Egomez M.Sc.

SEÑALES Y SISTEMAS

TEORIA DE FOURIER (Cap. 4 y 5)

Extraído del documento Directriz de la asignatura Señales y Sistemas

EDUARDO GOMEZ VASQUEZ M.Sc.

Universidad Tecnológica de Bolívar

 Egomez M.Sc.

4. SERIES DE FOURIER

4.1 TIEMPO CONTÍNUO

En 1807 Jean Baptiste Fourier propuso que una señal periódica cualquiera xp(t),
con periodo To, se puede representar como una sumatoria de señales
exponenciales complejas (o lo que es lo mismo, senos y cosenos), con
Amplitudes y Frecuencias que varían armónicamente, en función de la frecuencia
fundamental de la señal, wo=2π/To:
∞ To/ 2
1
xp (t) = ∑akε jkwot
con ak = ∫ xp (t)ε − jkwot dt
−∞ To−To/ 2

Posteriormente en 1829 P.L. Dirichlet suministra las bases matemáticas precisas,

bajo las cuales una señal xp(t), puede representarse en una serie de Fourier
(condiciones de Dirichlet), para un Periodo de la señal se debe cumplir que:
T
1. xp(t), ha de ser absolutamente integrable ( ∫ xp(t) dt < ∞ )
0

2. Ha de existir un número finito de máximos y mínimos

3. Pueden existir discontinuidades, pero debe haber un número finito de ellas.

Se observa que prácticamente todas las señales de uso práctico, cumplen estas
tres condiciones.

Consideremos, la siguiente onda cuadrada periódica:

xp(t)

t
-4 -3 -2 -1 1 2 3
Tiene un periodo To = 2 y por tanto su frecuencia fundamental es wo = 2π/To = π.
Los coeficientes de la serie de Fourier (o lo que es lo mismo la amplitud de las
exponenciales complejas) son:

1
1 − 1 − jkπt 1 j
ak = ∫ (1)ε − jkπdtt = ε = (ε − jkπ
− 1)
20 j2kπ 0 2πk
 Egomez M.Sc.

Se observa que si k = 0, sería necesario aplicar límites (mas exactamente, la

regla de L’hôpital) para calcular el coeficiente ao. Sin embargo esto no es
necesario, si se tiene en cuenta que ao es la magnitud de la señal exponencial
compleja a frecuencia 0, ya que si k=0 entonces w=kwo=0. Por tanto ao, es la
Componente Continua de la Señal Periódica. Siendo así, podemos hallar ao como
el valor medio de la señal:

To / 2 1
1 1
ao = ∫
To − To / 2
x p (t )dt = ∫ (1)dt = 0.5
20

Extrayendo el término ao, la onda cuadrada anterior, se representa en series de

Fourier como:

∞
j
x p ( t ) = 0 .5 +
k → −∞
∑ 2πk
(ε − jk π
− 1) ε jk π t

con k ≠ 0

Teniendo en cuenta que ejθ=cosθ+jsenθ y que coskπ=(-1)k, senkπ=0, la serie

anterior se reduce a:
 ∞ 1
2  ∑
sen( k π t ) k par
k=2 k
x p (t ) = 0 .5 −  ∞ 1
π 
 ∑
cos( k π t ) k impar
k =1 k

El resultado anterior se grafica en Matlab, para cuarenta armónicos (-20≤k≤20),

utilizando la representación exponencial compleja (mas fácil en Matlab que la
sinusoidal) y se puede apreciar en la siguiente página.

En la gráfica se observa una fuerte oscilación en la representación en series e

Fourier, en las discontinuidades de la onda cuadrada. A este fenómeno se le
conoce como fenómeno de Gibbs y no se puede eliminar aún cuando se
incremente el número de armónicos. No obstante, cabe destacar que este
fenómeno solo se presenta en el caso de señales periódicas, con
discontinuidades.
 Egomez M.Sc.

Onda cuadrada Periódica obtenida de la Serie de Fourier con 40 armónicos

1.2

0.8

0.6

xp(t)0.4

0.2

-0.2
-3 -2 -1 0 1 2 3
t

4.2 TIEMPO DISCRETO

Así como en tiempo continuo, toda señal de tiempo discreto periódica, puede
representarse como una suma de señales exponenciales complejas de tiempo
discreto, cuya amplitud y frecuencia varían en forma armónica:

No −1
1 No −1
x p [ n] = ∑a
k =0
k ε jΩ o kn
con a k = ∑
No n = 0
x p [ n]ε − jΩ o kn

Donde No es el periodo de la señal periódica xp[n] y Ωo su frecuencia. Se

observa sin embargo, que la sumatoria no es infinita, por tanto su precisión es
absoluta (no es aproximada).

