Señales&Sistemas Richard Baraniuk

Seales y Sistemas
Collection Editor: Richard Baraniuk
Seales y Sistemas
Collection Editor: Richard Baraniuk Authors: Thanos Antoulas Richard Baraniuk Steven J. Cox Benjamin Fite Roy Ha Michael Haag Don Johnson Ricardo Radaelli-Sanchez Justin Romberg Phil Schniter Melissa Selik JP Slavinsky Ricardo von Borries Translated By: Fara Meza Erika Jackson
Online: < http://cnx.org/content/col10373/1.2/ >
CONNEXIONS
Rice University, Houston, Texas
This selection and arrangement of content as a collection is copyrighted by Richard Baraniuk. It is licensed under the Creative Commons Attribution 2.0 license (http://creativecommons.org/licenses/by/2.0/). Collection structure revised: September 28, 2006 PDF generated: March 19, 2010 For copyright and attribution information for the modules contained in this collection, see p. 319.
Table of Contents
1 Seales 1.1 Clasicacin y Propiedades de las Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Operaciones para Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3 Seales tiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.4 Funcin de Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5 El Exponencial Complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6 Seales en Tiempo-Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 1.7 Exponencial Complejo Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Sistemas 2.1 Clasicacin y Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.2 Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3 Anlisis de Sistemas de Tiempo Continuo en el Dominio del Tiempo 3.1 3.2 3.3 3.4 4.1 4.2 4.3 4.4
Sistemas Lineales CT y Ecuaciones Diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Convolucin de Tiempo-Continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Propiedades de la Convolucin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Estabilidad BIBO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4 Anlisis de Sistemas Discretos en el Dominio del Tiempo

Anlisis en el Dominio del Tiempo para Sistemas Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Convolucin Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 Convolucin Circular y el DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 Ecuaciones de Diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5 Repaso de Algebra Lineal 5.1 5.2 5.3 5.4 5.5 5.6 5.7
Algebra Lineal: Conceptos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Conceptos Bsicos de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 Eigenvectores y Eigenvalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 Diagonalizacin de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 Generalidades de Eigenvectores y Eigenvalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 Eigenfunciones de los Sistemas LTI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 Propiedades de la Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6 Series Fourier del Tiempo Continuo 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10 6.11 6.12
Seales Peridicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 Series de Fourier: El Mtodo de Eigenfunciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 Derivacin de la Ecuacin de Coecientes de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 Generalidades de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 Propiedades de la Serie de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 Propiedades de Simetra de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 Propiedad de Convolucin Circular de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 Series de Fourier y los Sistemas LTI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 Convergencia de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 Condiciones de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 El Fenmeno de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Resumen de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
iv
7 Espacios de Hilbert y Expansiones Ortogonales 7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 7.10 7.11 7.12 7.13
Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 Normas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 Producto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Espacios de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 Desigualdad de Cauchy-Schwarz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 Espacios de Hilbert comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 Tipos de Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 Expansin de Bases Ortonormales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 Espacio de Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 Base de la Ondoleta de Haar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 Bases Ortonormales en Espacios Reales y Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 Teoremas de Plancharel y Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160 Approximacin y Proyeccin en el Espacio de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 161
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
8 Transformada Discreta de Fourier 8.1 Anlisis de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165 8.2 Anlisis de Fourier en Espacios Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166 8.3 Ecuacin de Matriz para la DTFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 8.4 Extensin Peridica de las DTFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 8.5 Desplazamientos Circulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
9 Transformada Rpida de Fourier (FFT) 9.1 9.2 9.3

DFT: Transformada Rpida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189 La Transformada Rpida de Fourier (FFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190 Derivando la Transformada Rpida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
10 Convergencia 10.1 10.2 10.3 11

Convergencia de Secuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197 Convergencia de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199 Convergencia Uniforme de Secuencias de Funciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
Transformada de Fourier Discreta en el Tiempo (DTFT) 11.1 11.2 11.3 11.4 11.5 11.6 11.7
Tabla de Transformadas de Fourier Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205 Transformacin Discreta de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206 Transformada Discreta de Fourier (DFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208 Transformada de Fourier Discreta en el Tiempo (DTFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210 Propiedades de la Transformada de Fourier Discreta en el Tiempo . . . . . . . . . . . . . . . . . . . . . . . . 211 Par de la Transformada de Fourier Discreta en el Tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212 Ejemplos de DTFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
12 Transformada de Fourier de Tiempo Continuo (CTFT) 12.1 12.2

Transformada de Fourier de Tiempo Continuo (CTFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219 Propiedades de la Transformada de Fourier de Tiempo-Continuo . . . . . . . . . . . . . . . . . . . . . . . . . 221
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
13 Teorema de Muestreo 13.1 Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 225 13.2 Reconstruccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 13.3 Ms sobre Reconstruccin Perfecta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
13.4 13.5 13.6 13.7
Teorema de Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236 Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238 Filtros Anti-Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241 Procesamiento de Tiempo Discreto de Seales de Tiempo Continuo . . . . . . . . . . . . . . . . . . . . . . . 243
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
14 Transformada de Laplace y Diseo de Sistemas 14.1 14.2 14.3 14.4 14.5 14.6 15.1 15.2 15.3 15.4 15.5 15.6 15.7 15.8
La Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249 Propiedades de la Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251 Tabla de Transformadas de Laplace Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253 Regin de Convergencia para la Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253 La Transformada Inversa de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255 Polos y Ceros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
15 La Transformada Z y Filtros Digitales

La Transformada Z: Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261 Tabla de Transformadas-Z Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266 Regin de Convergencia para la Transformada- Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267 La Transformada Inversa de Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276 Funciones Racionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279 La Ecuacin de Diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281 Entendiendo las Gracas de Polos y Ceros en el Plano-Z . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 284 Diseo de Filtros usando la Graca de Polos y Ceros de la Transformada-Z . . . . . . . . . . . . . . . 288
16 Tareas 16.1 Homework 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293 16.2 Homework 1 Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297 Glossary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309 Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313 Attributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
vi
Chapter 1
Seales
1.1 Clasicacin y Propiedades de las Seales1
1.1.1 Introduccin
Este mdulo explicar algunos fundamentos para la clasicacin de seales. en algunas discusiones como la de seales de energa vs. seales de potencia Es bsicamente una lista de
2
deniciones y propiedades que son fundamentales para la discusin de seales y sistemas. Deber notar que han sido asignadas con su propio mdulo para una discusin mas completa, y no van a ser incluidas.
1.1.2 Clasicacin de Seales

Junto con las clasicaciones de seales mostradas a continuacin, es importante entender la Clasicacin de Sistemas (Section 2.1).
1.1.2.1 Tiempo Continuo vs. Tiempo Discreto

Como el nombre lo sugiere, esta clasicacin se puede establecer, despus de saber si el eje del tiempo (eje de las abscisas) es
discreto o continuo (Figure 1.1). Una seal continua en el tiempo tendr un valor
En contraste a esto, una seal discreta
3
para todos los nmeros reales que existen en el eje del tiempo.
(Section 1.6)en el tiempo es comnmente creada utilizando el Teorema de Muestreo igual y son creados en el eje del tiempo.
para discretizar una
seal continua, de esta manera la seal nada mas tendr valores en los espacios que tienen una separacin
1 This content is available online at <http://cnx.org/content/m12818/1.8/>. 2 "Signal Energy vs. Signal Power" <http://cnx.org/content/m10055/latest/> 3 "The Sampling Theorem" <http://cnx.org/content/m0050/latest/>
CHAPTER 1.
SEALES
Figure 1.1
1.1.2.2 Anlogo vs. Digital

La diferencia entre lo
anlogo y lo digital es muy similar a la diferencia entre el tiempo continuo y el tiempo y continuo, mientras lo digital corresponde al eje y discreto. Un
discreto. Sin embargo, en este caso, la diferencia es con respecto al valor de la funcin (eje de las ordenadas) (Figure 1.2). Anlogo corresponde al eje ejemplo de una seal digital es una secuencia binaria, donde la funcin solo tiene valores de cero o uno.
Figure 1.2
1.1.2.3 Peridico vs. Aperidico

Seales peridicas (Section 6.1) se repiten con un donde
periodo T , mientras las seales aperidicas o no peridicas
no se repiten(Figure 1.3). Podemos denir una funcin peridica mediante la siguiente expresin matemtica,
puede ser cualquier nmero y
es una constante positiva:
f (t) = f (T + t)
El
(1.1)
periodo fundamental de esta funcin,
f (t),
es el valor ms pequeo de
que permita la validacin
de la (1.1).
(a)
(b)
Figure 1.3:
(a) Una seal peridica con periodo T0 (b) Una seal Aperidica
1.1.2.4 Causal vs. Anticausal vs. Nocausal

Las seales
tienen valor cero en el tiempo positivo. Las seales positivo y negativo(Figure 1.4).
causales son seales que tienen valor de cero en el tiempo negativo, y las seales anticausales nocausales son seales con valor de cero en el tiempo
CHAPTER 1.
SEALES
(a)
(b)
(c)
Figure 1.4:
(a) Una seal causal (b) Una seal anticausal (c) Una seal nocausal
1.1.2.5 Par vs. Impar

Una
fcilmente por que son
seal par es cualquier seal f (t) que satisface f simtricas en el eje vertical.
(Figure 1.5).
(t) = f (t).
Una
las seales pares se pueden detectar
seal impar, es una seal
que satisface
f (t) = (f (t))
(a)
(b)
Figure 1.5:
(a) Una seal par (b) Una seal impar
Usando las deniciones de par e impar, podemos demostrar que cualquier seal se puede escribir como una combinacin de una seal par e impar. Cada seal tiene una descomposicin par-impar. Para demostrar esto, no tenemos ms que examinar una ecuacin.
f (t) =
1 1 (f (t) + f (t)) + (f (t) f (t)) 2 2 f (t) f (t)
(1.2)
Al multiplicar y sumar esta expresin, demostramos que lo explicado anteriormente es cierto. Tambin se puede observar que impar (Figure 1.6).
f (t) + f (t)
satisface a una funcin par, y que
satisface a una funcin
Example 1.1
CHAPTER 1.
SEALES
(a)
(b)
(c)
(d)
Figure 1.6: e (t) = 1 (f (t) 2
+ f (t)) (c) Parte Impar: o (t) =
(a) Esta seal ser descompuesta usando la descomposicin Par-Impar (b) Parte Par: 1 (f (t) f (t)) (d) Revisa: e (t) + o (t) = f (t) 2
1.1.2.6 Determinstico vs. Aleatorio

Una seal
determinstica es una seal en la cual cada valor est jo y puede ser determinado por una
Los valores futuros de esta seal pueden ser calculados usando sus
expresin matemtica, regla, o tabla.
valores anteriores teniendo una conanza completa en los resultados. Una con exactitud, solo se pueden basar en los promedios (Figure 1.7).
5
seal aleatoria4 , tiene mucha
uctuacin respecto a su comportamiento. Los valores futuros de una seal aleatoria no se pueden predecir de conjuntos de seales con caractersticas similares
(a)
(b)
Figure 1.7:
(a) Seal Determinstica (b) Seal Aleatoria
1.1.2.7 Hemisferio Derecho vs. Hemisferio Izquierdo

Este tipo de seales son aquellas cuyo valor es cero entre una variable denida y la innidad positiva o negativa. donde Matemticamente hablando, una seal de hemisferio-derecho es denida como cualquier seal
f (t) = 0 para t < t1 < , y una seal de hemisferio-izquierdo es denida como cualquier seal donde f (t) = 0 para t > t1 > . Las siguientes guras son un ejemplo de esto (Figure 1.8). Las dos guras empiezan en t1 y luego se extienden a innidad positiva o negativa con casi todos los valores siendo cero.
4 "Introduction to Random Signals and Processes" <http://cnx.org/content/m10649/latest/> 5 "Random Processes: Mean and Variance" <http://cnx.org/content/m10656/latest/>
CHAPTER 1.
SEALES
(a)
(b)
Figure 1.8:
(a) Seal de Hemisferio-Derecho (b) Seal de Hemisferio-Izquierdo
1.1.2.8 Tamao nito vs. Tamao innito

Como el nombre lo implica, las seales se pueden caracterizar dependiendo de su tamao el cual puede ser innito o nito. Casi todas las seales nitas se utilizan cuando se tiene una seal discreta o se tiene una secuencia de valores. En trminos matemticos,
f (t) es una seal de tamao nito
si tiene un valor
que
no sea cero en un intervalo nito
t1 < f (t) < t2

donde t1
innito
> y t2 < . Se puede ver un ejemplo en Figure 1.9. De igual manera, una seal de tamao f (t), es denida con valores no-cero para todos los nmeros reales: f (t)
nito.
Figure 1.9:
Seal de tamao nito. Note que solo tiene valores que no son cero en un conjunto, intervalo
1.2 Operaciones para Seales6

Este mdulo muestra dos operaciones para seales, cambio en el tiempo y escala en el tiempo. Operacin de seales son operaciones realizadas sobre la variable tiempo de la seal. Estas operaciones son componentes comunes en el mundo real y como tales las debemos entender a fondo cuando se est aprendiendo sobre sistemas y seales.
1.2.1 Desplazamiento en el eje del Tiempo

El desplazamiento en el tiempo, como su nombre lo sugiere, es trasladar la seal en el eje del tiempo. Esto se hace sumando o restando la cantidad del desplazamiento de tiempo a la funcin. Restando una cantidad ja en la variable de el tiempo tendr un cambio en la seal hacia la derecha (retrasa) por esa cantidad, por el contrario al sumar una cantidad a la variable de el tiempo la seal se desplazar hacia la izquierda (avanza).
6 This
content is available online at <http://cnx.org/content/m12823/1.7/>.
10
CHAPTER 1.
SEALES
Figure 1.10:
f (t T ) mueve (retrasa) f a la derecha T .
1.2.2 Escala en el eje del Tiempo

Escalar el tiempo es comprimir y/o expandir una seal al multiplicar las variables del tiempo por alguna cantidad. Si esa cantidad es mayor que uno, la seal se vuelve angosta, esto es conocido como compresin, cuando la cantidad es menor que uno, la seal se vuelve ancha y a esto lo conoceremos como expansin. Normalmente, estas operaciones les toman a las personas un tiempo en comprender, debido a que la intuicin de las personas es que al multiplicar por una cantidad ms grande que uno la seal ser expandida y menor que uno ser comprimida.
Figure 1.11:
f (at) comprime f por a.
Example 1.2
Las seales cambiadas y escaladas en el tiempo pueden ser contrarias unas de las otras. como se debera ver la seal despus de ciertas operaciones. Este ejemplo muestra una manera de practicar estas operaciones hasta que desarrolle un sentido de
11
Dado
f (t)
, graque
f ( (at)).
(a)
(b)
(c)
Figure 1.12: (a) Empieze con f (t) (b) Luego remplace t con at para obtener f (at) (c) Finalmente, ` ` b b remplace t con t a para obtener f a t a = f (at b)
1.2.3 Reexin en el eje del Tiempo

Una pregunta muy natural que se considera cuando se est aprendiendo a escalar el tiempo es: qu pasara si la variable del tiempo es multiplicada por un nmero negativo? La respuesta para esto es la inversin en el tiempo. Esta operacin invierte el eje del tiempo, en otras palabras, cambia la seal respecto al eje de las ordenadas.
12
CHAPTER 1.
SEALES
Figure 1.13:
Reexin en el eje del Tiempo
1.3 Seales tiles7

Antes de ver este mdulo, usted tendr que tener una idea bsica sobre lo que es una seal, sus clasicaciones y operaciones (Section 1.1). Como un repaso, una seal es una funcin denida con respecto a una variable independiente. Regularmente, esta variable es el tiempo pero podra representar un ndice para una secuencia, o un ndice para cualquier nmero de cosas, o cualquier nmero de dimensiones. La mayor parte, si es que no todas, las seales que usted ver en sus estudios y en el mundo real podrn ser creadas de las seales bsicas que aqu va a estudiar. Por esta razn, estas seales elementales son comnmente conocidas como los
fundamentos para cualquier otra seal.
1.3.1 Senosoidales
Probablemente la seal elemental ms importante que usted usar es el senosoidal evaluado en su parte real. En su forma de tiempo-continuo, la forma general de la funcin se expresa as
x (t) = Acos (t + )
donde
(1.3) Note que es comn ver que que su periodo, o cualquier
es la amplitud,
es remplazado con
es la frecuencia, y representa el desplazamiento. 2f t. Las seales senosoidales son peridicas, esto hace 2
seal peridica puedan ser expresada de la siguiente manera
T =
(1.4)
7 This
13
Figure 1.14:
Senosoidal con A = 2, w = 2, y = 0.
1.3.2 Funciones de Exponenciales Complejos

Tal vez esta seal es tan importante como la senosoidal, la funcin de manera
exponencial complejo se convertir
en una parte crtica para el estudio de seales y sistemas. La expresin general se escribe de la siguiente
f (t) = Best
donde
(1.5)
s,
mostrado abajo, es un nmero complejo en trminos de
con una fase constante, y con
siendo
la frecuencia:
s = + j
Por favor vea el mdulo de Exponencial Complejo (Section 1.5) o los mdulos de las otras seales elementales .
8
1.3.3 Exponenciales reales

Como el nombre lo implica, los exponenciales reales contienen nmeros no imaginarios y son simplemente expresados de la siguiente manera
f (t) = Bet
donde
(1.6)
son parmetros reales. Las funciones de exponencial complejo oscilan, sin embargo, esta seal
nada mas crece o decae dependiendo del valor de
Exponencial que decae Exponencial que Crece,

8 "Elemental
, cuando cuando
<0 >0
Signals": Section Complex Exponentials <http://cnx.org/content/m0004/latest/#sec2>
14
CHAPTER 1.
SEALES
(a)
Figure 1.15:
(b)
Ejemplos de Exponenciales Reales (a) Exponencial que decae (b) Exponencial que Crece
1.3.4 Funcin de impulso unitario

La funcin de
impulso unitario (Section 1.4) (o la funcin delta de Dirac) es una seal que tiene
Mientras en el mundo de ingeniera esta seal es til y ayuda a entender muchos
una altura innita y un ancho casi inexistente. Sin embargo, por la manera que es denida, al ser integrada da un valor de uno. en conceptos, algunos matemticos tienen problemas con esta al ser llamada funcin, porque no est denida
t = 0.
Los ingenieros se evitan este problema al mantenerla denida con una integral. El impulso unitario
es comnmente conocido como
(t)
La propiedad ms importante de esta funcin es demostrada con la siguiente integral:
(t) dt = 1
(1.7)
1.3.5 Funcin de Escaln unitario

Otra funcin bsica para este curso es la funcin de
Escaln unitario que se dene como
0 if t < 0 u (t) = 1 if t 0
(1.8)
15
1 t
(a)
Figure 1.16:
1 t
(b)
Funciones Bsicas del Escaln (a) Escaln unitario de Tiempo-Continuo (b) Escaln unitario de Tiempo-Discreto
Note que esta funcin es discontinua en el origen; sin embargo no se necesita denirla en este punto ya que no es necesario en la teora de la seal. La funcin de Escaln unitario es una seal muy til para probar y denir otras seales. Por ejemplo, usando varias de estas seales movidas en el tiempo y multiplicadas por otras seales, se puede obtener alguna porcin de la seal por la que fue multiplicada y eliminar el resto.
1.3.6 Funcin Rampa

Esta funcin est relacionada con la funcin descrita anteriormente. La funcin Escaln unitario va desde cero a uno instantneamente, pero esta funcin es la que mejor se parece a una funcin en la vida real, donde se necesita un tiempo para que la seal vaya incrementandose desde cero a su valor ajustado, en este caso uno. La funcin rampa est denida as:
r (t) =
0 if t < 0
t t0 if
0 t t0
(1.9)
1 if t > t0
16
CHAPTER 1.
SEALES
1 t0
Figure 1.17:
Funcin Rampa
1.4 Funcin de Impulso9

En ingeniera usualmente se maneja la idea de una accin ocurriendo a un determinado punto. Puede ser una fuerza en ese punto o una seal en un punto del tiempo, se convierte necesario desarrollar alguna manera cuantitativa de denir este hecho. Esto nos lleva a la idea de un pulso unitario. Es probablemente la segunda seal ms importante en el estudio de seales y sistemas despus del Exponencial Complejo (Section 1.5).
1.4.1 Funcin Delta de Dirac

La Funcin Delta de Dirac, conocida tambin como el impulso unitario o funcin delta es una funcin inntamente angosta, inntamente alta, cuya integral tiene un valor de
unitario (Ver (1.10) abajo). Tal vez
la manera mas simple de visualizar esto es usar un pulso rectangular que va de
a 2
a+ 2
con una altura
. Al momento de tomar su lmite,
lim0,
0
podemos observar que su ancho tiende a ser cero y su altura
tiende a innito conforme su rea total permanece constante con un valor de uno. La funcin del impulso usualmente se escribe como
(t).
(t) dt = 1
(1.10)
9 This
17
Figure 1.18:
Esta es una manera de visualizar la Funcin Delta de Dirac.
Por que es difcil dibujar algo que es innitamente alto, nosotros representamos la Delta de Dirac con una echa centrada en el punto donde es aplicada. Si queremos escalarla, podemos escribir el valor de escalamiento a un lado de la echa. Este es un muestreo unitario ( no tiene escala).
Figure 1.19:
1.4.1.1 La propiedad de desplazamiento del impulso

El primer paso para comprender los resultados que esta funcin nos brinda, es examinar lo que sucede cuando esta funcin es multiplicada por alguna otra funcin.
f (t) (t) = f (0) (t)
(1.11)
Esta funcin es cero en todas partes excepto en el origen, as que bsicamente estamos eliminando el valor de la funcin de multiplicacin al evaluarla en cero. A primera vista esto no parece tener mayor importancia, porque ya sabemos que el impulso evaluado en cero es innito, y todo lo multiplicado por innito da un resultado innito. Pero, qu pasa si integramos el resultado de la multiplicacin?
18
CHAPTER 1.
SEALES
Propiedad de Desplazamiento

f (t) (t) dt
f (0) (t) dt

= f (0) = f (0)
(t) dt
(1.12)
Finalmente lo que obtuvimos es una simple funcin evaluada en cero. Si hubiramos usado de
(t T )
en vez
(t), podramos haber desplazado f (T ).
A esto es lo que llamaremos la
propiedad de desplazamiento
de la funcin de Dirac, el cual se usa frecuentemente para denir el impulso unitario. Esta propiedad es muy til al momento de desarrollar la idea de convolucin (Section 3.2) la cual es una de los fundamentos principales para el procesamiento de seales. Al usar convolucin y esta propiedad podemos representar una aproximacin a cualquier resultado de un sistema si se conoce la respuesta al impulso del sistema y su seal de entrada. De clic en el link de convolucin que aparece arriba para mas informacin sobre este tema.
1.4.1.2 Otras Propiedades del Impulso

En esta seccin se muestran algunas otras propiedades de el impulso sin entrar en los detalles de probar las propiedades- esta parte la dejaremos para que usted verique las propiedades ya que son sencillas de comprobar. Note que estas propiedades funcionan para el tiempo continuo
y discreto.
Propiedades de Impulso Unitario

1 (t) = || (t) (t) = (t) d (t) = dt u (t), donde u (t)
es el escaln unitario.
1.4.2 Impulso de tiempo-discreto (muestreo unitario)

La extensin de la funcin impulso unitario al tiempo-discreto se convierte en una trivialidad. Todo lo que realmente necesitamos es darnos cuenta que la integracin en tiempo-continuo equivale a una sumatoria en tiempo-discreto. Por lo tanto buscaremos una seal que al sumarla sea cero y al mismo tiempo sea cero en todas partes excepto en el origen.
Impulso de Tiempo-Discreto
1 if n = 0 [n] = 0 otherwise
(1.13)
Figure 1.20:
Representacin grca del impulso discreto
19
Al analizar una grca de tiempo-discreto de cualquier seal discreta, uno puede notar que todas las seales discretas estn compuestas de un conjunto de muestras unitarias que estn escalados y desplazados en el tiempo. Si dejamos que el valor de una secuencia en cada entero unitaria retrasado que ocurre en de escalamiento.
sea descrita por
s [k]
y la muestra
sea escrito como
[n k],
nosotros podramos escribir cualquier seal
como la suma de impulsos unitarios retrasados que son escalados por un valor de la seal, o por coecientes
s [n] =
k=
(s [k] [n k])
(1.14)
Esta descomposicin es una propiedad que solo se aplica a seales de tiempo-discreto y resulta ser una propiedad muy til para estas seales.
note: Usando el razonamiento anterior, nosotros hemos desarrollado la ecuacin(1.14), la cual es
un concepto fundamental usado en la convolucin de tiempo-discreto (Section 4.2).
1.4.3 La Respuesta de Impulso

La
respuesta de impulso es exactamente lo que su nombre implica- la respuesta de un sistema LTI, como
por ejemplo un ltro, cuando la seal de entrada del sistema es un impulso unitario (o muestra unitaria). Un sistema puede ser completamente descrito por su respuesta al impulso por las razones explicadas previamente, ya que todas las seales pueden ser representadas por una superposicin de seales. Una respuesta al impulso da una descripcin equivalente a la dada por una funcin de transferencia de Laplace (Section 14.1) para cada una.
note:
10
, ya que existen Transformadas
Casi toda la literatura usa
(t) y [n] para diferenciar entre un impulso de tiempo-continuo
y un impulso de tiempo-discreto.
1.5 El Exponencial Complejo11

1.5.1 Bases para el Exponencial
El
exponencial complejo es una de las seales mas importantes y fundamentales en el anlisis de seales
y sistemas. Su importancia proviene de que sus funciones sirven como una base para las seales peridicas, como tambin sirven para poder caracterizar seales lineales de tiempo invariante (Section 2.1). Antes de continuar, usted debera familiarizarse con los nmeros complejos
12
1.5.1.1 Exponential Bsico

Para todos los nmeros
x,
nosotros podemos derivar y denir fcilmente una funcin exponencial de una
serie de Taylor mostrada aqu:
ex = 1 +
x2 x3 x1 + + + ... 1! 2! 3!
(1.15)
ex =
k=0
1 k x k!
(1.16)
Podemos probar, usando un examen racional, que esta serie converge. De esta manera, podemos decir que la funcin exponencial mostrada arriba es continua y se puede denir fcilmente.
10 "Transfer Functions" <http://cnx.org/content/m0028/latest/> 11 This content is available online at <http://cnx.org/content/m12825/1.6/>. 12 "Complex Numbers" <http://cnx.org/content/m0081/latest/>
20
CHAPTER 1.
SEALES
De esta denicin, podemos probar la siguiente propiedad de las exponenciales que resulta ser muy til, especialmente para los exponenciales que se discutirn en la siguiente seccin.
ex1 +x2 = (ex1 ) (ex2 )
(1.17)
1.5.1.2 Exponencial Complejo de Tiempo-Continuo

Para todos los nmeros complejos
s,
podemos denir una
seal exponencial compleja de tiempo-
continuo como:
f (t)
= =
Aest Aejt s
imaginaria,
(1.18)
donde
es una constante,
es la variable independiente tiempo, y para

13
s = j .
De esta
ecuacin podemos revelar una importante identidad, la Euler lea su biografa short biography ):
identidad de Euler (para ms informacin sobre
Aejt = Acos (t) + j (Asin (t))

De la identidad de Euler podemos separar la seal en su parte imaginaria y en su parte real.
(1.19) Tambin
podemos observar el uso de exponenciales para representar cualquier seal real. Si modicamos la frecuencia y el ngulo, podriamos representar cualquier seal por medio de una superposicin de muchas sealestodas deben ser representadas por un exponencial. La expresin anterior no incluye ninguna informacin del ngulo. Debemos generalizar la expresin de exponenciales para generalizar funciones senosoidales con cualquier valor en el ngulo, esto se logra al hacer una sustitucin de
s, s = + j ,
que al nal nos lleva a
f (t)
= Aest = Ae(+j)t = Ae e
t jt
(1.20)
donde arriba
se dene como la
amplitud compleja, o fasor, de los primeros dos trminos de la ecuacin de
S = Aet
trmino del ngulo es mas notable.
(1.21)
Tomando en cuenta la identidad de Euler, podemos escribir el exponencial como un senosoidal, donde el
f (t) = Aet (cos (t) + jsin (t))

Esta frmula se puede descomponer en su parte real e imaginaria:
(1.22)
Re (f (t)) = Aet cos (t) Im (f (t)) = Aet sin (t)

13 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Euler.html
(1.23)
(1.24)
21
1.5.1.3 Exponencial Complejo en Tiempo-Discreto

Finalmente, hemos llegado a la ltima forma de seales exponenciales que nos interesan estudiar, la seal exponencial compleja en tiempo-discreto, de la cual no daremos tantos detalles como lo hicimos para su contraparte, ya que las dos siguen las mismas propiedades y usan la misma lgica ya explicada previamente. Por ser discreta, tiene una diferencia en la notacin usada para representar su naturaleza discreta
f [n]
BesnT
= BejnT
donde
(1.25)
nT
representa los instantes de tiempo-discreto de la seal.
1.5.2 La Relacin de Euler

Junto a la identidad de Euler, Euler tambin describe una manera de representar una seal exponencial compleja en trminos de su parte real e imaginaria usando la siguiente relacin:
cos (t) =
ejwt + e(jwt) 2 ejwt e(jwt) 2j
(1.26)
sin (t) =
(1.27)
ejwt = cos (t) + jsin (t)
(1.28)
1.5.3 Dibujando el Exponencial Complejo

Hasta este momento, nosotros hemos demostrado como un exponencial complejo se puede separar en su parte real e imaginaria. Ahora tenemos que ver como se gracan todas estas partes. Podemos observar que la parte real y la parte imaginaria estn compuestas por un senosoidal multiplicado por una funcin de exponencial real. Tambin sabemos que los senosoidales oscilan entre el valor uno y negativo uno. Entonces se puede ver que las partes reales e imaginarias del exponencial complejo oscilarn dentro de una ventana denida por la parte real del exponencial.
22
CHAPTER 1.
SEALES
(a)
(b)
(c)
Las formas posibles para la parte real de un exponencial complejo. Note que la oscilacin es el resultado de un coseno con un mximo local en t = 0. (a) Si es negativa, tenemos el caso de una ventana de un exponencial que desciende. (b) Si es positivo, tenemos el caso de una ventana de un exponencial que crece. (c) Si es cero, tenemos una ventana constante.
Figure 1.21:
Mientras el
determina el ndice de decrecimiento/ crecimiento,
Esto se puede notar al observar que
determina el ndice de las oscilaciones. es parte del argumento usado en la parte que corresponde al senosoidal.
(Solution on p. 27.)
Exercise 1.1 Example 1.3
Cmo se ven las partes imaginarias del exponencial complejo en el dibujo previo?
La siguiente demostracin le permite ver como el argumento cambia la forma del exponencial complejo. Por favor oprima aqu
14
para ver las instrucciones de como se usa este demo.
This is an unsupported media type. To view, please see http://cnx.org/content/m12825/latest/Complex_Exponential.vi
1.5.4 El Plano Complejo

Se convierte de extrema importancia el ver la variable compleja
como un punto en el plano complejo
15
(el
plano-s).
14 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/> 15 "The Complex Plane" <http://cnx.org/content/m10596/latest/>
23
Figure 1.22:
Este es el plano-s. Note que en cualquier momento en que s se encuentre en el lado derecho del plano, el exponencial complejo crecer con el tiempo, mientras que si por el contrario s se encuentra en el lado izquierdo, el exponencial complejo disminuir.
1.6 Seales en Tiempo-Discreto16

Hasta este punto, hemos tratado solo con seales y sistemas espacio y tiempo. Seales de tiempo-discreto
17
anlogos. En trminos matemticos, seales
anlogas son funciones que constan de cantidades continuas como sus variables independientes, por ejemplo, son funciones denidas en nmeros enteros; son secuencias.
18
Uno de los resultados fundamentales en la teora de seales
detalla las condiciones en las cuales las seales
anlogas pueden ser trasformadas en una seal de tiempo-discreto y ser recuperada sin ningn tipo de de respuesta instantnea como los son los programas de computadoras.
error.
Este resultado es importante por que las seales de tiempo-discreto pueden ser manipuladas por sistemas En los mdulos subsecuentes se describen como todos los sistemas anlogos se pueden implementar virtualmente con el uso de software. Sin darle importancia a estos resultados, las seales de tiempo-discreto tienen una forma ms general, abarcando seales derivadas de seales anlogas
y de otro tipo de seales. Por ejemplo, los caracteres que

19
forman un archivo de escritura proveniente de una secuencia, que tambin son una seal de tiempo-discreto. Tambin tenemos que tratar con seales y sistemas de valor simblico . Como en seales anlogas, buscamos distintas maneras de descomponer seales discretas con valor real en sus componentes ms simples. Con este mtodo que nos lleva a un mayor entendimiento de estructura de seales, podemos usar esta estructura para representar informacin (crear maneras de representar informacin con seales) y de extraer informacin (extraer la informacin que es representada). Para seales de valor simblico este mtodo es diferente: desarrollamos una representacin comn para todas las seales de valor simblico para as representar la informacin que ellas contienen de una manera unicada. Desde el punto de vista de la representacin de informacin, la cuestin ms importante es la eciencia para las seales de
16 This content is available online at <http://cnx.org/content/m12820/1.9/>. 17 "Discrete-Time Signals and Systems" <http://cnx.org/content/m10342/latest/> 18 "The Sampling Theorem" <http://cnx.org/content/m0050/latest/> 19 "Discrete-Time Signals and Systems" <http://cnx.org/content/m10342/latest/#para11>
24
CHAPTER 1.
SEALES
valor simblico y reales; la eciencia es la manera ms compacta y rpida de representar informacin para que pueda ser despus extrada.
1.6.1 Seales de Valores Reales y Complejos

Una seal discreta es representada simblicamente como
s (n),
donde
n = {. . . , 1, 0, 1, . . . }.
Usualmente
dibujamos seales discretas por medio de diagramas de lnea (Stem Plots) para enfatizar el hecho que son funciones denidas en nmeros enteros. Podemos retrasar la seal discreta por un nmero, tal como se hace en las seales anlogas. cuando El retraso de un muestreo unitario es expresado por
(n m),
y es igual a uno
n = m.
Seal del Coseno en Tiempo-Discreto
sn 1 n
Seal del Coseno en Tiempo-Discreto es gracada con una "stem plot". Puede usted encontrar la frmula para esta seal?
Figure 1.23:
1.6.2 Exponenciales Complejos

La seal ms importante es la
secuencia del exponencial complejo .
s (n) = ej2f n
(1.29)
1.6.3 Senosoidales
Los senosoidales discretos tienen la forma de discretas dan formas nicas
s (n) = Acos (2f n + ).
Al contrario de exponenciales com-
plejos y senosoidales anlogos que pueden tener frecuencias con cualquier valor real, frecuencias para seales
1 1 2 , 2 . Esta propiedad se puede tener al notar que cuando se suma un valor a la frecuencia del exponencial complejo discreto no afecta en ninguna
solo cuando
est en el intervalo
manera a los valores de la seal.
ej2(f +m)n
= ej2f n ej2mn = ej2f n
(1.30)
La derivacin es porque el exponencial complejo evaluado en un mltiplo de
es igual a uno.
25
1.6.4 Muestreo Unitario

La segunda seal importante en el tiempo discreto, est denida por:
1 if n = 0 (n) = 0 otherwise
(1.31)
Muestreo Unitario
n 1 n
Figure 1.24:
Muestreo Unitario.
Al examinar la grca de seales discretas, como el coseno mostrado en la gura Figure 1.23 ( Seal del Coseno en Tiempo-Discreto ), se puede observar que todas la seales consisten en muestreos unitarios que son desplazados y escalados por un valor real. El valor de una secuencia a cualquier nmero
m es escrito por
s (m)
y el desplazamiento que ocurre en
es escrito por
(n m),
por esta razn podemos descomponer
cualquier
seal en una suma de muestras unitarias desplazadas a una localizacin apropiada y escalada
por el valor de una seal.
s (n) =
m=
(s (m) (n m))
(1.32)
Este tipo de descomposicin es nica para seales discreta. Sistemas discretos pueden actuar sobre seales en tiempo discreto en forma similar a las vistas en seales y sistemas anlogos. Debido al rol que juega el software sobre sistemas discretos, una gran variedad de sistemas pueden ser desarrolladas y construidas a diferencia de las que se pueden lograr usando seales anlogas. De hecho, una clase especial de seales anlogas pueden ser convertidas en seales discretas, procesadas por software, y convertidas despus en seales anlogas, todo esto sin errores. Para estas seales, varios sistemas pueden ser producidos en software, con realizaciones anlogas equivalentes siendo difciles de formar, si no es que imposibles de disear.
1.6.5 Seales de Valores Simblicos

Otro aspecto interesante de seales discretas es que sus valores no tienen que ser nmeros reales. Nosotros si tenemos seales discretas con valores reales como el sinusoidal, pero tambin tenemos seales que indican una secuencia de nmeros usados en el teclado de computadoras. Esos caracteres no son nmeros reales, y como posible coleccin de valores, tienen muy poca estructura matemtica y nada ms constante con el hecho que son miembros de un conjunto. Cada elemento de una seal de valores simblicos
s (n) toma valores
{a1 , . . . , aK }
que forman parte de un
alfabeto
A.
Esta terminologa tcnica no restringe los smbolos a Los sistemas digitales son
ser miembros de un alfabeto del idioma ingles o griego. Ellos pueden representar caracteres en un teclado, byte (secuencias de 8-bits), nmeros que pudieran signicar una temperatura. construidos de circuitos digitales, que consisten
completamente de circuitos con elementos anlogos. La
retransmisin y recepcin de seales discretas, como el correo electrnico, son posibles gracias al uso de
26
CHAPTER 1.
SEALES
sistemas y seales anlogas. Entender como las seales discretas y anlogas se interelacionan una con otra es el objetivo principal de este curso.
1.7 Exponencial Complejo Discreto20
20 This
27
Solutions to Exercises in Chapter 1

Solution to Exercise 1.1 (p. 22)
Se ve igual excepto que la oscilacin es senosoidal y no cosenoidal (pasa por el origen y no tiene ningn mximo local en
t = 0).
28
CHAPTER 1.
SEALES
Chapter 2
Sistemas
2.1 Clasicacin y Propiedades de los Sistemas1
2.1.1 Introduccin
En este mdulo algunas de las clasicaciones bsicas de sistemas sern temporalmente introducidas mientras que las propiedades ms importantes de sistemas sern explicadas. Como puede ser visto, las propiedades de los sistemas proveen una manera sencilla de separar un sistema de otro. Entender la diferencia bsica entre sistemas, y sus propiedades, ser un concepto fundamental utilizado en todos los cursos de seales y sistemas, as como de procesamiento digital de seales (Digital Signal Processing) DSP. Una vez que el conjunto de seales puede ser identicado por compartir propiedades particulares, uno ya no tiene que proveer ciertas caractersticas del sistema cada vez, pero pueden ser aceptadas debido a la clasicacin de los sistemas. Tambin cabe recordar que las clasicaciones presentadas aqu pueden no ser exclusivas (los sistemas pueden pertenecer a diferentes clasicaciones) ni nicas (hay otros mtodos de clasicacin sistemas simples se podrn encontrar aqui .
3 2
). Algunos ejemplos de
2.1.2 Classicacin de los Sistemas

