Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Bajo PDF
Bajo PDF
K5102.9
7.5~
UNIVERSIDADe A \ .
AUTONOMA
METROPOUTANA
Cm""""_ .\zliIpullllh'O
C ARLOS AVILÉS CRUZ estudió ingeniería elec-
trónica , con la especialidad en siste mas
digitales, en la Universidad Autónoma Me-
tropolitana. Es maestro, con especialidad en
procesamiento digital d e señales, imágenes
y voz por el Instituto Politécnico Nacional
de Grenoble, Francia, donde obtuvo también
el grado de doctor. Es profesor-investigador
titular C en la Universidad Autónoma Metro-
politana, Unidad Azcapotzalco, y autor o
coautor de más de 25 a rtículos publicados
en revistas especializadas. Ha participado en
congresos nacionales e internacionales, y es
coautor d e d os libros. Sus campos de interés
son la visión por computadora, el procesa-
miento digital de imágenes, el procesamiento
digital de señales y la estadística de orden
superior.
ANÁLISIS DE SEÑALES
C OLECCIÓN
Libros de Texto
.•"" . -
' ~ . -. J .*' .. .
'
Análisis de señales
Carlos Avilés Cruz
Ezequiel M. Rodríguez Rodríguez
imAZCAPOTZALCO
COIE' e,aUOTlo..
UNIVERSlDAD~~
AUIONQMA
METROPOLITANA 2893588
Ca~ ".,,, ...... \/1 ,111111/;111 11
UN IVERSIDAD AUTÓNOMA METROPOLITANA
Rector General
Dr. Lu is Mier y Terán Casanueva
Secretario General
Dr. Ricardo Solís Rosa les
UNIDAD AZCAPOTZALCO
Rector
Mtro. Víctor Manuel Sosa Godínez
Secretario
Miro. Cristian Eduardo Leriche Guzmán
ISBN : 970-654-967-6
Los AUTORES
8
Introducción
'"
medio), y a cuarto orden se plantea el concepto de "kurtosis", el cua l indica
el grado de simi litud de una función de densidad cualquiera respecto a
una función de densidad gaussiana. Finalmente veremos conceptos de fun-
ciones de densidad y distribución conjunta (únicamente para dos variables
aleatorias), funciones de correlación, independencia estadística, autoco-
rrelación, energía y potencia.
VI. Curso Matlab. En este último capítulo se pretende que el estudiante
tome los elementos mínimos que le permitan programar en Matlab.
Matlab es un programa de simulación que trabaja con base en inter-
pretar líneas de comandos. La finalidad de este capítulo es facilitar las ope-
raciones de vectores y matrices, por un lado, y, por otro, facilitar el desplie-
gue gráfico de la información.
Recomendamos ampliamente al usuario que primero pase al capí-
tulo VI y rea lice todos y cada uno de los ejercicios, para que pueda inter-
pretar mejor los ejercicios expuestos en los diferentes capítulos.
Para finalizar se presentan las conclusiones.
11
Ortogonalidad y series de Fourier
INTRODUCCIÓN
E
L OBJETI VO DE ESTUDIAR análisis de señales es aprender a caracterizar
una señal, es decir, conocer los parámetros que la definen. Una señal
es todo aquello que porta información y puede viajar por algún me-
dio, ya sea material o el vacío. En las comunicaciones, por ejemplo, existen
varias formas de env iar información; antiguamente la información se en-
viaba a través de sonidos que viajaban en el aire, tales como los sonidos
emi tidos por tambores, gritos, etc. Con el avance de la tecnología los me-
dios de comunicación han sufrido grandes cambios, pues ahora la comuni-
cación se realiza por medio de señales eléctricas u ópticas que viajan por
cables, fibras óp ticas o el medio ambiente.
En este curso se consideran solamente señales eléctricas, por lo gene-
ral señales de voltaje o corriente que bajo cierto comportamiento se pueden
describir, a lgunas veces, por una relación matemática explícita. Además
tienen la característica de que son funciones univaluadas del tiempo.
Entre los muchos campos en donde hay una importante aplicación
del análisis de seña les se pueden citar los siguientes:
Seguridad
• Control no-invasivo de estructuras (nuclear)
• Pruebas de control de calidad
Sismología
• Análisis de seña les sísmicas (potencia del sis mo, forma , or igen,
etcétera).
Geofísica
• Investigación de zonas petroleras
Ingeniería biomédica
• Análisis de seña les cardiacas, fetales, etcétera
• Procesamiento digital de imágenes
Telecom unicaciones
• Codificación
• Transmisión
• Análisis
Comunicación hombre-máquina
• Síntesis de voz, reconocimiento de voz
Público en general
• Computadoras o sistemas que hablan (ca rros, juegos, etcétera)
• Aprendizaje de lenguas extranjeras asistido por computadora
• TV digital
• Internet (codificación-decodificación de información)
Militar
• Radar
• Pilotaje automático (misiles, aviones)
CLASIFICACIÓN DE SEÑALES
Existen diferentes clasificaciones de seña les, entre las que destacan las si-
guientes categorías:
• Señales de energía
• Señales de potencia
• Seña les continuas o ana lógicas
• Seña les digitales
• Seña les periódicas
• Seña les no periódicas
• Seña les determinísticas
• Seña les a leatorias
A continuación se exponen las ca racterísticas de cada categoría, así
como ejemplos de ellas.
14
SÓla/es de energía
f( t )
E= f V(t)!' dI (IJ.1 )
A las seña les en las que la ecuación (II.1 ) es infinita se les conoce como
seña les d e potencia porque en este caso sólo se puede calcul ar su potencia .
Si se tiene una seijal f(I), su potencia media en el interva lo (t " 1, ) está
dada por la expres ión:
(11 .2)
15
Ejemplo: Calcule la potencia de la seña l v(l) = ACOS(úll)
con A Y w constantes
p = - fT("
- 1
-+
T o 2R
A A cos 2M) )
2R
(
A ,[T
dl=-- f dl+ T
2RT 4)
f cos(2úll)dl ] =--[I+-sen(2úll)
o
A-,
2RT
1
2úl
r
- A'
P= - [watts]
2R
; ; ; ; j(t) ; ¡ ¡ ¡
---- -.;---- --~------:._----- ~ ------ ------:._------:------I -- --- -t-----
,, ,, "
"
"
"" "
, , " " "
----- '------ : ------!------~- - --- - - -----~-- ---~------ ~ ------' ---- -
, "" '
'" "
, : :: :::,
----r- -:-----r----:- --- --- -~ -----r---- :- ---f---- CQ
o
FIGURA 11.2 . Seña l de potencia
Son las que están definidas pa ra todos los valores de tiempo; pueden to-
mar va lores en un intervalo continuo In, b).
Estas seña les se pueden escribir utilizando alguna función, por ejemplo:
x( 1) = cos( ni)
y(l) = e-I'I
16
0.8 0.9
0 .4 0.7
."c.ª O ."ª
C. 0.5 ....... ..... ¡ .........}.........
~...
E E
« «
- 0.2 0.4 ·· ········f········ .l··········t·········
-0.4 0.3
--0.6 0.2
-0.8 0.1
-1
- 10 -5 O 5 10 -5 O 5 10
, (5e 9) '( 5e 9)
Las señales digitales o discretas sólo están definidas para cie rtos valores
del tiempo. Por lo común se denota la variable independiente con la letra 11
indica ndo el número de muestras. Una señal en tiempo discreto se puede
representar como una secuencia d e números reales o complejos.
Ejemplo:
X(/I) = [1 , 4, 2, 8, 9, 3, 0, lJ
}¡(II) = Sexp(-j2/1)
17
· .. ..
0.9
·····
----------------.-- ...-.........
.. .. .. .
_-----~----------------------,.------------------.--
0.7 · .
..... ----- --------r---------------------i---------------....-..¡.......-..----.-------
0.6 --- -.-- --- ---- -. ' -··------------------f---------------------l----------.-----------
"
..,-
0.5 --- --- --- --- --- --- .- ----··-----t---------------------t---------------------
0.4
0.3
_::: ::: :::- --- ---- --- ---- --- --- r-+---::::::::::::::::L::::::::::::::::::
0.2 --- ---, ---------------------
j(1)
Señal no periódica
j(1)
Señal periódica
18
Señales determinís ticas
ªa.
E
o
'" -0.5 • l' .. ............. ............!
~ ~ .... .]. .... j.... .
-1 ........ '1' ........... ~........ .... ..........':
~ ..... ........... .. .
~ ~
l'
- 1.5
-2
o 0.5 1.S 2 2.5 3 3.5 4
t(seg)
F IGURA 11.6. Se ña l de te rminí stica
Sena/es aleatorias
Para el análisis de señales es útil poder rep resentar una seña l en términ os
de fun ciones base, tales como las funciones trigonométricas, las funciones
19
f(t)
fx (X)
exponenciales, entre otras. Para poder representar una función como una
combinación lineal de otras funciones base, éstas deben cumplir con la con-
dición de ortogonalidad, la cual se explica a continuación.
Si se tiene un conjunto de funciones <1>,(1) que cumplen con la siguiente
condición:
f11
f
$1(t)$; (I)o1/ = $;(I)$, (t)dt = O
11
si m '1-1'1
si m=n (11.3)
k, = fl$,, (I)I' dt = 1
"
Si el conjunto de funciones es a la vez ortogonal y normalizado, se le llama
"conjunto ortonormal " .
Para comprender mejor el concepto de ortogonalidad, se puede hacer
una analogía utilizando vectores. Si <1>, (1) y <l> m(t) son vectores, entonces si
n = In los vectores <1>,(1) y <1>,,(1) son colineales y por lo tanto su producto
20
punto es diferente de cero; por el contrario, si m '" n, los vectores son
ortogona les y su producto punto es cero.
Se pueden hacer representaciones de funciones utilizando conjuntos
de funciones ortogonales tales como:
fsen(nlwot)cos(llw ot)dt
T
r
cos( ni - 11 )wot ]
(fII - II)W(l ()
21
_ __1_[Cos[(",+n)21t] cos[(",-n)21t] _ 1_ _ _
1 _ ]_ . _
- + - O, SI n, ",-0,1, 2 ...
2w o 111+11 m-11 111+11 m - l1
!r {O si m:l;n
COS("'ülot)cos(nül ot)dt = T/ 2 si m=I1:1;O (11.5)
r {O si 111'1:11
fsen("'ülot)sen (lIülot)dt
o
= T/ 2
si m = l1'*-O
(11 .6)
Estas series fueron utilizadas inicialmente por Joseph Fourier para la solu-
ción de problemas relacionados con la transferencia de ca lor.
Según el teorema de Fourier, una función f(t) se p uede representar
como una combinación linea l de funciones ortogonales, en particular
como una combinación lineal de funciones seno y coseno, de la siguiente
manera:
donde 0 0' a" y b" son los coeficientes de Fourier, los cuales se obtienen a
pa rti r de f(t); W o es la frecuencia fundamental y 2wo' 3wo... se conocen como
los componen tes armónicos de la seña l.
22
ObtellciÓIl de los coeficientes a", a" y b"
f¡ (t )dt f
T
o
=
T
o
[
ao + L la, COS(]](ll ot) + b, sen (llw ot)i
_
/1- 1
}
t
1
f
T
a" = T ¡(t)dt (11. 8)
"
A este coeficiente se le conoce como valor promedio o componente de
OC de la señal.
- T {O nI":# 11
= " a, f cos(llwot)cos(mw ot)dt = TI condición de ortogonalidad
L.J
n_\ o 2 m=n
T T
f f(t)cos(mw ot)dt = am "2 sustituyendo m por 11 y despejando a a" se obtiene:
o
2 T
a, = T f f(t)(cos nwot)dt (11.9)
o
T _
fo ¿[a
,,-\
, cos(llwot)sen(mw ot) + b"sen(nwot)sen(mwot)]dt
24
Aplicando la condición d e ortogonalidad (II.4) y la expresión (11.6), la
expresión anterio r se reduce a:
r
fof( t)sen(mOlot)dt = b. I.-
2
COlldiciones de Dirichlet
Una función f(l) pued e ser representada como una combinación linea l de
funciones ortogonales, en particula r en términos de funciones trigonomé-
tricas, si cumple con las siguientes condiciones:
r~r(t)ldt ~
v,
-v,
< (11 .11)
25
JI')
,-----t-- V '------t------'-
•
····· ....
------~------
....
---'-r----- -----t----- ------r----- ------r----- ------
: v_; ______ . :
- ¡-----t----- ¡ , T
o
FI GU RA 11.8. Señal cuadrada
-v si
f(t ) =
¡ V
si
Cálculo de ao
no =+ f TI'
- T/2
f (t)dt = 1'
1['f -Yz
(- V)dt + f
Y:í]
o
Vdt =0
ff
T/l
n" = f (t )cos(nwot)dt
-T/2
26
Y2
a" = 3.[- vsen(l1úlolJlo + v(sen l1 úl ot)I ]
T 1100 0 _~ 1100 0 o
b" = ff [
o
-~
- Vsen(¡¡úl ot)dt + JVsen(l1úl ot)dt ]
Y2
o
v COS(l1úlot)I Y2 ]
110.>0 o
2 - [ V - Veo {
=-
l1úl oT
21t-
rl -
T 2
T)- Veo { 21tT T)
2
+ V] 11--
= 2V [2 - 2cos(I11t)J= 2V (1-(-1)")
112n /I n
J~v/
para 1'1 par
b"
1 / 1l1t
para ti impar
27
f (t) = -
4V ~ 1 [ 1 4V 1 1
L... (2 1)sen (2" - 1)00 , 1 = - [sen(oo,l) + -sen(3oo,l) + -sen(5oo,l) + ... J
1t ".1 n- 1t 3 5
ª~"a. O
ª
a. O
~
-1 -1
(e) (d)
2,---,---.---,,---, 2,---,---.----,---,
-1
b, = 4VJ" = 0.4
b, = 4%" = 0.25
b, =4'j4" =0.1 8
b, =4%" =0.11
1.4 1---,--...,---,----,-----.,.----,,...--.,-----,
12 ' , , , , , ,
·..····T······r·······r·······r······¡---·····r·······r···.....
