres soluciones de   ( a )  que satisfacen las condiciones de frontera.       ⎛π ⎞ F1 ( x ) = sin ⎜ x ⎟   ⎝L ⎠
 

 

⎛ 2π F2 ( x ) = sin ⎜ ⎝ L

 

⎞ x⎟  ⎠
 

 

⎛ 8π ⎞ F8 ( x ) = sin ⎜ x⎟   ⎝ L ⎠
 

 

 

  Solución de  (b)     Dado que  q =  

nπ ⎛ nπ ⎞ , se tiene que  k = −⎜ ⎟  y podemos escribir  (b)  como  L ⎝ L ⎠
2

2

d 2G(t ) 2 ⎛ nπ ⎞ +c ⎜ ⎟ G (t ) = 0   dt 2 ⎝ L ⎠   Definamos  λn = cnπ / L ,  entonces  podemos  escribir  (b)   como  G '' (t ) + λn2G (t ) = 0 .  La  2 ecuación característica de  (b)  es  m 2 + λ n = 0 , con raíces   m1 = jλ n  y  m2 = − jλ n . Así,  para cada  n , la ecuación  (b)  tiene una solución diferente, de la forma    Gn (t ) = An cos(λ n t ) + Bn sin(λ n t )     Por tal motivo, las funciones  un ( x, t ) = Fn ( x )Gn (t ) , escritas como    208

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

⎛ nπ un ( x, t ) = [ An cos(λnt ) + Bn sin(λn t )] sin ⎜ ⎝ L

⎞ x⎟   ⎠

  son solución a la ecuación de onda y satisfacen las condiciones de frontera.    Ejemplo 7.9. Para cada valor de  n , la función  un ( x, t )  puede verse como 
 

 
 

⎛ nπ ⎞ un ( x, t ) = Amp n (t )sin ⎜ x⎟  ⎝ L ⎠

donde la función  Amp n (t ) = An cos(λn t ) + Bn sin(λn t ) , varia con el tiempo y modifica la  amplitud de la función  sin( nπ x / L ) . Como se ilustra en la figura para  n = 3 .       

 

 

Figura 7.4. Comportamiento de la solución para diferentes tiempos. 
 

  Una sola solución  un ( x, t )  no necesariamente satisface las condiciones iniciales.  Dado  que  la  ecuación  de  onda  1D  es  lineal  y  homogénea,  podemos  utilizar  el  Teorema  Fundamental de EDP’s para reunir varias soluciones  un ( x, t ) , con el fin de cumplir las  condiciones iniciales. Consideremos la suma de infinitas soluciones, la cual también es  solución de la ecuación de onda, dada por     

u ( x , t ) = ∑ un ( x , t )  
n =1

  Note que  u ( x, t )  satisface las condiciones de frontera, pues cada solución  un ( x, t )  las  satisface. Podemos escribir la nueva solución como    ∞ ⎛ nπ ⎞   u( x, t ) = ∑ [ An cos(λn t ) + Bn sin(λnt )] sin ⎜ x⎟   ⎝ L ⎠ n =1   La nueva solución debe satisfacer la condición inicial  u( x, 0) = f ( x ) , para ello    ∞ ⎛ nπ ⎞   u( x, 0) = ∑ An sin ⎜ x ⎟ = f ( x)   ⎝ L ⎠ n =1

209

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

Esta  sumatoria  corresponde  a  la  serie  de  Fourier  de  la  señal  f ( x) ,  que  debe  ser  periódica.  Como  la  serie  contiene  sólo  funciones  sin( nΩ0 x ) ,  la  señal  f ( x )   debe  ser  impar.  La frecuencia fundamental de la serie es  Ω 0 = π / L , por lo cual la señal  f ( x )   tiene periodo  T = 2 / L . Los coeficientes  An  de la serie, pueden ser encontrados para  cualquier deflexión inicial  f ( x )  de la cuerda, utilizando la ecuación de los coeficientes   para la serie trigonométrica de Fourier de una señal impar, dados por    T /2 4   An = ∫ f ( x )sin( nΩ0 x )dx   T 0
 

 

2 ⎛ nπ An = ∫ f ( x )sin ⎜ L0 ⎝ L
L

⎞ x ⎟ dx   ⎠

  La  nueva  solución  u( x, t ) ,  debe  satisfacer  también  la  condición  inicial  de  velocidad  u ' ( x, 0) = g ( x ) , para ello    ∂u( x, t ) ∞ ⎛ nπ ⎞   x⎟   = ∑ [ Bn λn cos(λn t ) − An λn sin(λn t )] sin ⎜ ∂t ⎝ L ⎠ n =1
 

 

∞ ∂u ( x, t ) ⎛ nπ ⎞ = ∑ Bn λn sin ⎜ x ⎟ = g ( x)   ∂t t =0 n =1 ⎝ L ⎠

  De nuevo la serie corresponde a una señal impar con  Ω 0 = π / L  y periodo  T = 2 / L .  Los coeficientes de la serie pueden ser encontrados como    L 2 ⎛ nπ ⎞   Bn λn = ∫ g ( x )sin ⎜ x ⎟ dx   L0 ⎝ L ⎠   Despejando los coeficientes  Bn  se tiene      

Bn =

2 ⎛ nπ ⎞ ∫ g ( x) sin⎜ L x ⎟dx   Lλ n 0 ⎝ ⎠
L

  Dadas  unas  condiciones  iniciales  f (x)   y  g (x) ,  los  coeficientes  An   y  Bn   pueden  ser  encontrados,  para  garantizar  que  la  solución  u( x, t ) ,  que  ya  satisface  la  ecuación  de  onda  y  las  condiciones  de  frontera,  satisfaga  también  las  condiciones  iniciales.  Por  simplicidad, asumamos que la velocidad inicial de la cuerda  g ( x )  es cero, por lo cual  los coeficientes  Bn  son cero y la solución general puede escribirse como    ∞ ⎡ cnπ ⎛ nπ ⎞ ⎤ u( x, t ) = ∑ ⎢ An cos(λn t )sin ⎜ x ⎟ ⎥ , λn =   L ⎝ L ⎠⎦ n =1 ⎣