A travs de la siguiente clasicacin, tambin es importante entender otras Clasicaciones de Seales .
4
2.1.2.1 Contino vs. Discreto

Esta tal vez sea la clasicacin ms sencilla de entender como la idea de tiempo-discreto y tiempo continuo que es una de las propiedades ms fundamentales de todas las seales y sistemas. Un sistema en donde las seales de entrada y de salida son continuas es un y de salida son discretas es un
sistema continuo, y uno en donde las seales de entrada sistema discreto .
2.1.2.2 Lineal vs. No-lineal

Un sistema
(aditiva), mientras que un sistema propiedades. Para demostrar que un sistema
lineal es un sistema que obedece las propiedades de escalado (homogeneidad) y de superposicin no-lineal es cualquier sistema que no obedece al menos una de estas
obedece la propiedad de escalado se debe mostrar que:
H (kf (t)) = kH (f (t))

1 This content is available online at <http://cnx.org/content/m12822/1.4/>. 2 "Introduction to Systems" <http://cnx.org/content/m0005/latest/> 3 "Simple Systems" <http://cnx.org/content/m0006/latest/> 4 "Signal Classications and Properties" <http://cnx.org/content/m10057/latest/>
29
(2.1)
30
CHAPTER 2.
SISTEMAS
Figure 2.1:
Un diagrama de bloque demostrando la propiedad de escalado de linealidad
Para demostrar que un sistema que:
obedece la propiedad de superposicin de linealidad se debe mostrar (2.2)
H (f1 (t) + f2 (t)) = H (f1 (t)) + H (f2 (t))
Figure 2.2:
Un diagrama de bloque demostrando la propiedad de superposicin de linealidad
Es posible vericar la linealidad de un sistema en un paso sencillo. Para hace esto, simplemente combinamos los dos primero pasos para obtener
H (k1 f1 (t) + k2 f2 (t)) = k2 H (f1 (t)) + k2 H (f2 (t))
(2.3)
2.1.2.3 Invariante en el Tiempo vs. Variante en el Tiempo

Un sistema
invariante en el tiempo es aquel que no depende de cuando ocurre: la forma de la salida no
cambia con el retraso de la entrada. Es decir que para un sistema en el tiempo si para toda
donde
H (f (t)) = y (t), H
es invariante (2.4)
T H (f (t T )) = y (t T )
31
Este diagrama de bloque muestra la condicin de la invariante en el tiempo. La Salida es la misma si el retraso es colocado en la entrada o en la salida.
Figure 2.3:
Cuando esta propiedad no aplica para un sistema, entonces decimos que el sistema es
variante en el
tiempo o que vara en el tiempo. 2.1.2.4 Causal vs. No-Causal

Un sistema
causal es aquel que es no-anticipativo; esto es, que las salidas dependen de entradas presentes
y pasadas, pero no de entradas futuras. Todos los sistemas en tiempo real deben ser causales, ya que no pueden tener salidas futuras disponibles para ellos. Uno puede pensar que la idea de salidas futuras no tiene mucho sentido fsico; sin embargo, hasta ahora nos hemos estado ocupando solamente del tiempo como nuestra variable dependiente, el cual no siempre es el caso. Imaginmonos que quisiramos hacer procesamiento de seales; Entonces la variable dependiente representada por los pxeles de la derecha y de la izquierda (el futuro) de la posicin actual de la imagen. Entonces tendramos un sistema
no-causal.
32
CHAPTER 2.
SISTEMAS
(a)
(b)
Figure 2.4: (a) Para que un sistema tpico sea causal... (b) ...la salida en tiempo t0 , y (t0 ), puede solamente depender de la porcin de la seal de entrada antes t0 .
2.1.2.5 Estable vs. Inestable

Un sistema
estable es uno donde las salidas no divergen as como las entradas tampoco divergen. Hay
muchas maneras de decir que una seal diverge; por ejemplo puede tener energa innita. Una denicin particularmente til de divergencia es relacionar si la seal esta acotada o no. Entonces se reere al sistema como
entrada acotada-salida acotada (BIBO) (Bounded input-bounded output) establece que toda posible entrada acotada produce una salida acotada.
Representado propiedades,donde esto de una manera matemtica, un sistema estable debe tener las siguientes
x (t)
es la entrada y
y (t)
es la salida; la cual debe satisfacer la condicin
|y (t) | My <
cuando tenemos una entrada del sistema esta puede ser descrita como
(2.5)
|x (t) | Mx < Mx
toda y
(2.6)
My
ambas representan un conjunto de nmeros enteros positivos y esta relacin se mantiene para
t.
inestable. Notemos que la estabilidad BIBO de un sistema lineal
5
Si estas condiciones no son satisfechas, es decir, las salidas del sistema con entrada acotada crecen sin limite (divergen), entonces el sistema es la respuesta al impulso. invariante en el tiempo (LTI) es descrito cuidadosamente en trminos de si es o no completamente integrable
5 "BIBO
Stability" <http://cnx.org/content/m10113/latest/>
33
2.2 Propiedades de los Sistemas6

2.2.1 Sistemas Lineales
Si un sistema es lineal, quiere decir que cuando la entrada de un sistema dado es escaldado por un valor, la salida del sistema es escalado por la misma cantidad.
Escalado Lineal
(a)
Figure 2.5
(b)
En la Figure 2.5(a) de arriba, la entrada valor por
del sistema lineal
da la salida
y.
Si
es escalada por un
y es pasada a travs del mismo sistema, como en la Figure 2.5(b), la salida tambin ser escalada
.
Un sistema lineal tambin obedece el principio de superposicin. Esto signica que si dos entradas son
sumadas juntas y pasadas a travs del sistema lineal, la salida ser equivalente a la suma de las dos entradas evaluadas individualmente.
(a)
Figure 2.6
(b)
6 This
34
CHAPTER 2.
SISTEMAS
Principio de Superposicin
Si Figure 2.6 es cierto, entonces el principio de superposiccin dice que Figure 2.7 (Principio de Superposicin) tambin es cierto. Esto es vlido para un sistema lineal.
Figure 2.7:
Esto es, si Figure 2.6 es cierta, entonces Figure 2.7 (Principio de Superposicin) tambin es cierta para un sistema lineal. La propiedad de escalado mencionada anteriormente tambin es vlida para el principio de superposicin. Por lo tanto, si las entradas x y y son escaladas por factores
y ,
respectivamente, entonces
la suma de estas entradas escaladas dar la suma de las salidas escaladas individualmente.
(a)
Figure 2.8
(b)
Principio de Superposicin con Escaldo Lineal
Dado Figure 2.8 para un sistema lineal, Figure 2.9 (Principio de Superposicin con Escaldo Lineal) tambin es vlido.
Figure 2.9:
2.2.2 Time-Invariant Systems

Un sistema invariante en el tiempo TI (Time-Invariant) tiene la propiedad de que cierta entrada siempre dar la misma salida, sin consideracin alguna a cuando la entrada fue aplicada al sistema.
35
Sistema Invariante en el Tiempo
(a)
(b)
Figure 2.10: Figure 2.10(a) muestra una entrada en tiempo t mientras que Figure 2.10(b) muestra la misma entrada t0 segundos despus. En un sitema invariante en el tiempo ambas salidas sern identicas excepto la de la Figure 2.10(b) estar retrasada por t0 .
En esta gura, debida a
x (t)
es
en el tiempo, las entradas
x (t t0 )
x (t t0 ) son pasadas a travs del sistema TI. Ya que el sistema TI es invariante x (t) y x (t t0 ) producen la misma salida. La nica diferencia es que la salida cambiada por el tiempo t0 .
y
Si un sistema es invariante en el tiempo o de tiempo variado puede ser visto en la ecuacin diferencial (o ecuacin en diferencia) descrita. Los sistemas invariantes en el tiempo son modelados con ecuaciones de coecientes constantes. Una ecuacin diferencial(o en diferencia) de coecientes constantes signica que los parmetros del sistema no van cambiando a travs del tiempo y que la entrada nos dar el mismo resultado ahora, as como despus.
2.2.3 3 Sistemas Lineales Invariantes en el Tiempo (LTI)

A los sistemas que son lineales y al mismo tiempo invariantes en el tiempo nos referiremos a ellos como sistemas LTI (Linear Time-Invariant).
Sistemas Lineales Invariantes en el Tiempo
(a)
Figure 2.11:
(b)
Esto es una combinacin de los dos casos de arriba. Dado que la entrada Figure 2.11(b) es una versin escalada y desplazada en el tiempo de la entrada de Figure 2.11(a), tambin es la salida.
Como los sistemas LTI son subconjuntos de los sistemas lineales, estos obedecen al principio de superposicin. En la gura de abajo, podemos ver el efecto de aplicar el tiempo invariante a la denicin de sistema lineal de la seccin anterior.
36
CHAPTER 2.
SISTEMAS
(a)
Figure 2.12
(b)
Superposicin en Sistemas Lineales Invariantes en el Tiempo
Figure 2.13:
El principio de superposicin aplicadado a un sistema LTI
2.2.3.1 Sistemas LTI en Series

Si dos o mas sistemas estn en serie uno con otro, el orden puede ser intercambiado sin que se vea afectada la salida del sistema. Los sistemas en series tambin son llamados como sistemas en cascada.
37
Sistema LTI en Cascada
(a)
(b)
Figure 2.14:
resultado.
El orden de los sistemas LTI en cascada pueden ser intercambiado sin verse afectado el
2.2.3.2 Sistemas LTI en Paralelo

Si dos o mas sistemas LTI estn en paralelo con otro, un sistema equivalente es aquel que esta denido como la suma de estos sistemas individuales.
Sistemas LTI en Paralelo
(a)
Figure 2.15:
(b)
Los sistemas de paralelo pueden ser resumidos en la suma de los sistemas.
38
CHAPTER 2.
SISTEMAS
2.2.4 Causalidad
Un sistema es causal si este no depende de valores futuros de las entradas para determinar la salida. Lo que signica que si la primer entrada es recibida en tiempo t0 , el sistema no deber dar ninguna
salida hasta ese tiempo. Un ejemplo de un sistema no-causal puede ser aquel que al detectar que viene un entrada da la salida antes de que la entrada llegue.
Sistema no-Causal
Figure 2.16:
en el tiempo.
En este sistema no-causal, la salida es producida dado a una entradad que ocurri despus
Un sistema causal tambin se caracteriza por una respuesta al impulso
h (t)
que es cero para
t < 0.
Chapter 3
Anlisis de Sistemas de Tiempo Continuo en el Dominio del Tiempo
3.1 Sistemas Lineales CT y Ecuaciones Diferenciales1
3.1.1 Sistemas Lineales de Tiempo-Continuo
Fsicamente realizable, los sistemas lineales invariantes en el tiempo pueden ser descritos por un conjuto de ecuaciones lineales diferenciales:
Figure 3.1:
f (t) y una salida, y (t).
Describcin grca de un sistema bsico lineal invariante en el tiempo con una entrada,
dn dn1 d dm d y (t) + an1 n1 y (t) + + a1 y (t) + a0 y (t) = bm m f (t) + + b1 f (t) + b0 f (t) n dt dt dt dt dt

Equivalentemente,
ai
i=0
con
di y (t) dti
=
i=0
bi
di f (t) dti
(3.1)
an = 1. y (t)
para una entrada
Es fcil mostra que estas ecuaciones denen un sistema que es lineal e invariante en el tiempo. Entonces una pregunta natural es cmo encontrar la respuesta al impulso del sistema Recordando que tal solucin se puede escribir como:
f (t)?.
y (t) = yi (t) + ys (t)

Nos referimos a
yi (t)
como la
iniciales del sistema. Nos referimos a
respuesta de salida-cero la solucin homogenea debido a las condiciones ys (t) como la respuesta de estado-cero la solucin particular en
1 This

39
40
CHAPTER 3.
ANLISIS DE SISTEMAS DE TIEMPO CONTINUO EN EL DOMINIO DEL TIEMPO
respuesta a la entrada del sistema.
f (t).
Ahora veremos como resolver cada una de estos componentes de la respuesta
3.1.1.1 Encontrando la Respuesta de Entrada-Cero

La respuesta de la entrada-cero,
yi (t),
es la respuesta del sistema debido solo a las condiciones iniciales .
Example 3.1: Respuesta de la Entrada-Cero

Poner un voltaje a travs de una capacitor en un circuito dibujado a continuacin y deje todo lo dems solo.
Figure 3.2
Example 3.2: Respuesta de la Entrada-Cero

Imagine una masa unidia a un resorte como se muestra a continuacin. Cuando jala la masa hacia abajo y la suelte, usted tiene un ejemplo de la respuesta de la entrada-cero.
Figure 3.3
No hay entrada, as que resolvemos para:
y0 (t) ai
tal que
i=0
Si
di y0 (t) dti
= 0 , an = 1
(3.2)
es el operador derivado, podemos escribir la ecuacin anterior como:
Dn + an1 Dn1 + + a0 y0 (t) = 0

Puesto que necesitamos una suma de varios
(3.3)
y0 (t)'s
dervados para ser
0 para todo t,
entonces
d d y0 (t) , dt y0 (t) , dt2 y0 (t) , . . .

Solo el exponencial,
deben de ser todos de la misma forma.
est
donde
s C,
tiene esta propiedad (vase un libro de texto de Ecuaciones
Diferenciales para ms detalles). As que asumimos que,
y0 (t) = cest , c = 0
para algun Since
(3.4)
d dt y0
s. (t) = csest ,
d2 dt2 y0
(t) = cs2 est , . . .
tenemos
Dn + an1 Dn1 + + a0 y0 (t) = 0 c sn + an1 sn1 + + a1 s + a0 est = 0

(3.5)
41
(3.5) se mantiene para todo
solo cuando
sn + an1 sn1 + + a1 s + a0 = 0
Donde esta ecuacin es conocida como la son las raices o ceros de este polinomio
(3.6)
ecuacin caracterstica del sistema. Los posibles valores de
{s1 , s2 , . . . , sn }
(s s1 ) (s s2 ) (s s3 ) . . . (s sn ) = 0
es decir las posibles soluciones son: es de la forma:
c1 es1 t , c2 es2 t , . . ., cn esn t .
Ya que el sistema es
lineal, la solucin general

(3.7)
y0 (t) = c1 es1 t + c2 es2 t + + cn esn t

Entonces, resolver para
{c1 , . . . , cn }
usando las condiciones iniciales.
Example 3.3
Vase Lathi p.108 para un buen ejemplo. Generalmente asumimos que las IC's de un sistema son cero, lo que implica que elmtodo de resolver para
yi (t) = 0.
Sin embargo,
yi (t)
se probar ms adelante.
3.1.1.2 Encontrando la Respuesta del Estado-Cero

Resolviendo una ecuacin lienal diferencial
ai
i=0
dada una entrada especca
di y (t) dti
=
i=0
bi
di f (t) dti
(3.8)
f (t)
es una tarea difcil en general. Ms importantemente, el mtodo depende
completamente en la naturaleza de
f (t);
si cambiamos la seal de entrada, debemos de re-resolver el sistema En la seccin explicamos como la
de ecuaciones para encontrar la respuesta del sistema. La Convolucin (Section 3.2) nos ayuda a pasar estas dicultades.
2
convolucin nos ayuda a determinar la salida del sistema, dada solo la entrada del sistema,
f (t) y la respuesta al impulso
h (t).
Antes de derivar el procedimiento de convolucin, mostramos que la respuesta al impulso es derivada facilmente de su ecuacin lineal diferencial (LDE). Mostraremos la derivacin del siguiente LDE, donde
m < n: dn dn1 d dm d y (t) + an1 n1 y (t) + + a1 y (t) + a0 y (t) = bm m f (t) + + b1 f (t) + b0 f (t) n dt dt dt dt dt
Podemos reescribir (3.9) como (3.9)
QD [y (t)] = PD [f (t)]
donde
(3.10)
QD []
es una operador que mapea
y (t)
al lado izquierdo de la (3.9)
QD [y (t)] =
y
dn dn1 d y (t) + an1 n1 y (t) + + a1 y (t) + a0 y (t) n dt dt dt
(3.11)
PD []
mapea
f (t)
al lado derecho de la (3.9).
Lathi muestra (en el Apendice 2.1) que la respuesta al
impulso del sistema descrito por (3.9) es dado por:
h (t) = bn (t) + PD [yn (t)] (t)

donde para iniciales.
(3.12)
m < n
we have
bn = 0.
Tambin,
yn
igual a la respuesta salida-cero con las condiciones
y n1 (0) = 1, y n2 (0) = 1, . . . , y (0) = 0

2 "Photo
Story 3 Tech Module" <http://cnx.org/content/m18124/latest/>
42
CHAPTER 3.

3
3.2 Convolucin de Tiempo-Continuo

3.2.1 Motivacin
La convolucin nos ayuda a determinar el efecto que tiene el sistema en la seal de entrada. Puede ser visto que el sistema lineal de tiempo invariante (Section 2.1) es completamente caracterizado por su respuesta al impulso. A primera vista, esto puede parecer de pequeo uso, ya que las funciones de impulso no estn bien denidas en aplicaciones reales. Sin embargo la propiedad de desplazamiento del impulso nos dice que una seal puede ser descompuesta en una suma innita (integral) de impulsos escalados y desplazados. Conociendo como un sistema afecta un impulso simple, y entendiendo la manera en que una seal es abarcada por impulsos escaldos y sumados, suena razonable que sea posible escalar y sumar la respuesta al impulso a un sistema en para poder determinar que seal de salida resultara de una entrada en particular. Esto es precisamente lo que la convolucin hace -
la convolucin determina la salida del sistema por medio conocimiento de la entrada y la respuesta al impulso del sistema.
En el resto de este modulo, vamos a examinar exactamente como la convolucin es denida a partir Esto resultara en la integral de convolucin (vase la siguiente seccin) y sus
del razonamiento anterior.
propiedades (Section 3.3). Estos conceptos son muy importantes en la Ingeniera Elctrica y harn la vida de los ingenieros mas sencilla si se invierte el tiempo en entender que es lo que esta pasando. Para poder entender completamente la convolucin, ser de utilidad tambin ver la convolucin de tiempo discreto
4
). Tambin ser de gran ayuda experimentar con los applets
disponibles en internet. Este recurso
nos ofrecer una aproximacin mas crucial del concepto.
3.2.2 Integral de Convolucin

Como mencionamos anteriormente, la integral de convolucin nos da una manera matemtica fcil de expresar la salida de un sistema LTI basado en una seal arbitraria,
x (t),y la respuesta al impulso, h (t).
La
integral
de convolucin es expresada como
y (t) =
x ( ) h (t ) d
(3.13)
La convolucin es una herramienta muy importante que es representada por el smbolo como
, y puede ser escrita

(3.14)
y (t) = x (t) h (t)

Haciendo unos cambios simples en las variables de la integral de convolucin, la convolucin es
= t ,
podemos ver que (3.15)
conmutativa:
x (t) h (t) = h (t) x (t)

Convolucin (Section 3.3).
Para ms informacin de las caractersticas de la integral de convolucin, lase sobre la Propiedades de la Ahora presentaremos dos aproximaciones distintas que se derivan de la integral de convolucin. Estos procesos, junto con un ejemplo bsico, nos ayudaran para construir una intuicin sobre la convolucin.
3.2.3 Proceso I: El mtodo corto

Este proceso sigue de cerca el mencionado en la seccin anterior en la Motivacin (Section 3.2.1: Motivacin). Para iniciar esto, es necesario establecer las asunciones que haremos. En este momento, la nica obligada en nuestro sistema es que este sea lineal e invariante en el tiempo.
Breve descripcin de los pasos de este Proceso:

3 This content is available online at <http://cnx.org/content/m12828/1.4/>. 4 "Discrete-Time Convolution" <http://cnx.org/content/m10087/latest/> 5 http://www.jhu.edu/signals
43
1. Un impulso de entrada, nos da como salida una respuesta al impulso. 2. Un impulso desplazado nos da como salida una respuesta al impulso desplazada. Esto es debido a la invariante en el tiempo del sistema 3. Podemos escalar el impulso de entrada para obtener como salida un impulso escaldo. Esto es usando la propiedad de linealidad de la multiplicacin escalar. 4. Podemos sumar un nmero innito de estos impulsos escalados para obtener un nmero innito de sumas de respuestas al impulso escaladas. Esto es usando la cualidad de la aditividad de linealidad. 5. Ahora vemos que esta suma innita no es mas que una integral, as que podemos convertir ambos lados en integrales. 6. Reconociendo que la entrada es la funcin integral de convolucin .
f (t),
tambin reconocemos que la salida es exactamente la
Figure 3.4:
Empezamos con un sistema denido por su respuesta al impulso, h (t).
Despus consideramos una versin desplazada del impulso de entrada. Debido al tiempo invariante del sistema, obtenemos una versin de una salida desplazada de la respuesta al impulso.
Figure 3.5:
44
CHAPTER 3.
Figure 3.6: Ahora usamos la parte de escalado de linealidad, escalando el sistemas por un valor, f ( ), que es constante con respecto al sistema variable, t.
Ahora podemos usar el aspecto de aditividad de linealidad para sumar un nmero innito de estos, para cada posible . Como una suma innita es exactamente una integral, terminamos con la integral conocida como integral de convolucin. Usando la propiedad de desplazamiento, podemos reconocer el lado izquierdo como la entrada f (t).
Figure 3.7:
3.2.4 Proceso II: El mtodo largo

Este mtodo realmente no es muy diferente del anterior, sin embargo es un poco mas riguroso y mas largo. Esperanzadamente si no se comprendi bien el mtodo de arriba, esto te ayudara para terminar de entender la convolucin. El primer paso en este mtodo es denir una realizacin particular de la funcin de impulso unitario . Para esto usaremos
6
(t) =
1 if
<t<
0 otherwise
6 "Photo
45
Figure 3.8:
La realizacin de la funcin de impulso unitario que usaremos para esta derivacin.
Despus de denir la realizacin de la unidad de respuesta al impulso, podemos obtener nuestra integral de convolucin de los siguientes pasos que se encuentran en la siguiente tabla. Notemos que la columna de la izquierda representa la entrada y la columna de la derecha es la salida del sistema dada esa entrada.
Proceso II de la Integral de Convolucin Entrada

0 0 0
Salida
lim (t) lim (t n) lim f (n) (t n) lim

n
h h h h h h
Table 3.1
0 0 0
lim h (t) lim h (t n) lim f (n) h (t n) lim

n
(f (n) (t n) )
f ( ) (t ) d
(f (n) h (t n) )

f ( ) h (t ) d f ( ) h (t ) d
f (t)
y (t) =
3.2.5 Implementacin de la Convolucin

Tomando una visin mas cercana de la integral de convolucin, encontramos que estamos multiplicando la seal de entrada por una respuesta al impulso invertida en tiempo e integrndola. Esto nos dar el valor de la salida de un valor dado de t. Si despus nosotros cambiamos la respuesta al impulso invertida en tiempo por una pequea cantidad, obtenemos la salida para otro valor de t. Repitiendo esto para cada posible valor de t, nos da la funcin total de salida. Nosotros nunca haremos este mtodo a mano, nos proporciona informacin con algunas entradas de que es lo que esta pasando. Encontramos que esencialmente estamos revirtiendo la funcin de la respuesta al impulso y desplazndola a travs de la funcin de entrada, integrndola como vamos. Este mtodo, descrito como el
metodo grco, nos proporciona una manera sencilla de resolver
46
CHAPTER 3.
las salidas para seales sencillas, mientras tanto mejoraremos nuestra intuicin para los casos mas complejos donde conaremos en las computadoras. De hecho las Texas Instruments Digital de Seales
8 7
se convierten en Procesamiento
las cuales tienen un conjunto especial para cmputos as como para la convolucin.
Example 3.4
Esta demostracin ilustrara el mtodo grco para la convolucin. Vase aqu ciones de cmo se usa este demo. This media object is a LabVIEW VI. Please view or download it at <CT_Convolution.llb>
9
para las instruc-
3.2.6 Ejemplos Bsicos

Veamos ejemplos de la convolucin bsica de tiempo-continuo para poder expresar algunas ideas mencionadas anteriormente en el ejemplo corto. Vamos a convolver dos pulsos unitarios,
x (t)
h (t).
(a)
Figure 3.9:
(b)
Aqui hay dos seales bsicas que usaremos para convolucionar juntas.
3.2.6.1 Reejada y Desplazada

Ahora tomaremos una de las funciones y la reejaremos a travs del eje de las y. Despus debemos desplazar la funcin, as como el origen, el punto de la funcin que originalmente estaba en el origen, esta marcada como el punto
Este paso se muestra en la siguiente gura,
h (t ).
Como la convolucin es conmutativa no
importa que funcin es reejada y desplazada, sin embargo conforme las funciones se vuelven mas complicadas reejar y desplazar la correcta nos har el problema mas sencillo.
7 http://www.ti.com 8 http://dspvillage.ti.com/docs/toolssoftwarehome.jhtml 9 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/>
47
Figure 3.10:
El pulso unitario reejado y desplazado.
3.2.6.2 Regiones de Integracin

Ahora veremos la funcin y dividiremos su dominio en dos lmites diferentes de integracin. regiones diferentes pueden ser entendidas pensando en como nos desplazamos Estas dos
h (t ) sobre la otra funcin.
Si la funcin fuera mas complicada necesitaremos tener mas limites para que las partes sobrepuestas de las dos funciones puedan ser expresadas en una integral lineal sencilla. Para este problema tendremos las siguientes cuatro regiones. y Comprense estos limites de integracin con los de los bosquejos de Ntese que
h (t )
x (t)
para ver si se puede entender el por que tenemos cuatro regiones.
en los limites de
integracin se reere al lado derecho de la funcin
h (t ),
marcada como
entre cero y uno en la grca.
Los cuatro limites de integracin

1. 2. 3. 4.
t<0 0t<1 1t<2 t2
3.2.6.3 Usando la Integral de Convolucin

Finalmente estamos listos para unas pequeas matemticas. Usando la integral de convolucin, integremos el producto de regin,
x (t) h (t ). 0 t < 1, requiere las
Para la primer y cuarta regin es trivial pues siempre ser, siguientes matemticas:
0.
La segunda
y (t)
= = t
t 0
1d
(3.16)
La tercer regin,
1 t < 2,
Tomemos nota de los cambios en nuestra integracin.
Conforme movemos
h (t )
a travs de la otra funcin, la parte izquierda de la funcin,
t 1,
se convierte es nuestro limite
48
CHAPTER 3.
inferior para la integral. Esto se muestra a travs de la integral de convolucin como
y (t)
= = =
1 t1
1d
(3.17)
1 (t 1) 2t
Las formulas anteriores muestran el mtodo para calcular la convolucin; sin embargo no deje que la simplicidad de este ejemplo lo confunda cuando trabaje con otros problemas. El mtodo ser el mismo, solo se tendr que tratar con mas matemticas en integrales mas complicadas.
3.2.6.4 Resultados de la Convolucin

As, obtenemos los siguientes resultados para nuestras cuatro regiones:
y (t) =
0 if t < 0 t if 0 t < 1
(3.18)
2 t if 1 t < 2 0 if t 2
Ahora que encontramos el resultado para cada una de las cuatro regiones, podemos combinarlas y gracar la convolucin de
x (t) h (t).
Figure 3.11:
Muestra la respuesta al impulso de la entrada, x (t).
3.3 Propiedades de la Convolucin10

En este modulo veremos varias de las propiedades de convolucin que mas prevalecen. Ntese que estas propiedades se aplican a ambas convoluciones de tiempo continuo (Section 3.2) y de tiempo discreto (Section 4.2). (Vase los dos mdulos anteriores si necesita un repaso de convolucin). Tambin para algunas
10 This
49
demostraciones de las propiedades, usaremos las integrales de tiempo-continuo, pero podemos probarlas de la misma manera usando las sumatorias de tiempo-discreto.
3.3.1 Asociatividad
Theorem 3.1: Ley Asociativa
f1 (t) (f2 (t) f3 (t)) = (f1 (t) f2 (t)) f3 (t)
(3.19)
Figure 3.12:
Implicacin grca de la propiedad de asociatividad de la convolucin.
3.3.2 Conmutatividad
Theorem 3.2: : Ley Conmutativa
y (t)
= f (t) h (t) = h (t) f (t)
(3.20)
Proof:
Para probar la (3.20), lo nico que tenemos que hacer es un pequeo cambio de variable en nuestra integral de convolucin (o suma),
y (t) =
Dejando
f ( ) h (t ) d
conmutativa:
(3.21)
= t ,
podemos mostrar fcilmente que la convolucin es
y (t)
= =
f (t ) h ( ) d h ( ) f (t ) d
(3.22)
f (t) h (t) = h (t) f (t)
(3.23)
50
CHAPTER 3.
La gura muestra que ambas funciones pueden ser vistas como entradas del sistema mientras lo otro es la respuesta al impulso.
Figure 3.13:
3.3.3 Distribucin
Theorem 3.3: Ley Distributiva
f1 (t) (f2 (t) + f3 (t)) = f1 (t) f2 (t) + f1 (t) f3 (t)

Proof:
(3.24)
La demostracin de este teorema puede ser tomada directamente de la denicin de convolucin y usando la linealidad de la integral.
51
Figure 3.14
3.3.4 Desplazamiento en el Tiempo

Theorem 3.4: Propiedad de Desplazamiento
Para
c (t) = f (t) h (t),
entonces
c (t T ) = f (t T ) h (t)
y
(3.25)
c (t T ) = f (t) h (t T )
(3.26)
52
CHAPTER 3.
(a)
(b)
(c)
Figure 3.15:
Demostracin Grca de la propiedad de desplazamiento.
3.3.5 Convolucin con un Impulso

Theorem 3.5: Convolucin con Impulso Unitario
f (t) (t) = f (t)

Proof:
Para este demostracin, dejaremos que
(3.27)
(t) sea el impulso unitario localizado en el origen.
Usando
la denicin de convolucin empezamos con la integral de convolucin
f (t) (t) =
( ) f (t ) d ( ) = 0
siempre que
(3.28)
De la denicin del impulso unitario, conocemos que
= 0.
Usamos este
hecho para reducir la ecuacin anterior y obtener lo siguiente:
f (t) (t)
= =
( ) f (t) d

f (t)
( ( )) d
(3.29)
La integral de
( )
solo tendr un valor cuando
=0
(de la denicin del impulso unitario), por
lo tanto esa integral ser igual a uno. Donde podemos simplicar la ecuacin de nuestro teorema:
f (t) (t) = f (t)
(3.30)
53
(a)
(b)
Figure 3.16:
Las guras y ecuaciones anteriores, revelan la funcin identidad del impulso unitario.
3.3.6 Ancho
En tiempo continuo, si la
Duracin (f1 ) = T1
y la Duracin
(f2 ) = T2
, entonces (3.31)
Duracin (f1 f2 ) = T1 + T2
54
CHAPTER 3.
(a)
(b)
(c)
Figure 3.17: En tiempo continuo, la duracin de la convolucin resulta igual a la suma de las longitudes de cada una de las dos seales convolucionadas.
En tiempo discreto si la Duracin
(f1 ) = N1
y la Duracin
(f2 ) = N2
, entonces (3.32)
Duracin (f1 f2 ) = N1 + N2 1
55
3.3.7 Causalidad
Si
son ambas causales, entonces
f h
tambin es causal.
3.4 Estabilidad BIBO11

BIBO es para entrada acotada, salida acotada (bounded input, bounded output). condicin, tal que cualquier entrada acotada nos da una salida acotada. pongamos una entrada estable, nos garantiza obtener una salida estable. Para entender este concepto, primero debemos ver que signica exactamente acotado. Una seal acotada es cualquier seal tal que existe un valor donde el valor absoluto de la seal nunca es mayor para algn valor. Ya que el valor es arbitrario, lo que queremos decir es que en ningn punto la seal puede tender a innito. BIBO estable es una Esto es que conforme nosotros
Figure 3.18:
Una seal acotada es una seal para la cual existe un constante A tal que |f (t) | < A
Una vez que ya tenemos identicado lo que signica una seal acotada, debemos mover nuestra atencin a la condicin que un sistema debe poseer para garantizar que si una seal pasa a travs del sistema, una seal acotada se presentara en la salida. Resulta que un sistema LTI (Section 2.1) continuo en el tiempo con una respuesta al impulso
h (t)
es estabilidad BIBO
si y solo si
Condicin de Tiempo-Continuo para Estabilidad BIBO
|h (t) |dt <
Esto es decir que la funcin de transferencia es y obtenemos la funcin de transferencia
(3.33)
absolutamente integrable. absolutamente sumable. Esto es
Extendiendo este concepto a tiempo- discreto tomamos la transicin estndar de integracin a sumatoria
h (n),
que debe ser
Condicin de Tiempo-Discreto para Estabilidad BIBO
(|h (n) |) <

n=
(3.34)
11 This
56
CHAPTER 3.
3.4.1 Estabilidad y Laplace

La estabilidad es muy fcil de deducir desde la grca de polos y ceros (Section 14.6) de una funcin de transferencia. La nica condicin necesaria para demostrar la estabilidad es demostrar que el eje-j es en la regin de convergencia
(a)
Figure 3.19:
(b)
(a) Ejemplo de una grca de polos y ceros para un sistema estable de tiempo-continuo. (b) Ejemplo de una grca de polos y ceros para un sistema inestable de tiempo continuo.
3.4.2 Estabilidad y la Transformada Z

La estabilidad para las seales de tiempo-discreto (Section 1.1) en el dominio-z (Section 15.1) es tan fcil de demostrar como lo es para las seales de tiempo-continuo en el domino Laplace. Sin embargo en lugar de la regin de convergencia ROC (region of convergence) necesaria para contener el eje-j , la ROC debe contener el crculo unitario.
57
(a)
Figure 3.20:
(b)
(a) Un sistema estable de tiempo-discreto. (b) Un sistema inestable de tiempo-discreto.
58
CHAPTER 3.
Chapter 4
Anlisis de Sistemas Discretos en el Dominio del Tiempo
4.1 Anlisis en el Dominio del Tiempo para Sistemas Discretos1
Una seal discreta por que
s (n)
es
retrasada por
n0
muestras, cuando se escribe
s (n n0 ),
con
n0 > 0.
2
Optamos
n0
tenga avances negativos sobre los nmeros enteros. Opuesto a los retrasos anlogos , los retrasos
discretos en el tiempo de Fourier
solo pueden tener el valor de nmeros enteros. En el dominio de la frecuencia, el

.
retraso de la seal corresponde a un desplazamiento linear en el ngulo de la seal discreta de la Transformada
s (n n0 ) e(j2f n0 ) S ej2f
Un sistema
lineal discreto tiene propiedades de superposicin:
S (a1 x1 (n) + a2 x2 (n)) = a1 S (x1 (n)) + a2 S (x2 (n))

Un sistema discreto es llamado invariante Si
3
(4.1)
invariante al desplazamiento
( anlogo a los sistemas de tiempo
) si el retraso en la entrada ocurre en la salida. entonces
S (x (n)) = y (n),
S (x (n n0 )) = y (n n0 )
(4.2)
Nosotros usamos el trmino invariante al desplazamiento para enfatizar que el retraso puede ocurrir solo en los nmeros enteros del sistema discreto, mientras tanto en las seales anlogas, los retrasos pueden ser valores arbitrarios. Nosotros queremos concentrarnos en sistemas que son lineales e invariantes al desplazamiento. Esto ser lo que nos permitir tener todo el control en el anlisis del dominio de la frecuencia y el control de su implementacin. Por que no tenemos una conexin fsica en la construccindel sistema, necesitamos solamente tener especicaciones matemticas. En los sistemas anlogos, las ecuaciones diferenciales especican la entrada y la salida del dominio del tiempo. La correspondiente especicacin discreta esta dada en una
ecuacin diferencial:
y (n) = a1 y (n 1) + + ap y (n p) + b0 x (n) + b1 x (n 1) + + bq x (n q)
La salida de la seal
(4.3)
y (n)
es relacionada a sus valores
pasados por medio de
los valores actuales y a los valores pasados de la entrada de la seal se representan por medio de caractersticas del sistema son determinadas por la eleccin de cuantos nmeros
y (n l), l = {1, . . . , p}, a x (n). Las tendran los coecientes p y
el valor de los coecientes
{a1 , . . . , ap }
{b0 , b1 , . . . , bq }.
1 This content is available online at <http://cnx.org/content/m12830/1.6/>. 2 "Simple Systems": Section Delay <http://cnx.org/content/m0006/latest/#delay> 3 "Simple Systems" <http://cnx.org/content/m0006/latest/#para4wra>
59
60
CHAPTER 4.
ANLISIS DE SISTEMAS DISCRETOS EN EL DOMINIO DEL TIEMPO
Ademas: Hay una asimetra en los coecientes: Cundo es
a0 ?
Estos coecientes multiplicaran
el trmino
y (n)
en (4.3). Nosotros dividiremos la ecuacin por ella, lo cual no cambiara la relacin
de salida-entrada. Hemos creado la siguiente convencin:
a0
es siempre uno.
Al contrario de una ecuacin diferencial que solo provee una descripcin
implcita
de un sistema
(nosotros debemos resolver la ecuacin diferencial), las ecuaciones diferenciales proveen una manera
ex-
plicita
de resolverlas; calculando las salidas para cada entrada. Nosotros simplemente expresaremos las
ecuaciones diferenciales con un programa que calcula cada salida usando valores previos, las corrientes del sistema y las entradas previas. Las ecuaciones diferenciales son usualmente expresadas en el software con iteraciones de
"for" . El
programa de MATLAB da informacin de los primeros 1000 valores formados por medio de las salidas.
for n=1:1000 y(n) = sum(a.*y(n-1:-1:n-p)) + sum(b.*x(n:-1:n-q)); end