: : : : : : :
--------r------T--------r--------r-------r------T--------¡--------
-c
.2
'3.
E
0.8
·······T······r·······r·······r ·····T······r······r···...
'" 0.6
·······T······-¡--·······r·······r······r·····r·····T····...
0.4
0.2
29
j{ t )
Cálculo de ao
Cálculo de a"
a" =3.
T _v,
f cos (OO ol)cOS(IIOO ol)dl = {~// 2 ::
11 ,q
}/ ::::: 1
a, =(Hf)=1
y todos los demás a" son iguales a cero.
Cálculo de b"
30
+-----~----------- f
1 Khz
11=1
que J
-,
J
f(l)dt = 2 f(t)d t
o
Si una función es impar entonces f(-I) = -f(I), Y en consecuencia
,
f f(t)dt =O
ao =.!.
T _",
r r
",
f(t)d t =3.
T o
",
f(t)dt
para an se tiene:
a" = yr ",
o
f(t)COS(liw ot)dt (1l.12)
y b, = O
b" = r
",
Y f(t)sen(liw ut)dt
o
(11.13)
31
En resumen: Si j( l) es par, entonces tenemos:
o
o
Si j( l ) es impar, entonces
t U) = L b,sen(l/ül ol)
,-1
con b" = *f
T/ 2
o
t (l)sen(l/ül ol)dl
b" = T
2 J' I sen(núl ol)dl
o
b" = 3.[-1
T IlW o o o nw o
1
COS(11úlol)I ' + cos(núlol) di]
f(t ) = ~ _
2
!
",. )
sen (11úlol)
1m
Del cálculo sabemos que al deri va r una función, el orden de ésta va dismi-
nu yendo; esto puede aprovecharse para simplificar los cálculos de los coe-
fi cientes de Fourier, y se muestra a continuación:
De la serie d e Fourier trigonol1" étrica
df(t) =
di
L 1- l/úlo""Sen (l/úl"l) + l/úl"l>" COS(l/úl"I)1 (11.14)
33
2893588
j'(t) = a; + La;,cos(nw , t ) + b;' sen(nw, t ) (11.1 5)
a~ =0 (1/.16)
a~ = fI(.J}ob ll
(11.17)
b~ = -f1w oall
2
f,
T
a;, = T j'(t)cos(nw,t)dt
f f,
T
, , , i
---- -~-- - - --¡---- - -:---- --:----- -
['(ni , , ,
------:----- -:------¡---- --:-----
: i ¡ i ! ¡ i i
-2 -1 o 2
=3. J T
=3.
~r [l -o(t)]COS(IIW
a;, j'(t)dl ol)dl
T o T _~
La función ¡¡(tI tiene la propiedad
=2
[r r
~ cos(IIW ol)dl - ~ O(!)cos(IIW ol)dl
-~ -~
]
= -2cos(1I2nt)l,.o =-2
2 1
l1W b = -2; entonces b" = - - = - -
o" 21t1l 1m
Cálculo de b;'
b;' = ff -~
~
j'(t)sen(lIw ol)dl = 2 r
~
-~
[1 - o(t) ] sen(lIw ol)dl
=2
[
~ sen(lIw
f
-~
ol)dl -
-y,
r
y,
o(t)sen(lIw ol)dl
]
n" =O
La representación en serie de Fourier trigonométrica de la seña l dien-
te de sierra queda de la siguiente forma:
1 - 1
/(1)=-- L -sen(1I2nt)
2 tI,, 1 n1t
2 j"(1)
-1 o
'f
'----
3i
2 2
-2
36
J"(I)
4
- 4 I
FIGURA 11. 17 . Seg und a derivad a de una seña l tri a ng ul a r
Ahora prop onemos la serie d e Fourier para una señal f( l) derivad a d os veces
(I1.19)
a~= O
a~' = - au (llw o )2
(1 l.20)
b;' = - b ll
(1 ¡W o )2 (I1.21 )
- bU Sse 11 J 2'. )
b = _ _"_= 1\ 2
" (11"' 0)' (1m )'
(
_ sen (21t - 1)- ,,)
f(t ) = ~ L , 2 sen[ (211- 1)"I )]
,, - ". , (211 - 1)
37
Los componentes armónicos de la señal triangular se muestran en la
figura U.IB.
2,----,~--~-----, 2,-----,.-----,------,
1 -------------- --------------!-------------- 1 --- ---- ---- --- --------------!--------------
O~----~----~~----~
2r-----~----_,----_. 2r-----~----_,----_.
FIGURA 11 . 18. Primeros cua tro compone ntes armónicos de una se ñal triangular
utilizando se ri e d e F o urier trigonométrica
(11.22)
11 = ___
f"" {t - 1
eillWole -imwO' d t = 2 1
para 11 = 111
O para n '1:- ni
= L F,,(I , - t , )
Haciend o n = ni el coeficiente F" lo pod emos escribir como:
F" = _ _ 1_f'
(1, - ti) "
!(t )e-i"·" dt
b
haciendo Fo = ao, F
11
a
::...J!..+~
2 2j
y F
-,
=~-~
2 2j
se tiene
L F,ei'w" + L F,ei'w"
- -1
f (t) = Fo +
11=\
40
(IL23)
Cálculo del coeficiente de Fourier F", como T = 211 entonces úlo = 211 / T = 1.
como:
, -,.. " = cos(2Il1t) - j sen (2n1t) = 1
entonces
1
f(t ) = L- 2n
e - ei""'o'
"._ 21t(1- jn)
41
0.9
0.8
0.7
0.6
,,-" 0.5
OA
0.3
(' : :
0.2
Para observar el efecto que tiene sobre la gráfica del espectro de una señal
un cambio en su periodo o en la duración del pulso se obtendrá el espectro
de una señal definida en un periodo como:
O -TI2,;, t';'-r /2
f(l)= A -r/2,;,t';'r/2
{
°
r / 2 ,;,t,;,TI 2
--+--,-......
- ","'¡- 1, . . . . .
,--1---1 r-;---, .. ~.r---+--r
_......... -:-._.. ·····r···· ·····l ····· ..... ..... ······l····· ......~ .. _.. ..... -:- .... .
····r···
!
-t/2
iT
i ....... _........... ~
y,
F -
"
1
- -
T
f A e- jub'o'dl _- - -A- e -¡IlWfJ'I ,12 -
TI-n", o
-A- e
_ -
~ '/2 TI-n", o
[-¡ IlW fJ-,'
- e/lIwo-,,]
_~
:: F l· · · ·.·["'1;• • • • ••
:: :.::::.:::1:::::::::1::::·.::::r :::.·::::[::::::::1::::::::::
1 (1) = ~' :t
"= __
sinc(n",,, -r/ 2)e l "'"''
O 1ft 1,1
2n
---0.05
44
La g rá fi ca del espectro de líneas se muestra en la figura I1 .23.
(a)
~~. .'=~
. ¡ll ¡,}L~~~
W··,' '~~'\Jj . ¡
..dI.~
, ~
: W
o
(b)
r-~~--r-=. ~~1ni~~.:."*:¡_
· . .......;i_. .....~
J
o
le)
................¡ ................ j
F(w )
...... -¡ ........ -..... + ................ f ..... -......... :-............... .J . .................; ...
. . ! .
..... ........... L. ................. j .................~ ............ .,. '; ................ ,. ....... j ................. , ................. ¡...
.................;._._-..__""-_~UU~;~_.;.;.~._-+__ :
w
o
[-I"(oj\l~ I!HJJo-:i-)
t
-¡túo-' e
T }""';¡-
. .] ~I"'~o-
A
= _ __
TI/j w o
e 2_ (, • I!
-1"("0-
2 = _
2A_
TI/W o
"
[ 2 -e
2j
2
45
lit!
A
1---i------------ -----------
, , , O ¡' ,T ,
----------r--------T---------r---------------------r ----------r-----------r---------
FI GURA 11.24 . Tren de pulsos desplazado
2A l' -jnm():!..
= --sen(nw o -le '
Tnw o 2
46
Como veremos en el capítulo siguiente, al hacer tender el periodo T al
infinito se llega al concepto de la transformada de Fourier de tiempo conti-
nuo para señales no periódicas. Esta h erramienta es de gran importancia
en el tratamiento de señales, pues nos permite observar de manera conti-
nua el espectro de dicha señal.
{~
para -11<1<0
f(t) = sif(t + 211) = f(t)
para 0< t < 1[
- 2n -n 2n
2.
47
4) Encuentre la serie de Fourier de la función f(t) d efinida por f(t) = ¡' en el
intervalo (-71, 71) conf(t + 271) = f(t)
-n
f U) = L- 511, , e''''''
",_ 8 + (1I7t¡-
INTRODUCCI6N
f (t )
.)J. _ ~_
, ,
--------- -- -.,------------ -. -
, ,
11111111111
2893588 49
Si obtenemos la d ensidad espectral d e la seña l utilizando la transfor-
mad a de Fourier y la graficamos en funci ón de la frecuencia, tendremos
una gráfica como la que se muestra en la fi gura 111.2.
70 r-------r-------r-------,-------,-------,
60 -- ----- - - - :-_
, , ,
--------,------- - -- ~ -- - - ------1 -- - -- --- - - ,
,
50 - - - -- - ----"-
, ,
--- - ---~---- - ---- - ~- --- --- --- . --- -- - ---- ,
40 __ _ _____ __ ,- _
, , ,,
- - - - - - - -'-- - - - - - - - - -' - - - - - - - - - _! - - - - - - - - - -
, , ,
30 - - --- .... -
- -- - - --~---------- , --------- -, - ----- - ---
,,
_ ___ _ _ __ , _ ___ __ _ ___ ~ _ _ __ __ ___ J _ __ ____ __ _
20 _____ L_
, , ,
Frecuencia (Hz)
(Hl.l)
donde
F" = fJ
T
o
j(t)e-¡"w" dt (III.2)
51
2" 1 w
cambiando I1Wo por W, y si w ; T' entonces T; 2" . Cuando T ->~, w -> dw
y la sumatoria se convierte en integral:
a las integrales
52
1.4 ·······j·····t·······t······¡·······+fi·;;··j·····¡······t······t·······
1.2 ::::::I::::::::::::::r::::::¡::::::::;:::::::r::::::::::::::1::::::::::::::::
: : :: ::::
0 .8 ••....• ~ ........ toooo ... +..o.oo.tooo.o .. } oo ... o~... oooo.~_...o··+·······too ... oo.
0.6 •. .•••. L..o.. .Lo .....l. ......L... oL ....L......L...... ~.oo .. o.L .. o.. .
0.4 ...... + ......,....... _.......:......L... ................ _....... 1......
0.2 ••• .•. . j.... :....... +. ···T.. ··+·····T··¡·······t·······j·······
O L-~~~~L-~ __~~__~__~~~
- 10 -8 -6 -4 -2 O 2 4 6 8 10
FIGURA 111 .4 . Función si métrica a energía finita de l tipo va lor abso luto
de la exponencial
_ o _
f
c (a-,M)I e-(u"JUI)1 "" 1 1 o. + jw + o. - jw
(a -iw) I- + -(a+iw) lo = (a- iw)+(a+iw) = (a-iw)(a- iw)
·······f····+····+·····;···
O"
¡FI~~f·····+-··i······:·······
0Looo.o.":'0.0 ... J.oo.o .. l.oooo ol.
••• ooooo~o.oo.o.:.oooo.oJ.oo_
... 1.o .....
: : : : : : : : :
oo .... i ..... -:-.o
o~o
¡ .... i.. o...otoo
: .. : .. o..¡ ....::-.. o.. i ... ot·ooo.oo
~ o .~o
:
~.oo o~o.o
: : ! : : : : : :
: .. ··to.
00.0000:: .0.00.-::..00 0"1.: 00 ... otoo : oo.¡-.oooo
: ..:;o. "0'1": ... oot·: ..... 0
: : : : : : : : :
o...... ~.o .. o.o¡o.o .... ~.o .. o.of.o .. 0.•.... o.•. ooo.o.~o.oooo~o.oo.o.f .. o..o_
i ¡ i i i ¡ i ¡ i
... o.. o¡······t·o····r ······; ,,0"T"'0 ""oo"'r'o",¡-,oo,o,¡-,oo",
.o.o.o+.o .... -¡-.... o.i .. o. .....• 0.... · .•· ... .... .. o.... io .... o.
o~.o ~
i : ' ' i
() L-- '_...!:=-'-_'-----'_--'-_-'-='-----'_ _..J
UI
r~rl;~flr¡
,'_ _ _ ,','L,',','"L',',',',',",',',',',',','r',',',',', ,',',,',"~',',',',',','r',',',','T,'__,',',J,',',',','__,'
-8 -6 -4 -2 O 2 4 6 8 10
SU TFTC es
A
a+ jw
5,1
2 r--'--'---'-~~~--'---'--'---'--,
F(w)
....",=*'="*=~f--_l'''' ' "
1.5 ,------ -- -------- - - : -,-------- -::::::r--:::r:--:1-
_-:_-________ _
, ,
-0 .5 .......•........•........•........
" "
. ............ ... ..."
. ....... -_._----.-----_ ..
,
~ .......
