Unidad 4

216
Unidad 4
Análisis frecuencial en tiempo discreto
El procesamiento digital de señales se usa para realizar análisis de frecuencia de
señales, esto significa transformar señales desde en el dominio del tiempo al dominio
de la frecuencia. En muchas aplicaciones es conveniente considerar una descripción
alterna de una secuencia en términos de secuencias exponenciales complejas de la
forma e , donde representa la variable de frecuencia normalizada en radianes.
Esta descripción lleva a una representación en particular útil de secuencias en tiempo
discreto y sistemas LIT en tiempo discreto en el dominio de la frecuencia.
La representación en el dominio de la frecuencia de una secuencia en tiempo discreto
que se explica en este capítulo es la transformada de Fourier en tiempo discreto,
mediante la cual una secuencia en el dominio del tiempo se convierte en una función
continua de la variable de frecuencia . Debido a la periodicidad de la transformada
de Fourier en tiempo discreto, la correspondiente secuencia en tiempo discreto puede
obtenerse al calcular su representación en serie de Fourier. Como consecuencia de que
la representación se encuentra en términos de una serie infinita, se examina la
existencia de la transformada de Fourier en tiempo discreto junto con sus propiedades.
La representación en el dominio de la frecuencia de un sistema LIT en tiempo discreto
es su respuesta en frecuencia dada por la transformada de Fourier en tiempo discreto
de su respuesta al impulso. La respuesta en frecuencia es la más conveniente para
analizar y diseñar sistemas en tiempo discreto. En la mayor parte de las aplicaciones,
estas transformadas son funciones racionales y resulta más conveniente tratar con
ellas que con las secuencias de longitud infinita en el dominio del tiempo.
4.1 La transformada de Fourier en tiempo continuo

Esta sección se inicia con un breve repaso de la transformada de Fourier en tiempo
continuo, una representación en el dominio de la frecuencia de una señal en tiempo
continuo y sus propiedades, pues ello brindará un mejor entendimiento de la
representación en el dominio de la frecuencia de señales y sistemas en tiempo
discreto, además se señalará las principales diferencias entre estas dos transformadas.
4.1.1 Definición de la transformada de Fourier en tiempo continuo

La representación en el dominio de la frecuencia de una señal en tiempo continuo ( )
está dada por la transformada de Fourier en tiempo continuo (TFTC).
( Ω) = Ω
( )
La TFTC a menudo se denomina espectro de Fourier o simplemente espectro de la

señal en tiempo continuo. La señal de tiempo continuo ( ) puede recuperarse de su
TFTC ( Ω) mediante la integral de Fourier.
1 Ω
( )= ( Ω)
2
Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

217
El par de transformada anteriores se denota como
( ) ⎯⎯⎯ ( Ω)
De acuerdo con la definición la TFTC es una función compleja de Ω, la variable Ω es

real y denota la frecuencia angular en tiempo continuo en radianes. La transformada
de Fourier inversa dada por ∫ ( Ω) Ω Ω puede interpretarse como una
combinación lineal de señales exponenciales complejas infinitesimalmente pequeñas
Ω
de la forma Ω ponderadas por la constante compleja ( Ω) sobre el intervalo
de frecuencia angular desde −∞ < Ω < ∞. La TFTC puede expresarse en forma polar
como
( Ω) = | ( Ω)| (Ω)
Donde
( Ω) = { ( Ω)}
La cantidad | ( Ω)| se denomina espectro de magnitud y (Ω) se llama espectro de

fase. Es de hacer notar que ambos espectros son funciones reales de Ω.
En general, la TFTC ( Ω) existe si la señal en tiempo continuo ( ) satisface las
condiciones de Dirichlet:
a) La señal tiene un número finito de discontinuidades finitas y un número finito de

máximos y mínimos en cualquier intervalo finito.
b) La señal es absolutamente integrable; esto es
| ( )| <∞
Si se satisfacen las condiciones anteriores, la integral ∫ ( Ω) Ω Ω converge a

( ) en todos los valores de , excepto en aquellos donde ( ) tiene discontinuidades.
Es posible demostrar que si ( ) es absolutamente integrable, entonces | ( Ω)| < ∞,

lo que prueba la existencia de la TFTC.
4.2 Transformada de Fourier en tiempo discreto (TFTD)

La transformada de Fourier de una señal ( ) en tiempo discreto constituye una
representación de la secuencia en términos de la secuencia exponencial compleja ,
donde es una variable de frecuencia real. La representación de la transformada de
Fourier de una secuencia, si ésta existe, es única, y la secuencia original se calcula a
partir de su representación de la transformada mediante una operación de
transformada inversa.

218
La transformada de Fourier de una señal ( ) continua fue definida de la forma
( Ω) = Ω
( )
Cuando una señal ( ) es muestreada en instantes de tiempo = , se generan las

muestras discretas ( ). Los impulsos de muestreo son impulsos o funciones "delta"
( ) espaciados a intervalos de de la forma siguiente
( )= ( − )
La función muestreada es el producto de la señal en los instantes de muestreo, y los

impulsos de muestreo
( )= ( ) ( )
( )= ( ) ( − )
En los instantes = de muestreo, la ecuación anterior se convierte en:
( )= ( ) ( − )
La transformada de Fourier de la señal ( ) muestreada se convierte en
( Ω) = ( ) Ω
( Ω) = ( ) ( − ) Ω
( Ω) = ( ) ( − ) Ω
Usando la propiedad de la función delta para resolver la integral.
( − ) ( ) = ( )

219
( Ω) = ( ) Ω
Donde la frecuencia discreta está relacionada con la frecuencia continua por la

ecuación = Ω , esto produce la transformada de Fourier de una señal ( ) en
tiempo discreto, la cual se denotara como ( ).
= ( )
Debido a que la nueva variable es de la forma , la transformada de Fourier de una

señal ( ) en tiempo discreto (TFTD) se define por
= ( )
Físicamente, ( ) representa el contenido en frecuencias de la secuencia ( ) en

tiempo discreto.
Por conveniencia en la notación, usaremos el símbolo operador {( ( )} para denotar

la transformada de Fourier de la señal ( ) y el símbolo operador
{ } para denotar la transformada inversa de Fourier ( ) de la transformada
. Esto es.
≡ {( ( )}
Por convención, la transformada de una señal ( ) se denota como.
( )
La relación anterior indica que podemos obtener a partir de ( ), también

podemos calcular ( ) de .
4.2.1 Condición de convergencia

La transformada de Fourier ( ) de ( ) existe, si la sumatoria converge en algún
sentido, si ( ) es una secuencia absolutamente sumable, esto es, si
| ( )| < ∞

220
Entonces
= ( ) ≦ | ( )| ≦ | ( )| < ∞
Se comprueba, que sí ( ) es una secuencia absolutamente sumable, se garantiza la

existencia de ( ) para los valores de que garanticen la existencia de ( ).
La mayoría de las secuencias que se encuentran en la práctica son de longitud finita

con valores de muestra finitos, por lo que son absolutamente sumables y, por ello, sus
transformadas de Fourier convergen de modo uniforme. Por otro lado, las secuencias
de longitud infinita pueden o no converger de manera uniforme.
La secuencia ( ) = ( ), | | > 1 no es absolutamente sumable, por lo tanto la

transformada de Fourier no existe.
Algunas secuencias que no son absolutamente sumable, son cuadráticamente

sumables, es decir, tienen energía finita.
= | ( )| < ∞
Para representar esta clase de secuencias mediante una transformada de Fourier en

tiempo discreto, se necesita considerar una convergencia cuadrática media de ( ),
en cuyo caso la energía total del error ( ) = − debe aproximarse a
cero en cada valor de cuando tiende a ∞. Esto es
lim − =0
→
En tal caso, no es un límite de cuando tiende a ∞ y la

transformada de Fourier ya no está acotada.
Donde
= ( )
lim =
→
que denota la suma parcial de las exponenciales complejas ponderadas.

221
4.2.2 Periodicidad de la transformada de Fourier en tiempo discreto

Se puede demostrar que la transformada de Fourier de una señal ( ) en tiempo
discreto es una función periódica en con un periodo 2 . Esta propiedad se
verifica a continuación, para cualquier valor entero .
( ) ( )
( )= ( ) = ( )
= ( ) = ( ) , para todo valor de
donde se ha aprovechado el hecho de que = 1.
4.2.3 Relación de la transformada de Fourier en tiempo discreto con la

transformada
La transformada de una secuencia ( ) se define como
( )= ( ) ROC <| |<
donde <| |< es la región de convergencia para ( ). Podemos expresar la

variable compleja en forma polar como = . Donde = | | y = ∠ . Por lo
tanto dentro de la región de convergencia de ( ) , podemos sustituir = en la
transformada ( ).
( )| = [ ( ) ]
A partir de la relación anterior podemos observar que ( ) se puede interpretar como

la transformada de Fourier de la secuencia ( ) . El factor de crece con si
0 < < 1 y decae si > 1. En cambio ( ) converge para = 1.
( )| ≡ = ( )
Por tanto, la transformada de Fourier puede verse como la transformada z de la

secuencia evaluada sobre la circunferencia unidad. Si X(z) no converge en la región
z = 1 (si la circunferencia unidad no está contenida en la región de convergencia de
X(z)), la transformada de Fourier X e no existe.

222
En conclusión, la existencia de la transformada requiere que

∑ | ( ) | < ∞ se satisfaga para alguna región del plano . Si esta región
contiene a la circunferencia unidad, existe la transformada . Sin embargo, la
existencia de la transformada de Fourier, que se define para señales de energía finita,
no asegura necesariamente la existencia de la transformada .
Ejemplo 4.1
Calcular la transformada de Fourier de una señal en tiempo discreto de la secuencia
impulso unitario ( ) = ( ).
Solución.
La transformada de Fourier de la secuencia impulso unitario ( ) se obtiene al usar la
ecuación dada por la definición.
= ( ) =1
donde se ha usado la propiedad de la secuencia unitaria, (0) = 1 y ( ) = 0 para

≠ 0.
Ejemplo 4.2
Calcular la transformada de Fourier en tiempo discreto de la secuencia causal
exponencial.
( )= ( ), | |<1
Solución. La secuencia ( )= ( ) con | | < 1 es absolutamente sumable, la

transformada de Fourier está dada por
= ( )
1
= ( ) =
1−
Debe señalarse que las transformadas de Fourier de la mayoría de las secuencias en

tiempo discreto, pueden expresarse en términos de la suma de una serie geométrica
convergente, que puede expresarse en una forma cerrada simple, como se ilustra en el
ejemplo anterior. Se observa de la definición, que la transformada de Fourier en
tiempo discreto de una secuencia ( ) es una función continua de .
Ejemplo 4.3
Determine la TFTD de la secuencia.

223
, 0≤ ≤ −1
( )= | |<1
0,
Solución.
1−
= ( ) =
1−
Suponiendo =1
1−
=
1−
−
=
−
( ) ( )
=
( )
4.3 Transformada de Fourier en tiempo discreto inversa (TFTDI)

Dado que el espectro de frecuencias es continua, los coeficientes de Fourier
( ) pueden calcularse de utilizando la integral de Fourier dada por
1
( )= ( )
2
la cual se denomina transformada inversa de Fourier en tiempo discreto. Debe

señalarse que aun cuando la integración en la ecuación anterior se efectúa sobre
cualquier intervalo de duración 2π, es una práctica común elegir el intervalo [− , ].
La transformada inversa de Fourier en tiempo discreto se interpreta como una
combinación lineal de señales exponenciales complejas infinitesimalmente pequeñas
de la forma ( ) , ponderadas por la constante compleja sobre el
intervalo de frecuencia angular de − hasta .
Las ecuaciones = ∑ ( ) y ( ) = ∫ ( )
constituyen un par de transformadas de Fourier en tiempo discreto para la secuencia
( ). La ecuación =∑ ( ) se llama ecuación de análisis, debido a
que analiza qué tanto de cada señal exponencial compleja está presente en la señal
original. Por otro lado, la ecuación ( ) = ∫ ( ) se conoce como
ecuación de síntesis, puesto que sintetiza una señal arbitraria a partir de sus
componentes exponenciales complejas.

224
Para verificar la TFTDI ( ) se sustituye por su expresión

=∑ ( ) en la integral de la ecuación
( )= ∫ ( ) y produce
1 ℓ
( )= (ℓ)
2
ℓ
El orden de integración y la sumatoria de la ecuación anterior pueden intercambiarse

si la sumatoria dentro del paréntesis converge de manera uniforme, esto es, existe
. De lo anterior se obtiene
1 ( ℓ)
( − ℓ)
(ℓ) = (ℓ)
2 ( − ℓ)
ℓ ℓ
( ℓ)
Para ≠ ℓ, ( − ℓ) = 0, y da como resultado (
= 0. Para = ℓ,
ℓ)
( ℓ)
(
= 0/0. En este caso, al usar la regla de L'Hopital, se obtiene
ℓ)
( − ℓ) cos ( − ℓ)
lim = =1
→ℓ ( − ℓ)
Por lo tanto
( − ℓ) 1, =ℓ
=
( − ℓ) 0, ≠ℓ
= ( − ℓ)
En consecuencia
( − ℓ)
(ℓ) = (ℓ) ( − ℓ) = (ℓ)
( − ℓ)
ℓ ℓ
4.4 Transformada de Fourier en tiempo discreto en forma compleja

En general, la transformada de Fourier representa una función compleja de
variable real y es posible escribirla en forma rectangular como
= +
donde y son, respectivamente, las partes real e imaginaria de

y son funciones reales de . Podemos expresar la parte real e imaginaria de la
forma siguiente.