210

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

Interpretación de la solución     

∞ ⎛ nπ u( x, t ) = ∑ An cos(λnt )sin ⎜ ⎝ L n =1

⎞ x⎟   ⎠

  Conociendo que  cos α sin β = 1 [sin(α − β ) + sin(α + β )] , podemos escribir  2   1⎧ ∞ ⎡ nπ ⎤ ∞ ⎡ nπ ⎤⎫   u( x, t ) = ⎨∑ An sin ⎢ ( x − ct ) ⎥ + ∑ An sin ⎢ ( x + ct ) ⎥ ⎬   2 ⎩ n =1 ⎣ L ⎦ n =1 ⎣ L ⎦⎭   ∞ ⎛ nπ ⎞ Dado que  f ( x ) = ∑ An sin ⎜ x ⎟ , podemos escribir  u( x, t )  como  ⎝ L ⎠ n =1   1   u( x, t ) = [ f E ( x − ct ) + f E ( x + ct )]   2   donde  f E (x)  es una extensión impar y periódica, con periodo  2 L , de la función  f ( x) ,  como se ilustra en la Figura 7.6. La respuesta general  u( x, t )  consiste de 2 versiones de  f ( x )  que se trasladan en el tiempo, en dirección contraria, y se superponen.      

 

          

Figura 7.5. Deflexión inicial de la cuerda. 

   

 

 

Figura 7.6. Extensión periódica e impar de la deflexión inicial. 

211

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

  Ejemplo 7.10. Una cuerda de longitud  L  y con  c = 1 , es distorsionada de acuerdo a      
⎛ 3π f ( x ) = sin ⎜ ⎝ L ⎞ x⎟ ⎠

    Encuentre la deflexión  u ( x, t )  de la cuerda, si la velocidad inicial es cero.    Solución. Primero se deben encontrar los coeficientes  An , para ello    L L 2 2 ⎛ nπ ⎞ ⎛ 3π ⎞ ⎛ nπ ⎞   An = ∫ f ( x )sin ⎜ x ⎟ dx = ∫ sin ⎜ x ⎟ sin ⎜ x ⎟ dx   L0 L0 ⎝ L ⎠ ⎝ L ⎠ ⎝ L ⎠   Conociendo que  sin(α )sin( β ) = 1 [cos(α − β ) − cos(α + β )] , se tiene  2   L 1 ⎧ ⎡πx ⎤ ⎡ xπ ⎤⎫   An = ∫ ⎨cos ⎢ ( n − 3)⎥ − cos ⎢ ( n + 3)⎥⎬ dx   L 0⎩ ⎣ L ⎦ ⎣ L ⎦⎭   Para  n = 3      
L sin ( 6π x / L) 1 ⎡ ⎛ 6π ⎞ ⎤ A3 = ∫ ⎢1 − cos ⎜ x ⎟ ⎥ dx = 1 − = 1  6π L0⎣ ⎝ L ⎠⎦ 0 L

 

  Para  n ≠ 3      

⎧ sin [ π x ( n − 3) / L] sin [ π x ( n + 3) / L]⎫ ⎪ ⎪ − An = ⎨ ⎬ = 0  π ( n − 3) π ( n + 3) ⎪ ⎪0 ⎩ ⎭
L

  Solo hay un coeficiente de la serie que no es cero, el coeficiente  A3 . Por tal motivo, la  deflexión de la cuerda está dada por    ⎛ 3π ⎞ ⎛ 3π ⎞ ⎛ 3π ⎞ ⎛ 3π ⎞ u ( x, t ) = A3 cos ⎜ t ⎟ sin ⎜ x ⎟ = cos ⎜ t ⎟ sin ⎜ x⎟     ⎝ L ⎠ ⎝ L ⎠ ⎝ L ⎠ ⎝ L ⎠
 

212

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

7.3.2. Solución de D’Alembert    La solución de D’Alembert se basa en el transformada de Fourier (TF) para solucionar  la ecuación de onda 1D. Encontremos la TF con respecto a  x  de  u ( x, t ) .     

ℑx {u ( x, t )} =

−∞

∫ u( x, t )e

− jΩx

dx = U (Ω, t )  

  Utilizando la propiedad de diferenciación de la TF, se tiene      ℑx {u x ( x, t )} = jΩ U (Ω, t )    
ℑx {u xx ( x, t )} = −Ω 2 U (Ω, t )  

  Para encontrar la TF con respecto a  x  de  ut ( x, t )  no se puede utilizar esta propiedad,  pues la transformada y la derivada son con respecto a diferentes variables. Para este  caso se tiene    ∞ ∞ ∂u( x, t ) − jΩx u( x, t + h) − u( x, t ) ⎤ − jΩx ⎡ ℑx {ut ( x, t )} = ∫ e dx = ∫ ⎢lim   ⎥ e dx   h →0 h ∂t ⎣ ⎦ −∞ −∞      
∞ ⎫ 1⎧ ⎪ ⎪ ℑx {ut ( x, t )} = lim ⎨ ∫ [u( x, t + h) − u( x, t )] e− jΩx dx ⎬   h →0 h ⎪ −∞ ⎪ ⎩ ⎭

1 ℑx {ut ( x, t )} = lim ⎡ ℑx {u( x, t + h)} − ℑx {u ( x, t )}⎤   ⎦ h →0 h ⎣ 1 ℑx {ut ( x, t )} = lim [U (Ω , t + h) − U (Ω, t )]   h →0 h

∂U (Ω, t ) = U t (Ω, t )   ∂t   Así, la TF con respecto a  x  de una derivada con respecto a  t  es igual a la derivada con  respecto a  t  de la TF con respecto a  x . De forma similar para una segunda derivada    ∂ 2U (Ω, t ) ℑx {utt ( x, t )} = = U tt (Ω, t )     ∂t 2   De acuerdo a esto resultados, si tomamos la TF de la ecuación de onda, se tiene      ℑx {utt } = ℑx {c 2u xx }   ℑx {ut ( x, t )} =
 

  Por tal motivo, podemos escribir   

213

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

 
   

∂ 2U (Ω, t ) = − c 2 Ω 2 U ( Ω, t )   2 ∂t ∂ 2U (Ω, t ) 2 2 + c Ω U (Ω, t ) = 0   ∂t 2

 

