Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis de Fourier PDF
Analisis de Fourier PDF
FOURIER
ANÀLISIS DE FOURIER
Primera Edición
BOGOTÁ, COLOMBIA
DERECHOS RESERVADOS
© 2007 por JULIAN QUIROGA SEPÚLVEDA
Bogotá
ANÁLISIS DE FOURIER
Julián Quiroga Sepúlveda
ISBN: 978-958-44-2350-4
CONTENIDO
PREFACIO XI
1. CONCEPTOS BÁSICOS 1
1.1. Bases matemáticas 1
1.1.1. Conjuntos Numéricos 1
1.1.2. Notación de interés 2
1.1.3. Clasificación de conjuntos de acuerdo a su cardinalidad 3
1.1.4. Ínfimo y supremo 3
1.2. Funciones 4
1.2.1. Inyectividad 5
1.2.2. Sobreyectividad 5
1.2.3. Biyectividad 6
1.2.4. Invertibilidad 6
1.3. Variable compleja 6
1.3.1. Números complejos 7
1.3.2. Identidad de Euler (Exponencial Complejo) 8
1.3.3. Operaciones entre complejos 10
1.3.4. Complejo conjugado 10
1.3.5. Funciones Complejas 12
1.4. Resumen 14
1.5. Ejercicios 15
2. SEÑALES 17
2.1. Clasificación de señales 17
2.1.1. Señales continuas y discretas 17
2.1.2. Señales de soporte compacto y acotadas 19
2.1.3. Señales pares e impares 20
2.2. Señales periódicas 24
2.2.1. Señales periódicas de tiempo continuo 24
2.2.2. Suma de exponenciales complejos de TC 27
2.2.3. Señales periódicas de tiempo discreto 29
2.2.4. Suma de exponenciales periódicos de TD 32
2.3. Potencia y energía de una señal 33
2.3.1. Potencia instantánea 33
2.3.2. Energía 34
2.3.3. Potencia promedio 34
2.4. Normas y espacios normados 37
2.4.1. Norma y espacio L1 37
2.4.2. Norma y espacio L2 39
2.4.3. Norma y espacio l1 41
2.4.4. Norma y espacio l2 42
2.5. Funciones Singulares 43
2.5.1. Función escalón de Heaviside 43
2.5.2. Función impulso 45
2.5.3. Escalón unitario discreto 47
2.5.4. Impulso unitario discreto 47
2.6. Convolución lineal 48
2.6.1. Definición 48
2.6.2. Propiedades de la convolución 52
2.7. Sistemas LTI 53
2.7.1. Sistemas continuos 53
2.7.2. Sistemas discretos 55
2.8. Resumen 57
2.9. Ejercicios 59
3. REPRESENTACIÓN DE SEÑALES 63
3.1. Descomposición de señales 63
3.2. Aproximación de un vector 64
3.2.1. Aproximación de un elemento del plano 64
3.2.2. Aproximación de una señal 65
3.3. Bases ortogonales 68
3.1.1. Bases e independencia lineal 68
3.1.2. Ortogonalidad 68
3.1.3. Método de ortogonalización de Gram‐Schmidt 70
3.4. Representación de señales en un intervalo de tiempo finito 71
3.5. Teorema de Parseval para un intervalo finito 77
3.6. Representación de una señal periódica 78
3.7. Resumen 79
3.8. Ejercicios 80
4. SERIES DE FOURIER 83
4.1. Serie exponencial de Fourier 83
4.1.1. Condiciones de Dirichlet 83
4.1.2. Cálculo de la serie exponencial 85
4.1.3. Espectro de Fourier 88
4.1.4. Teorema de Parseval para la serie exponencial 90
VIII
4.1.5. Propiedades de la serie exponencial 92
4.2. Serie trigonométrica de Fourier 96
4.2.1. Relación entre la serie trigonométrica y la serie exponencial 100
4.2.2. Serie trigonométrica de Fourier para señales pares e impares 103
4.2.3. Teorema de Parseval para la serie trigonométrica de Fourier 106
IX
6.2. Transformada de Fourier para señales discretas 170
6.2.1. Definición de la transformada de Fourier l1 170
6.2.2. Interpretación de la transformada de Fourier l1 172
6.2.3. Propiedades de la TF de una señal discreta 173
6.2.4. Transformada de Fourier para señales periódicas discretas 174
6.2.5. Teorema de Parseval para la TF de señales discretas 176
6.2.6. Propiedad de convolución para la TF de señales discretas 176
BIBLIOGRAFÍA 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.
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∈ A 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
B = { x ∈ A : Q( x )} B es el conjunto formado por los elementos de A que
cumplen la condición Q
B ⊂ A B es subconjunto (está contenido) de 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
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 r = Re{ x} 2 + Im{ x} 2 = x
⎛ Im{ x} ⎞
Fase θ = arctan ⎜ ⎟ = ∠x
⎝ Re{ x} ⎠
De polares a rectangulares:
Parte Real Re{ x} = r cos θ
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
e jx − e − jx
sin x =
2j
e jx + e − jx
cos x =
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
x − y = ( Re{ x} − Re{ y }) + j ( Im{ x} − Im{ y })
Producto
xy = x y e j (∠x + ∠y )
División
x
x / y = e j (∠x − ∠y )
y
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
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
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.
2
Ejemplo 1.15. Demuestre que xx* = x
Solución.
( )( )
xx* = x e jθ x e − jθ = x
2
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
a + jb a − jb a + b 2
a +b 2
a + b2
a a
Re{ x} = Im{ x} = 2 2
a +b
2 2
a +b
a b a + jb 1
x* = +j 2 = 2 =
a +b
2 2
a +b 2
a +b 2
a − jb
1 1
x = =
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
Polares: f ( x ) = f ( x ) e jθ ( x )
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}
c. C = { x ∈ Z + : 2x ∈ Z, x ≤ 10}
2. Escriba textualmente lo que significan las expresiones y conteste si son F ó V.
a. ∃x ∈ R / ( x + x = 0)
b. ∀x ∈ Z ( 2x ∈ 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
1
b. f : R → R ; f ( x) =
1+ x
c. f : R + → R ; f ( x) = x
d. 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. f : R + → R ; f ( x) = x
c. 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
π
−j
b. x = e 3
j
c. x=
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.
2
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.
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
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
∫−a
x(t )dt = 2 ∫ x(t )dt
0
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
∑x
n =− a
n = x0 + 2∑ xn
n=0
Si xn es una señal impar, entonces
a
∑x
n =− 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 ) =
par
= 1+ t2
2
(1 + t + t ) − (1 − t + t 2 )
2
ximp (t ) = =t
2
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 )
et + e − t
x par (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
xn = xnpar + xnimp , donde
x + x− n
xnpar = n
2
x − x− n
xnimp = 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
Observación 2.2. El valor a = 0 es un tiempo de repetición para cualquier señal.
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.
Figura 2.10. Señal periódica de TC.
Observación 2.3. Toda señal periódica tiene soporte no acotado, por lo tanto no
compacto, pues la señal debe repetirse desde −∞ hasta ∞ .
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
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
jΩ1 ( t +T )
e1442443 + e jΩ2 ( t +T ) = e14
jΩ1t
24
Ω 2t
+ e j3
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.
Observación 2.5. Si Ω1 / Ω 2 ∈ Q ⇒ Ω 2 / Ω1 ∈ Q .
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.
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 .
1
Para x(t ) , se tienen dos señales con frecuencias angulares Ω x = 1 2 y Ω 3 = 1 3 ,
1
entonces Ω x Ω 3 = 3 2 ∈ Q . Por tal motivo, x(t ) es periódica y para ella se debe
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 = 12 (1 + cos 2α ) , se tiene que x(t ) = 12 [1 + cos(6t )] .
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 ) + 12 cos(6t ) + 13 cos(8t ) , en caso
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
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
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 } . ■
⎛ 2π ⎞ ⎛ 2π ⎞
j⎜ ⎟n j⎜ ⎟n
Si sumamos de dos exponenciales complejos periódicos xn = e y yn = e , ⎝ 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
2
v(t )v* (t ) v(t )
p(t ) = =
R R
o en términos de la corriente i(t ) a través del resistor
2
p(t ) = i(t )i* (t ) R = i(t ) R
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
2 2
p(t ) = v(t ) = i(t ) ,
por lo que es usual referirse a la potencia instantánea de una señal dada x(t ) , como
2
p ( t ) = x(t )
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
∞
∫
2
E= x(t ) dt
−∞
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
t2
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
t
1 2
∫
2
P t1 ,t2 = x(t ) dt
t2 − t1 t1
La potencia promedio de la señal se calcula cuando el intervalo se vuelve infinito
t
1 2
P = lim ∫ x(t ) dt
2
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
P = ∫ x(t ) dt
2
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?
34
Señales Análisis de Fourier
Solución.
Potencia instantánea
2 2
p ( t ) = x ( t ) = 2e j 3 t
2
p ( t ) = 2 2 e j 3t = 4
Energía
∞ ∞ ∞
2 2
∫ ∫ dt = 4 ∫ e j 3t dt
2
E= x(t ) dt = 2e j 3t
−∞ −∞ −∞
∞ ∞
E = 4 ∫ dt = 8∫ 1dt = ∞
−∞ 0
Potencia promedio
T /2 T /2
1 4 2
∫ ∫
2
P = lim x(t ) dt = lim e j 3t dt
T →∞ T T →∞ T
−T / 2 −T / 2
T /2
4 4
T →∞ T ∫
P = lim dt = lim [T / 2 − ( −T / 2)] = 4
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
( )
2 2 2
p(t ) = x(t ) = e −2|t| = e −2|t|
⎧ e4t t<0
p(t ) = e −4|t| = ⎨ −4t
⎩e t>0
Energía
∞ ∞ ∞
∫ (e )
2
∫ ∫e
2 −2|t | −4|t |
E= x(t ) dt = dt = dt
−∞ −∞ −∞
0 ∞
1
∫ e dt + ∫ e dt =
−4 t
E= 4t
−∞ 0
2
Potencia promedio
T /2 T /2 T /2
1 1 1
( )
2
T →∞ T ∫ T →∞ T ∫ T →∞ T ∫
2 −4 t
P = lim x(t ) dt = lim e −2|t| dt = lim e dt
−T / 2 −T / 2 −T / 2
T /2 0
2 1 −4t 1
P = lim
T →∞ T ∫ e−4t dt = lim
T →∞ 2T
e = lim
T →∞ 2T
(1 − e−2T ) = 0
0 T /2
Por tal motivo, x(t ) es una señal de energía finita.
2.3.4. Caso discreto
2
Potencia instantánea de la señal pn = xn
Energía en el intervalo ( n1 , n2 ) n2
En1 ,n2 = ∑ xn
2
n = n1
∞
Energía de la señal
∑
2
E= xn
n =−∞
Potencia promedio en el intervalo ( n1 , n2 ) 1 n2
∑
2
P n1 ,n2 = xn
( n2 − n1 ) + 1 n = n1
N /2
Potencia promedio 1
∑
2
P = lim xn
N →∞ N
n =− N / 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
x = x12 + x22 + x32
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.