Un detalle importante emerge cuando nosotros consideramos hacer que este programa funcione; de hecho, como esta escrito tiene (por lo menos) dos errores. Qu valores de entrada y salida se pueden usar para calcular
y (1)?
Nosotros necesitamos valores para
y (0), y (1),
..., valores que no tenemos aun.
Para
calcular estos valores necesitaremos valores previos. La manera de salir de este problema es especicar las
condiciones iniciales : debemos proveer

iniciales. entradas.
los valores de la salida que ocurren antes que las entradas
Estos valores pueden ser arbitrarios, la decisin impacta el como responde el sistema con las
Una decisin ocasiona un sistema lineal: Hacer la condicin inicial cero. La razn se encuentra
4
en la denicin de un sistema lineal
: La nica manera que las salidas de las suma pueda ser la suma de la
salida individual ocurre cuando la condicin inicial en cada caso es cero.
Exercise 4.1
La cuestin de la condicin inicial se resuelve al entender la ecuacin diferencial para cada entrada que empieza en algn ndice. No obstante, el programa no trabaja por causa de la programacin, no es conceptual y contiene errores. Qu es esto? , Com se puede "arreglar"?
Example 4.1
Vamos a considerar un sistema simple con:
p=1
q = 0.
(4.4)
y (n) = ay (n 1) + bx (n)
Para calcular la salida de algn ndice, esta ecuacin diferencial indica que nosotros necesitamos la salida previa
y (n 1)
y que la seal de la entrada occura en ese momento del tiempo.
Sin
entrar a detalle, vamos a calcular la salida del sistema para un muestreo unitario como entrada:
x (n) = (n).
Ya que la entrada es cero para un ndice negativo, nosotros debemos empezar por
tratar de calcular la salida en
n = 0. y (0) = ay (1) + b
(4.5)
Cul es el valor de
y (1)?
Ya que hemos usado la entrada de valor cero para todos los ndices Seguramente, la
5
negativos, es razonable asumir que la salida tambin tiene un valor de cero. ecuacin diferencial no describir el sistema lineal no produjo cero en la salida. Con esto podemos asumir:
si la entrada, la cual es cero todo el tiempo
y (1) = 0,
dejando
y (0) = b.
Para
n > 0,
4 "Simple 5 "Simple
la entrada de un muestrario unitario es cero, lo cual nos deja con la ecuacin diferencial
Systems": Section Linear Systems <http://cnx.org/content/m0006/latest/#linearsys> Systems": Section Linear Systems <http://cnx.org/content/m0006/latest/#linearsys>
61
y (n) = ay (n 1) , n > 0
entrada para hacer una tabla:
. Con esto nosotros podemos preveer como el ltro responde a esta
y (n) = ay (n 1) + b (n)
(4.6)
n 1 0 1 2
:
x (n) 0 1 0 0 0 0
y (n) 0 b ba ba2
:
ban
Table 4.1
Los valores del coeciente determinan el comportamiento de la salida. El parmetro cualquier valor, y sirve como ganancia. El efecto del parmetro valores que no son cero de (Respuesta al
b puede ser
es ms complicado (Table 4.1).
Si es igual a cero, la salida simplemente es igual a la entrada por la ganancia
b.
Para todos los
IRR Impulso Innito). La razn para esta terminologa es que el muestrario unitario
a, la salida perdura por siempre;
tales sistemas son conocidos como
tambin conocido como un impulso(especialmente en una situacin analoga) y el sistema responden a un impulso que perdura por siempre. descomposicin exponencial. Cuando grande que cuando Si
es positivo y menor que uno, la salida es una
a = 1,
la salida es un escaln unitario. Si
1,
la salida oscila mientras occurre una descomposicin exponencial. Cuando
a es negativa y ms a = 1,
creciendo
la salida cambia su signo para siempre, alternando entre
b.
Hay efectos ms dramticos
|a| > 1;
si es positivo o negativo, la salida de la seal se hace ms y ms grande
exponencialmente.
x(n)
1 n
y(n) a = 0.5, b = 1
y(n) a = 0.5, b = 1
4 2 0
y(n) a = 1.1, b = 1
n n -1
La entrada para el ejemplo de sistema simple, un muestreo unitario es mostrada arriba, con las salidas para varios valores de parametros de sistemas mostradas abajo.
Figure 4.1:
62
CHAPTER 4.
Valores positivos de
son usados en modelos de poblacin para describir como el tamao de
una poblacin crece a travs del tiempo. Aqu,
puede corresponder a generacin. La ecuacin
diferencial indica que el nmero en la siguiente generacin es algn mltiplo de un valor previo. Si este mltiplo es menor que uno, la poblacin se extingue; si es mayor que uno, la poblacin se incrementa. La misma ecuacin diferencial tambin describe el efectos del los interes compuesto. Aqu
marca el tiempo en el cual el interes compuesto ocurre ( diario, mensual, etc.),
es igual
a la taza de inters compuesto, y
b=1
( el banco no da ninguna ganancia). En la aplicacin para
procesar seales, nosotros tpicamente requerimos que la salida continu acotada para cualquier entrada. Para nuestro ejemplo, eso signica que podemos restrigir esto y la ganancia segn su aplicacin.
|a| = 1
y escoger valores para
Exercise 4.2
Note que en la ecuacin diferencial (4.3),
y (n) = a1 y (n 1) + + ap y (n p) + b0 x (n) + b1 x (n 1) + + bq x (n q)
no tiene trminos como
y (n + 1)
x (n + 1)
en el lado derecho de la ecuacin.
Pueden estos
trminos ser incluidos? Por qu o por qu no?
y(n) 1 5
n
Figure 4.2:
La graca muestra la respuesta de un muestreo unitario con un ltro boxcar de longitud 5.
Example 4.2
Un sistema un poco diferente que no contiene los coecientes "a". Considere la ecuacin diferencial:
y (n) =
1 (x (n) + + x (n q + 1)) q
(4.7)
Ya que la salida del sistema nada mas depende de los valores actuales y previos de los valores de entrada, nosotros no necesitamos preocuparnos por las condiciones iniciales. Cuando la entrada es
1 q para n = {0, . . . , q 1}, entonces es igual a cero despus de eso. Estos sistemas son conocidos como FIR (Respuesta de Impulso Finito o en ingles
un muestreo unitario, el resultado es igual a Finite Impulse Response) por que su respuesta de muestreo unitario tiene una duracin nita. Al gracar esta respuesta se ve como (Figure 4.2)la respuesta de muestreo unitario es un pulso de
1 q . Esta seal es tambin conocida como boxcar , por eso a este sistema se le le da el nombre de ltro de boxcar. (En la proxima seccin derivaremos su respuesta en frecuencia y
ancho
y altura
desarrollaremos su interpretacin al ltrar.) Por ahora, observe que la ecuacin diferencial dice que cada valor en la salida es igual al promedio de la corriente de las entradas de los valores anteriores. As, el valor de la salida es igual al
promedio actual de los valores de las entradas precias q . Por lo
tanto este sistema se puede usar para producir el promedio de las temperaturas semanales (q que se pueden actualizar diariamente.
= 7)
63
4.2 Convolucin Discreta6

4.2.1 Ideas Generales
Convolucin es un valor que se extiende a todos los sistemas que son
invariantes linear del tiempo
(Section 2.1) (LTI - Linear Time Invariant).
La idea de convolucin discreta es la misma que la de
convolucin continua (Section 3.2). Por esta razn, puede ser de gran ayuda el ver las dos versiones para que usted entienda la extrema importancia del concepto. Recuerde que la convolucin es un instrumento poderoso al determinar el resultado de un sistema despus de saber la una entrada arbitraria y la respuesta al impulso del sistema. Puede ser tambin til al ver la convolucin grcamente con sus propios ojos y jugar con este concepto un poco, as que experimente con las aplicaciones
7
que estn disponibles en la Internet.
Estos recursos ofrecern mtodos diferentes para aprender este concepto crucial.
4.2.2 Suma de Convolucin

Como ya ha sido mencionado, la suma de convolucin provee una manera matemticamante concisa para expresar el resultado de un sistema LTI, basado en una entrada arbitraria para una seal discreta y tambin el saber la respuesta del sistema. La
suma de convolucin es expresada como
y [n] =
k=
(x [k] h [n k])
(4.8)
As como en tiempo continuo la convolucin es representado por el smbolo *, y puede ser escrita como
y [n] = x [n] h [n]

Al hacer un simple cambio de variables en la suma de convolucin, que la convolucin es
(4.9)
k = n k , podemos demostrar fcilmente

(4.10)
conmutativa:
x [n] h [n] = h [n] x [n]

tion 3.3).
Para mas informacin sobre las caractersticas de convolucin, lea las propiedades de convolucin (Sec-
4.2.3 Derivacin
Sabemos que las seales discretas pueden ser representadas por la suma de impulses discretos que estn desplazados y escalados. Ya que estamos asumiendo que el sistema es linear e invariante con el tiempo, se ve razonable decir que la entrada de la seal esta formada por impulses que tambin estn escalados y desplazados, esto en turno dara como resultado del sistema una suma de respuesta de impulse que tambin estn escaladas y desplazadas. Esto es exactamente lo que ocurre en manera matemtica rigurosa de ver esta derivacin: Al dejar
convolucin. Abajo presentamos una
ser un sistema DT LTI, empezaremos con la siguiente ecuacin y trabajaremos hasta llegar a
la suma de convolucion !
y [n]
= H [x [n]] = H = = =
k= k= k= k=
(x [k] [n k])
(4.11)
(H [x [k] [n k]]) (x [k] H [ [n k]]) (x [k] h [n k])
6 This content is available online 7 http://www.jhu.edu/signals
at <http://cnx.org/content/m12833/1.4/>.
64
CHAPTER 4.

Despus de nuestra ecuacin multiplicada por una sistema DT. Por esta
Demos un vistazo rpido a los pasos tomados en la derivacin anterior. del impulso)del DT para re-escribir la funcin, suma unitaria. Despus, movemos el operador linealidad y por el hecho que, multiplicar la ecuacin por
inicial, nosotros usamos la propiedad de desplazamiento (Section 1.4.1.1: La propiedad de desplazamiento
x [n], como una suma de funciones H y la sumatoria H [] es linear, en el
x [k] es constante podemos extraer la constantes ya mencionadas y nada mas H []. Final mente , usamos el dato que H [] es invariante con el tiempo para
llegar a nuestra ecuacin deseada- la suma de convolucion ! Un ejemplo graco puede ayudar en demostrar por que la convolucin funciona
Figure 4.3:
Una simple entrada con impulso da como resultado la respuesta de impulso del sistema.
Figure 4.4:
Un impulso escalado como entrada da como resultado una respuesta escalada, ya que tiene la propiedad de escalmiento para un sistema lineal.
65
Ahora usaremos la propiedad de tiempo invariante del sistema para demostrar que una entrada que esta dasplazada da como resultado una salida con la misma forma, solo que esta desplazada por la misma cantidad que la entrada.
Figure 4.5:
Ahora usaremos la propiedad de adicion del sistema lineal para completar la gura.ya que cualquier seal discreta es nada mas la suma de impulsos discretos que estan desplazados y escalados, podemos encontrar la salida con tan solo saber la seal de entrada y su respuesta al impulso.
Figure 4.6:
4.2.4 Convolucion a travs del Eje del Tiempo ( Un mtodo graco)

En esta seccin desarrollaremos una interpretacin graca de la convolucin discreta. escribir la suma de convolucin dejando Empezaremos por
ser causal, de tamao -m y
ser causal, del tamao-k , en un
66
CHAPTER 4.
sistema LTI. Esto nos da una sumatoria nita,
m1
y [n] =
l=0
Note que para cualquier y los sumamos despus. Regresamos a los ejemplos anteriores:
(x [l] h [n l]) xl
desplazados en el tiempo por
(4.12)
tenemos la suma de productos de
hl .
Esto es
una manera de decir que multiplicamos los trminos de
por los trminos reexionados en el tiempo de
Figure 4.7:
Esto es lo que esperamos encontrar.
Figure 4.8:
0.
Esto es el reejo de la respuesta del impulso, h , y se empieza a mover atravez del tiempo
67
Figure 4.9:
Continuamos con el moviimiento. Vea que al tiempo 1 , estamos multiplicando dos elementos de la sealde entraday dos elementos de la respuesta del impulso.
Figure 4.10
68
CHAPTER 4.
Figure 4.11:
Si seguimos esto un paso mas, n = 4, pordiamos ver que producimos la misma salida que vimos en el ejemplo inicial.
Los que estamos haciendo en la demostracin de arriba es reejar la respuesta del impulso en el tiempo y hacerlo caminar a travs de la entrada en la seal. Claramente, esto da el mismo resultado que escalar, desplazar, y sumar respuestas de impulsos. Este mtodo de reexin en el tiempo, y de mover a travs de la seal es una manera comn de presentar la convolucin, ya que demuestra como la convolucin construye el resultado a travs del eje del tiempo.
4.3 Convolucin Circular y el DFT8

4.3.1 Introduccin
Usted debera familiarizarse con la convolucin discreta (Section 4.2), que nos explica como dos seales discretas
x [n],
la entrada del sistema, y
h [n], = =
la respuesta del sistema, se puede denir el resultado del
sistema como
y [n]
x [n] h [n]
k=
(x [k] h [n k]) N ),
(4.13)
Cuando dos DFT son dadas (secuencias de tamao nito usualmente del tamao
nosotros no podemos as la multiplicacin Esto nos
multiplicar esas dos seales as como as, como lo sugiere la formula de arriba usualmente conocida como
convolucin linear. Ya que las DFT son peridicas, tienen valores no cero para
de estas dos seales ser no cero para ayuda a desarrollar la idea de
nN
n N.
Necesitamos denir otro tipo de convolucion que dar como
resultado nuestra seal convuelta teniendo el valor de cero fuera del rango
n = {0, 1, . . . , N 1}.
convolucin circular, tambin conocida como convolucin cclica o peridica.
8 This
69
4.3.2 Formula de la Convolucin Circular

Qu pasa cuando multiplicamos dos DFT una con la otra, donde
Y [k]
es la DFT de
y [n]?
(4.14)
Y [k] = F [k] H [k]

cuando
0k N 1 y [n] F [k] H [k] ej N kn

k=0 N 1 m=0 N 1 m=0
2
Usando la formula sintetizada de DFT para
y [n] =
1 N
N 1
(4.15)
Y aplicando anlisis a la formula
F [k] =
f [m] e(j) N kn f [m] e(j) N kn

N 1 k=0
de
2 2
y [n]
= =
1 N
N 1 k=0 N 1 m=0 f
H [k] ej N kn
(4.16)
[m]
1 N
H [k] ej N k(nm)
la ecuacin de arriba en
donde
podemos
reducir
la
segunda
sumatoria
h [((n m))N ]
1 N
N 1 k=0
H [k] e
j 2 k(nm) N N 1
y [n] =
m=0
Igual a la convolucin circular! cuando tenemos
(f [m] h [((n m))N ]) 0nN 1

arriba , para obtener dos: (4.17)
y [n] (f [n]
note:
h [n])
Que la notacin
representa la convolucion circular "mod N".
4.3.2.1 Pasos para la Convolucin Circular

Los pasos a seguir para la convolucion cclica son los mismos que se usan en la convolucin linear, excepto que todos los clculos para todos los ndices estn hecho"mod N" = "en la rueda"
Pasos para la Convolucin Cclica
Paso 1: "Graque"
f [m]
h [((m))N ]
(a)
Figure 4.12:
(b)
Step 1
70
CHAPTER 4.
Paso 2:
"Rote"
h [((m))N ] n
en la direccin ACW ( direccin opuesta al reloj) para obtener
h [((n m))N ]
(por ejemplo rote la secuencia,
h [n],
en direccin del reloj por
pasos).
Figure 4.13:
Step 2
Paso 3: Multiplique punto por punto la rueda
f [m]
y la rueda
h [((n m))N ]
wheel.
sum = y [n]
Paso 4: Repite para
0nN 1
Example 4.3: Convolve (n = 4)
(a)
Figure 4.14:
(b)
Dos seales discretas que seran convolucionadas.
h [((m))N ]
Figure 4.15
Multiplique
f [m]
sume
para dar:
y [0] = 3
71
h [((1 m))N ]
Figure 4.16
Multiplique
f [m]
sume
para dar:
y [1] = 5
h [((2 m))N ]
Figure 4.17
Multiplique
f [m]
sume
para dar:
y [2] = 3
h [((3 m))N ]
Figure 4.18
Multiplique
f [m]
sume
para dar:
y [3] = 1
9
Example 4.4
La Siguiente Demostracin le permite este algoritmo. Vea aqu este demo. para instrucciones de como se usa
9 "How
to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/>
72
CHAPTER 4.
This is an unsupported media type. To view, please see http://cnx.org/content/m12831/latest/DT_Circular_Convolution.llb
4.3.2.2 Algoritmo Alterno Algoritmo de Convolucin Circular Alterno

DFT.
Paso 1: Calcule el DFT de Paso 3: Invierta el DFT
f [n]
que da
Paso 2: Multiplique punto por punto
Y [k]
que da
F [k] y calcule el Y [k] = F [k] H [k] y [n]
DFT de
h [n]
que da
H [k].
Parece una manera repetitiva de hacer las cosas,
pero existen maneras rpidas de calcular una secuencia
Para convolucionar circularmente dos secuencias de
2 N -puntos:
N 1
y [n] =
m=0
Para cualquier
(f [m] h [((n m))N ])
mltiplos,
N 1
sumas
puntos implica
N2
multiplicaciones,
N (N 1)
sumas implica una complejidad de
O N2
4.4 Ecuaciones de Diferencia10
10 This
73

Los ndices pueden ser negativos, y esta condicin no es permitida en MATLAB. Para arreglar esto, debemos empezar la seal despus de esta condicin.

Estos trminos requieren que el sistema conozca el valor futuro de las entradas o de las salidas antes de que el valor actual haya sido calculado. As que estos trminos pueden causar problemas.
74
CHAPTER 4.
Chapter 5
Repaso de Algebra Lineal
5.1 Algebra Lineal: Conceptos Bsicos1
Este pequeo tutorial da algunos trminos clave de lgebra lineal, no pretende remplazar o ser muy provechoso como en aquellos que usted pretende ganar una profundidad en lgebra lineal. En cambio esto es una pequea introduccin a algunos trminos e ideas de lgebra lineal para darnos un pequeo repaso para aquellos que tratan de tener un mejor entendimiento o de aprender sobre eigenvectores (vectores propios) y eigenfunciones (funciones propias), que juegan un papel muy importante en la obtencin de ideas importantes en Seales y Sistemas. La meta de estos conceptos es de proveer un respaldo para la descomposicin de seales y para conducirnos a la derivacin de las Series de Fourier (Section 6.2).
5.1.1 Independencia Lineal

Un conjunto de vectores
{x1 , x2 , . . . , xk } , xi Cn
es
linealmente independiente si ninguno de los
vectores puede escribirse como una combinacin lineal de los otros.
Denition 5.1: 1 Linealmente Independiente

Un conjunto dado de vectores
{x1 , x2 , . . . , xn },
es linealmente independiente si
c1 x1 + c2 x2 + + cn xn = 0
solo cuando
c1 = c2 = = cn = 0 x1 = x2 =
Example
Dados los siguientes dos vectores:
3 2 6 4
Estos son
no linealmente independientes por el siguiente argumento, el cual por inspeccin, se
puede ver que no se apega a la denicin anterior de independencia lineal:
x2 = 2x1 2x1 + x2 = 0
. Otro mtodo para ver la independencia de los vectores es gracando los vectores. Observando estos dos vectores geomtricamente (como en la siguiente Figure 5.1), uno puede otra vez probar que estos vectores son
no linealmente independientes.
1 This

75
76
CHAPTER 5.
REPASO DE ALGEBRA LINEAL
Figure 5.1:
Representacin grca de dos vectores que no son linealmente independientes.
Example 5.1
x1 = x2 =
Estos son
3 2 1 2
linealmente independientes ya que
c1 x1 = (c2 x2 )
solo si
c1 = c2 = 0.
Basados en la denicin, esta demostracin muestra que estos vectores son
linealmente independientes. Tambin podemos gracar estos dos vectores (vase Figure 5.2) para checar la independencia lineal.
Figure 5.2:
Representacin grca de dos vectores que son linealmente independientes.
Exercise 5.1
Son
linealmente independientes?
{x1 , x2 , x3 }
x1 =
3 2
77
x2 = x3 =
1 2 1 0
Como podemos ver en los dos ejemplos anteriores, a veces la independencia de vectores puede ser vista fcilmente a travs de una grca. Sin embargo esto no es tan sencillo, cuando se nos dan tres o ms vectores. Puede decir fcilmente cuando o no estos vectores son independientes Figure 5.3. Probablemente no, esto es, por lo cual el mtodo usado en la solucin anterior se vuelve importante.
Grca de tres vectores. Puede ser mostrado que la combinacin lineal existe entre los tres, y por lo tanto estos son no linealmente independientes.
Figure 5.3:
note:
Un conjunto de
vectores en
Cn
no puede ser linealmente independiente si
m > n.
5.1.2 Subespacio Generado

Denition 5.2: Subespacio Generado
El subespacio generado o span
2
del conjuto de vectores
que pueden ser escritos como una combinacin lineal de
{x1 , x2 , . . . , xk } {x1 , x2 , . . . , xk }
es el conjunto de vectores
subespacio generado ({x1 , . . . , xk }) = {1 x1 + 2 x2 + + k xk , i Cn }

Example
Dado el vector
x1 =
3 2
el subespacio generado de
x1
es una
linea.
Example
Dado los vectores
x1 =
3 2
2 "Subspaces",
Denition 2: "Span" <http://cnx.org/content/m10297/latest/#defn2>
78
CHAPTER 5.
x2 =
El subespacio generado por estos vectores es
1 2
C2 .
5.1.3 Bases
Denition 5.3: Base
Una base para ente. Claramente, un conjunto de
Cn
es un conjunto de vectores que: (1) generan
Cn y
(2) es linealmente independi-
vectores linealmente independientes es una
base para
Cn .
Example 5.2
Dado el siguiente vector
. . . 0 ei = 1 0 . . . 0
donde el para
1
es
esta siempre en la
i-esima
posicin y los valores restantes son ceros. Entonces la
base
Cn
{ei , i = [1, 2, . . . , n] }
note:
{ei , i = [1, 2, . . . , n] }
es llamada la
base cannica.
Example 5.3
h1 = h2 = {h1 , h2 }
es una base para
1 1 1 1
C2 .
79
Figure 5.4:
Grca de bases para C2
{b1 , . . . , b2 } es una base para Cn , entonces podemos expresar cualquier x Cn lineal de bi 's: x = 1 b1 + 2 b2 + + n bn , i C
Si
como una combinacin
Example 5.4
Dado el siguiente vector,
x=
escribiendo
1 2
en trminos de
{e1 , e2 }
nos da
x = e1 + 2e2
Exercise 5.2
Trate de escribir
en trminos de
{h1 , h2 } x
(denidos en el ejemplo anterior).
En los dos ejemplos de bases anteriores, de bases para

note:
es el mismo vector en ambos casos, pero podemos expresarlo de
varias diferentes maneras (dimos solo dos de las muchas posibilidades). Se puede extender aun ms la idea
espacio de funciones.
: Como se menciono en la introduccin, estos conceptos de lgebra lineal nos ayudaran para
entender las Series de Fourier (Section 6.2), las que nos dicen que podemos expresar las funciones peridicas
f (t),
en trminos de sus funciones de bases
ej0 nt .
5.2 Conceptos Bsicos de Vectores3 5.3 Eigenvectores y Eigenvalores4

En esta seccin, nuestro sistema lineal ser una matriz de nn de nmeros complejos. Algunos conceptos de este modulo estn basado en los conceptos bsicos de lgebra lineal (Section 5.1).
3 This 4 This
content is available online at <http://cnx.org/content/m12863/1.2/>. content is available online at <http://cnx.org/content/m12870/1.2/>.
80
CHAPTER 5.
5.3.1 Eigenvectores y Eigenvalores

Sea
una matriz de nn donde
es un operador lineal en los vectores de
Cn .
(5.1)
Ax = b
donde
son vectores de n1 (Figure 5.5).
(a)
(b)
Figure 5.5:
Ilustracin de un sistema lineal y vectores.
Denition 5.4: Eigenvector

Un eigenvector de
es un vector
v Cn
tal que
Av = v
donde
(5.2)
es llamado el eigenvalor correspondiente. A solo cambia la longitud de v, no su direccin.
5.3.1.1 Modelo Grco

A travs de las siguientes Figure 5.6 y Figure 5.7, veamos las diferencias de la (5.1) y de la (5.2).
81
Figure 5.6:
Representa la (5.1), Ax = b.
Si
es un eigenvector de
A,
entonces solo su longitud cambia. Vase Figure 5.7 y note que la longitud
de nuestro vector esta simplemente escalada por una variable
llamada
eigenvalor:
Figure 5.7:
Representa la (5.2), Av = v.
note:
Cuando tratamos con una matriz
A, los eigenvectores son los vectores posibles ms simples
para trabajar.
5.3.1.2 Ejemplos Exercise 5.3
Por inspeccin y entendimiento de eigenvectores, encuentre los dos eigenvectores
v1
v2 ,
de
A=
3 0
0 1
1
y
Tambin cules son los eigenvalores correspondientes, encontrar estos valores.
2 ?
No se preocupe si tiene problemas
viendo estos valores de la informacin dada hasta ahora, veremos otras maneras mas rigurosas de
82
CHAPTER 5.
Exercise 5.4
Muestre que estos dos vectores,
v1 = v2 =
son eigenvectores de dientes.
1 1 1 1
A,
donde
A=
3 1
1 3
.
Tambin encuentre los eigenvalores correspon-
5.3.2 Calculando Eigenvalores y Eigenvectores

En los ejemplos anteriores, conamos en su entendimiento de la denicin y de algunas observaciones para encontrar y probar los valores de los eigenvectores y eigenvalores. Sin embrago como se puede dar cuenta, encontrar estos valores no siempre es fcil. A continuacin veremos un mtodo matemtico para calcular eigenvalores y eigenvectores de una matriz.
5.3.2.1 Encontrando Eigenvalores

Encontrar
tal que
v = 0,
donde
es el vector cero. Empezaremos con la (5.2), trabajemos de la
siguiente manera mientras encontramos una manera explicita de calcular
Av = v Av v = 0 (A I) v = 0
En el paso previo, usamos el hecho de que
v = Iv
donde
es la matriz identidad.
0 1 0 ...
... ...
0 I= 0 0
Por lo tanto,
0 . .. . . . ... 1
A I
es justo una matriz nueva.
Example 5.5
Dada la siguiente matriz,
A,
entonces podemos encontrar nuestra nueva matriz,
A I .
A=
a11 a21
a12 a22
83
A I =
Si
a11 a21
es
a12 a22
(A I) v = 0
para algn
v = 0,
entonces
A I
no invertible. Esto quiere decir:
det (A I) = 0
este determinante (el mostrado arriba) se vuelve una expresin polinomial (de grado ejemplo para entender mejor.
n).
Vase el siguiente
Example 5.6
Empezando con la matriz
A (mostrada a continuacin), encontremos la expresin polinomial, donde A= A I =
nuestros eigenvalores sern variables dependientes.
3 1
1 3
3 1
2
1 3
2
det (A I) = (3 ) (1) = 2 6 + 8 = {2, 4}

Example 5.7
Empezando con la matriz
A (mostrada a continuacin),encontremos la expresin polinomial, donde A= A I =
nuestros eigenvalores sern variables dependientes.
a11 a21
a12 a22
a11 a21
a12 a22
det (A I) = 2 (a11 + a22 ) a21 a12 + a11 a22

Si no lo han notado, calcular los eigenvalores es equivalente a calcular las races de
det (A I) = cn n + cn1 n1 + + c1 + c0 = 0
note:
Por lo tanto usando unos pequeos clculos para resolver las races de nuestro polinomio,
podemos encontrar los eigenvalores de la matriz.
84
CHAPTER 5.
5.3.2.2 Encontrando Eigenvectores

Dado un eigenvalor,
i ,
el eigenvector asociado esta dado por
Av = i v A
conjunto de
v1
. . .
1 v1
. . .

solve the
vn
n vn
ecuaciones con
incognitas. Simplemente se resuelven las
n ecuaciones
para
encontrar los eigenvectores.
5.3.3 Punto Principal

El decir que los eigenvectores de son linealmente independientes
6
A, {v1 , v2 , . . . , vn }, generan el subespacio 5 Cn , signica que {v1 , v2 , . . . , vn } n y que podemos escribir cualquier x C como x = 1 v1 + 2 v2 + + n vn
(5.3)
donde de
{1 , 2 , . . . , n } C
Todo lo que estamos haciendo es reescribir
en trminos de los eigenvectores
A.
Entonces,
Ax = A (1 v1 + 2 v2 + + n vn ) Ax = 1 Av1 + 2 Av2 + + n Avn Ax = 1 1 v1 + 2 2 v2 + + n n vn = b

por lo tanto podemos escribir,
x=
i
(i vi )
Y esto nos lleva a la siguiente representacin del sistema:
Figure 5.8:
eigenvectores.
Ilustracin del sistema donde descomponemos nuestro vector, x, en la suma de sus
donde en la Figure 5.8 tenemos,
b=
i
note:
(i i vi )
en una combinacin de eigenvectores, la solucin de
Descomponiendo nuestro vector,
x,
Ax
esta dada en piezas fciles de digerir".
5 "Linear 6 "Linear
Algebra: The Basics": Section Span <http://cnx.org/content/m10734/latest/#span_sec> Algebra: The Basics": Section Linear Independence <http://cnx.org/content/m10734/latest/#lin_ind>
85
5.3.4 Problema de Prctica

Exercise 5.5
Para la siguiente matriz,
y vector
x,
resulvase por sus productos. Trate de resolverlos por los
dos diferentes mtodos: directamente y usando eigenvectores.
A=
3 1 5 3
1 3
x=
5.4 Diagonalizacin de Matrices7

De nuestro entendimiento de eigenvalores y eigenvectores (Section 5.3) hemos descubierto ciertas cosas sobre nuestro operador, la matriz expresar cualquier vector tenemos
A.
Sabemos que los eigenvectores de
generan el espacio
actuando en
x en trminos de {v1 , v2 , . . . , vn }, entonces tenemos el x, despus esto es igual a A actuando en la combinacin de {v1 , v2 , . . . , vn } x
de
Cn y sabemos como operador A calculado. Si

los eigenvectores.
Todava tenemos dos preguntas pendientes: 1. Cundo los eigenvectores
generan el espacio
Cn
(asumiendo que
{v1 , v2 , . . . , vn }
linealmente independientes)? 2. Cmo expresamos un vector dado en trminos de
{v1 , v2 , . . . , vn }?
5.4.1 1 Respuesta a la Pregunta #1

note:
Cundo los eigenvectores eigenvalores
{v1 , v2 , . . . , vn }
de
generan el espacio
Cn ?
Si
tiene
n diferentes j
i = j , i = j
donde
son enteros, entonces
tiene
eigenvectores linealmente independientes.
{v1 , v2 , . . . , vn }
que
generan el espacio
note:
Cn .
La demostracin de esta proposicin no es muy difcil, pero no es interesante para incluirla Si desea investigar esta idea, lase Strang G., Algebra Lineal y sus aplicaciones para la
aqu.
demostracin. Adems,
diferentes eigenvalores signica que
det (A I) = cn n + cn1 n1 + + c1 + c0 = 0
tiene
races diferentes.
7 This
86
CHAPTER 5.
5.4.2 Respuesta a la Pregunta #2

note:
Cmo expresamos un vector dado
en trminos de
{v1 , v2 , . . . , vn }?
Queremos encontrar
{1 , 2 , . . . , n } C
tal que (5.4)
x = 1 v1 + 2 v2 + + n vn
Para poder encontrar el conjunto de variables, empezaremos poniendo los vectores culumnas en una matriz
{v1 , v2 , . . . , vn }
como
de nn.
. . .
. . .
. . .
V = v1
. . . Ahora la (5.4) se convierte en
v2
. . .
...
vn
. . .
. . .
. . .
. . .
1
. . .
x = v1
. . .
v2
. . .
...
vn
. . .
x=V
Lo que nos da una forma sencilla de resolver para la variable de nuestra pregunta
=V
Notese que
es invertible ya que tiene
columnas linealmnete independientes.
5.4.2.1 Comentarios Adicionales

Recordemos el conocimiento de funciones y sus bases y examinemos el papel de
V.
x=V
donde
x1
. . .
=V
1
. . .
xn
es solo
expresada en una base (Section 5.1.3: Bases) diferente:
0 1 0 x = x1 . + x2 . + + xn . . . . . . . 0 0 1
. . .
. . .
. . .
x = 1 v1 + 2 v2 + + n vn
. . . . . . . . .
V transforma x
de la base cannica a la base
{v1 , v2 , . . . , vn }
87
5.4.3 Diagonalizacin de Matrices y Salidas

Tambin podemos usar los vectores
{v1 , v2 , . . . , vn }
para representar la salida
b,
del sistema:
b = Ax = A (1 v1 + 2 v2 + + n vn ) Ax = 1 1 v1 + 2 2 v2 + + n n vn = b
. . . . . . . . .
1 1
. . .
Ax = v1
. . .
v2
. . .
...
vn
. . .
1 n
Ax = V Ax = V V 1 x
donde
es la matriz con eigenvalores en la diagonal:
0 2
. . .
... ...
.. .
0 = . . . 0
Finalmente, podemos cancelar las
...
0 . . . n A:
y quedarnos con una ecuacin nal para
A = V V 1
5.4.3.1 1 Interpretacin
Para nuestra interpretacin, recordemos nuestra formulas:
= V 1 x
b=
i
podemos interpretar el funcionamiento de
(i i vi )
x1
. . .
con
1
. . .
A como:
1 1
. . .
b1
. . .
xn
1 n
bn
Donde los tres pasos (las echas) en la ilustracin anterior representan las siguientes tres operaciones: 1. Transformar
usando
V 1 ,
nos da
2. Multiplicar por
V,
lo que nos da
3. Transformada Inversa usando
88
CHAPTER 5.
Este es el paradigma que usaremos para los sistemas LTI!
Figure 5.9:
Ilustracin simple del sistema LTI.
5.5 Generalidades de Eigenvectores y Eigenvalores8

5.5.1 La Matriz y sus Eigenvectores
La razn por la cual estamos recalcando la importancia de los eigenvectores (Section 5.3) es por que la accin de una matriz
en uno de sus eigenvectores
es
1. Extremadamente fcil (y rpido) de calcular
Av = v
solo
(5.5)
multiplicar
por
.
escala
2. fcil de interpretar: vector.
solo
v,
manteniendo su direccin constante y solo altera la longitud del
Si solo cada vector fuera un eigenvector de
A....
5.5.2 Usando el Espacio Generado por los Eigenvectores

Claro que no todos los vectores pero para ciertas matrices (incluidas aquellas con eigenvalores eigenvectores generan el subespacio (Section 5.1.2: Subespacio Generado)
's), cuyos Cn , lo que signica que para cada

(5.6)
x Cn ,
podemos encontrar
{1 , 2 , n } C
tal que:
x = 1 v1 + 2 v2 + + n vn
Dada la (5.6), podemos reescribir posteriormente:
Ax = b.
Esta ecuacin esta modelada en nuestro sistema LTI ilustrado
Figure 5.10:
Sistema LTI.
8 This
89
x=
i
(i vi ) (i i vi )
i
b=
El sistema LTI representado anteriormente representa nuestra (5.5). La siguiente es una ilustracin de los paso para ir de
b. x = V 1 x V 1 x V V 1 x = b
Donde los tres pasos (las echas) de la ilustracin anterior representan las siguientes tres operaciones: 1. Transformar 2. Accin de
usando
V 1
- nos da
V,
lo que nos da
en una nueva base- una multiplicacin por
3. Regresar a la antigua base- transformada inversa usando la multiplicacin por
5.6 Eigenfunciones de los Sistemas LTI9

5.6.1 Introduccin
Ahora que ya esta familiarizado con la nocin de eigenvector de una matriz de sistema, si no lo esta de un pequeo repaso a lasgeneralidades de eigenvectores y eigenvalores (Section 5.5). Tambin podemos convertir las mismas ideas para sistemas LTI actuando en seales. Un sistema lineal invariante en el tiempo (LTI)
10
operando en una salida continua
f (t)
para producir una salida continua en el tiempo
y (t)
(5.7)
H [f (t)] = y (t)
Figure 5.11:
H [f (t)] = y (t). f y t son seales de tiempo continuo(CT) y H es un operador LTI.
La matemtica es anloga a una matriz vector
de
N xN
operando en un vector
x CN
para producir otro
bC
(vase matrices y sistemas LTI para una descripcin).
Ax = b
(5.8)
9 This content is available online at <http://cnx.org/content/m12874/1.3/>. 10 "Introduction to Systems" <http://cnx.org/content/m0005/latest/>
90
CHAPTER 5.
Figure 5.12:
Ax = b donde x y b estan en CN y A es una matriz de N x N .
Solo como un eigenvector (Section 5.3) de
es
v CN
tal que
Av = v, C,
Figure 5.13:
Av = v donde v CN es un eigenvector de A.
podemos denir una
eigenfuncin (o eigenseal) de un sistema LTI
para ser una seal
f (t)
tal que (5.9)
H [f (t)] = f (t) , C
Figure 5.14:
H [f (t)] = f (t) donde f es una eigenfuncin de H.
Las Eiegenfunciones son las seales mas
simples possibles para
para operar en ellas: para calcular
la salida, simplemente multiplicamos la entrada por un nmero complejo
91
5.6.2 Eigenfunciones para cualquier sistema LTI

La clase de sistemas LTI tiene un conjunto de eigenfunciones en comn: el exponencial complejo (Section 1.5)
est , s C
son eigenfunciones para
todo sistema LTI.
H est = s est
(5.10)
Figure 5.15:
H est = s est donde H es un sistema LTI.
note:
Mientras que
{est , s C }
siempre son eigenfunciones para todo sistema LTI, estas no
son necesariamente las
nicas eigenfunciones.
Podemos probar la (5.10) expresando la salida como una convolucin (Section 3.2) de la entrada la respuesta al impulso (Section 1.4)
est
y de
h (t)
de
H: = = =
h ( ) es(t ) d h ( ) est e(s ) d est h ( ) e(s ) d
H [est ]
(5.11)
Ya que la expresin de la derecha no depende de
t,
es una constante
s ;
Por lo tanto (5.12)
H est = s est
El eigenvalor
es un nmero complejo que depende del exponente
hacer esta dependencia explicita, vamos a usar la notacin
s H (s) s .
y por supuesto, el sistema
H.
Para
Figure 5.16:
est es la eigenfuncin y H (s) son eigenvalores.
92
CHAPTER 5.
Ya que la accin del operador LTI en esta eigenfuncin
est
es fcil de calcular y de interpretar, es
conveniente representar una seal arbitraria
f (t)
como una combinacin lineal de exponentes complejos.