  La idea es solucionar esta EDO de segundo orden, para encontrar  U (Ω, t )  y después  utilizando  la  transformada  inversa  de  Fourier,  encontrar  la  deflexión  de  la  cuerda  u( x, t ) .  La ecuación característica de la EDO es  m 2 + c 2 Ω2 = 0 , por lo cual sus raíces  son m1,2 = ± jcΩ . Para cada valor de  Ω , las raíces cambian y por ende la solución de la  EDO también. Como las raíces del ecuación características son complejas conjugadas la  solución de la EDO, que en general puede ser compleja, es de la forma      U (Ω, t ) = H (Ω )e jΩct + G(Ω)e − jΩct     donde  H (Ω)   y  G(Ω)   son  funciones  sólo  de  Ω   (constantes  con  respecto  a  t ).  La  deflexión de la cuerda  u( x, t ) , puede ser encontrada a partir de  U (Ω, t ) , como    ∞ 1 j Ωx   u( x, t ) = ℑx −1 {U (Ω, t )} = ∫ U (Ω, t )e d Ω   2π −∞  
 

u ( x, t ) = u ( x, t ) =

1 2π

−∞

∫ ( H (Ω) ⋅ e

j Ωct

+ G(Ω) ⋅ e − jΩct e jΩx d Ω  

)

 

∞ ∞ ⎤ 1 ⎡ H (Ω)e jΩ ( x + ct ) d Ω + ∫ G(Ω )e − jΩ ( x −ct ) d Ω ⎥   ⎢∫ 2π ⎣ −∞ −∞ ⎦

  Suponga  que  existe  un  h( x )   y  g ( x )   corresponden  a  la  transformada  inversa  de  Fourier de las funciones  H (Ω)  y  G(Ω) , es decir,    ∞ 1 −1 j Ωx h( x ) = ℑx { H (Ω)} =   ∫ H (Ω)e d Ω   2π −∞  

g ( x ) = ℑx −1 {G (Ω )} =

1 2π

−∞

∫ G(Ω) ⋅ e

j Ωx

dΩ  

  De acuerdo a esto, podemos escribir la deflexión de la cuerda como    u( x, t ) = h( x + ct ) + g ( x − ct )         Las  funciones  h   y  g   son  encontradas  utilizando  las  condiciones  iniciales  y  las  condiciones de frontera.   

214

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

Condiciones Iniciales    Deflexión inicial:  u( x, 0) = f ( x )       u ( x,0) = h( x) + g ( x) = f ( x)       Velocidad inicial:  u ' ( x, 0) = g ( x )       ut ( x, t ) = ch' ( x + ct ) − cg ' ( x + ct )      

(1)  

ut ( x, 0) = ch' ( x ) − cg ' ( x ) = 0   ut ( x, 0) = c ⎡ h' ( x ) − g ' ( x ) ⎤ = 0 ⇒ h' ( x ) − g ' ( x ) = 0   ⎣ ⎦

  h( x ) = g ( x ) + k , k ∈ R      ( 2)     Despejando  h( x )   en  (1)   e  igualando  con  ( 2) ,  se  tiene  que  f ( x ) − g ( x ) = g ( x ) + k .  Despejando,  se  encuentra  g ( x ) = 1 [ f ( x ) − k ]   y  reemplazando  en  ( 2)   se  tiene  que  2 h( x ) = 1 [ f ( x ) + k ] . Por tal motivo, la deflexión de la cuerda pues escribirse como  2   1   u( x, t ) = [ f ( x + ct ) + f ( x − ct )]   2   Condiciones de Frontera    u(0, t ) = 0     1   u(0, t ) = [ f (ct ) + f ( −ct )] = 0   2 f (ct ) = − f ( −ct )       Por tal motivo, la función  f ( x )  es impar.    u ( L, t ) = 0     1   u( L, t ) = [ f ( L + ct ) + f ( L − ct )] = 0   2   f ( L + ct ) = f ( L − ct )     Por tal motivo, la función  f ( x )  tiene periodo  2L .    Observación 7.2. La solución de D’Alembert concuerda con la solución obtenida por  el método de separación de variables. La TF permite solucionar de manera sencilla  otras ecuaciones diferenciales parciales.

 

215

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

  Ejemplo 7.11. Resuelva la ecuación  au x + ut = 0 , utilizando la transformada de Fourier,  donde  a  es una constante real y  u( x, 0) = f ( x ) .    Solución. Tomando la TF con respecto a  x , se tiene 

aℑx {u x } + ℑx {ut } = 0  
 

 

ajΩU (Ω, t ) +

∂U (Ω, t ) =0  ∂t

  La EDO de primer orden puede ser resulta haciendo    ∂U (Ω, t )   = − ajΩ ∂t   U ( Ω, t )   Ahora se debe integrar a ambos lados de la igualdad. Al integrar el lado izquierdo de la  expresión, se obtiene la función  − ajΩt  más una constante de integración  H (Ω) , que  depende del valor de  y es constante con respecto a  t .      ln[U (Ω, t )] = − jaΩt + H (Ω)  
 
 

  U (Ω, t ) = H (Ω )e − at     La solución de la ecuación debe cumplir  u( x, 0) = f ( x ) , por lo cual si tomamos la TF       ℑ{u( x, 0)} = ℑx { f ( x )}     U ( Ω, 0 ) = F ( Ω )     Utilizando esta restricción, se encuentra que  H (Ω) = F (Ω)  y que  U (Ω, t ) = F (Ω)e − at .  La función  u( x, t )  es encontrada tomando la transformada inversa de Fourier    u( x, t ) = ℑ−1{U (Ω, t )} = ℑ−1{ F (Ω )e − at }     x x   Conociendo que si  ℑ{ f ( x )} = F (Ω)  entonces  ℑ{ f ( x − x0 )} = F (Ω)e − jΩx0 , podemos  encontrar la solución de la EDP, como    u( x, t ) = f ( x − at )  
 

 

216

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

7.4. Ecuación de calor unidimensional    El flujo de calor de un material homogéneo está gobernado por la ecuación de calor:    K ∂u = c 2∇ 2u , c 2 =   ∂t σρ   Donde  u ( x, y, z , t )  es la temperatura del cuerpo,  K  es la conductividad térmica,  σ  es  el calor específico y  ρ  es la densidad del material. La función  ∇ 2 u  es el Laplaciano de  u  con respecto a las coordenadas  ( x, y , z ) , definido como    ∂ 2u ∂ 2u ∂ 2u ∇ 2u = 2 + 2 + 2   ∂x ∂y ∂z   Consideremos la temperatura en una barra delgada ó alambre, de sección transversal  constante y de material homogéneo. El alambre está orientado a lo largo del eje  x  y  está perfectamente aislado, para que el calor fluya solamente en la dirección  x .        