∞ 3
x (t ) 1 = ∫
−∞
x(t ) dt = ∫t
−3
dt
37
Señales Análisis de Fourier
0 3
x(t ) 1 = ∫ −t dt + ∫ t dt = 9
−3 0
Esta señal pertenece a L1 , pues su norma L1 es finita.
⎧1 / t t ≥1
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 ) dt = ∫ 1 / t dt
1
∞
x(t ) 1 = ∫ 1 t dt = ln(∞ ) − ln(1) = ∞
1
Por tal motivo la señal no pertenece a L1 .
⎧1 / t 2 t ≥1
Ejemplo 2.23. Encuentre la norma L1 de la señal x(t ) = ⎨
⎩ 0 otro caso
Figura 2.17. La señal original y su magnitud.
∞ ∞
x (t ) 1 = ∫
−∞
x(t ) dt = ∫ 1 / t 2 dt
1
∞ ∞
x(t ) 1 = ∫ 1 t 2 dt = − 1 t 1 = 1
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
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, 12 , 13 , 14 , ...}
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
∞
∫
2
x (t ) 2 = x(t ) dt
−∞
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
}
< ∞ .
⎧1 / t t ≥1
Ejemplo 2.25. Encuentre la norma L2 de la señal x(t ) = ⎨
⎩ 0 otro caso
39
Señales Análisis de Fourier
Solución.
∞ ∞
∫ ∫ 1/ t
2 2
x (t ) 2 = x(t ) dt = dt
−∞ 1
∞
∞
x (t ) 1 = ∫1 t dt = −1 / t 1 = 1
2
Por tal motivo la señal pertenece a L2 . Note que esta señal no pertenece a L1 .
Observación 2.8. Una señal en L1 no necesariamente pertenece a L2 y viceversa.
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
( )
2
E = x(t ) 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
t2
∫ x(t )
2
x(t ) 2 (t1 , t2 ) = dt
t1
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 .
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(t ) x (t ) dt = ∫
2
x, x = *
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
n2
xn 1 ( n1 , n2 ) = ∑ xn
n = n1
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
∞
∑
2
xn 2
= xn
n =−∞
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
( )
2
E = x (t ) 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.
2 2
xn 2
= ∑ n 2 = 1 + 14 + 0 + 14 + 1 = 10 2
n = −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
Figura 2.21. Señal original y señal multiplicada por las funciones escalón.
2.5.2. Función impulso
La función impulso o delta de Dirac está definida como
⎧≠ 0 t =0
δ (t ) = ⎨
⎩ 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 .
⎧≠ 0 t = 3
δ (t − 3) = ⎨
⎩ 0 t≠3
45
Señales Análisis de Fourier
Propiedad de área unitaria
b
⎧1 si a < t0 < b
∫ δ (t − t )dt = ⎨⎩0
a
0
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.
∞
46
Señales Análisis de Fourier
Ejemplo 2.32. Evalué las siguientes integrales
∞
∫e δ (t − π )dt = e cos(π ) = e −1
cos( t )
−∞
∞
∫e
− x2
δ ( x)dx = 0
1
100
∫ log(t )δ (t − 10)dt = log(10) = 1
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
⎧1 n=0
δn = ⎨
⎩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.
∞
∑ xδ
n =−∞
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
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 =
−∞ 0
2
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
∞ 1 2
h( 2 ) = ∫
−∞
f (τ ) g (1 − τ )dτ = ∫ τ dτ + ∫ ( −τ + 2) dτ = 1
0 1
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 .
t
t2
h(t ) = ∫ τ dτ =
0
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 .
1
1
2 −2∫+t
h( t ) = + τ dτ
(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 .
2
h( t ) = ∫
−2 + t
−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 t<0
⎪ 1 2
t 0 < t <1
⎪⎪ 2
h(t ) = ⎨1 − 12 (t − 2)2 1≤ t ≤ 3
⎪ 1 (t − 4 ) 2 3<t < 4
⎪ 2
⎪⎩ 0 t>4
2.6.2. Propiedades de la convolución
Conmutatividad
x(t ) ∗ y (t ) = y (t ) ∗ x(t )
52
Señales Análisis de Fourier
Asociatividad
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 )
Convolución con impulso
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 = ∑xh
k =−∞
k n−k = ∑x
k =−∞
h
n−k k
2.7. Sistemas LTI
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 )
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
∞ ∞
⎡∞ ⎤
∫ x(t − τ )h(τ )dτ = ∫ e ⎢ ∫ h(τ )e
j Ω0 ( t −τ ) − j Ω0τ
y (t ) = h(τ )dτ = e jΩ0 t
dτ ⎥ = e jΩ0t H (Ω0 )
−∞ −∞ ⎣ −∞ ⎦
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 ) = ∫ x(τ )h(t − τ )dτ
−∞
∞ ∞
y (t ) ≤ ∫
−∞
x(τ ) h(t − τ ) dτ ≤ sup x(τ )
τ ∈R
∫
−∞
h(t − τ ) dτ
Figura 2.27. Sistema LTI discreto
55
Señales Análisis de Fourier
La señal xn puede escribirse, utilizando una función impulso, como
∞
xn = ∑ xδ
k =−∞
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 = ∑xh
k =−∞
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 = ∑xh
k =−∞
k n−k
∞ ∞
yn ≤ ∑
k =−∞
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
1 2
periódica sólo si Ω1 / Ω 2 ∈ Q .
• 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
∫ −a
x(t )dt = 2 ∫ x(t )dt
0
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. x(t ) = sin 2 ( 2t ) + sin 3t
c. x(t ) = cos t + cos(π t )
d. x(t ) = sin( Ωt ) + sin( 3 t ) + sin( 4 t )
Ω Ω
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)
⎛ 2π ⎞ ⎛ 2π ⎞
− j⎜ ⎟n j⎜ ⎟n
b. x[n] = e ⎝ 3 ⎠
+e ⎝ 5 ⎠
∞
c. 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
60
Señales Análisis de Fourier
a. La potencia instantánea
b. La energía
c. La potencia promedio
d. 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.
−t
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
18. Evalué las siguientes expresiones
∞
a. ∑ δ [n − 3]e
n =−∞
( n − 3 )2
61
Señales Análisis de Fourier
∫ δ (2t − 1)4
t
b. 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. Lineal
b. Invariante en el tiempo
c. Causal
d. 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.
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
t2
x1 (t ), x2 (t ) = ∫ x1 (t ) x2* (t ) dt
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
t2
Eε = ∫ f (t ) − cx(t ) dt
2
t1
65
Representación de señales Análisis de Fourier
La energía del error puede escribirse de forma apropiada como
t2 t2
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
2 2
t2 t2
1 1
Eε = E f − c Ex − ∫ f (t ) x (t )dt − 2 ∫ f (t ) x (t )dt
* *
Ex t1
Ex 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
∫ f (t ) x (t )dt
*
t2
1
∫ f (t ) x (t )dt =
t1
copt = *
t2
Ex
∫ x (t )
t1 2
dt
t1
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
t2
Eε = E f − 2c ∫ f (t ) x(t )dt + c 2 Ex
t1
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
t
dEε 2
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 ] .
⎧1 0<t <π
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 )
2π π 2π
f (t ), x(t ) = ∫0
f (t ) x(t )dt = ∫ sin(t )dt − ∫ sin(t )dt = 4
0 π
2π 2π π
1
x(t ), x(t ) = ∫ x 2 (t )dt = ∫ sin (t )dt = ∫ ⎡⎣1 − cos 2 (t ) ⎤⎦ dt = π
2
0 0
20
4
f (t ) ≈ sin(t ) 0 < t < 2π
π
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
t2
φ1 (t ), φ2 (t ) = ∫ φ1 (t )φ2* (t )dt = 0
t1
Un conjunto contable de señales {φn (t )} = {φ1 (t ), φ2 (t ),K , φN (t )} forma un sistema
ortogonal en [t1 , t 2 ] si
⎧ 0 m≠n
t2
φm (t ), φn (t ) = ∫ φm (t )φn* (t )dt = ⎨
t1 ⎩ En m = n
68
Representación de señales Análisis de Fourier
φn (t ), φn (t ) = ∫ φn (t )φn* (t )dt = ∫ φn ( t ) dt = 1
2
t1 t1
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 t2 2π / Ω
∫ φ (t )φ (t )dt = ∫ e ∫
∗
n m
jnt Ω − jmt Ω
e dt = e
j ( n − m ) Ωt
dt
t1 t1 0
Si n ≠ m
2π / Ω 2π / Ω
j ( n − m ) 2π
j ( n − m ) Ωt
−1
∫ e dt = e
j ( n − m ) Ωt
=e
0
j ( n − m)Ω 0 j ( n − m)Ω
Dado que ( n − m) ∈ Z entonces e j ( n − m ) 2π = 1 y
t2
∫ φ (t )φ
∗
n m (t )dt = 0
t1
Si n = m
2π / Ω 2π / Ω 2π / Ω
2π / Ω 2π
∫ dt = ∫ e j 0 dt = ∫ dt = t 0 =
j ( n − m ) Ωt
e
0 0 0
Ω
t2
2π
∫ φ (t )
2
n dt =
t1
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
N
x(t ) ≈ ∑ anφn (t ) t1 < t < t2
n =1
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
t2 2
N
Eε = ∫ x(t ) − ∑ anφn (t ) dt
t1 n =1
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.