Consideremos ahora una onda cuadrada de tiempo discreto:

 Egomez M.Sc.

0.9

0.8

0.7

0.6
x[n]
0.5

0.4

0.3

0.2

0.1

0
-20 -15 -10 -5 0 5 10 15 20
n
De la gráfica anterior se deduce que No = 10 y Ωo = 2π/No = π/5. Entonces :

π π
5 − jk n 5 − jk n
1 5 1 5
ak = ∑ (1)ε
10 n=1
= (∑ ε
10 n=0
− 1)

 6π
−j k   − j π5 k −j k 
6π
1 1 − ε 5  1  ε − ε 5

ak =  π − 1 =  π  k≠0
10  −j k
 10  −j k

 1− ε  1− ε
5 5
 

De nuevo, hay una aparente discontinuidad en k=0, sin embargo ao corresponde

al valor promedio de la señal: ao = (5/10) = 0.5. Entonces xp[n] es:

 − j π5 k 6π
−j k π 
1 ε
9
−ε 5 j nk 
x p [n] = 0.5 + ∑  π
ε 5

10 k =1  −j k

 1− ε
5


Verificar este resultado, Graficando en Matlab.

Se observa que, en el caso de tiempo discreto, no existe fenómeno de Gibbs y el

cálculo de xp[n] es exacto y más veloz.
 Egomez M.Sc.

4.3 ESPECTROS DE AMPLITUD Y DE FASE

Los coeficientes de Fourier ak de una señal periódica son en general, números

complejos. Como todo complejo, ak se puede representar, en forma polar, como
Akejφk ; es decir con su magnitud Ak y su fase φk.

Luego xp(t) también se puede representar como :

∞ ∞ ∞
xp (t) = ∑ak ε jkwot
= ∑Ak ε j ( kwot +φi )
= ∑Ak (Cos(kwot +φk ) + j sen(kwot +φk )
−∞ −∞ −∞
La ecuación anterior nos revela que la magnitud de los coeficientes de Fourier Ak
corresponde a la magnitud de las señales sinusoidales que al superponerse,
forman la señal original; y φk el ángulo de desfase de cada una. Esta
representación es muy útil en el análisis de Filtros, en la transmisión de señales y
en el análisis de estado estable (Conociendo la respuesta de un sistema a una
señal sinusoidal, se puede obtener la respuesta del sistema a cualquier entrada
periódica, por el principio de superposición).

Es por ello que, en la práctica, se acostumbra obtener los denominados espectros

de Amplitud y fase de una señal, en función de k.

Ejemplo : Graficar en Matlab los espectros de amplitud y fase de la onda

cuadrada periódica.
Espectros de Amplitud y de Fase
0.6

0.4

k
0.2

0
-10 -5 0 5 10
Ak
2

0
k
-1

-2
-10 -5 0 5 10
φk
 Egomez M.Sc.

Ejercicio : Determinar, la salida de un filtro pasa - bajas ideal, con frecuencia de

corte 1500 Hz, si la entrada es una señal Diente de Sierra con To=0.01 seg. y
amplitud 1.

Primero que nada es necesario, Conocer la frecuencia fundamental de la señal,

wo=2π/To = 628.32 Hz. Ya que el filtro pasabajas ideal solo deja pasar las
frecuencias por debajo de los 1500 Hz, significa que solo pasarán las frecuencias
–2wo, -wo, 0, wo y 2wo; es decir la componente de continua mas 2 armónicos, ya
que los demás armónicos sobrepasan la frecuencia de corte del filtro
(3wo=1885Hz).

Reconstruyendo, utilizando Matlab, la señal diente de sierra, utilizando solo 2

armónicos, obtenemos la señal de salida del filtro:
Diente de sierra, reconstruída con 50
1.5 ó i

1
x(t)

0.5

0
-0.015 -0.01 -0.005 0 0.005 0.01 0.015
Diente de sierra, reconstruída con 2
0.53 ó i

0.52

x(t)
0.51

0.5

0.49
-0.015 -0.01 -0.005 0 0.005 0.01 0.015
t

Se observa que para obtener una señal de la onda diente de sierra, aceptable, se
requieren unos 50 armónicos. Todo medio físico de propagación o transmisión de
una onda, tiene un ancho de banda específico; por lo que en general actúa como
un filtro. Si el ancho de banda del medio, es inferior al de la señal, pueden
presentarse serias distorsiones de la señal original.
 Egomez M.Sc.