Figura 7.7. Barra delgada orientada a lo largo del eje x. 

    En  este  caso,  u   depende  sólo  de  x   y  de  t ,  por  lo  cual  las  derivadas  parciales  con  respecto a  y  y a  z , del Laplaciano de  u , son cero. Por tal motivo, la ecuación de calor  unidimensional se plantea como    ∂u ∂ 2u = c2 2   ∂t ∂x   7.4.1. Alambre finito (Separación de variables)    Consideremos un alambre de longitud finita  L , y supongamos que sus extremos son  mantenidos a temperatura cero:     
 

 

Figura 7.8. Barra delgada de longitud L. 

       

217

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

Condiciones de frontera    La temperatura en los extremos del alambre es cero.      u(0, t ) = 0     u( L, t ) = 0     Condición inicial    La temperatura inicial del alambre está dada por      u ( x,0) = f ( x)     La  idea  es  encontrar  la  función  u ( x, t )   que  satisface  la  ecuación  de  calor  1D  y  que  satisfaga  las  condiciones  de  frontera  y  la  condición  inicial.  Para  ello  se  utilizará  el  método de separación de variables para solucionar la ecuación  ut = c 2u xx .    Suponga  que  la  solución  de  la  EDP  es  de  la  forma  u( x, t ) = F ( x )G(t ) ,  entonces  podemos reescribir la ecuación de calor como      F ( x )G ' (t ) = c 2 F ( x )G(t )     Separando las variables  x  y  t , se tiene     
G ' (t ) F ( x) = = k , k ∈R   2 c G (t ) F ( x )
•• ••
 

  A partir de esta ecuación se puede plantear las dos siguientes EDO’s     
 

F ( x ) − kF ( x ) = 0  

••

(a)  

  G ' − kc 2G = 0    (b )     Solución de  ( a )     Revisando las condiciones de frontera  u(0, t ) = 0  y  u ( L, t ) = 0 , se tiene que    u(0, t ) = F (0)G(t ) = 0      
 

 

u( L, t ) = F ( L )G(t ) = 0  
 

218

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

Claramente,  G (t )   no  puede  ser  cero,  pues  ello  implicaría  u ( x, t ) = 0 ,  por  lo  cual  se  debe cumplir que  F (0) = 0  y  F ( L) = 0 . La ecuación  ( a )  puede escribirse como    d 2 F ( x)   − kF ( x ) = 0   dx 2   cuya  ecuación  característica  está  dada  por  m 2 − k = 0 ,  con  raíces  m1, 2 = ± k .  La  solución de la ecuación depende del valor de  k . De forma similar que en el caso de la  ecuación de onda, se puede demostrar que para  k ≥ 0  la solución de  ( a )  que satisface  las  condiciones  F (0) = 0   y  F ( L) = 0   es  f ( x ) = 0 ,  lo  cual  implica  u( x, t ) = 0 .  Por  tal  motivo, se puede asumir que  k = − q 2  ( k < 0 ) y la ecuación característica tiene raíces  complejas conjugadas  m1 = jq  y   m2 = − jq . La solución de  ( a )  es de la forma    F ( x ) = A cos( qx ) + B sin( qx )       La solución debe satisfacer   F (0) = 0  y  F ( L) = 0 , entonces      F ( 0) = A = 0 ⇒ A = 0  
 

  F ( L ) = B sin( qL ) = 0 ⇒ sin( qL ) = 0     Para garantizar la restricción, se requiere que  qL = nπ , donde  n ∈ Z , por lo cual  
 

 
 

q=

nπ   L

y  podemos escribir la solución como    ⎛ nπ ⎞ F ( x ) = B sin ⎜ x⎟     ⎝ L ⎠   Asignado  B = 1 , obtenemos infinitas solución para la ecuación  ( a )  (una diferente para  cada valor de  n ) a las cuales llamaremos  Fn  y escribiremos como    ⎛ nπ ⎞ Fn ( x ) = sin ⎜ x⎟   ⎝ L ⎠   Solución de  (b)    

nπ ⎛ nπ ⎞ Dado que  q = , se tiene que  k = −⎜ ⎟  y podemos escribir  (b)  como  L ⎝ L ⎠  
219

2

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

dG(t ) 2 ⎛ nπ ⎞ +c ⎜ ⎟ G (t ) = 0   dt ⎝ L ⎠   Definamos  λn = cnπ / L ,  entonces  podemos  escribir  (b)   como  G ' (t ) + λn2G(t ) = 0 .  La  ecuación de primer orden puede ser resuelta por separación, haciendo    dG(t ) 2   ∫ G(t ) = ∫ −λn dt     Para  cada  valor  de  n ,  la  constante  de  integración  de  la  expresión  de  la  izquierda  cambia, por tal motivo se obtiene la función  An , que es independiente de  t .    ln[G(t )] = −λn 2t + K n       Así, para cada  n , la ecuación  (b)  tiene una solución diferente, de la forma   
 

2

Gn (t ) = An e − λn t  
  Por tal motivo, las funciones  un ( x, t ) = Fn ( x )Gn (t ) , escritas como    2 ⎛ nπ ⎞ un ( x, t ) = An e− λn t sin ⎜ x⎟   ⎝ L ⎠   son solución a la ecuación de calor y satisfacen las condiciones de frontera.    Una  sola  solución  u n ( x, t )   no  necesariamente  satisface  la  condición  inicial  f ( x ) .   Consideremos  la  suma  de  infinitas  soluciones,  la  cual  también  es  solución  de  la  ecuación de calor, dada por     

2

u ( x , t ) = ∑ un ( x , t )  
n =1

  Note que  u ( x, t )  satisface las condiciones de frontera, pues cada solución  un ( x, t )  las  satisface. Podemos escribir la nueva solución como    ∞ 2 ⎛ nπ ⎞   u( x, t ) = ∑ An e − λn t sin ⎜ x⎟   ⎝ L ⎠ n =1   La nueva solución debe satisfacer la condición inicial  u( x, 0) = f ( x ) , para ello   