-,:[:~I t ~T11
-2
-50
L-~ __
-40
~
-30
__ ~
- 20
__
- 10
~~ __
O
~
10
__ ~~
20
__
30
~
40
__ ~
50
j(t)
- t l2 ,;2
,, ,,
--------1---------:--- --- -r----------------t ----r, ----------r, ---------
:: :
l si t = O
8()
t ={
O sit;<O
1Jllj]
FI GURA 111.10 . Función delta de Dirac
56
Una propiedad de la función delta es:
IF(w)l= l
2 .-~--~--~--~-.--~--~--~~--,
F(w)
, , " " , '
15 --------r--------r------T-----T------ -------r------r-------r----r------
:
,._------ ,. --_ .. _._ ,.
,,
,,
:
,
..
.: :
, _---_.-
,,
,,,
w
.........
. ......
,
-0 .5 ------- .,,-------- .,, ------_ . ."" .. ..... -. _-_... . . .............
. . _--.----_._.
'"
,,
.. .
, .. ,,, .
,
_
... ,
., , .
_
..
~ _
,
,
.. . .. ..
' ,
. . , ..
. . .
- 1 ·····--1-·-·····¡·----·-·¡········r-·---·· ·······1-·-··---1---····-r--------:-·--··--
- 1.5
------T------¡--------¡--------¡--------------j------T-------¡-------¡-------
-2 L-__~__~__~__~__+_--~--~--~--~--..J
-5 -4 -3 -2 - 1 o 2 3 4 5
Vea mos ahora qué le oc urre al espectro cuand o desplaza mos la fun-
ción 0(1), In segundos.
57
fIt)
... ...... ~.......... i········· .~.......... _........ ~._--_ ._. ··i..........~ ........ .
_ ~
.........•..........•..........•.......... ...•..... .........•.... ....• .........
F(w)
i ¡; i ¡
·········r········_¡-·········r·· ....... ·········r········-1·········-¡·········
j
i i ¡ l i ! w
~(W)¡=-tow
..••••••-<--....•.. , .....• ... +.......... ..... .+.......,......... + ........ .
58
Observamos que la amplitud y la forma d él espectro no ca mbian , sólo
sufre un ca mb io la fase.
En el capítulo anterior, el hecho de tener funciones d elta simplificaba el
cá lculo d e los coeficientes de la serie d e Fourier. De igual manera, a conti,
nuación vamos a utili zar la fun ción delta para calcular la transformada de la
función exp onencial e ~'o' ; para ello procederemos d e la siguiente m anera:
Si tenemos en el espacio d e frecuencias la funci ón F(w) ~ 8(w ± wo) cuya
g"ráfi ca se mues tra a continuación:
F(w)
---------~------ -- --{- ---------~---------- -- -- -----~-- --------f----- ----~---------
¡ ¡ ¡ !¡ '1' ¡
---------1---- -----i----------r---------- --------+---------t---- ---+--------
......... , ......... , ..........•................... ,.......... ,.... . ...•. ........
! ! 1 ji!
F IGURA 111. 14 . F uncione s delta e n la frecue nci a
((1) = _1_ 'f"' 8(w - wlI )e "·" dw = ~ f~ 6fÜ) - (u (, ]e'''''¡iw = ~e l' 'I' '
. 2. 2. 2.
3(_2n1); _2n13(1)=o(w)
3(1); 2no(w)
que son resultados que ya conocía mos. Con los resultados obtenidos y la
fórmula d e Euler podemos encontra r fácilmente la TFTe de las funciones
trigonométricas sen(w ot), cos(Wuf); con Wo constante, veamos cómo se obtiene:
~J
........•.......... . ........•..••...... . ......•.......... ..........•.........
f(l)
---------~----------~----------f_--------- dr_--+---+---+---_l
1
.................. .1..........1........ . ......... r. . . . !........ .
o
........ '1" .......
,
1'. . . .,. . . . . ·T. . . .
"
~1 ....
,,
"
,,
1........ ·
11--10
i
g{sgn(t)} =g{lime-'I'l sgn(t)) = lim e-'I'l sgn(t)e-"" dt
" ....0 _
2'
g{sgn(t)} =:...L (1II.9)
w
La gráfica del espectro se muestra en la figura m .l7; se observa que
hay una asíntota en w = O,
o w
F IGU RA 111 . 17 . E s pectro de la función si gnum
62
1 sit "0
Ejemplo: Encuentre la TITe de la función escalón unitario, "(1) = {
O si t < O
Su gráfica se mues tra a continuación:
j{t)
---------,----------,----------f--------- G---i---i---+---~
: : : 1
---------.,:----------~----------~---------- ---------.!..---------;----------~---------
¡ ¡ i ¡ ¡ ¡
: : i ¡!:
--------l--------r-------r-------- --------l--------¡---------t---------
--------- .,:- - --- -- - - -~----- ----- ~ - - -------- --------- ..:---------- !----------!. ---------
i i i i ¡ .
FIGURA 111.18 . Función esca lón unitario
1 1
!t(I) = - + - sgn(t)
2 2
y como conocemos las transformadas de una función constante y la fun-
ción signum, entonces:
¡
1 1
5 -+-sgn(l)
22
} =5 -1 } +5 -sgn(t)
1 ¡ ¡
} =-S(w)+-
22
211 1 [ -:-
2 ) = llS(w)+ -:-= i
1 llS(w) - -
2 2Jw JW W
finalmente:
3{,,(t) } = llS(w) - L (11110)
W
63
t
o w
Hasta el momento hemos estado trabajando con seña les no periódicas, pero
ahora nos pregunta mos: ¿qué ocurre cuand o tenemos una señal peri ódica ?
¿Existe su transformad a de Fourier? A continuación se muestra cómo obte-
ner la TFTe d e una seña l periódica.
Podemos escribir una fun ción periódica usando su serie d e Fourier
como:
A( t) = L F" ei"'''u
l
(Jl1.11 )
Note que ahora la TFTC es una función discreta compuesta por funcio-
nes impulso moduladas por el coeficiente de la serie de Fourier compleja.
Ejemplo: Encuentre la TFTC de la señal periódica que se muestra.
~ ::::::r.--:_.,--'--,.------------r-II--.------:----- . -----~-----
-----"----- -----.----- ----- ----- ------¡----- -----r--- ------,- ----
- '[ /2 t/ 2 T
,
___________ .... ___________ "____________ •
~ ____________ , , "
___________ _ • ___________ 4
___________ .... ___________ .... __________ _
i i i i i i i
F IGURA 111.20 . Tren de pulsO S
F ()
ú) = 2n ~
L.J A T sen(llw"T/ 2),,(
u ú) - lIúJ o
~ sen (IlW"T/2),,(
) = 1t AT L.J u ú) - /In
)
""....... 2 llW ot / 2 "....... llW oT / 2
65
F(w)
,,
, , , , ,
------~-----~--- ---
, {---r-----~------'------
I
, I \ , , ,
I
--r j---~----
\
- ~---- - -~------
I
, , \
_____ _ _____ J ______ J_ I , , ,
,
~
, ,, -r-----~------,------
, I \ :
:
: :
------~--- --~- - ----~~
~ ~f.,\! !/
: I
-- \
y ~~ -- -T,f~;r -- - ~-
i:,
I ,
-,------
n
:\
------¡-
~', \ 1/:: ::
I ' ,
L.-'---:------~------
,,
~ --------- ____________ < ___________ :___________ ~ -A-- ----- -------------- ~ - - - - - -- --------------- <
1 ¡ 1 ¡
2T
66
~
F
"
=l
T
f' <s(t)e-¡""" 'dt = le-¡""'"
T
If=o =lT
,
T
F(O»)
0)0
---------- ...... ---------- ----------- . ----------- ----------_.-----------
, , ,
,
------------'------------ -----------_ .., _----------- -----------_., ---------- -
, , ,
,,, ,,, ,,,
,,, ,,, ,,,
,, ,, ,, O)
-Ul
o o
PROPIEDADES DE LA TRANSFORMADA
DE FOURlER DE TIEMPO CONTINUO
67
Propiedad de linealidad
....... ~ ...... 1. ..
------ -------
······T T······
o
....... +.......•....... +-...... /........ ........ , ........[ ....... + ...... + ..... .
68
F(w )
l'
__________ ~,_____~~:~~L~~)
,
______ :__________ ~ ___________ _______~~~¡~~~)
"
______ ~ ____ ~~~~~~~_~~)_____ ~ __ .. _____ _
, '
, , "" " ,
I LIlll t l
---------~----------- ----------~-----------~---------- ----------~-----------~---------- -----------~---------
i i i i i i ,
Propiedad de simetría
69
Ejemplo: Supongamos que tenemos un pulso de duración 1: cuya trans-
formada de Fourier es la que se muestra:
1"f ATsen(lT
IT 1 2
/ 2) ] '"
= 21[f(-w) = 21[f(w) por ser una funClOn par. AqUl f(w) es:
A1[
f(w)= O
¡ -T
para - $ W $ -
2
en otro caso
2
T
- t/2 ! o w
j(I) F(w)
: : Al : ¡ 2M
········~····-···T········ ········l········T········ ¡---¡':-:';--t-------------. ----
TFTC
- t/2 : o t /2
w
70
Propiedad de escalamiento en el tiempo
(lII.12)
- · x dx
Cuando a < O ~[J(al)l =
f- f(aIV "" dl si x = al => -a = I => -a = dI, cuan-
do a es negativa los límites de integración cambian de la siguiente manera:
si t ---?
00 => X ---? y entonces t ---?
--00 => X ---? oo.
--00
g{J(al)} = -1
a _
f-f(x)e -/( ~)'" dx = --1 f-f(x)e - ,¡ ~)' , dx
a -
1
= -F -
( úl )
lal a
La gráfica de la figura IlI.27 muestra este efecto.
71
1 M
F(úJ) "" AT -~"':..cn,-,(::;
,"'o-l:::2),
úJt / 2
- t/ 2 t/ 2
o O
r- [(I!2) r-
.--------'Jk'--~: F(w) = ZAt sen (w,)
TITC : Wt
~
--- -_
- --- --!----I-!----L
I ---_
-----~ <<=: :::::::;> ......... ~.... . .
i",
······t········
", i
- t i it : V V
i- n/ t n/ ,
O O
'r- /(t I')
sen (2Wt)
TITC ¡ F(w) == 4A,
-r r-- <; > ..... +...... . ·······1· .. ·· .... urr
¡ "
v"v n/ 2t:,
"
-2, 2, , v \l /
-nh t v
O
FIGURA 11 1.27 . Ejemplo de la propiedad de escalamiento en tiempo para la señal
de l tipo ventana cuadrada. En el tiempo se expande y en la frecuencia se contrae
Si la función fU) es desplazada por una constante lo' entonces tenemos que:
72
Ejemplo: Encuentre la transformada de Fourier de la función ventana
de duración ~ y amplitud A.
A si O:=;; t:=;; t
(1) =
f {O en otro caso
f(tl
o
FI GU RA 111. 28 . Función ventana rectangular de duración .. y amplitud A
- t /2 ¡
---------r-----
o o
FIGURA 111. 29 . Transformada de una ven tana de duración T
73
gráfica mente tenemos:
FI GURA 111. 30. Tran sformada de una ve ntana desplazada 0:12 seg
F(w)
75
Después de la modulación, es d ecir, d espués d e multiplica r la señal
f(t) por una señal cosenoid al que oscila a la frecuencia úJO' el espectro resul-
tante su fre la modificación que se muestra en la fi gura IlI.33.
F(w)
------------- · . . -------------
· . .
-----------------~----------------¡------- - -- --- --- ¡ -- --------------
!· ¡. ...i
····· ..
.., ..
............ ················r······---·······L····-··-···-··t..····......... .... __..-_..
··· ..,, ...
· .
··~~o f\A¡.. ... +--........... -..•.............. --.------V\P. W
o
fvv·- w
I
,
I
: I
'
I
,
I
:
o
FIGURA 111. 33. E spectro de la seña l m od ula d a
Demostración:
= F(w - w o)
76
= f f(t )e~i(w,w,)' di
= F(ro + ro o)
Propiedad de C01lvolucióll
77
Si sustituimos (I1I.16) en (I1I.15), tenemos:
Si llamamos h(t) a la sa lida del sistema, como y(t) y 8(t) son señales
invariantes al corrimiento, podemos escribir:
/t(t - T) = T[8(t - T)] (IIl.IB)
(lIl.20)
R ~
y(t)
79
¿Cuál será la respuesta y(t) si la entrada a l sistema es la seña l x( t ) =
V [ll(t) - ll(t - T) ], cuya grá fica se muestra en la figura IlI.36?
h(l)
x( l ) 1
Re
v f-- - - - - - - ,
o T o
F IGURA 111. 36 . Func io nes d e e ntra d a y respuesta
a l im pulso de l ci rcu ito Re
80
1/(t - T)
I/( t )
, ~Or-----~T~---------7 '
o
In) lb)
l/U - t )
./
o
le)
Para t < O
1/(, - T) l/(t - ,) = O para toda,
l/(,) I/(t - ,) = O para toda,
Para t > T
1/(, - T) l/(t - ,) = 1 para T < , < t
l/(,) l/(t - ,) = 1 para O < , < t
81
y SI. Integramos
. tenemos: y( t) = RVC e- II RC RCel /RCI'o = Ve - II RC [etIRC - 1]
y(t) = V[ 1- e-'/Re ]
Cuando t > T, la ecuación I1I .21 es:
resolviendo tenemos
y(t) = ~{e-IIRC RCe1/RCI'
RC o
_ e-I/ RCRCe1/RCI'1
lJ
O para t < O
para t >T
82
1 . 5· ~--.,----,,.------,---,----...,.....--
y(t)
o., ....
rr
1 1' ..... 1
T
-
O 2 T 4 6 10 12
Propiedades de la convolución
f(t )' 8(t) ~[ f (x )8(I - x)dx ~ 8(t)' f (l) ~ [ 8(x)f(l - x)dx ~ f(t)
Demostración:
Sabemos que
Si tenemos una función /(t) tal que 5{1(I)} = F(w), al d erivar la función en el
tiempo tenem os que la transformada de Fourier es ahora:
d"
5 { -/(1) ) = jwF(w)
d('
(11125)
(1II. 27)
85
A
-10 ¡ ~¡6¡ 10 ¡
··········--r-··········r·········r·········· ············r··········¡···········r··········
F IG URA 11 1. 39. Ej e mpl o de seña l mo dula da e n a mplitud
por una fun ció n coseno id a l
2¡
.......... -+ .......... +-......... +-.......... ············-1-··········+-·········+-··········
1(1)
A
1\. . . . . . ........