225
∗
= +
∗
= −
∗
donde denota el complejo conjugado de .
La transformada de Fourier puede expresarse en forma polar como
( )
=
Donde
( ) = arg
La cantidad se denomina función de magnitud y ( ) se llama función de

fase, siendo de nuevo ambas funciones reales de w. En muchas aplicaciones, la
transformada de Fourier se conoce como espectro de Fourier; de igual manera,
y ( ) se llaman, respectivamente, espectro de magnitud y espectro de fase.
Las relaciones entre las formas rectangular y polar de están dadas por.
= cos ( )
= sen ( )
∗
= = +
tan ( ) =
( )
La función de fase no está determinada de manera única a partir de la transformada de

( )
Fourier en tiempo discreto. De acuerdo con la ecuación =
si sustituimos ( ) por ( ) + 2 , donde es cualquier entero, se obtiene.
[ ( ) ] ( )
= ( ) = ( )
lo que indica que la transformada de Fourier permanece sin cambio. En

consecuencia, la función de fase ( ) no se puede especificar de forma única para
ninguna transformada de Fourier en tiempo discreto para todos los valores de . A
menos que se establezca de otro modo, se supondrá que la función de fase ( ) se
restringe al siguiente intervalo de valores −  ≤ ( ) <  denominado valor
principal.
4.4.1 Relaciones de simetría de la TFTD

Se describen aquí algunas propiedades adicionales de la transformada de Fourier que
se basan en las relaciones de simetría. Estas propiedades pueden simplificar la
complejidad computacional y muchas veces son útiles en aplicaciones del
procesamiento de señales digitales.

226
4.4.1.1 Secuencias complejas

Para una secuencia dada ( ) con una transformada de Fourier , es fácil
determinar las transformadas de Fourier de su secuencia invertida en el tiempo (− )
y la secuencia conjugada compleja ∗ ( ).
Secuencia invertida en el tiempo (− )
ℱ{ (− )} = (− ) = ( ) =
esto es,
(− )
∗
Secuencia conjugada compleja ( )
∗
ℱ { ∗ ( )} = ∗
( ) = ( ) = ∗
es decir,
∗ ∗
( )
De manera similar o combinando las ecuaciones (− ) y

∗ ∗
( ) es posible demostrar que
∗ ∗
(− )
Las partes real e imaginaria de pueden expresarse en términos de las partes

real e imaginaria de ( ). Al sustituir
( )= ( )+ ( )
en la ecuación de definición de la TFTD, se obtiene
= ( ( )+ ( ))(cos + )
= ( ( ) cos − ( ) )+ ( ( ) cos + ( ) sen )

227
De acuerdo con la ecuación anterior, se tiene
= [ ( ) cos − ( ) ]
= [ ( ) cos + ( ) ]
La transformada de Fourier se define como función simétrica conjugada de .
∗
Si = , esto es, = y =− .
Por consiguiente, las partes real e imaginaria de una transformada de Fourier simétrica
conjugada son, respectivamente, funciones par e impar de .
De la misma manera, la transformada de Fourier es una función no simétrica

conjugada de si
∗
=−
esto es, =− y = . Por lo tanto, las partes

real e imaginaria de una transformada de Fourier no simétrica conjugada son,
respectivamente, funciones impar y par de .
Una transformada de Fourier de valores complejos , en general, se expresa

como una suma de una parte simétrica conjugada y otra no simétrica
= +
Donde
∗
= +
∗
= + ( )
A continuación se deducen las transformadas de ( ) y ( ) las partes real e

imaginaria de la secuencia ( ). Se reescribe la ecuación con la cual fue definida la
TFTD como
= [ ( )+ ( )]

228
∗
Al sustituir la expresión anterior en la ecuación = + y
∗ ∗
utilizando la expresión ( ) , se obtiene
= ( ) + ( )
+ ( ) − ( )
= ( ) = ℱ{ ( )} ;
es decir,
( )
De manera similar, es posible demostrar que
( )
También se pueden deducir las transformadas de Fourier de las partes simétrica y no

simétrica conjugadas de una secuencia ( ).
Es posible expresar cualquier secuencia compleja ( ) con una suma de su parte

simétrica conjugada ( ) y la no simétrica conjugada ( ).
( )= ( )+ ( )
Donde
( )= [ ( ) + ∗
(− )]
( )= [ ( )− ∗
(− )]
La transformada discreta de Fourier de su parte simétrica conjugada ( )
ℱ{ ( )} = [ℱ{ ( )} + ℱ { ∗ (− )}]
∗
= ( )+ ( ) =
esto es,
( )

229
De modo similar, a partir de las ecuaciones se demuestra que
( )
4.4.1.2 Secuencias reales e imaginaria pura

Para una secuencia real, la parte imaginaria ( ) = 0, por lo tanto ( ) = 0,
∗
en consecuencia, se tiene ( ) = ( ), lo que implica que ( ) es una
función simétrica conjugada. En este sentido, la parte real de ( ) y la parte
imaginaria ( ) de la transformada de Fourier de una secuencia real son,
respectivamente, funciones par e impar de .
De acuerdo con la ecuación = + , para una señal

real, se deduce que
= ( )+ ( )
lo que indica que es una función par de . De igual manera, para una señal
real, se advierte que.
tan(− ) =
( )
= = − tan( )
( )
lo que implica que ( ) es una función impar de .
Tabla 4.1 Resumen de las relaciones de simetría de la transformada de Fourier de una

secuencia compleja.
Dominio tiempo discreto ( ) Dominio frecuencia
(− )
∗( ∗
− )
[ ( )] ∗
= +
[ ( )] ∗
= −
( )
( )
y son respectivamente, las partes conjugadas simétricas y

asimétricas. De igual modo, ( ) y ( ) son, respectivamente, las partes
conjugadas simétricas y asimétricas de ( ).

230
Puesto que, para una señal real ∗ = ( ), la función de magnitud puede

calcularse sin dificultades utilizando.
∗
=
Para una secuencia imaginaria pura, la parte real ( ) = 0.
=− ( )
= ( )
Las ecuaciones anteriores nos indican que para una secuencia imaginaria pura
y son, respectivamente, funciones impares y par de . También es
posible demostrar que ( ) y ( ) son funciones par e impar de .
Como las partes simétrica y no simétrica conjugadas de una secuencia real son, de
manera respectiva, secuencias par e impar, se concluye que
( ) y ( )
Tabla 4.2: Relaciones de simetría de la transformada de Fourier en tiempo discreto de

una secuencia real.
Secuencia Transformada de Fourier en tiempo discreto
( ) = +
( )
( )
( ) = ∗( )
= ( )
=−
( ) = ( )
arg = −arg
Nota: ( ) y ( ) son las partes par e impar de ( ) respectivamente.
Ejemplo 4.4
Encuentre las partes real, imaginaria, magnitud y fase de la transformada de Fourier
en tiempo discreto del ejemplo 4.2.
Solución.
La transformada de Fourier del ejemplo 4.2 viene dada por

231
1
=
1−
1 1− 1 − cos − sen
= ∗ =
1− 1− 1 − 2 cos +
1 − cos sen
= −
1 − 2 cos + 1 − 2 cos +
Por lo tanto, las partes real e imaginaria de están dadas por
1 − cos
=
1 − 2 cos +
sen
=−
1 − 2 cos +
Ya que el cos y sen son funciones periódicas de con periodo 2 , las gráficas de
y ( ) son ambas funciones periódicas de con periodo 2 . Además el
cosw y son, respectivamente, funciones par e impar de . Por consiguiente,
y también son funciones par e impar de .
La magnitud será
∗
=
1 1 1
= ∗ =
1− 1− 1 − 2 cos +
1
=
√1 − 2 cos +
La fase
( ) sen
tan( ) = =−
( ) 1 − cos
sen
( )= −
1 − cos
Es posible ver en el ejemplo 4.5 las gráficas de las expresiones dadas anteriormente
que y ( ) son funciones periódicas de con periodo 2 . Además,
y ( ) son, respectivamente, funciones par e impar de .

232
Ejemplo 4.5
Graficar utilizando Matlab la parte real, imaginaria, magnitud y fase del ejemplo 4.4
con α = 0.6.
Solución.
Para este caso se toma la expresión calculada del ejemplo 4.4.
1
= = =
1− − − 0.6
El “Signal Processing Toolbox” de MATLAB incluye varias funciones para

determinar los valores de la respuesta en frecuencia, la instrucción
h = freqz (N, D , w) genera un vector de respuesta al impulso en un conjunto de
puntos de frecuencia dados . A partir de estos valores de respuesta en frecuencia, es
posible calcular las partes real e imaginaria utilizando las funciones real e imag, así
como la magnitud y fase con el uso de las funciones abs, angle y unwrap.
A continuación se indican las instrucciones en Matlab del ejemplo 4.5
N=[ 1 0 ]; %Vector numerador

D=[ 1 -0.6];% Vector denominador
H=tf(N,D,0.1)%Funciòn de transferencia
n=200;%200 puntos
w=linspace(-3*pi,3*pi,n);% vector linealmente espaciado entre -3*pi,3*pi
h= freqz(N,D,w);% Respuesta impulsional
subplot(2,2,1)
plot(w/pi, real(h));
title('Parte real')
ylabel('Amplitud')
xlabel('Frecuencia')
text(-2.88,0.4,'pi','HorizontalAlignment','center','FontSize',10)
text(3.12,0.4,'pi','HorizontalAlignment','center','FontSize',10)
subplot(2,2,2)
plot(w/pi, imag(h));
title('Parte Imaginaria')
ylabel('Amplitud')
text(-2.88,-1.1,'pi','HorizontalAlignment','center','FontSize',10)
text(3.12,-1.1,'pi','HorizontalAlignment','center','FontSize',10)
subplot(2,2,3)
plot(w/pi, abs(h));
title('Magnitud')
ylabel('Amplitud')

233
subplot(2,2,4)
plot(w/pi, angle(h));
title('Fase')
ylabel('Amplitud en rad')
Figura 4.1. Parte real, imaginaria, magnitud y fase de la señal = 1/(1 − 0.6 ).
Ejemplo 4.6
Encuentre la TFTD de la secuencia de duración finita.
1, − ≤ ≤
( )=
0,
Solución. La transformada de Fourier en tiempo discreto de esta secuencia es
( )= ( ) =

234
( ) / / /
− −
= = / / /
1− −
( ) ( ) sen ( + )
−
= / /
=
− sen
sen ( + )
=
sen
Ejemplo 4.7
Grafique la señal ( ), y la magnitud del ejemplo 4.6, para = 15.
1, − 15 ≤ ≤ 15
( )=
0, en el resto
Solución. La grafica de la señal en tiempo discreto de esta secuencia se realiza usando

las instrucciones siguientes.
n=[-20:20];%Rango de la variable independiente
escalon=[zeros(1,5),ones(1,31),zeros(1,5)];%Señal Escalón Unitario
stem(n,escalon,'r','fill','LineWidth',2);%Función para Graficar
title('Magnitud x(n)')
ylabel('Amplitud')
xlabel('n')
Figura 4.2. Señal ( ) del ejemplo 4.7.
La magnitud de la transformada de Fourier en tiempo discreto de esta secuencia se

calcula con las instrucciones siguientes.
M=31;n=600;%600 puntos
w=linspace(-pi,pi,n);
x=sin((M+1/2)*w)./(sin(w/2));

235
figure(1)
plot(w/pi, abs(x))
title('Magnitud X(w)');ylabel('Amplitud');xlabel('Frecuencia')
text(1.02,-1.09,'pi','HorizontalAlignment','center','FontSize',10
figure(2) %600 puntos señal de la transformada de Fourier X(e )
plot(w/pi, x)
title('X(w)');ylabel('Amplitud');xlabel('Frecuencia')
Figura 4.3. Magnitud en frecuencia de la señal ( ) del ejemplo 4.7
Figura 4.4. Señal ( ) del ejemplo 4.7

236
Ejemplo 4.8
Calcular ( ) de un filtro pasa bajo que se muestra en la figura 4.5, la cual tiene
aplicación en el filtrado digital.
Solución.
1, − ≤| |≤
=
0, < | |≤
1 HLP(e jw)
w
-π -wc wc π
Figura 4.5. Gráfica de la transformada de Fourier de un filtro pasa bajo.
La transformada de Fourier inversa en tiempo discreto (TFITD) de está

dada por
1 1 1
( )= = =
2 2 2
1 sen
( )= − = , −∞ < < ∞, ≠0
2
Para = 0, la expresión de la transformada de Fourier inversa se reduce a
1 1
( )= = =
2 2
Al combinar los dos resultados anteriores es posible escribir
, =0
( )=
, ≠0
A menudo la secuencia anterior se expresa en forma compacta como
sen sen
ℎ ( )= = , −∞ < <∞
ℎ ( )= , −∞ < <∞
con la suposición tácita de que en = 0, ℎ ( ) = / . Se demuestra que la

237
energía de la secuencia anterior está dada por / , en consecuencia, ℎ ( ) es una

secuencia de energía finita. Sin embargo, no es absolutamente sumable.
Ejemplo 4.9
A continuación se ilustra la convergencia cuadrática, de la señal en tiempo discreto
anterior.
ℎ ( )= , −∞ < <∞
Solución.
La transformada de Fourier en tiempo discreto (TFTD) de ℎ ( ) viene dada por
= ℎ ( ) =
y no converge de manera uniforme a ( ) para todos los valores de , aunque

converge a ( ) en el sentido cuadrático medio.
La propiedad de convergencia cuadrática media de la secuencia ℎ ( ) puede

ilustrarse aún más si se examina la gráfica de la función
para diversos valores de , como se muestra en la figura 4.6. Es posible ver de esta
figura que, independientemente del número de términos de la suma anterior, hay
rizos en la gráfica de ( ) junto a ambos lados del punto = . El número
de rizos aumenta cuando crece, la altura del rizo más grande permanece igual para
todos los valores de . Cuando tiende a infinito, se cumple la condición de la
ecuación → ∫ − = 0, lo que indica la convergencia de
( ) a ( ). El comportamiento oscilatorio en la gráfica de ( ),
aproximándose a la transformada de Fourier ( ) en el sentido cuadrático
medio en el punto de discontinuidad ( = ), como se indica en la figura 4.6, se
conoce como fenómeno de Gibbs.
Gráfica para ilustrar la convergencia cuadrática de la ecuación.