2
x − y = ( x − y )( x − y )* = ( x − y )( x* − y* )
2
x − y = xx* − xy* − x* y + yy* ■
71
Representación de señales Análisis de Fourier
Utilicemos la Propiedad 3.1 para expandir nuestra función de error, como
t2 t2 N t2 N t2 N 2
Consideremos el último término de la función de error, entonces
t2 2 t2 * t
N
⎛ N ⎞⎛ N ⎞ 2 N N
∫ ∑ anφn (t ) = ∫ ⎜ ∑ anφn (t ) ⎟ ⎜ ∑ anφn (t ) ⎟ dt = ∫ ∑∑ anφn (t )am* φm* (t ) dt
t1 n =1 t1 ⎝ n =1 ⎠ ⎝ n =1 ⎠ t1 n =1 m =1
Intercambiando el orden de las sumatorias y la integral, se tiene
t2 N 2 N N t2
∫ ∑ anφn (t ) = ∑∑ an am* ∫ φn (t )φm* (t )dt
t1 n =1 n =1 m =1 t1
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
t1 ⎪
⎩ 0 n ≠ m
t2 N 2 N
∫ ∑ anφn (t ) = ∑ an En
2
t1 n =1 n =1
Reemplazando este resultado en la función de error expandida, se tiene
t2 t2 N t2 N N
Eε = ∫ x(t ) dt − ∫ x(t )∑ an*φn* (t ) dt − ∫ x* (t )∑ anφn (t ) dt + ∑ an En
2 2
t1 t1 n =1 t1 n =1 n =1
La función de error puede reescribirse de forma apropiada como
2 2
t2 N t N t
1 2 1 2
Eε = ∫ x(t ) dt + ∑ E a − 1 2 ∫ x(t )φn* (t) dt − ∑ 1 2 ∫ x(t )φn* (t) dt
2 12
n n
t1 n =1 En t1 n =1 En t1
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
t
1 2
12 ∫
En1 2 an − x(t )φn* (t) dt = 0
En t1
72
Representación de señales Análisis de Fourier
Por tal motivo, el valor óptimo para los coeficientes an es
t
1 2
an = ∫
En t1
x(t )φn* (t ) dt
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
t2
∫ x(t )φ (t ) dt =
*
t1 n x(t ), φn (t )
an =
t2
φn (t ), φn (t )
∫ φ (t )φ (t ) dt
* *
t1 n n
Utilizando este resultado en la energía del error obtenemos
1 ⎛2 ⎞⎛ t2 ⎞
t2 N 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 ) t1 < t < t2
n =1
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) = 32 t 2 − 12
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
*
−1 −1
1 1 1
∫ φ0 (t )φ2 (t )dt = ∫ ( 32 t − 12 ) dt = ∫ ( 3t − 1) dt = 0
* 2 2
−1 −1 0
1 1 1 1
∫ φ (t )φ (t )dt = ∫( 3 3
t − t ) dt = ∫t dt − ∫ t dt = 0
* 1 3 3 1
1 2 2 2 2 2
−1 −1 −1 −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
1 1 1
∫ x(t )φ (t ) dt = ∫
*
0 t dt 2 ∫ t dt 1
a0 = −1
1
−1
1
= 0
=
2 2
∫ φ (t )φ (t ) dt ∫
*
1 dt
−1 0 0 −1
1 1 0 1
a1 =
∫
−1
x(t )φ1* (t ) dt
=
∫−1
t t dt
=
∫
−1
−t 2 dt + ∫ t 2 dt
0
=0
1 1
2/3
∫ φ1 (t )φ (t ) dt ∫
* 2
1 t dt
−1 −1
∫ ( t − ) t dt = ∫ ( 3t − t ) dt = 1 / 4 = 5
1 1 1
∫ x(t )φ2* (t ) dt 3 2 1 3
−1 2 2
a2 = −1
= 0
∫ φ (t )φ (t ) dt ∫ ( t − ) dt
1 1 2
* 2/5
3 2 2/5 81
−1 2 2 −1 2 2
La señal puede aproximarse como
x(t ) ≈ 12 φ0 (t ) + 85 φ2 (t ) = 163 + 16
15 2
t
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 .
t2 2
1
Propiedad 3.2. Identidad sin( x )sin( y ) = [cos( x − y ) − cos( x + y )] .
2
2 2 2
1 1
∫0 sin( nπ t )sin( mπ t ) dt =
2 ∫0
cos[( n − m )π t ]dt −
2 ∫0
cos[( n + m)π t ]dt
Si n = m
2 2
1 sin( 2nπ t )
2 2 2
1 1 t
∫0 sin(nπ t )sin( mπ t )dt = 2 ∫0 dt − 2 ∫0 cos(2nπ t )dt = 2 0 − 2 2nπ 0
1 ⎡ sin( 4nπ ) ⎤
2
75
Representación de señales Análisis de Fourier
2 2
1 sin[( n − m)π t ] 1 sin[( n + m)π t ]
2
∫0 sin(nπ t )sin(mπ t )dt = 2 (n − m)π − 2 (n + m)π
0 0
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
t2 2
1
an = ∫ x(t )φ (t )dt = ∫ x(t )sin(nπ t )dt
*
En t1 0
0 2
cos( nπ t ) cos( nπ t )
1 2
a n = ∫ sin( nπ t )dt − ∫ sin( nπ t )dt == +
0 1
nπ 1 nπ 1
1
an =
nπ
[1 − cos(nπ ) + cos(2nπ ) − cos(nπ )]
⎧ 0 si n es par
2 ⎪
an = [1 − cos(nπ )] = ⎨ 4
nπ ⎪⎩ nπ si n es impar
Utilizando la ecuación general de la representación, podemos escribir x(t ) como
4 ∞ 1 4 ∞ 1
x( t ) = ∑
π n =1 n
sin( nπ t ) = ∑
π n =1 ( 2n − 1)
sin[( 2n − 1)π t ]
n impar
Expandiendo algunos términos de la suma se tiene
4⎡ 1 1 ⎤
x(t ) = ⎢sin(π t ) + sin(3π t ) + sin(5π t ) + ...⎥
π⎣ 3 5 ⎦
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 ∞
∫ x(t ) dt = ∑ an En
2 2
t1 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 t2 t2 *
⎡∞ ⎤
∫ x(t ) dt = ∫ x(t ) x (t )dt = ∫ x(t ) ⎢ ∑ anφn (t )⎥ dt
2 *
t1 t1 t1 ⎣ n =1 ⎦
Intercambiando el orden entre la sumatoria y la integral, se tiene
t2 ∞ ⎡ t2 ⎤ ∞ * ∞
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
2 2 2 2
3
⎛1⎞ ⎛5⎞ ⎛1⎞ ⎛ 5 ⎞ ⎛ 2 ⎞ 21
E ≈ ∑ an kn = ⎜ ⎟ k0 + ⎜ ⎟ k2 = ⎜ ⎟ 2 + ⎜ ⎟ ⎜ ⎟ =
2
n =1 ⎝2⎠ ⎝8⎠ ⎝2⎠ ⎝ 8 ⎠ ⎝ 5 ⎠ 32
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
En T∫
an = x(t )φ * (t )dt
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
T
∫ x(t ) dt ∈ R ó x(t ) ∈ S[0, 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 ) −∞ < t < ∞
n =1
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
−t −2 t
φ1 (t ) = e φ 2 (t ) = 1 − Ae
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
φ0 (t ) = 1 φ1 (t ) = t φ 2 (t) = 32 t 2 − 12
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 ) = ∑d φ
n = −∞
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 ) = ∑ce
n =−∞
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
a +T
cn = ∫ x(t )e − jnΩ0t dt para cualquier a ∈ R .
a
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,
Series de Fourier Análisis de Fourier
∫ x(t ) dt ∈ R .
T
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
∫ x (t )
2
∈R
T
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.
T T
1 1
cn = ∫ x(t )e− jnΩ0t dt ≤ ∫ x(t )e− jnΩ0t dt
T 0 T 0
T
1
cn ≤ ∫ x ( t ) e − jnΩ0t dt
T 0
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
⎪− A ≤t ≤π
⎩ 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
T −T∫/ 2 2π −∫π
− jnΩ0 t
c n = x ( t ) e dt = x(t )e − jnt dt
−π / 2 π /2 π
1 ⎡ ⎤
⎢ ∫ − Ae dt + ∫ Ae dt + ∫ − Ae dt ⎥
− jnt − jnt − jnt
cn =
2π ⎣ −π −π / 2 π /2 ⎦
−π / 2 π /2 π
A ⎡ ⎤
⎢ ∫ −e dt + ∫ e dt − ∫ e dt ⎥
− jnt − jnt − jnt
cn =
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 ⎡ ⎤
2π ⎣ −∫π ∫ ∫ ⎥⎦
c0 = ⎢ − dt + dt − dt
−π / 2 π /2
A ⎡ π π π π ⎤
c0 = ⎢π + + − − −π ⎥ = 0
2π ⎣ 2 2 2 2 ⎦
Caso 2: n ≠ 0
85
Series de Fourier Análisis de Fourier
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 = ∑ce
n =−∞
n
jnt
donde los coeficientes cn pueden encontrarse de acuerdo a
T /2 π
1 1
∫ ∫
− jnt
c = x ( t ) e dt = x(t )e − jnt dt
2π −π
n
T −T / 2
En el intervalo [−π , π ] la señal sólo toma valor en [−τ ,τ ] , entonces
τ τ
1 A
2π −∫τ 2π −∫τ
− jnt
cn = Ae dt = e − jnt dt
Caso 1: n = 0
τ
A ⎡ ⎤ A τ
⎡t ⎤ = Aτ
c0 = ⎢ ∫ dt ⎥ =
2π ⎣ −τ ⎦ 2π ⎣ −τ ⎦ π
Caso 2: n ≠ 0
A ⎡ −e − jnt τ
⎤ A
cn = ⎢ ⎥= ⎡⎣ e jnτ − e − jnτ ⎤⎦
2π ⎢⎣ jn −τ ⎥
2π jn
⎦
A
cn = 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 ) = 12 + 12 cos( 2t ) , la señal puede reescribirse como
⎛ 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
T ∞
1
∫ ∑
2 2
P= x ( t ) dt = cn
T 0 n =−∞
Demostración.
T T
1 1
P = ∫ x(t ) dt = ∫ x(t ) x* (t )dt
2
T 0 T 0
T *
1 ⎡ ∞ ⎤⎡ ∞ ⎤
P = ∫ ⎢ ∑ cn e jnΩ0t ⎥ ⎢ ∑ cn e jnΩ0t ⎥ dt
T 0 ⎣ n =−∞ ⎦ ⎣ n =−∞ ⎦
T
1 ⎡ ∞ ⎤⎡ ∞ ⎤
P = ∫ ⎢ ∑ cn e jnΩ0t ⎥ ⎢ ∑ cn*e − jnΩ0t ⎥ dt
T 0 ⎣ n =−∞ ⎦ ⎣ n =−∞ ⎦
T
1 ⎡ ∞ ∞ ⎤
P= ∫ ⎢ ∑ ∑
T 0 ⎣ n =−∞ m =−∞
cn e jnΩ0t cm* e − jmΩ0t ⎥ dt
⎦
∞ ∞ T
1 j ( n − m ) Ω0t
P= ∑∑
n =−∞ m =−∞
cn cm*
T ∫0
e dt
Las señales {e jnΩ0t } , con n ∈ Z , son ortogonales en [0, T ] , entonces
90
Series de Fourier Análisis de Fourier
T
1 j ( n − m ) Ω0t ⎧1 n = m
∫
T 0
e dt = ⎨
⎩0 n ≠ m
Por tal motivo, de la doble sumatoria sólo sobreviven los términos para los cuales
n = m , entonces
∞ ∞
∑ c c =∑
2
P= *
n n cn
n =−∞ n =−∞
2
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 ) .
