Universidad Politécnica Salesiana

Análisis de Señales y Sistemas

Nombre: Karen Tisalema
Grupo:1
1. Sistemas Tiempo continuo y discreto.
1.1 Sistema de tiempo discreto.
Un sistema discreto en el tiempo se define matemáticamente como la transformación o el
operador que traza una secuencia de entrada con valores x[n], en una secuencia de salida
con valores y[n] denotado
𝑦[𝑛] = T{𝑥[𝑛]}
Enfatizando que el valor de la secuencia de salida en cualquier punto del índice n debe
ser una función de x[n] para toda n.
Los sistemas sin memoria son llamados así si la salida y[n] en todo valor de n es
dependiente de la entrada x[n].

*Sistemas lineales.

El género de sistemas lineales es definido por el principio de superposición. Siendo y1[n]

e y2[n] las respuestas de un sistema donde x1[n] y x2[n] son las respectivas entradas, el
sistema es lineal únicamente si se cumplen las siguientes propiedades.

Propiedad de adición
propiedad de homogeneidad
porpiedad combinadas con el principio de superposición

*Sistemas invariantes en tiempo

Si un sistema invariante en el tiempo presenta un retraso temporal en la secuencia de

entrada causa un correspondiente traslado o retraso en la salida. Se dice que el sistema
no varía en el tiempo si para todo valor n0 una secuencia de entrada x1[n] = x[n-n0] produce
una secuencia de salida y1[n] = y[n-n0
*Estabilidad
Un sistema es estable si toda secuencia de entrada limitada (Bounded Input), produce una
secuencia limitada de salida (Bounded Output). De aquí que comúnmente se le llame
BIBO estable. La entrada x[n] esta limitada si existe un valor finito positivo B x donde |x[n]|
Bx < para toda n.
Todas las propiedades mencionadas hasta el momento son propiedades de sistemas, no
de entradas de sistemas, podrían existir coincidencias donde las entradas de sistemas
cumplan con las propiedades, pero no indica que sea correcta la evaluación.
1.2 Sistema de tiempo continuo.
Clasificación de los sistemas en tiempo continúo Sistemas con y sin memoria Sistema SIN
memoria: Es aquel cuya salida para cada valor de la variable independiente en un tiempo
dado depende solamente de la entrada en ese mismo momento. Ej Si entrada es la salida
es: De donde se aprecia que la salida depende de entradas a tiempos diferentes de t0.
Por lo tanto el sistema es Con Memoria.
2. propiedades de los Sistemas Lineales e invariantes en el tiempo.
2.1Propiedad conmutativa.
∞

x[n] ∗ h[n] = h[n] ∗ x[n] = ∑ h[k]x[n − k]

𝑘=−∞

Demostración: Si hago k=n-r

∞

x[n] ∗ h[n − k] = ∑ x[n − r]h[r] = h[n] ∗ x[n]

𝑘=−∞

Análogo el caso continuo:

∞
𝒙(𝒕) ∗ 𝒉(𝒕) = 𝒉(𝒕) ∗ 𝒙(𝒕) = ∫ 𝒉(𝒔)𝒙(𝒕 − 𝒔)𝒅𝒔
−∞

Interpretación.- Si x[n] ∗ h[n] = h[n] ∗ x[n], entonces la salida de un sistema LTI con entrada
x[n] y respuesta al impulso unitario h[n], es identifica a la salida de un sistema LTI con
entrada x[n] y respuesta al impulso unitario x[n].
2.2 Propiedad distributiva.
Caso discreto:
𝒙[𝒏] ∗ (𝒉𝟏 [𝒏] + 𝒉𝟐 [𝒏]) = 𝒙[𝒏] ∗ 𝒉𝟏 [𝒏] + 𝒙[𝒏] + 𝒉𝟐 [𝒏]
Caso continuo:
𝒙(𝒕) ∗ (𝒉𝟏 [𝒕] + 𝒉𝟐 [𝒕]) = 𝒙[𝒕] ∗ 𝒉𝟏 [𝒕] + 𝒙[𝒕] + 𝒉𝟐 [𝒕]
Los sistemas con respuestas al impulso h1(t), h2(t) tienen idénticas entradas y sus
salidas se suman puesto que:
𝑦1 (t) = x(t) ∗ ℎ1 (t)
𝑦2 (t) = x(t) ∗ ℎ2 (t)
 y(t) = x(t) ∗ (ℎ1 (t) + x(t) ∗ ℎ2 (𝑡))
Consecuencia de las propiedades conmutativa y distributiva:
(𝑥1 [n] + 𝑥2 [n]) ∗ h[n] = 𝑥1 [n] ∗ h[n] + 𝑥2 [n] ∗ h[n]
(𝑥1 [t] + 𝑥2 [t]) ∗ h[t] = 𝑥1 [t] ∗ h[t] + 𝑥2 [t] ∗ h[t]
2.3 Propiedad asociativa.
x[n] ∗ (ℎ1 [n] ∗ ℎ2 (𝑛)) = (𝑥[𝑛] ∗ ℎ1 [𝑛] ∗ ℎ2 [𝑛]
x(t) ∗ (ℎ1 (t) ∗ ℎ2 (𝑡)) = (𝑥(t) ∗ ℎ1 (t) ∗ ℎ2 (t)
3. Convolución