220

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

 

∞ ⎛ nπ u( x, 0) = ∑ An sin ⎜ ⎝ L n =1

⎞ x ⎟ = f ( x)   ⎠

  Esta  sumatoria  corresponde  a  la  serie  de  Fourier  de  la  señal  f ( x) ,  que  debe  ser  periódica.  Como  la  serie  contiene  sólo  funciones  sin( nΩ0 x ) ,  la  señal  f ( x )   debe  ser  impar.  La frecuencia fundamental de la serie es  Ω 0 = π / L , por lo cual la señal  f ( x )   tiene periodo  T = 2 / L . Los coeficientes  An  de la serie, pueden ser encontrados para  cualquier deflexión inicial  f ( x )  de la cuerda, utilizando la ecuación de los coeficientes   para la serie trigonométrica de Fourier de una señal impar, dados por      L 2 ⎛ nπ ⎞ An = ∫ f ( x )sin ⎜ x ⎟ dx     L0 ⎝ L ⎠   Ejemplo 7.12. Considere una alambre de longitud  π  y con  c = 1 . El alambre presenta  una temperatura inicial dada por   
 

si 0 < x < π / 2 ⎧ x f ( x) = ⎨ ⎩π − x si π / 2 < x < π
    Encuentre la temperatura  u( x, t )  del alambre.    Solución. Los coeficientes  An  de la solución pueden ser encontrados como    L π /2 π ⎤ 2 2⎡ ⎛ nπ ⎞ An = ∫ f ( x )sin ⎜ x ⎟ dx = ⎢ ∫ x sin ( nx ) dx + ∫ (π − x )sin ( nx ) dx⎥     π⎣ 0 L0 ⎝ L ⎠ π /2 ⎦ π /2 π π ⎤ 2⎡   An = ⎢ ∫ x sin ( nx ) dx + π ∫ sin ( nx ) dx − ∫ x sin ( nx ) dx⎥   π⎣ 0 π /2 π /2 ⎦ 2⎧1 π π /2 π An = ⎨ 2 [sin( nx ) − nx cos( nx )]0 − cos( nx ) π / 2 π ⎩n n     1 π ⎫ − 2 [sin( nx ) − nx cos( nx )]π / 2 ⎬ n ⎭ 2⎧1 ⎡ ⎛ π⎞ ⎛ π⎞ ⎛ π ⎞⎤ π ⎡ ⎛ π ⎞⎤ An = ⎨ 2 ⎢sin ⎜ n ⎟ − ⎜ n ⎟ cos ⎜ n ⎟ ⎥ − ⎢cos( nπ ) − cos ⎜ n ⎟ ⎥ π ⎩ n ⎣ ⎝ 2 ⎠ ⎝ 2 ⎠ ⎝ 2 ⎠⎦ n ⎣ ⎝ 2 ⎠⎦   ¨  1 ⎡ ⎛ π⎞ ⎛ π⎞ ⎛ π ⎞⎤ ⎫ − 2 ⎢ − nπ cos( nπ ) − sin ⎜ n ⎟ + ⎜ n ⎟ cos ⎜ n ⎟ ⎥ ⎬ n ⎣ ⎝ 2⎠ ⎝ 2⎠ ⎝ 2 ⎠⎦ ⎭
 

221

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

 

4 ⎛ nπ An = 2 π n sin ⎜ 2 ⎝

( n −1) ⎧ 4 ⎞ ⎪ 2 ( −1) 2 ⎟ = ⎨π n ⎠ ⎪ 0 ⎩

n impar n par

 

    La temperatura de la alambre está dada por    ∞ ∞ 4 4   u( x, t ) = ∑ 2 sin( nx )e − t − ∑ 2 sin( nx )e− t   n =1 π n n =3 π n
n=n + 4 n= n+ 4
 

  7.4.2. Alambre infinito (Transformada de Fourier)    Suponga ahora que el alambre es infinito, de esta manera, no existen condiciones de  frontera y la solución de la ecuación de calor solo se debe satisfacer la condición inicial  u ( x,0) = f ( x) .    Bajo  estas  condiciones,  la  transformada  de  Fourier  es  la  herramienta  apropiada para resolver la EDP. Consideremos la TF de cada término de la ecuación      ℑx {u( x, t )} = U (Ω, t )  
 

 
 

ℑx {c 2u xx } = c 2 ℑx {u xx } = −c 2Ω 2 U (Ω, t )   ℑx {ut } = ∂U (Ω, t ) = U t ( Ω, t )   ∂t

 

  Así, la TF de la ecuación de calor puede escribirse como    ∂U (Ω, t ) = −c 2 Ω 2U (Ω, t )     ∂t   La  idea  es  solucionar  la  EDO  de  primer  orden,  para  hallar  U (Ω, t )   y  posteriormente  utilizando  la  transformada  inversa  de  Fourier  encontrar  la  temperatura  u( x, t ) .  La  ecuación de primer orden se soluciona separando variables, haciendo    ∂U (Ω, t ) 2 2   ∫ U (Ω, t ) = ∫ −c Ω ∂t  
 

 
 

ln [U (Ω, t )] = −c 2 Ω 2t + H (Ω )  
2 2

U (Ω, t ) = H (Ω )e− c Ω t       La función  H (Ω)  puede ser encontrada utilizando la condición inicial  u( x, 0) = f ( x ) .  Para ello, si tomamos la TF de la temperatura inicial se tiene   
222

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

 
 

ℑx {u( x, 0)} = ℑx { f ( x )}  

  U ( Ω, 0) = F ( Ω ) ⇒ H ( Ω ) = F ( Ω )      Por tal motivo, podemos escribir      U ( Ω, t ) = F ( Ω)e − c Ω t     Tomando la transforma inversa de Fourier, se tiene    ∞ 1 jΩx −1 u( x, t ) = ℑx {U (Ω, t )} =   ∫ U (Ω, t )e d Ω   2π −∞     Definamos la función  G (Ω, t ) = e −Ω c t , entonces   
2 2 2 2

u ( x, t ) =

1 2π

−∞

∫ F (Ω)e

− c 2 Ω2t

e jΩx d Ω  

u ( x, t ) =

1 2π

−∞

∫ F (Ω)G(Ω, t )e

jΩx

d Ω = ℑ−1{ F (Ω )G(Ω, t )}   x

  La  TF  de  una  convolución  corresponde  a  un  producto,  por  lo  cual  la  transformada  inversa de un producto, corresponde a una convolución en el tiempo. Por tal motivo,      u( x, t ) = ℑ−1{ F (Ω)} ∗ ℑ−1{G(Ω, t )}   x x
 