....,..... --¡- \ .......... ~
1(1)
T!2
F IGURA 111.4 2. Fun ción ven ta na d e d uración T y amplitud A
2"A. w"
g{g(t) } = -S-smc(S)
S7
Ejemplo: Encuentre la TITe de la señal (figura IlI .43).
1 1 1 : f(t) 1 : 1
_ _ __ ~ ____ ~ _ __ _ _ 1_ _ _ _ _ L _ _ _ _ L ____ ~ __ _ _ _ 1 _ _ _ _ _
¡ , ,
---- T -- --
,
- - - - -1 -
,
- - -
A'
-
1
/- cos 100 ni
-- - '-- - - -; - - - - -
_ _ _ _ 1_ _ _ _ ____ 1 _ _ _
,
- - - _ !_ - - - - -
,
_ 1- __ _ _
, t
o --- -..,.. -- - - -1- - - - - -1- - - - -
-1 5
, ,
--------
, --------
, - -_!..._- -, - - - _1 -
¡
_ __ _
,
, -A
- - - - + - - - -
,-
~ - - - - 1- - - - - ~ - - - - + - - - - ~ - - - -
,
- 1- - - - -
1 1 1 1 I ,
--- - T -- -- 1- --- -- --- -~- ---r- ---1-- -- -I ---- -
o
F IGURA 111.43
1
F" = -F(W)
T
!m=".,o
89
l~¡'--------"-r--- - --- ·
t F
A
,1
, " , ,
~{g(t)} = At Sa ~t)2 2
(
A,
· · · · r· · ,I7F~I, r~
, " " ,
---------r---------i----------f------~~- ---------:----------1----------r---------
--------¡- --r - -------- ~------ ---¡---------r------..
F IGURA 111 .46 . Señal triang ul a r de d uración 2. y va lo r m áx imo A.
d(g(t»
como f(t ) = -d- { } {dg(t) } _
I -, entonces ~ f( l ) = ~ di = JwG(w)
AA
_J- sen 2(wt /2 )
w
90
Otra forma d e resolver este ejemplo es aplicando el teorema d e d es-
plazamiento en el tiempo; vea mos cómo.
Del teorema de d esplaza miento en el tiempo
3{g(t -lo} = G(w)e -''''O
simplificando tenemos
Caso 3)
1*) TFTO
===}
x(W)
1¡1/1¡
T2T3T4TST "T
C.lso 4) x(k)
) x(,,)
TFD
===}
[¡l/[! [ I k
T2T3T4T5T . "T
FIGURA 111 .47. En la parte superior de la figura vemos casos en los que e l dominio del
tiempo es discreto y la frecuen cia continua (transformada de Fourier de tiempo di screto).
La parte de abajo corresponde tanto a tiempo discreto como a frecuen cia discreta
(transformada de Fourier discreta)
92
Trmlsforll1ada de FOllrier
SEÑALES DISCRETAS
Implllso Il l1itario
. {l
8¡..j = O
si 11 =O
s i 11:/:. O
01"1
-1 o 2 3 4
"
FI GURA 111 .48 . Seña l impu lso un ita rio
iJ = {~
si H = i
8[11 -
si 11 :/:. i
5(11 - i)
"
F IGURA 111. 49 . Señal impul so unita rio desp lazado cie rto
va lo r i a la de recha
Escalón unitario
1l[1l1= {~
si n < O
si n ~O
II(IIJ
-1 o 2 3 4 ...
"
FI GURA 111.50. Señal escalón unitario
Flinción seno
-'--
FI GURA 111.51 . Seña l senoidal disc reta
3 ..•......................
2 ••••• •..........
-1 o 2 3 4
"
FIGURA 111.52 . Señal del tipo lineal
FUllción decreciente de 11
O para 11 <O
x 11 -
[ ]- {(0.9)" para 11? O
xiII]
.....
".
"
FIGURA 111. 53. Seña l discreta decreciente
(111.28)
95
La TFTD tiene las siguientes características:
• X(eiw ) es una función periódica de periodo 211, así que solamente
necesitamos graficar el intervalo [O, 211J para conocer la TFTD de x[n J.
• Note que X(elw ) es una función continua a pesar de ser obtenida a
partir de una función discreta.
A continuación se muestra una gráfica donde se ilustra lo anterior.
TFTD
~
'"
FIGURA 111.54. Señal muestreada en el tiempo y su respectivo espectro
emp leando la transformada de tiempo discreto de Fourier
Desplazamiento en el tiempo
1
Convolu ción - X ,(w)' X , (w)
2n
w 3
~
~
"'"
'c
~
:;
2.5
1.5
0.5
y '
i. \". / "(jl
,
i" 't-
- 10 -8 -6 -4 -2 O 2 4 6 8 10
X«" ') =
- ,
L 5(0.7 )"-' 11(11) - 11(11 - 10),'- "'" = 5(0.7r' L (OT''')''
" .. (1
97
K-l k l -o. K
Utilizando la expresión: La = -- Va
k=O 1-0.
la TFTO es:
X(e fw ) = ~ [ 1 - (O.k/W)"]
0.7 1- 0.7e-""
w = - 2* pi:0.Ol:2* pi;
A = 1- (0.7* exp(j* w)).1\ 10;
B = 1 - (0.7* exp(j* w));
Fw = 5* A./((O.7)* B);
p lot(w, ab s(Fw)), grid, xlabell'w'), ylabell'Magnitud d e F(w)'}
24 r---'-~--~-~-~, --,~-~:---'
, , ,
22 --------~---- -----~-------- --------~--------¡----- - - - ~ --------
" " ,
!,
-------~-------_ .
,j
--------
-------- ---------
~
"O
"O
-"
14 -------L-------t------
,,, ,,
,
_L_____ L
,, _______ L
,
''
'
,, _____ L-------
,
,
,,
·c
•'"
::¡
12 ------i---------r----- --1-- ------[--------t-------1---------
10 --------~-
, ---- -~--
, -------~----
, --~---
' -----~--------~------
, , -~---------
,
, , , ' , , ,
8 ________ 1--_____
,
~---------~
, ,
-- - ____ 1--_____
'
-L-_____
,
--1,_____ __ ~---------
,
,, ,, ,, '' ,, ,, ,,
64 --------j----- --j-------+ ------j------ -f-------_¡__ -----j---------
-8 -6 --4 -2 o 2 4 6 8
w
F IG URA 111. 56 . Tra nsformad a de Fourier de tiempo discreto
[n] [k]
El par de transformadas d el tiempo y frecuencia para una secuencia
discreta periódica son las siguientes:
N -I -,!.::b'
X[k]= ¿ x(n)e N "(111.30)
.,,,0
1 N-I i~k.,
x[n] =- ¿ X[k]e N (IlI.31)
N k"O
• Linealidad
• Simetría
• Desplazamiento en tiempo
• Desplazamiento en frecuencia
• Convolución (lineal o periódica), etcétera
99
8
7 -------_ ....., ..
_------ - --~--------- .."--- -----"----------"---------- ---------
6
-- -------r---------r------ -r---- ----r---------T--------- i----------
e 5
t
u "
.ee 4 :::.'::::r:::::::::r::::'.:r:::. ::r:::::::r::::::'r :::::::.
"
•
~
2
•• rr.l . f T·J
o
O 2 4 6 8 10 12 14
w
F IGURA 111.57. T ransformada de Fou rier de tiempo discreto
9 , , , ' . ,
e
8
.,, ,,, ,, , ,,, l-, ----~--------
--------L--------t--------j---------l--------L--------
., ,,
,
,,
'
.
'' ,, ,, ''
""
.,
~
7
-------r------T------T-------T-------r----- T----- -r-------
u
~ 6 ----- -- ~ --------- . -------- . -- ------_._---- -- -~ ----- ---.-------- ---------
¡:;
~
~
~
5 ------ l---------l--------L------.l.-------L-
: : : : : ----1..------1
: : -------
E
~ 4 -------- :---------~--------~---------~----- ---~-- ------~-------__i_- ------
e , : ¡ : ¡ : i
"" 3
_____ ___ ~ __ __ ___ ~--------~---------i ________ ~- _______ !___ _____ l.__ ___ _
u" ¡ ¡ i ¡ i ¡ i
.'l
'c
O>
•
2 --------1-- ___ o_o' -- ---j------- -t- ------ ¡---------t--------t---- ---
" --------~--- -- --- -----1---- -- ~- --- -----t--------+----- --
O
¡ i!! ¡
O 2 3 4 5 6 7 8
FIGURA 111.58 . Transformada de F o urier disc re ta y de tiempo disc reto en asteriscos
100
Com o puede verse en la gráfica anterior, la resolución del espectro es
muy pobre; p ara aumentarl a agregamos ceros a la secuencia . Es decir, aho-
ra tenem os X[I1] = [2, 2, 2, 2, 0, 0, 0, 0, 0, 0, 0, O], entonces ahora tendremos
WN :;;:; e-j2n/ 12 :;;:; e -j 1t/6; la TF D tiene ahora los valo res:
X(k) = [8, 47321 - 4.7321i, -3. 4641i, Oi, 2. 0000 + O.Oi, 1.2679 - 1.2679i, - O.OOOOi,
12679 + 1.2679i, 2.0000 + Oi, 0.0 - O.Oi, - 0. 0 + 3.4641i, 4.7321 + 4.7321i[
:
,,,
:
,
:
-
,
- ~ --- - -- --- ~ -----
' :
' ,
,
-¡------ -- ----- -- --
:
'
'
Para poder ca lcular la transformada de Fourier de una sell al con tinua x(t)
se d eben da r los siguientes pasos:
10 1
Truncam iento temporal
Cálculo de la TFD => muestreo espectral
TrIlIlcamierlto temporal
11 E[O, N- I]
con no
l~
si O<x <3/ 2
N(x) =
si no
xl'IJ
3/2N 2N
"
102
Discretizando la señal, tenemos:
xlIII
"
FI GURA 111. 6 1 . Seña l senoidal. tomando tres cuartas partes del pe riodo
(existe disconti nuid ad e n la reg ión co nsiderada)
lO
IV
F IGURA 111.62 . Efe cto en la frecuencia cuando se trunca una seña l en el tiempo.
tomando una ventana cuad rada (se inducen o generan componentes de alta
frec uencia Que no co rresponden a la seña l original)
103
Para minimizar el efecto de truncamiento, se utilizan otro tipo de ven-
tanas diferentes a las cuadradas, como son:
Velltalla rectalIglllar
si /1 E [O, N- I]
en otro caso
Velltalla Bartlett
2/1
Si /lE[O, (N-I)/2]
N-I
° sie [O,N-I]
2m,
WIIN( /I) = 0.54-0.46cos ( - -) para n E[O,N- I]
N- 1
VClltfllIn Blackmall
2m,
WbN( /I) =0.42 - 0.5cos ( - 1
41tn
- +0.08cos -
N-1
-
N- I
( 1 para n E [O, N- I)
104
rectangular
0 .8
0 .6
0.4
0.2
O ~~------------------------------------~~~__
(N - 1)/2 N-1
"
F IGURA 11 1.63 . Ejemplos de ve ntana s com unm en te usa da s para ll evar a cabo
el truncamiento temporal
EJERCICIO EN MATLAB
Genere dos sef\ales de la función seno con 128 mues tras por señal :
y¡ ; sen(O.5I)
y, ; sen(0.551)
Multiplique cad a una de las seña les [y¡, y, ] por cada una de las venta-
nas y obtenga sus TF respecti vas. Analice qué efecto produce cada ven-
tana .
105
• EJERCICIOS DEL CAPITULO IlJ
A cos 190 nI
~ f\ -<n
A
f f\f\f\ n
ti
~
-3 -1 1 3 5
V V V V V V V V
107
Teoría de muestreo
INTRO DUCCION
E
L INTERÉS DE MUESTREAR una seña l x( t) en tiempo continuo, pa ra te-
ner una representación de ésta en el d ominio discreto, se ha d esarro-
llad o en gran medida gracias a la facilidad , accesibilidad , bajo costo
y facilidad d e reproducir el procesamiento digitalmente. Si nos interesa
ten er una representación de la señal x(t) (do minio continuo) en el d om inio
discreto x (nT), o simplemente X (n ), esta rep resentación tendrá ciertas res-
tricciones, las cua les d escribiremos aquí (señal a banda lim itada y frecuen-
cia d e mues treo) . Fina lmente, la señal muestread a x(n) o x(nT), una vez
procesada, pued e ser reconstruida en el d om inio continuo x(t) por diferen-
tes métod os.
En el presente capítulo nos enfocarem os a definir las ca racterísticas
que debe tener una seña l que se d esea con vertir d e analógica a digita l; asi-
mismo, se presentará la teoría de muestreo (rea l e idea l). Los análi sis serán
tanto en el d omino del tiempo como en el d e la frecuencia. Una vez p roce-
sada la informació n, se explica rá !a teoría que permite reconstruir una se-
ñal ana lógica partiendo d e va lores digita les (interpolaciones linea les).
MU ESTREO IDEAL
109
x(t) ----<.,.JU
O~x . 1--_
Xm (l)
Donde:
- Wm Wm
(n) (b)
o,(t)
1
< >
Transformada
de Fourier
-
T Wo 1V
Wf)= 21t/T
FIGURA IV.2. Tren de impul sos de Dirac: a) e n tiempo y b) en fre cue ncia
Xm (t ) Xm (w)
<Transformada
>
de Fou rier
T w
110
El desarrollo analítico se expresa a continuación. Cabe aclarar que 8T (t)
es un tren de impulsos de amplitud unitaria y espaciados cada periodo T.