4.4 PROPIEDADES DE LAS SERIES DE FOURIER

4.4.1 Tiempo Continuo

Sean x(t) e y(t) señales periódicas con el mismo periodo To, y con coeficientes de
Fourier ak y bk respectivamente, las Series de Fourier cumplen las siguientes
propiedades :

PROPIEDAD SEÑAL COEFICIENTES

DE FOURIER
Linealidad C1*x(t)+C2*y(t) C1*ak+C2*bk
Desplazamiento de x(t-to) ak*e(-jkwoto)
tiempo
Inversión en el tiempo x(-t) a-k
Escalamiento en el x(αt) ak, pero wo’=α*wo
tiempo
Diferenciación dx(t)/dt jkwoak
Integración t
ak/(jkwo)
∫ x(t )dt
−∞
(Si el valor medio de
x(t) es 0)

Por ejemplo, considérense las siguientes dos señales:

xp(t) yp(t)

t t
-2 2 -3 -1 1 3
-1

La señal yp(t), se puede obtener de xp(t) por integración y posterior

∞

desplazamiento de la señal: y p (t ) = ∫ xp(t − 1)dt .

−∞

Por tanto, si se conocen los coeficientes de Fourier de xp(t) : ak, no es necesario

calcular los correspondientes coeficientes de Fourier de yp(t) : bk, ya que :

bk = ak e(-jkwo) / (jkwo) (Integración y desplazamiento en en tiempo)

 Egomez M.Sc.

4.4.2 Tiempo Discreto

Sean x[n] e y[n] señales periódicas, con igual periodo No y coeficientes de Fourier
ak y bk respectivamente. Al igual que en tiempo continuo, se puede obtener bk a
partir de ak, siempre que y[n] se pueda obtener a partir de x[n]:

PROPIEDAD SEÑAL COEFICIENTES DE

FOURIER
Linealidad C1*x[n]+C2*y[n] C1*ak+C2*bk
Desplazamiento de x(n-no) ak*e(-jkΩono)
tiempo
Inversión en el tiempo x[-n] a-k

5. TRANSFORMADA DE FOURIER

Las Series de Fourier nos permiten representar una señal periódica, tanto de
tiempo continuo, como de tiempo discreto; en función de una suma o
superposición de señales exponenciales complejas, con frecuencias, amplitudes y
fases que varían en función de un parámetro k, entero, con la suficiente precisión
(tiempo continuo).

Una vez representada una señal periódica, en términos de exponenciales

complejas, se puede obtener un espectro de la señal en el dominio de la
frecuencia (espectros de Amplitud y de fase) ; que nos representa el contenido de
armónicos de la señal original. Es importante resaltar, que aun cuando la señal
periódica original sea de tiempo continuo, su espectro de frecuencias es discreto.

Una señal periódica, es por definición, infinita. Sin embargo, en la práctica las
señales se encuentran delimitadas en el tiempo; es decir, tienen un comienzo y
un fin determinado. Un ejemplo sencillo de este tipo de señales, la constituyen los
pulsos digitales:
x(t)

10100101

t
 Egomez M.Sc.

Que en general, son señales aperiódicas. Es deseable obtener una

representación en el dominio de la frecuencia de estas señales (un espectro de
frecuencias), para poder predecir el efecto que pueda tener el medio de
transmisión (el cual puede introducir distorsión) sobre ellas.

5.1 TRANSFORMADA DE FOURIER DE TIEMPO CONTINUO

Sea una señal aperiódica x(t) cualquiera:

x(t)

Se podría considerar otra señal xp(t), periódica, con la misma forma que x(t), pero
que se repite indefinidamente, con periodo To :
xp(t)
To

Es claro que a medida que To → ∞ entonces: xp(t) → x(t). Como xp(t) es periódica,
podemos representarla en series de Fourier:

∞
2π
x p (t ) = ∑ ak ε jkwot
k →−∞
con wo =
To
Multiplicando y dividiendo por wo :

∞
a k jkwot
x p (t ) = ∑
k →−∞ w
ε wo
o
El término ak/wo será:
 Egomez M.Sc.