11
Las Series de Fourier (Section 6.2) nos dan la representacin para una seal peridica continua en el tiempo, mientras que (poco ms complicada) transformada de Fourier tiempo continuo. nos deja expandir seales arbitrarias de
5.7 Propiedades de la Transformada de Fourier12

Pequea Tabla de los Pares de la Transformada de Fourier s(t) S(f )
1 j2f +a 2a 4 2 f 2 +a2 2 2 sin(f ) f
e(at) u (t) e(a)|t| 1 if |t| < p (t) = 0 if |t| >

sin(2W t) t
1 if |f | < W S (f ) = 0 if |f | > W
Table 5.1
Propiedades de la Transformada de Fourier Dominio del Tiempo

Linealidad Simetria Conjugada Simetria Par Simetria Impar Cambio de Escala Retraso en el Tiempo Modulacin Compleja Amplitud Modulada por Coseno Amplitud Modulada por Seno Derivacin Integracin Multiplicacin por rea Valor en el Origen Teorema de Parseval
Dominio de la Frecuencia
a1 s1 (t) + a2 s2 (t) s (t) R s (t) = s (t) s (t) = (s (t)) s (at) s (t ) ej2f0 t s (t) s (t) cos (2f0 t) s (t) sin (2f0 t)
d dt s (t) t s () d
a1 S1 (f ) + a2 S2 (f ) S (f ) = S (f ) S (f ) = S (f ) S (f ) = (S (f ))
1 |a| S f a
e(j2f ) S (f ) S (f f0 )
S(f f0 )+S(f +f0 ) 2 S(f f0 )S(f +f0 ) 2j
j2f S (f )
1 j2f S (f ) if S d 1 (j2) df S (f )
(0) = 0
ts (t)

s (t) dt (|s (t) |) dt

Table 5.2
S (0)
2
s (0)

S (f ) df (|S (f ) |) df
2
11 "Derivation of the Fourier Transform" <http://cnx.org/content/m0046/latest/> 12 This content is available online at <http://cnx.org/content/m12875/1.2/>.
93

Jugando un poco con los vectores y haciendo intentos de prueba y error, descubrimos la siguiente relacin:
x1 x2 + 2x3 = 0
donde encontramos una combinacin lineal de estos tres vectores igual a cero sin utilizar los coecientes igual a cero. Por lo tanto, estos vectores son no
linealmente independientes!
x=
Los eigenvectores que debi encontrar son:
3 1 h1 + h2 2 2
v1 = v2 =
Y los eigenvalores correspondientes son:
1 0 0 1
1 = 3 2 = 1
Para poder probar que estos dos vectores son eigenvectores, mostraremos que estas armaciones cumplen con los requisitos que indica la denicin (Denition: "Eigenvector", p. 80).
Av1 = Av2 =
Este resultado nos muestra que
3 1 3
1 3 1 3
1 1 1
2 2 4
solo escala los dos vectores (es decir cambia sus longitudes) y esto prueba
que la (5.2) es cierta para los siguientes dos eigenvalores que se le pidi que encontrara:
1 = 2 2 = 4
. Si quiere convencerse ms, entonces tambin se pueden gracar los vectores y su producto correspondiente con
para ver los resultados como una versin escalada de los vectores originales
v1
v2 .
Solution to Exercise 5.5 (p. 85) Mtodo Directo (usese la multiplicacin bsica de matrices)
Ax =
3 1
1 3
5 3
12 4
94
CHAPTER 5.
Eigenvectores (use los eigenvectores y eigenvalores que se encotraron anteriormente para esta misma matriz)
v1 = v2 =
1 1 1 1
1 = 2 2 = 4
Como se muestra en la (5.3), queremos representar caso tenemos:
x como la suma de sus eigenvectores escalados.
Para este
x = 4v1 + v2 x= 5 3 1 1 1 1
= 4
Ax = A (4v1 + v2 ) = i (4v1 + v2 )
Por lo tanto, tenemos
Ax = 4 2
Ntese que el mtodo usando eigenvectores
1 1
+ 4
1 1
12 4
no requiere multiplicacin de matrices. . Esto puede parecer
mas complicado hasta ahora, pero, imagine que
es de dimensiones muy grandes.
Chapter 6
Series Fourier del Tiempo Continuo
6.1 Seales Peridicas1
Recordemos que las funciones peridicas son funciones en las cuales su forma se repite exactamente despus de un periodo o ciclo. Nosotros representaremos la denicin de una como:
funcin peridica matemticamente

(6.1)
f (t) = f (t + mT ) m Z
donde
T > 0
representa el
periodo.
Por esta razn, usted podr ver esta seal ser llamada la seal
peridica-T. Cualquier funcin que satisfaga esta ecuacin es peridica. Podemos pensar en funciones peridicas (con periodo-T ) de dos diferentes maneras: #1) Como una funcin en
todos
Figure 6.1:
Funcin en todosR donde f (t0 ) = f (t0 + T )
#2) O, podemos podemos recortar todas las redundancias, y pensar en ellas como funciones en un intervalo
[0, T ]
(O, en trminos generales,
[a, a + T ]).
Si sabemos que la seal es peridica-t entonces toda
la informacin de la seal se encuentra en este intervalo.
1 This
95
96
CHAPTER 6.
SERIES FOURIER DEL TIEMPO CONTINUO
[0, T ].
Figure 6.2:
Remueva la redundancia de la funcion periodica para que f (t) no esta denido afuera
Una funcion
aperiodica CT
f (t)
no se repite para
cualquier
T R;
i.e. no existe ninguna
s.t. esta
ecuacion (6.1) es verdadera. Pregunta: La denicin de DT ?
6.1.1 Tiempo Continuo 6.1.2 Tiempo Discreto

Nota: Circular vs. Linear
6.2 Series de Fourier: El Mtodo de Eigenfunciones2

6.2.1 Introduccin
Ya que los exponenciales complejos (Section 1.5) son eigenfunciones para los sistemas lineares invariantes en el tiempo (Section 5.6) (LTI), calcular los resultados de un sistema LTI nos lleva a una simple multiplicacin, donde
dado
est como
una entrada
H (s) C
es una constante (que depende de S). En la gura
(Figure 6.3) mostrada abajo tenemos un simple exponencial como entrada que da el siguiente resultado:
y (t) = H (s) est
(6.2)
Figure 6.3:
Un simple sistema LTI.
Usando esto y el hecho que
es linear, calcular
y (t)
para las combinaciones de exponentes complejos
se vuelve fcil de hacer. Esta propiedad de linealidad es descrita por las dos ecuaciones mostradas abajo
2 This
97
donde se muestra la entrada del sistema linear derecho: 1.
en el lado izquierdo y la salida (resultado),
y (t),
en el lado
c1 es1 t + c2 es2 t c1 H (s1 ) es1 t + c2 H (s2 ) es2 t

2.
cn esn t
n n
cn H (sn ) esn t
La accin que H ejerce en entradas como las que se muestran en estas dos ecuaciones son fciles de explicar: H escala independientemente del exponencial esn t con un numero complejo diferente H (sn ) C. De esta manera, si podemos describir la funcin f (t) como la combinacin de exponentes complejos esto nos permitira:
Calcular el resultado de los Eigenvalores Interpreta
H fcilmente dado f (t) como una entrada (tomando en cuenta que conocemos H (s)) como H manipula f (t)
6.2.2 Series de Fourier

Joseph Fourier
3
demostr que para una funcin peridica-T (Section 6.1)
f (t)
puede ser escrita como una
combinacin linear de senosoidales complejos armnicos.
f (t) =
n=
Donde
cn ej0 nt
(6.3)
2 T es la frecuencia fundamental. Para casi todas f (t) de inters practico, existe cn que hace la 2 (6.3) verdadera. Si f (t) es de energa nita (f (t) L [0, T ]), entonces la igualdad de (6.3) sostienen la idea
0 =
de convergencia de energa; si si
f (t)
es continua, entonces (6.3) sostiene la idea punto por punto. Tambin
f (t)
Los
tiene algunas condiciones intermedias (las condiciones de DIRICHLET), la ecuacin (6.3) se sostiene
punto por punto en todas partes excepto en los puntos de descontinuidad.
cn
-son conocidos como los
coecientes de Fourier- que nos dicen que tanto del sinusoidal ej0 nt
esta presente en
f (t).
(6.3) esencialmente descompone
f (t) en pedazos, los cuales son procesados fcilmente

cada sistema LTI). En trminos matemticos,
por una sistema LTI (ya que existe una Eigenfuncion para
(6.3) nos dice de un conjunto de exponenciales complejos armnicos pensar en una seal o funcin,
ej0 nt , n Z
forman una base
para el espacio de funciones T-peridicas continuas. Aqu se muestran algunos ejemplos que les ayudaran a
f (t),
en trminos de sus funciones exponenciales bases.
6.2.2.1 Ejemplos
Para cada una de las funciones de abajo, descomponlas en sus partes ms simples y encuentra sus coecientes de Fourier. Oprima para ver la solucin.
Exercise 6.1
f (t) = cos (0 t)
Exercise 6.2
f (t) = sin (20 t)

3 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Fourier.html
98
CHAPTER 6.
Exercise 6.3
f (t) = 3 + 4cos (0 t) + 2cos (20 t)
6.2.3 Coecientes de Fourier

En general
f (t),
los coecientes se pueden calcular por medio de (6.3) al despejar por
cn ,
lo cual requiere
una pequea manipulacin algebraica (para una derivacin completa de estos coeciente por favor vea la seccin titulada derivacin para los coeciente de Fourier (Section 6.3). El resultado nal da la siguiente ecuacin general para estos coecientes:
cn =
La secuencia de nmeros complejos
1 T
f (t) e(j0 nt) dt

0
(6.4)
f (t).
Conocer los coecientes Fourier
{cn , n Z } es una representacin compleja cn es lo mismo que conocer f (t) y viceversa.
alterna de la funcin Dada a una funcin
peridica, la podemos reconstruir la funcin
trasformar en su representacin de series de Fourier usando (6.4). As mismo, podemos sacar la transformada inversa a una secuencia de nmeros complejos, cn , usando (6.3) para
f (t).
As como es una manera natural para representar las seales que son manipuladas por los sistemas LTI, las series de Fourier proveen una descripcin par alas seales peridicas que son convenientes de muchas maneras. Al ver las series de Fourier
f (t),
podemos inferir las propiedades matemticas de
f (t)
como la
propiedad de suavidad, la existencia de una simetra, as como el signicado fsico de las frecuencias.
6.2.3.1 Ejemplo: Usando la Ecuacin del Coeciente de Fourier

Aqu veremos un simple ejemplo que alo mas requiere el uso de (6.4) para resolver los coecientes de Fourier. Una vez que usted entienda la formula, la solucin se convierte en un problema comn de calculo. Encontr los coecientes de Fourier de la siguiente ecuacin:
Exercise 6.4
1 if |t| T f (t) = 0 otherwise
6.2.4 Resumen: Ecuaciones de las Series de Fourier

Nuestra primera ecuacin (6.3) es la ecuacin de senosoldales.
sntesis, la cual construye nuestra funcin,
f (t), al combinar
Synthesis
f (t) =
n=
cn ej0 nt
(6.5)
Nuestra segunda ecuacin (6.4), llamada la ecuacin de anlisis, revela que tanto de cada sinusoidal existe en
f (t). cn = 1 T
T
Analisis
0
f (t) e(j0 nt) dt
(6.6)
Donde hemos dicho que
0 =
2 T .
99
note:
Entienda que nuestro intervalo de integracin no tiene que ser
[0, T ]
nuestra ecuacin de
anlisis. Podemos usar cualquier intervalo
[a, a + T ]
de tamao
T.
Example 6.1
Esta demostracin le ayuda a sintetizar una seal al combinar los senosoidales, muy similar a la ecuacin de sntesis para las series de Fourier. Vea aqu
4
para instrucciones de como usar este demo.
This is an unsupported media type. To view, please see http://cnx.org/content/m12893/latest/Fourier_Component_Manipulation.vi
6.3 Derivacin de la Ecuacin de Coecientes de Fourier5

6.3.1 Introduccin
Usted debera estar familiarizado con la existencia de la ecuacin general de las series de Fourier siguiente:
6
que es la
f (t) =
n=
cn ej0 nt cn ,
(6.7)
De lo que estamos interesados aqu es el como combinar los coecientes de Fourier,
dado a una funcin
f (t).
En la siguiente explicacin lo llevaremos paso por paso por la derivacin de la ecuacin generar para
los coecientes de Fourier dado a una funcin.
6.3.2 Derivacin
Para resolver la ecuacin (6.7) para
cn ,
tenemos que hacer una pequea manipulacin algebraica. Primero
que todo, tenemos que multiplicar los dos lados de (6.7) por
e(j0 kt) ,
donde
k Z.
(6.8)
f (t) e(j0 kt) =

n=
Ahora integraremos los dos lados sobre el periodo,
cn ej0 nt e(j0 kt) T:

T
f (t) e(j0 kt) dt =

0 0 n=
cn ej0 nt e(j0 kt) dt
(6.9)
En el lado derecho podemos intercambiar la sumatoria y el integral y sacar la constante fuera del integral.
f (t) e(j0 kt) dt =

0 n=
cn
0
ej0 (nk)t dt
(6.10)
Ahora que hemos hecho esto lo que al parecer es mas complicado, nos enfocaremos en tan solo el integral,
T j0 (nk)t e dt, que se encuentra en el lado derecho de la ecuacin. Para este integral debemos considerar 0 solo dos casos: n = k y n = k . Para n = k tenemos: T
ej0 (nk)t dt = T , n = k
0
(6.11)
4 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/> 5 This content is available online at <http://cnx.org/content/m12894/1.1/>. 6 "Fourier Series: Eigenfunction Approach": Section Fourier Series <http://cnx.org/content/m10496/latest/#fs>
100
CHAPTER 6.
Para
n = k,
tenemos:
ej0 (nk)t dt =
0
Pero
cos (0 (n k) t) dt + j
0 0
sin (0 (n k) t) dt , n = k n k,
entre
(6.12)
cos (0 (n k) t)
tiene periodos con nmeros enteros para,
T.
Imagine la graca de
un coseno; por que tiene periodos con nmeros enteros, hay reas de igual valor debajo y arriba del eje de las ordenadas en la graca. Este hecho es verdadero para
sin (0 (n k) t)
tambin. Lo que signica (6.13)
cos (0 (n k) t) dt = 0
0
Tambin para el integral de una funcin de seno. integral:
Por eso, podemos concluir lo siguiente sobre nuestro
T 0
T if n = k ej0 (nk)t dt = 0 otherwise
(6.14)
Regresemos a nuestra complicada ecuacin, (6.10), para ver si podemos encontrar una ecuacin para nuestros coecientes de Fourier. Usando los hechos que ya hemos probado, podemos ver que nica vez que la ecuacin (6.10)tiene valores de no cero como resultado es cuando
son iguales: (6.15)
f (t) e(j0 nt) dt = T cn , n = k

0
Finalmente nuestra ecuacin general para los coecientes de Fourier es:
cn =
1 T
f (t) e(j0 nt) dt

0
(6.16)
6.3.2.1 Pasos para Encontrar los Coecientes de Fourier

Para encontrar los coecientes de Fourier de una 1. Por alguna
f (t)peridica:
, saque el rea por debajo de la curva (dividiendo por
k,
multiplique
2. Repita el paso (1) para todo
f (t) por e k Z.
(j0 kt)
T ).
6.4 Generalidades de las Series de Fourier7

6.4.1 Introduccin
El integral de convolucion (Section 3.2) es una expresin fundamental que relacin la entrada y la salida de un sistema LTI. Sin embargo, tiene tres problemas: 1. Puede ser tediosa para calcular. 2. Ofrece una interpretacin fsica limitada de lo que el sistema esta realmente hacienda. 3. Da muy poca informacin de como disear sistemas para lograr ciertas funciones. Las series de Fourier (Section 6.2), junto la transformada de Fourier y la transformada de La Place, provee una manera de resolver estos tres puntos. El concepto de eigenfuncion complejos (Section 1.5). De hecho, al hacer nuestras anotaciones de seales y sistemas lineares menos matemticas, podemos extraer paralelos entre seales y sistemas con y algebra linear (Section 5.1).
8
(o eigenvector ) es esencial para todos
estos mtodos. Ahora veremos como podemos re-escribir cualquier seal
f (t),
en trminos de exponenciales
7 This content is available online at <http://cnx.org/content/m12896/1.2/>. 8 "Eigenfunctions of LTI Systems" <http://cnx.org/content/m10500/latest/> 9 "Matrix Diagonalization" <http://cnx.org/content/m10738/latest/>
101
6.4.2 Eigenfunciones en Sistemas LTI

La accin que ejerce un sistema LTI
H [. . . ]
en una de sus eigenfunciones
est
es
1. Extremadamente fcil (y rpida) de calcular
H [st] = H [s] est

2. Fcil de interpretar:
(6.17)
H [. . . ]
nada mas
escala
st
, manteniendo una frecuencia constante. ...
Si tan solo todas las funciones fueran funciones de
H [. . . ]
6.4.2.1 Sistemas LTI

... claro, no todas las funciones pueden ser esto pero para sistemas LTI, sus eigenfunciones expanden
(Section 5.1.2: Subespacio Generado) el espacio de funciones peridicas (Section 6.1), lo que signica que para, (casi) todas las funciones peridicas podemos encontrar such that:
f (t)
we can nd
{cn }
where
nZ
and
ci C
(6.18)
f (t) =
n=
Dada (6.18), podemos re-escribir
cn ej0 nt
H [t] = y (t)
como el siguiente sistema
Figure 6.4:
Funciones de Transferencia modeladas como un sistema LTI.
Donde tenemos:
f (t) =
n
cn ej0 nt cn H (j0 n) ej0 nt
y (t) =
n
Esta transformacin de
f (t)
en
y (t)
tambin se puede ilustrar a travs del proceso mostrado abajo. (6.19)
f (t) {cn } {cn H (j0 n)} y (t)
Donde los tres pasos (echa) en nuestra ilustracin de arriba y representa a las siguientes tres operaciones: 1. Transformacin con anlisis(ecuacin de coecientes de Fourier (Section 6.3)):
cn =
2. La accin de
1 T
f (t) e(j0 nt) dt

0
en las series de Fourier
10
iguala a una multiplicacin por
H (j0 n)
3. Regrese a las antiguas bases- transforme inversamente usando nuestra ecuacin de sntesis que viene de las series de Fourier:
y (t) =
n=
cn ej0 nt
10 "Fourier
Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/>
102
CHAPTER 6.
6.4.3 Interpretacin Fsica de las Series de Fourier

Las series de Fourier tante. El coeciente Seales que
{cn } de una seal f (t), denida en (6.18), tiene una interpretacin fsica muy imporcn nos dice que tanto de la frecuencia 0 n existe en la seal. cambien lentamente en el tiempo- seales suaves- tienen un gran cn para pequeas n.
(a)
(b)
Figure 6.5: Empezaremos con nuestra seal suave f (t) en la izquierda, y despues usaremos las series de Fourier para encontrar los coecientes de Fourier- lo cual se muestra en la gura de la derecha.
Seales que cambian rpidamente con el tiempo-
seales ruidosas-tienen una gran cn para grandes
n.
(a)
(b)
Figure 6.6: Empezaremos con nuestra seal ruidosa f (t) en el lado izquierdo, y usaremos las series de Fourier pada encontrar los coecientes de Fourier- lo cual se muestra en la gura de la derecha.
Example 6.2: Pulso Peridico

Tenemos la siguiente funcin de pulso,
f (t),
en el intervalo
T 2
,T 2
Figure 6.7:
Seal Periodica f (t)
103
Usando nuestra formula para los coecientes de Fourier,
cn =
1 T
f (t) e(j0 nt) dt

0
(6.20)
Podemos calcular fcilmente nuestra cn . Dejaremos este clculo como ejercicio para usted! Despus de resolver la ecuacin para nuestra
f (t), obtenemos el siguiente 2T1 T if n = 0 cn = 2sin(0 nT1 ) if n = 0 n
resultado:
(6.21)
Para
T1 =
T 8 , vea la siguiente gura para observar los siguientes resultados:
Figure 6.8:
Nuestros coecientes de Fourier cuando T1 =
T 8
Nuestra seal alrededor de

note:
f (t) n = 0 son
es plana excepto por dos orilla ( discontinuidades). grandes y para
Por esta razn,
cn
cn
se vuelve pequea cuando
se acerca al innito.
Por qu
cn = 0
sobre el pulso de estos valores de
n = {. . . , 4, 4, 8, 16, . . . }? n?)
( qu parte de
e(j0 nt)
se encuentra
6.5 Propiedades de la Serie de Fourier11

Empezaremos por refrescar su memoria sobre las ecuaciones bsicas de las series de Fourier (Section 6.2):
f (t) =
n= T
cn ej0 nt
(6.22)
cn =
Deje
1 T
f (t) e(j0 nt) dt

0
a los coecientes de Fourier
(6.23)
F {}
describen la transformacin de
f (t)
F {f (t)} = cn , n Z F {}
graca funciones con valores complejos a secuencias de nmeros complejos
12
11 This content is available online at <http://cnx.org/content/m12897/1.2/>. 12 "Complex Numbers" <http://cnx.org/content/m0081/latest/>
104
CHAPTER 6.
6.5.1 Linealidad
F {}
es una
transformacin linear.
y
Theorem 6.1:
Si
F {f (t)} = cn
F {g (t)} = dn .
Entonces
F {f (t)} = cn , C
y
F {f (t) + g (t)} = cn + dn
Proof:
Muy fcil, nada mas es la linealidad del integral.
F {f (t) + g (t)}
= = = =
T (f (t) + g (t)) e(j0 nt) dt , n Z 0 1 T 1 T (j0 nt) dt + T 0 g (t) e(j0 nt) dt T 0 f (t) e
, nZ
cn + dn , n Z cn + dn
(6.24)
6.5.2 Desplazamiento
Desplazamiento en el tiempo es igual a un desplazamiento angular de los coecientes de Fourier (Section 6.3)
Theorem 6.2:
F {f (t t0 )} = e(j0 nt0 ) cn
si
cn = |cn |ejcn ,
entonces
|e(j0 nt0 ) cn | = |e(j0 nt0 ) ||cn | = |cn | e(j0 t0 n) = cn 0 t0 n

Proof:
F {f (t t0 )}
= = = =
T f (t t0 ) e(j0 nt) dt , n Z 0 T t0 f (t t0 ) e(j0 n(tt0 )) e(j0 nt0 ) dt , t0 j0 n t 1 T t0 e(j0 nt0 ) dt , n Z T t0 f t e j0 n t e cn , n Z 1 T 1 T
nZ
(6.25)
6.5.3 La Relacin de Parseval

T 0
(|f (t) |) dt = T
n=
(|cn |)
(6.26)
La relacin de Parseval nos permite calcular la engra de la seal de sus series de Fourier.
note:
Parseval nos dice que las series de Fourier gracan
maps
L2 ([0, T ])
l2 (Z).
105
Figure 6.9
Exercise 6.5
Par
f (t)
1 n
poder tener energa nita, que es lo que
cn
hace cuando
n ?
Exercise 6.6
S
cn =
, |n| > 0 cn =
1 n
, es
f L2 ([0, T ])?
, es
Exercise 6.7
Ahora , s
, |n| > 0
f L2 ([0, T ])? f (t)

tiene
El radio de descomposicin de una serie de fourier determina si
energa nita.
6.5.4 Diferenciacin en el Dominio de Fourier

F {f (t)} = cn F
Ya que
d f (t) dt
= jn0 cn
(6.27)
f (t) =
n=
entonces
cn ej0 nt
(6.28)
d dt f
(t)
= =
n= n=
d cn dt ej0 nt
cn j0 nej0 nt
acenta las frecuencias altas.
(6.29)
Un diferenciador
atena las frecuencias bajas
f (t)
Remueve rasgos
generales y acenta reas con variaciones bsicas.

note:
Una manera comn para medir matemticamente que la suavidad de la funcin
f (t)
es el
ver cuantas derivadas tienen energa nita. Esto se hace al observar los coecientes de fourier de una seal, especcamente el que tan rpido se
scomponen cuando
tiene la forma
n .
nm . Entonces nk
1 d F {f (t)} = cn y |cn | tiene la forma nk , entonces F dtm f (t) = (jn0 ) cn th derivada tenga energa nita, necesitamos para que la m
Si
de-
nm | nk
<
106
CHAPTER 6.
por lo tanto
1 nm se descompone mas rpido que n lo cual implica que nk
2k 2m > 1
o
k>
2m + 1 2
El radio de descomposicin de las series de fourier determina la suavidad.
6.5.5 Integracin en el Dominio de Fourier

Si
F {f (t)} = cn
entonces
(6.30)
note:
f ( ) d
1 cn j0 n
(6.31)
Si
c0 = 0,
esta expresin no tiene ningn sentido.
Integracin acenta frecuencias bajas y atena frecuencias altas. Integradores muestran las cosas generales de las seales y suprimen variaciones de corto plazo (lo cual es ruido en muchos casos). Integradores son mejores que diferenciadores.
6.5.6 Multiplicacin de Seales

Dado a una seal de
f (t)
una nueva seal como,
y (t), en ,
es tal
con coecientes de Fourier cn y una seal g (t) con coecientes dn , podemos denir y (t), donde y (t) = f (t) g (t). Descubrimos que la representacin de series de Fourier que en = k= (ck dnk ). Esto es para decir que la multiplicacin de seales en el
dominio del tiempo es equivalente a la convolucin discreta (Section 4.2) en el dominio de la frecuencia. La prueba es la siguiente
en
= = = =
1 T 1 T
T f (t) g (t) e(j0 nt) dt 0 T j0 kt g (t) e(j0 nt) dt k= ck e 0 1 T (j0 (nk)t) dt k= ck T 0 g (t) e k= (ck dnk )
(6.32)
6.6 Propiedades de Simetra de las Series de Fourier13

6.6.1 Propiedades de Simetra
6.6.1.1 Seales Reales
Seales reales tienen una serie de fourier con un conjugado simtrico.
f (t) = f (t) (f (t) es el complejo conjugado de f (t)), entonces cn = cn lo cual implica que Re (cn ) = Re (cn ), Por ejemplo, la parte real de cn es par, y Im (cn ) = (Im (cn )), Por ejemplo, tla parte imaginaria de cn es impar. Vea Figure 6.10. Lo que tambien implica que |cn | = |cn |, Por ejemplo, que la magnitud es par, y que la cn = ( cn ),
Theorem 6.3: Si f (t) es real eso implica que
Por ejemplo, el ngulo es impar.

13 This
107
Proof:
cn
= = =
1 T 1 T 1 T
T 0 T 0 T 0
f (t) ej0 nt dt f (t) e(j0 nt) dt f (t) e(j0 nt) dt

, f (t) = f (t)
(6.33)
= cn
(a)
(b)
Figure 6.10:
Re (cn ) = Re (cn ), y Im (cn ) = (Im (cn )).
108
CHAPTER 6.
(a)
(b)
Figure 6.11:
|cn | = |cn |, y cn = ( cn ).
6.6.1.2 Seales Reales y Pares

Las seales reales y pares tienen series de fourier que son pares y reales.
Theorem 6.4: If f (t) = f (t) y
f (t) = (f (t)),
Por ejemplo, las seal es real y par, entonces entonces
cn = cn
Proof:
cn = cn .
T 2
cn
= = = =
1 T 1 T 1 T 2 T
( T ) 2 0 ( T ) 2
T 2 T 2
f (t) e(j0 nt) dt f (t) e(j0 nt) dt +

1 T 1 T
T 2 T 2
f (t) e(j0 nt) dt
(6.34)
0 0
f (t) ej0 nt dt + f (t) cos (0 nt) dt
f (t) e(j0 nt) dt
entonces
cos (0 nt) son reales lo cual implica que cn es real. cn = cn . Es tn fcil demostrar que f (t) = 2 cos (0 nt) son reales y pares.
y
f (t)
Tambin cos (0 nt) = cos ( (0 nt)) n=0 (cn cos (0 nt)) ya que f (t), cn , y
6.6.1.3 Seales Reales e Impares

Seales reales e impares tienen series de fourier que son impares y completamente imaginarias.
Theorem 6.5: Si f (t) = (f

y
(t))
cn = (cn ),
Por
f (t) = f (t) , Por ejemplo, la seal es real y impar, entonces cn = cn ejemplo, cn es impar y completamente imaginaria.
y
109
Proof:
Hgalo usted en casa.
Si
f (t)
es impar, podemos expenderlos en trminos de
sin (0 nt):
f (t) =
n=1
(2cn sin (0 nt))
6.6.2 Resumen
Podemos encontrar
fe (t),
una funcin par, y
fo (t),
una funcin impar, por que (6.35) y
f (t) = fe (t) + fo (t)

lo cual implica, que para cualquier
f (t),
podemos encontrar
{an }
{bn }
que da
f (t) =
n=0
(an cos (0 nt)) +

n=1
(bn sin (0 nt))
(6.36)
Example 6.3: La Funcin Triangular
Figure 6.12:
T = 1 y 0 = 2 .
f (t)
es real e impar.
cn =
4A j 2 n2 if n = {. . . , 11, 7, 3, 1, 5, 9, . . . } 4A if n = {. . . , 9, 5, 1, 3, 7, 11, . . . } j 2 n2
0 if n = {. . . , 4, 2, 0, 2, 4, . . . }
110
CHAPTER 6.
Es
cn = cn ?
Figure 6.13:
Series de Fourier para una funcion triangular.
note:
Usualmente podemos juntar informacin sobre la
suavidad de una seal al examinar los
coecientes de Fourier. Hecha un vistazo a los ejemplos anteriores. Las funciones del pulso y sawtooth no son continuas y sus series de Fourier disminuyen como
1 n . La funcin triangular es continua, pero no es diferenciable, y sus series de 1 Fourier disminuyen como 2 . n Las siguientes 3 propiedades nos darn una mejor idea de esto.
6.7 Propiedad de Convolucin Circular de las Series de Fourier14

6.7.1 Convolucin Singular de una Seal
Dada a una seal de Fourier
15
f (t)
con coecientes de Fourier
podemos denir una seal, para
v (t),
esta
donde
y (t), an ,
peridica y es equivalente a una

note:
cn y una seal g (t) con coecientes de Fourier dn , v (t) = (f (t) g (t)) Encontramos que la representacin de las series que an = cn dn . (f (t) g (t)) es una convolucin circular16 de dos seales T T convolucin en el intervalo, (f (t) g (t)) = 0 0 f ( ) g (t ) d dt.
Convulucin circular en el dominio del tiempo es equivalente a la multiplicacin de coe-
cientes de fourier.
14 This content is available online at <http://cnx.org/content/m12899/1.1/>. 15 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/> 16 "Circular Convolution and the DFT" <http://cnx.org/content/m10786/latest/>
111
La prueba es la siguiente
an
= = = = = = = =
T v (t) e(j0 nt) dt 0 T T f ( ) g (t ) d e(j0 nt) dt 0 0 T 1 T f ( ) T 0 g (t ) e(j0 nt) dt d 0 1 T 1 T g () e(j0 (+ )) d d , = T 0 f ( ) T 1 T 1 T g () e(j0 n) d e(j0 n ) d T 0 f ( ) T 1 T (j0 n ) d T 0 f ( ) dn e T 1 (j0 n ) dn T 0 f ( ) e d 1 T 1 T2 1 T
t
(6.37)
cn dn
Example 6.4
Vea el pulso cuadrado con periodo,
T1 =
T 4:
Figure 6.14
Para esta seal
cn =
Exercise 6.8
1 T if n = 0 1 sin( 2 n) otherwise 2 2n
Que seal tiene los coecientes de Fourier
an = cn =
2 1 sin ( 2 n) 4 ( n) 2 ? 2
6.8 Series de Fourier y los Sistemas LTI17

6.8.1 Introduciendo las Series de Fourier a los Sistemas LTI
Antes de ver este modulo, usted debera familiarizarse con los conceptos de Eigenfunciones de los sistemas LTI (Section 5.6). Recuerde, para
sistema LTI tenemos la siguiente relacin
17 This
112
CHAPTER 6.
Figure 6.15:
Seales de entrada y salida para nuestro sitema LTI.
donde
est
es una eigenfuncin de
lado usando la respuesta de impulso
18
H. Su eigenvalor h (t)
(Section 5.3) correspondiente
H (s)
pueden ser calcu-
H (s) =
h ( ) e(s ) d f (t)
peridica (Section 6.1) donde
As, usando la expansin de las series de Fourier (Section 6.2) para usamos la entrada
f (t) =
n
en el sistema,
cn ej0 nt
Figure 6.16:
Sistema LTI
nuestra salida
y (t)
ser
y (t) =
n
H (j0 n) cn ej0 nt f (t)

a
Podemos ver que al aplicar las ecuaciones de expansin de series de fourier, podemos ir de viceversa, y es lo mismo para la salida,
cn
y (t)
6.8.2 Efectos de las Series de Fourier

Podemos pensar de un sistema LTI como el ir todos los coecientes de Fourier y los escala. Dado los coecientes de Fourier de la entrada de Fourier de la salida, es
note:
moldeando el contenido de la frecuencia de la entrada.
Mantenga en mente el sistema bsico LTI que presentamos en Figure 6.16. El sistema LTI,
H,
multiplica las series
{cn }
y los eigen valores del sistema
{H (jw0 n)},
{H (jw0 n) cn }
(una simple multiplicacin de termino por termino). completamente lo que un sistema LTI le hace a una
los eigenvalores,
seal peridica con periodo
H (jw0 n) describen T = 2w0
18 "The
Impulse Function" <http://cnx.org/content/m10059/latest/>
113
Example 6.5
Qu hace este sistema?
Figure 6.17
Example 6.6
Y, est sistema?
(a)
Figure 6.18
(b)
6.8.3 Examples
Example 6.7: El circuito RC
h (t) =
1 t e RC u (t) RC f (t)?
Qu es lo que este sistema hace a las series de fourier de la Calcula los eigenvalores de este sistema
H (s)
= = = = =
h ( ) e(s ) d 1 e RC e(s ) d 0 RC ( )( 1 +s) 1 RC d RC 0 e 1 ( )( RC +s) 1 1 | =0 RC 1 +s e

RC
(6.38)
1 1+RCs
Ahora, decimos que a este circuito RC lo alimentamos con una entrada periodo
f (t)
peridica (con
T = 2w0 ).
114
CHAPTER 6.
Vea los eigen valores para
s = jw0 n 1 1 = 2 C 2 w 2 n2 |1 + RCjw0 n| 1+R 0 n

alrededor de
|H (jw0 n) | =
El circuito RC es un sistema frecuencias altas (
pasa bajas: pasa frecuencias bajas
0)
atena
grandes).
Example 6.8: Puls cuadrado a travs del Circuito RC
Seal de entrada : tomando las series de Fourier
f (t)
cn =
1 t en n = 0 Sistema : Eigenvalores
1 sin n 2 2 n 2
H (jw0 n) =
1 1 + jRCw0 n y (t)
Seal de salida: tomando las series de Fourier de
dn = H (jw0 n) cn =
1 1 sin n 2 1 + jRCw0 n 2 n 2
dn =
1 sin n 1 2 1 + jRCw0 n 2 n 2 dn ejw0 nt
y (t) =
Qu podemos decir sobre 1. Es 3.
y (t)
de
{dn }?
2. Es
y (t) real? y (t) simtrico par? simtrico impar? Com se y (t) es mas suave que f (t)? (el
radio de descomposicin de
dn
vs.
cn )
dn = |dn | =
1 1 sin n 2 1 + jRCw0 n 2 2n 1 1 + (RCw0 ) n

2
1 sin n 2 2 2 2n
6.9 Convergencia de las Series de Fourier19

6.9.1 Introduccin
Antes de ver este mdulo, esperamos que usted este completamente convencido que peridica
cualquier funcin
f (t),
se puede representar como una suma de senosoidales complejos (Section 1.3). Si usted no lo
esta, intente ver la seccin de generalidades de eigenfunciones (Section 5.5) o de eigenfunciones de los sistemas
19 This
115
LTI (Section 5.6). Hemos demostrado que podemos representar la seal como una suma de exponenciales usando las ecuaciones de las series de Fourier (Section 6.2) mostradas aqu:
f (t) =
n
cn ej0 nt
T
(6.39)
cn =
Joseph Fourier
20
1 T
f (t) e(j0 nt) dt

0
(6.40) Lagrange
insisti que estas ecuaciones eran verdaderas, pero nunca las pudo probar.
ridiculiz pblicamente a Fourier y dijo que solo funciones continuas podran ser representadas como (6.39) (as que probo que la (6.39) funciona para funciones continuas en el tiempo). Sin embargo, nosotros sabemos que la verdad se encuentra entre las posiciones que Fourier y Lagrange tomaron.
6.9.2 Comprendiendo la Verdad

Formulando nuestra pregunta matemticamente, deje
fN (t) =
n=N
donde
cn ej0 nt
cn es igual a los coecientes de Fourier, f (t). (vea (6.40)). fN (t) es la reconstruccin parcial de f (t) usando los primeros 2N + 1 coecientes de Fourier. fN (t) se aproxima a f (t), con la aproximacin mejorando cuando N se vuelve grande. As que, podemos pensar que el conjunto fN (t) , N = {0, 1, . . . } es una secuencia de funciones, cada una aproximando f (t)
mejor que la anterior. La pregunta se convierte en , s esta secuencia converge a
f (t)?
fN (t) f (t)
asi como a
N ?
Trataremos de responder estas preguntas al ver la convergencia de dos maneras diferentes: 1. Viendo la
energa de la seal de error:
eN (t) = f (t) fN (t)

2. Viendo el
lim fN (t)
en
cada punto y comparndolo con
f (t).
6.9.2.1 Primer Mtodo

Sea
eN (t)
la diferencia (i.e. error) entre la seal
f (t)
y su reconstruccin parcial
fN (t)
(6.41)
eN (t) = f (t) fN (t)

Si
f (t) L2 ([0, T ])
(energa nita), entonces la energa de
eN (t) 0
2
cuando
es
T 0
(|eN (t) |) dt =
0
f (t) fN (t) dt 0
(6.42)
Podemos comprobar esta ecuacin usando la relacin de Perseval al:
T N
lim
|f (t) fN (t) | dt = lim

0
|Fn f (t) Fn fN (t) |

N =
= lim
(|cn |)
|n|>N
=0
Donde la ecuacin antes del cero es la suma de la ltima parte de las series de Fourier. La cual se aproxima a cero por que
f (t) L2 ([0, T ]).
Ya que el sistema fsicos responden a la energa, las series de Fourier proveen
una representacin adecuada para todo
f (t) L2 ([0, T ])
igualando la energa nita sobre un punto.
20 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Fourier.html
116
CHAPTER 6.
6.9.2.2 Segundo Mtodo

El hecho de que
eN 0
no nos dice nada sobre que
f (t)
lim fN (t)
sean
iguales en cierto punto.
Tomemos las siguientes funciones como un ejemplo:
(a)
Figure 6.19
(b)
Dadas estas dos funciones
f (t)
g (t),
podemos observar que para todo
t, f (t) = g (t),
pero
T 0
De esto podemos derivar las siguientes relaciones:
(|f (t) g (t) |) dt = 0
Convergencia de energa = convergencia de punto por punto Convergencia de punto por punto convergencia en L2 ([0, T ])
Sin embargo, lo contrario de la proposici no es cierto. Resulta que si entonces
f (t)
tiene una
discontinuidad (como se puede observar en la gura de
g (t))
en
t0 ,
f (t0 ) = lim fN (t0 )

N
Mientras
f (t)
tenga algunas de las condiciones, entonces
f (t ) = lim fN (t )
N
si
f (t)
es
continua en
t=t.
6.10 Condiciones de Dirichlet21

Nombrado en honor del matemtico Alemn Peter que garantizan la
Dirichlet, las condiciones Dirichlet son las condiciones existencia y convergencia de las series de Fourier22 o de las trasformadas de Fourier23 .
21 This content is available online at <http://cnx.org/content/m12927/1.2/>. 22 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/> 23 "Derivation of the Fourier Transform" <http://cnx.org/content/m0046/latest/>
117
6.10.1 Las Condiciones Dbiles para las Series de Fourier

Rule 6.1: La Condicin Dbil de Dirichlet
Para que las series de fourier existan, los coecientes de fourier deben ser nitos, esta condicin garantiza su existencia. Esencialmente dice que el integral del valor absoluto de la seal debe ser nito. Los lmites de integracin son diferentes para el caso de las series de fourier y de los del caso de las trasformada de Fourier. Este es el resultado que proviene directamente de las diferencias en las deniciones de las dos.
Proof:
Las series de fourier existen (los coecientes son nitas) si
Las Condiciones Dbiles para las Series de Fourier

T
|f (t) |dt <

0
(6.43)
Esto se puede probar usando la condicin inicial de los coecientes iniciales de las series de fourier que pueden ser nitas.
|cn | = |
1 T
f (t) e(j0 nt) dt|

0
24
1 T
|f (t) ||e(j0 nt) |dt

0
(6.44)
Recordando los exponenciales complejos da
, sabemos que la ecuacin anterior
|e(j0 nt) | = 1,
nos
1 T
|f (t) |dt =
0
1 T
|f (t) |dt
0
(6.45)
<
(6.46)
note: Si tenemos la funcin:
f (t) =
1 , 0<tT t
no tiene la condicin necesaria.
Entonces usted debera observar que esta funcin
6.10.1.1 Las Condiciones Dbiles para la Transformada de Fourier Rule 6.2:

