Señales Sistemas12 PDF

Señales y Sistemas Discretos
Armengol Blanco
Facultad Nacional de Ingeniería
Ingeniería Eléctrica e Ingeniería Electrónica
6 de diciembre de 2011
ii
Prefacio
Este apunte tiene el objeto de proporcionar a los alumnos de Señales y Sis-
temas Discretos una ayuda para claricar y aplicar los conceptos expuestos en
clases.
Es un compendio de la asignatura. Se consultaron varios textos clásicos,

asimismo varias páginas web de internet.
En el texto, se incluyen problemas resueltos.
La edición del texto, se preparó en el ambiente LATEX 2ε mediante el editor

WinEdit v. 6.0
Armengol Blanco
Índice general
1. Señales y Sistemas 1
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Señales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Clasicación de Señales . . . . . . . . . . . . . . . . . . . . . . . 1
1.3.1. Señal de Tiempo Continuo vs. Tiempo Discreto . . . . . . 1
1.3.2. Señal Analógica vs. Digital . . . . . . . . . . . . . . . . . 2
1.3.3. Señal Periódica vs. Aperiódica . . . . . . . . . . . . . . . 2
1.3.4. Señal Causal vs. Anticausal vs. Nocausal . . . . . . . . . 3
1.3.5. Señal Par vs. Impar . . . . . . . . . . . . . . . . . . . . . 3
1.3.6. Señal Determinística vs. Aleatoria . . . . . . . . . . . . . 4
1.3.7. Señal de Hemisferio Derecho vs. Hemisferio Izquierdo . . 5
1.3.8. Señal de Tamaño Finito vs. Tamaño Innito . . . . . . . . 5
1.4. Operaciones con Señales . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1. Desplazamiento en el eje del Tiempo . . . . . . . . . . . . 7
1.4.2. Escala en el eje del Tiempo . . . . . . . . . . . . . . . . . 7
1.4.3. Reexión en el eje del Tiempo . . . . . . . . . . . . . . . 7
1.5. Señales Elementales . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.1. Señales Senoidales . . . . . . . . . . . . . . . . . . . . . . 8
1.5.2. Exponencial real . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.3. Exponenciales Complejas . . . . . . . . . . . . . . . . . . 9
1.5.4. Función Impulso Unitario . . . . . . . . . . . . . . . . . . 9
1.5.5. Escalón Unitario . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.6. Función Rampa Unitaria . . . . . . . . . . . . . . . . . . 11
1.6. Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.6.1. Clasicación de Sistemas . . . . . . . . . . . . . . . . . . 11
1.6.2. Sistema Continuo vs. Discreto . . . . . . . . . . . . . . . . 11
1.6.3. Sistema Lineal vs. No Lineal . . . . . . . . . . . . . . . . 12
1.6.4. Sistema Invariante en el Tiempo vs. Variante en el Tiempo 12
1.6.5. Sistema Causal vs. No Causal . . . . . . . . . . . . . . . . 13
1.6.6. Sistema Estable vs. Inestable . . . . . . . . . . . . . . . . 13
1.7. Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . 13
1.7.1. Sistemas Lineales . . . . . . . . . . . . . . . . . . . . . . . 13
1.7.2. Sistemas Invariantes en el Tiempo . . . . . . . . . . . . . 14
1.7.3. Sistemas Lineales Invariantes en el Tiempo . . . . . . . . 15
iii
iv ÍNDICE GENERAL
1.7.4. Sistemas Lineales Invariantes en el Tiempo en Serie . . . 15

1.7.5. Sistemas Lineales Invariantes en el Tiempo en Paralelo . . 15
1.7.6. Sistemas Causales . . . . . . . . . . . . . . . . . . . . . . 15
1.7.7. Sistemas Nocausales . . . . . . . . . . . . . . . . . . . . . 16
2. Serie de Fourier 17
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2. Serie Trigonométrica de Fourier de Señales Periódicas Continuas 17
2.2.1. Forma de Laboratorio . . . . . . . . . . . . . . . . . . . . 18
2.2.2. Forma Exponencial Compleja . . . . . . . . . . . . . . . . 18
2.3. Funciones Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4. Cálculo de los Coecientes de la serie de Fourier . . . . . . . . . 19
2.5. Convergencia de las Series de Fourier . . . . . . . . . . . . . . . . 19
2.5.1. Condiciones de Dirichlet . . . . . . . . . . . . . . . . . . . 19
2.6. Propiedades de la Serie de Fourier Continua . . . . . . . . . . . . 20
2.6.1. Relación de Parseval para Señales Periódicas Continuas . 20
3. La Transformada de Fourier 21
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2. La transformada de Fourier Continua . . . . . . . . . . . . . . . . 21
3.3. Denición de la Transformada de Fourier . . . . . . . . . . . . . 22
3.4. Las Transformadas de Fourier . . . . . . . . . . . . . . . . . . . . 24
3.5. Transformadas Seno y Coseno de Fourier . . . . . . . . . . . . . . 25
3.5.1. Transformadas Seno de Fourier . . . . . . . . . . . . . . . 25
3.5.2. Transformadas Coseno de Fourier . . . . . . . . . . . . . . 25
3.6. Propiedades de la Transformada de Fourier . . . . . . . . . . . . 25
4. La Serie y Transformada de Fourier de Tiempo Discreto 27

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2. Secuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2.1. Secuencias Periódicas . . . . . . . . . . . . . . . . . . . . 28
4.3. Operaciones con Secuencias . . . . . . . . . . . . . . . . . . . . . 30
4.3.1. Producto . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3.2. Suma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3.3. Multiplicación por una Constante . . . . . . . . . . . . . . 30
4.3.4. Retardo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.3.5. Secuencia Arbitraria . . . . . . . . . . . . . . . . . . . . . 30
4.4. Serie de Fourier de Tiempo Discreto . . . . . . . . . . . . . . . . 31
4.5. Transformada de Fourier de Tiempo Discreto . . . . . . . . . . . 32
4.6. Convergencia de la Transformada de Fourier de Tiempo Discreto 34
4.7. Propiedades de la Transformada de Fourier de Tiempo Discreto . 35
4.8. La Identidad de Parseval y el Espectro de la Densidad de Energía 35
ÍNDICE GENERAL v
5. La Transformada Discreta de Fourier 37

5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.2. De la Transformada de Fourier a la Transformada Discreta de
Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3. La Transformada Discreta de Fourier como una Matriz de Mul-
tiplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.4. Propiedades de la Transformada Discreta de Fourier . . . . . . . 42
5.5. Teorema de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . 43
6. La Transformada Rápida de Fourier 45
6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.2. Reseña Histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.3. Deducción del Algoritmo TRF de Cooley-Tukey . . . . . . . . . . 46
6.4. Decimación en Tiempo . . . . . . . . . . . . . . . . . . . . . . . . 46
6.4.1. Ejemplo del Algoritmo TRF . . . . . . . . . . . . . . . . . 48
6.5. Decimación en Frecuencia . . . . . . . . . . . . . . . . . . . . . . 50
7. La Transformada Z 53
7.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
7.2. Denición de la Transformada Z Bilateral . . . . . . . . . . . . . 53
7.3. Denición de la Transformada Z Unilateral . . . . . . . . . . . . 53
7.4. Criterio de convergencia . . . . . . . . . . . . . . . . . . . . . . . 54
7.5. Transformada Z de Funciones Elementales . . . . . . . . . . . . . 54
7.5.1. Función Escalón Unitario Muestreado . . . . . . . . . . . 55
7.5.2. Función Impulso Unitario Muestreado . . . . . . . . . . . 55
7.5.3. Función Rampa Unitaria Muestreada . . . . . . . . . . . . 56
7.5.4. Función Polinomial Muestreada . . . . . . . . . . . . . . . 56
7.5.5. Función Exponencial Muestreada . . . . . . . . . . . . . . 56
7.5.6. Función Senoidal Muestreada . . . . . . . . . . . . . . . . 57
7.6. Propiedades de la Transformada Z . . . . . . . . . . . . . . . . . 57
7.7. La Transformada Z Inversa . . . . . . . . . . . . . . . . . . . . . 57
7.7.1. Método de la Expansión en Series de Potencias . . . . . . 58
7.7.2. Método de la Expansión en Fracciones Parciales . . . . . 58
7.7.3. Método de la Fórmula de Inversión . . . . . . . . . . . . . 60
7.8. Aplicación de la Transformada Z a Sistemas LITD . . . . . . . . 61
A. Series Especiales 63
vi ÍNDICE GENERAL
Índice de cuadros
2.1. Propiedades de la serie de Fourier . . . . . . . . . . . . . . . 20

3.1. Propiedades de la Transformada de Fourier . . . . . . . . . 26
4.1. Representaciones de Fourier para 4 clases de señales . . . 27
4.2. Propiedades de la Transformada de Fourier de Tiempo
Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.1. Valores de la secuencia x[n] . . . . . . . . . . . . . . . . . . . 40
5.2. Propiedades de la Transformada Discreta de Fourier . . . 42
6.1. Valores de la secuencia x[n] . . . . . . . . . . . . . . . . . . . 49
7.1. Propiedades de la Transformada Z . . . . . . . . . . . . . . 57
vii
viii ÍNDICE DE CUADROS
Índice de guras
1.1. Eje tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2. Valor de la función . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Función Periódica . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Función Aperiódica . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5. Función Causal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.6. Función Anticausal . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.7. Función No Causal . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.8. Función Par . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.9. Función Impar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.10. Señal Determinística . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.11. Señal Aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.12. Señal de Hemisferio Derecho . . . . . . . . . . . . . . . . . . . . . 5
1.13. Señal de Hemisferio Izquierdo . . . . . . . . . . . . . . . . . . . . 6
1.14. Señal Finita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.15. Desplazamiento hacia la derecha . . . . . . . . . . . . . . . . . . 7
1.16. Compresión o expansión . . . . . . . . . . . . . . . . . . . . . . . 7
1.17. Reexión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.18. Función exponencial real . . . . . . . . . . . . . . . . . . . . . . . 9
1.19. Función delta de Dirac . . . . . . . . . . . . . . . . . . . . . . . . 10
1.20. Función impulso unitario desfasado . . . . . . . . . . . . . . . . . 10
1.21. Función impulso unitario . . . . . . . . . . . . . . . . . . . . . . . 10
1.22. Función escalón unitario . . . . . . . . . . . . . . . . . . . . . . . 11
1.23. Función rampa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.24. Propiedad de Homogeneidad . . . . . . . . . . . . . . . . . . . . 12
1.25. Propiedad de Superposición . . . . . . . . . . . . . . . . . . . . . 12
1.26. Sistema invariante . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.27. Sistema Causal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.28. Propiedad de Homogeneidad (escalado) . . . . . . . . . . . . . . 14
1.29. Principio de superposición . . . . . . . . . . . . . . . . . . . . . . 14
1.30. Principio de superposición con escalado lineal . . . . . . . . . . . 14
1.31. Sistema invariante en el Tiempo . . . . . . . . . . . . . . . . . . 14
1.32. Sistema lineal invariante en el tiempo . . . . . . . . . . . . . . . 15
1.33. Sistemas conectados en serie . . . . . . . . . . . . . . . . . . . . . 15
1.34. Sistemas conectados en paralelo . . . . . . . . . . . . . . . . . . . 16
ix
x ÍNDICE DE FIGURAS
1.35. Sistema no causal . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.1. Función no periódica . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2. Función periódica . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3. Forma de onda y espectro de amplitud de f (t) para T = 1 . . . . 23
3.4. Efecto de incrementar T , T = 2 . . . . . . . . . . . . . . . . . . . 23
3.5. Efecto de incrementar T , T = 5 . . . . . . . . . . . . . . . . . . . 23
4.1. Representación gráca de una señal de tiempo discreto . . . . . . 28
4.2. Ejemplos de secuencias . . . . . . . . . . . . . . . . . . . . . . . . 29
4.3. Gráca de una secuencia periódica . . . . . . . . . . . . . . . . . 29
4.4. Secuencia arbitraria . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.5. Secuencia x[n] = an u[n] . . . . . . . . . . . . . . . . . . . . . . . 33
4.6. Espectros de frecuencia . . . . . . . . . . . . . . . . . . . . . . . 34
5.1. Espectro de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . 38
6.1. Tiempos de computación . . . . . . . . . . . . . . . . . . . . . . . 46
6.2. Operación mariposa . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.3. Gráco del ujo de señal de la TRF, decimación en tiempo, N = 8
puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.4. Gráco del ujo de señal de la TRF, decimación en frecuencia,
N = 8 puntos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
7.1. Región de integración C . . . . . . . . . . . . . . . . . . . . . . . 60
7.2. Diagrama de bloque de un sistema LITD . . . . . . . . . . . . . . 61
Capítulo 1
Señales y Sistemas
1.1. Introducción
En este capítulo, se trata las señales y sistemas, su clasicación, deniciones
y propiedades que son fundamentales para el tratamiento de señales y sistemas.
Este capítulo está basado en la referencia [1].
1.2. Señales
Una señal contiene y transporta alguna información y esto supone que algo
varía en el espacio o en el tiempo o bien en ambos simultáneamente.
Las señales son magnitudes físicas o variables detectables mediante las que
se pueden transmitir mensajes o información.
Como consecuencia de lo anterior el modelo matemático más adecuado para
estudiar señales es el de una función cuyo dominio se extiende en el soporte de
la información y cuyo codominio (rango) corresponden a la magnitud que lleva
la información.
1.3. Clasicación de Señales

Es importante conocer la clasicación de señales mostradas a continuación.
1.3.1. Señal de Tiempo Continuo vs. Tiempo Discreto