   

u ( x, t ) = f ( x ) ∗ g ( x, t )  
2 2

donde  g ( x, t ) = ℑx −1{G(Ω, t )} = ℑx −1{e −Ω c t } . La función  g ( x, t )  es encontrada como    ∞ ∞ 2 2 1 1 −Ω2 c 2t + jΩx g ( x, t ) = e −Ω c t e jΩx d Ω = dΩ     ∫ ∫e 2π −∞ 2π −∞
 

 

1 g ( x, t ) = 2π

−∞

∫e

⎛ Ωx ⎞ − c 2 t ⎜ Ω2 + 2 ⎟ ⎜ jc t ⎟ ⎝ ⎠

dΩ  

  Completando cuadrados, se tiene     
 

g ( x, t ) =

1 2π

−∞

∫e

2⎞ 2⎤ ⎡⎛ Ωx ⎛ x ⎞ ⎟ ⎛ x ⎞ ⎥ − c 2 t ⎢⎜ Ω 2 + 2 + ⎜ ⎜ j 2 c 2t ⎟ ⎟ −⎜ j 2 c 2t ⎟ ⎥ ⎟ ⎜ ⎟ ⎢⎜ jc t ⎝ ⎠ ⎠ ⎝ ⎠ ⎦ ⎣⎝

dΩ  

223

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

 
 

g ( x, t ) =

1 2π

−∞

∫e

2 ⎞⎤ ⎡⎛ 2 Ωx ⎛ x ⎞ ⎟ ⎥ ⎛ x ⎞ − c 2 t ⎢⎜ Ω 2 + 2 + ⎜ ⎜ j 2 c 2t ⎟ ⎟ ⎥ c 2 t ⎜ ⎟ ⎢⎜ jc t ⎝ ⎜ j 2 c 2t ⎟ ⎟ ⎠ ⎠⎦ ⎣⎝ ⎝ ⎠

e

dΩ  

   

g ( x, t ) =

e

⎛ x ⎞ c 2t ⎜ ⎜ j 2 c 2t ⎟ ⎟ ⎝ ⎠

2

−∞

∫e

2 ⎞⎤ ⎡⎛ Ωx ⎛ x ⎞ ⎟ ⎥ − c 2 t ⎢⎜ Ω 2 + 2 + ⎜ ⎜ j 2 c 2t ⎟ ⎟ ⎥ ⎟ ⎢⎜ jc t ⎝ ⎠ ⎠⎦ ⎣⎝

dΩ  

⎛ x ⎞ Realizando la sustitución  u = c t ⎜ Ω + ⎟  se tiene  du = c t d Ω  y  2 jc 2t ⎠ ⎝  
 
   

g ( x, t ) =

e

⎛ x ⎞ c 2t ⎜ ⎟ 2 ⎟ ⎜ ⎝ j 2c t ⎠

2

2π e
⎛ x2 ⎞ −⎜ 2 ⎟ ⎜ 4c t ⎟ ⎝ ⎠

−∞

e − u du c t

2

=

e

⎛ x ⎞ c 2t ⎜ ⎟ 2 ⎟ ⎜ ⎝ j 2c t ⎠

2

c t 2π

−∞

∫e

−u2

du  

 

g ( x, t ) =

2c π t

 

  La solución a la ecuación de calor 1D puede escribir como     
   

u ( x, t ) = f ( x ) ∗ g ( x, t ) = f ( x ) ∗ 1 2c π t

e

− x 2 / 4 c 2t

(

)

2c π t dτ  

 

 

u ( x, t ) =

−∞

f (τ )e

− ⎡( x −τ )2 / 4 c 2t ⎤ ⎣ ⎦

  Interpretación de la solución    Para  valores  pequeños  de  t   ( t → 0 ),  la  función  g ( x, t )   corresponde  a  una  campana  muy  angosta,  por  lo  cual,  la  convolución  entre  la  campana  y  la  temperatura  inicial  f ( x ) ,  es  prácticamente  la  función  f ( x ) .  A  medida  que  el  tiempo  pasa,  la  campana  dada  por  la  función  g ( x, t ) ,  se  empieza  a  ensanchar  y  la  convolución  entre  f ( x )   y  g ( x, t )  corresponde a un versión distorsionada de la temperatura inicial  f ( x ) . 

224

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

7.5. Ejercicios    Sección 7.1    1. Verifique que las siguientes funciones son solución a la ecuación de Laplace 2D.     a. u( x, y ) = 2 xy   b. u( x, y ) = x 3 − 3 xy 2     2. Verifique que la función  u( x, y , z ) =    
∇ 2u = ∂ 2u ∂ 2u ∂ 2 u + + =0  ∂x 2 ∂y 2 ∂z 2

1 x2 + y2 + z 2

 satisface la ecuación 

  3. Verifique que las siguientes funciones satisfacen la ecuación de calor para algún  c .    c. u( x, t ) = e −2t cos( x )  
 

d. u( x, y ) = e − t sin(3 x )     4. Verifique que las siguientes funciones satisfacen la ecuación de onda.    a. u( x, t ) = x 2 + 4t 2  
 

b. u( x, t ) = sin(Ωct )sin(Ωx )     5. Demuestre  que  u( x, t ) = v( x + ct ) + w( x − ct ) ,  donde  v   y  w   son  funciones  derivables de  x  y  t , es solución a la ecuación de onda.    6. Encuentre la función  u( x, y ) , solución de las siguientes ecuaciones diferenciales.    a. u y + 2 yu = 0  
 

b. u x = 2 xyu  
 

c. u xx + 4u = 0     Sección 7.2 y 7.3    7.  Cuales  de  la  siguientes  funciones  puede  ser  una  condición  inicial  de  una  cuerda  vibrante de longitud  L = 1 . Justifique su respuesta.   