238
Desarrollando la ecuación anterior
( ) ( ) ( ) ( )
= ( ) + ( ) ,…, ( ) + ( )
Esto forma un polinomio donde los términos ( ) son los coeficientes de la evaluación
de la expresión para los valores de , los términos exponenciales nos
dan el orden del polinomio, por lo que tenemos un polinomio de orden en .
Instrucciones para graficar el fenómeno de Gibss en frecuencia.

n=-10:10;
wc=0.4; % wc=0.4*pi
b=0.4*sinc(0.4*n);
w=-pi:pi/1000:pi;
h=freqz(b,1,w); % Respuesta en frecuencia filtro FIR
subplot(2,2,1)
plot(w/pi,abs(h))
title('Magnitud')
ylabel('Amplitud')
text(0.5,0.8,'K=10','HorizontalAlignment','center','FontSize',10)
n1=-20:20;
b1=0.4*sinc(0.4*n1);
h1=freqz(b1,1,w); % Respuesta en frecuencia filtro FIR
subplot(2,2,2)
plot(w/pi,abs(h1))
title('Magnitud')
ylabel('Amplitud')
n2=-30:30;
b2=0.4*sinc(0.4*n2);
subplot(2,2,3)
plot(w/pi,abs(h2))
title('Magnitud')
ylabel('Amplitud')
n3=-40:40;
b3=0.4*sinc(0.4*n3);
subplot(2,2,4)
plot(w/pi,abs(h3))
title('Magnitud')
ylabel('Amplitud')

239
A continuación se indican las instrucciones para graficar la señal.
sen
ℎ ( )= = −∞ < <∞
Instrucciones en Matlab
n=-20:20;
wc=0.4;
b=0.4*sinc(0.4*n);
stem(n,b)
title('Magnitud')
ylabel('Amplitud')
xlabel('n')
text(10,0.25,'wc/pi=0.4 ,'HorizontalAlignment','center','FontSize',10)
Figura 4.6. Gráfica de la Transformada de Fourier de un filtro pasabajo ( )=∑ .
4.5 Otras transformada de TFTD

La transformada de Fourier puede definirse para ciertas clases de secuencias que no
son ni absolutamente sumables ni sumables al cuadrado. Ejemplos de tales secuencias
son la de escalón unitario, la senoidal ( + ) y la exponencial compleja ,
que no son ni absolutamente sumables, ni sumables al cuadrado. Para estos casos, es
posible representar la transformada de Fourier usando las funciones delta de Dirac.
Una función delta de Dirac, llamada también función de impulso ideal, ( ), es una
función de con una altura infinita, ancho cero y área unitaria. Se define mediante la
ecuación.

240
Figura 4.7. Gráfica de la señal ℎ ( ) = −∞< < ∞.
( ) = 1, ( ) = 0, para ≠0
Donde la propiedad de muestreo de la función delta está dada por.
( − ) ( ) = ( )
donde ( ) constituye una función arbitraria de que es continua en . Las

transformadas de Fourier que resultan del uso de las funciones delta de Dirac no son
funciones continuas de .
Ejemplo 4.10
Encontrar la Transformada Fourier en Tiempo Discreto Inversa de las señales.
.− ( )= 2 ( +2 )
.− ( )= 2 ( − +2 )
Solución.
Para el caso a:
En este caso, los impulsos son funciones de una variable continua ( ) y por lo tanto
son de altura infinita, anchura cero y área unitaria

241
X(w)
2 2 2 2π 2
w
-4π -2π -π 0 π 2π 4π
2π
Figura 4.8. Gráfica de la señal ( 2π ) = ∑
2π 2 ( +2 )
Utilizando la ecuación de la definición de la transformada inversa.
1
( )= 2 ( )
2
( )= ( ) =
( )=1
Para el caso b:
La sumatoria ∑ 2 ( − + 2 ) es una función periódica de con un
periodo 2 y se denomina tren de impulsos periódicos.
Aquí ( ) es una función de impulso de , se puede seleccionar un valor de en

el intervalo − ≤ < que produce el mismo ( ), podemos incluir el termino
= 0, ya que los impulsos se repiten periódicamente 2 .
1
( ) = 2 ( − )
2
( ) =
Donde el resultado es una secuencia exponencial compleja ( ) = , con real.
Hemos demostrado que la transformada de Fourier de ( )= está dada por
( ( − )
= ) 2 +2
Donde hemos utilizado la propiedad de muestreo de la función de impulso ( ).

Para = 0, esto se reduce a secuencia considerada para el ejemplo 4.10, caso a.
Ejemplo 4.11
Encontrar la Transformada de Fourier en Tiempo Discreto de la señal
( ) = cos( ).

242
Solución.
La función coseno se puede descomponer
( )= = ( + )
( )= ( ) = ( + )
( (
( )= ( ) + ) )
Aplicando el resultado del ejemplo 4.10.
( ( − )
) 2 +2
= ( + +2 )+ ( − +2 )
A continuación se puede ver la grafica

w0 −2
X(w)
w
-4π -2π -w0 0 w0 2π w0+2 4π
2π ( ) = cos(
Figura 4.9. Gráfica de la señal ).
4.5 Transformada TFTD para señales periódica

La TFTD de una señal periódica, es un tren de impulso periódico en el dominio de la
frecuencia, se demostró que una señal ( ) = , la TFTD es
( )= = 2 ( − +2 )
Consideramos una secuencia periódica ( ) con periodo , esta secuencia se puede

representar como suma de exponenciales complejas y se considera que admite una
representación de señales periódica mediante la serie de Fourier de forma
exponencial de la forma

243
( )= , ∞< <∞
Por lo tanto su TFTD es de la forma
2
= 2 − ≤ <
Donde los coeficientes vienen dado por
1
= ( ) , = 0,1,2, … −1
Ejemplo 4.12
Encontrar la Transformada de Fourier en Tiempo Discreto de la señal
a.- ( ) = cos(2 /5).

b.- Un tren de pulso de periodo , ( )=∑ ( − )
x(n)
1 1 1 1 1
n
-2N -N 0N 2N
Figura 4.10. Gráfica de la señal 2π( ) = ∑ ( − )
Solución.
Caso a). Para este caso = 2 , la función coseno se puede descomponer en
/ /
( ) = +
Donde se puede verificar que = 1 y = −1, entonces tenemos dos coeficientes

= y = , por lo que la TFTD es
1
= −2
5
Caso b). Se calcula el coeficiente .
1
= ( ) , = 0,1,2, … −1

244
Esto solo es válida, para = 0, donde ( ) = 1, ya que entre 0 ≤ ≤ −1 ( ) = 0,

por lo que = , para todo
La TFTD se representa como
1 2
=2 −
Ejemplo 4.13
Encontrar la Transformada de Fourier en Tiempo Discreto de la señal ( ).
Solución.
En vista que la secuencia ( ) no es absolutamente sumable ni de cuadrado sumable, no
es inmediata la demostración. Para esto se crea la señal ( ) de la figura 4.11 y se
divide en dos señales tal y como se indica a continuación.
1, para ≥0
( )=
−1, para <0
x(n)
1 1 1 1 1
...
-4 -3 -2 -1
2π 2π 2π 1
n
0 2 3 4
... 2π 2π 2π
-1 -1 -1 -1
Figura 4.11. Gráfica de la señal ( )
Se puede demostrar que la señal ( ) cumple con la siguiente relación.
( )=2 ( )−1
Aplicamos la TFTD en ambos lados de la ecuación anterior, y despejamos { ( )}
{ ( )} = {2 ( )} − {1}
{ ( )} {1}
{ ( )} = +
2 2
Se calculara la TFTD de la señal ( ).
{ ( )} = = (−1) + (1)

245
= (−1) +
La suma es una serie geométrica que converge a
1
{ ( )} = = −
1− 1−
1 1 2
{ ( )} = = + =
1− 1− 1−
La TFTD de la señal ( ) = 1 la llamaremos {1}.
Sabemos que la transformada de la señal {1} de acuerdo al ejemplo 4.10. es
{1} = 2 ( +2 )
Ahora podemos calcular la TFTD de ( )
{ ( )} {1}
{ ( )} = +
2 2
Sustituimos las transformadas de { ( )} y {1} por su valor.
∑ 2 ( +2 )
{ ( )} = +
2 2
1
{ ( )} = + ( +2 )
1−
4.6 Teoremas y propiedades de la TFTD

En esta sección veremos varios teoremas sobre la transformada de Fourier e
ilustraremos su uso en la práctica mediante ejemplos.
Linealidad
ℱ ℱ
Si ( ) ( ) y ( ) ( ).
ℱ
Entonces ( )+ ( ) + .
Ejemplo 4.14
Determine la transformada de Fourier de la señal
( )= | |
−1 < <1
246
Tabla 4.3.Transformadas de Fourier en tiempo discreto de algunas secuencias.

Secuencia Transformada de Fourier en tiempo discreto
δ( ) 1
1, (−∞ ≤ ≤ ∞) 2 ( +2 )
1
( ) + ( +2 )
1−
2 ( − +2 )
1
( ), | | < 1
1−
1
( + 1) ( ), | | < 1
(1 − )
sen
ℎ ( )= −∞< 1, − ≤| |≤
=
<∞ 0, <| |≤
Planteado de una forma sencilla, la transformada de Fourier, vista como una operación
sobre la señal ( ), es una transformación lineal. Por tanto, la transformada de
Fourier de una combinación lineal de dos o más señales es igual a la misma
combinación de transformadas de Fourier de las señales individuales. La propiedad de
linealidad hace que la transformada de Fourier sea adecuada para el estudio de
sistemas lineales.
Solución. En primer lugar, observamos que ( ) puede expresarse como
( )= ( ) + ( )
Donde
, ≥0
( )=
0, <0
, <0
( )=
0, ≥0
Comenzando con la definición de la transformada de Fourier, se tiene

247
= ( ) = = ( )
La suma es una serie geométrica que converge a
1
=
1−
siempre que
=| | =| |<1
que es una condición que se satisface en este problema. De forma similar, la transformada
de Fourier de ( ) es
= ( ) = =
= =
1−
Combinando estas dos transformadas, obtenemos la transformada de Fourier de ( )

como
= +
1−
=
1 − 2 cos +
A continuación se indican las instrucciones para graficar la señal ( ) del ejemplo

4.14, con = 0.9. En la figura 4.12 se encuentra la gráfica de la señal ( ).
n2=-40:-1;
x2=0.9.^(-n2);% Señal x2
stem(n2,x2)
hold on
n1=0:40;
x1=0.9.^(n1);% Señal x1
stem(n1,x1)
title(' Señal x(n)')
ylabel(' Magnitud ')
xlabel('n')
text(10,0.75,'\alpha =
0.9','HorizontalAlignment','center','FontSize',10);

248
La gráfica de la señal del ejemplo 4.14 para = 0.9 se encuentra en la

figura 4.12. Las instrucciones para graficar se indican a continuación.
N1=[ 1 0 ]; %Vector numerador

D1=[ 1 -0.9];% Vector denominador
n=201;%201 puntos
w=linspace(-3*pi,3*pi,n);% Vector espaciado entre -3*pi,3*pi
h1= freqz(N1,D1,w);% Respuesta impulsional señal X1
N2=[ 0.9 0 ]; %Vector numerador
D2=[ 1 -0.9];% Vector denominador
h2= freqz(N2,D2,w);% Respuesta impulsional señal X2
h=h1+h2;
plot(w/pi, abs(h));
title('Magnitud X(w)')
ylabel('Amplitud')
( )= | |
Figura 4.12. Gráfica de la señal −1 < < 1.
Desplazamiento temporal
ℱ ℱ
Si ( ) , entonces ( − )
La demostración de esta propiedad se sigue directamente de la transformada de
Fourier de ( − ) haciendo un cambio en el índice del sumatorio. Así,
[∠ ( ) ]
{ ( − )= =

249
Figura 4.13. Gráfica de la señal ( )=
Esta relación implica que si se desplaza una señal en el dominio temporal muestras,
la magnitud de su espectro en frecuencia permanece inalterada. Sin embargo, el
espectro en fase cambia en una cantidad − . Este resultado puede explicarse
fácilmente si recordamos que el contenido de frecuencias de una señal depende
solamente de su forma. Desde un punto de vista matemático, podemos decir que
desplazar unidades en el dominio del tiempo, es equivalente a multiplicar el
espectro por en el dominio de la frecuencia.
Reflexión temporal
ℱ ℱ
Si ( ) , entonces (− )
Esta propiedad puede demostrarse efectuando la transformada de Fourier de (− ) y

haciendo un simple cambio de variable en el índice del sumatorio. Por tanto,
{ (− )} = ℓ
(ℓ) =
ℓ
Si ( ) es real, entonces
∠ ( ) ∠ ( )
= = | ( )|
Esto significa que si una señal se refleja con respecto al origen de tiempos, su espectro
en magnitud permanece inalterado, y su espectro en fase experimenta un cambio de
signo (inversión de la fase).