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
2 2 2 2
∞
j −j 1 1
∑
2
P= cn = + + +
n =−∞ 2 2 2 2
1 1 1 1
P= + + + = 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
∞ 2 2
A A
∑
2
P= cn = −j + j
n =−∞ 2 2
A 2 A 2 A2
P + =
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 )]
T
1
SF [ x(t ) + y(t )] = ∫ [ x (t ) + y ( t ) ] e
− jnΩ0t
dt
T 0
T T
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
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 )]
T
1
SF [ Ax(t )] = ∫ Ax(t )e − jntΩ0 dt
T 0
⎛1T ⎞
SF [ Ax(t )] = A ⎜ ∫ x(t )e − jnΩ0t dt ⎟ = A ⋅ SF [ x(t )]
⎝T 0 ⎠
4.1.5.2. Complejo conjugado: SF ⎡⎣ x* (t )⎤⎦ = c−* n
T T
1 * 1 *
SF ⎡⎣ x* (t )⎤⎦ = ∫
T 0
x (t )e − jnΩ0t dt = ∫ ⎡⎣ x(t )e jnΩ0t ⎤⎦ dt
T 0
* *
⎛ 1T ⎞ ⎛1T ⎞
SF ⎡⎣ x (t )⎤⎦ = ⎜ ∫ ⎟ = ⎜ ∫ x( t )
jnΩ0t − j ( − n ) Ω0 t
*
x ( t )e dt dt ⎟ = c−* n
⎝ T 0 ⎠ ⎝T 0 ⎠
4.1.5.3. Reflexión: SF [ x( −t )] = c− n
1 t
SF [ x( −t )] = ∫ x( −t )e− jnΩ0t dt
T 0
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
T
1
cn =
T ∫ [ x(t )cos(nΩ t )dt − jx(t )sin(nΩ t )]dt
0
0 0
T T
1
T ∫0
cn = x(t )cos( nΩ 0t ) dt − j ∫ x(t )sin( nΩ 0t ) dt
0
T
1
Re {cn } = ∫ x(t )cos( nΩ 0t )dt
T 0
T
1
Im {cn } = −
T ∫0
x(t )sen( nΩ 0t )dt
Re {cn } es una señal par
T T
1 1
Re {c− n } = ∫ x(t )cos( − nΩ 0t )dt = ∫ x(t )cos( nΩ 0t )dt = Re {cn }
T 0 T 0
Im {cn } es una señal par
T T
1 1
Im {c− n } = − ∫ x(t )sen( − nΩ 0t )dt = ∫ x(t )sen( nΩ 0t )dt = − Im {cn }
T 0 T 0
cn es una señal par
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
*
⎛1T ⎞ T
1 * 1
T
c = ⎜ ∫ x(t )e
*
n
− jnΩ0t
dt ⎟ = ∫ x (t )e jnΩ0t
dt = ∫ x(t )e− j ( − n ) Ω0t dt = c− n
⎝T 0 ⎠ T 0 T 0
Si x(t ) es real y par, entonces
T /2
1
Im {Cn } = −
T −T∫/ 2
x(t )sin( nΩ 0t )dt = 0
T /2
1
T −T∫/ 2
cn = x(t )cos( nΩ 0t )dt = c− n
T /2
2
cn = Re {cn } = ∫ x(t )cos( nΩ 0t )dt
T 0
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 } =
T −T∫/ 2
x(t )cos( nΩ 0t )dt = 0
T /2
1
T −T∫/ 2
cn = − j x(t )sin( nΩ 0t )dt = −c− n
T /2
2
cn = Im {cn } = − j ∫ x(t )sin( nΩ 0t )dt
T 0
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 ) = ∑ce
n =−∞
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*
2
( )
(3)
1
Im{ x} =
2j
( x − x* ) (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 )} = ∑(
n =−∞
) ∑ ( Im{c }Im{e
Re{cn }Re{e jnΩ0t } −
n =−∞
n
jnΩ0t
)
}
∞ ∞
Re{ x(t )} = ∑
n =−∞
Re{cn }cos( nΩ0t ) − ∑ Im{c }sin(nΩ t )
n =−∞
n 0
Utilizando (3) y (4) se tiene
1 ∞ 1 ∞
(
2 n =−∞
)
Re{ x(t )} = ∑ cn + cn* cos( nΩ 0t ) − ∑
2 j n =−∞
( )
cn − cn* sin( nΩ 0t )
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 )
2 n =−∞ 14442444 3 2 n =−∞ 14442444 3
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
1
T T∫
a0 = x(t )dt
2
T T∫
an = x(t )cos( nΩ0t )dt
2
T T∫
bn = x(t )sin( nΩ0t )dt
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 M
⎪
⎪⎪(t + 2) −2 < t < 0
2
x (t ) = ⎨ t 2 0<t <2
⎪(t − 2)2 2<t <4
⎪
⎪⎩ M 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
T T 2
1 1 2 t3 4
a0 = ∫ x(t )dt = ∫ t dt = =
T 0 20 60 3
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
2
⎛ sin( nπ t ) ⎞ sin( nπ t )
2 2
2
−∫
nπ ∫0
an = ⎜ t 2 ⎟ 2t dt = − sin( nπ t )t dt
⎝ nπ ⎠ 0 0 nπ
Integrando por partes nuevamente, se tiene
⎧u = t dv = sin( nπ t )
⎪
⎨ − cos( nπ t )
⎪⎩ du = dt v =
nπ
−2 ⎡⎛ −t cos( nπ t ) ⎞ cos( nπ t ) ⎤
2 2
an = ⎢⎜
nπ ⎢⎣⎝ nπ ⎟ + ∫
⎠ 0 0 nπ
dt ⎥
⎥⎦
⎡ 2
⎤
−2 ⎢ −2 sin( nπ t ) ⎥ 4
an = + =
nπ ⎢ nπ ( nπ ) 0 ⎥ ( nπ )
2 2
⎣ ⎦
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
2
cos( nπ t ) ⎞ cos( nπ t ) 4 cos( n2π ) cos( nπ t )
2 2
⎛
bn = ⎜ −t 2 ⎟ +∫ 2t dt = − + 2∫ t dt
⎝ nπ ⎠ 0 0 nπ nπ 0
nπ
Integrando por partes nuevamente, se tiene
⎧u = t dv = cos( nπ t )
⎪
⎨ sin( nπ t )
⎪⎩ du = dt v =
nπ
4 ⎡ t sin( nπ t ) 2 2 sin( nπ t ) ⎤ 4
bn = − +2⎢ −∫ dt ⎥ = −
nπ ⎣⎢ nπ 0 0
nπ ⎦⎥ nπ
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 = 12 ( an − jbn ), n = 1, 2, 3, ...
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 ⎣ ( nπ ) 2
nπ ⎥⎦
2
cn = (1 + jnπ ) , n = 1, 2, 3...
( nπ )2
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
⎪ ( nπ )2 (1 + jnπ ) n ≠ 0
⎩
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
2A
an = 2 Re{cn } = sin( nτ )
nπ
bn = −2 Im{cn } = 0
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 = 12 (1 + cos 2α ) , podemos reescribir la señal como
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
2
cos( 2t ) ⇒ n = 2 ⇒ a2 = 1 / 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
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 = 12 ( an − jbn ), para n > 0 , entonces
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
T −T∫/ 2 14
bn = x(t )sin( nΩ 0t ) dt = 0
4244 3
impar
El producto x(t )cos( nΩ0t ) es par, por lo cual
T /2 T /2
2 4
T −T∫/ 2 144244
an = x(t )cos( nΩ0t ) dt = ∫ x(t )cos( nΩ0t )dt
3 T 0
par
Finalmente, dado que la señal x(t ) es par, su valor medio puede encontrarse como
T /2 T /2
1 2
T −T∫/ 2 { ∫0 x(t )dt
a0 = x ( t ) dt =
par
T
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
El producto x(t )sin( nΩ 0t ) es par, por lo cual
T /2 T /2
2 4
T −T∫/ 2 1442443 T ∫0
bn = x ( t )sin( nΩ 0 t ) dt = x(t )sin( nΩ 0t )dt
par
Dado que la señal es impar, su valor medio es cero.
T /2
1
T −T∫/ 2 {
a0 = x(t ) dt = 0
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
⎪⎪t + −π < t < 0
x (t ) = ⎨ 2
⎪− t + π 0 < t < π
⎪⎩ 2
104
Series de Fourier Análisis de Fourier
π π ⎧u = t dv = cos( nt )dt
−2 ⎪
an =
π ∫ t cos(nt )dt + ∫ cos(nt )dt ⎨
du = dt v =
sin( nt )
0 0 ⎪⎩ n
−2 ⎡ t sin( nt )
π
1
π ⎤ sin( nt ) π
an = ⎢ − ∫ sin( nt )dt ⎥ +
π ⎣⎢ n 0 n0 ⎦⎥ n 0
−2 ⎡ cos( nt ) ⎤ −2
π
an = ⎢ ⎥=
π ⎢⎣ n 2 .0 ⎥⎦ n 2π
[cos(nπ ) − cos(0)]
⎧ 4
2 ⎪ n impar
an = 2 [1 − cos( nπ )] = ⎨ n 2π
nπ ⎪⎩0 n par
La serie trigonométrica puede escribirse como
4 ∞ 1 4 ∞ 1
x(t ) = ∑ cos( nt ) = ∑ cos [( 2n − 1)t ]
π n =1 n 2
π n =1 ( 2n − 1)2
n impar
Ejemplo 4.14. Encuentre la serie trigonométrica de Fourier de la señal
⎧ π
⎪⎪−1 − 2 < t < 0
x( t ) = ⎨
⎪1 π
0<t <
⎪⎩ 2
105
Series de Fourier Análisis de Fourier
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
T
1 1 ∞
P = ∫ x(t ) dt = a02 + ∑ an 2 + bn 2
T 0
2
2 n =1
( )
Demostración.
∞ −1 ∞
∑ ∑ cn + c0 + ∑ cn
2 2 2 2
P= cn =
n =−∞ n =−∞ 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
−1 ∞
∑ c− n + c0 + ∑ cn
2 2 2
P=
n =−∞ n =1
∞
P = c0 + 2∑ cn
2 2
n =1
106
Series de Fourier Análisis de Fourier
( )
∞
1 2
∑
2
P = a0 + an2 + bn2
2 n =1
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
1 ∞ 2
P = a0 2 + ∑
2 n =1
(
an + bn2 ) ■
Ejemplo 4.15. Encuentre, utilizando el teorema de Parseval para la serie trigonomé‐
trica, la potencia promedio de la señal x(t ) = 12 + 12 cos( 2t ) + sin(t ) + cos(3t ) .