Adicionalmente, los valores de X(t) son continuos.
La señal Xrn(t) será el resultado de multiplicar el tren de impulsos 8T (t)
por la señal X(t), es decir, se escribe como: Xrn(t) = X(t) 8T (t)
Si sustituimos la función 8T(t) por su equivalente suma de impulsos
111
- 3T -2T -T o T 2T 3T
FIGURA IVA. Tres seña les en tiempo continuo con valores id énticos
en múltiplos enteros de T, muestreadas a un mismo periodo de tiempo T
1
5[/, (1)/,(1)] = - [ F,(w )' F, (w)] (IY.3)
2"
donde
112
3[J(/)] : F( w) : Q para Iwl >wm (IVA)
F(w)
- Wm Wm
Por otro lado, el tren de impulsos 0T(I) tiene como transformada otro
3!j.,, (I)] = Fm(w ) = 21¡¡ [F( w)* woo"o(w)] = ~~[F(w)*Il " , , (1V)1 (l V9)
113
si Wo = ~ (denominada frecuencia de muestreo), entonces la transforma-
da se puede reescribir como:
1
= y[F(w)' o"o (w)] (lVIl )
(IV12)
1 -
sU,,(t)] = y L,F(w- nwo) (IV14)
,,"'-
114
n) F(w)
- Wm Wm IV
b)
1 Wo o(W-nWo)
2.
wU= T
o Wo
e) Fm{w )
11 5
TEOREMA DE MUESTREO
fo = frecuencia d e muestreo
1,,, = frecuencia máxima de la señal
Definiremos W como la frecuencia angular y f como la frecuencia en
ciclos por segundo.
Al teorema d e muestreo también se le llama frecuencia de Nyquis l o
teorema de Shanl1ol1.
Si no se cumple la relación [V IS o [V16 se produce el efecto denomi-
nado "recubrimiento de espectro", como se pued e apreciar en la figura IV7.
Una vez producido el recubrimiento de espectro, NO se podrá recupera r la
señal analógica correspondiente.
corte: 1) desde -w", hasta w", y 2) desde - ~o hasta ~o (véase la figura IV.B.
El efecto del filtro será eliminar todos los espectros restantes, de tal modo
que calcular la transformada inversa de Fourier de la señal F(w) dará como
resultado j(t).
W o
2
w
F IGURA IV.B. Fi ltro de amplitu d T y d e limites --t a -t, filtro id ea l,
W
(IV.19)
(IV.20)
11 8
Interca mbiando el orden d e la integral y la suma toria qu eda:
(1v'21)
(IV.22)
(1v'23)
(IV.24)
(Iv'25)
seno (x)
Com p lementa nd o la exp resión d e la fo rm a x (función de
muestreo), qued a:
:-
211 "._
[2
(1 - liT)
]
T ¿- ¡( liT) - - - s enl (i-IIT)wo / 21 si ?VII
211
=--=¡- (1v'26)
(1v'27)
(1V.28)
(1V.29)
Los va lores que no existían entre nTy (n + l)T han sido ahora interpolados
por la suma de todas las funciones de muestreo a un tiempo dado (hay
va lores positivos y negativos).
¡ (I)
V(I) __
IIlríl
FI GURA IV .g . Reconstrucción de la señal analógica a partir de muestras digitales
120
MUESTREO REAL
Bloqueador
>
o T 2T 3T 4T
FI GURA IV. 1 O. Proceso de mu estreo rea l con la téc nica d e "blo queo"
Asen (2WT)
D(w) = ( wf )
De forma gráfica, pod emos ver el efecto de convoluciona r las dos se-
ñales en la fi gura ry.n , dond e se pued e observa r que se genera distorsión
d el espectro por la multiplicación d e ambas seña les.
Fm(w)
F IGURA IV .11 . Resultado de co nvolucionar las muestras de f(t) co n una funció n ve nta na
12 1
Si ahora el filtro en el dominio de la frecuencia es una función sampling
al cuad rado, veremos cómo afecta la función en el dominio d el tiempo.
A[sen(WJI2) ]'
lU -
2
~ o
FIGURA IV. 1 2. Efecto de multiplicar e l espectro periodizado
w
10
Fm(w) con una función del tipo samplin g al cuadrado
x(IIT)
Triángulo (t)
*
o
o T 2T 3T 4T 5T 6T 7T
122
Variables y procesos aleatorios
INTRODUCCIÓN
E
N EL PRES ENTE CAPíTULO se cubren temas ta les como procesos esto-
cásticos, va riabl es aleatorias y procesos ergódicos. Se plantean dife-
rentes herramientas para caracterizar va riables aleatorias, entre las
cua les destacan las siguien tes:
Estacionaria
Ergódica No ergódica
• función de correlación
3. Funcio nes de correlación Rxx(t, t + r)
{
• función de correlación cruzada Rxv (t, t + T)
Las cinco formas d e ca racterizar señ ales alea torias serán d esc ritas a lo
largo d el p resente capítulo, pero antes d e entra r en sus desc ri pciones es
necesa rio un pequeño repaso o recorda to rio de a lgunos conceptos fund a-
menta les d e probabilidad .
125
donde;
Q';P(A)';¡ (V.3)
1. prAl ~ O
2. pro) = 1, con o= lA , B, C, ... , MI el número total de eventos.
3. P(A + B) = prAl + P(B) si Y sólo si A n B = 0, con A y B eventos mu-
tuamen te excl us ivos.
o = espa cio muestra del experimento realizado (conjunto de todas
las posibles sa lidas o conjunto uni versa l)
126
VARI A BLE A LE ATORl A
Desd e el punto d e vista d e la ingeniería, una variable alea toria (VA) es sim-
plem ente una d escri pción numérica del resultad o de un experimento a lea-
torio.
Sea el espacio muestra S = {a l el conjunto d e tod as las posibles salidas
del expe rimento. Cu and o la salida es a, la variable a leatoria tiene un valor
que se d enota por X(a). Dependiendo d el espacio muestra, las variables
aleatorias se di viden en:
Ejem plo: La generación de una variable aleatoria la pod emos ver como
los n úmeros generados con un disco y una m anecilla; el d isco está di vid ido
com o u n reloj (d el uno a l d oce). Aplicando una fuerza a la manecilla, ésta
gira rá, d e teniéndose en un número; el valor d e dicho número lo elevam os
al cu adrad o, así la variab le aleatoria toma rá un va lor comprend ido entre 1
y 144 (12 al cu adrad o). La siguiente gráfi ca muestra nuestro ejemplo:
12
Giro
2. F , (~) =1 (V.5)
F~ (x)
0.6
0.4
0.2
o x O a b e x
lo) lb)
O x
Id)
F,(x)
- 10 -5 o 8 10
P(x::; 4)
P(x > 3/ 4)
o cuando -oo<x<- l
P(x
l
Sx)~ -1~ +~x cuando - 1 <x< 1
cuando
129
o x
-1
d
¡x(x): - Fx(x) (Y.l0)
dx
130
PRO PIEDADES DE LA FUNCIÓN DE DENSIDAD
DE PROBA BILIDAD
2. [ fx(X)dX = 1 (V 14)
(VIS)
1;.- _i)2
1 - 20;< 2
f x(X)= ~ e -<x<~ (V I ?)
v21to X 2
d onde:
G
x es la desv iación estándar
j( es el va lor medio d e x
o x 2 es la va rianza de x
131
_______ ~----4_-<\
(VI8)
0.84 1
0.5
0.159
~ __ ~=---~----~----~------------ x
x-o,
FI GURA V.6. Función de distribuc ión de probabilidad para la función gaussiana
x =O y eJ x =1
entonces:
(Y.19)
132
La expresión Y.19 se utiliza solamente para x 2 O (valores positivos),
para va lores x < O (valores negativos) tenemos F,(-x) = 1 - F,(x); haciendo
cambio de variable, 11 = (, - x) / (J , obtenemos:
(Y.20)
-
f x (x ) -
{_l_
b-a
para a,; x '; b
(Y.21)
O en otro caso
x-a
para a $. x $. b
b- a
Fx(x)= 1 para x >u
(Y.22)
O para x < a
¡ ,(xl
- - - - - - - - - - -:..--,--
1:13
La función de densid ad uniforme tiene particular aplicación en la fase
de cuantización en un convertidor analógico-digital; es decir, cu ando un
valor analógico dado tiene que corresponder a un nivel discreto, se tiene
que redondear ya sea hacia e l nivel superior o hacia el inferior.
a y b son dos constantes rea les; b > OYa pudiendo tomar cua lquier va lor en
el intervalo [~, =J. Las gráficas de la función de densidad y distribución
se muestran en la figura Y.B.
La función de densidad exponencial tiene aplicaciones en telecomu-
nicaciones cuando se modelan las fluctuaciones de una señal recibida por
un radar para cierto tipo de aeronaves.
j
~(X - a)e -(x-n¡2 / b para x ~ a
¡x (x) = b (Y.25)
O para x < a
134
¡ .(x)
1l b
o a x
1.0 - - -- - - - - -- - - -- - --
o a (b) x
FIGURA V.B. a) Función de densidad de probabilidad exponencial.
b) función de distribución de probabilidad expo nencial
x
In)
F~(x)
1.0 f - - - - - - - - - ---=-
0 .5 0.393
O x
lb)
PROMEDIOS ESTADÍSTICOS
Esperatlzn mntemáticn
La espera nza se define como un proceso de p romed iación cuand o una va-
riable aleatoria se invol ucra. Para una va riable a lea toria X, usa remos la
notación: E[XJ, esperanza matemática de X, o bien, va lor esperado de X o
va lor promedio de X; simbólicamente se representa a través d e la expre-
sión V27:
X = Ej X I (V27)
136
EIXI = X =[xfx(x)dx; (V28)
d ond e:
1-
Elx] = - -
h1[(J 2 -
f- -"
xe -1f - r ) /20 dx
(V.29)
El va lor esperado d e una función rea l g(x) de una VA está definido por la
ecuación V30:
Mome" tos
Una aplicación inmed iata d el va lor esperado de una fun ción g (x) , de la
va riable aleatoria X, es la generación de momentos.
Dos tipos de momentos son definidos: por un lado, los momentos al-
red ed or del origen, y por otro, los momentos alrededor de la media (mo-
mentos centrales). A continuación definimos los momentos a lrededor d el
origen.
Momentos alrededor del origen
Sea la función
g(.r) = .r", 11 = 1,2,3, ... (V3 1)
Momentos centrales
Por ejemplo:
Para 11 =0
Para 11 =1 ~ ,= E[ (x-x) ] = E[ x ] - E[ xJ = x-x=O=> ~ , =0
Para 11 =2 ~,=E[(x - x)' ] = [(X -X)'f, (x)dx
= Elx 2 J- X2 = 1// 2 _ 2
111 , = 0';
138
Al momento centra l de orden 2 ( ~, ) se le conoce como varianza de la
VAX. Si el va lo r med io es cero: x = 0, ento nces la va ri an za es igua l a l va lo r
cuadrático med io: cr; = 111 2 .
El análisis de los estimadores escapa d e los objeti vos d el presente li-
bro d e tex to; nos limita remos a cita r las expresiones para variables alea torias
discretas. Existen d os tipos de estimadores: con sesgo y si n sesgo. A conti-
nuación definiremos las ecuaciones para la estimación d e momentos d e
orden 1 y 2, alred edor d el origen y centrales, con sesgo y sin sesgo.
Estimador pa ra momentos d e orden 1 y 2 con sesgo:
1 N
111 , = E[x ] = N L X, (V36)
,"'\
1 N
111, = E[x' ] = - L X,' (V37)
N ;,=\
1 N
111, =E[x ]= - - L x; (V.39)
N-l 1.. 1
(V40)
1 -óx óx
- para--~x~-
!x(x) = ÓX 2 2
{
O en otro caso
... -.
I '.
--- J. - ---- --------- --.-.;,':- ------ ----- --- -- --- -- -- !lj + !lx(2
140
Momentos de orden superior (orden 3 y orden 4)
es timador
'J
m~ = E[x =
1", .,
N L.,¿ x , (V.46)
,.,
Centrales:
1'" = E[(x-x)" J= [ (x - x)"lx (x)dx (Y. 47)
Considerando que
PIX,; x, y,; yl ; P(A n B) (V.56)
142
Para N va riables aleatorias x,,; 11 = 1, 2, "" N
3. Fxy(x, - ) = O (v'61)
= p{ x 1 :5 X :5 x 2, y¡ :5 y :5 Y2} (v'64)
143
PROPIEDADES DE LA FUNCIÓN DE DENSIDAD CONJUNTA
1. f xy(x, y) ~ O (V.68)
(V.69)
(v'70)
(V.71)
(v'73)
Las propi edades definidas por la ecuación (Y.73) establecen las fun-
ciones de densidad ma rgina l para las variables a lea torias X e Y, respectiva-
mente.
Ejemp lo. Encuentre las funciones de densid ad marginal para las va-
riables aleatorias X e Y cuya densid ad de probabilid ad conjunta es:
fy (Y) =
Jo
r- xe-"""dx = ~
r-.tII(y)e -·"'·"dx = I/(Y) Jo (y+ 1)'
144
Para d os va riables a leatorias tenemos:
A ; I X~xlyB;IY~yl (V?5)
(V.78)
e-'
~ l/(x) l/ (y) (y + 1)' , por lo tanto X e Y no son estad ísticamente independ ientes.