Como el nombre lo sugiere, esta clasicación se puede establecer, después de
saber si el eje del tiempo (eje de las abscisas) es discreto o continuo.
Una señal de tiempo continuo tiene un valor para todos los números reales
que existen en el eje del tiempo.
Una señal de tiempo discreto es comúnmente obtenida utilizando el Teorema
de Muestreo para discretizar una señal continua, de esta manera la señal tendrá
1
2 CAPÍTULO 1. SEÑALES Y SISTEMAS
valores en los espacios que tienen una separación igual y son creados en el eje
del tiempo. En la Fig. (1.1), se muestra la variable independiente (tiempo) que
determina la clasicación de una señal: de tiempo continuo o tiempo discreto.
Figura 1.1: Eje tiempo
1.3.2. Señal Analógica vs. Digital

La diferencia entre lo analógico y lo digital es muy similar a la diferencia
entre el tiempo continuo y el tiempo discreto. Sin embargo, en este caso, la
diferencia es con respecto al valor de la función (eje de las ordenadas). Analógico
corresponde al eje y continuo, mientras lo digital corresponde al eje y discreto.
Un ejemplo de una señal digital es una secuencia binaria, donde la función solo
tiene valores de cero o uno.
En la Fig. (1.2), se muestra la variable dependiente (ordenada) que determina
la clasicación de una señal: analógico o digital.
Figura 1.2: Valor de la función
1.3.3. Señal Periódica vs. Aperiódica

La señal periódica se repiten con un periodo T , mientras la señal aperiódica
o no periódica, no se repiten. Se puede denir una función periódica mediante
la siguiente expresión matemática, donde t puede ser cualquier número y T es
una constante positiva:
f (t) = f (T + t)
El periodo fundamental de esta función, f (t), es el valor más pequeño de T

que permita la validación de la ecuación. En la Fig. (1.3), se muestra la gráca
de una señal periódica y en la Fig. (1.4), se muestra la gráca de una señal
aperiódica.
1.3. CLASIFICACIÓN DE SEÑALES 3
Figura 1.3: Función Periódica
Figura 1.4: Función Aperiódica
1.3.4. Señal Causal vs. Anticausal vs. Nocausal

Las señales causales son señales que tienen valor de cero en el tiempo nega-
tivo. En la Fig. (1.5), se muestra la gráca de una señal causal.
Las señales anticausales tienen valor cero en el tiempo positivo. En la Fig.
(1.6) se muestra la gráca de una señal anticausal.
Las señales nocausales son señales con valor de cero en el tiempo positivo y
negativo. En la Fig. (1.7), se muestra la gráca de una señal nocausal.
Figura 1.5: Función Causal
Figura 1.6: Función Anticausal
1.3.5. Señal Par vs. Impar

Una señal par, es cualquier señal f (t) que satisface f (t) = f (−t). En la
Fig. (1.8), se muestra la gráca de una señal par. Las señales pares se pueden
detectar fácilmente por que son simétricas en el eje vertical.
Figura 1.7: Función No Causal
Figura 1.8: Función Par
Una señal impar, es una señal f (t) que satisface f (t) = −f (−t). En la Fig.
(1.9), se muestra la gráca de una señal impar. Las señales impares se pueden
detectar fácilmente por que son 'simétricas' al origen.
Figura 1.9: Función Impar
Usando las deniciones de par e impar, se puede demostrar que cualquier

señal se puede escribir como una combinación de una señal par e impar. Cada
señal tiene una descomposición par-impar. Para demostrar esto, se tiene que
examinar la ecuación:
1 1
f (t) = (f (t) + f (−t)) + (f (t) − f (−t))
2 2
Al multiplicar y sumar esta expresión, se demuestra que lo manifestado es
cierto. También se puede observar que f (t) + f (−t) satisface a una función par,
y que f (t) − f (−t) satisface a una función impar.
1.3.6. Señal Determinística vs. Aleatoria

Una señal determinística, es una señal en la cual cada valor está jo y puede
ser determinado por una expresión matemática, regla, o tabla. Los valores fu-
turos de esta señal pueden ser calculados usando sus valores anteriores teniendo
una conanza completa en los resultados.
En las señales determinísticas no existe incertidumbre con respecto al va-
lor que toma la señal en el tiempo. Se modelan con expresiones matemáticas
explícitas. En la Fig. (1.10), se muestra la gráca de una señal determinística.
Una señal aleatoria, tiene mucha uctuación respecto a su comportamiento.
Los valores futuros de una señal aleatoria no se pueden predecir con exactitud,
1.3. CLASIFICACIÓN DE SEÑALES 5
Figura 1.10: Señal Determinística
solo se pueden basar en los promedios de conjuntos de señales con características

similares. En la Fig. (1.11), se muestra la gráca de una señal aleatoria.
En las señales aleatorias existe un cierto grado de incertidumbre antes de
la ocurrencia de la señal. Observada en un período largo puede exhibir ciertas
regularidades que se pueden describir en términos de probabilidades y promedios
estadísticos modelado de procesos que perturban el sistema, ejemplo el ruido
modelado de la información, teniendo en cuenta la incertidumbre que tiene el
receptor sobre lo que se trasmitió.
Figura 1.11: Señal Aleatoria
1.3.7. Señal de Hemisferio Derecho vs. Hemisferio Izquier-

do
Estos tipos de señales son aquellos cuyo valor es cero entre una variable
denida y la innidad positiva o negativa. Matemáticamente hablando, una
señal de hemisferio derecho es denida como cualquier señal donde f (t) = 0
para t < t1 < ∞, y una señal de hemisferio izquierdo es denida como cualquier
señal donde f (t) = 0 para t > t1 > −∞. En la Fig. (1.12), se muestra la gráca
de una señal de hemisferio derecho y en la Fig. (1.13), se muestra la gráca de
una señal de hemisferio izquierdo.
Figura 1.12: Señal de Hemisferio Derecho
1.3.8. Señal de Tamaño Finito vs. Tamaño Innito

Como el nombre lo implica, las señales se pueden caracterizar dependiendo
de su tamaño el cual puede ser innito o nito. Casi todas las señales nitas se
Figura 1.13: Señal de Hemisferio Izquierdo
utilizan cuando se tiene una señal discreta o se tiene una secuencia de valores.
En términos matemáticos, f (t) es una señal de tamaño nito si tiene un valor
que no sea cero en un intervalo nito:
t1 < f (t) < t2
donde t1 > −∞ y t2 < ∞.

De igual manera, una señal de tamaño innito f (t), es denida con valores
no-cero para todos los números reales:
∞ ≤ f (t) ≤ −∞
En la Fig. (1.14), se muestra la gráca de una señal nita.
Figura 1.14: Señal Finita
1.4. Operaciones con Señales

El efecto de transformar la variable independiente de una señal f (t) deter-
minada para obtener una señal de la forma f (at + b), donde a y b son números
dados. Esta transformación de la variable independiente conserva la forma de
f (t), excepto que la señal resultante puede ser alargada linealmente si |a| < 1,
comprimida linealmente si |a| > 1, invertida en el tiempo si a < 0 y desplazada
en tiempo si b 6= 0.
En este inciso se muestra dos operaciones para señales, cambio en el tiempo
y escala en el tiempo. Operación de señales son operaciones realizadas sobre la
variable tiempo de la señal.
1.4. OPERACIONES CON SEÑALES 7
1.4.1. Desplazamiento en el eje del Tiempo

El desplazamiento en el tiempo, como su nombre lo sugiere, es trasladar
la señal en el eje del tiempo. Esto se hace sumando o restando la cantidad
del desplazamiento de tiempo a la función. Restando una cantidad ja en la
variable de tiempo tendrá un cambio en la señal hacia la derecha (retrasa) por
esa cantidad, por el contrario al sumar una cantidad a la variable de tiempo la
señal se desplazará hacia la izquierda (avanza).
En la Fig. (1.15), se muestra la gráca de se una señal desplazada hacia la
derecha.
Figura 1.15: Desplazamiento hacia la derecha
1.4.2. Escala en el eje del Tiempo

Escalar el tiempo es comprimir o expandir una señal al multiplicar la variable
del tiempo por alguna cantidad. Si esa cantidad es mayor que uno, la señal se
vuelve angosta, esto es conocido como compresión , cuando la cantidad es menor
que uno, la señal se vuelve ancha y a esto se lo conoce como expansión .
En la Fig. (1.16), se muestra la gráca de una señal comprimida o expandida.
Figura 1.16: Compresión o expansión
1.4.3. Reexión en el eje del Tiempo

Una pregunta muy natural que se considera cuando se está aprendiendo a
escalar el tiempo es: ¾ qué pasaría si la variable del tiempo es multiplicada por
un número negativo?, la respuesta para esto es la inversión en el tiempo. Esta
operación invierte el eje del tiempo, en otras palabras, cambia la señal respecto
al eje de las ordenadas.
En la Fig. (1.17), se muestra la gráca de una señal reejada sobre el eje

tiempo.
Figura 1.17: Reexión
1.5. Señales Elementales

Una señal es una función denida con respecto a una variable independiente.
Generalmente, esta variable es el tiempo pero podría representar un índice para
una secuencia, o un índice para cualquier número de cosas, o cualquier número
de dimensiones. La mayor parte, si es que no todas, las señales que usted verá
en sus estudios y en el mundo real podrán ser creadas de las señales básicas que
aquí va a estudiar. Por esta razón, estas señales elementales son comúnmente
conocidas como los fundamentos para cualquier otra señal.
1.5.1. Señales Senoidales

En su forma de tiempo continuo, la forma general de la función se expresa
como:
x(t) = A cos(ωt + φ)
donde A es la amplitud, ω es la frecuencia, y φ representa el desplazamiento
(desfase). Note que es común ver que ωt es reemplazado con 2πf t. Las señales
senoidales son periódicas, esto hace que su periodo, o cualquier señal periódica
puedan ser expresada de la siguiente manera:
2π
T =
ω
1.5.2. Exponencial real

La señal exponencial real está expresado de la siguiente forma:
f (t) = Beαt
donde B y α son parámetros reales. Esta señal crece o decae dependiendo

del valor de α. La exponencial decae, cuando α < 0 y crece cuando α > 0. En
la Fig. (1.18), se muestra la gráca de una señal exponencial real.
1.5. SEÑALES ELEMENTALES 9
Figura 1.18: Función exponencial real
1.5.3. Exponenciales Complejas

Las funciones exponenciales complejas son funciones importante para el estu-
dio de señales y sistemas. La expresión general se describe de la forma siguiente:
f (t) = Best = Be(ρ+jω)t = Beρt ejωt
donde s es un número complejo:

s = ρ + jω
donde ρ es la fase y ω es la frecuencia angular.

Las señales exponenciales complejas, son señales senoidales amortiguadas:
ejωt = cos(ωt) + j sen(ωt)
f (t) = Beρt ejωt = Beρt [cos(ωt) + j sen(ωt)]
1.5.4. Función Impulso Unitario

La función impulso unitario , conocido también como la función delta de
Dirac, es una señal que tiene una altura innita, un ancho inexistente con un
peso unitario.
0 si t 6= 0
δ(t) =
∞ si t = 0
En la Fig. (1.19), se muestra la gráca de una señal impulso, en la Fig. (1.20),
se muestra la gráca de una señal impulso desfasado en t0 segundos y la Fig.
(1.21), se muestra la gráca de una señal impulso unitario.
Z ∞ Z
δ(t)dt = δ(t)dt1
−∞ −
Figura 1.19: Función delta de Dirac
Figura 1.20: Función impulso unitario desfasado
Figura 1.21: Función impulso unitario
1.5.5. Escalón Unitario

La función escalón unitario , se dene como:

1 si t ≥ 0
u(t) =
0 si t < 0
Esta función es discontinua en el origen; sin embargo no se necesita denirla

en este punto ya que no es necesario en la teoría de la señal. En la Fig. (1.22),
se muestra la gráca de una señal escalón unitario.
1.6. SISTEMAS 11
Figura 1.22: Función escalón unitario
1.5.6. Función Rampa Unitaria

La función rampa unitaria está denida como:
 0 si t<0

r(t) = t si 0 ≤ t ≤ t0
 t0
1 si t > t0
En la Fig. (1.23), se muestra la gráca de una señal rampa.
Figura 1.23: Función rampa
1.6. Sistemas
Un sistema, es un conjunto de elementos que interactúan entre sí y está
limitado por una frontera (real o imaginaria).
Las propiedades de los sistemas proveen una manera sencilla de separar un
sistema de otro. Entender la diferencia básica entre sistemas y sus propiedades,
es un concepto fundamental utilizado en el procesamiento de señales.
1.6.1. Clasicación de Sistemas

Los sistemas se pueden clasicar desde diferentes puntos de vista.
1.6.2. Sistema Continuo vs. Discreto

En un sistema continuo las señales de entrada y de salida son continuas. En
un sistema discreto las señales de entrada y de salida son discretas.
1.6.3. Sistema Lineal vs. No Lineal

En un sistema lineal, se cumplen las propiedades de escalado (homogeneidad)
y de superposición (aditiva).
En un sistema no-lineal, no se cumplen al menos una de estas propiedades.
Para demostrar que un sistema H obedece la propiedad de escalado se debe
mostrar que:
H(kf (t)) = kH(f (t))
Figura 1.24: Propiedad de Homogeneidad
Figura 1.25: Propiedad de Superposición

En la Fig. (1.24), se muestra el diagrama de bloques de un sistema que tiene
la propiedad de homogeneidad y en la Fig. (1.25), se muestra el diagrama de
bloques de un sistema que tiene la propiedad de superposición .
1.6.4. Sistema Invariante en el Tiempo vs. Variante en el

Tiempo
En un sistema invariante en el tiempo no depende de cuando ocurre. La
forma de la salida no cambia con el retraso de la entrada. Es decir que para un
sistema H donde H(f (t)) = y(t), H es invariante en el tiempo si para toda T:
H(f (t − T )) = y(t − T )
En un sistema variante en el tiempo , es cuando esta propiedad no aplica para
Figura 1.26: Sistema invariante
un sistema. En la Fig. (1.26), se muestra el diagrama de bloques de un sistema

invariante en el tiempo .
1.7. PROPIEDADES DE LOS SISTEMAS 13
1.6.5. Sistema Causal vs. No Causal