Intuitivamente podemos mirar a la convolución de dos funciones f(x) y g(z) como la función
resultante que aparece después de efectuar los siguientes pasos: a) girar respecto del
origen los valores de una de ellas, es decir g(z) = g(-z) para todo z desde -∞ a ∞, b) ir
trasladando la función girada sobre la otra f(z)g(x-z), y c) en cada punto x calculamos el
valor que resulta de sumar los productos obtenidos de multiplicar para todos los z los
correspondiente valores de las funciones f(z) y g(x-z) . En esencia estamos calculando
para cada valor de x una especie de valor ponderado de una de las funciones f(x) con los
valores de la otra g(x). En el caso de que el área encerrada por la curva de g()x fuese
igual 1 entonces estaríamos calculando para x una media ponderada. Matemáticamente
la expresión para esta operación es

De la expresión anterior puede verse como para un valor fijo de x los origines de las
funciones f y g están desplazados justamente en ese valor x. Los valores
de f para z crecientes van siendo multiplicados por valores de g para (x-z) decrecientes
En el caso discreto que veremos más adelante esta visión intuitiva de la convolución
quedará aún más clara. La figura
Ilustra el efecto de esta operación. La gran importancia de esta operación radica en el
hecho de que la TF de un producto de convolución de dos funciones es igual al producto
de las TFs de dichas funciones, es decir

Este resultado denominado Teorema de Convolución implica que podemos calcular un

producto de convolución de dos funciones multiplicando sus correspondientes TF y al
resultado aplicarle la TF inversa. En el caso de señales discretas las distintas longitudes
que pudieran tener las sucesiones de puntos de cada una de las funciones son posibles
causas de errores en el cálculo final de la convolución, es por ello que ambas funciones
han de definirse en una misma cantidad de puntos por cada eje.

Para lograr esto consideremos que la función f(x) ha sido muestreada sobre un conjunto
de puntos de longitud A y la función g(x) lo ha sido sobre un conjunto de longitud B,
entonces ambas funciones se rellenarán con ceros hasta que cada una de ellas quede
definida en M = A + B - 1 valores. La fórmula de rellenar con ceros los valores que faltan
no es la única manera que existe de fijar dichos valores aunque si es la más comúnmente
usada. Una vez que las dos funciones tienen el mismo rango de definición la convolución
se puede calcular por

para x=0,1…,M-1. Puede demostrarse que al igual que las funciones f(x) y g(x) la función
resultante de la convolución discreta es también una función periódica discreta de periodo
M. La figura
muestra una comparación entre los resultados del caso discreto y el caso continuo.

Las expresiones que aparecen en el caso bidimensional (imágenes) son las siguientes:

Caso continuo:

Caso discreto:
para e .

Al igual que en el caso unidimensional el cálculo de la convolución de funciones

bidimensionales puede ser efectuado a través de los productos de sus correspondientes
transformadas de Fourier aplicando le al resultado la TF inversa.

Como se pondrá de manifiesto en las siguientes lecciones la operación de convolución

será una herramienta clave de los cálculos que se realizan para el análisis y extracción
de toda la información que contiene una imagen.

4. Correlación

La correlación de dos funciones reales es una operación de similares características a la

convolución con la salvedad de que no giraremos alrededor del origen los valores de una
de las funciones. La expresión matemática para esta operación es

Bajo las mismas condiciones que establecimos en la convolución en el caso discreto, la

expresión de la correlación de funciones discretas reales es

Para . De manera similar se pueden transcribir las expresiones de

la correlación en el caso bidimensional.

De forma paralela a como vimos que existía un teorema de convolución ahora podemos
enunciar un Teorema de Correlación, que nos dice como se calcula la correlación entre
dos funciones a partir de las TF de dichas funciones. El teorema establece que la TF de
la correlación entre dos funciones es igual al producto de la transformada Fourier
conjugada de una de ellas por la otra. Es decir,

Donde .

Al igual que la convolución, la correlación es una operación básica del procesamiento de

imágenes digitales. La correlación es la operación básica en los procesos de búsqueda
de patrones por emparejamiento. Por tanto, disponer de algoritmos que calculen de una
forma eficiente estas operaciones es del mayor interés La figura muestra el resultado de
correlacionar dos funciones.