145
MOMENTOS CONJU NTOS SOBRE EL O RIGEN
(V.81)
MOMENTOS CENTRALES
Sea la función g(x,y)= (x- x )"(y _ y )k; para dos variables aleatorias X e Y,
tenemos:
11", =E[(x-x )"(y _ y) k] (Y.84)
146
~ 20 =E[ (x-x) ' ] = cr , , (VS6)
ESTACIONALlDAD
(Y.92)
(Y.93)
E [ x( t , ) J ~ x~cte (Y.96)
148
X( I)= Acos(wl + <1» con A y úl constantes; y 4> una variable aleatoria con
función de d ensidad uniforme en el intervalo [0, 211].
Demostración: Si calculamos el valor esperado d e X( t ), se tiene que:
Si 6 = - t" entonces
f, (x" x, ;I" I, ) = f, (x" x,;O,I, - 1, ) = f, (x" x,; O, T) (V.98)
siendo ~ = t, - t,
Es d eci r, si ~ = t, - 1l' en tonces R" (X ,, X, ) = R,, (T) => vá lido solo para PA
estaciona rios de segundo orde n.
Puede observa rse que
R" (t, , I, H) = [X(t , ), x(t , H )] = R,, (T)
• E[x(I) ] = ete
• R", (t " t ,) = R, (t" 1 ,+ r)
149
entonces se dice que el proceso aleatorio X(t) es estacionario en sentido
amplio.
La estacionalidad en el sentido estricto se cumple cuando la función
de densidad conjunta a cualquier instante de tiempo no cambia, es decir, es
constante para todos los intervalos de tiempo.
Ejemplo. Muestre que el proceso aleatorio X(t) = Acos(wt + 8) es esta-
cionario en sentido amplio. Considere que A y w son constantes y 8 es una
variable aleatoria uniformemente distribuida en el intervalo [0, 21t].
Demostración: Lo que se tiene que demostrar es que el proceso X(t)
cumple con las dos condiciones siguientes:
• E[x(t)] = ete
fo(e)
Pele)
1
2n~--------------' -- - - - -- - --:;.-.-,-- -
~------------~~-----e ~~------------~----___ e
O 2n O 2n
(a)
(b)
f- r"
E[ x(t)] = __ xj, (x )dx= Ja Acos(wt+8)d8 = O
150
b) En segundo lugar, calculamos la función d e a utocorrelación:
Rxx (1, t +r) = E[X(I)X(I +T) J = E[A cos(W ol + 8)A cos(W o[1 +T J+ 8) J
= A' E[cos(W ol + 8) cos(W o[1 + tJ + 8) J
1
cos(a)cos(!3) = 2 [cos(a +13) + cos(a - !3) J
\5\
5. Si E[x(t)] = X" Oentonces R,,(E) tendrá un valor constante
6. Si x(t) tiene una componente periódica entonces Rx,(t) también ten-
drá una componente periódica
7. La función de autocorrelación R•.('t) no puede tener formas de onda
estacionaria
152
e) Señal de banda angosta
E[A ] = E[B] = °
o~ = oi = E[A ' ] = E[B' ]
= o' E(coswot )
t 54
Propiedades de la !uncióll de correlación cruzada
(VI04)
(VI05)
(VlO6)
(v. lO?)
(VlO8)
es decir:
Pu =< E[x' (t)] > (VlO9)
R xx = - 1
. 21t -
f-
Sxx (ú.) )(,I""dU) (V 111 )
155
(Y.112)
(Y.J13)
(Y. 114)
5. - 1
2" -
f-
S"e'"' dw=<R,,(t,t+ T» (Y.U7)
(V.118)
fO
R., (T) = - 1 S.,(w)e""' dw (V.120)
2" -
156
Curso Matlab
INTRODUCCIÓN
M
ATL AB ES UN PROGRAMA que nos permite rea lizar cálculos numé -
ricos con vectores y matrices. También puede trabajar con es-
calares, tanto reales como imaginarios. Una d e sus capacidades
má s atractivas es la de poder realiza r una amplia va riedad de g ráfi cos en
dos y tres dimensiones.
En este curso de Análisis de señales utili za remos el Matlab como una
herramienta para visualizar señales en forma g ráfica.
La s sig uientes instrucciones de Matlab son ampli (1 mclltc utili zadas en
la generación y procesamiento dig ital de seilales; es to permite observar
ciertas ca ra cte rísti cas de la seílal d e manera rápida y fá c il.
A continua ción se mues tran algunas instrucci ones básicas. Se reco-
mienda al alumno practicarlas antes de inten tar escribi r un programa.
help Documentación en línea. Nos permite ver lo que 'hace una flUlción'
what Listado de Directorio de arch ivos con extensión M-, MAT- Y MEX
type Lis ta d e archi vos M-file
loo kfor Bú squeda desde el teclado a través del co mando H ELP
wh ich Locali zar fun ciones y archi vos
demo Cor rid a de demos
157
MANEJO DE VARIABLES Y WORKSPACE (ESPACIO DE TRABAJO)
GENERACIÓN DE SEÑALES
resultado
51 =
-8 -6 -4
-2 O 2
4 6 8
% multiplicación d e matrices
Resultad o
2=
30 24 18
84 69 54
138 114 90
resultado
21 =
9 16 21
24 25 24
21 16 9
159
1 = -100: 2 : 100; % matriz de lx101
y = randn (size(I)); % matriz d e números aleatorios de 1 x 101
1 - - - - - -.--
: :
- 1 ............... .
-2 ........
: ' 'y
-4 -3
____ o: -
-2
--- ~ --
-1 o
- :._--_. "
2
---- .. ---- --
3 4
Tiempo (seg )
160
tex t(x o' Yo' 'punto') % pone una leyenda dadas las coordenadas (x o' Yo)
loglog ( ) % grá fica en escala logarítmica
semilog ( ) % gráfica en escala semilogarítmica
n ~ 0:10;
x ~ (0.9).l\n; % aq uí el símbolo 1\ indica que n es un exp onen te
st em(n , x) % gráfica en forma discreta
grid
xlabel('número de muestra')
ylabe l(' voltaje')
ti tle(' secuencia')
Secuencia
2
1.8 - _ ... ___ _ - - ___ __ • - - - - - - - - - - __ - - - _ • • __ -o. ____ __ ___ _
, ,
, ,
1.6 - - - - - - - -- - - - - - - - T - - - - - - - - - - - - - - - - T - - - - - - - -- - - - - - --
~
1.2 - -- - - - - - - - ------ ~ -- --- -- -- --- - - - - ~ ----------- -- - - -
'§"
g o - - -- - - - - - - - - -- , --
- ~ -- - - - - -- - -. - -_., - - - - - - - - - - - --- --
, ,
0.8 -------- -., -------- - - - - - - -- ., -- - -- - - - - - - - - - --
, ,
0.6 - - -. - - - - ---- - - - -. - - - - - - - - - - - - - - --
0.4
_o, __ , ______________ __
0.2
o o 5 10 lS
Número de muestra
-: 111llll¡¡·'1fiN¡¡,
-4 -2 ~~----~-----7,
-'~0------~0~----~'0 - 10 O 10
n n
3 , -__~M~a~gn~it~ud~__- , Ángulo de base
200,----"---------,.
_::: ¡¡¡¡¡lI""'íf1l11i
O ~~~~Lll~~U
-200 ~ _ _ _: -___--:-:
-10 O 10 -10 O 10
n n
w blanco x
k negro
Ma tlab permite coloca r varias gráficas en una hoja; veamos esto con
un ejemplo:
162
y1 = sin(3·t). / t;
plot(t, y1); % gráfica en la posición (1, 1)
title ('función sampling')
subplot(222) % se coloca en la figura (1,2)
stem(t, y 1);
subplot(223) % gráfica en la posición (2, 1)
t = 0:pi/50:1O'pi;
plot 3(sin(l), cos(l), t); % gráfica en tres dimensiones
title('hélice')
subplot(224); % gráfica en la posición (2, 2)
x = -8:0.5:8;
y=x;
[X, Yj = meshgrid(x, y); % convierte los vectores a matrices de n x m
R = sqrt(X. A2 + Y.A2);
z = sin(R)./ R;
mesh(z); % gráfica en tres dimensiones
grid
title('función sampling en tres dimensiones')
~
20 o
o
1
O o 20
-1 -1
163
SERIES DE FOURIER
4v ~ 1 4v 1 1
f (t) = - L... -Senllúl ol = - (senúlol + -sen3úl ol + -sen5úl ol + ... )
1t 1I~1 n 1t 3 5
1 =0:.1:10;
y = sin(t);
plot(l, y),
D.•
o
-0.2
-0 .4
-0 .6
, .. .., ----
-0. 8 .... ,, .. . .," ... ........,, ... ,,... .,, .... ...
"'"
,, .. ..
. ,, . .
~ ~ ~
,
-\0~-~~2-~3-~'~~5~~6~-7~~ ' -~ 9 --"\0'
Primer armónico
y = sin(l) + sin(3* 1) /3;
plot(t, y)
O.•
06
O,
0 .2
, ., , .. , , "
.
.... ~_. __ ~ . . . . __ ~_._ . • . _._ • . .. • . . . . . . . . .•
, , , , ,
,
.
o ... -:-, -_. -:- ----:, ----:-, ---,., ---.;, - .. ¡, .... r, .... ,~ . ..
-0 .2
, . , .
__ ._~ ____ ~_._~ ___ ~_._.~._._
.,
, - _. - ... _. - "
,
~
,
_. _, '
._.: .... ; .... ~ . ..
. _ . •"
. , ,
-0 .4
.,
_ •• -r
.,
_,o ".," - '.,' . . . . , . _. _, __
-0 .6 _ .........
,
, ..
_'... . .,'..
,
-0 .8
164
y =sin(t) + sin(3* 1) / 3 + sin(5* 1) / 5 + sin(7* 1) / 7 + sin(9* 1) / 9;
plot(l, y)
, , , ,
, , , ,
rrl:n.,'",.:r
, \7 :•.•. ; .... ; .... ;.. ,
0.6 .... ~ ....:.. . . . . . . . ..: .... ~ .... ; . . . : .... : .... ~ .. .
" ,
" , "
, "
, , ,
0.4 .... :.....:..... ····:····~·· · -1 - --t.---f----~- --
, , , , , , , , ,
0.2 ____ ____ .. . .. ..: ___ ..: ____ ____ ; ___ : ____ : ____ __ _
~ ~ ~
, , , , , , , , ,
O ____ :"__ • • _: _____ : ____,
:____, "
, ____, ___ "
; ____ ; __ ._¡. __ .
, , , , , , , , ,
-0 .2 -- .....,, ......., _-_ ..." --_ .., _."
_-,---_ ., _._"
' ., _--- "----,- --
, ,, , ,, , , , ,
,, , , , , , , , ,
-0.4 -- ..... . .. ,-----, --- . . ----,---- , ---'---- r---- r- --
,, , ,
, ,
, ,", ' ,", ,
____ '- __ • • ' . . . _-' _ _ _ -' ____ , ____ ,
___ • ____ L ____ L __ _
-0 .6
,,, ,, ,, " ' "
-0 .8 ---- , --.- ,,
,
..
,
..... -....
,
,,
" '" ,
--_ ... ,
,, _-- .-._-
,
,
.,, --
,
- 1 , -:-
~o-"""--:- 3-47-~5:--C6:-~7:--C8:--C9,---J1O
Adición de tres armóni cos
t = 0:.02:3.14;
y = zeros(lO, max(size(t))); % abriendo espacio para almacenar los
valores de los armónicos
x = zeros(size(t));
ANÁLISIS ESPECTRAL
subplot(211)
plot(t(l:100), yl(I :100)), title('señal con ruido en e l dominio del tiempo' );
165
xlabel('tiempo (seg)'}
grid
y =fft(yl, 256); % obtención de la fft utilizando 256 puntos
yy = y.* conj(y) / 256; % obteniend o la norma
f = 1000/ 256*(0:127); % generación del vector frecuencia
subplot(212)
plot(f(1:100), yy(1:100)); % graficando solamente 100 puntos
title('espectro de la señal');
grid
xlabel('frecuencia (hz)'}
: (IV""
,' . . . : ' .\ 1 :' : \ ?: \ . J ' '\. I
-. ---:-- ---
- 5 -- ---!-----
'. ~-
,
-- - . - -- -- -------~ ---- - .
" . . .,
_,~--~J---- ~-
0 ~~~~~~~~~~~~~~~~~~~~7
O 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
tiempo (seg)
Espectro de la sefial
80
CONVOLUCIÓN
166
Secuencia x{n)
Al = zeros(1, 5)
A2= ones(l, 10);
A3 = zeros(l, 40);
X = [Al A2 A3]; % generando la secuencia X(I1)
n = -5:49;
stem(n, x)
grid
title('secuencia x(n)')
xlabel('n')
h = (0.9).1\11; % generando la secuencia h(lI)
subplot(31l)
plot(n, x)
subplot(311 )
stem(n, x)
title('secuencia X(I1)')
subplot(312)
stem(l1, h)
title('secuencia h(l1)')
y = conv(x, h); % convolución entre 1'(11) y h(lI)
subplot(313)
stem(y)
title('convolución entre h(n) y x(n)')
axis([O 60 O15))
.] J[[[[[[,=,~""=",,:,,j
- 10 o 10 20 JO 40 so
]~
- 10 O 10 20 30 40 so
~LYI.nrr:::::=J
- 10 o 10 20 30 40 so
168
Bibliografía
169
Fórmulas
lDENTlDADES TRlGONOMÉTRlCAS
171
2cos' (x) = 1 +cos(2x) (12)
(19)
(20)
A= Rcos(8) (21 )
B = Rsin(8) (22)
INTEGRALES INDEFINIDAS
dx 1
f a+bx
-- = -
b
In la+bxl (24)
dx -1
f (a+ bx)" -
-:-::::--:-:- -
(1I- 1 )b(a+bx)"~¡
1< 1/ (25)
172
dx
f c+bx+ax'
b' < 4ac
-2
=2ax+b b' = 4ac (26)
f c+bx+ax
xdx
2
l '
- 1 in ax +bx+I.I--
2a
--1 b dx
2a c+bx+ax 2
f (27)
(28)
(30)
--:-:~7
. ,x---,,, +
24(a ' +X' )'
x
16a ' (a ' +x' )
+ - l - tan - ,( -
16a '
x)
a (31)
f a'x'+dxx'
--=- -
1- In
( x' + ax.,Ji + al)
+- 1 - tan .,( -ax.,Ji
-) (33)
4a.,Ji x' - ax.,Ji + a' 2a.,Ji a' - x'
f -a x dx-
2
+ X2
=-1 1n (a' +x ' ) 1
2
l i3
f-'aX-'+xdX-2= x-a tan - (Xa ) I
- (35)
dx
f (a' + x' )' -:-,.,--,x,------= + _ 1_ tan -, ( .:.)