La transformada de fourier existe si
las condiciones dbiles para la trasformada de Fourier
|f (t) |dt <
(6.47)
Esto se puede derivar de la misma manera en la que se derivo las condiciones dbiles de Dirichlet para las series de fourier, se empieza con la denicin y se demuestra que la transformada de fourier debe de ser menor que innito en todas partes.
24 "The
Complex Exponential" <http://cnx.org/content/m10060/latest/>
118
CHAPTER 6.
6.10.2 Las Condiciones Fuertes de Dirichlet

La transformada de Fourier existe si la seal tiene un nmero nito de discontinuidades y un nmero nito de
mximos y mnimos. Para que las series de fourier existan las siguientes dos condiciones se deben de
satisfacer (junto con la condicin dbil de Dirichlet): 1. En un periodo, 2. En un periodo,
f (t) f (t)
tiene solo un nmero nito de mnimos y mximos. tiene un numero nito de discontinuidades y cada una es nita.
Esto es a lo que nos referimos como las condiciones seales que violan estas condiciones por ejemplo
fuertes de Dirichlet. En teora podemos pensar en

sin embargo, no es posible crear esta seal en un
sin (logt),
laboratorio. Por eso, cualquier seal en el mundo real tendr una representacin de Fourier.
6.10.2.1 Ejemplo
Asumamos que tenemos la siguiente funcin e igualdad:
f (t) = lim fN (t)

N
Si
(6.48)
f (t)
tiene las tres condiciones Fuertes de Dirichlet, entonces
f ( ) = f ( )
en cualquier
donde
f (t)
es continuo y donde
f (t)
es discontinuo,
f (t)
es el valor
promedio del lado
derecho e izquierdo. Vea las siguientes Figure 6.20 como un ejemplo:
(a)
Figure 6.20:
(b)
Funciones Discontinuas, f (t).
note: Las funciones que no cumplen con las condiciones de Dirichlet son patolgicas como inge-
nieros, no estamos interesados en ellos.
6.11 El Fenmeno de Gibbs25

6.11.1 Introduccin
Las series de Fourier (Section 6.2) son la representacin de las seales peridicas continuas en el tiempo dado en trminos de exponenciales complejos. Las condiciones de Dirichlet (Section 6.10) sugieren que las seales discontinuas pueden tener representacin de serie de fourier siempre y cuando tengan un nmero
25 This
119
nito de discontinuidades. Esto parece decir lo contrario de lo que hemos explicado, ya que los exponenciales complejos (Section 1.5) son funciones continuas. No parece que sea posible el poder reconstruir exactamente una funcin discontinua de un conjunto de funciones continuas. De hecho, no se puede. Sin embargo, podemos relajar la condicin de `exactamente' y remplazarla con la idea de casi en todos lados. Esto es para decir que la reconstruccin es exactamente la misma de la seal origina excepto en un numero de puntos nitas. Estos puntos ocurren en las discontinuidades.
6.11.1.1 Historia
En los 1800s, muchas maquinas fueron construidas para calcular los coecientes de Fourier y re-sintetizar:
fN (t) =
n=N
cn ej0 nt
(6.49)
Albert Michelson (un fsico experimental extraordinario) construyo una maquina en 1898 que poda calcular
cn hasta n = 79,
y re-sintetizo
79
f79 (t) =
n=79
cn ej0 nt
(6.50)
La maquina funciono muy bien en todos los exmenes excepto en esos que tenan
funciones descontinas.
Cuando una funcin cuadrada como la mostrada en Figure 6.21 (Fourier series approximation of a square wave),fue dada a la maquina aparecieron garabatos alrededor de las discontinuidades, aunque el numero de los coecientes de fourier llegaron a ser casi innitos, los garabatos nunca desaparecieron- esto se puede observar en las Figure 6.21 (Fourier series approximation of a square wave). J. Willard Gibbs fue el primero en explicar este fenmeno en 1899, por eso estos puntos son conocidos como el
Fenmeno de Gibbs.
6.11.2 Explicacin
pulso cuadrado) y encontrando su representacin de series de fourier. Entonces trataremos de reconstruir esta
Empezaremos esta discusin tomando una seal con un nmero nito de discontinuidades (como el seal usando sus coecientes de fourier. Vemos que entre mas coecientes usemos, la seal reconstruida se parece ms y ms a la seal original. Sin embargo, alrededor de las discontinuidades, observamos ondulaciones que no desaparecen. Al considerar el uso de ms coecientes, las ondulaciones se vuelven estrechas, pero no desaparecen. Cuando llegamos a un nmero casi innito de coecientes, estas ondulaciones continan ah. Esto es cuando aplicamos la idea de casi en todos lados. Mientras estas ondulaciones siguen presentes (estando siempre arriba del 9% de la altura del pulso), el rea dentro de ellas tiende a ser cero, lo que signica que la energa de las ondulaciones llega a ser cero. Lo que demuestra que su anchura tiende a ser cero y podemos saber que la reconstruccin de la seal es exactamente igual ala seal original excepto en las discontinuidades. Ya que las condiciones de Dirichlet dicen que pueden haber un numero nito de discontinuidades, podemos concluir que el principio de casi en todos lados es cumplido. Este fenmeno es un caso especco de una
convergencia no-uniforme.
Usaremos una funcin cuadrada, junto con sus series de Fourier, para ver gures donde se muestra este fenmeno con detalles un poco mas matemticos.
6.11.2.1 Funcin cuadrada

Las series de Fourier de esta seal nos dicen que sus lados derechos e izquierdos son iguales. Para entender el fenmeno de Gibbs, necesitaremos redenir la manera en la que vemos la igualdad.
s (t) = a0 +
k=1
ak cos
2kt T
+
k=1
bk sin
2kt T
(6.51)
120
CHAPTER 6.
6.11.2.2 Ejemplo
La siguiente Figure 6.21 (Fourier series approximation of a square wave) nos muestra varias aproximaciones para las series de fourier de la funcin cuadrada
26
, usando un nmero variado de trminos escrito por
K:
Fourier series approximation of a square wave
Figure 6.21:
Aproximacion de las series de Fourier para sq (t). El numero de terminos en la suma de Fourier esta indicada en cada graca, la funcion cuadrada es mostrada en dos periodos con una linea quebradiza.
Cuando comparamos la funcin cuadrada con su representacin de la series de Fourier Figure 6.21 (Fourier series approximation of a square wave), no se puede ver claramente que las dos son iguales. El hecho de que las series de fourier requieren ms trminos para una representacin ms exacta no es importante. Sin embargo, una inspeccin mas detallada Figure 6.21 (Fourier series approximation of a square wave) revela un posible problema: la series de Fourier pueden igualar la funcin cuadrada en
todos los valores de t? ?
En particular, en cualquier cambio de paso en la funcin, las series de fourier muestran un pico seguido por oscilaciones rpidas. Cuando se adhieren ms trminos a las series, las oscilaciones se vuelven ms rpidas
26 "Fourier
Series Approximation of a Square Wave" <http://cnx.org/content/m0041/latest/>
121
y ms pequeas, pero los picos no disminuyen. de funciones continuas? produjo a Fourier

27
Consideremos intuitivamente esta pregunta matemtica: Esta pregunta le
puede una funcin discontinua, como la funcin cuadrada, ser expresada como una suma, aun si es innita, Uno tiene que sospechar que de hecho no se puede expresar. criticas de la academia de ciencia Francesa (Lapace, Legendre, y Lagrande formaban
parte del comit de revisin) por muchos anos de su presentacin en 1907. Esto no fue resuelto por mas se cien anos, y la solucin es algo importante e interesante de entender para un punto de vista practico. Estos picos en la series de fourier de la funcin cuadrada nunca desaparecen; son llamados el fenmeno de Gibb nombrado por el fsico Americano Josiah Willard Gibb. Ocurran cada vez que las seales discontinuas, y siempre estarn presentes cuando la seal tiene brincos.
6.11.2.3 Redeniendo Igualdad

Regresemos a la pregunta de igualdad; como se puede justicar la seal de igualdad en la denicin de la series de Fourier? La respuesta parcial es que cada punto todos los valores de
tla
igualdad
no es
garantizada. Lo que los matemticos del siglo 19 fue que el error RMS de las series de Fourier eran cero.
lim rms (
K)
=0
(6.52)
Lo que signica es que la diferencia entre la seal actual y su representacin en fourier puede no ser cero, pero el cuadrado de esta cantidad tiene una integral igual a cero! Es a travs del valor de RMS que denimos igualdad: dos seales seales se dicen ser iguales
s1 (t), s2 (t) se dicen ser iguales en el promedio cuadrado si rms (s1 s2 ) = 0. punto a punto si s1 (t) = s2 (t) para todos los valores de t. Para las
Estas series
de fourier, los picos del fenmeno de Gibbs tienen altura nita y anchura de cero: el error diere de cero solo en punto aislado- cuando la seal peridica contiene discontinuidades- igual a 9% del tamao de la discontinuidad. El valor de la funcin en conjunto de puntos nitos afecta el integral. Este efecto no explica la razn del porque denimos el valor de una funcin descontina en su discontinuidad. El valor que se escoja para esta discontinuidad no tiene una relevancia prctica para el espectro de la seal o el como el sistema responde a esta seal. Las series de fourier valoradas en en la discontinuidad es el promedio de los valores en cualquier lado del salto.
6.12 Resumen de las Series de Fourier28

Abajo veremos algunos de los conceptos ms importantes de las series de Fourier (Section 6.2) y nuestro entendimiento usando eigenfunciones y eigenvalores. Ojala este familiarizado con este material para que este documento sirva como un repaso, pero si no, use todos los links de informacin dados en los temas. 1. Podemos representar una funcin peridica (Section 6.1) o una funcin en un intervalo combinacin de exponenciales complejos (Section 1.5):
f (t)
como la
f (t) =
n=
cn ej0 nt
T
(6.53)
cn =
Donde los coecientes de Fourier, 2. Ya que
1 T
f (t) e(j0 nt) dt

0
(6.54)
cn ,
igualan cuanto de la frecuencia

29
0 n
existen en la seal.
ej0 nt
son eigenfunciones de sistema LTI (Section 6.8) podemos interpretar la accin de un : (6.55)
sistema en una seale en termino de sus eigenvalores
H (j0 n) =
h (t) e(j0 nt) dt
27 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Fourier.html 28 This content is available online at <http://cnx.org/content/m12932/1.3/>. 29 "Eigenvectors and Eigenvalues" <http://cnx.org/content/m10736/latest/>
122
CHAPTER 6.
|H (j0 n) | |H (j0 n) |
3. En adicin el
es grande
el sistema
es pequeo el sistema
acenta la frecuencia atena el 0 n
0 n
{cn }
de una funcin peridica
f (t)
nos puede decir sobre:
simetras en suavidad en
f (t) f (t),
where donde la suavidad se puede interpretar como el radio de decadencia
|cn |.
4. Podemos
aproximar una funcin a de-sintetizar usando algunos valores en el coeciente de fourier (
truncando la S.F.)
fN (t) =
n|N |
Esta aproximacin funciona bien donde
cn ej0 nt
es continuo pero no funcin tambin cuando
(6.56)
f (t)
f (t)
is
discontinuous. es descontinu esto es explicado por el fenmeno de Gibb (Section 6.11).
123

La parte mas confusa de esta problema es de encontrar la manera de representar esta funcin en trminos de sus base,
ej0 nt .
Para hacer esto, nosotros usaremos nuestro conocimiento de la relacin de Euler (Sec-
tion 1.5.2: La Relacin de Euler) para representar nuestra funcin de coseno en trminos de su exponencial.
f (t) =
1 j0 t e + e(j0 t) 2
Con esta forma y con (6.3), al inspeccionarla podemos ver que nuestros coecientes son:
cn =
1 2 if
|n| = 1
0 otherwise
Como lo hicimos en nuestro otro ejemplo usaremos una vez ms la relacin de Euler (Section 1.5.2: La Relacin de Euler) para representar nuestra funcin de seno en trminos de funciones exponenciales.
f (t) =
Asi que nuestros coecientes son
1 ej0 t e(j0 t) 2j
j 2 if n = 1 j 2 if n = 1
cn =
0 otherwise

Una vez ms utilizamos la misma tcnica. Y al nal nuestra funcin es
f (t) = 3 + 4
1 2
ej0 t + e(j0 t) + 2
1 2
ej20 t + e(j20 t)
De esto podemos encontrar nuestros coecientes:
3 if n = 0 2 if |n| = 1 cn = 1 if |n| = 2 0 otherwise

Nosotros comenzaremos al reemplazar nuestra funcin,
f (t),
en (6.4).
Nuestro intervalo de integracin
cambiara para igualar el intervalo especicado por la funcin
cn =
Note que debemos considerar dos casos: el integral obtenemos.
1 T
T1 T1
(1) e(j0 nt) dt

Para
n = 0 y n = 0. cn =
n = 0 podemos ver que despus de inspeccionar
2T1 , n=0 T
124
CHAPTER 6.
Para
n = 0,
tenemos que tomar mas pasos para resolverlo. Empezaremos al observar el integral bsico del
integral que tenemos. Recordando nuestro clculo estamos listos para integrar:
cn =
1 T
1 j0 n
e(j0 nt) |T1 1 t=T
Ahora evaluaremos las funciones exponenciales para los lmites dado s y expandiremos nuestra ecuacin a:
cn =
1 T
1 (j0 n)
e(j0 nT1 ) ej0 nT1

2j 2j y distribuiremos nuestro signo negativo
30
Ahora multiplicaremos el lado derecho de nuestra ecuacin por
dentro de nuestro parntesis, podemos utilizar la relacin de Euler
para simplicar nuestra expresin a:
cn =
1 T
2j j0 n
sin (0 nT1 ) T
y sustituir
Ahora, recuerde que anteriormente denimos en.
0 =
2 T . Podemos resolver esta ecuacin para
cn = f (t): cn =
2j0 sin (0 nT1 ) j0 n2
Finalmente, si cancelamos algunos trminos llegaremos a nuestra respuesta nal para los coecientes de Fourier:
sin (0 nT1 ) , n=0 n
(|cn |) <
Si, por que
para
f (t)
2
tener energa nita.
(|cn |) =
2

No, por que
1 n2 , la cual se puede sumar. 1 n , la cual no se puede sumar.
(|cn |) =
Figure 6.22:
Un pulso triangular con periodo de
T 4
30 "The
Complex Exponential": Section Euler's Relation <http://cnx.org/content/m10060/latest/#eul_rel>
Chapter 7
Espacios de Hilbert y Expansiones Ortogonales
7.1 Espacios Vectoriales1
7.1.1
Introduccin Denition 7.1: Espacio Vectorial
Un espacio vectorial escalar
(donde
S es una coleccin de vectores tal que (1) si f1 S f1 S R C) y (2) si f1 S , f2 S , entonces f1 + f2 S
para todo
Para denir un espacio vectorial lineal abstracto, necesitamos:
Un conjunto de cosas llamadas "vectores" (X ) Un conjunto de cosas llamadas "escalares" (A) Un operador de adicin de vectores (+) Un operador de multiplicacin escalar ()
Estos operadores necesitan tener todas las siguiente propiedades. La cerradura usualmente es la mas importante para mostrar.
7.1.2 Espacio Vectorial

Si los escalares
son reales,
es llamado un
Si los escalares
son complejos,
es llamado un
espacio vectorial real. espacio vectorial complejo.
Si los"vectores" en
son funciones o variables continuas, muchas veces
es llamado un
espacio lineal
de funciones. 7.1.2.1 Propiedades

Denimos un conjunto 1. 2. 3. 4.
para ser un espacio vectorial si
x + y = y + x para cada x y y en V x + (y + z) = (x + y) + z para cada x, y, y z en V Hay un nico "vector cero" tal que x + 0 = x para cada x en V Para cada x en V Hay un vector nico x tal que x + (x) = 0.
125
1 This
126
CHAPTER 7.
ESPACIOS DE HILBERT Y EXPANSIONES ORTOGONALES
5. 6. 7. 8.
1x = x (c1 c2 ) x = c1 (c2 x) para cada x en V and c1 y c2 en C. c (x + y) = cx + cy para cada x y y en V y c en C. (c1 + c2 ) x = c1 x + c2 x para cada x en V y c1 y c2 en C.
7.1.2.2 Examples
Rn = espacio vectorial real Cn = espacio vectorial complejo L1 (R) = f (t) | |f (t) |dt < L
es un espacio vectorial
(R) = { f (t) |f (t) es acotado} f (t) |

2
es un espacio vectorial es un espacio vectorial
L2 (R) =
2
(|f (t) |) dt < = seales de energia nitas
L ([0, T ]) = funciones de energia nita en un intervalo [0, T] 1 (Z), 2 (Z), (Z) son espacios vectoriales La coleccin de funciones por pedazos constantes entre los enteros
y el espacio vectorial
Figure 7.1
R+ 2
x 0 |x0 > 0 and x1 > 0 = x1

es
es
no un espacio vectorial.
1 1
R+ 2 ,
pero
1 1
R+ 2 , < 0 D = {z C , |z| 1 } |z1 + z2 | = 2 > 1

note:
no un espacio vectorial.
z1 = 1 D, z2 = j D,
pero
z1 + z2 D, /
El espacio vectorial es una coleccin de funciones, coleccin de secuencias, asi como una
coleccin de vectores tradicionales (es decir una lista nita de nmeros)
127
7.2 Normas2
7.2.1 Introduccin
Mucho del lenguaje utilizado en esta seccin ser familiar para usted- debe de haber estado expuesto a los conceptos de
3
producto interno ortogonalidad
expansin de base
en el contexto de tiempo continuo).
Rn .
Vamos a tomar lo que conocemos sobre vectores y aplicarlo a funciones (seales de
7.2.2 Normas
La
norma de un vector es un nmero real que representa el "tamao" de el vector. Example 7.1
En
R2 ,
podemos denir la norma que sea la longitud geomtrica de los vectores.
Figure 7.2
x = (x0 , x1 )
, norma
x =
Matemticamente, una
x0 2 + x1 2 norma es solo
una funcin (tomando un vector y regresando un
nmero real) que satisface tres reglas Para ser una norma,
debe satisfacer:
1. la norma de todo vector es positiva
x >0 , xS x = || x
para todos los vectores El tamao de la
2. escalando el vector, se escala la norma por la misma cantidad
y escalares
x+y x + y
para todos los vectores
3. Propiedad del Tringulo:
x, y .
suma de dos vectores es menor o igual a la suma de sus tamaos Un espacio vectorial
5
con una norma bien denida es llamado un
espacio vectorial normado o espacio
lineal normado.
2 This content is available online at <http://cnx.org/content/m12877/1.2/>. 3 "Inner Products" <http://cnx.org/content/m10755/latest/> 4 "Orthonormal Basis Expansions" <http://cnx.org/content/m10760/latest/> 5 "Vector Spaces" <http://cnx.org/content/m10767/latest/>
128
CHAPTER 7.
7.2.2.1 Ejemplos Example 7.2
Rn
(
x0
, x =
n1 i=0
Cn ),
x 1 x= ... xn1
(|xi |), Rn
con esta norma es llamado
([0, n 1]).
Figure 7.3:
Coleccin de todas las x R2 con
=1
Example 7.3
Rn
Cn ),
con norma
n1 i=0
(|xi |)
1 2
Rn
es llamado
([0, n 1])
(la usual "norma
Euclideana").
Figure 7.4:
Coleccin de todas las x R2 with
=1
129
Example 7.4
Rn
(or
Cn ,
with norm
= maxi {|xi |}
is called
([0, n 1])
Figure 7.5:
x R2 con
=1
7.2.2.2 Espacios de Secuencias y Funciones

Podemos denir normas similares para espacios de secuencias y funciones. Seales de tiempo discreto= secuencia de nmeros
x [n] = {. . . , x2 , x1 , x0 , x1 , x2 , . . . }
i=
x (n) x (n) x (n) x (n)
1 2 p
= =
(|x [i] |), x [n] (|x [i] |)

2
1 p 1 2
1
,
(Z)
2
< x
p 2
i=
x [n]
(Z)
<
p = , x [n] (Z) x i= ((|x [i] |) ) = sup|x [i] |, x [n] (Z) x < i
<
Para funciones continuas en el tiempo:
f (t)
(|f (t) |) dt f (t)

p
1 p
f (t) Lp (R) (|f (t) |) dt

p
1 p
f (t)
< f (t)
p
(En el intervalo)
T 0
f (t) Lp ([0, T ])
<
7.3 Producto Interno6

7.3.1 Denicin: Producto Interno
De seguro ya tiene una idea del manera, tenemos dados algunas
producto interno, tambin conocido como producto punto, en
Rn
de
alguno de sus cursos de matemticas o de cmputo. Si no, deniremos el producto interno de la siguiente
x Rn
y Rn
6 This
130
CHAPTER 7.
Denition 7.2: Producto Interno

El producto interno esta denido matemticamente de la siguiente manera:
< x, y > =
yT x x0 x1
. . .

(7.1)
y0
y1
...
yn1
xn1 =
n1 i=0
(xi yi )
7.3.1.1 Producto Interno en 2-D

Si tenemos
x R2
y R2 ,
entonces podemos escribir el producto interno como:
< x, y >= x
donde
cos ()
(7.2)
es el ngulo entre
y.
Figure 7.6:
Grca general de vectores y ngulos mencionados en las ecuaciones anteriores.
Geomtricamente, el producto interno nos dice sobre la
fuerza de
en la direccin de
y.
Example 7.5
Por ejemplo, si
x = 1,
entonces
< x, y >= y
cos ()
Figure 7.7:
Grca de los dos vectores del ejemplo anterior.
131
Las siguientes caractersticas son dadas por el producto interno:
< x, y > mide la longitud de la proyeccin de y sobre x. < x, y > es el mximo (dadas x , y ) donde x y y estan en la misma direccin cos () = 1). < x, y > es cero cuando cos () = 0 = 90 , es decir x y y son ortogonales.
7.3.1.2 Reglas del Producto Interno
= 0
En general el producto interno en un espacio vectorial complejo es solo una funcin (tomando dos vectores y regresando un nmero complejo) que satisface ciertas condiciones:
Simetria Conjugada:
< x, y >= < x, y >

Escalado:
< x, y >= < x, y >

Aditividad:
< x + y, z >=< x, z > + < y, z >

"Positividad":
< x, x >> 0 , x = 0
Denition 7.3: Ortogonal
Decimos que
son ortogonales si:
< x, y >= 0
7.4 Espacios de Hilbert7

7.4.1 Espacios de Hilbert
S con un producto interno (Section 7.3) vlido denido en l es llamado espacio de producto interno, que tmabin es espacio lineal normado. Un espacio de Hilbert es un espacio de
Un espacio vectorial producto interno que es completo con respecto a la norma denida usando el producto interno. Los espacios de Hilbert fueron nombrados despus de que David Hilbert
8
, convirtiera esta idea a travs de sus estudios
de ecuaciones integrales. Denimos nuestra norma utilizando el producto interno como:
x =
< x, x >
(7.3)
Los Espacios de Hilbert sern de ayuda para estudiar y generalizar los conceptos de la expansin de Fourier, transformada de Fourier, y adems son muy importantes para el estudio de mecnica quntica. Los espacios de Hilbert son estudiados en anlisis funcional una rama de las matemticas.
7 This content is available online at <http://cnx.org/content/m12879/1.2/>. 8 http://www-history.mcs.st-andrews.ac.uk/history/Mathematicians/Hilbert.html
132
CHAPTER 7.
7.4.1.1 Ejemplos de Espacios de Hilbert

A continuacin mostraremos una lista de algunos ejemplos de espacios de Hilbert que son validos para estudios de producto interno.
9
. Usted puede vericar
Para
Cn , < x, y >= y x =
T
x0 x1
. . .
n1 (xi yi ) = i=0
y0
y1
...
yn1
xn1
Espacio de funciones de energa nita compleja:
L2 (R)
< f , g >=
f (t) g (t) dt
Espacio de secuencias sumables cuadradas:
(Z)
< x, y >=
i=
x [i] y [i]
7.5 Desigualdad de Cauchy-Schwarz10

7.5.1 Introduccin
Recordando que en
R2 , < x, y >= x
cos () y
(7.4)
| < x, y > | x
La misma relacin se mantiene para espacios de producto interno (Section 7.3).
7.5.1.1 Desigualdad de Cauchy-Schwarz Denition 7.4: Desigualdad de Cauchy-Schwarz

Para
x, y
en un espacio de producto interno
| < x, y > | x
que mantiene la igualdad dencia Lineal), es decir
si y solo si
xyy
son linealmente dependientes (Section 5.1.1: Indepen-
x = y
para un escalar
7.5.2 Detector de Filtro Acoplado

Tambin conocido como una de las aplicaciones de Cauchy-Schwarz.
9 "Hilbert Spaces" <http://cnx.org/content/m10434/latest/> 10 This content is available online at <http://cnx.org/content/m12880/1.2/>.
133
7.5.2.1 Conceptos detrs de los Filtros Acoplados

Dados dos vectores,
maximizada cuando
g, entonces f = g . Esto f = g
la desigualdad de Cauchy-Schwarz CSI (Cauchy-Schwarz Inequality) es nos dice que:
f es Si f
en la misma "direccin" como y
g. f
y
son funciones,
signica que
tienen la misma forma.
Por ejemplo, suponiendo que tenemos un conjunto de seales, denidas como
que queremos ser capaces de decir cual, y si alguna de estas seales se asemeja a otra seal dada
note:
{g1 (t) , g2 (t) , . . . , gk (t)}, f (t).

ser
Para poder encontrar las seal(es) que se asemeja a
f (t)
tomamos el producto interno. Si
gi (t)
se asemeja a
f (t),
entonces el valor absoluto del producto interno,
| < f (t) , gi (t) > |,
largo.
Esta idea de ser capaz de medir el rango de dos seales semejantes nos da un
Detector de Filtro
Acoplado. 7.5.2.2 Comparando Seales

El simple uso de Filtro Acoplado ser tomar un conjunto de candidatos de seales, digamos que nuestro conjunto de
{g1 (t) , g2 (t) , . . . , gk (t)},
y tratar de acoplarla a nuestra plantilla de seal,
f (t).
Por ejemplo
digamos que tenemos las siguientes plantillas (Figure 7.8 (Seal Platilla)) y seales de candidatos (Figure 7.9 (Seales Candidatas)):
Seal Platilla
Figure 7.8:
Nuestra seal de la queremos encontrar una semejante a esta.
134
CHAPTER 7.
Seales Candidatas
(a)
(b)
de platilla.
Figure 7.9:
Claramente podemos ver cual de las seales nos dar una mejor semejanza a nuestra seal
Ahora si nuestra nica pregunta fuera cual de estas funciones se acerca mas tenemos la respuesta basada en la inspeccin
f (t)
entonces fcilmente
g2 (t).
Sin embargo, este no siempre ser el caso. Tambin
querremos obtener un mtodo o algoritmo que pueda automatizar estas comparaciones. O tal vez queramos tener un valor cuantitativo expresando que tan similares son las seales. Para tratar estas especicaciones, presentaremos un mtodo mas formal para comparar seales, el cual, tal como se menciono anteriormente, esta basado en el producto interno. Para poder ver cuales de las seales candidatas, realizar los siguientes pasos:
g1 (t)
g2 (t),
mejor se asemeja a
f (t)
% necesitamos
Normalice
gi (t) f (t)
Tome el producto interno con Encuentre el ms grande
O ponerlo matemticamente
Mejor candidato = argmax

i
| < f , gi > | gi
(7.5)
7.5.2.3 Encontrando un Patrn

Extendiendo estos pensamientos del Filtro Acoplado para encontrar semejanzas entre seales, podemos usar la idea de buscar un patrn en una seal larga. La idea es simplemente realizar en varias ocasiones el mismo clculo como lo hicimos anteriormente; sin embargo, ahora en lugar de calcular en diferentes seales, simplemente realizamos el producto interno con una versin diferente cambiada por nuestra seal patrn. Por ejemplo, digamos que tenemos las siguientes dos seales: una seal patrn (Figure 7.10 (Seal Patrn)) y una seal larga (Figure 7.11 (Seal Larga)).
135
Seal Patrn
Figure 7.10:
El patrn que estamos buscando en una nuestra seal larga teniendo una longitud T .
Seal Larga
Figure 7.11:
Este es una seal larga que contiene un pieza que ensambla en nuestra seal patrn.
Aqu vemos dos seales cambiadas por nuestra seal patrn, cambiando las seales por dos posibilidades nos dan los siguientes clculos y resultados:
s1
and
s2 .
Estas
Cambio de
s1 :
s1 +T s1
g (t) f (t s1 ) dt (|g (t) |) dt

2
s1 +T s1
= largo
(7.6)
Cambio de
s2 :
s2 +T s2
g (t) f (t s2 ) dt (|g (t) |) dt

2
s2 +T s2
= pequeo
(7.7)
Por lo tanto podemos denir una ecuacin generalizada para nuestro ltro acoplado:
m (s) = ltro acoplado

s+T s
(7.8)
m (s) =
g (t) f (t s) dt g (t) |L2 ([s,s+T ]) g (t)f (t).
(7.9)
donde el numerado de la (7.9) es la convolucin de seales, denimos
Ahora para poder decidir si o no el resultado
de nuestro detector de ltro acoplado es bastante grande para indicar una aceptacin correcta entre las dos
nivel de referencia. Si
m (s0 ) nivel de referencia
136
CHAPTER 7.
despus podemos tener una semejanza en la locacin
s0 .
7.5.2.4 Ejemplos Prcticos 7.5.2.4.1 Deteccin de Imagen

En 2-D, este concepto es usado para acoplar imgenes juntas, tal como vericar las huellas digitales para seguridad o para acoplar fotos de alguien. esta Waldo?,(Figure 7.12(b)), Por ejemplo esta idea puede ser usada para los libros del tan conocido dnde esta Waldo? si se nos da la siguiente platilla (Figure 7.12(a)) y una pieza del libro dnde
(a)
(b)
Figure 7.12: Ejemplo de la imagen de Dnde esta Waldo?". Nuestro detector de Filtro Acoplado puede ser implementado para detectar una semejanza posible para Waldo.
Entonces fcilmente podemos crear un programa para encontrar la imagen que ms se asemeje a la imagen de la cabeza de Waldo en la gura larga. Simplemente podemos implementar nuestro algoritmo de ltro
11
acoplado: tomar el producto interno de cada cambio y vase que tan larga es nuestra respuesta resultante. Esta idea fue implementada en esta misma imagen para un Proyecto de Seales y Sistemas liga para saber mas) en la Universidad de Rice. (vase esta
7.5.2.4.2 Sistemas de Comunicaciones

Los detectores de Filtro Acoplado son usualmente usados en Sistemas de Comunicacin
12
. De echo, estos los
detectores mas ptimos para el ruido Gaussaniano. Las seales en la vida real tambin son distorsionadas por el medio ambiente que las rodea, as que es una lucha constante para descubrir maneras capaces de recibir seales torcidas y despus ser capaces de ltrarlas de alguna manera para determinar cual era la seal original. Los ltros acoplados nos proveen una manera de comparar la seal recibida con dos posibles seales (plantilla) y determinar cual es la que ms se asemeja a la seal recibida.
11 http://www.owlnet.rice.edu/elec301/Projects99/waldo/process.html 12 "Structure of Communication Systems" <http://cnx.org/content/m0002/latest/>
137
Por ejemplo a continuacin tenemos un ejemplo simplicado de la Frecuencia Desplazada de Keying (Frequency Shift Keying FSK) donde tenemos las siguientes condiciones para '1' y '0':
13
Figure 7.13:
Frecuencia Desplazada de Keying para '1' y '0'.
Basados en la codicacin anterior, podemos crear una seal digital basada en 0's y 1's poniendo juntos los dos cdigos anteriores en nmero innito de maneras. Para este ejemplo transmitiremos tres nmeros bsicos de 3-bits: 101, desplegado en la siguiente Figure 7.14:
Figure 7.14:
La corriente del bit "101" codicado con el FSK anterior.
Ahora la imagen anterior representa nuestra seal original que ser transmitida por algn sistema de comunicacin, el cual inevitablemente pasa a travs del canal de comunicacin, la parte del sistema que distorsionara y alterara nuestra seal. Mientras que nuestro ruido no sea muy grande, nuestro ltro acoplado nos mantendr despreocupados de estos cambios de nuestra seal transmitida. Una vez que la seal ha sido recibida, pasamos la seal del ruido a travs de un sistema simple, similar a la versin simplicada mostrada a continuacin en la Figure 7.15:
13 "Frequency
Shift Keying" <http://cnx.org/content/m0545/latest/>
138
CHAPTER 7.
Figure 7.15:
Diagrama de bloque del detector de ltro acoplado.
Figure 7.15 El diagrama anterior bsicamente muestra que nuestra seal con ruido ser pasada (asumiremos que pasara un bit a la vez) y que esta seal ser separada y pasada a travs de dos detectores de ltros acoplados diferentes. Cada uno comparara la seal con ruido para cada uno de los cdigos que denimos para `1' y `0'. Despus este valor ser pasado y cualquier valor que sea grande (es decir cualquier seal de cdigo FSK a la seal ruidosa que mejor se asemeje) ser el valor que el recibidor tome. Por ejemplo, el primer bit que ser enviado a travs, ser un `1' as que el nivel de arriba del diagrama de bloque ser el valor ms alto, donde denotando que el `1' fue enviado por la seal, aunque la seal aparezca muy ruidosa y distorsionada.
7.5.3 Demostracin de la Desigualdad de Cauchy-Schwarz

Veremos la demostracin de la desigualdad de Cauchy-Schwarz (Cauchy-Schwarz Inequality (CSI) )para un
espacio vectorial real . Rule 7.1: Desigualdad de Cauchy-Schwarz para un espacio vectorial real
Para
f Espacio de Hilbert S
g Espacio de Hilbert S, | < f, g > | f g
mostrar que: (7.10)
con la igualdad si y solo si
g = f . g
2
Proof:
Si
g = f ,
mostrar
| < f, g > | = f
| < f, g > | = | < f, f > | = ||| < f, f > | = ||( f ) | < f, g > | = f
Si
(||
f )= f
Esto verica nuestro argumento anterior de la desigualdad de CS
g = f ,
mostrar
| < f, g > | < f

2
donde tenemos
f + g = 0 , R
0 < ( f + g ) =< f + g, f + g >= 2 < f, f > +2 < f, g > + < g, g > = 2 ( f ) + 2 < f, g > +( g )
2 2
139
Y obtenemos una cuadrtica en
Visualmente el polinomio cuadrtico en
>0
para todo
Tambin ntese que el polinomio no tiene races reales y que el discriminante es menor
que 0. . .
a 2 + b + c
tiene discriminante
2 4ac
donde tenemos:
a=( f )
b = 2 < f, g > c=( g )

obtener:
Por lo tanto podemos colocar estos valores en el discriminante del polinomio de arriba para
4(| < f, g > |) 4( f ) ( g ) < 0 | < f, g > | < f

para un espacio vectorial real.
note:
(7.11)
(7.12)
Y nalmente hemos probado la formula de la desigualdad de desigualdad de Cauchy-Schwarz
Qu cambios tenemos que hacer para hacer la demostracin para un espacio vectorial
complejo? (la respuesta se la dejamos al lector)
7.6 Espacios de Hilbert comunes14

7.6.1 Espacios de Hilbert comunes
A continuacin veremos los cuatro Espacios de Hilbert (Section 7.3) mas comunes con los que usted tendr que tratar para la discusin y manipulacin de seales y sistemas:
7.6.1.1
Rn
(escalares reales ) y
Cn
(escalares complejos), tambin llamado
([0, n 1])
x0 x 1 x = ... xn1

Es una lista de nmeros (secuencia nita). El producto interno (Section 7.3) para
nuestros dos espacios son las siguientes: Producto interno
Rn : < x, y > = = yT x
n1 i=0
(xi yi )
(7.13)
Producto interno
Cn : < x, y > = =
yT x
n1 i=0
(xi yi )
(7.14)
14 This
140
CHAPTER 7.
Modelo para: Seal de tiempo discreto en el intervalo
[0, n 1] o
Seal Peridica (con periodo
n)
de
tiempo discreto.
x0 x 1 ... xn1
Figure 7.16
7.6.1.2
f L2 ([a, b])
es una funcin de
energa nita en
[a, b]
b
Inner Product
< f, g >=
a
f (t) g (t) dt [a, b] o

Seal Peridica (con periodo
(7.15)
Modelo para: Seal de tiempo continuo en el intervalo tiempo continuo
T = b a)
de
7.6.1.3
(Z)
es una
secuencia innita de nmeros que son cuadrados sumables

Producto interno
< x, y >=
i=
Modelo para: Seal no-peridica de tiempo discreto
x [i] y [i]
(7.16)
7.6.1.4
f L2 (R)
es una
una funcin de energa nita en todo
R.
(7.17)
Producto interno
< f, g >=
Modelo para: Seal no-peridica de tiempo continuo
f (t) g (t) dt
141
7.6.2 Anlisis de Fourier Asociado

Cada uno de estos cuatro espacios de Hilbert tiene un anlisis de Fourier asociado con el.
L2 ([a, b]) Series de Fourier 2 ([0, n 1]) Transformada Discreta de Fourier L2 (R) Transformada de Fourier 2 (Z) Transformada Discreta de Fourier en Tiempo
Pero los cuatros estn basados en el mismo principio (Espacio de Hilbert).
note: no todos los espacios normalizados son espacios de Hilbert
Por ejemplo:
L1 (R),
induce esta norma, es decir...tal que:
|f (t) |dt. trate como < , > such that < f, f > = =
usted pueda, de encontrar el producto interno que
(|f (t) |) dt ( f
1) 2
2
(7.18)
De echo, para todo el espacio
Lp (R) , L2 (R)
es el
nico que es un espacio de Hilbert.
142
CHAPTER 7.
Figure 7.17
Los espacios de Hilbert son en gran medida los ms agradables, si se usa o estudia la expansin de bases ortonormales (Section 7.8) entonces usted empezara a ver por que esto es cierto.
7.7 Tipos de Bases15

7.7.1 Base Normada
Denition 7.5: Base Normada
una base (Section 5.1.3: Bases)
{bi }
donde cada
bi
tiene una norma unitaria (7.19)
bi = 1 , i Z
15 This
143
note:
El concepto de bases se aplica a todos los espacios vectoriales (Section 7.1). El concepto
de
base normada se aplica solo a espacios normados (Section 7.2).
Tambin usted puede normalizar una base: solo multiplique cada vector de la base por una constante, tal que
1 bi
Example 7.6
Dada la siguiente base:
1 1 {b0 , b1 } = , 1 1
Normalizado con la norma
1 1 b0 = 2 1 1 1 b1 = 2 1
Normalizado con la norma
1 1 2 1 1 1 b1 = 2 1
b0
7.7.2 Base Ortogonal

Denition 7.6: Base Ortogonal
una base
{bi }
en donde los elementos son
mutuamente ortogonales
< bi , bj >= 0 , i = j
note:
El concepto de base ortogonal se aplica solo a los Espacios de Hilbert (Section 7.4.1:
Espacios de Hilbert).
Example 7.7
Base cannica para
R2 ,
tambin referida como
([0, 1]): 1 b0 = 0 b1 = 0 1
< b0 , b1 >=
i=0
(b0 [i] b1 [i]) = 1 0 + 0 1 = 0
144
CHAPTER 7.
Example 7.8
Ahora tenemos la siguiente base y relacin:
1 1 , = {h0 , h1 } 1 1 < h0 , h1 >= 1 1 + 1 (1) = 0
7.7.3 Base Ortonormal