To / 2 T /2
ak 1 1 o
=
wo wo To ∫
− To / 2
x p ( t )ε − jkwo t
dt = ∫ x p (t )ε − jkwo t dt
2π − To / 2

Si hacemos que To → ∞, entonces xp(t) → x(t), wo → dw, kwo → w y la Σ → ∫ :

∞
a 1 1
LimTo →∞ ( k ) =
wo 2π ∫ x ( t )ε
−∞
− jwt
dt =
2π
TF ( x (t ))

Donde se le ha dado un nombre especial a la integral, y es el de Transformada de

Fourier (es importante destacar que la transformada de Fourier, proviene de la
forma general de los coeficientes ak de la serie de Fourier; es decir es su
equivalente para señales aperiódicas). Entonces x(t) se puede representar como :

∞
1
x (t ) = LimTo→∞ ( x p ( t )) =
2π −∞
∫ TF ( x(t ))ε jwt
dw
Como TF(x(t)) es función únicamente de w, se suele representar por X(w); y ya
que x(t) se obtiene a partir de X(w) tal como indica la ecuación anterior, se
denomina Transformada inversa de Fourier a la operación TF-1(X(w))=x(t).

5.1.1 Pares básicos de Transformadas de Fourier

-at
Como ejemplo, se hallará la Transformada de Fourier de x(t) = e U(t)

∞ ∞ ∞
1 1
∫e U (t )dt = ∫ e
− at − jwt − ( a + jw ) t
X ( w) = e dt = − e − ( a + jw) t = si a ≥ 0
−∞ 0 a + jw 0
a + jw

En general, no es necesario aplicar la definición de la Transformada de Fourier,

para hallar una Transformada de Fourier de una señal específica, basta con tener
un conjunto básico de Transformadas de Fourier y unas cuantas propiedades
básicas:
 Egomez M.Sc.

PARES BASICOS DE TRANSFORMADAS DE FOURIER

x(t) X(w)
-at
e U(t) 1
Re{a} > 0
a + jw
t n −1 − at 1
e U (t ) Re{a} > 0
(n − 1)! (a + jw) n
δ(t) 1
U(t) 1
+ πδ ( w)
jw
Sen(wot) π
[δ ( w − wo) − δ ( w + wo)]
j
Cos(wot) π [δ ( w − wo) + δ ( w + wo)]
1 2πδ(w)
jwot
e 2πδ(w-wo)
1 t < Ts 2 sen( wTs)
x(t ) =  w
0 t > Ts
sen( wot ) 1 w < wo 
πt  
0 w > wo 
ONDA CUADRADA PERIODICA ∞ 2 sen(kwot1 )
 1 t < t1 
∑
−∞ k
δ ( w − kwo)
x(t ) =  
0 t1 < t < T  2π
wo =
x(t ) = x(t + T ) T
∞
2π ∞ 2πk
∑−∞
δ (t − nT ) ∑
T −∞
δ (w −
T
)
 Egomez M.Sc.

5.1.2 Propiedades de las Transformadas de Fourier

Propiedad Señal Transformada

Linealidad ax1(t) + bx2(t) aX1(w) + bX2(w)
Desplazamiento en el tiempo x(t-to) X(w)e-jwto
Desplazamiento en Frecuencia e-jwot x(t) X(w-wo)
Escalamiento en el tiempo x(at) 1 w
X( )
a a
Convolución x1(t) * x2(t) X1(w) X2(w)
Multiplicación x1(t) x2(t) X1(w) * X2(w)/(2π)
Derivación d n x(t ) (jw)nX(w)
dt n
Integración t 1
X ( w) + πX (0)δ ( w)
∫ x(t )dt
−∞
jw
Derivación en Frecuencia tnx(t) d n X ( w)
jn
dwn
Integración en Frecuencia x(t ) w
− j ∫ X ( w)dw
t
−∞

Simetría Sí TF(x(t)) = X(w), Entonces:

TF(X(t))=2πx(-w)
Relación de Parseval ∞
1
∞

∫ ∫
2 2
x(t ) dt = X ( w) dw
−∞
2π − ∞

Ejemplos:
−t
a) Hallar la Transformada de Fourier de e .

−t
e = e − tU (t ) + e tU ( −t ) ; entonces:

TF e { }= TF {e
−t −t
} {
U (t ) + TF e tU (−t ) }, por la propiedad de Linealidad.
De tablas: TF e −t
U{(t ) = }
1
1 + jw
Por la propiedad de escalamiento en el tiempo (x(at)=x(-t) con a=-1)
 Egomez M.Sc.