Solución. La señal ya se encuentra expresada como una serie trigonométrica, entonces
1 ∞
(
P = a0 2 + ∑ an2 + bn2
2 n =1
)
⎛ 1 ⎞ 1 ⎡⎛ 1 ⎞ ⎤ 11
2 2
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 ∞
(
P = a0 2 + ∑ an2 + 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 ∞
P = ∑ cn = a02 + ∑ ( an2 + bn2 )
2
n =−∞ 2 n =1
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
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
∞
h(t ) = ∑r e
n = −∞
n
jnΩ 0t
2π
donde Ω 0 = y los coeficientes de la serie exponencial pueden encontrarse como
T
T
1
T ∫0
rn = h(t )e − jnΩ0t dt
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
x(t ) = ∑ c n e jnΩ 0t
con c n = ∫ x(t )e − jnΩ0t dt
n = −∞ T 0
∞ T
1
y (t ) = ∑ d n e jnΩ0t
n = −∞
con dn = ∫
T 0
y (t )e − jnΩ 0t dt
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 ) = ∑cde
n =−∞
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
− j jt j − jt
x(t ) = sin(t ) = 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 ) = ∑ re
n =−∞
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
1 ⎡ e jt − e − jt ⎤ 1
h(t ) = ⎢ ⎥ = 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
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 + −π < t < 0
F (t ) = ⎨ 2
⎪ −t + π 0<t<π
⎪⎩ 2
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 ) = ∑
π n =1 n 2
cos( nt ) = ⎜ cos(t ) + cos(3t ) + cos(5t )... ⎟
π⎝ 9 25 ⎠
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
4 ( 25 − n 2 )
An = 2
n π ( 25 − n 2 )2 + (0.02n )2
4 0.02n
Bn =
n π ( 25 − n ) + (0.02n)2
2 2 2
Entonces, la respuesta general del sistema puede escribirse como
∞ ∞
x( t ) = ∑
n =1
xn (t ) = ∑n =1
An cos( nt ) + Bn sin( nt )
n = impar n = impar
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.
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
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
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 ) = 12 + sin 2 t − cos 2 t + 2 sin t + 3 cos(3t ) como una serie
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 ⎥
n =−∞ ⎣ 4 + (π n )
2
⎦
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 ) = ∑ce
n =−∞
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
t2
1 2π
∫ x (t ) e
− jn Ω 0 t
cn = dt , Ω0 =
t 2 − t1 t1
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
∞
xT (t ) = ∑ce
n =−∞
n
jnΩ0t
donde
2π
T /2
1
cn = ∫
T −T / 2
xT (t )e − jnΩ0t dt , Ω0 =
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
∞
X ( Ω n ) jΩn t
xT (t ) = ∑
n =−∞ T
e
donde
T /2
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 (Ω n )e jΩnt ∆Ω
n =−∞ 2π / ∆Ω 2π n =−∞
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
T →∞ T →∞ 2π
∑
n =−−∞
X (Ω n )e jΩnt ∆Ω
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
∞
1
∫ X (Ω)e
j Ωt
x (t ) = dΩ
2π −∞
donde
∞
∫ x(t )e
− j Ωt
X (Ω) = 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
∞
∫ x(t )e
− j Ωt
ℑ{ x(t )} = X (Ω) = 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
∫ X (Ω)e
−1 j Ωt
ℑ { X (Ω )} = x(t ) = dΩ
2π −∞
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 .
124
Transformada de Fourier Análisis de Fourier
⎧ 0 t<0
x(t ) = ⎨ − at
⎩e t >0
Solución. Primero se debe verificar que la señal pertenece a L1 .
∞ ∞ 0
e − at 1 1
∫ x(t ) dt = ∫ e dt = ⎡⎣1 − e −∞ ⎤⎦ = ∈ R ⇒
− at
x (t ) 1 = = x(t ) ∈ L1
−∞ 0
a ∞
a a
La señal pertenece a L1 , entonces su transformada de Fourier es encontrada como
∞ ∞ ∞ − t ( a + jΩ ) 0
1
∫ x(t )e dt = ∫ e e dt = ∫ e
− j Ωt − at − jΩt − t ( a + jΩ )
X (Ω) = dt = =
−∞ 0 0
a + jΩ ∞ 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 .
∞ a
x (t ) 1 = ∫
−∞
x(t ) dt = ∫ dt = 2a ∈ R
−a
⇒ x(t ) ∈ L1
La señal pertenece a L1 , entonces su transformada de Fourier es encontrada como
∞ a −a
e − jΩt 1
X (Ω) = ∫ x(t )e
− j Ωt
dt = ∫e
− jΩt
dt =
jΩ
=
jΩ
( e jΩa − e− jΩa )
−∞ −a a
2 2
X (Ω) =
2 jΩ
( e jΩa − e − jΩa ) = [sin(Ωa )]
Ω
2a sin(Ωa )
X (Ω) = = 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 sinc( at ) = lim = lim = 1
t →0 t →0 at t → 0 a
126
Transformada de Fourier Análisis de Fourier
Ejemplo 5.3. Encuentre la transformada inversa de Fourier de la señal
Solución. Encontremos primero la norma L1 de X (Ω)
∞ 3 3
X (Ω) 1 = ∫
−∞
X (Ω) d Ω = ∫ Ω d Ω = 2 ∫ Ωd Ω = 9
−3 0
⇒ X (Ω ) ∈ L1
La transformada inversa de Fourier de X (Ω ) puede ser encontrada como
∞ 3 ⎧ u=Ω du = d Ω
1 1 ⎪
∫−∞ X (Ω)e d Ω = 2π ∫ Ωe
j Ωt jΩt
x( t ) = dΩ ⎨ e jΩt
2π −3 ⎪dv = e
j Ωt
v=
⎩ jt
1 ⎛ Ωe jΩt 3 3
e jΩt ⎞ 1 ⎡1 e j 3t
3
⎤
x( t ) =
2π
⎜
⎜ jt
−∫
jt
dΩ ⎟ =
⎟ 2π ⎢ jt
(
⎢ 3e j 3t + 3e − j 3t + 2
t
) ⎥
⎝ −3 −3 ⎠ ⎣ ⎥
−3 ⎦
1 ⎡ 3 j 3t − j 3 t 1 ⎤ 1 ⎡3 j ⎤
x( t ) = ⎢
2π ⎣ jt
( e + e ) + 2 ( e j 3t − e − j 3t ) ⎥ = ⎢ jt cos(3t ) + t 2 sin(3t )⎥
t ⎦ π ⎣ ⎦
j ⎡1 3 ⎤
x( t ) = ⎢ sin(3t ) − cos(3t ) ⎥
π ⎣t 2
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
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
∫ X (Ω)e d Ω
jΩt
x(t ) =
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 1 1 1
∫−∞ X (Ω)e d Ω ≤ 2π ∫ ∫
j Ωt j Ωt
x (t ) = X (Ω ) e dΩ = X (Ω ) d Ω = X (Ω ) 1
2π −∞
2π −∞
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
∞ ∞ ∞
129
Transformada de Fourier Análisis de Fourier
⎣ −∞ ⎦
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
En este caso la transformada es un señal real y puede encontrase como
∞
X (Ω) = 2 ∫ x(t )cos(Ωt )dt
0
Si x(t ) es impar entonces
∞
Re{ X (Ω )} =
−∞
∫ 14243
x(t )cos(Ωt ) 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 (Ω) e
jΩt
x( t ) = dΩ
2π −∞
Ahora, intercambiando las variables Ω y t se tiene
∞
1
x( Ω ) = ∫
2π −∞
X (t )e jΩt dt
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
∞
⎧u = at
ℑ{ x( at )} = ∫ x(at )e
− jΩt
dt ⎨
−∞ ⎩du = adt
⎧ 1 ∞ ⎛u⎞
− jΩ⎜ ⎟
⎪
⎪ a −∞
∫ x(u )e ⎝ a ⎠ si a > 0
ℑ{ x( at )} = ⎨
−∞ ⎛u⎞
⎪1 − j Ω ⎜a⎟
⎪ a ∫ x(u )e du si a < 0
⎝ ⎠
⎩ ∞
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,
1 ⎛Ω⎞
ℑ{ x( at )} = 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
− j Ω ( u + t0 )
du
−∞
∞
ℑ{ x(t − t0 )} = e − jΩt0
∫ x(u )e
− jΩu
du
−∞
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
∞
{ } ∫ x(t )e
ℑ x(t )e jΩ0t = 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
ℑ{ x(t )cos(Ω0t )} = 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.
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
x( t ) =
2π −∞∫ X (Ω)e jΩt d Ω
Derivando a ambos lados de la igualdad con respecto a t se tiene
∞
dx(t ) 1
dt
= ∫
2π −∞
jΩX (Ω)e jΩt d Ω = ℑ−1{ jΩX (Ω )}
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
Solución. ℑ ⎨ ⎬ = ( j Ω ) 2
X ( Ω ) = −
⎩ dt ⎭
2
1 + Ω2
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
∞ ∞
∫ dt = ∫ x(t ) dt = x(t ) 1
− j Ωt
X (Ω) ≤ x(t )e
−∞ −∞
138
Transformada de Fourier Análisis de Fourier
Para la transformada de Fourier se tiene que
∞ ∞
∫ x(t )e − j ( Ω+ h )t dt − ∫ x(t )e
− jΩt
X (Ω + h) − X (Ω) = dt
−∞ −∞
∞
∞
lim [ X (Ω + hn ) − X (Ω )] = lim ∫ x(t )e
− jΩt
⎡⎣ e − jhnt − 1⎤⎦ dt
n →∞ n →∞
−∞
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
∞
lim [ X (Ω + hn ) − X (Ω )] = ∫ lim x(t )e
− jΩt
⎡⎣ e − jhnt − 1⎤⎦ dt = 0 ■
n →∞ n →∞
−∞
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).
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(t − π / Ω)e
− jπ − jΩt
− X (Ω ) = X (Ω)e = 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
∫ x(t )e
− j Ωt − jΩt
−∞
14 3 −∞
4244 144424443 −∞
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
∞
lim
Ω→±∞
−∞
∫ 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 dt ⎥ dτ
− j Ωt
⎦ −∞ ⎣ −∞ ⎦
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 )
a
∫e
− jΩt
X (Ω) = dt = 2a sinc( aΩ)
−a
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 − τ ) y(τ )dτ
−∞ −∞
dt
∞ ∞ ∞
∫
−∞
x(t ) ∗ y(t ) 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
4244 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) = ⎨
⎩ 0 otro caso
⎧ 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 )} =
2π
[ X ( Ω ) ∗ Y ( Ω )]
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 ∞ ⎤ − jΩt
ℑ{ x(t ) y(t )} = ∫ x(t ) ⎢ ∫ Y (τ )e jτ t
dτ ⎥ e 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 −∞ ⎣ −∞ ⎦
∞
1 1
ℑ{ x(t ) y(t )} =
2π ∫ Y (τ ) X (Ω − τ ) dτ = 2π [Y (Ω) ∗ X (Ω)] ■
−∞
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).
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
∞ ∞
∫ ∫ x(t ) x (t ) dt
2
E= 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
∞
⎡ 1 ∞
⎤
E= ∫−∞ x(t ) ⎢⎣ 2π ∫X (Ω )e − jΩt d Ω ⎥ dt
*
−∞ ⎦
Intercambiamos el orden de integración, se tiene
1
∞
⎡∞ ⎤
∫ ∫
− jΩt
E= X ( Ω *
) ⎢ x ( t )e dt ⎥ dΩ
2π −∞ ⎣ −∞ ⎦
∞
1
E= ∫X ( Ω )X ( Ω ) d Ω
*
2π −∞
Por tal motivo al energía de la señal puede ser encontrada utilizando su transformada
de Fourier X (Ω) , de acuerdo a
∞
1
∫
2
E= X (Ω) d Ω
2π −∞
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
1
x (t ) 2 = 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
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) .