Colocando las dos secciones (deniciones) anteriores juntas, llegamos al tipo de base ms importante y til:
Denition 7.7: Base Ortonormal Una base que es normalizada y ortogonal
bi = 1 , i Z < bi , bj > , i = j
note:
podemos acortar los dos argumentos en uno solo:
< bi , bj >= ij
donde
1 if i = j ij = 0 if i = j ij
re reere a la funcin delta
16
Donde
Kronecker que tambin es escrita como
[i j].
Example 7.9: Ejemplo de Base Ortonormal #1
1 0 , {b0 , b2 } = 0 1
1 1 {b0 , b2 } = , 1 1
1 1 1 1 {b0 , b2 } = , 2 2 1 1
16 "Photo
145
7.7.3.1 La belleza de las Bases Ortonormales

Trabajar con las bases Ortonormales es sencillo.Si cualquier
{bi }
es una base ortonormal, podemos escribir para
x x=
i
(i bi )
(7.20)
Es fcil encontrar los
i : < x, bi > = = <

k
(k bk ) , bi >
k (k < bk , bi >)
(7.21)
En donde en la ecuacin anterior podemos usar el conocimiento de la funcin delta para reducir la ecuacin:
< bk , bi >= ik
1 if i = k = 0 if i = k
(7.22)
< x, bi >= i
Por lo tanto podemos concluir con la siguiente ecuacin importante para
x:
(7.23)
x=
i
Los
(< x, bi > bi ) bi 's)
i 's
son fciles de calcular (sin interaccin entres los
Example 7.12
Dada la siguiente base:
1 1 1 1 {b0 , b1 } = , 2 2 1 1
representa
x=
3 2
Example 7.13: Serie de Fourier Levemente Modicada

Dada la base
1 ej0 nt | n= T T =
2 0 .
en
L2 ([0, T ])
donde
f (t) =
n=
1 < f, ej0 nt > ej0 nt T L2

como
Donde podemos calcular el producto interior de arriba en
1 < f, ej0 nt >= T
T 0
1 f (t) ej0 nt dt = T
f (t) e(j0 nt) dt

0
146
CHAPTER 7.
7.7.3.2 7.7.3.2 Expansin de una Base Ortonormal en un Espacio Hilbert

Sea
{bi }
una base ortonormal para un espacio de Hilbert
H.
Entonces, para cualquier
x H
podemos (7.24)
escribir
x=
i
donde
(i bi )
i =< x, bi >. x
en trminos de
Anlisis: descomponer
bi i =< x, bi >
(7.25)
"Sntesis": construir
de una combinacin de las
bi (i bi )
i
(7.26)
x=
7.8 Expansin de Bases Ortonormales17

7.8.1 Idea Principal
Cuando trabajamos con seales muchas veces es til romper la seal en pequeas, partes mas manejables. Por suerte en este momento usted ya ha sido expuesto al concepto de eigenvectores (Section 5.3) y su uso en la descomposicin de una seal en una de sus posibles bases. Haciendo esto, somos capaces de simplicar el nuestro clculo de seales y sistemas a travs de las eigenfunciones de los sistemas LTI (Section 5.6). Ahora veremos una forma alternativa de representar las seales, a travs del uso de una base ortonormal. Podemos pensar en una base ortonormal como un conjunto de bloques construidos que utilizamos para construir funciones. Construiremos la seal/ vector como una suma cargada de elementos base.
Example 7.14
1 La funcin senoidal compleja
para
ej0 nt
para todo
< n <
forma una base ortonormal
L ([0, T ]). f (t) = f (t).
En nuestras series de Fourier series (Section 6.2) la ecuacin, es solo otra representacin de
n=
cn ej0 nt
,el
{cn }
note:
Para la seal/ vector en un Espacio de Hilbert (Section 7.4.1: Espacios de Hilbert), la
expansin de coecientes es fcil de encontrar.
7.8.2 Representacin Alternativa

Recordando nuestra denicin de si 1. Las 2. Los
base: Un conjunto de vectores
{bi }
en un espacio vectorial
es una base
bi son linealmente independientes. bi que generan (Section 5.1.2: Subespacio Generado) S . Esto i C (escalares) tal que x= (i bi ) , x S
i
donde
es, podemos encontrar
{i },
donde
(7.27)
es un vector en
S,
es un escalar en
C,
es un vector en
S.
17 This
147
La condicin 2 en la denicin anterior dice que podemos de la
{bi }.
Condicin 1 asegura que la descomposicin es
descomponer cualquier vector en trminos nica.
note:
{i }
provee una representacin alternativa de
x.
Example 7.15
Veamos un simple ejemplo en
R2 ,
donde tenemos el siguiente vector:
x= {e0 , e1 } = (1, 0) , (0, 1)

T T
1 2
Base Cannica:
x = e0 + 2e1
Base Alternativa:
{h0 , h1 } = (1, 1) , (1, 1) x=
1 3 h0 + h1 2 2
como encontramos
En general, dada una base
{b0 , b1 }
y un vector
x R2 ,
tal que (7.28)
x = 0 b0 + 1 b1
7.8.3 Encontrando los Alfas

Ahora tratemos con la pregunta que se present arriba sobre encontrar los reescribiendo la (7.28) as que podemos apilar nuestras
i 's en genral para R2 .
Empezamos
bi 's
como columnas en una matriz de 22.
= 0
. . .
b0
. . .
+ 1
b1
(7.29)
= b0
. . .
0 b1 1 .
. .
(7.30)
Example 7.16
Este es un ejemplo sencillo, que muestra pequeos detalles de la ecuacin anterior.
x [0] x [1]
0 =
b0 [0] b0 [1]
+ 1
b1 [0] b1 [1]

(7.31)
0 b0 [0] + 1 b1 [0] 0 b0 [1] + 1 b1 [1] b0 [0] b1 [0] b0 [1] b1 [1]
x [0] x [1]
0 1
(7.32)
148
CHAPTER 7.
7.8.3.1 Simplicando nuestra Ecuacin

Para hacer una notacin simple, denimos los siguientes dos conceptos de la ecuacin anterior:
Matriz de la Base:
. . .
. . .
B = b0
. . .
b1
. . .
Vector de Coecientes:
0 1
Lo que nos da la siguiente ecuacin:
x = B
que es mas equivalente a
(7.33)
x=
1 i=0
(i bi ).
Example 7.17
Dada la base cannica,
1 0 , , 0 1
entonces tenemos la siguiente matriz de la base:
B=
0 1
1 0
Para obtener las
i 's,
resolvemos para el vector de coecientes en la (7.33)
= B 1 x
Donde
(7.34)
B 1
es la matriz inversa matrix
18
de
B.
7.8.3.2 Ejemplos Example 7.18

Veamos primero la base cannica y tratemos de calcular calculate
de ahi.
B=
Donde
1 0
0 1
=I
enocontremos primero la inversa de
es la
matriz identidad. Para poder resolver para
(la cual es realmente trivial en este caso):
B 1 =
Por lo tanto obtenemos,
1 0
0 1
= B 1 x = x
18 "Matrix
Inversion" <http://cnx.org/content/m2113/latest/>
149
Example 7.19
Ahora veamos una base un poco mas complicada de
1 1 , = {h0 , h1 } 1 1
Enotnces
nuestra base y nuestra inversa de la matriz de la base se convierte en:
B= B 1 =
y para este ejemplo esto nos da que
1 1
1 2 1 2
1 1
1 2 1 2
x=
Ahora resolvemos para
3 2
= B 1 x =
1 2 1 2 1 2 1 2
3 2
2.5 0.5
y obtenemos
x = 2.5h0 + 0.5h1
Exercise 7.1
Ahora dada la siguiente matriz de la base y
x: 1 3 {b0 , b1 } = , 2 0 x= 3 2 x
en trminos de
Para este probelma haga un bosquejo de las bases y despus represente
b0
b1 . B 1
note:
Un cambio de base simplemente se ve como
desde una "perspectiva diferente."
transforms
de la base cannica a nuestra nueva base,
{b0 , b1 }.
Ntese que es un proceso total-
mente mecnico.
7.8.4 Extendiendo la Dimensin y el Espacio

Podemos extender estas ideas ms alla de
R2
y verlas en
naturalmente a dimensiones mas grandes (> 2) .
Rn y Cn . Este procedimiento se extendiende n Dada la base {b0 , b1 , . . . , bn1 } para R , queremos encontrar
(7.35)
{0 , 1 , . . . , n1 }
tal que
x = 0 b0 + 1 b1 + + n1 bn1
Otra vez, coloque la matriz de la base
B=
b0
b1
b2
...
bn1
150
CHAPTER 7.
donde las columnas iguales a los vectores de la base y que siempre ser una matriz de nn (mientras que la matriz anterior no aparezca al cuadrado ya que dejamos trminos en notacin vectorial ). Podemos proceder a reescribir la (7.33)
x= b0 b1 ... bn1
0
. . .
= B
n1
= B 1 x
7.9 Espacio de Funciones19

Tambin podemos encontrar basis vectores base
20
para espacios vectoriales (Section 7.1) con exepcin de
. Sea
Pn
un espacio vectorial de orden polinomial n-esimo en (-1, 1) con coecientes reales (vericar que
P2
es un espacio vectorial en casa).
Example 7.20
P2
= {todos los polinomios cuadrticos}. Sea
{b0 (t) , b1 (t) , b2 (t)} genera P2 ,
es decir
b0 (t) = 1, b1 (t) = t, b2 (t) = t2 . puede escribir cualquier f (t) P2
como
f (t) = 0 b0 (t) + 1 b1 (t) + 2 b2 (t)

para algn
note:
i R.
P2
es de dimensin 3.
f (t) = t2 3t 4
Base Alternativa
{b0 (t) , b1 (t) , b2 (t)} =

escribir
1, t,
1 3t2 1 2
f (t)
en trminos de la nueva base
1 d0 (t) = b0 (t), d1 (t) = b1 (t), d2 (t) = 3 b2 (t) 2 b0 (t). 2
f (t) = t2 3t 4 = 4b0 (t) 3b1 (t) + b2 (t) 1 3 b2 (t) b0 (t) 2 2
f (t) = 0 d0 (t) + 1 d1 (t) + 2 d2 (t) = 0 b0 (t) + 1 b1 (t) + 2 f (t) =

por lo tanto
1 2
3 b0 (t) + 1 b1 (t) + 2 b2 (t) 2 0 1 =4 2
1 = 3 3 2 = 1 2
19 This content is available online at <http://cnx.org/content/m12913/1.1/>. 20 "Orthonormal Basis Expansions" <http://cnx.org/content/m10760/latest/>
151
enotnces obtenemos
2 f (t) = 4.5d0 (t) 3d1 (t) + d2 (t) 3 L2 ([0, T ]), T =

2 0 ,
Example 7.21
ej0 nt | n=
es una base para
f (t) =
Cn ej0 nt
Calculamos la expansin de coecientes con
la formula de "cambio de base"
Cn =
1 T
f (t) e(j0 nt) dt

0
(7.36)
note: Hay un nmero innito de elementos en un conjuto de base, que signican que
L2 ([0, T ])
es
de dimensin innita. Espacios de dimensin-innita Innite-dimensional son difciles de visualizar. Podemos tomar mano de la intuicin para reconocer que comparten varias de las propiedades con los espacios de dimensin nita. Muchos conceptos aplicados a ambos (como"expansin de base").Otros no (cambio de base no es una bonita formula de matriz).
7.10 Base de la Ondoleta de Haar21

7.10.1 Introduccin
Las series de Fourier (Section 6.2) es una til representacin ortonormal (recordando el fenomeno de Gibb Las propiedades.
23 22
en
L2 ([0, T ])
especialmente para
entradas en sistemas LTI. Sin embargo es til para algunas aplicaciones, es decir, procesamiento de imagenes ).
ondoletas, descubiertas en los pasados 15 aos, son otro tipos de base para
L2 ([0, T ])
y tiene varias
7.10.2 Comparacin de Base

Las series de Fourier -
cn
dan informacin frecuente. Las funciones de la base duran todo el intervalo entero.
21 This content is available online at <http://cnx.org/content/m12919/1.2/>. 22 "Orthonormal Basis Expansions" <http://cnx.org/content/m10760/latest/> 23 "Gibbs's Phenomena" <http://cnx.org/content/m10092/latest/>
152
CHAPTER 7.
Figure 7.18:
Funciones de la base de Fourier
Ondoletas - las funciones de la base con frecuencia nos dan informacin pero es
local en el tiempo.
153
Figure 7.19:
Funciones de la Base de la Ondoleta
En la base de Fourier, las funciones de la base son
armnicas multiples de ej0 t
Figure 7.20:
base =
1 T
ej0 nt
En la base de la ondoleta de Haar de la "ondoleta madre"
24
, las funciones de la base son
escaladas y trasladadas de la version
(t).
24 "The
Haar System as an Example of DWT" <http://cnx.org/content/m10437/latest/>
154
CHAPTER 7.
Figure 7.21
Funciones base Sea
{j,k (t)}
se les pone un ndice por un Entonces

j 2
escalar j y un desplazamiento k.
(t) = 1 , 0 t < T
(t) , 2 2 t k |j Z and k = 0, 1, 2, . . . , 2j 1
155
Figure 7.22
(t) =
1 if 0 t <
T 2
T 2
1 if 0
<T
(7.37)
156
CHAPTER 7.
Figure 7.23
Sea
j,k (t) = 2 2 2j t k
Figure 7.24
Ms grande
"delgado" la funcin de la base , tiene energia unitaria
j = {0, 1, 2, . . . }, 2j
cambia a cada escala:
k =
0, 1, . . . , 2 1
Checar: cada
j,k (t)
157
Figure 7.25
j,k 2 (t) dt = 1
Cualesquiera dos funciones de la base son ortogonales.
j,k (t)
=1
(7.38)
(a)
Figure 7.26:
(b)
Integral del producto = 0 (a) Misma escala (b) Diferente escala
158
CHAPTER 7.
Tambin,
{j,k , }
generan
L2 ([0, T ])
7.10.3 Transformada de la Ondoleta de Haar

Usando lo que conocemos sobre espacios de Hilbert
25
: Para cualquier
f (t) L2 ([0, T ]),
podemos escribir
Sintesis
f (t) =
j k
(wj,k j,k (t))
+ c0 (t)
(7.39)
Anlisis
wj,k =
0 T
f (t) j,k (t) dt
(7.40)
c0 =
0
note: los
f (t) (t) dt
(7.41)
wj,k
son
reales muy til especialemte en compresin de imagenes.
La transformacin de Haar es
Example 7.22
Esta demostracin nos permite crear una seal por combinacin de sus funciones de la base de Haar, ilustrando la ecuacin de sistesis de la ecuacin de la Transformada de la Ondoleta de Haar. Vemos aqu
26
para las instrucciones de como usar el demo.
This is an unsupported media type. To view, please see http://cnx.org/content/m12919/latest/HaarSynth.llb
7.11 Bases Ortonormales en Espacios Reales y Complejos27

7.11.1 Notacin
El operador de la Transpuesta
AT
voltea la matriz a travs de su diagonal.
A= AT =
La
a11 a21 a11 a12
a12 a22 a21 a22
columna
de
es una
la
de
AT
25 "Inner Products" <http://cnx.org/content/m10755/latest/> 26 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/> 27 This content is available online at <http://cnx.org/content/m12920/1.2/>.
159
Recordando que el, producto interno (Section 7.3)
x=
x0 x1
. . .
xn1 y= y0 y1
. . .
= (xi yi ) =< y, x >
x y=
x0
x1
...
xn1
yn1 y0 y1 . . . yn1
en
Rn
Transpuesta Hermitiana
AH ,
transpuesta y conjugada
AH = AT < y, x >= xH y =
en
(xi yi ) Cn
Cn
Sea
{b0 , b1 , . . . , bn1 }
una base ortonormal (Section 7.7.3: Base Ortonormal) para
i = {0, 1, . . . , n 1} < bi , bi >= 1 , i = j < bi , bj >= bj H bi = 0

Matriz de la base:
. . .
. . .
. . .
B = b0
. . . Ahora,
b1
. . .
...
bn1
. . .
...
b0 H b1 H
. . .
...
... B B= ...
bn1 H
... b0 . . . ...
. . .
. . .
. . .
b0 H b0 b1 H b0
. . .
b0 H b1 b1 H b1 bn1 H b1
... ...
b0 H bn1 b1 H bn1 bn1 H bn1
b1
. . .
...
bn1
. . .
= B
bn1 H b0
...
Para una base ortonormal con una matriz de la base
B H = B 1
160
CHAPTER 7.
in
B T = B 1
Rn
BH
es fcil calcular mientras que
B 1
es difcil de calcular.
As que, para encontrar
{0 , 1 , . . . , n1 }
tal que
x=
Calcular
(i bi )
= B 1 x = B H x
usando una base ortonormal nos libramos de la operacin inversa.
7.12 Teoremas de Plancharel y Parseval28

7.12.1 Teorema de Plancharel
Theorem 7.1: Teorema de Plancharel
El producto interno de dos vectores/seales es el mismo que en expansin de coecientes. Sea
el producto interno de su
{bi }
una base ortonormal para un Espacio de Hilbert
H. x H, y H
x= y=
entonces
(i bi ) (i bi ) (i i )
a
< x, y >H =
Example
Aplicando las Series de Fourier, podemos ir de
f (t)
{cn }
y de
g (t)
{dn }
T 0
f (t) g (t) dt =
n=
(cn dn )
el producto interno en el dominio-tiempo = producto interno de los coeentes de Fourier.
Proof:
x= y= < x, y >H =< (i bi ) , (j bj ) >= i < bi ,
(i bi ) (j bj ) (j bj ) >= i (j ) < bi , bj >= (i i )
usando las reglas del producto interno (p. 131).

note:
< bi , bj >= 0
2
.
cuando
i=j
< bi , bj >= 1
cuando
i=j
Si el espacio de Hillbert H tiene un ONB, los productos internos son equivalentes a los productos internos en Todo H con ONB son de alguna manera equivalente a
note:
las secuencias de cuadrados sumables son importantes.
28 This
161
7.12.2 Teorema de Parseval

Theorem 7.2: Teorema de Parseval
La energa de una seal = suma de los cuadrados de su expansin de coecientes. Sea
x H , {bi }
ONB
x=
Entonces
(i bi ) = (|i |)
2
( x
Proof:
Directamente de Plancharel
2 H)
( x
Example
1 Series de Fourier T
H)
= < x, x >H =
(i i ) =
(|i |)
ejw0 nt 1 f (t) = T
T 0
1 cn ejw0 nt T
2
(|f (t) |) dt =
n=
(|cn |)
7.13 Approximacin y Proyeccin en el Espacio de Hilbert29

7.13.1 Introduccin
Dada una linea 'l' y un punto 'p' en el plano, Cul es el punto ms cercano 'm' a 'p' en 'l' ?
Figure 7.27:
Figura del punto 'p' y la linea 'l' mencionadas.
Mismo problema: Sea
vectores en
R2 .
Digamos
v = 1.
Para qu valor de
es
x v
minimizado? (qu punto en el espacio generado{v}
mejor se aproxima a
x?)
29 This
162
CHAPTER 7.
Figure 7.28
La condicin es que
x v
sean
ortogonales.
7.13.2 Calculando
Cmo calcular
? x v )
^ es perpendicular para todo vector en el espacio generado {v}, as que ^
Sabemos que (
< x v, v >= 0 ,
^
< x, v > < v, v >= 0

por que
< v, v >= 1,
por lo tanto
< x, v > = 0 =< x, v >

El vector ms cercano en el espacio generado{v} =
< x, v > v ,
donde
< x, v > v
es la proyeccin de
sobre
v.
Punto a un plano?
Figure 7.29
Podemos hacer lo mismo pero en dimensiones ms grandes.
Exercise 7.2
(Section 7.4) H. Sea esta minimizada.
V H un subespacio de un espacio de Hilbert y V que mejor se aproxime x. es decir, x y

Sea
xH
dado. Encontrar
163
Example 7.23
x R3 ,
1 a 0 V = espacio generado 0 , 1 , x = b . c 0 0
2
Por lo tanto,
y=
(< x, bi > bi ) = a 0 + b 1 = b i=1 0 0 0
Example 7.24
V = {espacio de las seales peridicas con frecuancia no mayor que Cal es la seal en V que mejor se aproxima a f ?
3w0 }.
Dada f(t) peridica,
1 1. {
ejw0 kt ,
k = -3, -2, ..., 2, 3} es una ONB para V
3 1 jw0 kt 2. g (t) = > ejw0 kt es la seal ms cercana en V para f(t) k=3 < f (t) , e T struya f(t) usando solamente 7 trminos de su serie de Fourier (Section 6.2).
recon-
Example 7.25
Sea V = { funciones constantes por trozos entre los nmeros enteros} 1. ONB para V.
1 if i 1 t < i bi = 0 otherwise
donde {bi } es una ONB. La mejor aproximacin constante por trozos?
g (t) =
i=
(< f, bi > bi )
i
< f, bi >=
f (t) bi (t) dt =
i1
f (t) dt
Example 7.26
Esta demostracin explora la aproximacin usando una base de Fourier y una base de las ondoletas de Haar. Vase aqui
30
para las instrucciones de como usar el demo.
This is an unsupported media type. To view, please see http://cnx.org/content/m12935/latest/Approximation.llb
30 "How
to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/>
164
CHAPTER 7.

Para poder representar ores.
en trminos de
b0
b1
seguimos los mismos pasos usados en los ejemplos anteri-
B= B 1 =
1 3 0
1 3
2 0
1 2 1 6
= B 1 x =
Y ahora podemos escribir
1
2 3
en trminos de
b0
b1 .
2 x = b0 + b1 3
Y facilmente podemos sustituir nuestros valores conocidos de
b0
b1
para vericar nuestros resultados.

1. Encontrar una base ortonormal (Section 7.7.3: Base Ortonormal) 2. Proyectar
{b1 , . . . , bk }
para
sobre
usando
y=
i=1
despus
(< x, bi > bi )
V (
es el punto ms cercano en V a x y (x-y)
< x y, v >= 0 , v V
Chapter 8
Transformada Discreta de Fourier
8.1 Anlisis de Fourier1
El anlisis de Fourier es elemental para entender el comportamiento de las seales de sistemas. Este es el resultado de que los senosoidales son eigenfunciones (Section 5.6) de sistemas lineales variantes en el tiempo (LTI) (Section 2.1). Si pasamos cualquier senosoidal a travs de un sistema LTI, obtenemos la versin escalada de cualquier sistema senosoidal como salida. Entonces, ya que el anlisis de Fourier nos permite redenir las seales en terminos de senosoidales, todo lo que tenemos que hacer es determinar el efecto que cualquier sistema tiene en todos los senosoidales posibles (su funcin de transferencia ) as tendremos un entendimiento completo del sistema. As mismo, ya que podemos denir el paso de los senosoidales en el sistema como la multiplicacin de ese senosoidal por la funcin de transferencia en la misma frecuencia, puedes convertir el paso de la seal a travs de cualquier sistema de ser una convolucin (Section 3.3) (en tiempo) a una multiplicacin (en frecuencia) estas ideas son lo que dan el poder al anlisis de Fourier. Ahora, despus de haberle vendido el valor que tiene este mtodo de anlisis, nosotros debemos analizar exactamente lo que signica el anlisis Fourier. de este anlisis son:
3 2
Las cuatro transformadas de Fourier que forman parte

4
Series Fourier , Transformada de Fourier continua en el tiempo , Transformada de Para
Fourier en Tiempo Discreto (Section 11.4), y La Transformada de Fourier Discreta (Section 11.2).
este modulo, nosotros veremos la trasformada de Laplace (Section 14.1) y la transformada Z (Section 14.3). Como extensiones de CTFT y DTFT respectivamente. Todas estas transformadas actan esencialmente de la misma manera, al convertir una seal en tiempo en su seal equivalente en frecuencia (senosoidales). Sin embargo, dependiendo en la naturaleza de una seal especica (por ejemplo, si es de tamao nito o innito, o si son discretas o continuas en el tiempo) hay una transformada apropiada para convertir las seales en su dominio de frecuencia. La siguiente tabla muestra las cuatro transformadas de Fourier y el uso de cada una. Tambin incluye la convolucion relevante para el espacio especicado.
Tabla de Representaciones para Fourier Transformada Dominio del Tiempo Dominio de la Frecuencia Convolucin
continued on next page
1 This content is available online at <http://cnx.org/content/m12865/1.4/>. 2 "Transfer Functions" <http://cnx.org/content/m0028/latest/> 3 "Continuous-Time Fourier Series (CTFS)" <http://cnx.org/content/m10097/latest/> 4 "Continuous-Time Fourier Transform (CTFT)" <http://cnx.org/content/m10098/latest/>
165
166
CHAPTER 8.
TRANSFORMADA DISCRETA DE FOURIER
Serie
de
Fourier
Con-
L2 ([0, T )) L2 (R)
l2 (Z) L2 (R)
Tiempo cular
Continuo
Cir-
tinua en el Tiempo Transformada Fourier Continuo Transformada Fourier Tiempo Transformada Fourier Discreta
Table 8.1
de Tiempo
Tiempo Continuo Lineal
en
de en el
l2 (Z)
L2 ([0, 2))
Tiempo Discreto Lineal
Discreta
de
l2 ([0, N 1])
l2 ([0, N 1])
Tiempo Discreto Circular
8.2 Anlisis de Fourier en Espacios Complejos5

8.2.1 Introduccin
Para este momento usted debera estar familiarizado con la derivacin de la series de Fourier continuo, funciones peridicas conocer:
7 6
de tiempo
. Esta derivacin nos lleva a las siguientes ecuaciones las cuales usted debera
f (t) =
n
cn ej0 nt f (t) e(j0 nt) dt

n
(8.1)
cn
= =
1 T 1 T
(8.2)
< f, ej0 nt >

in
donde
cn
nos dice la cantidad de frecuencia en
0 n
f (t).
En este mdulo derivaremos una expansin similar para funciones peridicas y discretas en el tiempo. Al hacerlo, nosotros derivaremos las
series de Fourier discretas en el tiempo (DTFS), tambin conocidas
como trasformadas discretas de Fourier (Section 11.3)(DFT).
8.2.2 Derivacin del DTFS

As como en la funcin peridica continua en el tiempo puede ser vista como una funcin en el intervalo
[0, T ]
5 This content is available online at <http://cnx.org/content/m12848/1.5/>. 6 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/> 7 "Periodic Signals" <http://cnx.org/content/m10744/latest/>
167
(a)
Figure 8.1:
(b)
Solo consideraremos un intervalo para la funcin peridica en esta seccin. (a) Funcin peridica (b) Funcin en el intervalo [0, T ]
Una seal peridica discreta en el tiempo (con periodo donde
N)
se puede ver como un conjunto de nmeros
nitos. Por ejemplo, digamos que tenemos el siguiente conjunto de nmeros que describe una seal discreta,
N = 4: {. . . , 3, 2, 2, 1, 3, . . . }
; Podemos representar esta seal como una seal peridica o como un intervalo simple de la siguiente forma:
(a)
Figure 8.2:
(b)
Aqu nada mas observamos un periodo de la seal que tiene un vector de tamao cuatro y esta contenida en C4 . (a) Funcin peridica (b) Funcion en el intervalo [0, T ]
note: El conjunto de seales de tiempo discreto con periodo
es igual a
CN .
Tal como en el caso continuo, formaremos una base usando
senosoidales armnicos. Antes de esto, es
necesario ver las senosoidales complejas discretas con mas detalle.
8.2.2.1 Senosoidales Complejos

Si usted esta familiarizado con la seal senosoidal la senosoidal compleja discreta se escribe as:
8
bsica y con los exponenciales complejos (Section 1.5)
entonces usted no tendr ningn problema para entender esta seccin. En todos los libros, usted ver que
ejn
8 "Elemental
Signals" <http://cnx.org/content/m0004/latest/>
168
CHAPTER 8.
Example 8.1
Figure 8.3:
Senosoidal compleja con frecuencia = 0
Example 8.2
Figure 8.4:
Senosoidal compleja con frecuencia =
8.2.2.1.1 En el Plano Complejo

Nuestra senosoidal compleja se puede gracar en nuestro plano complejo , el cual nos permite visualizar fcilmente los cambios de la senosoidal compleja y extraer algunas propiedades. El valor absoluto de nuestra senosoidal compleja tiene las siguientes caractersticas:
9
|ejn | = 1 , n R
unitario. Con respecto al ngulo, la siguiente armacin es verdadera:
(8.3)
El cual nos dice que nuestra senosoidal compleja nicamente toma valores que se encuentran en el crculo
ejn = wn
9 "The
(8.4)
Complex Plane" <http://cnx.org/content/m10596/latest/>
169
Cuando ilustracin:
incrementa, podemos ver
ejn
igualando los valores que obtenemos al movernos en contra de
las manecillas del reloj alrededor del crculo unitario. Observe las siguiente guras Figure 8.5 para una mejor
(a)
Figure 8.5:
(b)
(c)
Estas imgenes muestran que cuando n incrementa, el valor de ejn se mueve en contra de las manecillas del reloj alrededor del crculo unitario. (a) n = 0 (b) n = 1 (c) n = 2
note: Para que
ejn
sea peridica (Section 6.1), necesitamos que
ejN = 1
para algn
N.
Example 8.3
Nuestro primer ejemplo nos permite ver una seal peridica donde
2 7 y
N = 7.
(a)
Figure 8.6:
(b)
2 n 7
(a) N = 7 (b) Aqu tenemos una grafca de Re ej
Example 8.4
Ahora observemos los resultados de gracar una seal no peridica donde
=1
N = 7.
170
CHAPTER 8.
(a)
Figure 8.7:
(b)
`
(a) N = 7 (b) Aqu tenemos una grca de Re ejn .
8.2.2.1.2 Aliasing
Nuestra senosoidal compleja tiene la siguiente propiedad:
ejn = ej(+2)n
Dada a esta propiedad, si tenemos una senosoidal con frecuencia un aliasing con una senosoidal de frecuencia
note:
(8.5)
+ 2 , observaremos que esta seal tendr
Cada
ejn
es nica para
[0, 2)
8.2.2.1.3 Frecuencias Negativas

Si nos dan una frecuencia como:
< < 2 ,
entonces esta seal ser representada en nuestro plano complejo
(a)
Figure 8.8:
(b)
Grca de nuestra senosoidal compleja con una frecuencia mayor que .
De nuestras imgenes mostradas arriba, el valor de nuestra senosoidal compleja en el plano complejo se puede interpretar como girar hacia atrs (en direccin de las manecillas del reloj) alrededor del crculo unitario con frecuencia
2 .
Girar en sentido contrario de las manecillas del reloj
es lo mismo que girar
en sentido de las manecillas del reloj
2 .
171
Example 8.5
Gracaremos nuestra senosoidal compleja,
ejn ,
donde tenemos
5 4 y
n = 1.
Figure 8.9:
La grca anterior de la frecuencia dada es idntica a una donde =
` 3
4
Esta grca es la misma que una senosoidal de frecuencia negativa

note: Tiene ms sentido elegir un intervalo entre
3 4 .
[, )
para
Recuerde que
ejn
e(jn)
son
conjugados. Esto nos da la siguiente notacin y propiedad:
ejn = e(jn)
los negativos de una a la otra. Esta idea es la denicin bsica de un conjugado.
(8.6)
Las partes reales de ambas exponenciales de la ecuacin de arriba son las mismas; la parte imaginaria son Ya que hemos visto los conceptos de senosoidales complejas, retomaremos la idea de encontrar una base para las seales peridicas en tiempo discreto. Despus de observar las senosoidales complejas, tenemos que responder la pregunta sobre cuales senosoidales en tiempo discreto necesitamos para representar secuencias peridicas con un periodo
N. bk = ejk n , n = {0, . . . , N 1}
tal que
note: Encuentre un conjunto de vectores
{bk }
sea una
base para
2 N :
Cn
Para resolver la pregunta de arriba, usaremos las senosoidales Armnicos con una frecuencia fundamental de
0 =
Senosoidales Armnicas
ej N kn
(8.7)
(a)
(b)
(c)
Figure 8.10: Ejemplos de nuestras armnicos senosoidales. (a) Senosoidal armnico con = 0 (b) k 2 2 Parte imaginaria del senosoidal, Im ej N 1n , con k = 1 (c) Parte imaginaria del senosoidal, Im ej N 2n , con k = 2
172
2
CHAPTER 8.
ej N kn
es peridica con periodo
y tiene
ciclos entre
n=0
n = N 1.
Theorem 8.1:
Si dejamos
2 1 bk [n] = ej N kn , n = {0, . . . , N 1} N
CN , entonces {bk } |k={0,...,N 1} mal (Section 7.7.3: Base Ortonormal) para CN .

donde el trmino exponencial es un vector en
es una
base ortonor-
Proof:
Primero que todo, debemos demostrar que
{bk }
es ortonormal, por ejemplo
< bk , bl >= kl
N 1
< bk , bl >=
n=0
bk [n] bl [n]
1 N
N 1
ej N kn e(j N ln)
2 2
n=0
< bk , bl >=
Si
1 N
N 1
ej N (lk)n
n=0
(8.8)
l = k,
entonces
< bk , bl >
= =
1 N
N 1 n=0
(1)
(8.9)
Si
l = k,
entonces tenemos que usar la frmula de sumatoria parcial mostrada abajo:
N 1
(n ) =
n=0 n=0
(n )
n=N
(n ) =
N 1
1 N 1 N = 1 1 1
2
< bk , bl >=
en esta ecuacin podemos decir que
1 N
ej N (lk)n
n=0
, as podemos ver como esta expresin se encuentra
=e
j 2 (lk) N
en la forma que necesitamos utilizar para nuestra frmula de sumatoria parcial.
1 < bk , bl >= N
As,
1 ej N (lk)N 1
2 ej N (lk)
1 N
11 1 ej N (lk)
2
=0
1 if k = l < bk , bl >= 0 if k = l
Por lo tanto: que existen
(8.10)
{bk }
es un conjunto ortonormal.
{bk }
es tambin un base (Section 5.1.3: Bases), ya
vectores que son linealmente independientes (Section 5.1.1: Independencia Lineal)

2 1 ej N kn N
(ortogonalidad implica independencia linear). Finalmente, hemos demostrado que los senosoidales armnicos ortonormal para forman una base
173
8.2.2.2 Series de Discretas de Fourier (DTFS)

Utilizando los pasos anteriores en la derivacin, usando nuestro entendimiento de espacio Hilbert (Section 7.3) , y nalmente usando la expansin ortogonal (Section 7.8); el resto de la derivacin es automtica. Dada una seal peridica discreta (vector
Cn ) f [n],
podemos escribir:
1 f [n] = N 1 ck = N
N 1
N 1
ck ej N kn
k=0
(8.11)
f [n] e(j N kn)

2
(8.12)
n=0 N
en la expresin para
1 Nota: Casi toda la gente juntan los trminos

note:
ck .
Aqu se muestra la forma comn de las DTFS tomando en cuenta la nota previa:
N 1
f [n] =
k=0 N 1
ck ej N kn
ck =
Esto es lo que el comando
1 N
f [n] e(j N kn)

2
n=0
fft
de MATLAB hace.
8.3 Ecuacin de Matriz para la DTFS10

La DTFS
11
es nada mas un cambio de bases
12
en
CN .
Para comenzar, tenemos
f [n]
en trminos de la
base
estndar.
f [n]
= =
f [0] e0 + f [1] e1 + + f [N 1] eN 1
n1 k=0
(f [k] [k n]) 0 0 0 0 0
. . .
(8.13)
f [0] f [1] f [2]

. . .
f [0] 0 0
. . .
f [N 1]
f [1] + 0 . . . 0 f [n]
0 + f [2] . . . 0
+ +
(8.14)
f [N 1]
Tomando la DTFS, podemos escribir
en trminos de la base de Fourier senosoidal
N 1
f [n] =
k=0
ck ej N kn
(8.15)
(DTFS) <http://cnx.org/content/m10784/latest/#dtfs> 12 "Linear Algebra: The Basics": Section Basis <http://cnx.org/content/m10734/latest/#sec_bas>
10 This content is available online at <http://cnx.org/content/m12859/1.1/>. 11 "Fourier Analysis in Complex Spaces": Section Discrete-Time Fourier Series
174
CHAPTER 8.
f [0] f [1]
1 ej N ej N
. . .
4 8
+ ...
2 1 ej N 4 = c0 1 + c1 f [2] ej N . . . . . . . . . j 2 (N 1) 1 f [N 1] e N W
+ c2
(8.16)
ej N (N 1)
Podemos formar la matriz base (llamaremos esto columnas obtenemos
envs deB ) al acomodar los vectores bases en las
b0 [n] b1 [n] . . . 1 1 ej N ej N
. . .
2 4
bN 1 [n] 1 ej N ej N
. . .
4 8
... ... ...

. . .
2 2
1 ej N (N 1) ej N 2(N 1)
. . .