{
TF e tU ( −t ) = } 1
1 − jw ; entonces:

TF e{ } = 1 +1jw + 1 −1jw = 1 +2w

−t
2

−3 t
b) Hallar la TF{ e sen(2t ) }

Por la propiedad de escalamiento en el tiempo, y partiendo del resultado anterior:

2
TF e{ } −3 t
= 3 =
6
w 2 9 + w2
1+ ( )
3

Por otro lado e

−3 t
sen(2t ) = e
−3 t
 j2
[
 e j 2 t − e − j 2 t  1 −3 t j 2 t
 =
−3 t
e e − e e − j 2t ]
  j2
Por la propiedad de Linealidad:

TF e{ −3 t
sen(2t ) = } 1
j2
[ {−3 t
}
−3 t
TF e e j 2t − TF e e − j 2t { }]
Por la propiedad de desplazamiento en frecuencia:

TF e{ −3 t
sen(2t ) = } 1 

6
j 2  9 + ( w − 2) 2
−
6 
2
9 + ( w + 2) 
=− 4
j 24w
w + 10w 2 + 32

 te −2t − 1 < t < 1

c) Hallar la Transformada de Fourier de x(t ) = 
0 en otro valor
-2t
x(t)=te [U(t+1)-U(t-1)]

Por Linealidad: TF{x(t)}=TF{te-2tU(t+1)}-TF{te-2tU(t-1)}

 Egomez M.Sc.

{ 1
De tablas: TF e − 2tU (t ) =
2 + jw
}
Por la propiedad de desplazamiento en el tiempo:

{ } {
TF e − 2( t +1)U (t + 1) = e − 2TF e −2tU (t + 1) = } e jw
2 + jw
; entonces:

e 2+ jw
{ }
TF e − 2tU (t + 1) =
2 + jw

Del mismo modo:

e − jw
{ } {
TF e − 2( t −1)U (t − 1) = e 2TF e − 2tU (t − 1) = } 2 + jw
; y:

e − ( 2+ jw)
{ }
TF e − 2tU (t − 1) =
2 + jw
Por la propiedad de derivación en la frecuencia:

d  e 2+ jw 
{[ ]}
TF t e − 2tU (t + 1) = j 
dw  2 + jw 
 = −
e 2+ jw
(2 + jw) 2
(1 + jw)

d  e − ( 2+ jw) 
{[ ]}

TF t e − 2tU (t − 1) = j  =
e − ( 2+ jw)
dw  2 + jw  (2 + jw) 2
(3 + jw)

Entonces, por Linealidad:

TF {x(t )} =
−1
(2 + jw) 2
[
(1 + jw)e 2+ jw + (3 + jw)e −( 2+ jw) = ]
−2
(2 + jw) 2
[
e −( 2+ jw) + (1 + jw) cos(2 + jw) ]

d) Obtener la Transformada Inversa de X(w)=cos2w

2
 e jw + e − jw 
X ( w) = 
2
1
(
 = e j 2 w + 2 + e − j 2 w
4
)
 

Por Linealidad:

TF −1 {X ( w)} =
1
4
( { }
TF −1 e j 2 w + TF −1 {2} + TF −1 e − j 2 w { })

De tablas:
 Egomez M.Sc.

{ } { }
TF −1 e −2 jw = δ (t − 2) ; TF −1 e 2 jw = δ (t + 2) y TF −1 {2} = 2δ (t )

Entonces TF-1{X(w)}=(δ(t-2)+2δ(t)+δ(t+2))/4

5.2. TRANSFORMADA DE FOURIER DE TIEMPO DISCRETO

Para tiempo discreto, se puede realizar un análisis similar al de tiempo continuo,

obteniéndose la siguiente definición de Transformada de Fourier :
∞
X (Ω ) = ∑ x[ n ]ε
k → −∞
− jΩ n

Y la Transformada inversa de Fourier de Tiempo Continuo:

2π
1
x[n] = ∫ X (Ω)e
jΩn
dΩ
2π 0

Ya que e-jΩn siempre es periódica, con periodo 2π, X(Ω) también es una función
periódica de Ω, con periodo 2π.

Como ejemplo se hallará la Transformada de Fourier de tiempo discreto de la

señal x[n]=(0.5)nU[n].