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
∞ ∞
( )
2
∫ x(t ) dt = ∫ e − at dt
2
E=
−∞ 0
∞ 0
e− a 2t
E = ∫e − a 2t
dt =
0
2a ∞
1
E=
2a
Frecuencia
∞
1
∫
2
E= X (Ω ) d Ω
2π −∞
1 1
ℑ{ x(t )} = X (Ω) = ⇒ X (Ω) =
a + jΩ a + Ω2
2
∞ ∞
1 1 1 ⎡1 −1 ⎛ Ω ⎞ ⎤
E=
2π ∫−∞ a 2 + Ω2 d Ω = 2π ⎢⎣ a tan ⎜⎝ a ⎟⎠ ⎥⎦
−∞
1
E=
2a
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 = ∫
2 2
x(t ) dt = x(t ) 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
N
X N (Ω) = ∫ x(t )e − jΩt dt
−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 ) = 1
2π
X N1 (Ω ) − X N2 (Ω)
2 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
N
X (Ω) = lim ∫ x(t )e − jΩt dt
N →∞ − N
De forma similar, la transformada inversa de Fourier L2 se define como
N
x( t ) = 1
lim ∫
2π N →∞ − N
X (Ω )e jΩt d Ω
150
Transformada de Fourier Análisis de Fourier
∞
sin(t )
Solución. A probar que ∫
−∞
t
dt = π .
∞
sin(t ) π
La señal sinc(t ) es par, por tal motivo basta probar que ∫ dt = . Definamos la
0
t 2
señal
∞
sin(t )
G( x ) = ∫ e − tx dt
0
t
entonces
∞
dG ( x )
G '( 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
0 ⎣ 2 j ⎦ 2 j 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 − j⎠
1
G '( x ) = − 2
x +1
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
π
lim G( x ) = lim [ − arctan( x ) + c ] = − +c
x →∞ x →∞ 2
∞
sin(t )
lim G( x ) = lim ∫ e −tx dt = 0
x →∞ x →∞
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
∞ ∞
sin(t ) sin(t )
lim G( x ) = lim ∫ e − tx dt = ∫ dt = π / 2
x →0 x →0
0
t 0
t
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 dt = e− jΩt0
− j Ωt
0
−∞
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
ℑ{ x(t )} = ℑ{cos(Ω0t )} = ℑ ⎨ ⎬ = ℑ{e 0 + e 0 }
jΩ t − jΩ t
⎩ 2 ⎭ 2
1 1
ℑ{ x(t )} = ⎡⎣ 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 =
n =−∞ T
⎧ ∞ ⎫ ∞ ∞
ℑ{ x(t )} = ℑ ⎨ ∑ cn e jnΩ0t ⎬ = ∑ ℑ{cn e jnΩ0t } = ∑ cn ℑ{e jnΩ0t }
⎩ n =−∞ ⎭ n =−∞ n =−∞
∞ ∞
ℑ{ x(t )} = ∑ cn ℑ{e jnΩ0t } =
n =−∞
∑ c 2πδ (Ω − nΩ )
n =−∞
n 0
∞
ℑ{ x(t )} = 2π ∑ c δ (Ω − nΩ )
n =−∞
n 0
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
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 .
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 .
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
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⎨ n ⎬
= ( jΩ )n X ( Ω )
⎩ 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 )
Y (Ω)
X (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
−t
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 .
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 ⎜ ⎟ .
a +b x2 2
ab ⎝ a⎠
t2
1 −
7. La señal x(t ) = e 2σ 2
, se conoce como señal gaussiana.
σ 2π
a. Encuentre su norma L1 , en función de σ ( σ ≠ 0 ).
b. Halle su transformada de Fourier, en función de σ .
∞
Para a. y b. tenga en cuenta que ∫ e −u du = π .
2
−∞
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
d. [x(−2t )]
dt
159
Transformada de Fourier Análisis de Fourier
b. x(t − 2)e jt
dx(t )
c. 4
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) .
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.
∞ 2
⎛ sin t ⎞
a. ∫ ⎜ ⎟ dt
−∞ ⎝ t ⎠
∞
⎛ 1 ⎞
b. ∫ ⎜⎝ a
−∞
2 ⎟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 ) = ∑ δ (t − nT
n =−∞
m )
La señal muestreada xm (t ) , es obtenida como
∞
xm (t ) = x(t ) p(t ) = x(t ) ∑ δ (t − nTm )
n =−∞
∞
xm (t ) = ∑ x(t )δ (t − nT
n =−∞
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 ) = ∑ x(nT
n =−∞
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 =
n =−∞ Tm
donde los coeficientes cn , pueden ser encontrados como
1 ∞ ⎡ m ⎤
T /2 T /2
1 m ⎡ ∞ ⎤ − jnΩmt
cn = ∑
Tm −T∫m / 2 ⎢⎣ n =−∞
δ ( t − nT )
m ⎥
⎦
e dt = ∑
Tm n =−∞ ⎣⎢ −T∫m / 2
⎢ δ ( t − nTm ) e − jnΩ m t
dt ⎥
⎦⎥
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
Tm / 2
1 1 − jnΩ0 ( 0 ) 1
cn =
Tm ∫
−Tm / 2
δ (t ) e− jnΩ t dt =
m
Tm
e =
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
∞
1 2π
p(t ) = ∑T
n =−∞
e jnΩmt , Ω m =
Tm
m
La transformada de Fourier puede ser encontrada utilizando la ecuación de la
transformada para señales periódicas, con la cual se obtiene que
∞
2π 2π
P( Ω ) = ∑ δ (Ω − nΩ m ), Ωm =
n =−∞ Tm 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
1 ⎡ ∞ 2π ⎤ 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
∞
1
X m (Ω) =
Tm
∑ X (Ω − nΩ
n =−∞
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
Figura 6.7. Reconstrucción de la señal original.
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(t )e
− j Ωt
X (Ω) = 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) = ∑ x(nT
n =−∞
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) = ∑ x(nT
n =−∞
m )e − jΩnTm
170
Análisis de Fourier para señales discretas Análisis de Fourier
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 ) = ∑xe
n =−∞
n
− jω n
= ∑e
n =−1
− jω n
X (ω ) = e + 1 + e − jω = 1 + 2 cos(ω )
jω
Figura 6.12. Transformada de Fourier de la señal pulso de TD.
171
Análisis de Fourier para señales discretas Análisis de Fourier
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 ) = ∑xe
n =−∞
n
− j ( ω + 2π k ) n
= ∑xe
n =−∞
n
− jω n − j 2π kn
e
∞
X (ω + 2π k ) = ∑xe
n =−∞
n
− jω 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
1
ℑ-1{ X (ω )} = xn = ∫π X (ω )e dω
jω n
2π 2
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
ℑ{ xn e jω0 n } = X (ω − ω0 )
Multiplicación
ℑ{ xn yn } = X (ω ) ⊗ Y (ω ) = ∫ X (τ )Y (ω − τ )dτ
2π
Periodicidad
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 = ∑ce
k =−∞
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
N −1
xn = ∑ ck e jkω0 n
k =0
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
N −1
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
Sumando sobre los valores de n en intervalo [ 0, N − 1] se tiene
N −1 N −1 N −1
⎧ Nc m=k
∑ xn e − jkω0 n
= ∑ ck ∑e
j ( m − k )ω0 n
=⎨ k
m≠k
n=0 m=0 n=0 ⎩ 0
174
Análisis de Fourier para señales discretas Análisis de Fourier
Por tal motivo, los coeficientes de la serie exponencial pueden encontrarse como
N −1
1
ck =
N
∑x e
n=0
n
− jkω0 n
, k = 0,1, ..., N − 1
∞
Suponga que una señal tiene transformada de Fourier X (ω ) = ∑ 2πδ (ω − ω
k =−∞
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 jω n dω
⎩ k =−∞ ⎭ 2π 2π k =−∞
2π
1
∫ 2πδ (ω − ω )e dω = e jω0 n
jω n
xn =
2π
0
0
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 } = ∑ 2πδ (ω − ω
k =−∞
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
N −1 ∞
X (ω ) = ∑ 2π ck ∑ δ (ω − kω 0 − m2π )
k =0 m =−∞
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
∞ ∞
∑ ∑xx
2 ∗
E= xn = n n
n =−∞ n =−∞
Utilizando la ecuación de transformada inversa de Fourier de TD, se tiene
∗
∞ ⎛ 1 ⎞ 1 ∞ ⎛ ⎞
E = ∑ xn ⎜ ∫ X (ω )e jω n
d ω ⎟ = ∑ x ⎜ ∫ X ∗
(ω )e − jω n
d ω ⎟
⎝ 2π 2π ⎠ 2π n =−∞ ⎝ 2π
n
n =−∞ ⎠
Intercambiando el orden entre la integral y la suma, se tiene
1 ⎛ ∞ ⎞ 1
E=
2π 2π ∫ X ∗
(ω ) ⎜ ∑
⎝ n =−∞
xn e − jω n d ω ⎟ =
⎠ 2π 2π
∫ X ∗ (ω ) X (ω )d ω
Por tal motivo, la energía de la señal discreta puede encontrarse como
1
∫π
2
E= X (ω ) d ω
2π 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 = ∑x
k =−∞
h
n−k k
Utilizando la ecuación de transformada inversa de Fourier podemos escribir xn − k como
176
Análisis de Fourier para señales discretas Análisis de Fourier
∞ ⎡ 1 2π
⎤
xn ∗ hn = ∑ ⎢
k =−∞ ⎣ 2π
∫ X (ω )e
jω ( n − k )
dω ⎥ hk
0 ⎦
Intercambiando el orden entre la integral y la suma, se tiene
jω n ⎛ ⎞
∞
1
xn ∗ hn = ∫
2π 2π
X (ω )e ⎜ ∑
⎝ n =−∞
e − jω k hk ⎟ dω
⎠
1
∫π [ X (ω )H (ω )] e
jω n
xn ∗ hn = dω
2π 2
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
∞
1 M
1 ⎛ −1 jω n M
⎞
H (ω ) = ∑ xn e − jω n = ∑ e − jω n = ⎜ ∑ e +1 + ∑ e jω n ⎟
n =−∞ 2 M + 1 n =− M 2 M + 1 ⎝ n =− M n =1 ⎠
∞
1 ⎡ M jω n − jω n ⎤
H (ω ) = ∑xe n
− jω n
= 1+ ∑ e + e
2 M + 1 ⎢⎣ n =1
(
⎥ )
n =−∞ ⎦
1 ⎡ M
⎤
H (ω ) = ⎢1 + ∑ 2 cos( nω ) ⎥
2 M + 1 ⎣ n =1 ⎦
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 ⎞ N 1
yn = xn ∗ hn = ⎜ ⎟ ∑
⎝ 2M + 1 ⎠ n =− N
xn =
2M + 1
( x− N + ... + x0 + ... + xN )
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 2π ( 2) 2π ( N − 1) ⎫
⎨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 ) = ∑xe
n =−∞
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
L −1
X (ωk ) = ∑ xn e − jωk n , k = 0,1, ..., N − 1
n =0
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 ∞ ⎤ 2π k
X m (ω ) = X (ω ) ⎢ ∑
⎣ N k =−∞
δ (ω − ωk )⎥ ,
⎦
ωk =
N
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 ⎡ ∞
⎤
ℑ−1{ X m (ω )} =
2π 2π∫ X (ω ) ⎢ 2π ∑
⎣ k =−∞
δ (ω − ωk )⎥ e jω n dω
⎦
2π
⎡ N −1 ⎤
ℑ { X m (ω )} =
−1
∫ X (ω ) ⎢ ∑ δ (ω − ωk )⎥ e jω n dω
0 ⎣ 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 ⎦ ⎭⎪
N −1
ℑ−1{ X m (ω )} = ∑ X (ωk )e jωk n
k =0
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
L −1
1
Xk =
N
∑x e
n =0
n
− jωk n
, k = 0,1, ..., N − 1
Figura 6.20. Señal discreta de longitud 3.