250
El teorema de convolución
ℱ ℱ
Si ( ) ( ) y ( ) ( )
ℱ
Entonces ( )= ( )∗ ( ) ( )=
Recordemos la fórmula de la convolución
( )= ( )∗ ( )= ( ) ( − )
Sustituyendo en la ecuación de definición de TFTD
= ( ) = ( ) ( − )
Realizando cambio de variable = − , cuando → −∞ tenemos → −∞ y

→ ∞ ⟹ → ∞.
( ) ( ) ( )
=
Después de intercambiar el orden de los sumatorios, obtenemos.
)
= ( ) ( )
= ( )
El teorema de la convolución es una de las herramientas más potentes en el análisis de

sistemas lineales. Esto es, si convolucionamos dos señales en el dominio del tiempo,
entonces estamos multiplicando sus espectros en el dominio de la frecuencia.
Ejemplo 4.15
Determine la convolución de las secuencias ( ) = ( ) = 2, 2, 2 en el tiempo
discreto y luego encontrar su TFTD y encontrar la convolución en la frecuencia.
Solución. En primer lugar, se calcula la convolución en tiempo discreto.

El índice de inicio es −2 y el índice final 2.

251
−2−1 0 1 2
( ) 2 2 2
( ) 2 2 2
4 4 4
4 4 4
4 4 4
4 8 12 8 4 Suma de las columnas.
( )= ( )∗ ( ) = 4,8, 12, 8,4
Calculo de la TFTD de la señal ( )= ( )∗ ( ) = 4,8, 12, 8,4

.
= ( )
( ) ( ) ( ) ( ) ( )
= (−2) + (−1) + (0) + (1) + (2)
=4 +8 + 12 +8 +4
=4 + 82 + 12 + 8 +4
Se calcula la convolución en frecuencia usando la definición de la señal ( )=

( ) = 2, 2, 2 .
= ( )
( ) ( ) ( )
= (−1) + (0) + (1)
( )
=2 +2 +2 =2 +2+2
= = 2 + 4 cos =2(1 + 2 cos )
Entonces la convolución en frecuencia viene dada por la multiplicación de las señales.
= = 2(1 + 2 cos )2(1 + 2 cos )

= 4(1 + 4 cos + 2 cos 2 )
= 4(1 + 2 + + + )
= 4(3 + +2 +2 + )
=4 +8 + 12 + 8 +4
El teorema de la correlación
ℱ ℱ
Si ( ) y ( )
ℱ
Entonces ( ) =

252
Recordamos que la correlación viene dada por
( )= ( ) ( − )
Sustituyendo la correlación en la definición de la TFTD
= ( ) = ( ) ( − )
Realizando cambio de variable = − , cuando → −∞ tenemos →∞ y

→ ∞ ⟹ → −∞
( ) ( ) ( )
=
Después de intercambiar el orden de los sumatorios, obtenemos.
)
= ( ) ( )
= ( )
La función se denomina densidad espectral de energía cruzada de las

señales ( ) y ( ).
El teorema de Wiener-Khintchine.
ℱ
Sea ( ) una señal real. Si ( ℓ)
La densidad espectral de energía de una señal de energía es la transformada de Fourier

de su función de autocorrelación. Nos dice que la función de autocorrelación de una
señal y su densidad espectral de energía contienen la misma información sobre la
señal. Dado que ninguna de estas funciones contiene información sobre la fase, es
imposible reconstruir de manera unívoca la señal a partir bien de su autocorrelación ó
de su densidad espectral de energía.
Desplazamiento en frecuencia
ℱ ℱ
Si ( ) ( ), entonces ( ) −

253
= ( ) = ( )
( ) ( ) (
= = )
Según esta propiedad, la multiplicación de una secuencia ( ) por equivale a la

traslación en frecuencia del espectro ( ) a . Esta traslación en frecuencia se
muestra en la figura 4.14. Dado que el espectro ( ) es periódico, el
desplazamiento se aplica en cada periodo del espectro de la señal.
X(w)
-1
-2π -π 0 π
w
2π
−
2 2
X(w-w0)
-1
-2π+w0 0 w0 π 2π 2π+w0
w
-2π
Figura 4.14. Ilustración de la propiedad de desplazamiento frecuencial de la transformada de Fourier.
El teorema de la modulación
ℱ ℱ
Si ( ) ( ), entonces [ ( + )+ ( − )]
Para demostrar el teorema de la modulación, expresamos la señal cos w n como
= ( + )
( )= ( ) = ( + )
( (
= ( ) + ) )
Aplicando la definición y usando la propiedad de desplazamiento frecuencial vista

en la sección anterior, obtenemos el resultado deseado.
Teorema de Parseval
ℱ ℱ
Si ( ) ( ) y ( ) ( )

254
Entonces
∗ ∗
( ) ( )= ( ) ( )
Sustituimos ( ) por su transformada en el lado derecho de la ecuación anterior.
∗
( )
Intercambiando la sumatoria y la integral.
∗ ∗(
= ( ) = ( ) )
En el caso especial, cuando ( )= ( ) = ( ) la relación de Parseval se reduce a
| ( )| = |X( )| )
Concluimos que
= (0) = | ( )| = |X( )| = ( )
La energía de la señal ( ), es igual también a la autocorrelación de ( ) ( ( ),

calculada en = 0) y su vez es igual a la densidad espectral de energía, así, la integral
sobre el intervalo − ≤ ≤ nos da la energía total de la señal.
Multiplicación de dos secuencias (teorema de enventanado)

ℱ ℱ
Si ( ) ( ) y ( ) ( )
Entonces
ℱ
( )≡ ( ) ( ) ( )= ( ) ( − )
La integral de la parte derecha de la ecuación anterior representa la convolución de las

transformadas de Fourier y ( ). Esta relación es la dual de la
convolución en el dominio del tiempo. En otras palabras, la multiplicación de dos
señales en el dominio del tiempo equivale a la convolución de sus transformadas de

255
Fourier. La convolución de dos señales en el dominio del tiempo se corresponde con

la multiplicación de sus transformadas en el dominio de la frecuencia.
Para demostrar la propiedad anterior consideramos la transformada de Fourier de

( ) = ( ) ( ) y usamos la fórmula para la transformada inversa.
( )= ( )
así, tenemos
( )= ( ) = ( ) ( )
= ( ) ( )
Intercambiando los símbolo de la sumatoria y la integral
( ) ( ) ( ) ( ) ( − )
=
La integral de la convolución se conoce como convolución periódica de y

dado que es la convolución de dos señales periódicas con el mismo periodo.
Obsérvese que los límites de la integración se extienden sobre un único periodo. Lo
que es más, debido a la periodicidad de la transformada de Fourier de señales en
tiempo discreto, no existe una dualidad "perfecta" entre los dominios del tiempo y de
la frecuencia con respecto a la operación de convolución, como ocurría en el caso de
señales en tiempo continuo. De hecho, la convolución en el dominio del tiempo
(sumatorio aperiódico) equivale a la multiplicación de transformadas de Fourier
continuas periódicas. Sin embargo, la multiplicación de señales aperiódicas equivale a
la convolución periódica de sus transformadas de Fourier.
El par de transformadas de anteriores será útil en el diseño de filtros FIR mediante la
técnica de enventanado.
Diferenciación en el dominio de la frecuencia

ℱ ℱ ( )
Si ( ) ( ), entonces ( )
Para demostrar esta propiedad usamos la definición de la transformada de Fourier y

derivamos el término del lado derecho de la serie con respecto a . Por lo tanto,
obtenemos

256
= ( )
= ( )
=− ( )
Multiplicamos ahora ambos lados de la ecuación por para obtener el resultado

deseado
= ( )
Las propiedades obtenidas en esta sección se resumen en la Tabla 4.5, que sirve de
referencia, así mismo muestra algunos pares de transformadas de Fourier.
4.7 Respuesta a señales exponenciales complejas y sinusoidales

Se demostró que la respuesta de cualquier sistema LIT en reposo a una señal de
entrada arbitraria (n), viene dada por la fórmula de la convolución.
( )= ℎ( ) ( − )
En esta relación de entrada-salida, el sistema está caracterizado en el dominio del

tiempo por su respuesta al impulso unidad ℎ( ), − ∞ < < ∞.
Para elaborar una caracterización del sistema en el dominio de la frecuencia,

excitémoslo con la exponencial compleja
( )= − ∞< <∞
donde es la amplitud y es cualquier frecuencia arbitraria confinada en el

intervalo frecuencial [− , ]. Sustituyendo la señal de entrada en la fórmula de la
convolución, obtenemos la respuesta
( )= ( )
ℎ( ) A

257
Tabla 4.5 Propiedades de la transformada de Fourier de señales en tiempo discreto

Propiedad Dominio tiempo Dominio frecuencia
( )
Notación ( )
( )
Linealidad ( )+ ( ) + ( )
Desplazamiento ( − ) ( )
Reflexión
(− )
temporal
Diferenciación
( )
dominio ( )
frecuencia
Convolución ( )∗ ( ) ( )
( )= ( ) =
Correlación ∗
∗ (− ) =
Multiplicación ( ) ( ) ( ) ( − )
Relación 1 ∗
( ) ∗( )
Parseval 2
∗( ∗
Conjugación )
Desplazamiento
( ) −
frecuencial
Modulación ( ) [ ( + )+ ( − )]
Wiener
( ), con ( ) real
Khintchine
( )= ℎ( )
Observamos que el término entre corchetes de la ecuación anterior es una función de

la variable de frecuencia . De hecho, este término es la transformada de Fourier de
la respuesta impulsional ℎ( ) del sistema. Por tanto, denotamos esta función como
= ℎ( )
Claramente, la función existe si el sistema es estable BIBO, es decir, si
|ℎ( )| < ∞

258
La respuesta del sistema a la exponencial compleja dada es.
( )=
Conviene destacar que la respuesta a la salida del sistema también tiene la forma de
una exponencial compleja de la misma frecuencia que la entrada y alterada por el
factor multiplicativo , que es la transformada de Fourier de la respuesta
impulsional ℎ( ) del sistema evaluada en la frecuencia de la señal de entrada .
Ejemplo 4.16
Determine la secuencia de salida del sistema con respuesta impulsional
1
ℎ( ) = ( )
3
cuando la entrada es la secuencia exponencial compleja.
( )= /
−∞< <∞
Solución.
En primer lugar calculamos la transformada de Fourier de la respuesta impulsional
ℎ( ) y posteriormente la evaluamos en la frecuencia de la señal de entrada.
Recordemos que
1
= ℎ( ) =
1−
Para = π 4, da lugar a
1 . °
= = 1.25
4 1−
y, por tanto, la salida del sistema es
( ) = 1.25 . °
( – . °)
( ) = 1.25 −∞< <∞
Este ejemplo ilustra claramente que el único efecto del sistema sobre la señal de
entrada ( ) es el escalado de la amplitud por 1,25 y el desplazamiento en fase de
– 17.14°. Por consiguiente, la salida también es una exponencial compleja de
frecuencia π/4, amplitud 1,25 y fase – 17.14°.
En general, ( ) es una función compleja de la variable de frecuencia , por lo que

se puede expresar en forma polar como

259
( )
= ( )
donde ( ) es la magnitud de ( )y ( )=∠ es el desplazamiento de

fase producido por el sistema sobre la señal de entrada a la frecuencia .
Como es la transformada de Fourier de ℎ( ), se puede deducir que es

una función periódica con periodo 2 .
Para un sistema lineal e invariante en el tiempo con respuesta impulsional real, las
funciones de fase y magnitud poseen propiedades de simetría, es una función
par de y ( ) una función impar de . Por tanto, si conocemos y
( ) para, 0 ≤ ≤ también conocemos estas funciones para − ≤ ≤ 0.
Mediante Euler, una sinusoide se pueda expresar como la suma o diferencia de dos
exponenciales complejas conjugadas, implica que la respuesta de un sistema lineal e
invariante en el tiempo a una sinusoide es parecida a la respuesta cuando la entrada es
una exponencial compleja
El hecho de que una sinusoide se pueda expresar como la suma o diferencia de dos
exponenciales complejas conjugadas, implica que la respuesta de un sistema lineal e
invariante en el tiempo a una sinusoide es parecida a la respuesta cuando la entrada es
una exponencial compleja.
Si la entrada al sistema consiste en más de una sinusoide, podernos usar el principio

de superposición de los sistemas lineales para determinar la salida.
En el caso más general, si la entrada al sistema consiste en una combinación lineal

arbitraria de sinusoides de la forma
( )= cos( +∅ ) −∞ < <∞
donde {A ί} y {∅ } son las amplitudes y fases de las sinusoides correspondientes,

entonces, la respuesta del sistema es simplemente
( )= | ( )| cos[ +∅ + ( )]
donde | ( )| y ( ) son las respuestas en magnitud y fase, respectivamente, a cada

una de las sinusoides de entrada.
Ejemplo 4.17
Determine la respuesta del sistema a la señal de entrada
( ) = 5 + 10 cos + 20 sen −∞ < <∞