225

Ecuaciones diferenciales parciales 

 

Análisis de Fourier 

a.

f ( x ) = sin(π x )  

b. f ( x ) = x 2   c. f ( x ) = sin(3π x )sin(5π x )   d. f ( x ) = cos(3π x )cos(5π x )     7. Encuentre  la  deflexión  de  la  cuerda  que  tiene  L = π   y  c = 1 ,  y  que  presenta  las  condiciones iniciales  g ( x) = 0  y   
1 f ( x ) = ∑ k sin( kx )   k =1 3

  8. Encuentre  la  deflexión  de  la  cuerda  que  tiene  L = π   y  c = 1 ,  y  que  presenta  las  condiciones iniciales  g ( x) = 0  y    f ( x ) = sin( 2 x )cos( x − π )   2   9. Encuentre  la  deflexión  de  la  cuerda  que  tiene  L = π   y  c = 1 ,  y  que  presenta  las  condiciones iniciales  g ( x) = 0  y   

f ( x ) = ∑ [ k sin( x ) + sin( kx )] . 
k =1

3

  10. Encuentre  u( x, y )   para  la  ecuación  u x − au y = 0   utilizando  el  método  de  separación de variables.    11. Encuentre  u( x, t )   para  la  ecuación  la  ecuación  au x + ut = 0 ,  utilizando  la  transformada de Fourier.    Sección 7.4    12. Encuentre la temperatura de una barra de longitud  10  y  c = 1 . Sus terminaciones  son mantenidas a cero grados y su temperatura inicial es  f ( x ) = sin(0.2π x ) .    13. Encuentre la temperatura de una barra de longitud  10  y  c = 1 . Sus terminaciones  son  mantenidas  a  cero  grados  y  su  temperatura  inicial  es  f ( x ) = x(10 − x ) .

226

Apéndice A

ESPACIOS VECTORIALES
Un espacio vectorial o lineal es una colección de objetos, denominados vectores, que  pueden ser sumados y escalados. Para realizar una definición más formal se necesitan  algunas definiciones previas. 
 

  A.1. Grupos, anillos y campos    Definición A.1. Un grupo  (G ,*)  es un conjunto  G  junto a una operación binaria  ∗  que  cumplen    i. Clausura:    Si   a , b ∈ G ⇒ a ∗ b ∈ G    “ G  es cerrado bajo  ∗ ”. 

ii. Asociatividad:  iii. Identidad:  iv. Inversa: 

∀a , b, c ∈ G ⇒ a ∗ (b ∗ c ) = ( a ∗ b ) ∗ c   ∀a ∈ G ( a ∗ e = e ∗ a = a )    “ e : identidad”  ∀a ∈ G ∃a ' ∈ G / a ∗ a ' = a '∗ a = e  

  Si  además  ∀a , b ∈ G ( a ∗ b = b ∗ a )   entonces  el  grupo  (G ,*)   es  abeliano  (conmutativo).    Ejemplo A.1.  (Z, + )  y  (R, + )  son grupos abelianos con identidad 0.  (R* , ×)  es un grupo  abeliano  con  identidad  1.  (Z, ×)   no  es  un  grupo  pues  existen  elementos  sin  inversa.  (R, ×)   no  es  un  grupo  pues  el  elemento  0  no  tiene  inversa.  El  par  (R, ×)   se  conoce  como monoide.    Definición  A.2.  (G ,*)   es  un  monoide  si  cumple  las  propiedades  de  clausura,  asociatividad e identidad de la Definición A.1.    Definición  A.3.  Un  anillo  ( R, +, ×)   es  un  conjunto  R   junto  a  la  adición  +   y  a  la  multiplicación  × , que cumplen    i. ( R, + )  es un grupo abeliano con identidad  0 . 

ii. ( R, ×)  es un monoide con identidad  1 .  iii. La multiplicación distribuye la adición  ∀a , b, c ∈ R a × (b + c ) = a × b + a × c .    
Definición  A.4.  Un  campo  ( F , +, ×)   es  un  conjunto  F   junto  a  la  adición  +   y  a  la  multiplicación  × , que cumplen 

Espacios vectoriales 

Análisis de Fourier 

i.

( F , + )  es un grupo abeliano con identidad  0 . 

ii. ( F * , ×)  es un grupo abeliano con identidad 1.  iii. La 
multiplicación  distribuye  a  la  adición  

∀a , b, c ∈ R a × (b + c ) = a × b + a × c .   

  Los elementos de un campo se conocen como escalares.  Ejemplo A.2.  (R, + , ×)  y  (C, + , ×)  son anillos y campos. 
 

    A.2. Definición de espacio vectorial    Un conjunto  V  es un espacio vectorial sobre un campo  ( F , +, ×)  si     i. (V , + )  es un grupo abeliano con identidad  0 . 

ii. ∀a ∈ F  y  ∀ v, w ∈ V :   a × (v + w) = a × v + a × w   iii. ∀a, b ∈ F  y ∀ v ∈ V :   iv. ∀a, b ∈ F y ∀ v ∈ V :   v. ∀ v ∈ V :   vi. ∀a ∈ F y  ∀ v ∈ V :  

( a + b) × v = ( a × v) + (b × v)   ( a × b) × v = a × (b × v)  
1× v = v   “ 1  es la identidad multiplicativa de  F ” 
a v ∈V  

  Los elementos de un espacio vectorial se conocen como vectores.    Ejemplo  A.3.  Demuestre  que  los  siguientes  conjuntos  son  espacios  vectoriales.  Para  ello verifique que los elementos del campo pueden ser escalados y sumados.    • V = R n  con  F = R     Si  x ∈ R n  entonces  x = ( x1 , x2 , ..., xn )  con  x1 , x2 , ..., xn ∈ R n .    Escalados. Si   a ∈ R  y  x ∈ R n  entonces  a x = ( ax1 , ax2 , ..., axn ) ∈ R n .    Sumados. Si    x, y ∈ R n  entonces  x+ y = ( x1 + y1 , x2 + y2 , ..., xn + yn ) ∈ R n .    • V = L1  con  F = C  

Si  x(t ) ∈ L1  entonces 

−∞

x(t ) dt < ∞ .  228

Espacios vectoriales 

Análisis de Fourier 

Escalados. Si   a ∈ C  y  x(t ) ∈ L1  entonces 

−∞

ax(t ) dt = a

−∞ ∞

x(t ) dt < ∞ . 