Un sistema causal es aquel que es no-anticipativo; esto es, que las salidas
dependen de entradas presentes y pasadas, pero no de entradas futuras. Todos
los sistemas en tiempo real deben ser causales, ya que no pueden tener salidas
futuras disponibles para ellos.
Un sistema no-causal es aquel que es anticipativo, por ejemplo en el proce-
samiento de señales la variable dependiente representaría los píxeles de la derecha
y de la izquierda (el futuro ) de la posición actual de la imagen.
Figura 1.27: Sistema Causal
En la Fig. (1.27), se muestra las formas de onda de un sistema causal.
1.6.6. Sistema Estable vs. Inestable

Un sistema estable es uno donde las salidas no divergen así como las entradas
tampoco divergen. Hay muchas maneras de decir que una señal diverge; por
ejemplo puede tener energía innita. Una denición particularmente útil de
divergencia es relacionar si la señal esta acotada o no. Entonces se requiere al
sistema como entrada acotada-salida acotada (BIBO) (Bounded Input-Bounded
Output) establece que toda posible entrada acotada produce una salida acotada.
1.7. Propiedades de los Sistemas

1.7.1. Sistemas Lineales
Si un sistema es lineal, quiere decir que cuando la entrada de un sistema
dado es escaldado por un valor, la salida del sistema es escalado por la misma
cantidad. En la Fig. (1.28), la entrada x del sistema lineal L da la salida y. Si
x es escalada por un valor α y es pasada a través del mismo sistema, como se

muestra en la misma gura, la salida también será escalada por α.
Figura 1.28: Propiedad de Homogeneidad (escalado)
Un sistema lineal también obedece el principio de superposición. Esto sig-

nica que si dos entradas son sumadas juntas y pasadas a través del sistema
lineal, la salida será equivalente a la suma de las dos entradas evaluadas indi-
vidualmente. En la Fig. (1.29), se muestra el diagrama de bloque de un sistema
lineal que obedece al principio de superposición.
Figura 1.29: Principio de superposición
En la Fig. (1.30), se muestra el diagrama de bloque de un sistema lineal que

obedece al principio de superposición con escalado lineal.
Figura 1.30: Principio de superposición con escalado lineal
1.7.2. Sistemas Invariantes en el Tiempo

Un sistema invariante en el tiempo TI (Time-Invariant) tiene la propiedad
de que cierta entrada siempre dará la misma salida, sin consideración alguna
a cuando la entrada fue aplicada al sistema. En la Fig. (1.31), se muestra el
diagrama de bloque de un sistema invariante en el tiempo.
Figura 1.31: Sistema invariante en el Tiempo

1.7. PROPIEDADES DE LOS SISTEMAS 15
1.7.3. Sistemas Lineales Invariantes en el Tiempo

A los sistemas que son lineales y al mismo tiempo invariantes en el tiempo
nos referiremos a ellos como sistemas LTI (Linear Time-Invariant).
Figura 1.32: Sistema lineal invariante en el tiempo
En la Fig. (1.32), se muestra el diagrama de bloque de un sistema lineal

invariante en el tiempo.
1.7.4. Sistemas Lineales Invariantes en el Tiempo en Serie

Si dos o más sistemas están en serie uno con otro, el orden puede ser inter-
cambiado sin que se vea afectada la salida del sistema. Los sistemas en series
también son llamados como sistemas en cascada. En la Fig. (1.33), se muestra
Figura 1.33: Sistemas conectados en serie
el diagrama de bloques de sistemas LTI conectados en serie y la conexión es

conmutativa.
1.7.5. Sistemas Lineales Invariantes en el Tiempo en Pa-

ralelo
Si dos o más sistemas LTI están en paralelo con otro, un sistema equivalente
es aquel que está denido como la suma de estos sistemas individuales.
En la Fig. (1.34), se muestra el diagrama de bloques de sistemas LTI conec-
tados en paralelo.
1.7.6. Sistemas Causales

Un sistema es causal si este no depende de valores futuros de las entradas
para determinar la salida. Lo que signica que si la primera entrada es recibida
en tiempo t0 , el sistema no deberá dar ninguna salida hasta ese tiempo.
Figura 1.34: Sistemas conectados en paralelo
1.7.7. Sistemas Nocausales

Un sistema es no-causal si este depende de valores futuros de las entradas
para determinar la salida, es decir, es aquel que al detectar que viene una entrada,
da la salida antes de que la entrada llegue.
Figura 1.35: Sistema no causal
En la Fig. (1.35), se muestra las formas de onda de la entrada y salida de

un sistema no causal.
Capítulo 2
Serie de Fourier
2.1. Introducción
Las series de Fourier permiten representar una función periódica como suma-
toria de senos y cosenos, y obtener el espectro de la serie en frecuencia.
En este capítulo, se presenta las series de Fourier de señales periódicas,
las grácas del espectro de frecuencia, las condiciones de convergencia y las
propiedades de las series de Fourier. Este capítulo, se basa en las referencias [2],
[4].
2.2. Serie Trigonométrica de Fourier de Señales

Periódicas Continuas
Sea la función f (t) una función periódica de periodo T , la cual se puede
representar por la serie trigonométrica, denominada Forma Trigonométrica:
f (t) = 1
2 a0 + a1 cos ω0 t + a2 cos 2ω0 t + a3 cos 3ω0 t + . . . + b1 sen ω0 t + b2 sen 2ω0 t + b3 sen 3ω0 t + . . .
= 1 a + P∞ (a cos nω t + b sen nω t)
2 0 n=1 n 0 n 0
donde ω0 = 2πT
Una señal periódica (f (t) se puede expresar como una combinación lineal
de señales senos y cosenos. Es decir, una señal periódica de periodo T siempre
puede representarse como una serie trigonométrica. Los coecientes a0 , an y bn
constituyen un conjunto de números asociado unívocamente con la función f (t).
Cada término de la suma, an cos nω0 t + bn sen nω0 t, corresponde a una ar-
mónica de la función. Así, nω0 es el múltiplo n-ésimo de la frecuencia funda-
mental ω0 .
17
18 CAPÍTULO 2. SERIE DE FOURIER
2.2.1. Forma de Laboratorio

Considerando los coecientes de la serie de Fourier de la forma trigonométri-
ca, se tiene otra expresión de la serie de Fourier:
∞
X
f (t) = c0 + cn cos(nω0 t − θn )
n=1
donde c0 = 21 a0 , cn = 2 a2n + b2n y θn = arctan( abnn )

p
La gráca de los coecientes cn , se llama Espectro de Amplitud y es la repre-

sentación de las armónicas de la señal f (t) y la gráca de los coecientes θn , se
llama Espectro de fase.
2.2.2. Forma Exponencial Compleja

Expresando los senos y cosenos mediante las fórmulas de Euler:
1 jω0 t
sen ω0 t = (e − e−jω0 t ),
j2
1 jω0 t
cos ω0 t = (e + e−jω0 t ),
2
se tiene que la armónica n-ésima es:
fn (t) = an (ejnω0 t + e−jnω0 t ) + bn (ejnω0 t − e−jnω0 t )

2 j2
1 jnω0 t
+ 12 (an + jbn )e−jnω0 t
= 2 (an − jbn )e
Los coecientes asociados a las exponenciales se denen como:
1
Cn = 2 (an − jbn )
1
C−n = 2 (an + jbn )
con n > 0 y C0 = a0 , puesto que C0 puede escribirse como C0 ej0 , se tiene la

forma exponencial de la serie de Fourier es:
∞
X
f (t) = Cn ejnω0 t
n=−∞
Los Cn , son conocidos como los coecientes complejos de la serie de Fourier.

Las integrales empleadas para determinar los coecientes de la serie de Fou-
rier en su forma trigonométrica, an y bn , tienen su equivalente en la ecuación
de análisis de la forma compleja, dado por:
Z T
1 2
Cn = f (t)e−jnω0 t dt
T − T2
2.3. FUNCIONES ORTOGONALES 19
2.3. Funciones Ortogonales

Un conjunto de funciones φk (t) es ortogonal en un intervalo a < t < b si
para dos funciones dadas cualesquiera φm (t) y φn (t) pertenecientes al conjunto
φk (t) cumple:
Z b
0 si m 6= n
φm (t)φn (t)dt =
a rn si m = n
Ejemplo 2.1 Demostrar que el conjunto de funciones {1, cos ω0 t, cos 2ω0 t,
cos 3ω0 t, . . . , cos nω0 t, . . . , sen ω0 t, sen 2ω0 t, sen 3ω0 t, . . . , sen nω0 t, . . . ,} for-
man un conjunto de funciones ortogonales en el intervalo T2 < t < T2 .
2.4. Cálculo de los Coecientes de la serie de Fou-

rier
Los coecientes de la serie de Fourier, están dados por:
RT
a0 = T2 −2T f (t)dt
2
RT
an = T2 −2T f (t) cos(nω0 t)dt, n = 1, 2, . . . ,
2
RT
bn = T2 −2T f (t) sen(nω0 t)dt, n = 1, 2, . . . ,
2
2.5. Convergencia de las Series de Fourier

Para analizar la convergencia de las series de Fourier, se consideran las condi-
ciones de Dirichlet y el Teorema de Fourier.
2.5.1. Condiciones de Dirichlet

Las condiciones sucientes para que una función f (t) sea susceptible de ser
expandida en series de Fourier son:
1. Periódica
2. Univaluada y continua a trozos (continua menos, en un número nito de
puntos) con un número nito de máximos y mínimos.
T
3. La integral −2T |f (t)|dt debe ser convergente. Donde [− T2 , T2 ] quiere in-
R
2
dicar el intervalo de denición de una función con periodo T .
Teorema 2.1 Condiciones de Dirichlet. Si una función periódica f (t) es

seccionalmente continua y tiene derivada por la izquierda y por la derecha en
20 CAPÍTULO 2. SERIE DE FOURIER
cada punto del intervalo, entonces la serie de Fourier correspondiente es con-

vergente. Su suma es igual a f (t), excepto en un punto t0 , en el cual f (t0 ) es
discontinua, donde la serie converge al promedio de los límites desde la derecha
y desde la izquierda de f (t) en t0 .
Se formaliza las condiciones de Dirichlet en el llamado Teorema de Fourier.
Teorema 2.2 Teorema de Fourier. Sea f (t) una función en el intervalo
−π ≤ t ≤ π y denida para el resto de la recta real tal que cumpla con
f (t + 2π) = f (t). Es R π decir, f (t) es una función con R periodo 2π . Supóngase
además que existe −π f (t)dt, con lo cual C˜n = 2π 1
π π f (t)ejnt dt con n =
0, ±1, ±2, ±3, . . . y si |f (t)| está acotada
P∞ para˜ un intervalo [a, b] con −π <
a ≤ t ≤ b < π entonces: F (t) = n=−∞ C n e−jnt
es convergente al valor
F (t) = 12 (lı́m→0+ f (t + ) + lı́m→0+ f (t − )) y si f (t) es continua en t = t0
entonces F (t0 ) → f (t0 )
2.6. Propiedades de la Serie de Fourier Continua

Sean x(t) y y(t) señales periódicas con periodo T que tienen coecientes de
la serie de Fourier denotados por ak y bk , respectivamente.
Cuadro 2.1: Propiedades de la serie de Fourier

Propiedad Señal periódica Coecientes de la serie
Linealidad Ax(t) + By(t) Aak + Bbk
Desplazamiento en el tiempo x(t − t0 ) ak e−jkω0 t0
Desplazamiento en frecuencia x(t)ejM ω0 t ak−M
Conjugación x∗ (t) a∗−k
Inversión de tiempo x(−t) a−k
Escalamiento en el tiempo x(αt), α >R 0 (Periódica de periodo T
α ak
Convolución periódica T
x(τ )y(t − τ )dτ P∞ k bk
T a
Multiplicación x(t)y(t) p=−∞ ap bk−p
Diferenciación dx(t)
dt jkω0 ak
Integración x(τ )dτ , a0 = 0
Rt 1
−∞ jkω0 ak
2.6.1. Relación de Parseval para Señales Periódicas Con-

tinuas
La relación de Parseval para señales periódicas continuas, está dado por:
Z ∞
1 2
X
Pm [x(t)] = |x(t)| dt = |ak |2
T T k=−∞
Capítulo 3
La Transformada de Fourier
3.1. Introducción
En este capítulo, se presenta la generalización de las series de Fourier de
señales de tiempo continuo no periódicas y sus espectros de frecuencia. Este
capítulo, se basa en las referencias [2], [3].
3.2. La transformada de Fourier Continua

La transformada de Fourier es una transformada integral, como la transfor-
mada de Laplace. Transforma una función en el domino temporal al dominio de
la frecuencia.
La transformada de Fourier permite una transformación del tiempo al do-
minio frecuencial, aun cuando la función no sea periódica. La transformada de
Fourier, se denomina también integral de Fourier.
La transformada de Fourier permite representar en las bases de Fourier (fre-
cuencia) una señal que originalmente está representada en las bases del espacio
o tiempo.
La transformada de Fourier es una extensión de la serie de Fourier, que per-
mite expresar señales no periódicas como un integral de funciones exponenciales
complejas de la forma ejωt .
La transformada de Fourier supone que una señal no periódica es una señal
periódica con un periodo innito. Así la función no periódica, es análoga a la
representación por series de Fourier de una señal periódica.
La transformada de Fourier, también se conoce como la transformada de
Fourier de tiempo continuo.
21
22 CAPÍTULO 3. LA TRANSFORMADA DE FOURIER
3.3. Denición de la Transformada de Fourier