2a' (a' + x') 2a' a (36)
xdx -1
f (a' +x' )' (37)
2(a'+x' )
(3B)
_ ' d:::;x~
f (a'--;:.x--,+x' )'
= -x + x 1
+-tan
4(a' +x' )' Ba' (a' +x' ) Ba'
_, ( -x )
a (40)
a' x 5x (x)
3 tan _, -
::-:--;::"-...,,,+- (41 )
4(a' + x' )' B(a' +x' ) Ba a
FUNCIONES TRIGONOMÉTRICAS
174
FUNCIONES EXPONENCIALES
eU
fe RX
dx = --;- a real or complex (48)
.f xe"' dx = e
U
[~- al, ] a real or complex (49)
- - -2x + -2]
fx ' e u d x=e u [x'
a a 2
a 3
a real or complex (50)
(51)
eU
f en sin(x)dx = - ,- [asin(x) - cos(x)]
n +1
(52)
e"'
fe"' cos(x)dx = - ,-[ncos(x)+sin (x)]
n +1
(53)
INTEGRALES DEFINIDAS
(54)
(55)
l-
o
Sa(x)dx =
J,- -
o
si -
n(d
x
X )"
x=-
2
(56)
175
SERIES INFINITAS
X, x' - "
e, = 1 +x+-+-+ ~ X
.. -- ~
1 (58)
2 3! ".0 nl.
i>=N(~+ 1)
,,~ l
(59)
f n' = N(N+1~(2N+ 1)
(60)
",, 1
(62)
N~
LN
N
L e/ o.. "o) si n [(N + 1) $/ 2Je,!O'INo/2l!
(64)
II ~O
sin ($/ 2)
L (N)=L
N
''"o 11
N
IJ=O
_:.:.N,-I- = 2N
I/!(N - II)!
(65)
176
Tabla de función de distribución
gausiana o normal
x .00 .01 .02 .03 .04 .05 .0• .07 .08 .09
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .559• .563• .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6 141
0.3 .6179 .62 17 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .659 1 .6628 .6664 .6700 .6736 .6772 .6808 .684' .6879
0.5 .6915 .6950 .6985 .7019 .705' .7088 .7123 .7 157 .7 190 .7224
0.6 .7257 .7291 .732' .7357 .7389 .7'22 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .770. .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1. 0 .8413 .8438 .846 1 .8485 .8508 .8531 .8554 .8577 . ~599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .90 15
1.3 .9032 .9049 .9066 .9082 .9099 .9 11 5 .913 1 .9 14 7 .9 162 .9 177
1.4 .9 192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .939' .9406 .9.1 8 .9429 .9-J41
1.6 .9' 52 .9463 .9474 .9' 84 .9495 .9505 .9515 .9525 .9535 .9545
1. 7 .955. .9564 .9573 .9582 .9591 .9599 .9608 .96 16 .9625 .%33
1.8 .9641 .9649 .9656 .966' .967 1 .9078 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .97H .9750 .9756 .'Ji" ! .9767
2.0 .9773 .9778 .9783 .9788 .9793 .9798 9803 .9808 .98 12 .98 17
2. 1 .9821 .9826 .9830 .9834 .9838 .9842 .98-16 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .987 1 .9875 .9878 .9887 .9884 .9887 9890
2.3 .9893 .9896 .9898 .9901 .990..J .9906 .9909 .9911 .99 13 .lJ916
2.4 .99 18 .992U .9922 .9925 9927 .9929 .9931 .9932 .99;\-1 .9936
2.5 .9938 .9940 .99-11 .9943 .99<5 .9946 .yq-lg 9949 .9'151 1;1952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .99fo2 99óJ .9%4
2.7 .9965 .9966 .9'167 .9968 .9969 .9970 .997 1 .I]qi:! .99i3 9974
2.8 .9974 .9975 .lJl)76 .9977 .9977 .9978 .997':J .9979 .YYSll .'lYSl
2.9 .<)Y81 .9982 .9982 .9983 .9984 .9984 .',N85 y9S5 'NSó -)<.)S¡;
3.0 .9987 .9<)87 .9987 .9988 .9988 .9989 .9'189 Y9iN 'JI}<JIl 9'.1YO
3.1 .9')<iU .999 1 .9991 .9991 .'1992 .9992 .9992 . (N9~ .99<13 9'NJ
3.2 .9993 ,9'JY3 .9994 .9<J9"¡ .9994 .9994 .9994 .i.J'N5 'i'l'/, 'i'l'/'
3.3 .9995 .<)l}YS .9996 .9'196 .99'16 .99'16 .9996 .'l':N% ,<)<}% IjtNi
3.4 ,99'17 .9997 , 9~7 ,991)7 ,9997 ,<)lNi ,9'/97 ,<J<.Ni .'i'l'/8 ,Cj<)IlR
3.5 ,1.)<}1}8 ,l)91.)8 ,YI.)<.)8 ,l)l)l)R ,91jt)8 .9998 .1.)"")8 YJIJ'N3 99l)~ Y'N8
3.6 .9<>98 ,9 1)l)l) ,1J'l99 ,l)999 .1)999 ,91)99 ,9I.JYo.J ,99'14 l)'1'1'1 IJ9lJ9
3.7 ,l)9'j1) ,1)91)9 ,'-'''XIY ,1)9"X1 .9'199 ,999l) ,99')9 ,Y99 1J 999') 4,,"'1
3.8 .9999 .9999 ,9991.} ,99'-)l) ,99')9 .9999 994'1 Itl(XIO ltl()(K) I()()flt)
177
,
Indice analítico
179
F funciones d e correlación, 11 , 123-125,
154
fenómeno de Gibbs, 28 funciones de correlación cru zada, 123,
fórmula s, 171 154
frecu encia de mues treo, 109, 114, 116 funciones de dis tribución, 123, 125,
frecuencia de Nyquist, 116 128, 142, 143, 147
frecuencia relativista, 125 funciones exponenciales, 19,21,38,39,
funci ón de autocorrelación, 149, 40, 51
151-155 funciones ortogonales, 21, 22, 25, 39,
función de autocorrelación Ru(t) , 152 146
función de densidad conjunta, 143, funciones pares e impares, 31
144, 145,150 funciones senoidales, 21
función de densidad de probabilidad, funciones trigo nométricas, 19,21, 23,
20, 125, 127, 130-1 35, 137, 149, 150 38,60
función de densidad de probabilidad
normal o gaussiana, 11 , 134, 135 G
funci ón de densidad de probabilidad
Ra yleig h, 134-136 ga ussiana, 11 , 123, 131-133, 137,
función de densidad de probabilidad 141, 142
uniforme, 133 generación de señales, 158
función de densidad espectral, 125, generar los armónicos de una señal
155,156 cuad rada, 165
función de distribución, 127-130, 132, gráfica en forma continua, 160
133, 143, 145, 147 gráfica en tres dimensiones, 163
función de distribución de orde n 1'1 ,
148
Función de distribución
de probabilidad, 127, 128-130, identidades tri go nométricas, 21, 151
132-135 importancia de la e lección del periodo
función de dis tribución de T en la funció n tren de impul sos
probabilidad exponencial, 134, 135 _T(I),21
función de distribución de impulso unitario, 84, 93, 130
probab ilidad Rayleigh, 134, 136 impulso unitario desplazado
función de distribución en tiempo, 93
de probabilidad uniforme, 133 independencia estadística, 11 , 123,
función de muestreo, 144, 148
función decreciente de 11 , 95 integral de convolución, 77, 78, 106
función delta de Ojrac, integrales definidas, 9, 13, 49, 109,
función lineal de 11 , 123, 157
función sampling, 122 integrales indefinidas, 172-174
función sa mpling a l cuadrado, 122
función seno, 60, 94, 105 L
función signum, 61, 62, 63
función sin c(x), 120 ley asociati va, 83
180
ley conmu tati va, 83 propiedad de diferenciac ión
linea lidad , 10, 67, 68, 96, 99 en el ti empo y en la frecuencia, 85
propiedad de escalamiento
M en e l ti empo, 71
propied ad de escal am iento
manejo d e vari ables, 158 en la frec uencia, 71
Ma tlab, 9-11 , 47, 48, 89, 96, 97, 99, 100, propied ad d e la fun ción d elta, 57,
105, 106, 157, 158, 160-162, 166 58,66
momen tos, 137; alrededor de la media, propied ad d e linea lid ad , 10, 68
137; a lred edor de l origen, 137, 238; propied ad d e sime tría, 69, 70
centrales, 137, 138, 141, 146; propiedad d e Eu ler, 1\ 9
conjun tos sobre el origen, 146; propi edades de la con vol ución, 83
de orden 1 y 2, 139; d e orden propied ades de la función
super ior, 141 de autocorrel ación, 151
muestreador "bloquead o r", 121 propied ades de la funci ón
muestreo, 9, 10, 43, 101, 102, 109-111, de correlación cruza da, 153
114, 11 6, 117, 119, 120; rea l, 10, 121; propied ades de la función
idea l, 10, 116 d e d ens idad conjunta, 144
propi edades de la funci ón
de densid ad espec tral d e potencia,
o 156
propied ades de la función
ortogon alidad y series de Fourier, 9,
de distribución, 143
13, 19
propi edades de la transformad a
de Fourier de ti empo conti nuo, 143
p propiedades de la tran sform ada
de Fourier de tiempo discre to,
period ización de espectros, 114
periodi za ci ón del espec tro, R
105, 114, 11 5
period o de mues treo, 114 recub rimiento de espec tro, 10, 116, 11 7
probabilidad , 9, 10,20, \23, 125- 134,
149 s
proceso aleatorio en sentido amplio,
149 sec uencia, 17,92, 98,99, 10 1, 102 ,
proceso aleatorio es taciona rio 161, 167
d e p rimer orden, 148 seli ales <1 1ea torb s, l-t, "1 9, 12-t , 12'::;
prom ed ios es tad ísticos, 124, 136 señales continu<l s o an<ll óg icas, l-t, 16
propied ad de con volución, 10, 77, seña les de energía, l-t, 15
11 2, 121 sei'íales de potencitl , 1-t , 15
propi edad d e corrimiento seli a les de terrn in ísticas, 1-1- , 19
en el ti empo, 72, 73, 74 señales d igitzdt:'s, 1-1- , 17
prop iedad de corrimiento seii,l les d iscret.ls, 9 1-93
en la frec uencia, 7-t seIiales no es t.lc ioI1M i,lS, 12-1-
t8 1
señales periódicas y no periódicas, transformada de Fourier de tiempo
17, 18 discreto (TITO), 95
serie de Fourier trigonométrica, 22, 27, transformada de Fourier de un tren
29,32,33,36,38,39,47 de impulsos, 113
series de Fourier, 9,10,13,19,25,28, transformada de Fourier discreta, 91,
91,92,164 92,98-101,106
simetría, lO, 31, 67, 69, 70, 123, 141 , 142 transformada de Fourier discreta (TFO),
sistema operativo y archivos, 158 98
subplot, 162, 163, 165-167 transformada direc ta, 52, 118
transformada directa de Fourier, 118
T transformada inversa, 52, 59, 69, 71,
96,99,117,118,155
taxonomía de señales aleatorias, 124 tren de impulsos, 36, 105, 109-115
teorema de convolución, 84 tren de pulsos de Dirac, 67
teorema de muestreo, 10, 111, 116, 117 truncamiento temporal, 10, 102, 105
teorema de muestreo, 116
teorema de Parseval, 155 v
teorema de Shannon, 116
teoría de muestreo, 9, 10, 109 valor esperado, 10, 123, 136-138, 145,
tiempo discreto, 17, 91, 92, 95-101, 148-151
106,111 valor esperado de una función,
title, 160-163, 165, 166-168 137, 145
transformada de Fourier, 47, 49-53,56, valores promedio, 124, 125
61,64,66-70,73,84,85,88,90-92, variable aleatoria, 127-131, 133, 136,
95-101,106 137-139,142,146,147,149-151
transformada de Fourier de tiempo variables aleatorias, 10, 11 , 123, 127,
continuo de una función 130, 139, 141, 142, 143, 144,145, 146"
no periódica (TITe), 51, 64 147, 148
transformada de Fourier de tiempo variables y procesos aleatorios, 9, 10,
discreto, 91, 92, 95, 97, 98,100,106 123
182
,
Indice de figuras
184
Figura 111.37. G ráfica d e las funci o nes impulso e n e l dominio r ,
ro tadas y despla za das T seg . . . . . . . . . . . . .... .... . 81
Figura IJ1.38. Resultado de la con volución cua n do T = 3 seg y Re = 1 seg .. 83
Figura 111.39. Ejen1plo d e seña l m odulada en amplitud p or una función
cose noidal ........ . ....... . 86
Fig ura 111 .40. Seña l demod ul ada e n a mplitud
(desplazada él la frecuencia cero) ...... . 86
Figura 111.41. Seña l de l tipo cosenoida l 87
Figura 111.42. Función ventana de duración t y ampl itud A 87
Figura IJI.43 .. ....... ........ .. .... ... . ... .... . 88
Figura 111.44 . Función trián g ulo de d uración 2 y amplit ud má xima A 89
Fig ura 111 .45. Señ2t1 cuadrada con va lo r med io cero, duración 2t
y a mplitud 2A . . .......... .. . ....... . . 90
Fig ur2t 111.46. Selial triang ular de d uració n 2t y valor má ximo At . 90
Fig ura 111.47. En la parte superior de la figu ra vemos casos
en los que e l dominio de l ti e mpo es disc ret o y la frecuencia co ntinua
(trans formad a de Fourier de tiempo discreto). La parte de a bajo
co rresponde tanto a tiempo disc reto co mo a frecuencia di screta
(trans form ada dl' Fourier discre ta) ... 92
Fig ura 111.48. Selial impulso unitario . . . . . . ....... .. ...... . 93
Figura IIl .49. Seiia l impulso unitari o desplazado cie rto valo r i a la derecha 93
Fig ura 111.50. Selia l esca lón unita rio. . ...... ... . 94
Figura 1l1.51. Seiial senoid al discreta 94
Figura IlI .52. Seiiíll del tipo linea l. 95
Figura 111.53. Seña l discreta decreciente ......... . 95
Figura 111 .54. Selial muestreada en e l ti e mpo y su respectivo
esp ec tro e mpi cando la trans formada de tiempo disc re to d c Fo uri er 96
Fig ura 111 .55. Trílnsformada de Fourie r de ti e m po di scre to . . 97
Fig ura 111 .56. Tr"nsformadíl dc Fourier de ti empo d iscre to . 98
Figura 111.57. Transfo rmada de Fourier de tiempo di screto .......... . 100
Figura 1I1 .s8. Transfo rmada de Fourier di sc reln }' de tiempo
di scre to en <ls teriscos .. .... .. . . 100
Figura 111. 59. Trans fo rmad" de Fc ari er d iscre ta }' de tiem po di sc rl'l o. 101
Figura 111.60. Seiia l senoida l, tomada exac t<lmente un periodo
(no existe di sco ntinuidad en l<l región considerc1d.-. ) 102
Fig ura 111.6 1. Serial senoid.-.I , to mando tres cuartas partes del periodo
(exis te discontinuicbd en la regió n co ns ide r<ld <l) . 103
Fig ura 111.62. Efecto e n la frecuencia cuando se trunca un., :'('li.11
en el ti empo, toma ndo tin a ve nt<ln a cuadrad., (se inducen
o gene ran co mponentes de <l ila frecuen ci.-. q ue no correspo nciL'n
il 1., :-;t;'lial o ri g inal ). 103
Figuri\ 111.63. Ejl' l1l plos d C' Vl'nt,mas COl1llmmentl' US.-.d,lS P,H.-. 1lL'\..u
<l cabo L'I trunca m iento tempor.11 . 105
Figura IV!. Ejemplo de señal ana lógica limitada en banda: a) en tiempo
y b) en frecuencia ................. . 110
Figura !V.2. Tren de impulsos de Dirac: a) en tiempo y b) en frecuenc ia ... . 110
Figura IV.3. Efecto de muestreo en tiempo, produciendo el efecto
de periodización de espectro en frecuencia ................ . 110
Figura IY. 4. Tres señales en tiempo continuo con va lores idénticos
en múltiplos enteros de T, muestreadas a un mismo
periodo de tiempo T. . .. ............. . ... . 11 2
Figura IV.5. Señal a banda limitada . . . ... .. .. . 113
Figura IV6. Efecto d e periodización del espectro: a) señal a banda
limitada, b) transformada de Fourier del tren de impulsos,
y e) resultado de la convolución de las señales a) y b) ....... . . 115
Figura IV7. Efecto de recubrimiento de espectro cuando
no se respeta el teorema de mues treo .. .. ... . .. . 117
Figura IV8. Filtro de amp litud T y de límites - ~' a + ~o , filtro ideal.