4 3

260
Cuando la respuesta impulsional es
1
ℎ( ) = ( )
4
Solución.
La transformada de Fourier en tiempo discreto de la respuesta impulsional ℎ( ), es la
respuesta en frecuencia del sistema y está dada por
1
= ℎ( ) =
1−
El primer término de la señal de entrada (n) es una componente de señal constante

para la frecuencia en = 0. Por tanto,
1 4
(0) = =
1− 3
El segundo término de ( ) es de frecuencia = π/4. La respuesta frecuencial del

sistema es
1 . °
= = 1.187
4 1−
Finalmente, el tercer término de ( ) tiene frecuencia = π/3. Para esta frecuencia
1 . °
= = 1.109
3 1−
Así, la respuesta del sistema a la señal de entrada ( ) es
( )= − 11.87 cos( − 12.12°) + 22.18 sin( − 13.89°) −∞ < <∞
4.8 Calculo de la respuesta en frecuencia

Evaluando las respuestas en magnitud y en fase como funciones de la frecuencia, es
conveniente expresar ( ) en términos de sus polos y ceros. Así, escribimos ( )
en forma racional partiendo de la transformada .
( ) ∑ + +⋯+
( )= = =
( ) ∑ + + ⋯+
Si ≠0 y ≠ 0, podemos evitar las potencias negativas de , sacando como

factor común los términos y , en el numerador y el denominador

261
respectivamente como sigue:
( ) + +⋯+
( )= =
( ) + + ⋯+
Dado que ( ) y ( ) son polinomios en , se pueden expresar en forma de productos
( ) ( − )( − ) … ( − )
( )= =
( ) ( − )( − ) … ( − )
∏ ( − )
( )=
∏ ( − )
donde = .
Sustituyendo = y definiendo = 1.
( )
∏ ( − )
=
∏ ( − )
Expresemos los factores complejos de la ecuación anterior en forma polar como.
Caso de los ceros

( ) ( ) ≡ ∠(
− = ( ) , donde = − y − )
Caso de los polos

( ) ( )≡∠
− = ( ) , donde = − y − .
La magnitud de es igual al producto todas las magnitudes para el caso de los

polos y los ceros. Por tanto, obtenemos
( )… ( )
=| |
( ) ( )… ( )
( )
puesto que la magnitud de es 1.
La respuesta en magnitud en decibelios se puede expresar,
| ( )| = 20 | | + 20 ( ) − 20 ( )
Por lo tanto, la respuesta en magnitud se expresa como la suma de los factores de

magnitudes

262
La fase de es la suma de las fases de los factores del numerador, menos las
fases de los factores del denominador. Por consiguiente, tenemos
∠ =∠ + ( − )+ ( )+ ( ) +⋯+ ( )
−[ ( ) + ( ) + ⋯ + ( )]
La fase del término de ganancia es cero, si es positivo y si b es negativo.

Claramente, si conocemos los ceros y los polos de la función de transferencia ,
podemos evaluar la respuesta en frecuencia con la magnitud y la fase.
Existe una interpretación geométrica para el cálculo de la magnitud y la fase.

Consideremos varios polos y ceros localizados en el plano , como se muestra en la
figura 4.14(a). Supongamos que queremos calcular para una determinada
frecuencia . El valor de determina el ángulo de con el eje real positivo. La
punta del vector especifica un punto sobre la circunferencia unidad. Calcular la
transformada de Fourier para una determinada frecuencia es equivalente a calcular
la transformada en el punto del plano complejo. Dibujemos los vectores distancias,
desde las posiciones de los polos y los ceros al punto , en el que deseamos calcular la
transformada de Fourier. De la figura 4.14(a) tenemos que
( ) ( )
= − =
( )
= − = ( )
Por lo tanto, ( ) es la longitud del polo al punto correspondiente a ,

mientras que ( ) es la distancia del cero z hasta el mismo punto . Las fases
( ) y ( ) son los ángulos de los vectores distancia con el eje real positivo,
respectivamente. Estas interpretaciones geométricas se muestran en la figura 4.14 (b).
Las interpretaciones geométricas son muy útiles para la comprensión de los efectos
que la localización de los polos y ceros tienen en el módulo y la fase de la
transformada de Fourier.
La presencia de un cero sobre la circunferencia unidad hace que el módulo de la
respuesta en frecuencia, en puntos de la circunferencia unidad próximo a ese cero, sea
pequeño. La existencia de un polo cercano a la circunferencia unidad hace que el
módulo de la respuesta en frecuencia sea grande en puntos cercanos a ese polo.
Además, el efecto de un polo se cancela colocando un cero cercano a e1 y viceversa.
Esto se puede ver, si = , los términos − y − se cancelan.

Obviamente la presencia de polos y ceros en una transformada se traduce en una
amplia variedad de formas de y .
Ejemplo 4.18
Utilizando Matlab, calcule la respuesta en frecuencia del sistema descrito por la
siguiente función de transferencia

263
0.2418 + 0.0336 − 0.0771 + 0.0336 + 0.2418

=
1 + 0.2386 + 0.8258 + 0.1393 + 0.4153
(a) (b)
Figura 4.15. Interpretación geométrica de la contribución de los polos y ceros para magnitud (a) y fase (b)
Solución.
El “Signal Processing Toolbox” de MATLAB puede emplearse para determinar los
valores de la transformada de Fourier de una secuencia real descrita como una función
racional en . El programa calcula los valores de la transformada de Fourier en los
puntos de frecuencia prescritos y grafica las partes real e imaginaria y los espectros de
magnitud y fase. Debe señalarse que debido a las relaciones de simetría de la
transformada de Fourier de una secuencia real, aquélla se evalúa sólo en valores
especificados igualmente espaciados de entre 0 y . Las gráficas generadas se
presentan en la figura 4.16.
Aplicar la instrucción: [h, w] = freqz(N, D) para calcular la respuesta en frecuencia.
Donde N y D son dos vectores con los coeficientes del polinomio del numerador y
denominador.
También usaremos las instrucciones real, imag, abs, y angle y la función
fvtool(N, D) para encontrar la magnitud en db.
N=[ 0.2418 0.0336 -0.0771 0.0336 0.2418]; %Vector numerador

D=[ 1 0.2386 0.8258 0.1393 0.4153];% Vector denominador
[h,w]= freqz(N,D);% Respuesta impulsional
subplot(2,2,1)
plot(w/pi, real(h));
title('Parte real')
ylabel('Amplitud')
xlabel('Frecuencia w/pi')
text(1.02,-640,'pi','HorizontalAlignment','center','FontSize',10)
subplot(2,2,2)
plot(w/pi, imag(h));
title('Parte Imaginaria')
ylabel('Amplitud')
xlabel('Frecuencia w/pi')

264
text(1.02,-1080,'pi','HorizontalAlignment','center','FontSize',10)
subplot(2,2,3)
plot(w/pi, abs(h));
title('Magnitud')
ylabel('Amplitud')
xlabel('Frecuencia w/pi ')
text(1.02,70,'pi','HorizontalAlignment','center','FontSize',10)
subplot(2,2,4)
plot(w/pi, angle(h));
title('Fase')
ylabel('Amplitud en rad')
xlabel('Frecuencia w/pi ')
fvtool(N,D) % Herramienta calculo respuesta en frecuencia
. . . . .
Figura 4.16. Respuesta en frecuencia de =
. . . .
Figura 4.17. Magnitud en db del ejemplo 4.18 con la función fvtool(N, D).

265
4.9 La transformada de Fourier discreta (TFD)

Para este caso asumimos que ( ) es cero para todos los valores de entero menor
que cero, y para mayor o igual que cualquier entero . En otras palabras
supongamos que ( ) = 0, para <0 y ≥ . Entonces podemos definir la
transformada de Fourier de longitud , tomando como base la TFTD
= ( )
Ya que es una variable continua, existe un número infinito de posibles valores de ,

desde 0 ≤ ≤ 2 . Se desea evaluar para un conjunto de frecuencias
angulares igualmente espaciadas a lo largo del circulo unitario, = 2 / , para
0 ≤ ≤ − 1.
Se puede definir la transformada de Fourier discreta (TFD) de la señal ( ) de

longitud , donde ≫ , mediante.
2
( )= = ( ) = 0,1,2, … , −1
( ) es una señal de duración finita, de longitud , y es la longitud seleccionada de

la Transformada de Fourier Discreta, donde ≫ .
Se define una nueva secuencia ( ), aumentado − muestras de valor cero a la

secuencia original, para obtener una longitud total de la señal ( ).
( ), 0 ≤ ≤ − 1
( )=
0, ≤ ≤ −1
Utilizando ( ) en la definición de la TFD y cambiando el limite máximo de la

sumatoria hasta − 1 nos queda, la TFD de puntos.
( )= ( ) = 0,1,2, … , −1
Al rellenar la secuencia ( ) con − ceros y calcular la TFD de puntos se

obtiene una mejor representación gráfica de la transformada de Fourier ( ).
En la ecuación anterior:
.- ( ) es una señal de duración finita, de longitud d
.- es la longitud seleccionada de la Trasformada de Fourier Discreta, ≫ .
.- es el índice para las muestras en ( ).
.- es el índice de la frecuencia para la TFD.

266
La relación que nos permite recuperar la secuencia ( ) a partir de las muestras en

frecuencia ( )
1
( )= ( ) = 0,1,2, … , −1
se denomina La transformada inversa de Fourier discreta (TIFD). Cuando ( ) tiene

longitud < , la TFDI de puntos da ( ) = 0 para ≤ ≤ .
Ejemplo 4.19
Encontrar la transformada de Fourier discreta de la señal ( ) = 0.9 ( ) y utilice
Matlab para graficar. Seleccionar = 10 y = 50.
Solución. La transformada de Fourier Discreta de esta secuencia es.
( )= 0.9 = 0,1,2, … , ∞
1
( )= = 0,1,2, … , ∞
1 − 0.9
Instrucciones en Matlab del ejemplo 4.19.

N1=0:9;
x1=0.9.^N1;
y1=fft(x1,length(N1));
stem(N1,abs(y1));
ylabel('Magnitud X(k)')
xlabel('No muestras k')
text(9.1,-0.15,'k','HorizontalAlignment','center','FontSize',10)
text(4,4,'N=10','HorizontalAlignment','center','FontSize',10)
N=0:49;
x=0.9.^N;
y=fft(x,length(N));
stem(N,abs(y));
text(51,-0.2,'k','HorizontalAlignment','center','FontSize',10)
Ejemplo 4.20
Una secuencia de duración finita de longitud viene dada por, determine la TFD de
puntos de esta secuencia para ≥ .
1, 0 ≤ ≤ − 1
( )=
0,

267
Figura 4.18. Magnitud de la transformada de Fourier ( ) = 0.9 ( ) ejemplo 4.19 con = 10.
Solución. La transformada de Fourier de esta secuencia es
( )= ( ) = 0,1,2, … , −1
1−
( )= = 0,1, … , −1
1−
( ) sin( )
( )=
sin( )
La DFT de puntos de ( ) es simplemente ( ), calculada en las frecuencias

equiespaciadas = 2 / , 0 < < − 1.
Para el ejemplo 4.20, si se elige de manera que = , entonces la TFD se expresa

como.
Para = 0.
( )= ( ) = 0,1,2, … , − 1
( )=

268
Figura 4.19 Magnitud de la transformada de Fourier ( ) = 0.9 ( ) ejemplo 4.19 con = 50.
Para = 1,2, … , − 1
( )= ( ) = 1,2, … , − 1
1− 1− 1−1
( )= = = = 1, … , − 1
1− 1− 1−
( )=0
Por lo tanto, existe un único valor de la DFT distinto de cero.
, =0
( )=
0, = 1,2, … , − 1
Del ejemplo anterior se puede concluir que, aunque la TFD de puntos es suficiente
para representar de forma univoca la secuencia ( ) en el dominio de la frecuencia,
resulta evidente que no es suficiente para obtener una representación grafica detallada
de las características espectrales de ( ). Si deseamos obtener una mejor
representación gráfica, debemos calcular (interpolar) ( ) en frecuencias mas
próximas entre si, digamos, en = 2 / , donde > . En efecto, podemos
interpretar esta operación como la expansión de la secuencia de puntos a puntos,
añadiendo − ceros a la secuencia ( ), es decir, rellenando con ceros. Por lo
tanto, la TFD de puntos proporciona una interpolación mas fina que la TFD de
puntos.