Supóngase que se desea encontrar la transformada de Fourier de la función
no periódica p(t) que se muestra en la Fig. (3.1). Se considera una función
periódica f (t) cuya forma en un periodo es igual a p(t), como se muestra en la
Fig. (3.2). Si se hace que el periodo T → ∞, se tiene sólo un pulso único de
ancho τ , es la misma función de la Fig. (3.1) que no cambia, porque los pulsos
adyacentes se movieron al innito. Así la función f (t) ya no es periódica. Es
decir, f (t) = p(t) a medida que T → ∞. Es ilustrativo considerar el espectro de
amplitud de f (t) para A = 10 y τ = 0,2. En la Fig. (3.3), se muestra el espectro
de amplitud para T = 1. En las Figs. (3.4) y (3.5), se muestran el efecto de
incrementar T sobre el espectro. El ejemplo fue tomada de la referencia [3]
Se observa que la forma general del espectro permanece igual, sin embargo, la
amplitud del espectro y el espacio entre las componentes adyacentes disminuyen,
en tanto que el número de armónica aumenta, las amplitudes de las armónicas
disminuyen conforme T aumenta. Como f = T1 , cuando T se incrementa, f o ω
disminuyen, de manera que el espectro discreto nalmente se vuelve continuo.
Figura 3.1: Función no periódica
Figura 3.2: Función periódica
Con la nalidad de comprender la relación entre una función periódica y su

3.3. DEFINICIÓN DE LA TRANSFORMADA DE FOURIER 23
Figura 3.3: Forma de onda y espectro de amplitud de f (t) para T = 1
Figura 3.4: Efecto de incrementar T , T = 2
Figura 3.5: Efecto de incrementar T , T = 5
contraparte periódica, considérese la forma exponencial de una serie de Fourier:

∞
(3.1)
X
f (t) = Cn ejnω0 t
n=−∞
donde Z T
1 2
Cn = f (t)e−jnω0 t dt (3.2)
T − T2
La frecuencia fundamental es:

2π
ω0 =
T
y el espacio entre las armónicas adyacentes, es:
2π
∆ω = (n + 1)ω0 − nω0 = ω0 =
T
Sustituyendo en la ecuación (3.1), se tiene:
T
f (t) =
P∞ 1R f (t)e−jnω0 t dt]ejnω0 t
n=−∞ [ T
2
− T2
=
P∞ ∆ω R T2 f (t)e−jnω0 t dt]ejnω0 t
n=−∞ [ 2π − T2
1 P∞ R T2 −jnω0 t
= 2π n=−∞ [ − T2 f (t)e dt]∆ωejnω0 t
Si se hace que T → ∞, la sumatoria se convierte en una integral, el intervalo

del incremento ∆ω se convierte en la diferencial dω , y la frecuencia armónica
discreta nω0 se convierte en la frecuencia continua ω .
Por lo que la última ecuación se convierte en:
Z ∞ hZ ∞
1 i
f (t) = f (t)e−jωt dt ejωt dω
2π −∞ −∞
El término entre corchetes se conoce como la transformada de Fourier de

f (t) y se representa como F (ω):
Z ∞
F (ω) = f (t)e−jωt dt
−∞
Denición 3.1 Transformada de Fourier. Sea la señal no periódica f (t), la

transformada de Fourier de la señal no periódica, está denida como:
Z ∞
F (ω) = [f (t)] = f (t)e−jωt dt
−∞
3.4. Las Transformadas de Fourier

La función F (ω) se conoce como integral de Fourier de f (t) y la operación
de integración se simboliza frecuentemente por el operador F ; esto es:
Z ∞
F (ω) = F [f (t)] = f (t)e−jωt dt
−∞
3.5. TRANSFORMADAS SENO Y COSENO DE FOURIER 25
Análogamente F −1 es el operador que se emplea para indicar la operación

inversa, es decir para obtener f (t) cuando F (ω) está dado; esto es:
Z ∞
1
f (t) = F −1
[F (ω)] = F (ω)ejωt dω
2π −∞
y f (t) se denomina transformada inversa de Fourier de F (ω). Las dos trans-

formadas, se conocen como par de transformadas de Fourier.
La condición para que exista F (ω) está dado por:
Z ∞
|f (t)|dt < ∞
−∞
es decir, la integral del valor absoluto de f (t) debe ser nita.
3.5. Transformadas Seno y Coseno de Fourier

3.5.1. Transformadas Seno de Fourier
Denición 3.2 Transformada seno de Fourier. Si f (t) está denida sólo
para 0 < t < −∞, la transformada seno de Fourier, está denida por:
Z ∞
Fs (ω) = Fs [f (t)] = f (t) sen(ωt)dt
0
Su transformada inversa está denida como:

Z ∞
2
f (t) = Fs−1 [Fs (ω)] = Fs (ω) sen(ωt)dω
π 0
3.5.2. Transformadas Coseno de Fourier

Denición 3.3 Transformada coseno de Fourier. Si f (t) está denida sólo
para 0 < t < −∞, la transformada coseno de Fourier, está denida por:
Z ∞
Fc (ω) = Fc [f (t)] = f (t)cos(ωt)dt
0
Su transformada inversa está denida como:
Z ∞
2
f (t) = Fc−1 [Fc (ω)] = Fc (ω)cos(ωt)dω
π 0
3.6. Propiedades de la Transformada de Fourier

Se presentan algunas propiedades de la transformada de Fourier que son
útiles para encontrar las transformadas de funciones complicadas a partir de las
transformadas de funciones simples.
Cuadro 3.1: Propiedades de la Transformada de Fourier

Propiedad Señal no periódica Transformada
Linealidad Af1 (t) + Bf2 (t) AF1 (ω) + BF2 (ω)
Escalamiento en el tiempo f (at) 1 ω
|a| F ( a )
Desplazamiento en el tiempo f (t − t0 ) e−jωt0 F (ω)
Desplazamiento en frecuencia f (t)e jω0 t
F (ω − ω0 )
Inversión de tiempo f
R∞(−t) F (−ω) = F ∗ (ω)
Convolución en t h(t) ∗ x(t) = −∞ h(τ )x(t − τ )dτ
R∞
H(ω)X(ω)
Convolución en ω h(t)x(t) = −∞ H(τ )X(ω − τ )dτ 1
2π H(ω) ∗ X(ω)
Diferenciación df (t)
jω0 F (ω)
R t dt
Integración −∞
f (t)dt F (ω)
jω + πF (0)δ(ω)
Capítulo 4
La Serie y Transformada de
Fourier de Tiempo Discreto
4.1. Introducción
En este capítulo, se presentan la serie y la transformada Fourier de tiempo
discreto. Está basada en las referencias [4], [5] y [8].
Los sistemas que trabajan con señales procedentes de un muestreo previo
están cada día más extendidos.
La transformada de Fourier de tiempo discreto, es la transformada de Fourier
de una señal muestreada no periódica.
Cuadro 4.1: Representaciones de Fourier para 4 clases de señales

Propiedad Periódica No Periódica
tiempo
Continua Serie de Fourier Transformada de Fourier
SF TF
Discreta Serie de Fourier Transformada de Fourier
de tiempo discreto de tiempo discreto
SFDT TFDT
En la tabla 4.1, se muestra la representación de Fourier para 4 clases de

señales.
4.2. Secuencias
En los sistemas de tiempo discreto, es de interés el procesamiento de señales
que son representadas por secuencias. Una señal de tiempo discreto es una se-
cuencia .
27
28CAPÍTULO 4. LA SERIE Y TRANSFORMADA DE FOURIER DE TIEMPO DISCRETO
Una secuencia de números x, en la cual el n-ésimo término de la secuencia

se denota por x[n]. La señal de tiempo discreto x[n] puede ser obtenido por
muestreo de una señal x(t) tales como:
x(t0 ), x(t1 ), x(t2 ), . . . , x(tn ), . . .
o de una manera corta:

x[0], x[1], x[2], . . . , x[n], . . .
de donde se entenderá que:

xn = x[n] = x(tn )
y las x[n] son denominadas muestras y el intervalo entre ellos se denomina

intervalo de muestreo, cuando los intervalos de muestreo son iguales (muestreo
uniforme), entonces:
x[n] = x(nTs )
donde la constante Ts es el intervalo de muestreo.
En la Fig. (4.1), se muestra la gráca de una señal de tiempo discreto.
Figura 4.1: Representación gráca de una señal de tiempo discreto
Aunque las secuencias no siempre provienen de muestrear formas de onda

analógicas, por conveniencia se reere a x[n] como la n-ésima muestra de la
secuencia.
En la Fig. (4.2), se muestran las grácas de señales de tiempo discreto:
Muestra unitaria, escalón unitario, exponencial real y senoidal.
4.2.1. Secuencias Periódicas

La secuencia x[n], será periódica si existe un número entero positivo N para
la cual, se cumple:
x[n] = x[n + N ] (4.1)

para todo n.
4.2. SECUENCIAS 29
Figura 4.2: Ejemplos de secuencias
El periodo fundamental N0 de x[n] es el menor número entero positivo N

para la cual se cumple la ecu. (4.1).
Una diferencia importante entre una señal exponencial discreta y continua es
que la señal ejω0 t son diferentes para valores diferentes de ω0 , pero la secuencia
ejΩ0 n , el cual diere en frecuencia por un múltiplo de 2π , son idénticos, es decir:
ej(Ω0 +2πk)n = ejΩ0 n ej2πkn = ejΩ0 n
Sea φk [n] = ejkΩ0 n con Ω0 = N 2π y k = 0, ±1, ±2, . . .

0
Se puede escribir:
φ0 [n] = φN0 [n], φ1 [n] = φN0 +1 [n], . . ., φk [n] = φN0 +k [n], . . .,
Y generalizando, se tiene:
φk [n] = φk+mN0 [n] con m entero.
Figura 4.3: Gráca de una secuencia periódica
En la Fig. (4.3), se muestra la gráca de una secuencia periódica de tiempo

discreto.
4.3. Operaciones con Secuencias

En el análisis de sistemas de procesamiento de señales de tiempo discreto,
las secuencias son manipuladas de varias maneras básicas.
4.3.1. Producto
El producto de dos secuencias x y y está denida como el producto de mues-
tra por muestra:
x · y = {x[n]y[n]}
4.3.2. Suma
La suma de dos secuencias x y y está denida como la suma de muestra por
muestra:
x + y = {x[n] + y[n]}
4.3.3. Multiplicación por una Constante

La multiplicación de una secuencia x por un número a está denida como:
a · x = {ax[n]}
4.3.4. Retardo
Una secuencia y se dice que está retardada o es un versión recorrida de una
secuencia x si y tiene valores:
y[n] = x[n − n0 ]
donde n0 es un entero.
4.3.5. Secuencia Arbitraria

Una secuencia arbitraria puede expresarse como una suma de muestras uni-
tarias retardadas escaladas. Por ejemplo, la secuencia x(n) de la Fig. (4.4) puede
expresarse como:
x[n] = a−3 δ[n + 3] + a1 δ[n − 1] + a2 δ[n − 2] + a7 δ[n − 7]
Una secuencia arbitraria se puede expresar como una suma de muestras

unitarias escaladas y retardadas.
De forma general, una secuencia arbitraria puede expresarse como:
∞
X
x[n] = x[k]δ[n − k]
k=−∞
4.4. SERIE DE FOURIER DE TIEMPO DISCRETO 31
Figura 4.4: Secuencia arbitraria
4.4. Serie de Fourier de Tiempo Discreto

Si x(t) es periódica de periodo T , su desarrollo en serie de Fourier, es:
∞
X
x(t) = X[k]ejkω0 t
k=−∞
donde: ω0 = 2π
T
Al igual que en tiempo continuo, una señal discreta x[n] periódica puede
representarse como una superposición de exponenciales complejas discretas con
frecuencias múltiplos de la frecuencia fundamental.
Sea x[n], una secuencia periódica de periodo fundamental N , es decir, x[n] =
x[n + N ], su representación mediante la serie de Fourier, es:
∞
X
x[n] = X[k]ejkΩ0 n
k=−∞
donde: Ω0 = 2πN
La interrogante que se tiene, es: ¾Cuántos términos se deben considerar en
la sumatoria para el caso de una secuencia periódica de periodo N ?.
Considerando la propiedad de la exponencial compleja discreta:
ejΩ0 (k+N )n = ejΩ0 kn ejΩ0 N n = ejΩ0 kn ej2πn = ejΩ0 kn
En el caso de señales discretas, las exponenciales complejas con frecuencias

distintas no siempre son diferentes y solo tiene N exponenciales complejas dis-
tintas. Por lo tanto, la serie de Fourier de una señal discreta periódica como:
X
x[n] = X[k]ejΩ0 kn
k=<N >
y los coecientes X[k] de la Serie de Fourier de tiempo discreto, son:

X
X[k] = x[n]e−jΩ0 kn
k=<N >
donde la notación k =< N > indica que k varia sobre cualesquiera N valores
consecutivos (normalmente se usan los valores de k = 0 hasta N − 1).
Con lo cual, se denen los pares de transformadas, tal como sigue:
N −1
2π
X
x[n] = X[k]ej N kn
k=0
N −1
1 X 2π
X[k] = x[n]e−j N kn
N n=0
La primera sumatoria es la Serie de Fourier de tiempo discreto inversa y la

segunda sumatoria es la Serie de Fourier de tiempo discreto.
Los espectros de frecuencia de Serie de Fourier de tiempo discreto, son:
1. |X[k]| Es el espectro de amplitud de x[n]
2. arg{X[k]} Es el espectro de fase de x[n]
La Serie de Fourier de tiempo discreto, es periódica:
N −1 N −1
X[k + N ] = 1 P −j 2π
N (k+N )n =
1 P −j 2π 2π
N kn e−j N N n
N n=0 x[n]e N n=0 x[n]e
N −1
= 1 P x[n]e−j 2πN kn = X[k]
N n=0
Donde e−j N N n = e−j2πn = cos 2πn − j sen 2πn = 1

2π
4.5. Transformada de Fourier de Tiempo Discre-

to
Sea x[n] una señal no periódica de tiempo discreto tal que ∞
P
n=−∞ |x[n]| <
∞, esto es que la secuencia x[n] es sumable absolutamente.
La secuencia x[n] puede ser representado por la integral de Fourier de la
forma:
Z π
1
x[n] = X(ejω )ejωn dω (4.2)
2π −π
donde
∞
(4.3)
X
X(ejω ) = x[n]e−jωn
n=−∞
La ecuación (4.2) se denomina ecuación de síntesis o la transformada de Fourier

inversa de tiempo discreto y la ecuación (4.3) se denomina ecuación de análisis
o transformada de Fourier de tiempo discreto.
4.5. TRANSFORMADA DE FOURIER DE TIEMPO DISCRETO 33
La Transformada de Fourier de tiempo discreto de una señal en general es

una función compleja y puede ser escrita como:
X(ejω ) = XR (ejω ) + jXI (ejω )
donde XR (ejω ) es la parte real y XI (ejω ) es la parte imaginaria de la función

X(ejω ).
La representación en forma polar, es:
jω
X(ejω ) = |X(ejω )|e∠X(e )
donde |X(ejω )| es el módulo y ∠X(ejω ) es el ángulo de fase de la función

X(ejω ). Se denomina también espectro de Fourier de X(ejω ). Así, |X(ejω )| se
llama espectro de magnitud y ∠X(ejω ) se llama espectro de fase.
Figura 4.5: Secuencia x[n] = an u[n]
Ejemplo 4.1 Sea la secuencia x[n] = an u[n], con |a| < 1, en la Fig. (4.5), se
muestra la gráca de la secuencia, la transformada de Fourier de tiempo discreto
existe y es sumable absolutamente, se tiene: [8]
∞
X ∞
X ∞
X ∞
X
|x[n]| = |an u[n]| = |an | = |a|n
n=−∞ n=−∞ n=0 n=0
Este es una serie geométrica y la sumatoria existe si |a| < 1, en ése caso, se
tiene:
∞
X 1
|a|n = < +∞
n=0
1 − |a|
De este modo, la transformada de Fourier de tiempo discreto de la secuencia

x[n] = an u[n] existe si |a| < 1. La transformada de Fourier de tiempo discreto,
es:
∞ ∞ ∞
X X X 1
X(ejω ) = x[n]e−jωn = an e−jωn = (ae−jω )n =
n=−∞ n=0 n=0
1 − ae−jω
Esta serie existe, si |ae−jω | < 1, es decir, |a| < 1.