Sumados. Si    x(t ), y(t ) ∈ L1  entonces 
 

−∞

x(t ) + y(t ) dt ≤ ∫ x(t ) dt +
−∞

−∞

y(t ) dt < ∞ . 

 
 

A.3. Norma de un espacio vectorial    Una  norma  ⋅   es  una  “medida”,  que  se  le  asigna  a  cada  elemento  (vector)  de  un  espacio vectorial  V , que debe cumplir    i. ∀ v ∈ V :   v ≥ 0   y    v = 0 ⇔ v = 0  

ii. ∀a ∈ F  y  ∀ v ∈ V :   iii. ∀ v, w ∈ V : 

av = a v   v+ w ≤ v + w  

  Por  tal  motivo,  una  norma  es  una  función  del  espacio  vectorial  a  los  números  reales  mayores iguales a cero, es decir,  ⋅ : V → [0, ∞ ) . Un espacio vectorial normado es un  espacio vectorial dotado con norma.    Ejemplo A.4.  R n  y  L1  son espacios vectoriales normados.   

• •
 

2 2 Si  x ∈ R n   entonces   x = x12 + x2 + ... + xn    ∞

Si  x(t ) ∈ L1   entonces   x(t ) =

−∞

x(t ) dt  

Definición A.5. Una métrica  ρ  es una “medida de distancia”, entre dos vectores de un  espacio vectorial, que debe cumplir    i. ∀ v, w ∈ V :   ρ (v, w) ≥ 0   y    ρ (v, w) = 0 ⇔ v = w  

 

ii. ∀ v, w ∈ V :   iii. ∀ v, w, z ∈ V : 

ρ (v, w) = ρ (w, v)   ρ (v, z) ≤ ρ (v, w) + ρ (w, z)  

  Por  tal  motivo,  una  métrica  es  una  función  que  toma  dos  elementos  del  espacio  vectorial y asigna un número real mayor igual a cero, es decir,  ρ : V × V → [0, ∞ ) . Un  espacio vectorial métrico es un espacio vectorial dotado con métrica.   

229

Espacios vectoriales 

Análisis de Fourier 

  Observación  A.1.  Todo  espacio  vectorial  normado  es  también  un  espacio  métrico,    con métrica definida como  ρ (v, w) = v − w .
 

 

Ejemplo A.5.  R n  y  L1  son espacios vectoriales métricos.   

• •
 

Si  x, y ∈ R n   entonces   ρ (x, y) = ( x1 − y1 )2 + ( x2 − y2 )2 + ... + ( xn − yn )2    Si  x(t ), y(t ) ∈ L1   entonces   ρ [ x(t ), y(t )] =

−∞

x(t ) − y(t ) dt  

 
A.4. Producto interno 
 

El producto interno  ⋅, ⋅  se define para dos elementos de un espacio vectorial  V  con  campo  F  y debe cumplir  ∀ v, w ∈ F  y  ∀a ∈ F  con    i. v, v > 0   y     v, v ⇔ v = 0  

ii.

v, w = w, v  
y
v, w1 + w 2 = v, w1 + v, w 2

*

iii. v1 + v 2 , w = v1 , w + v 2 , w iv.
 

a v, w = a v, w

y

v, a w = a* v, w

Por  tal  motivo,  el  producto  interno  es  una  función  que  toma  dos  elementos  del  espacio  vectorial  y  un  elemento  del  campo,  es  decir,  ρ : V × V → F .  Un  espacio  vectorial euclídeo es un espacio vectorial dotado con producto interno.  Observación A.2. Todo espacio vectorial euclídeo es también un espacio normado,  con norma definida como  x = √ x, x . Ejemplo A.5.  R n  y  L2  son espacios vectoriales con producto euclídeo.    • Si  x, y ∈ R n   entonces   x, y = x1 y1 + x2 y2 + ... + xn yn   


 

Si  x(t ), y(t ) ∈ L2   entonces   x(t ), y(t ) =

−∞

∫ x(t ) y (t )dt  
*

Adicionalmente, L2  es un espacio vectorial normado, con norma definida como   

 

x (t ) =

−∞

x(t ) x* (t )dt =

−∞

x(t ) dt  

2

230

Espacios vectoriales 

Análisis de Fourier 

BIBLIOGRAFÍA
      1. STREMLER, Ferrel. Sistemas de Comunicación. Alfaomega, 1989.    2. SOLIMAN,  Samir  S.  y  SRINATH,  Mandyam  D.  Señales  y  Sistemas  Continuos  y  Discretos. 2da. Edición, Prentice Hall, 1999.    3. OPPENHEIM, Alan V., WILLSKY, Alan S. y NAWAB, S. Hamid. Señales y Sistemas.  2da. Edición, Prentice Hall, 1998.    4. ROBERTS,  Michael  J.  Señales  y  Sistemas:  Análisis  mediante  métodos  de  transformada y MATLAB. 1ra. Edición, Mc Graw Hill, 2004.    5. RESTREPO,  Alfredo.  Fundamentos  de  la  Teoría  de  Señales  y  Sistemas.  Universidad de los Andes, 2003.     6. PROAKIS, John G. y MANOLAKIS, Dimitris G. Tratamiento Digital de Señales. 4ta  Edición. Prentice Hall, 2007.    7. KREYSZIG, Edwin. Matemáticas Avanzadas para Ingeniería. Limusa, 2003.    8. KARU, Zoher Z. Signals and Systems. Fourth Edition, ZiZi Press, 2001.    9. HSU, Hwei P. Schaum's Outline of Theory and Problems of Signals and Systems.  Mc Graw Hill, 1995.    10. MERTINS,  Alfred.  Signal  Analysis:  Wavelets,  Filter  Banks,  Time‐Frequency  Transforms and Applications. John Wiley & Sons, 1999.    11. STARK,  Hans‐Georg.  Wavelets  and  Signal  Processing:  An  Application‐Based  Introduction. Springer, 2005    12. BOGESS,  Albert  and  NARCOWICH,  Francis  J.  A  First  Course  in  Wavelets  with  Fourier Analysis. First Edition, Prentice Hall, 2001.    13. MALLAT,  Stéphane.  A  Wavelet  Tour  in  Signal  Processing.  Second  Edition,  Academic Press, 1999.    14. KOLMOGOROV, A. N. and FOMIN, S. N. Introductory Real Analysis. Dover. 

231

Sign up to vote on this title
UsefulNot useful