Solución. En este caso L = 3 y la DFT de 3 puntos es
N −1 ⎛ 2π ⎞ 2π
1 − j⎜ k ⎟n 1 2 −j
∑x e = ∑ xn e 3
kn
Xk = n
⎝ N ⎠
N n =0 3 n =0
1⎡ −j
2π
k −j
4π
k⎤
X k = ⎢ x0 + x1e 3 + x2 e 3 ⎥
3⎣ ⎦
182
Análisis de Fourier para señales discretas Análisis de Fourier
1
X0 =
3
[ x0 + x1 + x2 ] = 2
2π 4π
1⎡ −j −j ⎤
X 1 = ⎢ x0 + 2e 3
+ 3e 3 ⎥ = −0.5 − j 0.2887
3⎣ ⎦
1⎡ −j
4π
−j
8π
⎤
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
N −1
xn = ∑ X k e jωk n , n = 0,1, ..., L − 1
k =0
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
N −1 ⎛ 2π k ⎞ 7 2π
j⎜ ⎟n
xn = ∑ X k e = ∑ Xke
j kn
⎝ N ⎠ 8
k =0 n=0
183
Análisis de Fourier para señales discretas Análisis de Fourier
Propiedad 6.5. La señal de TD xn obtenida a partir de la DFT inversa es una señal
periódica, con periodo N .
Demostración.
N −1 ⎛ 2π k ⎞ N −1 ⎛ 2π k ⎞
j⎜ ⎟( n + N ) j⎜ ⎟n
xn + N = ∑ X k e ⎝ N ⎠
= ∑ Xke ⎝ N ⎠
e j 2π kn
k =0 k =0
N −1 ⎛ 2π k ⎞
j⎜ ⎟n
xn + N = ∑ X k e ⎝ N ⎠
= xn ■
k =0
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.
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
DFT{ axn + byn } = aX k + bYk
Simetría: si xnp (extensión periódica de xn ) es par entonces
L −1
1
X k es par , ∠X k es impar y X k =
N
∑x
n =0
n cos(ωk n ) .
Desplazamiento en el tiempo
DFT{xn − n0 } = X k e − jωk n0
Modulación
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 N −1
1 N −1
1 N −1
⎛ N −1 ⎞
∑x ∑ ∑ xn ⎜ ∑ X k e jω kn ⎟
2 ∗
P= n = xx =
n n
N n =0 N n =0 N n=0 ⎝ k =0 ⎠
1 N −1
⎛ N −1 * − jω kn ⎞ 1 N −1 N −1
P=
N
∑
n =0
xn ⎜∑ Xke
⎝ k =0
⎟= N
⎠
∑∑ ( x X
n=0 k =0
n
* − jω kn
ke )
N −1
⎛1 N −1
− jω kn ⎞
N −1
P = ∑ X k* ⎜ ∑ xn e ⎟ ∑ Xk Xk
= ∗
k =0 ⎝N n=0 ⎠ k =0
Por tal motivo, la potencia promedio de la señal discreta puede encontrarse como
N −1
P = ∑ Xk
2
k =0
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 ⎠
N −1 N −1
1
xn ⊗ yn =
N
∑ X k e jωk n ∑ Ys e− jωk s
k =0 s =0
N −1
xn ⊗ yn = ∑ X k Yk e jωk n = DFT -1{ X k Yk }
s =0
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
impares xnimp = 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
N −1 ⎛ 2π k ⎞
1 − j⎜ ⎟n
Xk =
N
∑x e
n =0
n
⎝ N ⎠
188
Análisis de Fourier para señales discretas Análisis de Fourier
( N / 2 ) −1 ⎛ 2π k ⎞ ( N / 2 ) −1 ⎛ 2π k ⎞
1 − j⎜ ⎟( 2 m ) 1 − j⎜ ⎟( 2 m +1)
Xk =
N
∑
m =0
x2 m e ⎝ N ⎠
+
N
∑
m =0
x2 m +1e ⎝ N ⎠
M −1 ⎛ 2π k ⎞ M −1 ⎛ 2π k ⎞ ⎛ 2π k ⎞
1 − j⎜ ⎟m 1 − j⎜ ⎟m − j⎜ ⎟
Xk =
N
∑x
m=0
par
m e ⎝ M ⎠
+
N
∑x
m =0
imp
m e ⎝ M ⎠
e ⎝ N ⎠
De acuerdo a esto, podemos encontrar la DFT como
⎧ ⎛ 2π k ⎞
− j⎜ ⎟
⎪ Xk + e ⎝ N ⎠Xk si k < M
par imp
Xk = ⎨
⎡ 2π ( k − M ) ⎤
⎪ par − j⎢ ⎥
⎩ X k −M − e X kimp si k ≥ M
⎣ N ⎦
−M
donde X kpar es la DFT de la señal xnpar y X kimp es la DFT de la señal xnimp . 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
% 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)')
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
% Visualización
plot(t,x);
title('Señal de entrada');
xlabel('Tiempo (seg)');
figure;
plot(t,xy);
title('Señal filtrada');
xlabel('Tiempo (seg)');
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 ⎜ n⎟
⎝ 4 ⎠
⎛ 2π ⎞ ⎛πn ⎞
c. xn = 4 cos ⎜ n ⎟ sin ⎜ ⎟
⎝ 3 ⎠ ⎝ 2 ⎠
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 ⎟ , 0≤k ≤8
2 ⎝2 ⎠ ⎝4 ⎠
πk
−j
c. Xk = e 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 = ( 12 )n un . Obtenga
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 2 ∂ u
2
= c → u tt = c 2 u xx
∂t 2 ∂x 2
Ecuación de calor unidimensional ( u( x, t ) )
∂u ∂ 2u
= c2 2 → ut = c 2 u xx
∂t ∂x
Ecuación de Laplace bidimensional ( u( x, y ) ).
∂ 2u ∂ 2u
+ = 0 → u xx + u yy = 0
∂x 2 ∂y 2
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:
i. Elípticas si AC − B 2 > 0
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 )
2x −2 x 2 + 2 y 2
ux = u xx =
x + y2 (x )
2 2
2
+ y2
2y −2 y 2 + 2 x 2
uy = 2 u yy =
x + y2 (x )
2
2
+ y2
−2 x 2 + 2 y 2 −2 y 2 + 2 x 2
u xx +u yy = + =0
(x ) (x )
2 2
2
+ y2 2
+ y2
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.
u xx + ( u yy ) = u
2
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 )
144424443 123 14243
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
−
T2 cos( β ) T1 cos(α )
=
TH
∂ u / ∂t 2 ( )
ρ ∆x
tan( β ) − tan(α ) =
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
∂u
tan( β ) =
∂x x = x +∆x
Reemplazando este hecho en la ecuación de la porción de cuerda, se tiene
⎛ ∂u ⎞ ⎛ ∂u ⎞ ρ ∆x 2
⎜
∂x
⎟−⎜
∂x
⎟=
T
( ∂ u / ∂t 2 )
⎝ x = x +∆x ⎠ ⎝ x= x ⎠ H
203
Ecuaciones diferenciales parciales Análisis de Fourier
∂u
Sea f ( x ) = , entonces podemos escribir
∂x
ρ ∆x
f ( x + ∆x ) − f ( x + ∆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
⎡ f ( x + ∆x ) + f ( x ) ⎤ df ( x ) ∂ u
2
lim ⎢ ⎥ = =
∆x → 0
⎣ ∆x ⎦ dx ∂x 2
y la ecuación de la cuerda puede reescribirse como
ρ
∂ 2u / ∂x 2 =
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 2 ∂ u
2
= c
∂x 2 ∂t 2
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 )
∂t 2
dt 2
∂ 2u ( x , t ) d 2 F ( x ) ••
= G (t ) ⋅ = F ( x )G(t )
∂x 2 dx 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
••
F − Fk = 0 (a)
G − Gkc = 0
'' 2
(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
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
nπ
q=
L
y podemos escribir la solución como
⎛ nπ ⎞
F ( x ) = B sin ⎜ x⎟
⎝ L ⎠
207
Ecuaciones diferenciales parciales Análisis de Fourier
⎛ 2π ⎞
F2 ( x ) = sin ⎜ x⎟
⎝ L ⎠
⎛ 8π ⎞
F8 ( x ) = sin ⎜ x⎟
⎝ L ⎠
Solución de (b)
2
nπ ⎛ nπ ⎞
Dado que q = , se tiene que k = −⎜ ⎟ y podemos escribir (b) como
L ⎝ L ⎠
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
ecuación característica de (b) es m 2 + λ n = 0 , con raíces m1 = jλ n y m2 = − jλ n . Así,
2
208
Ecuaciones diferenciales parciales Análisis de Fourier
⎛ nπ ⎞
un ( x, t ) = [ An cos(λnt ) + Bn sin(λn t )] sin ⎜ x⎟
⎝ L ⎠
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⎟
n =1 ⎝ L ⎠
La nueva solución debe satisfacer la condición inicial u( x, 0) = f ( x ) , para ello
∞
⎛ nπ ⎞
u( x, 0) = ∑ An sin ⎜ x ⎟ = f ( x)
n =1 ⎝ L ⎠
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
⎛ nπ
L
2 ⎞
An = ∫ f ( x )sin ⎜ x ⎟ dx
L0 ⎝ L ⎠
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 ⎞
= ∑ [ Bn λn cos(λn t ) − An λn sin(λn t )] sin ⎜ x⎟
∂t n =1 ⎝ L ⎠
∂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
⎛ nπ ⎞
L
2
Bn λn = ∫ g ( x )sin ⎜ x ⎟ dx
L0 ⎝ L ⎠
Despejando los coeficientes Bn se tiene
⎛ nπ ⎞
L
2
Bn = ∫
Lλ n 0
g ( x) sin⎜ x ⎟dx
⎝ 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
∞
⎡ ⎛ nπ ⎞ ⎤ cnπ
u( x, t ) = ∑ ⎢ An cos(λn t )sin ⎜ x ⎟ ⎥ , λn =
n =1 ⎣ ⎝ L ⎠⎦ L
210
Ecuaciones diferenciales parciales Análisis de Fourier
Interpretación de la solución
∞
⎛ nπ ⎞
u( x, t ) = ∑ An cos(λnt )sin ⎜ x⎟
n =1 ⎝ L ⎠
Conociendo que cos α sin β = 12 [sin(α − β ) + sin(α + β )] , podemos escribir