El espectro de magnitud está dado por:

1
|X(ejω )| = p
1 − 2a cos ω + a2
1 y 1 respectivamente.
Tiene máximos y mínimos, los cuales, son: 1 − a 1+a
El espectro de fase está dado por:
a sen ω
∠X(ejω ) = − arctan
1 − a cos ω
Tiene máximos y mínimos, los cuales, son: arctan p a y − arctan p a
1 − a2 1 − a2
respectivamente.
En la Fig. (4.6), se muestra los espectros de frecuencia de la secuencia x[n] =
an u[n].
Figura 4.6: Espectros de frecuencia
4.6. Convergencia de la Transformada de Fourier

de Tiempo Discreto
La condición suciente para la convergencia .de la Transformada de Fourier
de tiempo discreto (ecuación de análisis), es que la señal, sea absolutamente
sumable, esto es:
∞
X
|x[n]| < ∞
n=−∞
o que la secuencia tenga energía nita, esto es:

∞
X
|x[n]|2 < ∞
n=−∞
4.7. PROPIEDADES DE LA TRANSFORMADA DE FOURIER DE TIEMPO DISCRETO 35
En contraste la integral nita de la ecuación de síntesis siempre converge.
4.7. Propiedades de la Transformada de Fourier

de Tiempo Discreto
Se presentan las propiedades de la transformada de Fourier de tiempo discre-
to que son útiles para encontrar las transformadas de funciones complicadas a
partir de las transformadas de funciones simples. En el cuadro (4.2), se muestra
las propiedades de la transformada de Fourier de tiempo discreto.
Cuadro 4.2: Propiedades de la Transformada de Fourier de Tiempo

Discreto
Linealidad Ax[n] + By[n] AX(ejω ) + BY (ejω )
Desplazamiento en el tiempo x[n − n0 ] e−jωn0 X(ejω )
Desplazamiento en frecuencia x[n]ejω0 n X(ej(ω−ω0 ) )
Inversión de tiempo Px[−n] X(e−jω )
Convolución ∞
x[n] ∗ y[n] = m=−∞ x[m]y[n − m] X(ejω )Y (ejω )
Multiplicación 1
X(ejω )Y (ej(ω−υ )dυ
R
x[n]y[n] 2π 2π
Primera diferencia x[n] − x[n − 1] (1 − e−jω )X(ejω )
Conjugada x∗ [n] X ∗ (e−jω )
dX(ejω )
Diferenciación en frecuencia nx[n] j
dω
4.8. La Identidad de Parseval y el Espectro de la

Densidad de Energía
La identidad de Parseval establece la correspondencia entre la energía de la
señal y la energía de su espectro:
∞ Z
X 1
|x[n]|2 = |X(ejω )|2 dω
n=−∞
2π 2π
Capítulo 5
La Transformada Discreta de
Fourier
5.1. Introducción
En este capítulo se presenta, la serie y la transformada discreta de Fourier.
Está basada en las referencias [4], [5] y [7].
5.2. De la Transformada de Fourier a la Trans-

formada Discreta de Fourier
La transformada discreta de Fourier (TDF), es una extensión de la trans-
formada de Fourier de tiempo discreto para secuencias de tiempo limitado con
una restricción adicional de que la frecuencia Ω es discretizada para un conjunto
nito de valores dado por Ω = 2πr/M , para 0 ≤ r ≤ (M − 1). El número M
de las muestras de frecuencia pueden tener cualquier valor, pero es típicamente
igual la longitud de la secuencia limitada r[k]. Si M se elige como una potencia
de 2, entonces es posible lograr una mayor eciencia en la implementación de la
TDF.
La TDF, está denido por:
N −1
para 0 ≤ r < M − 1 (5.1)
X
X[r] = x[k]e−j2πkr/M
k=0
Y la TDF inversa, está denido por:

M −1
1 X
x[k] = X[r]ej2πkr/M para 0 ≤ k < N − 1 (5.2)
M r=0
Las ecs. (5.1) y (5.2), son conocidos como las ecuaciones de la TDF de análisis
y de síntesis, respectivamente.
37
38 CAPÍTULO 5. LA TRANSFORMADA DISCRETA DE FOURIER
En las ecs. (5.1) y (5.2), la longitud de M de la TDF es mayor o igual que

la longitud N de la secuencia aperiódica x[k]. Sin perder generalidad, se asume
que M = N .
Ejemplo 5.1 Calcular la TDF de cuatro puntos de la secuencia periódica x[k]
de longitud N = 4, la cual esta denida por:


 2 k =0
3 k =1

x[k] =

 −1 k =2
1 k =3

Solución 5.1 Usando la ec. (5.1), la TDF de cuatro puntos de x[k] está dado
por:
P3 −j(2πkr/4)
X[r] = k=0 x[k]e
−j(2πr/4)
= 2+3·e − 1 · e−j(2π(2)r/4) + 1 · e−j(2π(3)r/4)
Para 0 ≤ r ≤ 3. Sustituyendo los diferentes valores de r, se obtiene:
r = 0 X[0] = 2+3−1+1=5
r = 1 X[1] = 2 + 3e−j(2π/4) − e−j(2π(2)/4) + e−j(2π(3)/4)
= = 2 + 3(−j) − 1(−1) + 1(j) = 3 − 2j
r = 2 X[2] = 2 + 3e−j(2π(2)/4) − e−j(2π(2)(2)/4) + e−j(2π(3)(2)/4)
= = 2 + 3(−1) − 1(1) + 1(−1) = −3
r = 3 X[3] = 2 + 3e−j(2π(3)/4) − e−j(2π(2)(3)/4) + e−j(2π(3)(3)/4)
= 2 + 3(j) − 1(−1) + 1(−j) = 3 + 2j
En la Fig. (5.1), se muestran los espectros de amplitud y se fase.
Figura 5.1: Espectro de frecuencia
Ejemplo 5.2 Calcular la TDF inversa de:



 5 r =0
3 − j2 r =1

X[r] =
 −3
 r =2
3 + j2 r =3

5.3. LA TRANSFORMADA DISCRETA DE FOURIER COMO UNA MATRIZ DE MULTIPLICACIÓN 39
Solución 5.2 Usando la ec. (5.2), la TDF inversa de X[r] está dado por:
x[k] = 1 P3 X[r]ej(2πkr/4)
4 r=0
= 1 [5 + (3 − j2) · ej(2πk/4) − 3 · ej(2π(2)k/4) + (3 + j2) · ej(2π(3)k/4) ]
4
Para 0 ≤ k ≤ 3. Sustituyendo los diferentes valores de k, se obtiene:
k = 0 x[0] = 1 [5 + (3 − j2) − 3 + (3 + j2)] = 2

4
k = 1 x[1] = 1 [5 + (3 − j2)ej(2π/4) − 3ej(2π(2)/4) + (3 + j2)ej(2π(3)/4) ]
4
= 1 [5 + (3 − j2)j − 3(−1) + (3 + j2)(−j)] = 3
4
k = 2 x[2] = 1 [5 + (3 − j2)ej(2π(2)/4) − 3e−j(2π(2)(2)/4) + (3 + j2)ej(2π(3)(2)/4)
4
= 1 [5 + (3 − j2)(−1) − 3(1) + (3 + j2)(−1)] = −1
4
k = 3 x[3] = 1 [5 + (3 − j2)ej(2π(3)/4) − 3e−j(2π(2)(3)/4) + (3 + j2)e−j(2π(3)(3)/4)
4
= 1 [5 + (3 − j2)(−j) − 3(−1) + (3 + j2)(j)] = 1
4
5.3. La Transformada Discreta de Fourier como

una Matriz de Multiplicación
Los cálculos se pueden expresar en forma matricial:
X[0] = x[0] + x[1] + x[2] + . . . + x[N − 1]

2π 4π 2(N −1)π
X[1] = x[0] + x[1]e−j N + x[2]e−j N + . . . + x[N − 1]e−j N
4π 8π 4(N −1)π
X[2] = x[0] + x[1]e−j N + x[2]e−j N + . . . + x[N − 1]e−j N
..
.
2(N −1)π 4(N −1)π 2(N −1)(N −1)π
X[N − 1] = x[0] + x[1]e−j N + x[2]e−j N + . . . + x[N − 1]e−j N
En un formato matricial, se tiene:

 

X[0]
 1 1 1 ... 1 x[0]

2π 4π 2(N −1)π
 X[1]   1 e−j N e−j N ... e−j N

x[1] 
   4π 8π 4(N −1)π
 
X[2]   1 e−j N e−j N ... e−j N x[2]

=
 
.. ..

. .. .. .. ..
 
 ..
  
. . . . . .
 
   
 
X[N − 1] 1 e−j
2(N −1)π
N e−j
4(N −1)π
N . . . e−j
2(N −1)(N −1)π
N
x[N − 1]
Los coecientes X[r] de la TDF se puedes obtener multiplicando por la izquierda

el vector de secuencias x[k] por la matriz F .
Similarmente la expresión de la Transformada Discreta de Fourier inversa,
se obtiene:
 

x[0]
 1 1 1 ... 1 X[0]

2π 4π 2(N −1)π
 x[1]  
 1 ej N ej N ... ej N

 X[1] 

x[2]
 1 
1
4π
ej N
8π
ej N ...
4(N −1)π
ej N

X[2]

=
  
.. ..
 
 N  .. .. .. .. ..
  
.  . . . . . .
  
   
x[N − 1] 1 ej
2(N −1)π
N ej
4(N −1)π
N . . . ej
2(N −1)(N −1)π
N
X[N − 1]
El cual implica que las secuencias de tiempo discreto pueden ser obtenidas al
multiplicar por la izquierda el vector de coecientes X[r] de la TDF por la
matriz F −1 .
Ejemplo 5.3 Calcular la TDF inversa de X[r] del ejemplo (5.1).

 
5
 3 − j2 
Solución 5.3 Los coecientes de la TDF, vector X , es: X =   −3 .

3 + j2
Usando la expresión matricial, la secuencia x[k], se tiene:
1 1 1 1
    
x[0] X[0]
2π 4π 6π
 x[1]  1  1 ej N ej N ej N   X[1] 
 x[2]  = 4  4π 8π 12π
    
1 ej N ej N ej N   X[2] 
6π 12π 18π
x[3] 1 ej N ej N ej N X[3]
1 1 1 1
      
5 8 2
j 2π 4π 6π
1 1 e 4 ej 4 ej 4   3 − j2  1 
= 1
12   3 
=  4π 8π 12π
  −3  = 4 
   
4  1 ej 4 ej 4 ej 4 −4  4 −1 
6π
j 12π j 18π 3 + j2 4 1
1 ej 4 e 4 e 4
Son las mismas muestran obtenidas por el calculo simple.
Ejemplo 5.4 Calcular la TDF de la secuencia x[n] = n + 1 para 0 ≤ n ≤ 7,

N = 8. En el cuadro 5.1, se muestran los valores de la secuencia.
Cuadro 5.1: Valores de la secuencia x[n]
n 0 1 2 3 4 5 6 7
x[n] 1 2 3 4 5 6 7 8
5.3. LA TRANSFORMADA DISCRETA DE FOURIER COMO UNA MATRIZ DE MULTIPLICACIÓN 41
Solución 5.4
 

X[0]
 1 1 1 1 1 1 1 1 x[0]

2π 4π 6π 8π 10π 12π 14π
 X[1]   1 e−j N e−j N e−j N e−j N e−j N e−j N e−j N 
x[1] 
  4π 8π 12π 16π 20π 24π 28π

1 e−j N e−j N e−j N e−j N e−j N e−j N e−j N
 
X[2]   x[2]
  
  6π 12π 18π 24π 30π 36π 42π

1 e−j N e−j N e−j N e−j N e−j N e−j N e−j N
 
X[3]   x[3]
  
 = 8π 16π 24π 32π 40π 48π 56π
 
X[4]   1 e−j N e−j N e−j N e−j N e−j N e−j N e−j N x[4]
  
   10π 20π 30π 40π 50π 60π 70π
 
X[5]   1 e−j N e−j N e−j N e−j N e−j N e−j N e−j N x[5]
  