 1  n  ∞  1  n − jΩn ∞
 1 − jΩ 
n
1
TF   U [n] = ∑   ε = ∑ ε  =
 2   k =0  2  
k =0 2
 1
1 − ε − jΩ
2
Al graficar, en Matlab, la magnitud y el ángulo de X(w), se obtiene:
 Egomez M.Sc.

Magnitud y Fase de X(Ω)

2

1.5

/X/ 1

0.5
-15 -10 -5 0 5 10 15

0.5

0
φ(Ω)
-0.5

-1
-15 -10 -5 0 5 10 15
Ω(radianes)

Sin embargo, al igual que para tiempo continuo, no es necesario hallar la

Transformada de Fourier de Tiempo Discreto, aplicando su definición. Basta con
utilizar una tabla de Transformadas básicas y las propiedades de las
Transformadas de Fourier de Tiempo Discreto.
 Egomez M.Sc.

5.2.1 Pares básicos de Transformadas de Fourier

X[n] X(Ω)
n 1
a U[n] (a<1)
1 − ae − jΩ
(n + r − 1)! n 1
a U [n]
n! (r − 1)! (1 − ae − jΩ ) r
δ[n] 1
U[n] 1 ∞
+ ∑ πδ (Ω − 2πk )
1 − e − jΩ K = −∞
Sen(Ωon) π ∞

j
∑ (δ (Ω − Ωo − 2πk ) − δ (Ω + Ωo − 2πk ))
k = −∞
∞
Cos(Ωon) π ∑ (δ (Ω − Ωo − 2πk ) + δ (Ω + Ωo − 2πk ))
k = −∞

1 ∞
2π ∑ δ (Ω − 2πk)
k = −∞

ejΩon ∞
2π ∑ δ (Ω − Ωo − 2πk )
k = −∞

sen(Ωon) 1 Ω < Ωo
nπ 
0 Ω > Ωo
∞
2π ∞ 2πk
∑ δ [n − kN ]
k = −∞
∑
N −∞
δ (Ω −
N
)
 Egomez M.Sc.

5.2.2 Propiedades de las Transformadas de Fourier

Propiedad Señal Transformada

Linealidad ax1[n] + bx2[n] aX1(Ω) + bX2(Ω)
Desplazamiento en el x(n-no) X(Ω)e-jΩno
Tiempo
Desplazamiento en e-jΩon x[n] X(Ω-Ωo)
Frecuencia
Inserción de Ceros  x[n / k ], si n es múltiplo de k kX(kΩ)

0, si n no es múltiplo de k
Escalamiento en el X[kn] 1 Ω
X 
Tiempo k k
Multiplicación x1[n]x2[n] X1(w)*X2(w)
Convolución x1[n] * x2[n] X1(Ω) X2(Ω)
Inversión en el Tiempo x[-n] X(-Ω)
Diferenciación en nmx[n] d m X (Ω)
m
j
Frecuencia dΩ m
Simetría Sí TF(x[n]) = X(Ω), Entonces:
TF(X[n])=2πx(-Ω)
Relación de Parseval ∞
1
2π

∑ x [n ] = ∫
2 2
X (Ω ) dΩ
n = −∞ 2π 0

Ejemplos:

a) Hallar la TF a { }n
a <1

= a nU [n] + a − nU [− (n + 1)]
n
a

Es importante destacar, que en tiempo discreto, se debe utilizar U[-(n+1)] en lugar

de U[-n], ya que U[n] y U[-n] coinciden en n=0 y por tanto no serían mutuamente
excluyentes.

Por Linealidad:

TF a { } = TF {a U [n]}+ TF {a
n n −n
}
U [− (n + 1)]

{
De las tablas: TF a nU [n] =
1
}
1 − ae − jΩ
Por la propiedad de inversión en el tiempo:
 Egomez M.Sc.

{
TF a −nU [− n] = } 1
1 − ae jΩ

Por la propiedad, de desplazamiento en el tiempo:

e jΩ
{
TF a − ( n +1)
} −1
{
U [− (n + 1)] = a TF a U [− (n + 1)] =
−n
} ; entonces:
1 − ae jΩ
ae jΩ
{
TF a −nU [− (n + 1)] = } ; resumiendo:
1 − ae jΩ
{ }
n
TF a =
1
+
ae jΩ
=
1− a2
1 − ae − jΩ 1 − ae jΩ 1 − 2a cos(Ω) + a 2