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
n =1 ⎝ L ⎠
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 ⎜ x⎟
⎝ L ⎠
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
⎛ nπ ⎞ ⎛ 3π ⎞ ⎛ nπ ⎞
L L
2 2
An = ∫ f ( x )sin ⎜ x ⎟ dx = ∫ sin ⎜ x ⎟ sin ⎜ x ⎟ dx
L0 ⎝ L ⎠ L0 ⎝ L ⎠ ⎝ L ⎠
Conociendo que sin(α )sin( β ) = 12 [cos(α − β ) − cos(α + β )] , se tiene
⎡πx ⎡ xπ
L
1 ⎧ ⎤ ⎤⎫
An = ∫ ⎨cos ⎢ ( n − 3)⎥ − cos ⎢ ( n + 3)⎥⎬ dx
L 0⎩ ⎣ L ⎦ ⎣ L ⎦⎭
Para n = 3
sin ( 6π x / L)
L
⎛ 6π ⎞ ⎤
L
1 ⎡
A3 = ∫ ⎢1 − cos ⎜ x ⎟ ⎥ dx = 1 − = 1
L0⎣ ⎝ L ⎠⎦ 6π 0
Para n ≠ 3
⎧⎪ sin [ π x ( n − 3) / L] sin [ π x ( n + 3) / L]⎫⎪
L
An = ⎨ − ⎬ = 0
⎩⎪ π ( n − 3) π ( n + 3) ⎭⎪0
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
−∞
∂ t −∞ ⎣ h → 0 h ⎦
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
Por tal motivo, podemos escribir
∂U (Ω, t )
ℑx {ut ( x, 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 }
213
Ecuaciones diferenciales parciales Análisis de Fourier
∂ 2U (Ω, t )
= − c 2 Ω 2 U ( Ω, t )
∂t 2
∂ 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
u( x, t ) = ℑx −1 {U (Ω, t )} = ∫ U (Ω, t )e jΩx d Ω
2π −∞
∞
1
∫ ( H (Ω) ⋅ e )
j Ωct
u ( x, t ) = + G(Ω) ⋅ e − jΩct e jΩx d Ω
2π −∞
1 ⎡ ⎤
∞ ∞
⎢∫ ∫
j Ω ( x + ct )
u ( x, t ) = H ( Ω )e 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
h( x ) = ℑx { H (Ω)} =
−1
∫ H (Ω)e jΩx d Ω
2π −∞
∞
1
g ( x ) = ℑx −1 {G (Ω )} = ∫ G(Ω) ⋅ e
j Ωx
dΩ
2π −∞
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) (1)
Velocidad inicial: u ' ( x, 0) = g ( x )
ut ( x, t ) = ch' ( x + ct ) − cg ' ( x + ct )
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 ) = 12 [ f ( x ) − k ] y reemplazando en ( 2) se tiene que
h( x ) = 12 [ f ( x ) + k ] . Por tal motivo, la deflexión de la cuerda pues escribirse como
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
∂U (Ω, t )
ajΩU (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−x 1{U (Ω, t )} = ℑ−x 1{ F (Ω )e − at }
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:
∂u K
= 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)
2
= = k , k ∈R
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
nπ
q=
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)
2
nπ ⎛ nπ ⎞
Dado que q = , se tiene que k = −⎜ ⎟ y podemos escribir (b) como
L ⎝ L ⎠
219
Ecuaciones diferenciales parciales Análisis de Fourier
2
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 )
∫ G(t ) = ∫ −λn dt
2
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
∞
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 e − λn t sin ⎜
2
x⎟
n =1 ⎝ L ⎠
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 ⎜ x ⎟ = f ( x)
n =1 ⎝ L ⎠
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
⎛ nπ ⎞
L
2
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
⎧ x si 0 < x < π / 2
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
π /2 π
⎛ nπ ⎞ 2⎡ ⎤
L
2
An = ∫ f ( x )sin ⎜ x ⎟ dx = ⎢ ∫ x sin ( nx ) dx + ∫ (π − x )sin ( nx ) dx⎥
L0 ⎝ L ⎠ π⎣ 0 π /2 ⎦
2⎡ ⎤
π /2 π π
An = ⎢ ∫ x sin ( nx ) dx + π ∫ sin ( nx ) dx − ∫ x sin ( nx ) dx⎥
π⎣ 0 π /2 π /2 ⎦
2⎧1 π
An = ⎨ 2 [sin( nx ) − nx cos( nx )]0 − cos( nx ) π / 2
π /2 π
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 ( n −1)
4 ⎛ nπ ⎞ ⎪ 2 ( −1) 2 n impar
An = 2 ⎟ = ⎨π n
π n sin ⎜⎝ 2 ⎠ ⎪
⎩ 0 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 )
∂U (Ω, t )
ℑx {ut } = = 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 )
∫ U (Ω, t ) = ∫ −c Ω ∂t
2 2
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
2 2
U ( Ω, t ) = F ( Ω)e − c Ω t
Tomando la transforma inversa de Fourier, se tiene
∞
1
u( x, t ) = ℑx {U (Ω, t )} =
−1
∫ U (Ω, t )e jΩx d Ω
2π −∞
∞
1
∫ F (Ω)e
− c 2 Ω2t
u ( x, t ) = e jΩx d Ω
2π −∞
2 2
Definamos la función G (Ω, t ) = e −Ω c t , entonces
∞
1
∫ F (Ω)G(Ω, t )e
jΩx
u ( x, t ) = d Ω = ℑ−x 1{ F (Ω )G(Ω, t )}
2π −∞
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−x 1{ F (Ω)} ∗ ℑ−x 1{G(Ω, t )}
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
∞ ∞
1 1
∫ ∫
−Ω 2 c 2t jΩx 2 2
g ( x, t ) = e e d Ω = e −Ω c t + jΩx d Ω
2π −∞ 2π −∞
⎛ Ωx ⎞
∞ − c 2 t ⎜⎜ Ω 2 + 2 ⎟⎟
1
g ( x, t ) = ∫e dΩ
⎝ jc t ⎠
2π −∞
Completando cuadrados, se tiene
⎡⎛ 2⎞ 2⎤
Ωx ⎛ x ⎞ ⎟ ⎛ x ⎞ ⎥
∞ − c 2 t ⎢⎜ Ω 2 + 2 + ⎜⎜ ⎟ −⎜
2 ⎟ ⎟ ⎜
⎟
2 ⎟ ⎥
1 ⎢⎜ jc t ⎝ j 2 c t ⎠
⎠ ⎝
j 2c t ⎠
g ( x, t ) =
2π ∫e
−∞
⎣⎝ ⎦
dΩ
223
Ecuaciones diferenciales parciales Análisis de Fourier
⎡⎛ 2 ⎞⎤
Ωx ⎛ x ⎞ ⎟ ⎥ 2
∞ − c 2 t ⎢⎜ Ω 2 + 2 + ⎜⎜ ⎟ 2 ⎛ x ⎞
⎟
jc t ⎝ j 2 c t ⎠ ⎟ ⎥ c t ⎜⎜ j 2 c 2t ⎟⎟
1 ⎢⎜ 2
g ( x, t ) = ∫e ⎣⎝
dΩ
⎠⎦ ⎝ ⎠
e
2π −∞
2
⎛ x ⎞ ⎡⎛ 2 ⎞⎤
c 2t ⎜⎜ ⎟ Ωx ⎛ x ⎞ ⎟ ⎥
2 ⎟
⎝ j 2c t ⎠ ∞ − c 2 t ⎢⎜ Ω 2 + 2 + ⎜⎜ ⎟
⎟
e ⎢⎜ jc t ⎝ j 2 c t ⎠ ⎟ ⎥
2
g ( x, t ) = ∫e ⎣⎝
dΩ
⎠⎦
2π −∞
⎛ x ⎞
Realizando la sustitución u = c t ⎜ Ω + ⎟ se tiene du = c t d Ω y
⎝ 2 jc 2t ⎠
2 2
⎛ x ⎞ ⎛ x ⎞
c 2t ⎜⎜ 2 ⎟
⎟ c 2t ⎜⎜ 2 ⎟
⎟
∞ 2 ∞
e ⎝ j 2c t ⎠
e − u du e ⎝ j 2c t ⎠
∫ ∫e
−u2
g ( x, t ) = = du
2π −∞ c t c t 2π −∞
⎛ x2 ⎞
−⎜ 2 ⎟
⎜ 4c t ⎟
⎝ ⎠
e
g ( x, t ) =
2c π t
La solución a la ecuación de calor 1D puede escribir como
e
(
− x 2 / 4 c 2t )
u ( x, t ) = f ( x ) ∗ g ( x, t ) = f ( x ) ∗
2c π t
∞
1 − ⎡( x −τ )2 / 4 c 2t ⎤
u ( x, t ) =
2c π t
∫
−∞
f (τ )e ⎣ ⎦
dτ
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
1
2. Verifique que la función u( x, y , z ) = satisface la ecuación
x2 + y2 + z 2
∂ 2u ∂ 2u ∂ 2 u
∇ 2u = + + =0
∂x 2 ∂y 2 ∂z 2
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
3
f ( x ) = ∑ k1 sin( kx )
k =1
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 − π2 )
9. Encuentre la deflexión de la cuerda que tiene L = π y c = 1 , y que presenta las
condiciones iniciales g ( x) = 0 y
3
f ( x ) = ∑ [ k sin( x ) + sin( kx )] .
k =1
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: ∀a , b, c ∈ G ⇒ a ∗ (b ∗ c ) = ( a ∗ b ) ∗ c
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 .
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.
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 : ( a + b) × v = ( a × v) + (b × v)
iv. ∀a, b ∈ F y ∀ v ∈ V : ( a × b) × v = a × (b × v)
v. ∀ v ∈ V : 1× v = v “ 1 es la identidad multiplicativa de F ”
vi. ∀a ∈ F y ∀ v ∈ V : 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
iii. ∀ v, w ∈ 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.
• Si x ∈ R n entonces x = x12 + x22 + ... + xn2
∞
• 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 : ρ (v, w) = ρ (w, v)
iii. ∀ v, w, z ∈ 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
iii. v1 + v 2 , w = v1 , w + v 2 , w y v, w1 + w 2 = v, w1 + v, w 2
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 .
−∞
Adicionalmente, L2 es un espacio vectorial normado, con norma definida como
∞ ∞
∫ ∫
2
x (t ) = x(t ) x* (t )dt = x(t ) dt
−∞ −∞
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