269
Ejemplo 4.21
Utilizar Matlab para graficar el resultado del ejemplo 4.20 para una secuencia de
duración finita de longitud = 10 viene dada por
1, 0 ≤ ≤9
( )=
0,
Solución. La transformada de Fourier de esta secuencia es
En la figura 4.20 se muestran la magnitud y la fase de ( ) para = 10, = 50 y

= 100. A medida que sea más grande, las características espectrales de la señal
están más claras.
x=[ 1 1 1 1 1 1 1 1 1 1];% Vector de entrada longitud 10

N=0:49;
y=fft(x,length(N));
subplot(2,2,1)
stem(N,abs(y));
subplot(2,2,2)
stem(N,angle(y));
ylabel('Fase X(k)')
N=0:99;
y1=fft(x,length(N));
subplot(2,2,3)
stem(N,abs(y1));
subplot(2,2,4)
stem(N,angle(y1));
ylabel('Fase X(k)');xlabel('No muestras k')
Ejemplo 4.22
Determine la transformada de Fourier discreta de la secuencia ( ) = 2, 4,6,8 .
Solución.
( )= ( ) = 0,1,2, … , −1
Seleccionamos = 4, por lo que = 0,1,2,3

270
Figura 4.20. Magnitud y fase de la TFD de longitud = 10, para = 50 y = 100 del ejemplo 4.21.
Para =0
(0) = ( ) = (0) + (1) + (2) + (3) = 2 + 4 + 6 + 8 = 20
Para =1
. . . .
(1) = ( ) = (0). + (1). + (2). + (3).
(1) = 2 + 4. + 6. + 8.
π π 3π 3π
(1) = 2 + 4 Cos − jSen + 6[Cosπ − jSenπ] + 8 Cos − jSen
2 2 2 2
(1) = 2 − 4j − 6 + 8j = −4 + 4j
=2
(2) = ( ) = (0). + (1). + (2). + (3).
(2) = 2 + 4[Cosπ − jSenπ] + 6[Cos2π − jSen2π] + 8[Cos3π − jSen3π]

(2) = 2 − 4 + 6 − 8 = −4
=3
. . . .
(3) = ( ) = (0). + (1). + (2). + (3).
3π 3π 9π 9π
(3) = 2 + 4 Cos − jSen + 6[Cos3π − jSen3π] + 8 Cos − jSen
2 2 2 2

271
(3) = 2 + 4j − 6 − 8j = −4 − 4j
20
−4 + 4j
La solución es ( )=
−4
−4 − 4j
Ejemplo 4.23
Determine la transformada de Fourier Discreta inversa (TFDI) del ejemplo anterior.
20
−4 + 4j
( )=
−4
−4 − 4j
Solución.
Utilizamos la definición
1
( )= ( ) = 0,1,2, … , −1
Seleccionamos el tamaño de la TIFD de = 4, por lo que = 0,1,2,3
Para =0
1 1
(0) = ( ) = [ (0) + (1) + (2) + X(3)] =
4 4
1
(0) = [20 − 4 + 4j − 4 − 4 − 4j] = 2
4
Para = 1
1
(1) = ( )
4
1
(1) = X(0). . + X(1). . + X(2). . + X(3). .
4
1 π π
(1) = 20 + (−4 + 4j) Cos − jSen + (−4)[Cosπ − jSenπ] + (−4
4 2 2
3π 3π
− 4j) Cos − jSen
2 2
1
(1) = [20 − 4j − 4 + 4 + 4j − 4] = 4
4
Para =2
1
(2) = ( )
4

272
1 . . . .
(2) = X (0). + X (1). + X (2). + X (3).
4
1
(2) = 20 + (−4 + 4j)[Cos2π − jSen2π] + (−4)[Cos4π − jSen4π] + (−4
4
− 4j)[Cos6π − jSen6π]
1
(2) = [20 − 4 + 4j + 4 − 4j + 4] = 6
4
Para =3
1
(3) = ( )
4
1 . . . .
(3) = X (0). + X (1). + X(2). + X (3).
4
1 3π 3π
(3) = 20 + (−4 + 4j) Cos − jSen + (−4)[Cos3π − jSen3π] + (−4
4 2 2
9π 9π
− 4j) Cos − jSen
2 2
1
(3) = [20 + 4j + 4 + 4 − 4j + 4] = 8
4
La respuesta final será, ( ) = {2,4,6,8}.
Ejemplo 4.24
Utilizar Matlab para graficar la TDF para una secuencia de duración finita dada por.
1, 0 ≤ ≤3
( )=
0,
Solución.
En la figura 4.21 se muestran la magnitud de la TDF para = 8 = 16 y = 32
puntos. A medida que aumenta, las características espectrales de la señal se
muestran más claras, de ahí la ventaja de seleccionar un valor de mucho mayor que
la longitud de la señal discreta.
x=[1 1 1 1];% Vector de entrada longitud 4

n=600;%200 puntos
w=linspace(0,2*pi,n);
y=fft(x,n);
subplot(2,2,1)
plot(w/pi,abs(y))
ylabel('Magnitud | X(\ite^{ i\omega} |')
xlabel('Frecuencia (w)')
text(1,2,'TFTD','HorizontalAlignment','center','FontSize',10)
N=0:7;
subplot(2,2,2)
stem(N,abs(y0));

273
ylabel('Magnitud | X(k) |')

text(4,2,'TDF para N=8','HorizontalAlignment','center','FontSize',10)
N=0:15;
subplot(2,2,3)
stem(N,abs(y1));
N=0:63;
subplot(2,2,4)
stem(N,abs(y2));
4.10 La TFD como una transformación lineal

Partiendo de la transformada de Fourier en tiempo discreto.
( )= ( ) = 0,1,2, … , −1
Y definiendo = , que es la raíz “n-esima” de la unidad.
Las fórmulas para la TFD y la TFDI dadas se pueden expresar como
( )= ( ) = 0,1, … , −1
1
( )= ( ) = 0,1, … , −1
Observamos que el cálculo de cada punto de la DFT implica multiplicaciones

complejas y ( − 1) sumas complejas por cada valor de . Por tanto, los puntos de
la DFT pueden obtenerse tras multiplicaciones complejas y ( − 1) sumas
complejas.
Es interesante considerar la TFD y la TFDI como transformaciones lineales de las
secuencias ( ) y ( ), respectivamente.
Definamos el vector de puntos de la secuencia ( ), = 0,1, … , − 1, el vector

de puntos de las muestras en frecuencia, = 0,1, … , −1

274
Figura 4.21. Magnitud de la TFD para =8, = 16 y = 64 del ejemplo 4.24.
(0) (0)
(1) (1)
= =
⋮ ⋮
( − 1) ( − 1)
y la matriz de , como
=0 =1 =2 =3 … = −1
⎡ ⋯ ⎤ =0
⎢ ⋯ ⎥ =1
⎢ ⋯ ( )
⎥
⋯ =2
=⎢ ⋮⋮⋮ ) ⎥
( =3
⎢ ⎥ ⋮
⋮ ⋮ ⋮
⎢ ⋮ ( ) ( ) ⋯
⋮ ⎥ = −1
( )( )
⎣ ⎦
Note que cada valor es obtenido al multiplicar por . Por ejemplo para =2 y
= 3 entonces podemos obtener = .
Con estas definiciones, la TFD de puntos se puede expresar en forma matricial

como

275
donde es la matriz de la transformación lineal. Obsérvese que es una matriz

simétrica. Si suponemos que existe la inversa de , entonces podemos invertir la
expresión anterior multiplicando ambos lados por ( ) . Por lo tanto, obtenemos
=( )
esto simplemente es una expresión para la TFDI.
La TFDI puede expresarse en forma matricial como
1 ∗
=
∗
donde denota la matriz compleja conjugada de . Comparando, concluimos
∗
que ( ) = , esto implica que
∗
. =
Donde es la matriz identidad . Por lo tanto, la matriz de transformación es

∗
una matriz ortogonal. Además, su inversa existe y viene dada por .
Evidentemente, la existencia de la matriz inversa de ya se había establecido en
nuestro desarrollo de la TFDI.
A continuación se derivan algunas propiedades del factor = .
1.- Periodicidad: = ;
( )
= = . = = =[ ]
/
2.- Simetría: =− ;
( )
/
= = . =− =− = −[ ]
3.- = /
/ = / = =[ ] =
Se comprobara la propiedad de periodicidad del factor = . Tomaremos el

caso para = 8.
.
Tenemos que = , por lo tanto = , debido a que = 8 nos queda
.
que = .

276
Podemos obtener , para ello, variamos los valores de . Esto se muestra en la

Tabla 4.6.
Los cálculos son realizados usando la identidad de Euler. Por ejemplo cuando = 1,
.
tenemos que = = − = 0,707107 − 0,707107.
Tabla 4.6 Propiedades de periodicidad de la transformada de Fourier.

.
= Real Imaginaria
.
0 = 1 0
.
1 = 0,707107 -0,707107
.
2 = 0 -1
.
3 = -0,707107 -0,707107
.
4 = -1 0
.
5 = -0,707107 0,707107
.
6 = 0 1
.
7 = 0,707107 0,707107
.
8 = 1 0
.
9 = 0,707107 -0,707107
.
10 = 0 -1
.
11 = -0,707107 -0,707107
Podemos observar en la tabla, que el valor de = . Similarmente = y

= . Esta es una Transformada de Fourier Discreta de 8 puntos ( = 8 ), los
valores después de 8 puntos se repiten, es decir.
W =W =W =W ⋯
W =W =W =W ⋯
W =W =W =W ⋯
W =W =W =W ⋯
⋮
W =W =W =W ⋯
La propiedad de la periodicidad se muestra en la figura. 4.22.
Ejemplo 4.25
Calcule la TFD de la secuencia de 4 puntos ( ) = (2, 4,6,8)

277
Parte Img
W =W
o
W =W o o W =W
W =W
-1 o
. o1
W =W
Parte Real
o o
W =W W =W
o
W =W
Figura 4.22. Propiedad cíclica del factor = para = 8.
Solución. El primer paso consiste en determinar la matriz . Usando la periodicidad

para = 4 y la propiedad de simetría = podemos expresar la matriz
como
1 1 1
⎡ ⎤ ⎡1 ⎤
⎢
=⎢
⎥
⎥= ⎢1 ⎥
⎢ ⎥ ⎢1 ⎥
⎣ ⎦ ⎣1 ⎦
= =− , = = −1, = = , = =1
= = −1, = =− ,
Así pues,
1 1 1 1 2 20
1 − −1 4 −4 + 4
= = 1 −1 1 −1 6 = −4
1 −1 − 8 −4 − 4
La TFDI de puede determinarse conjugando los elementos de para = 4 con

∗ ∗
el objeto de obtener , luego se aplica la formula =
1 1 1 1 20
1 1 −1 − −4 + 4
= 1 −1 1 −1 . −4
4
1 − −1 −4 − 4
20 −4 + 4 −4 −4 − 4
1 20 (−4 + 4 ) −1(−4) – (−4 − 4 )
= 20
4 −1(−4 + 4 ) 1(−4) −1(−4 − 4 )
20 − (−4 + 4 ) −1(−4) (−4 − 4 )
278
8 2
1 16 4
= 24 = 6
4
32 8
La TFD y la TFDI son herramientas computacionales que juegan un papel importante

en numerosas aplicaciones del procesado de señales digitales, como el análisis
frecuencial (análisis espectral) de señales, la estimación del espectro de potencia y el
filtrado lineal. La importancia de la TFD y la TFDI en tales aplicaciones prácticas se
debe, en gran medida, a la existencia de algoritmos computacionalmente eficientes
para el cálculo de la TFD y la TFDI, conocidos como algoritmos para la transformada
rápida de Fourier (FFT, Fast Fourier Transformer, por sus siglas en ingles).
Ejemplo 4.26
Resolver el problema anterior usando Matlab de la secuencia de 4 puntos
( ) = (2, 4,6,8), utilizando la definición y la TFD como una transformación lineal.
Solución.
% La TFD utilizando la definición.
x=[ 2 4 6 8]; % Vector de entrada
y=fft(x,length(x)) % TFD de longitud 4
x1=ifft(y,length(y))% TIFD
y = 20.0000 -4.0000 + 4.0000i -4.0000 -4.0000 - 4.0000i
x1 = 2 4 6 8
% La TFD como una transformación lineal.

x=[ 2 4 6 8]; % Vector de entrada
w=dftmtx(4) % Matriz de transformación lineal
y=w*x' % Vector de salida
w=
1.0000 1.0000 1.0000 1.0000
1.0000 0 - 1.0000i -1.0000 0 + 1.0000i
1.0000 -1.0000 1.0000 -1.0000
1.0000 0 + 1.0000i -1.0000 0 - 1.0000i
y = 20.0000
-4.0000 + 4.0000i
-4.0000
-4.0000 - 4.0000i
La TFDI como una transformación lineal.

w1= conj(dftmtx(4)) % Conjugada matriz transformación
x2=(w1*y)/4 % Vector de salida
w1 =
1.0000 1.0000 1.0000 1.0000
1.0000 0 + 1.0000i -1.0000 0 - 1.0000i
1.0000 -1.0000 1.0000 -1.0000

279
1.0000 0 - 1.0000i -1.0000 0 + 1.0000i
x2 =
2
4
6
8
Un uso común de la transformada de Fourier discreta, es encontrar las componentes de

frecuencia de una señal con ruido en el dominio de tiempo.
Ejemplo 4.27
Se tiene un sistema con respuesta impulsional ℎ( ) = (2, 4,6,8,10), encontrar la señal
de salida ( ), para una señal de entrada ( ) = (1, 3,5,7).
Solución.
Para realizar este problema se debe calcular la TDF de h(n) y x(n) multiplicar en el
dominio de la frecuencia . punto a punto y posteriormente calcular
la transformada inversa de Fourier discreta. La propiedad de la convolución de la TFD
nos indica que: ( ) = ℎ( ) ∗ ( ) = .
La longitud total de la salida será la longitud de la señal de la respuesta impulsional,

más la longitud de la señal de entrada menos uno.
h=[2 4 6 8 10]; % Vector respuesta impulsional

x=[1 3 5 7]; % Vector de entrada
N=length(h)+length(x)-1;%Longitud
H=fft(h,N); % TFD de longitud 8
X=fft(x,N); % TFD de longitud 8
Y=H.*X;
y=ifft(Y)% TIFD
% Demostración usando la convolución
y1=conv(h,x)
y = 2 10 28 60 92 112 106 70
y1 = 2 10 28 60 92 112 106 70
Ejemplo 4.28
Considera la secuencia ( ) = (1, 2, 3, 4, 5), asumiendo una frecuencia de muestreo de
100 Hz, encuentre el espectro de amplitud y fase.
Solución.
A continuación se indican el código utilizado.
x=[1 2 3 4 5]; % Vector de entrada
N=length(x);
X=fft(x,N); % TFD de longitud 5
Mag=abs(X); % Magnitud
Fas=phase(X); % Fase
Fs=100; % Frecuencia muestreo
for k=0:N-1

280
F0(k+1)= k*Fs/N;
fprintf('FRECUENCIA F(%d) =%6.2f Hz\n',k,F0(k+1))
end
stem(F0,Mag)
xlabel('Frecuencia Hz');ylabel('Magnitud');
FRECUENCIA F(0) = 0.00 Hz

Figura 4.23. Espectro en magnitud versus la frecuencia, ejemplo 4.28.
Ejemplo 4.29
Dibujar las componentes de frecuencia hasta el armónico once de una señal cuadrada,
utilizando la frecuencia fundamental de 100 Hz. También realizar la graficas de los
armónicos en tres dimensiones.
Solución.
La onda cuadrada se puede representar por
( )= ∗ sin(2 )
Donde la amplitud de lo armónicos se puede calcular como
4.
=
.