(8.17)
1 = 1 . . . 1
con
ej N (N 1)
ej N 2(N 1)
...
ej N (N 1)(N 1)
bk [n] = ej N kn
note: la entrada k-th la y n-th columna es
Wj,k = ej N kn = Wn,k
As, aqu tenemos una simetra adicional
W = WT WT = W =
(ya que
1 1 W N
{bk [n]}
son ortonormales)
Ahora podemos rescribir la ecuacin DTFS en forma de matriz, donde tenemos:
f = seal (vector en CN ) c = coecientes DTFS (vector
en
CN )
"synthesis" "analysis"
f = Wc c = W T f = W f
Table 8.2
f [n] =< c, bn > c [k] =< f , bk >
Encontrar (e invertir) la DFTS es nada mas una Todo lo que se encuentra en
CN
esta
multiplicacin de matrices. limpio: no se utilizan lmites, no se usan preguntas de convergencia,
nada mas se utilice aritmtica de matrices.
8.4 Extensin Peridica de las DTFS13

8.4.1 Introduccin
Ya que contamos con entendimiento de lo que son las series discretas de Fourier (DTFS) (Section 8.2.2.2: Series de Discretas de Fourier (DTFS)), podemos considerar la
extensin peridica de
c [k]
(coecientes
13 This
175
discretos de Fourier). Las gures bsicas mostradas a continuacin muestran una simple ilustracin de como nosotros podramos representar una secuencia en forma de seales peridicas gracadas sobre un numero innito de intervalos.
(a)
(b)
Figure 8.11:
(a) vectores (b) secuencias periodicas
Exercise 8.1
Porqu una extensin peridica (Section 6.1) de los coecientes de la DFTS
c [k]
tiene sentido?
8.4.2 Ejemplos
Example 8.6: Funcin Cuadrada Discreta
Figure 8.12
176
CHAPTER 8.
Calcule la DTFS
c [k]
usando:
c [k] =
1 N
N 1
f [n] e(j N kn)

2
(8.18)
n=0
Como en las series de Fourier continuas, podemos tomar la sumatoria en cualquier intervalo, para tener
ck =
Deje que
1 N
N1
e(j N kn)
2
(8.19)
n=N1
m = n + N1 ,(as
tenemos una serie geomtrica que empieza en 0)
ck
= =
1 N
2N1 m=0
1 j 2 k N Ne
e(j N (mN1 )k) 2 2N1 e(j N mk)

2
(8.20)
m=0
Ahora, usando la formula parcial de sumatoria
(an ) =
n=0 1 j 2 N1 k N Ne
1 aM +1 1a
2N1 m=0
2
(8.21)
ck
= =
e(j N k) j 2 (2N1 +1)) 1 j 2 N1 k 1e ( N N Ne jk 2 1e ( N )
m
(8.22)
Manipulndola para que se vea como el sinc (distribuya)
ck
1 N
jk 2 2N
) (
jk 2 N
(N1 + 1 ) e(jk 2 (N1 + 1 )) 2 N 2

2 1 N 2
e sin
jk 2 2N
) )
= =
note:
1 N
2k N1 + 1 2 N
ejk !
jk 2 1 N 2
(8.23)
sin( k ) N
digital sinc
es peridica! Figure 8.13, Figure 8.14, y Figure 8.15 muestran como nuestra funcin y
coecientes para distintos valores de
N1 .
(a)
Figure 8.13:
(b)
N1 = 1 (a) Grafca de f [n]. (b) Grafca de c [k].
177
(a)
Figure 8.14:
(b)
(a)
Figure 8.15:
(b)
Example 8.7: Sonido de un Pjaro
178
CHAPTER 8.
Figure 8.16
Example 8.8: Anlisis Espectral de la DFTS
179
Figure 8.17
Example 8.9: Recuperando la Seal
180
CHAPTER 8.
Figure 8.18
Example 8.10: Compresin (1-D)
181
Figure 8.19
Example 8.11: Compresin de Imgenes
182
CHAPTER 8.
(a)
(b)
Figure 8.20:
We've cut down on storage space by > 90% (while incurring some loss) (a) Imagen de 256 por 256 (65,636 pixeles) (b) Imagen reconstruida usando 6000 coefcientes
8.5 Desplazamientos Circulares14

Las muchas propiedades de la DFTS (Section 8.2.2.2: Series de Discretas de Fourier (DTFS)) se convierten sencillas (muy similares a las de las Series de Fourier
15
) cuando entendemos el concepto de:
desplazamien-
tos circulares.
8.5.1 Desplazamientos Circulares

Podemos describir las secuencias peridicas
16
teniendo puntos discretos en un crculo como su dominio.
14 This content is available online at <http://cnx.org/content/m12864/1.1/>. 15 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/> 16 "Periodic Signals" <http://cnx.org/content/m10744/latest/>
183
Figure 8.21
Desplazar
m, f (n + m),
corresponde a rotar el cilindro
puntos ACW (en contra del reloj).
Para
m = 2,
obtenemos un desplazamiento igual al que se ve en la siguiente ilustracin:
Figure 8.22:
para m = 2
184
CHAPTER 8.
Figure 8.23
Para ciclar los desplazamientos seguiremos los siguientes pasos: 1) Escriba
f (n)
en el cilindro, ACW
Figure 8.24:
N =8
185
2) Para ciclar por
m,
gire el cilindro m lugares ACW
(f [n] f [((n + m))N ])
Figure 8.25:
m = 3
Example 8.12
Si
f (n) = [0, 1, 2, 3, 4, 5, 6, 7],

Es llamado
entonces
desplazamiento circular, ya que nos estamos moviendo alrededor del crculo. El
f (((n 3))N ) = [3, 4, 5, 6, 7, 0, 1, 2]
desplazamiento comn es conocido como desplazamiento linear (un movimiento en una lnea).
8.5.1.1 Notas para el desplazamiento circular
f [((n + N ))N ] = f [n]

Girar por
lugares es lo mismo que girar por una vuelta completa, o no moverse del mismo lugar.
f [((n + N ))N ] = f [((n (N m)))N ]

Desplazar ACW
es equivalente a desplazar CW
N m
186
CHAPTER 8.
Figure 8.26
f [((n))N ]
La expresin anterior, escribe los valores de
f [n]
para el lado del reloj.
187
(a)
Figure 8.27:
(b)

(a) f [n] (b) f ((n))N
8.5.2 Desplazamientos Circulares y el DFT

Theorem 8.2: Desplazamiento Circular y el DFT
Si
f [n] F [k]
entonces
DFT
f [((n m))N ] e(j N km) F [k]

DFT
(Por ejemplo. Desplazamiento circular en el dominio del tiempo= desplazamiento del ngulo en el DFT)
Proof:
f [n] =
as que el desplazar el ngulo en el DFT
1 N
N 1
F [k] ej N kn
k=0
(8.24)
f [n]
= =
1 N 1 N
N 1 k=0 N 1 k=0
F [k] e(j N kn) ej N kn

2 2
F [k] ej N k(nm)
(8.25)
= f [((n m))N ]
188
CHAPTER 8.

Aliasing:
bk = ej N kn bk+N = ej N (k+N )n = ej N kn ej2n = ej N n = bk

2 2 2
(8.26)
Coecientes DTFS tambin son peridicos con periodo
N.
Chapter 9
Transformada Rpida de Fourier (FFT)
9.1 DFT: Transformada Rpida de Fourier1
Ahora podemos calcular el espectro de una seal arbitraria: La Transformada de Fourier Discreta (DFT) calcula el espectro en
2
frecuencias igualmente espaciadas de una longitud-
secuencias. Una edicin que
nunca se presenta en el "clculo" anlogo,como la realizada por un cirduito, es cuanto trabajo toma realizar la operacin de procesamiento de seal como la ltracin. En computacin, esta consideracin traslada del nmero de pasos bsicos de computacin requeridos para realizar el proceso. El nmero de pasos, conocidos como,la
complejidad, se vuelve equivalente a cuanto tiempo toma el clculo (que tanto tiempo tenemos
La complejidad no esta atada a computadoras especicas o lenguajes As, un procedimiento con
que esperar para una respuesta).
de programacin, pero a cuantos pasos son requeridos en cualquier clculo. complejidad indicada dice que el tiempo tomado ser en el clculo y en la cantidad demandada.
proporcional a alguna cantidad de datos utilizados
Por ejemplo, considerar la formula para la transformada discreta de Fourier. Para cada frecuencia que elijamos, debemos multiplicar cada valor de la seal por un nmero complejo y sumar los resultados. Para una seal valorada-real, cada multiplicacin real-por-complejo requiere dos multiplicaciones reales, signica que tenemos
2N
multiplicaciones para realizarse. Para sumar los resultados juntos, debemos mantener la
parte real y la imaginaria separadas. Sumando frecuencia requiere nmero total de
nmeros requiere
N 1
sumas. Constantemente, cada
2N + 2 (N 1) = 4N 2 operaciones es N (4N 2).
pasos bsicos de realizar.
Como tenemos
frecuencias, el
En clculos de la complejidad, solo tenemos que preocuparnos de que sucede cuando la longitud incrementa, y tomar el trmino dominante aqu el trmino
4N 2
como reejo de cuanto trabajo esta involu-
crado haciendo la computacin. Como una constante multiplicativa no importa ya que estamos haciendo una "proporcional" a la evaluacin,encontramos que la DFT es un Esta notacin es leda "orden
O N2
procedimiento computacional.
N -cuadrado".
Donde, si tenemos doble longitud, esperamos que el tiempo de
la realizacin sea aproximadamente el cuadruple.
Exercise 9.1
Haciendo la evaluacin de la complejidad para la DFT, asumimos que los datos son reales. Surgen tres preguntas. Primero que nada, el espectro de las seales tiene simetra conjugada, lo que signica que los componentes de las frecuencias negativas (k
N 3 2 + 1, ..., N + 1 en la DFT ) pueden ser calculadas de los componentes de la frecuencia positiva correspondiente. Esta simetra cambia la
complejidad de la Trasformada Directa de Fourier DFT? En segundo lugar,supongamos que los datos son de valores complejos; Cal es la complejidad de la DFT ahora?
1 This content is available online at 2 "Discrete Fourier Transform", (1) 3 "Discrete Fourier Transform", (1)
<http://cnx.org/content/m12937/1.1/>. : Discrete Fourier transform <http://cnx.org/content/m0502/latest/#eqn1> : Discrete Fourier transform <http://cnx.org/content/m0502/latest/#eqn1>

189
190
CHAPTER 9.
TRANSFORMADA RPIDA DE FOURIER (FFT)
Finalmete, pregunta menos importante pero interesante, supongamos que queremos de fecuencias en lugar de
valores
N;
Ahora cal es la complejidad?
9.2 La Transformada Rpida de Fourier (FFT)4

9.2.1 Introduccin
La Transformada Rpida de Fourier (Fast Fourier Transform) (FFT) es un algoritmo eciente O(NlogN) para calcular la DFT
orignalmente descubierta por Gauss a primcipios de 1800 redescubierta por Cooley y Tukey en IBM durante 1960 C.S. Burrus, de la Universidad de Rice University siendo jefe del departamento de Ingenieria, literalmente "escribio el libro" de los algoritmos de la rpida Transformada Discreta de Fourier DFT.
La FFT
explota las simetrias en la matriz
para aproximarse "divide y conquistaras". No hablaremos

6
del actual algoritmo de la FFT aqui, veamos estas notas idea detras de la FFT.
si usted esta interesado en leer mas a cerca de la
9.2.2 Comparacin De la Velocidad

En cunto es mejor O(NlogN) que O(
N 2 )?
Figure 9.1:
Esta gura muestra que tan lento crece el tiempo de solucin de un proceso de O(NlogN).
4 This content is available 5 "Fast Fourier Transform 6 "Fast Fourier Transform
online at <http://cnx.org/content/m12942/1.1/>. (FFT)" <http://cnx.org/content/m10250/latest/> (FFT)" <http://cnx.org/content/m10250/latest/>
191
N N2 N logN
10
100
100 104 200
1000 106 3000
106 1012 6 106
109 1018 9 109
Table 9.1
Digamos que tiene una maquina de 1 MFLOP (un millin de "puntos otantes" de operacione spor segundo). Sea Un Un
N = 1millin = 106 . 12 6 2 algoritmo de O( N ) toma 10 procesos 10 segundos 11.5 6 algoritmo de O( N logN ) toma 6 10 procesos 6 segundos. N = 1millin
es razonable.
das.
note:
Example 9.1
Una camara digital de 3 megapixeles arroja secuencias de punto
3 106
nmeros por cada foto. As que para dos
f [n]
h [n].
Si resolvemos directamente
(f [n]
h [n])
: O(
N 2)
operaciones.
Tomando la FFTs O(NlogN) multiplicando la FFTs O(N) la inversa de FFTs O(NlogN). el total de complejidad es O(NlogN).
note:
FFT + computacin didigital fue completamente responsable de la "explosin" del Proce-
samiento Digital de Seales DSP en los aos 60's.
note:
La Universidad de Rice fue (y sigue siendo) uno de los lugares de hacer investigacin en
DSP.
9.3 Derivando la Transformada Rpida de Fourier7

Para derivar la FFT,asumimos que la duracin de la seal es una potencia de dos: la DFT.
N = 2l
. Considere que
pasa a los elementos pares numerados y a los elemenots impares numerados de la solucin de la secuencia en
s (0) + s (2) e(j) N + + s (N 2) e(j) N 2(2+1)k 2(N 2+1)k N + s (3) e(j) N + + s (N 1) e(j) 2 ( N 1)k 2 (j) 2k (j) N N 2 2 s (0) + s (2) e + + s (N 2) e N 1 k 2 ( 2 ) (j) 2k (j) N N s (1) + s (3) e e (j2k) 2 + + s (N 1) e 2 N S (k) = 2k s (1) e(j) N
Cada trmino en parntesis al cuadrado tiene la
22k
2(N 2)k
+ = +
(9.1)
forma de una longitud N de DFT. La primera es una 2

La primer
DFT de los elementos pares nuemrados,y la segunda es de los elementos impares numerados. DFT es combinada con la segunda multiplicadno por el exponencial complejo
(j2k) N
. La media-longitud
7 This
192
CHAPTER 9.
de la transformada es cada evaluacin de los ndices de frecuencia la transformacin menos uno. La
k {0, . . . , N 1}
Normalmente el
nmero de indices de frecuencia del rango de una calculacin de la DFT esta entre cero y la longitud de
ventaja computacional de la FFT viene de reconocer la natulareza
del perido de la transformada discreta de Fourier. La FFT simplemente reusa las soluciones hechas en la , que N , para rescribir la longitud-N DFT. La Figure 9.2 (Descomposicin de la DFT de 2 longitud-8) ilustra la descomposicin. Como se mantiene, ahora resolvemos dos transformadas de longitudesno es peridica sobre media-longitud de la transformada y las combina a travs de sumas y multiplicaciones por
(j2k) N
N 2 (complejidad
2O
N2 4
), multiplicar una de ellas por el exponencial complejo (complejidad
O (N )
), y
sumar los resultados (complejidad
O (N )
). En este punto, el total de complejidad sigue dominado por la , cada una de las transformaciones de media-longitud puede ser
mitad-longitud de la calculacin de DFT, pero el coecente de proporcionalidad ha sido reducido. Ahora para la diversin. Por que
N = 2l
reducida a una de dos cuartos-longitud, cada una de estas en dos octavos-longitud, etc. Esta descomposicin continua hasta que nos quedamos con una transformada de longitud -2 . Esta transformada es absolutamente simple, involucrando solo sumas. Donde la primer etapa de la FFT tiene
N 2 transformadas de longitud-2 (vease la parte de abajo de la Figure 9.2 (Descomposicin de la DFT de longitud-8)). Pares de estas
transformadas son combinados suamando uno a otro multiplicado por el exponencial complejo. Cada par
N 2 . Este nmero de computaciones no cambia de etapa a etapa. Ya que el nmero de etapas, el nmero de veces que
requiere 4 sumas y 4 multiplicaciones, dando un nmero total de computaciones igual a la longitud puede ser dividida por dos, igual a
8N = 4
.
log2 N
, la complejidad de la FFT es
O (N logN )
193
Descomposicin de la DFT de longitud-8
(a)
(b)
La descomposicin inicial de una longitud-8 DFT en trminos usando ndices pares e impares entradas marca la primera fase de convertirse en el algoritmo de la FFT. Cuando esta transformada de media-longitud esta completamente descompuesta, nos quedamos con el diagrama del panel inferior que representa la solucin de la FFT de longitud-8.
Figure 9.2:
Haciendo un ejemplo haremos ahorros de procesos ms obvios. Veamos los detalles de la DFT de longitud8. Como se muestra en la Figure 9.2 (Descomposicin de la DFT de longitud-8), primero descomponemos la DFT en dos DFT de longitud-4,con las salidas sumadas y restadas en pares. Considerando la Figure 9.2 (Descomposicin de la DFT de longitud-8) como el ndice de frecuencia que va de 0 hasta 7,reciclamos valores de la DFT de longitud-4 para los calculos nales por la peridicidad de la salida de la DFT. Examinando como los pares de salidas se recojen juntas, creamos los alementos computacionales bsicos conocidos como una
mariposa (Figure 9.3 (Mariposa)).
194
CHAPTER 9.
Mariposa
Los elementos computacionales bsicos de la transformada rpida de Fourier es la mariposa. Toma dos nmeros complejos, representados por a y b, y forma las cantidades mostradas . Cada mariposa requiere una multiplicacin compleja y dos sumas complejas.
Figure 9.3:
Considerando los procesos involucrando la salida de frecuencias comunes de la DFT de dos media-longitud, vemos que las dos multiplicaciones complejas son relacionadas unas con otras, y podemos reducir nuestro proceso en un futuro. Para descomposiciones posteriores las DFT de longitud-4 en las DFT de longitud2 y combinando sus salidas, llegamos al resumen del diagrama de la transformada rpida de Fourier de longitud-8 (Figure 9.2 (Descomposicin de la DFT de longitud-8)). Aunque la multiplicacin de los complejos es absolutamente simple (multiplicando por Tenemos
e(j)
signica partes negativas reales y partes imaginarias),
contemos sos para los propsitos de evaluar la complejidad como el complejo se multiplica por completo.
N 2 = 4 multiplicaciones complejas y 2N = 16 sumas para cada etapa y 3N el nmero de procesos bsicos 2 log2 N como se predijo.
log2 N = 3
etapas, haciendo
Exercise 9.2
Notese que el orden de la secuencia de entrada en dos partes de Figure 9.2 (Descomposicin de la DFT de longitud-8) no estan absolutamente iguales. por que no?, cmo esta determinado este orden? Otros lagoritmos "rpidos" han sido descubiertos, todos de los cuales hacen uso de cuantos factores tiene la transformada de longitud N. En teoria de nmeros, el nmero de factores primos de un entero dado tiene medidas como
compuesto es el. El nmero 16 y 81 son altamente compuestos (iguales a
24
34
respectivamente),el nmero 18 es menor asi que (
2 3
1 2
), y el 17 no del todo (es primo).
a travs de
treinta aos de desarrollo del algoritmo de la transformada de Fourier, el algoritmo original de CooleyTukey esta alejado de los usados con mas frecuancia. Es tan eciente computacionalmente hablando como la transformada de longitud de potencia de dos es frecuentemente usada sin importar la longitud actual de los datos.
195

Cuando la seal es de valor real, solo necesitamos la mitad del valor del espectro, pero la complejidad permanece sin cambios. Si los datos son de valores complejos,lo cual requiere de la retencin de todos los datos, la complejidad es nuevamente la misma. Cuando se requieren solamente es
frecuencias, la complejidad
O (KN).

El panel de arriba no usa el algoritmo de FFT para procesar la DFT de longitud-4 mientras que el abajo si.El orden es determinado por el algoritmo.
196
CHAPTER 9.
Chapter 10
Convergencia
10.1 Convergencia de Secuencias1
10.1.1 Qu es una Secuencia?
Denition 10.1: secuencia
Una secuencia es una funcin secuencia por:
gn
denida en los enteros positivos 'n'.
Tambin denotamos una
{gn } | n=1 1 n
Example
Una secuencia de nmeros reales:
gn =
Example
Una secuencia vector:
gn =
sin cos
n 2 n 2
Example
Una secuencia de una funcin:
1 if 0 t < 1 n gn (t) = 0 otherwise
note: Una funcin puede ser pensada como un vector de dimensin innito donde por cada valor
de 't' tenemos una dimensin.
10.1.2 Convergencia de Secuencias Reales

Denition 10.2: lmite
Una secuencia
{gn } | n=1
converge a un lmite
gR
si para
todo
>0
existe un entero
tal que
|gi g| <
1 This
, iN
197
198
CHAPTER 10.
Usualmente denotamos un lmite escribiendo
CONVERGENCIA
lim gi = g gi g
La denicin anterior signica que no importa que tan pequeo hagamos de
, excepto para un nmero nito
gi 's,
todos los puntos de la secuencia estan dentro de una distancia
de
g.
Example 10.1
Dada las siguiente secuencia de convergencia :
gn =
1 n
(10.1)
Intuitivamente podemos asumir el siguiente lmite:
lim gn = 0 > 0.
Escojamos
. Ahora provemos esto rigurosamente, digamos que dado el nmero real donde
N=
denota el menor entero mayor que
x.
Entonces para
nN
tenemos
|gn 0| =
Donde,
1 1 < n N
lim gn = 0
Example 10.2
Ahora veamos la siguiente secuencia no-convergente
gn =
1 if n = par 1 if n = impar
Esta secuencia oscila entre 1 y -1, asi que nunca converge.
10.1.2.1 Problemas
Para practicar, diga cuales de las siguientes secuencias convergen y de el limite si este existe. 1. 2.
3.
4. 5. 6.
gn = n 1 if n = par n gn = 1 if n = impar n 1 if n = potencia de 10 n gn = 1 otherwise n if n < 105 gn = 1 if n 105 gn = sin gn = j n

n n
199
10.2 Convergencia de Vectores2

10.2.1 Convergencia de Vectores
Discutiremos la convergencia puntual y de la norma de vectores. Tambin existen otros tipos de convergencia y uno en particular, la convergencia uniforme , tambin puede ser estudiada. Para esta discusin, asumiremos que los vectores pertenecen a un espacio de vector normado (Section 7.2).
3
10.2.1.1 COnvergencia Puntual

Una secuencia (Section 10.1) al elemento correspondiente
{gn } | converge puntualmente al lmite g si cada elemento de gn converge n=1 en g. A continuacin hay unos ejemplos para tratar de ilustrar esta idea.
Example 10.3
gn =
gn [1] gn [2]
1+ 2
1 n 1 n
Primero encontramos los siguiente limites para nuestras dos
gn 's:
lim (gn [1]) = 1 lim (gn [2]) = 2 lim gn = g
n
Despus tenemos el siguiente,
puntual, donde
g=
1 2
Example 10.4
gn (t) =
t , tR n t0 =0 n g (t) = 0
para toda
Como se hizo anteriormente, primero examinamos el lmite
n
donde
lim gn (t0 ) = lim
t0 R.
Por lo tanto
lim gn = g
puntualmente donde
t R.
10.2.1.2 Norma de Convergencia

La secuencia (Section 10.1)
{gn } | n=1 0.
converge a
en la norma si
(Section 7.2) del espacio vectorial correspondiente de entre los vectores
gn 's.
lim gn g = 0. Aqui es la norma n Intuitivamente esto signica que la distancia
gn
decrese a
Example 10.5
gn =
1+ 2
1 n 1 n
2 This content is available online at <http://cnx.org/content/m12944/1.2/>. 3 "Uniform Convergence of Function Sequences" <http://cnx.org/content/m10895/latest/>
200
CHAPTER 10.
CONVERGENCIA
Sea
g=
1 2
gn g = = =
1 n 1 1 n2 + n2 2 n
1+
+ 2
1 2 n
(10.2)
Asi
lim
gn g = 0,
Por lo tanto,
gn g
en la norma.
Example 10.6
gn (t) =
Sea
t n if
0t1
0 otherwise
1 t2 dt 0 n2 t3 1 3n2 |n=0 1 3n2
en la norma.
g (t) = 0
para todo
t. gn (t) g (t) = = =
(10.3)
Asi
lim
gn (t) g (t) = 0
Por lo tanto,
gn (t) g (t)
10.2.2 Puntual vs.Norma de Convergencia

Theorem 10.1:
Para
Rm ,
la convergencia puntual y la norma de convergencia es equivalente.
Proof: Puntual
Norma
gn [i] g [i]
Asumiendo lo anterior, entonces
( gn g ) =
i=1
As,
(gn [i] g [i])
lim ( gn g )
= = =
n m i=1
lim
m i=1
2
(10.4)
lim 2
Proof: Norma
Puntual
gn g 0 lim
m i=1
= = 0
m i=1
lim 2
(10.5)
201
Ya que cada trmino es mayor o igual a cero, todos los trminos 'm' deben ser cero. As,
n
para todo
lim 2 = 0
i.
Por lo tanto,
gn g
puntual
note:
En un espacio de dimensin nita el teorema anterior ya no es cierto. Probaremos esto con
contraejemplos mostrados a continuacin.
10.2.2.1 Contra Ejemplos Example 10.7: Puntual

Dada la siguiente funcin:
Norma n if 0 < t < 1 n gn (t) = 0 otherwise
Entonces
lim gn (t) = 0
Esto signica que,
gn (t) g (t)
donde para todo Ahora,
t g (t) = 0. ( gn )
2
= =

1 n
(|gn (t) |) dt
(10.6)
n2 dt
= n
Ya que la norma de la funcin se eleva, no puede converger a cualquier funcin con norma nita.
Example 10.8: Norma
Puntual 1 if 0 < t < 1 n gn (t) = 0 otherwise 1 if 0 < t < 1 n gn (t) = 0 otherwise
Dada la siguiente funcin:
si n es par
si n es impar
Entonces,
1 n
gn g =
0
donde
1dt =
1 0 n
g (t) = 0
para todo
t.
Entonces,
gn g
Sin embargo, en
en la norma
t = 0, gn (t)
oscila entre -1 y 1, Y por lo tanto es no convergente. As,
gn (t) no
tiene convergencia puntual.
202
CHAPTER 10.
CONVERGENCIA
10.2.2.2 Problemas
Pruebe si las siguientes secuencias tienen convergencia puntual, norma de convergencia, o ambas se mantienen en sus limites.
1.
2.
0<t 0 if t 0 e(nt) if t 0 gn (t) = 0 if t < 0 gn (t) =
1 nt if
10.3 Convergencia Uniforme de Secuencias de Funciones.4

10.3.1 Convergencia Uniforme de Secuencias de Funciones
para esta discusin, solo consideraremos las funciones con
gn
donde
RR
Denition 10.3: Convergencia Uniforme
La secuencia (Section 10.1) existe un entero
tal que
{gn } | converge n=1 n N implica que
uniformemente a la funci
si para cada
> 0
(10.7)
|gn (t) g (t) |

para
todo
t R.
La
Obviamente toda secuencia uniformemente continua es de convergencia puntual (Section 10.2) . diferencia entre convergencia puntual y uniformemente continua es esta: Si
{gn } converge puntualmente a g , entonces para todo > 0 y para toda t R hay un entero N que depende de y t tal que (10.7) se mantiene si n N . Si {gn } converge uniformemente a g , es posible que para cada > 0 enocntrar un entero N que ser par todo t R.
Example 10.9
gn (t) =
Sea
1 , tR n , nN 0.
>0
dado. Entonces escoja
N=
. Obviamente,
|gn (t) 0|
para toda
t.
As,
gn (t)
converge uniformemente a
Example 10.10
gn (t) =
Obviamente para cualquier (10.7) se mantiene con tenemos:
t , tR n
> 0 no podemos encontrar una funcin sencilla gn (t) para la cual la g (t) = 0 para todo t. As gn no es convergente uniformemente. Sin embargo gn (t) g (t)
puntual
note:
La convergencia uniforme siempre implica convergencia puntual, pero la cpnvergencia
puntual no necesariamente garantiza la convergencia uniforme.
4 This
203
10.3.1.1 Problems
Pruebe rigurosamente si las siguientes funciones convergen puntualmente o uniformemente, o ambas. 1. 2. 3.
gn (t) = sin(t) n t gn (t) = en 1 if t > 0 nt gn (t) = 0 if t 0
204
CHAPTER 10.
CONVERGENCIA
Chapter 11
Transformada de Fourier Discreta en el Tiempo (DTFT)
11.1 Tabla de Transformadas de Fourier Comunes1
Time Domain Signal Frequency Domain Signal
1 a+j 1 aj 2a a2 + 2 1 (a+j)2 n! (a+j)n+1
Condition
e(at) u (t) eat u (t) e

(a|t|) (at)
a>0 a>0 a>0 a>0 a>0
te
u (t) u (t)
t e
n (at)
(t) 1 e
j0 t
1 2 () 2 ( 0 ) ( ( 0 ) + ( + 0 )) j ( ( + 0 ) ( 0 )) () +
2 j 2 ( ( j 0 2 2 1 j
cos (0 t) sin (0 t) u (t) sgn (t) cos (0 t) u (t)
0 ) + ( + 0 ))
+
continued on next page
1 This

205
206
CHAPTER 11.
TRANSFORMADA DE FOURIER DISCRETA EN EL TIEMPO (DTFT)
sin (0 t) u (t) e(at) sin (0 t) u (t) e(at) cos (0 t) u (t) u (t + ) u (t )

0 sin(0 t) = 0 sinc (0 ) 0 t t t +1 u +1 u t t +1 u u t triag 2 2 0 t 0 2 sinc 2 t t
2j 0
( ( 0 ) ( + 0 ))
0 2 2
+ a>0 a>0
0 (a+j)2 +0 2 a+j (a+j)2 +0 2 2 sin( ) =
2 sinc (t)
u ( + 0 ) u ( 0 ) + sinc2 1 =
0 2
+1
0
u +1
+1 u
0
0 0
+ 1 =
triag
n= 2 t 22
( (t nT ))
0 2e
20 ( n= ( 2 2 2
n0 ))
0 =
2 T
Table 11.1
11.2 Transformacin Discreta de Fourier2

11.2.1 N-puinto Punto Transformada Discreta de Fourier (DFT)
N 1
X [k] =
n=0
x [n] e(j) n kn 1 N
N 1
, k = {0, . . . , N 1}
(11.1)
x [n] =
Note que:
X [k] ej
k=0
2 n kn
, n = {0, . . . , N 1}
(11.2)
X [k] es la DTFT evaluado en = 2 k , k = {0, . . . , N 1} N Completar con ceros x [n] a M muestras antes de sacar el muestreada de M -puntos uniformes del DTFT :
N 1
DFT, da como resultado una versin
X e
j 2 k M
=
n=0 N 1
x [n] e(j) M k
(11.3)
X ej M k =
n=0
xzp [n] e(j) M k
X ej
2 This
2 M k
= Xzp [k] , k = {0, . . . , M 1}
207
La
N -pt
DFT es suciente para reconstruir toda la DTFT de una secuencia de
N -pt:
(11.4)
N 1
X ej =
n=0 N 1
x [n] e(j)n
N 1
X ej =
n=0 N 1
1 N (X [k])
X [k] ej N kn e(j)n
k=0
X ej =
k=0 N 1
1 N sin sin
N 1
e(j)( N k)n
2
k=0 N 2k 2 N 2k 2N
X ej =
k=0
(X [k])
1 N
e(j)( N k)
2
N 1 2
1 .
0
Figure 11.1:
2pi/N 4pi/N
2pi
Sinc dirichlet,
N 1 sin( 2 ) N sin( ) 2
DFT tiene una representacin en forma de matriz muy conveniente. Deniendo

donde
X [0] X [1]
. . .
0 WN
0 WN 1 WN 2 WN . . .
0 WN 2 WN 4 WN . . .
0 WN 3 WN 6 WN . . .
...
x [0] x [1]
. . .
WN = e(j) N
W0 N = 0 WN
. . .
... ...
. . .
(11.5)
X [N 1] X = W (x)
respectivamente.
x [N 1]
tiene las siguientes propiedades:
W es Vandermonde: La nth W es simetrico: W = W T 1 W es unitaria: 1 W N N

1 NW
columna de
es un polinomio en
n WN
1 W N
1 W N
1 W N
=I
N 2 log2 N en vez de
=W
, es la matriz y DFT.
Para
un poder de 2, la FFT se puede usar para calcular la DFT usando
N2
operaciones.
208
CHAPTER 11.
N
16 64 256 1024
N 2 log2 N
32 192 1024 5120
N2
256 4096 65536 1048576
Table 11.2
11.3 Transformada Discreta de Fourier (DFT)3

La transformada de Fourier Discreta en el tiempo (y tambin la transformada continua) pueden ser evaluadas cuando tenemos una expresin analtica para la seal. Suponga que tengamos una seal, como es la seal del habla usada en el capitulo anterior, para ella no existe una formula.
4
Entonces cmo podra usted
calcular su espectro? Por ejemplo, cmo calculamos el espectrograma para el ejemplo de la seal de habla ? La transformada de Fourier discreta ( DFT) nos permite calcula el espectro de informacin discreta en Estando en tiempo discreto podemos calcular exactamente el espectro, para seales anlogas el tiempo.
no existe manera similar para calcular su espectro similar. Para el espectro de seales anlogas se tienen que construir equipo especial, que consiste en casi todos los casos de convertidores A / D y computaciones discretas. continuas. La formula del DTFT
5
Anlisis de el espectro discreta en el tiempo son mas exibles que los anlisis de las seales es una suma que conceptualmente es fcil de calcular excepto por unos problemas. La suma se extiende sobre la duracin de la seal, la cual tiene que ser nita Es extremadamente difcil guardar una seal innita, as que
Duracin de la seal.
para calcular el espectro de la seal.
asumimos que la seal se extiende sobre
[0, N 1].
Frecuencia contina.
Igual de importante que el problema de la duracin de la seal es el hecho
1 1 2 , 2 o [0, 1], pero la formula DTFT requiere evaluar el espectro de todas las frecuencias dentro del periodo.
que la frecuencia variable es continua: talvez solo se tenga que extender un periodo, como Calculemos el espectro de unas cuantas frecuencias; las mas obvias son las que tienen una espacio similar
f=
k K,
k {k, . . . , K 1}.
transformada discreta de Fourier ( DFT) como
N 1
As que denimos la
S (k) =
n=0
Aqu,
k
s (n) e(
j2nk K
, k {0, . . . , K 1}
(11.6)
S (k)
representa
S ej2 K
Podemos calcular el espectro en todas las frecuencias con espacio similar que queremos. Note que usted puede pensar de esta motivacin computacional como
muestrear el espectro; se vera mas sobre esta inter-
pretacin despus. El problema ahora es el saber cuantas frecuencias son sucientes para capturar el como el espectro cambia con la frecuencia. Una manera de responder esta pregunta es determinando la formula de la transformada inversa discreta de Fourier: dado
S (k), k = {0, . . . , K 1} s (n) =

K1 k=0
cmo encontramos
j2nk K
s (n),
n = {0, . . . , N 1}?
La formula estar en la siguiente manera
S (k) e
. Substituyendo
3 This content is available online at <http://cnx.org/content/m12844/1.1/>. 4 "Modeling the Speech Signal", Figure 5: spectrogram <http://cnx.org/content/m0049/latest/#spectrogram> 5 "Discrete-Time Fourier Transform (DTFT)", (1) <http://cnx.org/content/m10247/latest/#eqn1>
209
la formula DFT en este prototipo para la transformada inversa da
K1
N 1
s (n) =
k=0 m=0
s (m) e(j
2mk K
) ej 2nk K
(11.7)
Note que la relacin de ortogonalidad que usamos tiene un carcter diferente ahora.
K1
e(j
k=0
2km K
) ej 2kn K
K =
if
m = {n, (n K) , (n 2K) , . . . } 0 otherwise K.
(11.8)
Nosotros obtenemos valores de no cero cada vez que los dos ndices dieren por mltiple de expresar estos resultados como
Podemos
( (m n lK)).
N 1
As, nuestra formula se convierte
s (n) =
m=0
Los nmeros sumar un
s (m) K
l=
( (m n lK))
(11.9)
solo muestreo unitario para
n y m existen en el rango {0, . . . , N 1}. Para obtener una transformada inversa, necesitamos m, n en este rango. Si no lo hiciramos, s (n) igualara a la suma l=0
siempre provee un muestreo unitario
de valores, y no tendramos una transformada valida: una vez que regresemos al dominio de frecuencia, no podramos obtener una ambiguosidad! claramente, el termino (nos haremos cargo del factor de
pronto). Si evaluamos el espectro en
menos frecuencias que lo que dura
la seal, el termino correspondiente a
m = n+K
aparecer para algunos valores de
Esta situacin signica que nuestra transformada prototipo iguala
n.
La nica manera de eliminar este problema es el requerir
m, n = {0, . . . , N 1}. s (n) + s (n + K) para cualquier valor de K N : tenemos que tener mas muestreos
de frecuencia que lo que dura la seal. De esta manera, podemos regresar del dominio de frecuencia al cual entramos por la DFT.
Exercise 11.1
Cuando tenemos menos muestreos de frecuencia que lo que dura la seal, algunos valores de la seal discreta igualan la suma de los valore de la seal original. Dada la interpretacin del muestreo para el espectro, caracterice este efecto de una manera diferente. Otra manera para entender este requerimiento es el usar de teora de ecuaciones lineares. Si escribimos la expresin para el DFT como un conjunto de ecuaciones lineares,
s (0) + s (1) + + s (N 1) = S (0) s (0) + s (1) e(j) K + + s (N 1) e(j)

. . .
2(K1) K 2(N 1)(K1) K 2 2(N 1) K
(11.10)
= S (1)
s (0) + s (1) e(j)

tenemos
+ + s (N 1) e(j) N
= S (K 1) K N.
Nuestra de
K.
Obtenemos ecuaciones en
desconocidos si queremos encontrar la seal de su espectro
muestreado. Este requerimiento es imposible de encontrar si
K < N;
tenemos que tener
relacin de ortogonalidad esencialmente dice que si tenemos el suciente numero de ecuaciones (muestreos de frecuencia), el conjunto de ecuaciones que resultan de esto se pueden resolver. Por convencin, el numero de valores para las frecuencias del DFT de la seal
es elegido para igualar la duracin
N.
El par para la transformada discreta de Fourier consiste de
210
CHAPTER 11.
Par de la Transformada Discreta de Fourier

N 1
S (k) =
n=0
s (n) e(j
N 1
2nk N
(11.11)
s (n) =
Example 11.1
1 N
S (k) ej
k=0
2nk N
(11.12)
Use esta demostracin para hacer un anlisis del DFT para la seal.
This is an unsupported media type. To view, please see http://cnx.org/content/m12844/latest/DFT_Analysis.llb
Example 11.2
Use esta demostracin para sintetizar una seal de una secuencia DFT
This is an unsupported media type. To view, please see http://cnx.org/content/m12844/latest/DFT_Component_Manipulation.llb
11.4 Transformada de Fourier Discreta en el Tiempo (DTFT)6

Transformada de Fourier Discreta en el Tiempo
X () =
n=
x (n) e(jn)
(11.13)
Transformada Inversa de Fourier Discreta en el Tiempo
x (n) =
1 2
X () ejn d
0
(11.14)
11.4.1 Espacios Relevantes

La transformada de Fourier en tiempo discreto
7
graca seales discretas en el tiempo innita en
l2
, a seales
de frecuencia continua con tamao nito (o peridicas) en
6 This content is available online at <http://cnx.org/content/m12861/1.1/>. 7 "Discrete-Time Fourier Transform (DTFT)" <http://cnx.org/content/m10247/latest/>
211
Figure 11.2:
Graca l2 (Z) en el dominio del tiempo para L2 ([0, 2)) en el dominio de la frecuencia.
11.5 Propiedades de la Transformada de Fourier Discreta en el Tiempo8

Propiedades de la Transformada de Fourier Discreta en el Tiempo Dominio de la Secuencia
Linearidad Simetra del Conjugado Simetra Par Simetra Impar Retrazo del Tiempo Modulacion Compleja Modulacin de Amplitud
Dominio de la Frecuencia
a1 s1 (n) + a2 s2 (n) s (n)

real
a1 S1 ej2f + a2 S2 ej2f S ej2f = S e(j2f ) S ej2f = S e(j2f ) S ej2f = S e(j2f ) e(j2f n0 ) S ej2f S ej2(f f0 ) S (ej2(f f0 ) )+S (ej2(f +f0 ) )
2 S (ej2(f f0 ) )S (ej2(f +f0 ) ) 2j 1 d j2f (2j) df S e j20
1 2
s (n) = s (n) s (n) = (s (n)) s (n n0 ) ej2f0 n s (n) s (n) cos (2f0 n) s (n) sin (2f0 n)
Multiplicacin por n Suma Valor en el Origen Teorema de Parseval
ns (n)
n=
(s (n))
2
S e
1 2
s (0)
n=
( 1 ) 2
S ej2f df |S ej2f | df
2
(|s (n) |)
( 1 ) 2
Figure 11.3:
Propiedades de la Transformada de Fourier Discreta en el Tiempo y sus relaciones.
8 This
212
CHAPTER 11.
11.6 Par de la Transformada de Fourier Discreta en el Tiempo9

Cuando obtenemos una seal discreta a muestrear una seal anloga, la frecuencia Nyquist corresponde a la
1 1 2 . Para demostrar esto, note que un senosoidal en la frecuencia Nyquist 2Ts tiene una forma muestreada que iguala
frecuencia discreta
Senosoidal en la Frecuencia Nyquist de 1/2T

1 cos 2 2Ts nTs
= =
cos (n) (1)

n
(11.15)
(j2n) n 1 2 = e(jn) = (1) , lo que signica que la 2 igual e correspondencia entre una frecuencia anloga y una frecuencia discreta es establecida:
El exponencial en la DTFT en la frecuencia
Relacin para la Frecuencia Discreta en el Tiempo Anlogo
fD = fA Ts
onde
(11.16)
fD
fA
representan las variables de frecuencia anloga y frecuencia discreta, respectivamente. La

10
gura de aliasing
provee otra manera para derivar este resultado. Conforme la duracin de cada punto en
la seal de muestreo peridica
pTs (t)
se hace mas pequea, las amplitudes de las repeticiones del espectro

11
pTs (t) , se vuelve iguales. 1 1 As, el espectro muestrario de la seal se convierte peridico con periodo Ts . As la frecuencia Nyquist 2Ts 1 corresponde a la frecuencia 2 .
de la seal, que son gobernadas por los coecientes de la series de Fourier de La transformada inversa de Fourier discreta en el tiempo se deriva fcilmente en la siguiente relacin:
1 if m = n e(j2f m) e+jf n df = 0 if m = n ( 1 )
1 2 2
(11.17)
As como encontramos que

1 2
1 2
S ej2f e+j2f n df
= = =
1 2
( 1 ) 2 m
s (m) e(j2f m) e+j2f n df

1 2
s (m)
( 1 ) 2
e((j2f ))(mn) df
(11.18)
s (n)
Los pares para la transformada de Fourier discretos en el tiempo son
Pares de la Transformada de Fourier en Tiempo Discreto
S ej2f =
n
s (n) e(j2f n)
(11.19)
Pares de la Transformada de Fourier en Tiempo Discreto

1 2
s (n) =
( 1 ) 2
S ej2f e+j2f n df
(11.20)
coeciente mas grande de 0 Fourier, decae al valor cero: |c0 | = A . As, para mantener un teorema de muestreo viable en trminos matemticos, la T 1 amplitud A debe incrementar a , convirtindose innitamente grande conformela duracin del pulso disminuye. Sistemas prcticos usan un valor pequeo de , digamos 0.1Ts y usan amplicadores para reescalar la seal.
9 This content is available online at <http://cnx.org/content/m12845/1.1/>. 10 "The Sampling Theorem", Figure 2: aliasing <http://cnx.org/content/m0050/latest/#alias> 11 Examinar la seal de pulso periodica revela que cuando se hace pequea, el valor de c , el
213
11.7 Ejemplos de DTFT12

Example 11.3
Calculemos la transformada de Fourier en tiempo discreto para la secuencia del exponencial decadente
s (n) = an u (n)
, donde
u (n)
la secuencia del Escaln unitario. Al remplazar la expresin de
la seal la formula de la transformada de Fourier.
Formula de la Transformada de Fourier
S ej2f
= =
n= n=0
an u (n) e(j2f n) ae(j2f )

n
(11.21)
La suma es un caso especial de
series geomtricas.
Series Geomtricas
(n ) =
n=0
As, por mientras que
1 , || < 1 1
(11.22)
|a| < 1
, tenemos nuestra transformada de Fourier.
S ej2f =
1 1 ae(j2f )
(11.23)
Usando la relacin de Euler, podemos expresar la magnitud y el ngulo de este espectro.
|S ej2f | =
1 (1 acos (2f )) + a2 sin2 (2f )

2
(11.24)
S ej2f
No importa que valor de
= arctan
asin (2f ) 1 acos (2f )
(11.25)
escojamos, las formulas anteriores demuestran claramente la natu-
raleza peridica del espectro de seales discretas en el tiempo. Figure 11.4 muestra como el espectro es un funcin peridica. Tan solo tenemos que considerar el espectro entre unambiguosamente. Cuando de frecuencias bajas; para
1 2
1 2 para denirla
a>0
, tenemos un espectro de pasa bajas el espectro desaparece
cuando la frecuencia incrementa de
a<0
1 2 con una a incrementa nos lleva a un contenido mayor ,tenemos un espectro de pasa altas. (Figure 11.5).
12 This
214
CHAPTER 11.
Figure 11.4:
El espectro de la seal exponencial (a = 0.5) es mostrado sobre el rango de frecuencias [2, 2], claramente demostrando la periodicidad de toda la espectra discreta en el tiempo. EL ngulo tiene las unidades en grados.
El espectro de varias seales exponenciales es mostrado aqu . Cual es la relacin aparente entre el espectro de a = 0.5 y a = 0.5 ?
Figure 11.5:
215
Example 11.4
Anlogo a una seal de pulso anlogo encontramos el espectro de la secuencia de pulso de tamao-
pulse sequence.
1 if 0 n N 1 s (n) = 0 otherwise
La transformada de Fourier de esta secuencia tiene la forma de una serie geomtrica truncada.
(11.26)
N 1
S ej2f =
n=0
e(j2f n)
(11.27)
Para las llamadas series geomtricas nitas, sabemos que
Series Geomtricas Finitas

N +n0 1
(n ) = n0
n=n0
para
1 N 1
(11.28)
todos los valores de
Exercise 11.2
Derive esta formula para la formula de series geomtrica nitas.
El truco es el considerar la
diferencia entre la suma de las series y la suma de las series multiplicada por Aplicando este resultado da (Figure 11.6.)
S ej2f
= =
1e(j2f N ) 1e(j2f ) e((jf ))(N 1) sin(f N ) sin(f )
(11.29)
El radio de las funciones de seno tiene la forma genrica de
funcin de sinc discreta ,
S ej2f
cuales el
dsinc (x) . = e((jf ))(N 1) dsinc (f ) . El espectro numero incrementa con N , la duracin del
sin(N x) sin(x) , que es mejor conocida como la Por lo tanto, nuestra transformada puede ser expresada como
del pulso discreto contiene muchas ondulaciones, las pulso.
216
CHAPTER 11.
Figure 11.6:
El espectro para un pulse de tamao-diez es mostrado aqu. Pued usted explicar la apariencia complicada que el ngulo tiene?
217

Esta situacin nos lleva a aliasing en el dominio del tiempo.