    
X[6]   12π
1 e−j N
24π
e−j N
36π
e−j N
48π
e−j N
60π
e−j N
72π
e−j N
84π
e−j N x[6]
  
 
X[7] 14π
1 e−j N
28π
e−j N
42π
e−j N
56π
e−j N
70π
e−j N
84π
e−j N
98π
e−j N x[7]
Para N = 8, se tiene:
 

X[0]
 1 1 1 1 1 1 1 1 x[0]

2π
−j 4π −j 6π −j 8π −j 10π −j 12π −j 14π
 X[1]   1 e−j 8 e 8 e 8 e 8 e 8 e 8 e 8 
x[1] 
  4π 8π 12π 16π 20π 24π 28π

1 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8
 
X[2]   x[2]
  
  6π 12π 18π 24π 30π 36π 42π

1 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8
 
X[3]   x[3]
  
 = 8π 16π 24π 32π 40π 48π 56π
 
X[4]   1 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 x[4]
  
   10π 20π 30π 40π 50π 60π 70π
 
X[5]   1 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 e−j 8 x[5]
  
    
X[6]   12π
1 e−j 8
24π
e−j 8
36π
e−j 8
48π
e−j 8
60π
e−j 8
72π
e−j 8
84π
e−j 8 x[6]
  
 
X[7] 14π
1 e−j 8
28π
e−j 8
42π
e−j 8
56π
e−j 8
70π
e−j 8
84π
e−j 8
98π
e−j 8 x[7]
Evaluando los exponenciales, se tiene:

 

X[0]
 1 √
1 √ 1 √
1 √ 1 √
1 √ 1 √
1 √ x[0]

2 2
 X[1]   1 2 −j 2 −j − 2 − j 22
2
−1 − 2 + j 22
2
j 2
2 +j 2
2 
x[1] 
  
1 −j √ −1 j √ 1 −j √ −1 j √
 
X[2]   x[2]

√ √ √ √
 
  
1 − 22 − j 22 2
j 22 2
j 22 −j − 22 + j 22
 
X[3]   j − −1 + x[3]
  
 = 2 2  
X[4]   1 −1 √ 1 −1 √ 1 −1 √ 1 −1 √ x[4]
  
  √ √ √ √
  
X[5]   1 − 2 + j 22
2 2 2 2 2
j − 2 − j 22
2 x[5]


   −j 2 +j 2 −1 2 −j 2
 

X[6]   x[6]

  1 √
j √ −1 √
−j √ 1 √
j √ −1 √
−j √  
X[7] 2
j 22 j − 22 + j 22 −1 − 22 − j 22 −j 2 2 x[7]
1 2 + 2 −j 2
Realizando la multiplicación, se tiene:

   
X[0] 36

 X[1]  
  −4 − j9,65 


 X[2]  
  −4 − j4 


 X[3]  
= −4 − j1,65 


 X[4]  
  −4 


 X[5]  
  −4 + j1,65 

 X[6]   −4 + j4 
X[7] −4 + j9,65
El número de multiplicaciones es N 2 . El método matricial empleado en la

práctica es ejecutado por un computador, cuando N es muy grande como en
señales de video y audio digitales N ≈ 106 , se debe realiza 1012 multiplicaciones

aproximadamente entonces los cálculos resultan muy tediosos, requieren mucha
memoria y mucho tiempo.
Observación 5.1 El cálculo de la transformada discreta de Fourier, esta dado

por:
X[k] = x[0]WN0 +x[1]WNk +x[2]WN2k +. . .+x[N −1]WN

k(N −1)
, k = 0, 1, 2 . . . , N − 1
donde: WNkn = e−j N kn

2π
Desarrollando para los N valores posibles de k se obtiene una matriz de

tamaño natural N × N . EL número de operaciones necesarias para realizar la
transformación de datos mediante este algoritmo, se tiene que el número de
sumas complejas son (N − 1)N y las multiplicaciones complejas asciende a N 2 .
Está claro que la cantidad de operaciones es alta y requiere un enorme esfuerzo
computacional.
El cálculo directo de la TDF no es eciente debido a que no explota las
propiedades de simetría y periodicidad del factor WNkn .
5.4. Propiedades de la Transformada Discreta de

Fourier
Se presenta las propiedades de la Transformada Discreta de Fourier de M-
puntos. La longitud de la secuencia discreta se asume que será N < M
Cuadro 5.2: Propiedades de la Transformada Discreta de Fourier

Linealidad Ax[k] + By[k] AX[r] + BY [r]
Desplazamiento en el tiempo x[k − k0 ] e−j2πk0 r/M X[r]
Desplazamiento en frecuencia x[n]ejω0 n X(ej(ω−ω0 ) )
Inversión de tiempo Px[−n] X(e−jω )
Convolución ∞
x[n] ∗ y[n] = m=−∞ x[m]y[n − m] X(ejω )Y (ejω )
Multiplicación 1 jω j(ω−υ
R
x[n]y[n] 2π 2π X(e )Y (e )dυ
Primera diferencia x[n] − x[n − 1] (1 − e−jω
)X(ejω )
Conjugada x∗ [n] X ∗ (e−jω )
dX(ejω )
Diferenciación en frecuencia nx[n] j
dω
5.5. TEOREMA DE PARSEVAL 43
5.5. Teorema de Parseval

La identidad de Parseval establece la correspondencia entre la energía de la
señal y la energía de su espectro:
N −1 M −1
X 1 X
Ex = |x[k]|2 = |X[r])|2
M
k=0 k=0
Capítulo 6
La Transformada Rápida de
Fourier
6.1. Introducción
En este capítulo, se presentan los métodos de la transformada rápida de
Fourier. Está basada en las referencias [4], [5], [7] y [8].
6.2. Reseña Histórica

La Transformada Rápida de Fourier, (TRF), (FFT Fast Fourier Transform,
en inglés) es un algoritmo extremadamente rápido para calcular la Transforma-
da Discreta de Fourier, (TDF), (DFT Discrete Fourier Transform, en inglés),
ambos son métodos que en la práctica ejecuta un computador sobre datos dis-
cretos. Cuando se presentan señales en el tiempo de larga duración, a menudo,
se hace inviable ejecutar la TDF, por esto fue necesaria la creación de la TRF,
originalmente fue descubierta por Gauss (1805), fue redescubierta por J. W.
Cooley y O. W. Tukey en la IBM durante 1960, siendo jefe del departamento
de Ingeniería de la Universidad de Rice University, C.S. Burrus, desarrollo los
algoritmos de la Transformada Discreta de Fourier rápida.
Existen 2 tipos de algoritmos para calcular la TRF: Diezmado1 en el tiempo
y diezmado en la frecuencia. El algoritmo busca reducir el número de multiplica-
ciones efectuadas en la TDF, reduciendo el número de cálculos para N datos de
2N 2 a 2N log2 N , donde N debe ser una potencia de 2. La transformada rápida
de Fourier, no es una aproximación de la transformada discreta de Fourier, es
simplemente, un algoritmo rápido para la evaluación numérica de la transforma-
da discreta de Fourier. La diferencia de velocidad de cálculo entre la tradicional
TDF y la TRT, aumenta según aumenta el número de muestras a analizar, según
se puede apreciar en la gráca de la Fig. (6.1), ya que mientras la TDF aumenta
1 Del inglés decimation, también se traduce como decimación
45
46 CAPÍTULO 6. LA TRANSFORMADA RÁPIDA DE FOURIER
el número de operaciones necesarias para la resolución de forma exponencial, la

TRF lo hace de forma prácticamente lineal.
En la Fig. (6.1), se muestra la gráca los tiempos de cálculo de la TDF y la
TRF.
Lo que se consigue con el algoritmo TRF, es simplicar enormemente el cál-
culo de la TDF introduciendo .atajos"matemáticos, para reducir drásticamente
el número de operaciones.
Figura 6.1: Tiempos de computación
6.3. Deducción del Algoritmo TRF de Cooley-

Tukey
El algoritmo de Cooley-Turkey, se denomina también como algoritmo radix-
2, se asume que N es potencia de 2 de ahí su denominación.
Este algoritmo tiene dos formas basadas sobre la aplicación en el dominio
del tiempo o frecuencia. Cuando se aplica en el dominio del tiempo el algoritmo
se denomina TRF diezmado en tiempo (DET) y cuando se aplica en el dominio
de la frecuencia el algoritmo se denomina TRF diezmado en frecuencia (DEF).
6.4. Decimación en Tiempo

Considerando la TDF para una señal dada polinomialmente como:
N
X −1
X[k] = x[n]WNkn
n=0

2π
Asumiendo que el número de datos N es par, se descompone la sumatoria

6.4. DECIMACIÓN EN TIEMPO 47
en sus términos pares e impares:

N/2−1 N/2−1
k·(2n+1)
x[2n]WNk·2n +
P P
X[k] = x[2n + 1]WN
n=0 n=0
N/2−1 N/2−1
x[2n]WNk·2n + WNk + 1]WNk·2n
P P
= x[2n
n=0 n=0
Sea x[2n] = f [n] y x[2n + 1] = g[n], donde el n ∈ [0, N/2 − 1], se puede expresar
2π
que WNk·2n = e−j N k·2n = e−j N/2 k·n = WN/2 y se dene a:
2π
k·n
N/2−1
k·n
P
F [k] = f [n]WN/2
n=0
N/2−1
k·n
P
G[k] = g[n]WN/2
n=0
Ahora F [k] y G[k] son también periódicas de periodo N

2:
N/2−1 N/2−1
2π
(k+N/2)·n kn −j N/2 (N/2)·n
X X
F [k + N/2] = f [n]WN/2 = f [n]WN/2 e = F [k]
n=0 n=0
Análogamente para G[k], con N/2 como periodo mínimo. Entonces el problema
de calcular la TDF para N datos se redujo ahora a calcular 2 TDF para N/2
datos cada una. Nuevamente se asume que N/2 es par y ahora para F [k], se
tiene:
N/2−1 N/4−1 N/4−1
P k·n
P k·2n
P k·(2n+1)
F [k] = f [n]WN/2 = f [2n]WN/2 + f [2n + 1]WN/2
n=0 n=0 n=0
N/4−1 N/4−1
k·2n k k·2n
P P
= ff [n]WN/2 + WN/2 gf [n]WN/2
n=0 n=0
para n ∈ [0, N/4 − 1]

Donde ff , gf son lo mismo para f [n] que para x[n].
De igual forma para g[n]:
N/2−1 N/4−1 N/2−1
P k·n
P k·2n
P k·(2n+1)
G[k] = g[n]WN/2 = g[2n]WN/2 + g[2n + 1]WN/2
n=0 n=0 n=0
N/4−1 N/4−1
k·2n k k·2n
P P
= gf [n]WN/2 + WN/2 gg [n]WN/2
n=0 n=0
para n ∈ [0, N/4 − 1]

Es decir que ahora sobre f [n] y g[n] se realizan 4 TDF de longitud N/4.
Entonces se puede hacer múltiples divisiones del intervalo [0, N − 1] mientras se
pueda dividir N entre 2.
Ahora generalizando el método: sea x un vector de datos, de longitud N =
2m . Entonces sobre el intervalo [0, N − 1] se puede realizar m particiones hasta
Figura 6.2: Operación mariposa
llegar a un TDF de longitud 2, esta es la unidad básica de la TRF conocida

como operación mariposa (o buttery en inglés) en donde solo se necesita una
multiplicación y dos sumas complejas.
En la Fig. (6.2), se muestra la operación mariposa: Toma dos números com-
plejos, representados por a y b, y forma las cantidades mostrada. Cada operación
mariposa requiere una multiplicación compleja y dos sumas complejas. Este al-
goritmo, se denomina también como radix-2.
Figura 6.3: Gráco del ujo de señal de la TRF, decimación en tiempo, N = 8

puntos
En la Fig. (6.3), se muestra la gráca del ujo de señal del algoritmo de la

TRF radix-2, decimación en tiempo. Se nota que la entrada está desordenada y
la salida está ordenada.
También hay otros algoritmos, tales como: radix-4, radix-8 y radix-16. Cuan-
do se usa la descomposición Radix-4, la TRF consta de etapas de log4 (N ), cada
etapa contiene N/4 operaciones libélulas. Los algoritmos más empleados son el
radix-2 y el radix-4 para ser implementados en hardware.
6.4.1. Ejemplo del Algoritmo TRF

Se aplica el algoritmo de Cooley-Tukey, al cálculo de la TRF de la secuencia
para N = 4
6.4. DECIMACIÓN EN TIEMPO 49
Ejemplo 6.1 Calcular la TRF de la secuencia x[n] = n + 1 con N = 4, 0 ≤

n ≤ 3. Los valores de la secuencia se muestran en el cuadro (6.1).
Cuadro 6.1: Valores de la secuencia x[n]
n 0 1 2 3
x[n] 1 2 3 4
Solución 6.1 Hay que observar que el factor:

2π
W4kn = e−j 4 kn = (−j)kn
La TRF para un k, se tiene:

3
X
X[k] = x[n]W4kn
n=0
Desarrollando, se tiene:
X[k] = x[0] + x[1](−j)k + x[2](−j)2k + x[3](−j)3k
= x[0] + x[1](−j)k + x[2](−1)k + x[3](−1)k (−j)k
Agrupando en términos pares e impares, se tiene:

X[k] = (x[0] + x[2](−1)k ) + (x[1](−j)k + x[3](−1)k (−j)k )
= (x[0] + x[2](−1)k ) + (x[1](−j)k + x[3](−1)k (−j)k )
= (x[0] + x[2](−1)k ) + (x[1] + x[3](−1)k )(−j)k
= (x[2 · 0] + x[2 · 1](−1)k ) + (x[2 · 0 + 1] + x[2 · 1 + 1](−1)k )(−j)k
Sea ahora: xpar [r] = x[2r], ximpar [r] = x[2r + 1]; r = 0, 1