281
Tomando una amplitud de A = 1, las amplitudes de los armónicos, son los siguientes:
Fundamental = 1.274, tercero = 04245, quinto = 0.254, séptimo = 0.182, noveno =
0.141, once = 0.115.
% Grafica de los armónicos individuales y onda cuadrada

t = 0:1/100000:0.01;
figure(1)
hold on
plot(t,(4/pi)*sin(2*pi*t*100), 'r') % Fundamental armónicos
pause; plot(t,(4/(3*pi))*sin(2*pi*t*3*100) , 'k') % 3er Armónico
pause; plot(t,(4/(5*pi))*sin(2*pi*t*5*100) , 'm') % 5to Armónico
pause; plot(t,(4/(7*pi))*sin(2*pi*t*7*100) , 'g') % 7to Armónico
pause; plot(t,(4/(9*pi))*sin(2*pi*t*9*100) , 'c') % 9no Armónico
pause; plot(t,(4/(11*pi))*sin(2*pi*t*11*100) , 'b') % 11vo Armónico
pause
x=(4/pi)*sin(2*pi*t*100)+(4/(3*pi))*sin(2*pi*t*3*100)+(4/(5*pi))*sin(2*pi*t*5*100)
+(4/(7*pi))*sin(2*pi*t*7*100)+(4/(9*pi))*sin(2*pi*t*9*100)+(4/(11*pi))*sin(2*pi*t*1
1*100); % Suma del fundamental más todos los armónicos
plot(t,x)
xlabel('Time (Segundo)');
ylabel('Amplitud Armónicos/Onda Cuadrada');
hold off
pause % pulsar la tecla “enter” para ver cómo se grafica cada armónico por separado.
Figura 4.24. Componentes de frecuencia hasta el armónico once de una señal cuadrada.
A continuación escribe el código y la gráfica el ejemplo del 4.29, para el caso de tres
dimensiones.
t = 0:1/100000:0.01; % La frecuencia fundamental es 100 Hz
z=0;z1=0;z3=0;z5=0;z7=0;z9=0;z11=0;z13=0;
grid on; xlabel('Orden del Armónico');
zlabel('Amplitud Armónico');
ylabel('Time (Segundo)');

282
title('Onda Cuadrada y sus Armónicos');

axis([0 13 0 0.01 -1.3 1.3])
hold on;
x0= zeros(1,length(t));x1= ones(1,length(t));;
z1=(4/pi)*sin(2*pi*t*100); % Fundamental
z=z1;
comet3(x1,t,z1); % Grafica tipo comet
plot3(x1,t,z1,'k'); % Grafica 3D Fundamental
x3= 3*ones(1,length(t));
z3=(4/(3*pi))*sin(2*pi*t*3*100); % 3er Armónico
comet3(x3,t,z3)
plot3(x3,t,z3,'k')
z=z+z3; % Fundamental+3er
comet3(x0,t,z); % Grafica tipo comet 3D Fundamental+3er
h=plot3(x0,t,z,'r'); % Grafica 3D y asignación a un objeto
x5=5*ones(1,length(t));
z5=(4/(5*pi))*sin(2*pi*t*5*100); % 5to Armónico
comet3(x5,t,z5)
plot3(x5,t,z5,'m')
delete(h); % Borra el objeto grafica
z=z+z5;
comet3(x0,t,z);
h=plot3(x0,t,z,'r');
z7=(4/(7*pi))*sin(2*pi*t*7*100); % 7 tmo Armónico
comet3(x7,t,z7)
plot3(x7,t,z7,'g')
z=z+z7;
delete(h);
comet3(x0,t,z);
z9=(4/(9*pi))*sin(2*pi*t*9*100); % 9 vno Armónico
comet3(x9,t,z9)
plot3(x9,t,z9,'c')
z=z+z9;
delete(h);
comet3(x0,t,z);
z11=(4/(11*pi))*sin(2*pi*t*11*100); % 11 avo Armónico
comet3(x11,t,z11)
plot3(x11,t,z11,'b')
z=z+z11;
delete(h);
comet3(x0,t,z);
z13=(4/(13*pi))*sin(2*pi*t*13*100); % 13 avo Armónico
comet3(x13,t,z13)
plot3(x13,t,z13,'y')
z=z+z13;
delete(h);
comet3(x0,t,z);
hold off

283
Figura 4.25. Gráfica en tres dimensiones de las componentes de frecuencia hasta el

armónico treceavo de una señal cuadrada.
Ejemplo 4.30
Encontrar las componentes en frecuencia de la señal cuadrada del ejemplo anterior.
Solución.
Para esto utilizaremos la función spectrogram.
Fs = 2400; % Frecuencia muestreo, mínimo dos veces la frecuencia máxima
t = 0:1/Fs:0.3; % Periodo de la onda fundamental es T=1/f; T =1/100=0.01 seg
x=(4/pi)*sin(2*pi*t*100)+(4/(3*pi))*sin(2*pi*t*3*100)+(4/(5*pi))*sin(2*pi*t*5*100)
+(4/(7*pi))*sin(2*pi*t*7*100)+(4/(9*pi))*sin(2*pi*t*9*100)
+(4/(11*pi))*sin(2*pi*t*11*100);
[S,F,T,P] = spectrogram(x,256,250,256,Fs); %Calcula el spectrogram de x
figure(1)
mesh(T,F,abs(S)) %Grafica la magnitud en función del tiempo y frecuencia
view(3); % vista en tres dimensión
xlabel('Time (Segundo)'); ylabel(' Frecuencia(Hz)'); zlabel('|Y(f)|');
figure(2)
surf(T,F,10*log10(P),'edgecolor','none'); axis tight;
view(0,90); %Vista en términos de azimut y elevación, igual que view(2)
xlabel('Tiempo(Segundo)'); ylabel('Frecuencia(Hz)'); title('Spectrogram');
A continuación se explica la sintaxis de la función spectrogram.

[S,F,T,P] = spectrogram(x,window,noverlap,nfft,fs);
spectrogram(x) regresa la transformada corta de Fourier del vector de la señal de
entrada x. Por defecto, x se divide en ocho segmentos. Si x no se puede dividir
exactamente en ocho segmentos, este es truncado.
 Window, es una ventana de Hamming de longitud nfft.

284
 Noverlap, es el número de muestra en que cada segmento se solapa. El valor por

defecto es el 50% de solapamiento entre segmentos.
 nfft, es la longitud de la FFT, el máximo es 256 o la próxima potencia de 2
mayor que la longitud de cada segmento de x.
 fs, es la frecuencia de muestreo.
Figura 4.26. Componentes de frecuencia del fundamental y los armónicos, tercero, quinto, séptimo, noveno y
once de una señal cuadrada. Ejemplo 4.29
Ejemplo 4.31
Encontrar las componentes en frecuencia de la señal cuadrada del ejemplo 4.29
utilizando la transformada rápida de Fourier.
Solución.
Fs1 = 100000;
t = 0:1/Fs1:0.01; % Tiempo de un ciclo frecuencia fundamental t=1/f; t =1/100=0.01 seg
x1=0;
for k = 1:2:21
x=(4/( pi*k)).* sin(2*pi*k*t*100);% senoide con frecuencia fundamental 100 Hz
x1= x1+x;
end
figure(1)
plot(t,x1) % Ploteo de la señal cuadrada
title('Señal corrompida con Armónicos');xlabel('Tiempo (Segundo)');ylabel('y(t)')
Fs = 2400; % Frecuencia de muestreo Hz, mínimo dos veces la frecuencia máxima.
T = 1/Fs; % Periodo de muestreo (seg);
L = 10000 ; % Longitud de la señal
t = (0:L-1)*T; % Vector tiempo(t=nT)
x1=0;
for k = 1:2:21
x=(4/( pi*k)).* sin(2*pi*k*t*100);
x1= x1+x;
end
NFFT = 2^nextpow2(L); % Próxima potencia de 2 de longitud L
Y = fft(x1,NFFT)/L; % Calculo coeficientes Serie Discreta de Fourier con fft
285
f = Fs/2*linspace(0,1,NFFT/2+1); %Crea vector de frecuencia entre 0 y Fs/2

figure(2)
power=2*abs(Y(1:NFFT/2+1)); % Espectro en magnitud
plot(f, power) % Plotea el espectro en magnitud de la fft de un lado
hold on;
index=find(power==max(power)); % Compara y encuentra índice donde son iguales
mainfrecuencia=num2str(f(index)); % Frecuencia principal con evaluación índice
mainpower=num2str(power(index)); % Valor absoluto principal con evaluación índice
plot(f(index),power(index),'r.', 'MarkerSize',25);
axis([0 max(f) 0 max(power)+0.05])
text(f(index)+25,power(index),['Frecuencia = ', mainfrecuencia, ' Hz ']);
text(f(index)+25,power(index)-0.05,['Valor = ', mainpower]);
title('Espectro en magnitud de | Y(f) | de un lado')
xlabel('Frecuencia (Hz)');ylabel('| Y(f) |'); hold off;
Figura 4.27. Utilizando la FFT se verifica las componentes de frecuencia del fundamental y los armónicos,
tercero, quinto, séptimo, noveno y once de una señal cuadrada. Ejemplo 4.29
Ejemplo 4.32
Utilizando la transformada rápida de Fourier, encontrar las componentes en frecuencia
de dos señales sinusoidales de 50 Hz y 150 Hz corrompida con ruido aleatorio de
media cero,
Solución.
Fs = 1000; % Frecuencia de muestreo Hz
T = 1/Fs; % Tiempo de muestreo (mseg)
L = 5000; % Longitud de la señal
t = (0:L-1)*T; % Vector tiempo (t=nT)
x = 0.7*sin(2*pi*50*t)+sin(2*pi*150*t); %Suma de sinusoide de 50 Hz más 150 Hz
y = x + 2*randn(size(t)); % Sinusoide más ruido

286
figure(1)
plot(Fs*t(1:100),y(1:100)) % Ploteo de 100 milisegundos
title('Señal corrompida con ruido aleatorio de media cero')
xlabel('Tiempo (milisegundo)'); ylabel('y(t)')
NFFT = 2^nextpow2(L); % Próxima potencia de 2 de longitud L
Y = fft(y,NFFT)/L; %Al dividir por L,encuentra coeficiente serie discreta de Fourier
f = Fs/2*linspace(0,1,NFFT/2+1); % Calculo de frecuencia entre 0 y Fs/2
figure(2)
plot(f,2*abs(Y(1:NFFT/2+1)))% Plotea amplitud espectro frecuencia de un lado.
title('Espectro en magnitud de | Y(f) | de un lado ')
xlabel('Frequencia (Hz)'); ylabel('| Y(f) |')
Es difícil identificar las componentes de frecuencias mirando solamente la señal

original. Al convertir al dominio de la frecuencia la señal corrompida por el ruido, se
pueden identificar las componentes de frecuencia de la señal original, esto se realiza
tomando la Fast Fourier Transformer (FFT).
(a) (b)
Figura 4.28. Señal sinusoidal de 50 Hz más 150 Hz y corrompida con ruido aleatorio de media cero(a).
Identificación de las componentes de frecuencia al tomar la FFT de la señal corrompida (b).
Ejemplo 4.33
Encontrar el periodo del número de manchas solares de Wölfer de la figura 1.7 del
capítulo uno, entre los años 1700 y 2014, utilizando la transformada rápida de Fourier.
Solución.
Se importan a Matlab los datos desde un archivo en Excel llamado sunspot.xls, usando
la siguiente ruta desde Matlab “File/Import Data/sunspot.xls”. En el archivo de Excel,
la primera columna corresponde a los años y la columna dos el número de manchas
solares.
fs=1000; % Frecuencia de muestreo Hz, Numero Manchas/año

%Vector con la cantidad de manchas solares por año desde 1700 hasta 2014.
cant=sunspot(:,2); x = cant;
%Derivada para eliminar tendencia