Filtrado de un espectro, con el fin de poder recuperar la señal original,
primero a F(w) y posteri ormente a f (l), a través de la transformada
inversa de Fourier . . .. . ..... ... ... . 118
Figura IV.9. Reconstrucción de la seilal ana lógica a partir
de mues tras digitales. . . . . . . . . . . . . . . . . . . . . . ...... . . 120
Figura IY.10. Proceso de mues treo real con la técnica de "bloqueo" 121
Figura lVl l. Resultado de convolucionar las mues tras def(l)
con una funci ón ventana. . . . . . . . . . . . . . ........ . 121
Figura lV12. Efecto de multiplicar el espectro periodizado F,,(w)
con una función del tipo sa mpling al cuadrado. . ........ . 122
Figura IY.1 3. Reconstrucción de la señal analógica f(t), como resultado
de convolucionar los va lores discretos de la señal, con una función
triángulo del tiempo. . ................ ...... ........ . 122
Figura V l . Taxonomía de señales aleatorias en función
de sus propiedades estadísticas.. . ...... . 124
Figura V2. Ejemplos de funciones de distribución de probabilidad:
a) y e) continuas y b) discreta. . ...... . 128
Figura V3. Función de distribución de probabilidad continua FxCr) . 129
Figura VA. Función de distribución de probabilidad continua Fx(x)
entre -l y l. . .......................... . 130
Figura V.S. Función de densidad de probab ilidad del tipo gaussiana . 132
Figura V6. Función de distribución de probabilidad para la funci ón
ga ussiana . . . .... .. ........... . 132
Figura V.7. a) Funci ón de densidad de probabilidad uniforme,
b) fu nción de distribución de probabilidad uniforme .. .......... . . . . 133
Figu ra V.S. a) Función de densidad de probabilidad exponencial,
b) función de distribución de probabilidad exponencial 135
Figura V.9. a) Función de densidad de probabilidad Ra ylcigh,
b) función de dis tribu ción de probabilidad Ra yleig h .. ......... . 136
186
Figura V.l0. Problema de cuantización, del nivel Cix al tH + tH!2. 140
Figura Y. l1- Funciones de densidad y de distribución de probabilidad
uniforme en el intervalo [O, 2n] ............... . .................. 150
Figura V12. Función de autocorrelación para una señal periódica
sin ruido . . . . 152
Figura V13. Función de autocorrelación para una señal periódica
con ruido. . . .......... ......... ........ 152
Figura V14. Función de autocorrelación para una señal periódica
de banda angos ta ............ 153
Figura VIS. Función de autocorrelación para una señal periódica
de banda angosta con ruido. .. ................ 153
187
Índice general
Prólogo . ...... . 7
189
Capítulo lll. Tran sformada de Fourier. . ................. 49
Introducción . ................. . ....... . 49
Transformada de Fourier de tiempo continuo
de una función no periódica (TFTe) ........... . ............. . 51
Transformada de Fourier de tiempo continuo de una señal periódica . .... 64
Propiedades de la transformada de Fourier de tiempo continuo. . . . . . . . . . .. 67
Propiedad de linea lidad .................. 68
Propiedad de simetría . . . . . . . ...... ... ... ..... ... .. . 69
Propiedad de escala miento en el tiempo. . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 71
Propiedad de escalamien to en la frecuencia ..... ... . 71
Propiedad de corrimiento en el tiempo ................ . 72
Propiedad de corrimi ento en la frecuencia (teorema de modulación) 74
Propiedad de convolución ......................... ........... 77
Propiedad de diferenciación en el ti empo y en
la frecuencia. . . . . . . . . . . .. 85
Transfo rmada de Fourier de tiem po discreto (TFTO) ....... . .. 91
Seña les discretas ......... . .................... , . , , , , . . . . . . . . . . . .. 93
Impulso unitario . .................. . .. . .. .. . , , . , . . . .. .. . . .. . . . .. .. . 93
Impulso unita rio desplazado .... . . . ... . . ... . . . . . . . .. . ... .. .. . . .. . . 93
Escalón unitario . ....... , . ... .. . . . , . . . . ... . , . .. . .. , . . , .. 94
Función seno . ........... . 94
Función lineal de n . 94
Función decreciente de n . 95
Propiedades de la transfor mada de Fourier de tiempo discreto. 96
Transformada de Fourier discreta (TFo) .................. . 98
Cálcu lo de la TFO a partir de una señal continua .. ......... . .. . .. . .. . . 101
Truncam iento tempora l . . . . . . ......... . ..... . ....... . 102
Ejercicio en Ma tl ab ...... . ... . ... . 105
Ejercicio de periodización del espectro. . ... . . . .. . o • • • • • • • • • • • • • • • 105
Ejercicios de l capítulo III ... .... ...... ... ... .. . . . . . . . . .. . . . .. . . .. . . . 106
190
Defini ción básica de probabi lidad .............................. . 125
Variable alea toria .......................... . .. . .........•....... 125
Función de distr ibución de probabilidad ........ . .................... . . 128
Función de densidad de probabilidad. . . . . . . . . . . . . . . . . . . . . ..... ... . . . 130
Propiedades de la fu nción de densidad de probabilidad ......... . 131
Funciones de densidad más comunes . .................. . .. . ... . 131
Promedios estadísticos. . . . . . . . . . . . . .. . .. . ... . .. . ... . 136
Esperanza matemática . . 136
Momen tos ...... ......... . .. . . .. . . . . . .. . ...... . . 137
Variables aleatorias mú lt iples. . .. . .... ........ ..... . . .. .... .. . 142
Función de distribución conjunta . ..................... .... . . .. . . .. .. . 142
Propiedades de la función de distribución conjunta . ..... . . ... . . . .. .. . . . 143
Función de densidad conjunta . . ...................... .. ... .. . ...... . 143
Propiedades de la función de densidad conju nta ...... . . ... . . ..... . ... . 144
Independencia estadística ......................... . .... . 144
Momentos conjuntos sobre el origen . .................. . ...... . .. . .... . 146
Momentos centra les .................. . . . . . 146
Estacionalidad . . . ............. . .............................. . 147
Funciones de distribución y de densidad de un PA . . . . .. •... 147
Función de distribución de o rden 11 .. . . . .•..•• . . • . ••.. . 148
Independencia es tadística. . . . . . . . . . . . . . . . . . . . . . . .. .. ..... . . . . . .. . 148
Proceso aleatorio estacionario de primer orden . ... .. .. . .. . ........ . . . 148
Proceso aleatorio en sen tido amplio . . . . . . . . . . ............... . 149
Propiedades de la función de autocorrelación .................. . 151
Funciones de correlación cruzada ......... . . .... , ..... . 154
Propiedades de la función de corre lación cruzada. , , .... , , ...... , . . 155
Densidad espectral de potencia ... " ................ ... ... , ...... . , . . . 155
Propiedades de la función de densidad espectral de potencia .. . 156
\9 \
se terminó de imprimir en mayo de 2003
en los talleres de Sa.ns Scrif Editores, SA de CV,
Leonardo da Vinci 199, col. Mixcoac. 03910 Méx ico, D.F.,
te l. 561137 30. telfax 56113737.
La edición consta de 1 000 ejemplares
más sobrantes para reposición.
La com posició n tipográfica, el diseño, la producción
y el cuidado edito ria l estuvieron a cargo
de Sans SerH Editores, SA de Cv.
UAM 2893588
TK5102.9 Avilés Cruz, Carlos
A7.55 Análisis de señales I Car
;> II IIIIIIII
2893588
AUTONOMA
METROPO UTANA
(+) DE SERVICIOS
DE INFORMACIÓN
Casa.xierta al ~ Azcapotza.lco roS::1
UAM 2893588
TK5102.9 Avilés Cruz, Carlos
A7.55 Análisis de señales I Car
f> IIIIIIIIII
2693566
E ZEQUIEL R ODRíGUEZ R ODRíGUEZ estud ió la
licenciatura en ingeniería física en la Uni-
versidad Autón oma Metrop olitana en la
especialidad de instrumentación y equipo
y la maestría en ingeniería biomédica en la
unidad Izta palapa de la misma universidad .
Ha trabajado en la fabricación de clisp ositivos
d e interferencia cuántica superconductores
para la obtención de magnetocardiogram as.
Actualmente se desempeña como p rofesor
del Departa mento d e Electrónica, en d onde
imparte asignaturas como Análisis de señales,
Procesamiento digital de señales, así como
Circuitos eléctricos. Entre sus campos de in-
terés están e l procesa miento d e seña les,
el diseñ o y la construcción y caracterización
de sistemas de alto vacío y el crecimiento de
películas delgad as.
En la formación de todo ingeniero en electrónica no debe faltar un curso en el
que se expongan, teórica y experimentalmente, conceptos que le ayuden a ana-
lizar y caracterizar seña les. Los tipos abordados en esta obra son las señales
determinísticas y las aleatorias. Se presentan las herramientas que nos ayudan
a entender las primeras, como las series de Fourier, la transformada de Fourier,
la teoría de muestreo, incluidos el muestreo ideal y el real. Respecto a las segun-
das, se abordan conceptos como variables y procesos aleatorios, procesos ergó-
dicos, funciones de densidad y distribución, valores esperados desde primero
hasta cuarto orden, funciones de densidad y distribución conjunta, funciones
de correlación, etcétera.
En busca de la formación comp leta, a la teoría y los ejercicios se agrega la
simulación en Matlab: es importante que los estudiantes puedan apreciar los
fenómenos de manera gráfica, explorar variando parámetros y ver el resultado
inmediatamente. Así pues, el libro comprende un capítu lo de introducción y
manejo de Ma tlab en el nivel de programación.
Con toda seguridad, Análisis de señales habrá de con tribuir a la mejor
comprensión de conceptos fundamentales que se hallan dispersos en varias obras,
a más de que las malas traducciones que se hallan en el mercado no manejan los
términos que emplean comúnmente los profesionales de este campo.