El valor de (−1)k solo depende de si k es par o impar, se tiene:
Xpar [r] = (xpar [0] + xpar [1](−1)r )
Ximpar [r] = (ximpar [0] + ximpar [1](−1)r )

Como: x[0] = 1, x[1] = 2, x[2] = 3, x[3] = 4. Empleando la agrupación par
e impar, se tiene:
Xpar [0] = 4
Xpar [1] = −2
Ximpar [0] = 6
Ximpar [1] = −2
Entonces, las secuencias de la TRF, se tienen
X[0] = Xpar [0] + Ximpar [0](1) = 10

X[1] = Xpar [1] + Ximpar [1](−j) = −2 + 2j
X[2] = Xpar [0] + Ximpar [0](−1) = −2
X[3] = Xpar [1] + Ximpar [1](j) = −2 − 2j
Se puede vericar los resultados mediante el desarrollo de la sumatoria.
Desarrollando para k = 0, 1, 2, 3, se tiene:
X[0] = (x[0] + x[2](−1)0 ) + (x[1] + x[3](−1)0 )(−j)0 = 10
X[1] = (x[0] + x[2](−1)1 ) + (x[1] + x[3](−1)1 )(−j)1 = −2 + 2j
X[2] = (x[0] + x[2](−1)2 ) + (x[1] + x[3](−1)2 )(−j)2 = −2
X[3] = (x[0] + x[2](−1)3 ) + (x[1] + x[3](−1)3 )(−j)3 = −2 − 2j
También, se puede vericar los resultados, considerando la matriz de Fourier,

W , se tiene:
1 1 1 1 1 1 1 1
     
1 1 1 1
 1 e−j 2π
4 1·1 e−j
2π
4 2·1 e−j
2π
4 3·1   1 e−j 2π
4 e−j
4π
4 e−j
6π
4   1 −j −1 j 
W = −j 2π 2π 2π
=
  1 e−j 4π 8π 12π
= 
 1 e 4 1·2 e−j 4 2·2 e−j 4 3·2 4 e−j 4 e−j 4   1 −1 1 −1 
2π 2π 2π
−j 6π 12π 18π
1 j −1 −j
1 e−j 4 1·3 e−j 4 2·3 e−j 4 3·3 1 e 4 e−j 4 e−j 4
X = Wx
      
X[0] 1 1 1 1 1 10
 X[1]   1 −j −1 j   2   −2 + 2j 
 X[2]  =  1 −1 1 −1  
    = 
3   −2 
X[3] 1 j −1 −j 4 −2 − 2j
Aparentemente, el método matricial parece elegante, pero tiene el problema de
que requiere mucho esfuerzo computacional.
6.5. Decimación en Frecuencia

Considerando la TDF para una señal dada polinomialmente como:
N
X −1
X[k] = x[n]WNkn
n=0

2π
Asumiendo que N es par, la sumatoria se descompone en:

N
N −1 2−1 N −1
X X X
X[k] = x[n]WNkn = x[n]WNkn + x[n]WNkn
n=0 n=0 n= N
2
6.5. DECIMACIÓN EN FRECUENCIA 51
Si se reemplaza n = n + N
2 en la segunda sumatoria, se tiene:
N
−1
2
X N k(n+ N
2 )
x[n + ]WN
n=0
2
Simplicando la expresión, se tiene:

N N
N −1 −1
2 −1
2
X X kN
X N
X[k] = x[n]WNkn = x[n]WNkn + WN 2 x[n + ]WNkn
n=0 n=0 n=0
2
kN
Como WN 2 = e−j N k 2 = (e−jπ )k = (cos π − j sen π)k = (−1)k , la nueva
2π N
expresión para la TDF, es:

N
N −1 −1
2
X X N kn
X[k] = x[n]WNkn = x[n] + (−1)k x[n + ] WN
n=0 n=0
2
Considerando que (−1) = 1 si k es par y (−1)k = −1 si k es impar, la sumatoria

k
se puede separar en sumatorias pares e impares:

N
−1
2
N kn
] WN si k es par
X
X[k] = x[n] + x[n +
n=0
2
N
−1
2
N kn
] WN si k es impar
X
X[k] = x[n] − x[n +
n=0
2
Si se reemplaza k = 2k para los pares y k = 2k + 1 para los impares, se tiene:
N
N −1 −1
2
X X N 2kn
X[2k] = x[n]WNkn = x[n] + x[n + ] WN
n=0 n=0
2
N
N −1 −1
2
X X N (2k+1)n
X[2k + 1] = x[n]WNkn = x[n] − x[n + ] WN
n=0 n=0
2
Para k = 0, 1, 2, 3, . . . , N2 − 1.
Con la nalidad de facilitar la escritura, se realiza un cambio de variables:
N
a[n] = x[n] + x[n + ]
2
N
b[n] = x[n] − x[n + ]
2
La ecuaciones recurrentes, son:
N
−1
2
X
kn
X[2k] = a[n]W N
2
n=0
N
−1
2
X
kn
X[2k + 1] = b[n]W N WNn
2
n=0
En la Fig. (6.4), se muestra la gráca del ujo de señal del algoritmo de la

TRF radix-2, decimación en frecuencia. Se nota que la entrada está ordenada y
la salida está desordenada.
Figura 6.4: Gráco del ujo de señal de la TRF, decimación en frecuencia, N = 8

puntos.
Capítulo 7
La Transformada Z
7.1. Introducción
En este capítulo, se presenta la transformada Z de una señal discreta y su
inversa. Se tratan dos tipos de transformada Z : Bilateral y Unilateral. Está
basada en las referencias [4], [5], [6], [7] y [8].
La Transformada Z así como la Transformada Discreta de Fourier se aplica
a señales de tiempo discreto, y las Transformadas de Fourier y Laplace se aplica
el caso de señales de tiempo continuo.
La importancia de la Transformada Z radica en que permite reducir las
Ecuaciones en Diferencias que son ecuaciones recursivas con coecientes cons-
tantes a Ecuaciones Algebraicas Lineales.
7.2. Denición de la Transformada Z Bilateral

La transformada Z bilateral de una señal de tiempo discreto, x[n], se dene
como:
∞
X
X(z) = Z[x[n]] = x[n]z −n
n=−∞
donde z es una variable compleja.

La transformada Z bilateral, se utiliza para analizar tanto sistemas lineales
invariantes de tiempo discreto (LITD) causales y no causales sistemas.
7.3. Denición de la Transformada Z Unilateral

La transformada Z unilateral de una señal de tiempo discreto, x[n], se dene
como: ∞X
X(z) = Z[x[n]] = x[n]z −n
k=0
53
54 CAPÍTULO 7. LA TRANSFORMADA Z
donde z es una variable compleja.
7.4. Criterio de convergencia

Como la transformada Z es una serie innita de potencias, ésta existe solo
para los valores de z en que la serie converge. La región de convergencia (ROC,
region of convergence) de X(z) es entonces el conjunto de valores de z para los
que X(z) es nita.
La región de convergencia de la transformada Z bilateral, es el anillo:
A(r1 , r2 ) = {z : r1 < |z| < r2 }
En el caso de la transformada Z unilateral, la región de convergencia es una

bola con centro ∞ y radio r:
A(r1 , r2 ) = B(∞, r)
La transformada Z unilateral, se utiliza para analizar sistemas causales, sim-

plica el análisis de sistema LITD. Es una simplicación de la transformada Z
bilateral.
Para señales y sistemas causales, las transformadas unilateral y bilateral son
los mismos.
7.5. Transformada Z de Funciones Elementales

A continuación se presenta la transformada Z de varia funciones elementales.
Ejemplo 7.1 Determine la transformada Z de:

1 n
x[n] = u[n]
2
Solución 7.1
∞ ∞ n ∞ n
X X 1 X 1
X(z) = x[n]z −n = z −n = z −1
n=−∞ n=0
2 n=0
2
que converge si | 12 z −1 | < 1, entonces |z| > 12 , a:

1
X(z) =
1
1 − z −1
2
Ejemplo 7.2 Hallar la transformada Z de la secuencia x[n] = anT cos(nT ω)u[nT ].

7.5. TRANSFORMADA Z DE FUNCIONES ELEMENTALES 55
Solución 7.2
∞
X[z]

= Z x[n] =
P
anT e
jnT ω
+ e−jnT ω z −n
n=0
2
∞ ∞
= 1 P aT ejT ω z −1 n + 1 P aT e−jT ω z −1 n
2 n=0 2 n=0
= 1 1 1 1 1 − aT z −1 cos T ω
2 1 − aT ejT ω z −1 + 2 1 − aT e−jT ω z −1 = 1 − 2aT z −1 cos T ω + a2T z −2
La región de convergencia, está por las relaciones:
|aT ejT ω z −1 < 1| o |z| > |aT |
|aT e−jT ω z −1 < 1| o |z| > |aT |

Por tanto, la región de convergencia ROC (del inglés Region of Convergence),
es: |z| > |aT |.
7.5.1. Función Escalón Unitario Muestreado

La función escalón unitario , está denido por:

1 n≥0
u[n] =
0 n<0
La transformada Z de la función escalón unitario, es:

∞
1z −k = 1 + z −1 + z −2 + z −3 + . . .
P
U [z] = Z u[n] =
k=0
= 1
1 − z −1
= z
z−1
La serie converge, si |z| > 1.
7.5.2. Función Impulso Unitario Muestreado

La función impulso unitario muestreada, está denido por:

1 n=0
δ[n] =
0 n 6= 0
La transformada Z de la función impulso unitario muestreado, es:

∞
δ[n]z −k = 1
P
Z δ[n] =
k=0
ROC: todo el plano z .

7.5.3. Función Rampa Unitaria Muestreada

La función rampa unitaria, está denido por:

nT n≥0
r[n] =
0 n<0
donde: T es el periodo de muestreo.
La transformada Z de la función rampa unitaria, es:
∞ ∞
r[kT ]z −k = T kz −k = T (z −1 + 2z −2 + 3z −3 + 4z −4 + . . .)
P P
R[z] = Z r[n] =
k=0 k=0
= T z −1
(1 − z −1 )2
= Tz
(z − 1)2
ROC: |z| > 1
Los resultados, se basan en los resultados de las dos series famosas que se
presentan en el apéndice A.
7.5.4. Función Polinomial Muestreada

La función polinomial, está denido por:
an

n = 0, 1, 2, . . .
x[n] =
0 n<0
La transformada Z de la función polinomial, es:
∞ ∞
x[k]z −k = ak z −k = 1 + az −1 + a2 z −2 + a3 z −3 + . . .
P P
X[z] = Z r[n] =
k=0 k=0
= 1
1 − az −1
= z− z
a
ROC: |z| > |a|.
7.5.5. Función Exponencial Muestreada

La función exponencial, está denido por:
e−anT

n = 0, 1, 2, 3, . . .
x[n] =
0 n<0
La transformada Z de la función exponencial, es:
∞ ∞
x[k]z −k = e−akT z −k
P P
X[z] = Z x[n] =
k=0 k=0
= 1 + e−aT z −1 + e−2aT z −2 + e−3aT z −3 + . . .
= 1
1 − e−aT z −1
= z
z − e−aT
ROC: |z| > |e−aT |
7.6. PROPIEDADES DE LA TRANSFORMADA Z 57
7.5.6. Función Senoidal Muestreada

La función senoidal, está denida por:

sen(ωnT ) n = 0, 1, 2, 3, . . .
x[n] =
0 n<0
La transformada Z de la función senoidal, es:
∞
X[z] = Z −1 x[n] =
P ejnT ω − e−jnT ω z −n
n=0
2j
∞ ∞
= 1 P aT ejT ω z −1 n − 1 P e−jT ω z −1 n
2j n=0 2j n=0
1 1 1 1 z −1 sen T ω
= 2j 1 − ejT ω z −1 − 2j 1 − e−jT ω z −1 = 1 − 2z −1 cos T ω + z −2
ROC: |z| > |1|
7.6. Propiedades de la Transformada Z
Cuadro 7.1: Propiedades de la Transformada Z

Propiedad Secuencia Transformada ROC
Linealidad Ax[n] + By[n] AX(z) + BY (z) ROCx ∩ ROCy
Desplazamiento en el tiempo x[n − n0 ] z −n0 X(z) ROCx excepto en el origen
Multiplicación por secuencia exponencial n
z0 x[n] X(z/z0 ) |z0 |ROCx
dX(z)
Derivación de X(z) nx[n] −z
dz
ROCx
Conjugación de una secuencia compleja x∗ [n] X ∗ (z ∗ ) ROCx
Inversión de tiempo x∗ [−n] X ∗ (1/z ∗ ) ROC = 1/ROCx
Convolución de secuencias x[n] ∗ y[n] X(z)Y (z) ROCx ∩ ROCy
Todas las propiedades de la transformada Z pueden ser utilizadas en la

transformada Z unilateral, excepto la propiedad de desplazamiento.
7.7. La Transformada Z Inversa

La transformada inversa Z , permite volver a la representación en el dominio
temporal. La recuperación de la señal continua original a partir de las muestras
no es posible con total exactitud (no unicidad). Si el periodo de muestreo ha
sido elegido adecuadamente, la incertidumbre es menor.
Los métodos para hallar la transformada inversa Z , son:
1. Tabla de transformadas (Método por inspección)
2. Método de la expansión en series de potencias (Método de la división
directa)
3. Método de la expansión en fracciones parciales

4. Método de la Fórmula de inversión (Método del teorema del residuo)
7.7.1. Método de la Expansión en Series de Potencias

La transformada Z inversa en forma operacional está dada por:
f [nT ] = Z −1 F (z)

Si F (z) corresponde a una señal causal, entonces la señal puede ser hallada por
división del numerador entre el denominador para generar una serie de potencias
de z −1 y reconociendo que f [nT ] es el coeciente de z −n .
bm xm + bm−1 xm−1 + bm−2 xm−2 + . . . + b1 x + b0
F (z) =
an xn + an−1 xn−1 + an−2 xn−2 + . . . + a1 x + a0
m ≤ n para sistemas causales.
Ejemplo 7.3 Hallar la transformada Z inversa de F (z) = 10z

(z − 1)(z − 2)
.
Solución 7.3 La función F (z) = 10z

(z − 1)(z − 2)
se puede expresar como: F (z) =
10z .
(z 2 − 3z + 2)
Realizando la división, se tiene: F (z) = 10z −1 +30z −2 +70z −3 +150z −4 +. . ..
Pero, F (z) = f [0]z 0 + f [1]z −1 + f [2]z −2 + f [3]z −3 + f [4]z −4 + . . .
Por comparación, se tiene:
f [0] = 0
f [1] = 10
f [2] = 30
f [3] = 70
f [4] = 150
7.7.2. Método de la Expansión en Fracciones Parciales

Si F (z) es una función racional de z y analítica hasta el innito, puede ser
expresado como:
F (z) = F1 (z) + F2 (z) + F3 (z) + F4 (z) + . . .
y además:
f [n] = Z −1 F1 (z) + Z −1 F2 (z) + Z −1 F3 (z) + Z −1 F4 (z) + . . .