287
x1 = diff(x);
%Estandariza, valor medio cero, desviación standard uno
zx=zscore(x1);
% Longitud de la señal
mx=length(zx);
%Próxima potencia base 2
nx=pow2(nextpow2(mx));
% Cálculo FFT de la señales zx,
fftx=fft(zx,nx)/nx; % Se divide por nx, cálculo coeficientes serie discreta de Fourier
% Cálculo de frecuencia entre 0 y Fs/2
fx= (fs/2)*linspace(0,1,nx/2+1);
% Amplitud espectro frecuencia de un lado.
qx=2*abs(fftx(1:nx/2+1));
% Ploteo del espectro en magnitud vs frecuencia
subplot (121), plot(fx,qx)
xlabel('Frecuencia (Hz)'); ylabel('Magnitud | X(k) |');
title('Espectro en Magnitud');
% Ploteo del espectro en magnitud vs índice k
subplot (122), stem((1:nx/2+1),qx)
xlabel('Variable (k)'); ylabel('Magnitud | X(k) |');
title('Espectro en Magnitud');
%Frecuencia donde es máximo el espectro en magnitud
[ymaxx,maxindex]= max(qx);
maxfreqx = fx(maxindex);
%Impresión por pantalla de la frecuencia y periodo de la señal
%t=n/Fs; t*Fs=n; Fs/f= n, donde n son años
% Otra forma de cálculo T=1/f; T= 1/(k/N); T=N/k; T=mx/maxindex
fprintf('FRECUENCIA f= %4.2f Hz(1/Años)\n', maxfreqx);
fprintf('PERIODO T= %4.2f Años\n', fs/maxfreqx);
fprintf('INDICE k= %d\n', maxindex);
FRECUENCIA f= 91.80 Hz (1/Años)

PERIODO T= 10.89 Años
INDICE k= 48
Los cálculos indican que la frecuencia máxima es de 91,80 Hz, para esa frecuencia le
corresponde un índice de = 48,
Podemos decir que la información proveniente de las manchas solares tiene una
componente sinusoidal dominante con la frecuencia = 2 / radianes por año,
donde es la longitud de la señal, para nuestro caso = 512 (valor de la variable nx)
y la frecuencia máxima corresponde a la componente espectral = 48, el periodo se
calcula como / = 1/
= / = 512/48 = 10,67 años

288
(a) (b)
Figura 4.29. (a) Espectro en magnitud vs frecuencia. (b)Espectro en magnitud vs el índice k. Ejemplo 4.33
Por otro lado podemos calcular la periodicidad un poco más exacta, sabemos que
= / , por lo que = ∗ o = / por unidad de tiempo. En el programa
se tomó una frecuencia de muestro de 1000 Hz y se calculó una frecuencia máxima
de = 91,80 Hz, por lo que podemos calcular
= 1000/91,80 = 10,89 años
En el capítulo 2 en el ejemplo 2.36 se pudo verificar que utilizando la correlación la

periodicidad era de aproximadamente 11 años.
Ejemplo 4.34
Suponiendo que se tiene un sensor acelerómetro que tiene como salidas tres señales
sinusoidales de amplitud y frecuencia conocidas, una por cada eje en un sistema de
coordenadas X, Y, Z, las cuales están corrompidas por un ruido pseudo aleatorio de
amplitud dos. Encontrar la frecuencia y amplitud por cada eje, así como la magnitud
total del vector compuesto por las tres amplitudes, utilizando la transformada rápida
de Fourier. Se supone que las unidades de las señales vienen dadas en gravedad, que
es la fuerza que la ejerce tierra sobre cualquier objeto
Solución.
Tomamos tres señales sinusoidales cualquiera de frecuencia y amplitud conocida, las
cuales se indican a continuación.
x = 2,5sin(2 ∗ pi ∗ 4,3 ∗ t) + 2randn(t)

y = 1,5sin(2 ∗ pi ∗ 6,5 ∗ t) + 2randn(t)
= 2,0sin(2 ∗ pi ∗ 7,1 ∗ t) + 2randn(t)

289
fs=40; %Frecuencia de muestreo Hz

T=1/fs; %Periodo en tiempo, seg
L=9000; % Longitud para calcular la FFT
t=(0:L-1)*T; % Longitud del tiempo, t=n*T
%Generación de señales;
x= 2.5*sin(2*pi*4.3*t) + 2*randn(size(t));
y= 1.5*sin(2*pi*6.5*t) + 2*randn(size(t));
z= 2.0*sin(2*pi*7.1*t) + 2*randn(size(t));
v=sqrt((x .^2 + y .^2 + z .^2));
%Longitud de las señales
mx=length(x);
my=length(y);
mz=length(z);
mv=length(v);
%Tiempo t=nT
tx=(0:mx-1)*T;
ty=(0:my-1)*T;
tz=(0:mz-1)*T;
% Ploteo de las tres señales corrompidas con ruido pseudo aleatorio
subplot(231),plot(tx,x),axis([0 40 -4 4]);
xlabel('Tiempo (seg)');
ylabel('Amplitud del Movimiento gx(1g=9.8 m/s2)');
title('Señal del tremor desde acelerometro, eje X');
subplot(232),plot(ty,y),axis([0 40 -4 4]);
ylabel('Amplitud del Movimiento gy(1g=9.8 m/s2)');
title('Señal del tremor desde acelerometro, eje Y');
subplot(233),plot(tz,z),axis([0 40 -4 4]);
ylabel('Amplitud del Movimiento gz(1g=9.8 m/s2)');
title('Señal del tremor desde acelerometro, eje Z');
%Próxima potencia base 2 de longitud L
nx=pow2(nextpow2(mx));
ny=pow2(nextpow2(my));
nz=pow2(nextpow2(mz));
nv=pow2(nextpow2(mv));
%Cálculo FFT de la señales x, y, z y la amplitud total
fftx=fft(x,nx)/L; %Al dividir por L, calcula coeficiente de Fourier
ffty=fft(y,ny)/L;
fftz=fft(z,nz)/L;
fftv=fft(v,nv)/L;
%Cálculo de frecuencia entre 0 y Fs/2
fx= (fs /2)*linspace(0,1,nx/2+1);
fy= (fs /2)*linspace(0,1,ny/2+1);
fz= (fs /2)*linspace(0,1,nz/2+1);
fv= (fs /2)*linspace(0,1,nv/2+1);
% Amplitud espectro frecuencia de un lado.
qx=2*abs(fftx( 1:nx/2+1));
qy=2*abs(ffty(1:ny/2+1));
qz=2*abs(fftz(1:nz/2+1));
qv=2*abs(fftv(1:nv/2+1));
% Ploteo amplitud espectro frecuencia
subplot(234),plot(fx,qx), axis([0 20 0 2.5]);
xlabel('Frecuencia (Hz)');
ylabel('Magnitud del Movimiento | gx(f) |');

290
title('Espectro en Magnitud tremor, FFT eje X');

subplot(235),plot(fy,qy), axis([0 20 0 2.5]);
ylabel('Magnitud del Movimiento | gy(f) |');
title('Espectro en Magnitud tremor, FFT eje Y');
subplot(236),plot(fz,qz), axis([0 20 0 2.5]);
ylabel('Magnitud del Movimiento | gz(f) |');
title('Espectro en Magnitud tremor, FFT eje Z');
%Cálculo de la frecuencia y amplitud
[ymaxx,maxindex]= max(qx);
maxfreqx = fx(maxindex);
[ymaxy,maxindey]= max(qy);
maxfreqy = fy(maxindey);
[ymaxz,maxindez]= max(qz);
maxfreqz = fz(maxindez);
qv1=qv([2:length(qv)]); % Eliminando primer valor
[ymaxv,maxindev]= max(qv1);
%maxfreqv = fv(maxindev);
%Impresión por pantalla
fprintf('FRECUENCIA EN EL EJE X= %4.2f Hz\n', maxfreqx);
fprintf('MAGNITUD DEL MOVIMIENTO EN EL EJE X= %4.2f g\n\n', ymaxx);
fprintf('FRECUENCIA EN EL EJE Y= %4.2f Hz\n', maxfreqy);
fprintf('MAGNITUD DEL MOVIMIENTO EN EL EJE Y= %4.2f g\n\n', ymaxy);
fprintf('FRECUENCIA EN EL EJE Z= %4.2f Hz\n', maxfreqz);
fprintf('MAGNITUD DEL MOVIMIENTO EN EL EJE Z= %4.2f g\n\n', ymaxz);
fprintf('MODULO DE LA MAGNITUD DEL MOVIMIENTO = %4.2f g\n', ymaxv);
Figura 4.30. Señal corrompida por el ruido para cada eje.
Figura 4.31. Señal del espectro en magnitud para cada eje una vez aplicada la FFT.

291
Figura 4.32. Salida del programa con la frecuencia y la amplitud por cada eje, así como la amplitud total
En la figura 4.30 se muestra las señales sinusoidales corrompidas por el ruido, a

simple vista se puede verificar que no corresponde con señales sinusoidales. En la
figura 4.31 se destacan las amplitudes de las señales y su frecuencia y por último en la
figura 4.32 se imprimen los resultados de las amplitudes de las señales y sus
frecuencias, así mismo se puede verificar que el error máximo al calcular la amplitud
es de 9,49 % y el mínimo es de 2,04%, el error promedio cometido es del 4,80 %.
Cabe destacar que la amplitud del ruido es comparable con la magnitud de las señales
sinusoidales.
Tabla 4.7 Comparación de los valores calculados de magnitud y frecuencia.

Fuerza g (m/s2) Frecuencia Hz Magnitud Amplitud
Eje Simulada Calculada Error Simulada Calculada Error g (m/s2) Random
X 2,5 2,43 2,88% 4,3 4,3 0%
Y 1,5 1,37 9,49% 6,5 6,5 0% 4,51 2
Z 2 1,96 2,04% 7,1 7,1 0%
Por otro lado se observa que no existe error al calcular las frecuencias de las señales
simuladas, por lo que se concluye que al aplicar la Transformada de Fourier Discreta a
una señal y trasladarla al dominio de la frecuencia el ruido no afecta la frecuencia de
la señal original.

Unidad 4

Cargado por

Información del documento

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

Unidad 4

Cargado por

Copyright:

Formatos disponibles

216

4.1 La transformada de Fourier en tiempo continuo

4.1.1 Definición de la transformada de Fourier en tiempo continuo

La TFTC a menudo se denomina espectro de Fourier o simplemente espectro de la

Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

El par de transformada anteriores se denota como

De acuerdo con la definición la TFTC es una función compleja de Ω, la variable Ω es

La cantidad | ( Ω)| se denomina espectro de magnitud y (Ω) se llama espectro de

a) La señal tiene un número finito de discontinuidades finitas y un número finito de

b) La señal es absolutamente integrable; esto es

Si se satisfacen las condiciones anteriores, la integral ∫ ( Ω) Ω Ω converge a

Es posible demostrar que si ( ) es absolutamente integrable, entonces | ( Ω)| < ∞,

4.2 Transformada de Fourier en tiempo discreto (TFTD)

Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

La transformada de Fourier de una señal ( ) continua fue definida de la forma

Cuando una señal ( ) es muestreada en instantes de tiempo = , se generan las

La función muestreada es el producto de la señal en los instantes de muestreo, y los

En los instantes = de muestreo, la ecuación anterior se convierte en:

La transformada de Fourier de la señal ( ) muestreada se convierte en

Usando la propiedad de la función delta para resolver la integral.

Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

Donde la frecuencia discreta está relacionada con la frecuencia continua por la

Debido a que la nueva variable es de la forma , la transformada de Fourier de una

Físicamente, ( ) representa el contenido en frecuencias de la secuencia ( ) en

Por conveniencia en la notación, usaremos el símbolo operador {( ( )} para denotar

Por convención, la transformada de una señal ( ) se denota como.

La relación anterior indica que podemos obtener a partir de ( ), también

4.2.1 Condición de convergencia

Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

Se comprueba, que sí ( ) es una secuencia absolutamente sumable, se garantiza la

La mayoría de las secuencias que se encuentran en la práctica son de longitud finita

La secuencia ( ) = ( ), | | > 1 no es absolutamente sumable, por lo tanto la

Algunas secuencias que no son absolutamente sumable, son cuadráticamente

Para representar esta clase de secuencias mediante una transformada de Fourier en

En tal caso, no es un límite de cuando tiende a ∞ y la

que denota la suma parcial de las exponenciales complejas ponderadas.

Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

4.2.2 Periodicidad de la transformada de Fourier en tiempo discreto

= ( ) = ( ) , para todo valor de

donde se ha aprovechado el hecho de que = 1.

4.2.3 Relación de la transformada de Fourier en tiempo discreto con la

( )= ( ) ROC <| |<

donde <| |< es la región de convergencia para ( ). Podemos expresar la

A partir de la relación anterior podemos observar que ( ) se puede interpretar como

Por tanto, la transformada de Fourier puede verse como la transformada z de la

Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

En conclusión, la existencia de la transformada requiere que

donde se ha usado la propiedad de la secuencia unitaria, (0) = 1 y ( ) = 0 para

Solución. La secuencia ( )= ( ) con | | < 1 es absolutamente sumable, la

Debe señalarse que las transformadas de Fourier de la mayoría de las secuencias en

Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

4.3 Transformada de Fourier en tiempo discreto inversa (TFTDI)

la cual se denomina transformada inversa de Fourier en tiempo discreto. Debe

Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

Para verificar la TFTDI ( ) se sustituye por su expresión

El orden de integración y la sumatoria de la ecuación anterior pueden intercambiarse

4.4 Transformada de Fourier en tiempo discreto en forma compleja

donde y son, respectivamente, las partes real e imaginaria de

Elaborado por: Profesor Agustin José Larez Coburuco/ Correo:agustinlarez@gmail.com

La transformada de Fourier puede expresarse en forma polar como

La cantidad se denomina función de magnitud y ( ) se llama función de

La función de fase no está determinada de manera única a partir de la transformada de

lo que indica que la transformada de Fourier permanece sin cambio. En

4.4.1 Relaciones de simetría de la TFTD