Para una expansión de la forma:

F1 (z) A1 A2 An
F (z) = = + + ... +
(z − p)n z − p (z − p)2 (z − p)n
7.7. LA TRANSFORMADA Z INVERSA 59
Las constantes Ai , están dadas por:

An = (z − p)n F (z)

h z=pi
An−1 = d (z − p)n F (z)
dz z=p
..
.
1 dk (z − p)n F (z)
h i
An−k =
k! dz k
z=p
..
.
dn−1 (z − p)n F (z)
h i
A1 = 1
(n − 1)! dz n−1
z=p
Ejemplo 7.4 Sea

1 + 2z −1 + z −2 z 2 + 2z + 1 7 23
F (z) = = = 1 + z −1 + z −2 + . . .
3 −1 1 −2 2 3 1 2 4
1− z + z z − z+
2 2 2 2
con |z| > 1
Solución 7.4 Por otra parte:
7 1
z+
F (z) = 1 + 2 2
1
(z − 1) z −
2
De la cual se determinan, A y B :
7 2
(z − 1) z +
A= 2 2
1
=8
(z − 1) z − z=1
2
y 1 7 2
z− z+ 9
B= 2 2 2 =−
1
2
(z − 1) z −
1
z= 2
2
entonces:
8 9 1 8z 9 z
F (z) = 1 + − = 1 + z −1 − z −1
z−1 2 1 z−1 2 1
z− z−
2 2
La transformada Z inversa, es:
9 1 n−1
f [nT ] = δ[nT ] + 8u[nT − T ] − u[nT − T ]
2 2
con |z| > 1.
7.7.3. Método de la Fórmula de Inversión

También se conoce como método del teorema del residuo. Si F (z) es una
función regular en la región |z| > R, entonces existe una secuencia f [nT ] para
la cual Z f [nT ] = F (z):

I K
1
Resz=zi F (z)z n−1 ; n = 0, 1, 2, . . .
X
−1
F (z)z n−1 dz =

f [nT ] = Z [F (z)] =
2πj C i=1
El contorno de integración C encierra todas singularidades de F (z) como se

muestra en la Fig. (7.1) y tiene sentido antihorario.
Figura 7.1: Región de integración C
Ejemplo 7.5 Calcular la transformada Z inversa de

1
X(z) = ROC: |z| > |a|
1 − az −1
Solución 7.5 Sea C la circunferencia |z| = r > |a|. Así,
zn
Z Z
1 1
x[n] = X(z)z n−1 dz = dz
2πj C 2πj C z−a
Suponiendo que n ≤ 0. Aplicando el Teorema de los Residuos, se tiene:
h zn i
x[n] = Res = an
z − a z=a
Cuando n < 0, se aplica nuevamente el Teorema de los Residuos y se tiene:
h zn i h zn i
x[n] = Res + Res = −an + an = 0
z − a z=0 z − a z=a
Por tanto, la transformada Z inversa de X(z), es:
x[n] = an u[n]
7.8. APLICACIÓN DE LA TRANSFORMADA Z A SISTEMAS LITD 61
7.8. Aplicación de la Transformada Z a Sistemas

LITD
Sea el sistema LITD que se muestra en la Fig.(7.2). La propiedad de con-
Figura 7.2: Diagrama de bloque de un sistema LITD
volución de la transformada Z , permite escribir:

Y (z) = H(z)X(z)
ROC ⊇ ROCx ∩ ROCy

Permite hallar la respuesta al calcular la Transformada Z inversa de Y (z):
h i
y[n] = Z −1 Y (z)
La transformada H(z) de la respuesta impulso h[n], se llama función de

transferencia del sistema LITD.
Apéndice A
Series Especiales
∞
La serie geométrica:
P 1 converge absolutamente si y solo si
xn = 1 −
n=0
x
|x| < 1.
Derivando miembro a miembro, se tiene:
∞
X 1
nxn−1 = = 1 + 2x + 3x2 + 4x3 + . . .
n=1
(1 − x)2
Multiplicando por x y dividiendo por x, la última sumatoria, se tiene:

∞ ∞
X 1 x x + 2x2 + 3x3 + 4x4 + . . . 1X n
nxn−1 = = (1+2x+3x2
+4x3
+. . .) = = nx
n=1
(1 − x)2 x x x n=1
Reordenando, se tiene:
∞
1X n 1
nx =
x n=1 (1 − x)2
∞
Despejando nxn , se tiene:
P
n=1
∞
X x
nxn =
n=1
(1 − x)2
63
64 APÉNDICE A. SERIES ESPECIALES
Bibliografía
[1] Richard Baraniuk, et al., Signals and Systems, (2010), on line
http://cnx.org/content/col10064/1.12/
[2] Hwei P. Hsu, Análisis de Fourier . Editorial Fondo educativo interame-
ricano, S.A., 1973.
[3] L. Balmer, Signals and Systems: An Introduction. Editorial Prentice-
Hall, Londres 1991.
[4] Alan V, Oppenheim, Alan S. Willsky y S. Hamid Nawab, Señales y Sis-
temas. Editorial Pearson Educación, 2da edición, 1997.
[5] Alan V, Oppenheim, Alan S. Willsky y Jhon R. Buck, Señales y Sistemas
Discretos. Editorial Prentice Hall, 2da edición, 2000.
[6] Alexander D. Poularikas, The Z-Transform. The Transformas and
Applications Handbook, 2th edition, Ed. CRC Press LLC, 2000.
[7] Mrinal Mandal, Amir Asif , Continuous and Discrete Time Signals
and Systems, Cambridge University Press, 2007.
[8] Benoit Boulet, Fundamentals of Signals and Systems. Editorial
Charles River Media, Boston, Massachusetts, 2006.
65
Índice alfabético
Algoritmo de Cooley-Turkey, 46 condiciones de Dirichlet, 19
Decimación en Frecuencia, 50 espectro de amplitud, 18
Decimación en Tiempo, 46 espectro de fase, 18
forma de laboratorio, 18
Decimación, 45 forma exponencial, 18
Diezmado, 46 forma trigonométrica, 17
propiedades, 20
Funciones Ortogonales, 19
tiempo discreto, 31
Identidad de Parseval, 35 Serie geométrica, 63
Señal, 1
Operaciones con Secuencias aleatoria, 4
multiplicación por una constante, analógica, 2
30 anticausal, 3
producto, 30 aperiódica, 2
retardo, 30 causal, 3
suma, 30 determinística, 4
Operaciones con señales digital, 2
compresión, 7 hemisferio
desplazamiento derecho, 5
tiempo, 7 izquierdo, 5
expansión, 7 impar, 4
inversión, 7 nocausal, 3
reexión, 8 par, 3
periódica, 2
Propiedades de los sistemas tamaño
sistemas lineales nito, 6
homogeneidad, 13 innito, 6
superposición, 14
tiempo
Relación de Parseval, 20 continuo, 1
discreto, 1
Secuencia tiempo discreto, 27
arbitraria, 30 Señales
periódica, 28 elementales, 8
Serie de Fourier, 17 escalón unitario, 10
coecientes, 19 exponencial compleja, 9
convergencia, 19 exponencial real, 8
66
ÍNDICE ALFABÉTICO 67
impulso unitario, 9 teorema del residuo, 60

rampa unitaria, 11 Transformada Z unilateral, 53
senoidales, 8 Transformada de Fourier, 21
Sistema, 11 denición, 22
causal, 13 propiedades, 25
continuo, 11 tiempo discreto, 32
discreto, 11 Transformada de Fourier de tiempo
estable, 13 discreto, 32
invariante, 14 convergencia, 34
tiempo, 12 propiedades, 35
lineal, 12 Transformada discreta de Fourier, 37
no-causal, 13 matriz de multiplicación, 39
no-lineal, 12 propiedades, 42
variante Transformada discreta de Fourier in-
tiempo, 12 versa, 39
Sistemas Transformada inversa de Fourier, 25
causales, 15 Transformada rápida de Fourier
lineales invariantes en el tiem- operación libélula, 48
po, 15 operación mariposa, 48
lineales invariantes en el tiem- reseña histórica, 45
po en paralelo, 15
lineales invariantes en el tiem-
po en serie, 15
no-causales, 16
Teorema de Fourier, 20
Transformada
coseno de Fourier, 25
seno de Fourier, 25
Transformada Z , 54
aplicaciones a sistemas LITD,
61
escalón unitario, 55
exponencial, 56
impulso unitario, 55
polinomial, 56
propiedades, 57
rampa unitaria, 56
senoidal, 57
Transformada Z bilateral, 53
Transformada Z inversa, 57
Expansión en Fracciones Par-
ciales, 58
Expansión en Series de Poten-
cias, 58
Fórmula de Inversión, 60

Señales Sistemas12 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Señales Sistemas12 PDF

Cargado por

Copyright:

Formatos disponibles

Señales y Sistemas Discretos

Es un compendio de la asignatura. Se consultaron varios textos clásicos,

En el texto, se incluyen problemas resueltos.

La edición del texto, se preparó en el ambiente LATEX 2ε mediante el editor

1.7.4. Sistemas Lineales Invariantes en el Tiempo en Serie . . . 15

4. La Serie y Transformada de Fourier de Tiempo Discreto 27

5. La Transformada Discreta de Fourier 37

2.1. Propiedades de la serie de Fourier . . . . . . . . . . . . . . . 20

1.1. Eje tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.35. Sistema no causal . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.3. Clasicación de Señales

1.3.1. Señal de Tiempo Continuo vs. Tiempo Discreto

Figura 1.1: Eje tiempo

1.3.2. Señal Analógica vs. Digital

Figura 1.2: Valor de la función

1.3.3. Señal Periódica vs. Aperiódica

El periodo fundamental de esta función, f (t), es el valor más pequeño de T

Figura 1.3: Función Periódica

Figura 1.4: Función Aperiódica

1.3.4. Señal Causal vs. Anticausal vs. Nocausal

Figura 1.5: Función Causal

Figura 1.6: Función Anticausal

1.3.5. Señal Par vs. Impar

Figura 1.7: Función No Causal

Figura 1.8: Función Par

Figura 1.9: Función Impar

Usando las deniciones de par e impar, se puede demostrar que cualquier

1.3.6. Señal Determinística vs. Aleatoria

Figura 1.10: Señal Determinística

solo se pueden basar en los promedios de conjuntos de señales con características

Figura 1.11: Señal Aleatoria

1.3.7. Señal de Hemisferio Derecho vs. Hemisferio Izquier-

Figura 1.12: Señal de Hemisferio Derecho

1.3.8. Señal de Tamaño Finito vs. Tamaño Innito

Figura 1.13: Señal de Hemisferio Izquierdo

t1 < f (t) < t2

donde t1 > −∞ y t2 < ∞.

En la Fig. (1.14), se muestra la gráca de una señal nita.

Figura 1.14: Señal Finita

1.4. Operaciones con Señales

1.4.1. Desplazamiento en el eje del Tiempo

Figura 1.15: Desplazamiento hacia la derecha

1.4.2. Escala en el eje del Tiempo

Figura 1.16: Compresión o expansión

1.4.3. Reexión en el eje del Tiempo

En la Fig. (1.17), se muestra la gráca de una señal reejada sobre el eje

Figura 1.17: Reexión

1.5. Señales Elementales

1.5.1. Señales Senoidales

1.5.2. Exponencial real

donde B y α son parámetros reales. Esta señal crece o decae dependiendo

Figura 1.18: Función exponencial real

1.5.3. Exponenciales Complejas

donde s es un número complejo:

donde ρ es la fase y ω es la frecuencia angular.

f (t) = Beρt ejωt = Beρt [cos(ωt) + j sen(ωt)]

1.5.4. Función Impulso Unitario

Figura 1.19: Función delta de Dirac

Figura 1.20: Función impulso unitario desfasado

Figura 1.21: Función impulso unitario

1.5.5. Escalón Unitario

Esta función es discontinua en el origen; sin embargo no se necesita denirla

Figura 1.22: Función escalón unitario

1.3. Clasicación de Señales

Usando las deniciones de par e impar, se puede demostrar que cualquier

1.3.8. Señal de Tamaño Finito vs. Tamaño Innito

En la Fig. (1.14), se muestra la gráca de una señal nita.

1.4.3. Reexión en el eje del Tiempo

En la Fig. (1.17), se muestra la gráca de una señal reejada sobre el eje

Figura 1.17: Reexión

Esta función es discontinua en el origen; sin embargo no se necesita denirla

En la Fig. (1.23), se muestra la gráca de una señal rampa.

1.6.1. Clasicación de Sistemas

La gráca de los coecientes cn , se llama Espectro de Amplitud y es la repre-

Los Cn , son conocidos como los coecientes complejos de la serie de Fourier.

2.4. Cálculo de los Coecientes de la serie de Fou-

3.3. Denición de la Transformada de Fourier

Con la nalidad de comprender la relación entre una función periódica y su

Denición 3.1 Transformada de Fourier. Sea la señal no periódica f (t), la

es decir, la integral del valor absoluto de f (t) debe ser nita.