N +n0 1 N +n0 1
n=n0
(n )
n=n0
(n ) = N +n0 n0
(11.30)
la cual, despus de algunas manipulaciones, da la formula de la suma geomtrica.
218
CHAPTER 11.
Chapter 12
Transformada de Fourier de Tiempo Continuo (CTFT)
12.1 Transformada de Fourier de Tiempo Continuo (CTFT)1
12.1.1 Introduccin
Debido al gran nmero de seales de tiempo-continuo que estan presentes en las series de Fourier
2
nos da una
primera ojeada de cuantas maneras podemos representar algunas de estas seales de manera general: como una superposicin de un nmero de seales senosoidales. Ahora podemos ver la manera de representar seales noperiodicas de tiempo continuo usando la misma idea de superposicin. A continuacin presentaremos la
Transformada de Fourier de Tiempo-Continuo (CTFT), tambin conocida solo como Transformada

de Fourier (FT). Por que la CTFT ahora trataremos con seales no periodicas, encontraremos una manera de incluir
todaslas frecuencias en ecuaciones en general.
12.1.1.1 Ecuaciones Transformada de Fourier de Tiempo-Continuo
F () =
f (t) e(jt) dt
(12.1)
Inversa de la CTFT
f (t) =
1 2
F () ejt d
(12.2)
note:
No se confunda con la notacin - es comn ver la formula anterior escrita un poco diferente.
Una de las diferencias ms comunes echa por los profesores es la forma de escribir el exponente. Arriba escribimos la variable de la frecuancia readial Vase aqui
3
en el exponencial, donde
= 2f ,
pero
tambin vemos que los profesores incluyen la expresin ms explicicta, de Seales DSP.
j2f t,
en el exponencial.
para una descripcin de la notacin utilizada en los modulos de Procesamiento Digital
1 This content is available online at <http://cnx.org/content/m12955/1.1/>. 2 "Classic Fourier Series" <http://cnx.org/content/m0039/latest/> 3 "DSP notation" <http://cnx.org/content/m10161/latest/>
219
220
CHAPTER 12.
TRANSFORMADA DE FOURIER DE TIEMPO CONTINUO (CTFT)
La ecuacuin anterior para las CFT y su inversa vienen directamente de las series de Fourier y de nuesro entendimiento de sus coecientes. Para la CTFT simplemente utilizamos la intergracin en lugar de la simulacin para ser capaces de expresar las seales peridicas. Esto debera tener sentido ya que simlemente estamos extendiendo las ideas de las series de Fourier para las CTFT para incluir las seales no-peridicas,y as todo el espectro de la frecuencia. Vase la Derivacin de la Transformada de Fourier ms profunda del tema.
4
para una mirada
12.1.2 Espacios Relevantes

El mapeo de la Transformada de Fourier de Tiempo-Continuo de longitud-innita, en seales de tiempocontinuo
L2
a longitud-innita,seales de frecuancia-continua en
L2 .
Revisando el Anlisis de Fourier (Sec-
tion 8.1) para una descripcin de todos los espacios usados en el anlisis de Fourier.
Figure 12.1:
Mapeando L2 (R) en el dominio del tiempo a L2 (R) en el dominio de frecuencia.
Para ms informacin de las caracteristicas de la CTFT, por favor vase el modulo de las Propiedades de la Transformada de Fourier
5
12.1.3 Problemas de Ejemplo

Exercise 12.1
Encontrar la Transformada de Fourier(CTFT) de la funcin
e(t) if t 0 f (t) = 0 otherwise

Exercise 12.2
(12.3)
Encontrar la inversa de la Transformada de Fourier de la onda cuadrada denda como:
1 if || M X () = 0 otherwise
(12.4)
4 "Derivation of the Fourier Transform" <http://cnx.org/content/m0046/latest/> 5 "Properties of the Continuous-Time Fourier Transform" <http://cnx.org/content/m10100/latest/>
221
12.2 Propiedades de la Transformada de Fourier de TiempoContinuo6

En este modulo veremos algunas de las propiedades bsicas de la Transformada de Fourier de TiempoContinuo
7
(CTFT). La primera seccin contiene una tabla que ilustra las propiedades, y la siguiente seccin En la tabl, oprima en el nombre de la
discute unas de las propiedades mas interesantes ms a fondo. tabla expandida de las propiedades de Fourier.
note:
operacin para ver la explicacin se se encuentra ms adelante. Vase este modulo (Section 5.7) para una
Discutiremos estas propiedades para seales aperiodicas de tiempo-continuo pero entender-
emos que propiedades similares se matienen para seales de tiempo-continuo y seales peridicas.
12.2.1 Tabla de Propiedades de CTFT

Nombre de la Operacin
Adicin (Section 12.2.2.1: Linealidad) Multiplicacin Escalar (Sec-
Seal (
f (t) )
Transformada (
F () )
f1 (t) + f2 (t) f (t) F (t) f (t)
F1 () + F2 () F (t) 2f ()
1 || F
tion 12.2.2.1: Linealidad) Simetra Simetra) Escalamiento en el Tiempo (Section 12.2.2.3: Escalamiento en el Tiempo) Desplazamiento (Section en el Tiempo (Section 12.2.2.2:
f (t )
F () e(j )
12.2.2.4:
Desplaza-
miento en el tiempo) Modulacin (Desplazamiento de Frecuencias) cuencia)) Convolucin en el Tiempo (Section 12.2.2.6: Convolucin) Convolucin en la Frecuencia (Section de 12.2.2.5: la FreModulaci(Desplazo
f (t) ejt
F ( )
(f1 (t) , f2 (t)) f1 (t) f2 (t)

dn dtn f
F1 (t) F2 (t)
1 2
(F1 (t) , F2 (t))

n
(Section 12.2.2.6: Convolucin) Diferenciacin (Section 12.2.2.7: Time Diferenciacin)

Table 12.1
(t)
(j) F ()
12.2.2 Discusin de las Propiedades de la Transformada de Fourier

Despus de haber visto la tabla anterior y tener un sentimiento de las proiedades de la CTFT, ahora nos tomaremos un poc ms de tiempo para discutir de las propiedades ms importantes y tiles.
6 This content is available online at <http://cnx.org/content/m12957/1.2/>. 7 "Continuous-Time Fourier Transform (CTFT)" <http://cnx.org/content/m10098/latest/>
222
CHAPTER 12.
12.2.2.1 Linealidad
La combinacin de las propiedades de la adicin y de la multiplicacin escalar de la tabla anterior demuestran la propiedad bsica de linealidada. Lo que debe de ver es que si uno toma la Transformada de Fourier de una combinacin lineal de seales entonces esta ser la misma que la combinacin lineal de la transformada de Fourier de cada seal individual. Esto es crucial cuando usamos la tabla (Section 11.1) de las transformadas para encontrar la transformada de una seal ms complicada.
Example 12.1
Empezaremos con la siguiente seal:
z (t) = f1 (t) + f2 (t)

que la combinacin lineal de los trminos no es afectada por la transformada.
(12.5)
Ahora, despus de tomar la transformada de Fourier, mostrada en la siguiente ecuacin, notemos
Z () = F1 () + F2 ()
(12.6)
12.2.2.2 Simetra
La simetra es una propiedad que nos puede hacer la vida ms fcil resolviendo problemas que involucran la transformada de Fourier. Basicamente ;p que dice esta propiedad es que ya que la funcin rectangular en el tiempo es una funcin sinc en la frecuancia, entonces una funcin sinc en el tiempo ser una funcin rectangular en la frecuencia. Este es un resultado directo de las similaridades entre la CTFT y la inversa de la CTFT. La nica diferencia es que es escalda por
y una revocacin de la frecuancia.
12.2.2.3 Escalamiento en el Tiempo

Esta propiedad trata con el efecto de la representacin del dominio de frecuancia de una seal si la variable tiempo es alterada. El concepto ms importante par entender para la propiedad de escalammiento es que las seales que son estrechas en el tiempo son amplias en la frecuancia y vice versa. El ejemplo ms sencillo de esto es la funcin delta, un pulso unitario
8
con una
muy pequea duracin, en el tiempo que se convierte
en funcin constante de longitud-innita en frecuencia. La tabla anterior muestra esta idea para una transformacin general del dominio-tiempo de la seal. Usted debera de ser capaz de notar que esta ecuacin muestra la relacin mencionada anteriormente: si la variable tiempo incrementa entonces el rango de la frecuencia sera decreciente.
12.2.2.4 Desplazamiento en el tiempo

El desplazamiento en el tiempo muestra que un desplazo en el tiempo es equivalente a un desplazo de fase lineal en la frecuencia. Ya que el contenido de la frecuencia depende solamente de la forma de la seal, el cual es invariabe en el desplazo en el tiempo, entonces solamente la fase del espectro ser alterada. Esta propiedad ser provada facilmente usando la Transformada de Fourier, asi que mostraremos los pasos bsicos a continuacin:
Example 12.2
Primero empezaremos dejando que con la expresin anterior sustituida para
z (t) = f (t ). z (t).
Ahora tomemos la transformada de Fourier
Z () =
f (t ) e(jt) dt
(12.7)
8 "Elemental
Signals": Section Pulse <http://cnx.org/content/m0004/latest/#pulsedef>
223
Ahora hagamos un pequeo cambio de variables, donde fase en el dominio de la frecuencia.
= t .
A travs de la calculacin
antarior, podemos ver que solamente la variable en el exponencial es alterada solo cambiando la
Z ()
= =
= e
f () e(j(+ )t) d e(j ) f () e(j) d (j )
(12.8)
F ()
12.2.2.5 Modulaci(Desplazo de la Frecuencia)

La modulacin es absolutamente imprescindible para las aplicaciones de comunicaiones. Siendo capaces de desplazar una seal a diferentes frecuencias, nos que mas que tomar ventaja de diferentes partes de los espectros del electromagnetismo es lo que nos permite transmitir la televisin, radio y otroas aplicaciones a travs del mismo espacio sin interferencia signicativa. La demostracin de la propiedad del desplzamiento de la frecuencia es muy similar a la de desplazamiento en el tiempo (Section 12.2.2.4: Desplazamiento en el tiempo); Sin embargo, aqui usaremos la transformada inversa de Fourier. Ya que vamos a travs de los pasos anteriores, la demostracin de desplazamiento ene l tiempo, a continuacin solo mostrara los pasos iniciales y nales de esta demostracin:
z (t) =
1 2
F ( ) ejt d
(12.9)
Ahora simplemente reducimos esta ecuacin por medio de un cambio de variable y simplicando los trminos. Despus probaremos la propiedad expresada en la tabla anterior:
z (t) = f (t) ejt
(12.10)
12.2.2.6 Convolucin
Convolucin es una de las grandes razones para convertir seales en dominios de frecuancia ya que la convolucin en el tiempo se convierte en multiplicacin en frecuencia. Esta propiedad es tambin otro buen ejemplo de la simetria entre el tiempo y la frecuencia. Tambin muestra que hay muy poca ganancia cambiando el dominio de frecuancia cuando la multiplicacin en el tiempo esta involucrada. Introduciremos la integral de convolucin, pero si no la ha visto anteriormente o necesita refrescar la memoria vase el modulo de convolucin de tiempo-continuo (Section 3.2) para una explicacin mas profunda y su derivacin.
y (t)
= =
(f1 (t) , f2 (t))

f1 ( ) f2 (t ) d
(12.11)
12.2.2.7 Time Diferenciacin

Ya que los sistemas LTI (Section 2.1) pueden ser representados en trminos de ecuaciones diferenciales, es evidente que con esta propiedad que conviertiendo al dominio de frecuencia nos permitir convertir esta complicada ecuacin diferencial a una ecuacin ms sencilla que involucre multiplicacin y adicin. tambin es visto con mas detalle durante el estudi de la Transformada de Laplace
9
Esto
9 "The
Laplace Transforms" <http://cnx.org/content/m10110/latest/>
224
CHAPTER 12.

Para poder calcular la transformada de Fourier, todo lo que necesitamos es usar los (12.1) (Transformada de Fourier de Tiempo-Continuo), expnenciales complejos
10
, y clculos bsicos.
F ()
= = = =
f (t) e(jt) dt (t) (jt) e e dt 0 (t)(+j) e dt 0 1 0 +j
(12.12)
F () =
1 + j
(12.13)
Aqui usaremos la (12.2) (Inversa de la CTFT) para encontrar la inversa de la FT, dado eso
t = 0.
x (t)
= = =
M 1 jt d 2 M e 1 jt |,=ejw 2 e 1 t sin (M t)
(12.14)
x (t) =
sinc
Mt
(12.15)
10 "The
Complex Exponential" <http://cnx.org/content/m10060/latest/>
Chapter 13
Teorema de Muestreo
13.1 Muestreo1
13.1.1 Introduccin
Una computadora puede procesar exible y poderoso. Mas sin embargo la mayoria de las seales de interes son de como casi siempre aparecen al natural. Este modulo introduce la idea de trasladar los problemas de tiempo continuo en unos de tiempo discreto, y podra leer ms de los detalles de la importancia de el
seales de tiempo discreto usando un lagoritmo extremandamente tiempo continuo, que es
muestreo.
Preguntas clave
Cmo pasamos de una seal de tiempo continuo a una seal de tiempo discreto (muestreo, A/D)? Cundo podemos reconstruir (Section 13.2) una seal CT exacta de sus muestras (reconstruccin, D/A)? Manipular la seal DT es lo que reconstruir la seal?
13.1.2 Muestreo
Muestreo (y reconstruccin) son los mejores entendimiento en dominio de frecuencia. Empezaremos viendo algunos ejemplos:
Exercise 13.1
Qu seal CT
f (t)
tiene la CTFT (Section 12.1) mostrada anterirormente?
f (t) =
1 This
1 2
F (jw) ejwt dw
225
226
CHAPTER 13.
TEOREMA DE MUESTREO
Figure 13.1:
La (Transformada de Fourier de Tiempo Continuo)CTFT de f (t).
Pista:
F (jw) = F1 (jw) F2 (jw)
donde las dos partes de
F (jw)
son:
(a)
Figure 13.2
(b)
Exercise 13.2
Qu seal DT
fs [n]
tiene la DTFT (Section 11.4) mostrada anteriormente?
fs [n] =
1 2
fs ejw ejwn dw
Figure 13.3:
DTFT que es priodica (con period = 2 ) versin de F (jw) en la Figure 13.1.
227
Figure 13.4:
discreto de f (t)
f (t) es la seal de tiempo-continuo anterior y fs [n] es la versin muestreada de tiempo-
13.1.2.1 Generalizacin
Por supuesto, que los resultados de los ejemplos anteriores pueden ser generalizados a
cualquier
f (t)
con
F (jw) = 0, |w| > ,
donde
f (t)
es
limitado en banda a
[, ].
(a)
Figure 13.5:
(b)
F (jw) es la CTFT de f (t).
228
CHAPTER 13.
TEOREMA DE MUESTREO
(a)
Figure 13.6:
(b)
` Fs ejw es la DTFT de fs [n].
Fs ejw
es perodico (Section 6.2) (con perodo
2 )
versin de
F (jw). Fs ejw
es la DTFT de muestreo
de seal en los enteros.

note:
F (jw)
es la CTFT de seal.
Si
f (t)
es limitado en banda para
[, ]
entonces la DTFT de la versin muestreada
fs [n] = f (n)
es solo peridica (con perodo
2 )
versin de
F (jw).
13.1.3 Cambiando una Seal Discreta en una Seal Continua

Ahora veamos como cambiar una seal DT en una seal continua en el tiempo. Sea DTFT
fs [n]
una seal DT con
Fs ejw
(a)
Figure 13.7:
(b)
` Fs ejw es la DTFT de fs [n].
Ahora, sea
fimp (t) =
n=
La seal CT,
(fs [n] (t n)) fs [n].
fimp (t),
es no-cero solo en los enteros donde hay implulsos de altura
229
Figure 13.8
Exercise 13.3
Cal es la CTFT de
fimp (t)? fs [n]

de un limitado en banda para la seal
Ahora, dadas las muestras
[, ],
nuestro siguiente paso es
ver como podemos reconstruir (Section 13.2)
f (t).
Figure 13.9: Diagrama de bloque mostrando cada paso bsico usado para reconstruir f (t). Podemos hacer nuestro resultado igual a f (t) exactamente?
13.2 Reconstruccin2
13.2.1 Introduction
El proceso de reconstruccin empieza tomando una seal muestreada, que estar en tiempo discreto, y haciendo unas operaciones para poder convertirla en tiempo-continuo y con algo de suerte en una copia de la seal original. Un mtodo bsico usado para reconstruir una seal limitada en banda de muestras en los enteros es hacer los siguientes pasos:
[, ]
de sus
cambiar muestra de la secuencia ltro pasa bajas
fs [n]
en un tren de impulso
fimp (t)
( freq. =
fimp (t)
para obtener la reconstruccin
f (t)
2 This
230
CHAPTER 13.
TEOREMA DE MUESTREO
Figure 13.10:
Diagrama de bloque de reconstruccin con el ltro pasa bajas (lowpass lter (LPF)).
La respuesta al impulso del ltro pasa bajas es
g (t).
La siguiente ecuacin nos permite reconstruir nuestra
seal (Figure 13.11),
f (t).
f (t)
= g (t) fimp (t) = g (t)

n=
(fs [n] (t n))

(13.1)
= = =
f (t)
n= n=
(fs [n] (g (t) (t n))) (fs [n] g (t n))
Figure 13.11
13.2.1.1 Ejemplos de Filtros g Example 13.1: Filtros de Orden Cero

Este tipo de "ltro" es uno de los ms bsicos en los ltros de reconstruccin. Este simplemente mantiene el valor que esta en el donde cada valor del pulso en
fs [n] para segundos. Esto crea un bloque o pasos fs [n] es simplemente arrastrado al siguiente pulso.
como funcin La siguiente
ecuacin y la ilustracin (Figure 13.12) representan como el ltro de reconstruccin funciona con
231
la siguiente
g: 1 if 0 < t < g (t) = 0 otherwise
fs [n] =
n=
(fs [n] g (t n))
(13.2)
(a)
Figure 13.12:
(b)
Mantiene el Orden Cero
note:
Cmo es que
f (t)
reconstruida con orden cero se compara con la original
f (t)
en el
domionio de frecuencia?
Example 13.2: Orden N-esimo

Aqu veremos algunos ejemplos rpidos de la varianza del ltro de orden cero visto en el ejemplo anterior.
232
CHAPTER 13.
TEOREMA DE MUESTREO
(a)
(b)
(c)
Figure 13.13: Ejemplo de N-esimo Orden (n-esimo orden es igual a un B-spline de n-esimo orden) (a) Primer Orden (b) Segundo Orden (c) Orden
13.2.2 ltimo Filtro de Reconstruccin

note:
Cal es el ltimo ltro de reconstruccin?
Recordando que ( Figure 13.14)
233
Diagrama de bloque de nuestra reconstruccin. Notese que cada una de estas seales tiene su propia CTFT o DTFT correspondiente.
Figure 13.14:
Si
G (j)
tiene la siguiente forma (Figure 13.15):
Figure 13.15:
Filtro pasa baja ideal
entonces
f (t) = f (t)
Por lo tanto,un ltro pasa baja ideal nos dara una reconstruccin perfecta! En el dominio en el tiempo, la respuesta al impulso
g (t) =
sin (t) t (fs [n] g (t n)) fs [n] sin((tn)) (tn)
(13.3)
f (t)
= =
n= n=
(13.4)
= f (t)
13.2.3 Conclusiones sorprendentes

f (t) es limitado fs [n] = f (t) |t=n
Si en banda a
[, ],
puede ser reconstruido perfectamente de su muestra en lo enteros
f (t) =
n=
fs [n]
sin ( (t n)) (t n)
(13.5)
234
CHAPTER 13.
TEOREMA DE MUESTREO
La ecuacin anterior para una reconstruccin perfecta merece una mirada ms cercana (Section 13.3), que se ver en la siguiente seccin para un mejor entendimiento de la recostruccin. cosas para empezar a pensar en ellas por ahorita: Aqu estan algunas
Que
sin((tn)) iguala a los enteros diferentes a n? (tn) sin((tn)) Cal es el soporte de (tn) ?
13.3 Ms sobre Reconstruccin Perfecta3

13.3.1 Introduccin
En el modulo previo en reconstruccin (Section 13.2), dimos una introduccin de como trabaja la reconstruccin y temporalemte derivamos una ecuacin usada para realizar una perfecta reconstruccin. Ahora tomemos un vistazo ms cercano a la formula de la reconstruccin perfecta:
f (t) =
n=
Escribiremos
fs
sin ( (t n)) (t n)
(13.6)
f (t)
en trminos de las funciones sinc desplazadas y escaladas
sin ( (t n)) (t n)
es una
nZ
base (Section 5.1.3: Bases) para el espacio de seales limitadas en bada
[, ] .
Pero espere . . . .
13.3.1.1 Formulas de la Derivada de Reconstruccin

Que es
<
sin ( (t n)) sin ( (t k)) , >=? (t n) (t k)
(13.7)
Este producto interno (Section 7.3) puede ser difcil de calcular en el dominio del tiempo, asi que usaremos el Teorema de Plancharel (Section 7.12)
< , >=
1 2
e(jn) ejk d
(13.8)
3 This
235
(a)
(b)
Figure 13.16
si
n=k < sincn , sinck > = =

1 2
e(jn) ejk d
1
1 (jn) jn e d 2 e 1 j(kn) d 2 e 1 sin((kn)) 2 j(kn)
(13.9)
si
n=k < sincn , sinck > = = = =

note:
(13.10)
En la (13.10) usamos el echo de que la integral de la senosoidal en un intervalo completo
es 0 para simplicar nuestra ecuacin. As,
1 if n = k sin ( (t n)) sin ( (t k)) , >= < 0 if n = k (t n) (t k)

Por lo tanto
(13.11)
sin ( (t n)) (t n)
.
nZ
es una base ortonormal (Section 7.7.3: Base Ortonormal) (ONB) para el espacio de funciones limitadas de banda de
[, ]
note: Muestreo es lo mismo que calcular los coecientes de ONB, que es el producto interno con
sincs
13.3.1.2 Resumen
Una ltima vez para
f (t) [, ]
limitado en banda
236
CHAPTER 13.
TEOREMA DE MUESTREO
Sntesis
f (t) =
n=
fs [n]
sin ( (t n)) (t n)
(13.12)
Anlisis
fs [n] = f (t) |t=n

examinar la relacin
4
(13.13)
Para poder entender un poco ms sobre como podemos reconstruir una seal exacatamente, ser til entre las transformadas de Fourier (CTFT y DTFT) a ms profundidad.
13.4 Teorema de Nyquist5

13.4.1 Introduccin
Anteriormente habia estado expuesto a los conceptos detras del muestreo (Section 13.1) y el teorema de muestreo. Mientras aprenda estas ideas, debio haber empezado a notar que si muestreamos a muy bajo valor, hay una oportunidad que nuestra seal original no sea nicamente denida por nuestra seal muestreada. Si esto sucede, entonces no es garantia de que recontruyamos (Section 13.2) correctamente la seal. Como resultado de esto, el este torema nos dice.
Teorema de Nyquist ha sido creado. A continuacin veremos exactamente lo que
13.4.2 Teorema de Nyquist

Sea
igual a nuestro perodo de muestreo (distancia entre las muestras). Despus sea
de muestreo radianes/seg). Hemos visto que si perodo
f (t)
es limitado en banda en
s = 2 (frecuencia T [B , B ] y muestreamos con

de sus muestras.
T <
2 s
<
s > 2B
entonces podemos reconstruir
f (t)
Theorem 13.1: Teorema de Nyquist ("Teorema Fundamental de Procesamiento Digital de Seales

DSP") Si
f (t) es limitado en banda a [B , B ], podemos reconstruirlo perfectamente de sus muestras fs [n] = f (nT )
para
s =
2 T
> 2B
Nyquist " para
N = 2B
posible
es llamada la "frecuencia
f (t).
Para la reconstruccin perfecta de ser
s 2B
donde
es la frecuancia de muestreo y
es la frecuencia ms alta en la seal.
4 "Examing Reconstruction Relations" <http://cnx.org/content/m10799/latest/> 5 This content is available online at <http://cnx.org/content/m12971/1.2/>.
237
Figure 13.17:
Illustracin de la Frecuencia Nyquist
Example 13.3: Ejemplos:
El odo humano oye frecuencias hasta 20 kHz es de 8 kHz.
CD el valor de la muestra es 44.1 kHz.
La linea telefnica pasa frecuencias de hasta 4 kHz
la muestra de la compaia de telefonos
13.4.2.1 Reconstruccin
La formula de la reconstruccin en el dominio del tiempo se ve como
f (t) =
n=
Podemos concluir, desde antes que
fs [n]
sin
T
(t nT ) (t nT )
sin
T
es una base (Section 5.1) para el espacio de de expansin para esta base son
(t nT ) (t nT )
, nZ
T . Los coecientes
[B , B ] funciones limitadas en banda, B = 2 calculados muestreando f (t) en el valor T = 2B .
note: La base tambin es ortogonal. Para hacerla ortonormal (Section 7.8), necesitamos un factor
de normalizacin de
T.
13.4.2.2 La gran Pregunta Exercise 13.4

Que pasa si
Qu sucede cuando muestreamos abajo del valor de Nyquist?
s < 2B ?
238
CHAPTER 13.
TEOREMA DE MUESTREO
13.5 Aliasing6
13.5.1 Introduccin
Cuando consideramos la reconstruccin (Section 13.2) de una seal, usted ya debe de estar familiarizado con la idea de el valor de Nyquist. (Section 13.4) Este concepto nos permite encontrar el valor de muestreo que nos dara una reconstruccin perfecta de nuestra seal. Si nosotros muestreamos en un valor muy bajo (abajo del valor de Nyquist), entonces surgirn problemas para hacer una reconstruccin perfecta imposible-este problema es coocido como
aliasing (algunos autores traducen este trmino como solapamiento). Aliasing
ocurre cuando hay un traslapo en el desplazamiento, copias priodicas en nuestra seal FT, es decir espectro. En el dominio de frecuencia, notaremos que parte de la seal se trasladara con la seal siguiente a l. En este solapamiento los valores de la frecuencia sern sumados juntos y la forma del espectro de la seal ser indeseablemente alterado. Este solapamiento o aliasing hace posible determinar correctamente la fuerza de la frecuencia. La Figure 13.18 nos da un ejemplo visual de este fenmeno:
Figure 13.18:
El espectro de una seal limitada en banda (a W Hz) es mostrada arriba en la grca. Si el intervalo muestreado Ts es elegida demasiado gande relativo con el ancho de banda W , el aliasing ocurrira. En la grca de la parte de abajo, el intervalo muestreado es elegido sucientemente pequeo para evitar el aliasing. Note que si la seal no fuera limitada en banda, el componente del espectro siempre sera traslapado.
13.5.2 Aliasing y Muestreo

Si muestreamos demasiado lento, es decir,
s < 2B , T >
No podemos recuperar la seal de su muestra debido al aliasing.
6 This
239
Example 13.4
Sea
f1 (t)
tiene CTFT.
Figure 13.19:
En esta gura, note la siguiente ecuacin: B
s 2
=a
Sea
f2 (t)
tiene CTFT.
Las porciones originales de la seal resultan del solapamiento con replicas desplazadasmostrando la demostracin visual del aliasing.
Figure 13.20:
Trate de bosquejar y resolver las siguientes ecuaciones por su cuenta:
Qu es lo que hace la DTFT de Alguna otra seal tiene la
Qu es lo que hace la DTFT de
f1,s [n] = f1 (nT ) ? f2,s [n] = f2 (nT ) ? misma DTFT como f1,s [n]
f2,s [n]?
CONCLUSIN: Si muestreamos debajo de la frecuencia de Nyquist, hay muchas seales que pueden producir la secuencia dada de la muestra.
240
CHAPTER 13.
TEOREMA DE MUESTREO
Figure 13.21:
Todas son iguales
Por qu el trmino "aliasing"?
Por que la misma muestra de secuencia puede ser representada por
diferentes seales CT (en comparacin a cuando muestreamos la frecuencia de Nyquist anterior, entonces la secuencia muestra representa una seal CT nica).
Figure 13.22:
diferentes.
Estas dos seales contienen las mismas cuatro muestras, con todo son seales muy
Example 13.5
f (t) = cos (2t)
241
Figure 13.23:
La gura muestra la funcin coseno, f (t) = cos (2t), y su CTFT.
Caso 1: Muestra
note:
1 s = (8) rad T = 4 seg. seg
s > 2B
w s
Caso 2: Muestra
note:
8 3
rad seg
T = 3 seg. 4
s < 2B
Cuando corremos la DTFT del Caso #2 a travs de los pasos de reconstruccin, nos damos cuenta que terminamos con el siguiente coseno:
f (t) = cos
t 2
Esta es una versin "estrecha" de la versin original. Claramente nuestro valor de muestra no fue lo suencitemente alto para asegurar la reconstruccin correcta de las muestras. Probablementa ya habra visto algunos efectos del aliasing tal como: una rueda del carro que da vuelta al revs en una pelcula occidental. a una frecuencia muy baja. Aqu hay algunas ligas
7
que ilustran dicho efecto, de bajo muestreo y

8
aliasing. Este es un ejemplo de una imagen que tiene artefactos de Moire
como resultado de una escaneada
13.6 Filtros Anti-Aliasing9

13.6.1 Introduction
La idea de aliasing (Section 13.5) fue descrita como el problema que ocurre si una seal es no muestreada (Section 13.1) en un valor sucientemente grande (por ejemplo, debajo de la Frecuencia de Nyquist (Section 13.4)). Pero exactamente qu tipo de distorcin produce el aliasing?
7 http://owers.ofthenight.org/wagonWheel 8 http://www.dvp.co.il/lter/moire.html 9 This content is available online at <http://cnx.org/content/m12974/1.2/>.
242
CHAPTER 13.
TEOREMA DE MUESTREO
(a)
(b)
Figure 13.24
Frecuencias altas en la seal original "se dobla" en frecuencias bajas. Frecuencias altas disfrazadas como frecuencias bajas producen artefactos seal reconstruida.
note: Debemos de evitar el aliasing de la forma que podamos.
altamente indeseables en la
13.6.2 Evitando el Aliasing

Cmo si esto es impracticamente/imposible para muestras como Filtre hacia afuera las frecuencias anteriores es imaginar los siguientes pasos: 1. Tomar la CTFT (Transformada de Fourier de Tiempo-Continuo) de la seal, 2. Pasar la seal a travs de un ltro pasa bajas con las siguiente especicacin,
s > 2B ?
s 2 antes
de que muestree, la mejor forma de visualizarlo
s 2 . 3. Ahora tenemos una grca de nuestra seal en el dominio de frecuencia con todos los valores de
f (t). c =
s 2 igual a cero. Ahora tomamos la inversa de la CTFT para regresar a nuestra seal de tiempo continuo,
|| >
fa (t).
4. Y nalmente estamos listos para muestrear nuestra seal.
Example 13.6
Valor de muestra para podemos escuchar). Debido a esto, podemos ltrar la seal de salida del instrumento antes de que la muestremos usando el siguiente ltro:
CD = 44.1KHz. 22KHz
(aun cucando no los
Muchos instrumentos musicales, contienen las frecuencias arriba de
243
Figure 13.25:
Este ltro cortara la frecuencia alta inecesaria, donde |c | > 222kHz
Ahora la seal esta lista para ser muestreada.
Example 13.7: Otro Ejemplo

El discurso del ancho de banda es pasa baja a un rango
> (20kHz), pero es perfectamente inteligible cuando el ltrado |c | > 24kHz.
(4kHz)
. Debido a esto podemos tomar una seal de discurso normal y
pasarla a travs del ltro como la mostrada en la Figure 13.25, donde ahora ponemos La seal que recibimos de este ltro solamente contiene valores donde Ahora podemos muestrear en
|| > 8k .
16k = 8kHz
rango de la telefona estandard.
13.7 Procesamiento de Tiempo Discreto de Seales de Tiempo Continuo10
Figure 13.26
Cmo esta relacionada la CTFT de y(t) con la CTFT de F(t)? Sea
G (j)
= respuesta de la frecuencia del ltro de reconstruccin
Y (j) = G (j) Yimp (j)

donde
Yimp (j)
es secuencia de impulso creada de
ys [n].
As que,
Y (j) = G (j) Ys ejT = G (j) H ejT Fs ejT 1 T
Y (j) = G (j) H ejT
F
r=
F 2r T F 2r T
Y (j) =
10 This
1 G (j) H ejT T
F
r=
244
CHAPTER 13.
TEOREMA DE MUESTREO
y
Ahora asumiremos que f(t) es limitado en banda a de recontruccin. Entonces
,T =
s 2 T
, s 2
G (j)
es un ltro perfecto
F (j) H ejT if || Y (j) = 0 otherwise F (j).
note:
Y (j)
tiene le mismo "limite en banda" como
Entonces, para seales limitadas en banda, y con un valor de muestra sucientemente alto y un ltro de reconstruccin perfecto
Figure 13.27
es equivalente a usar un ltro anlogo LTI
Figure 13.28
donde
H ejT if || Ha (j) = 0 otherwise
Siendo cuidadosos podemos implementar el sistema LTI para seales limitadas en banda en nuestra propia computadora.
Figure 13.29
Nota importante:
Ha (j)
= ltro inducido por nuestro sistema.
245
Figure 13.30
Ha (j)
es LTI si y solo si
h, es sistema DT es LTI F (j), la entrada, es limitada
en bada y el valor de la muestra es sucientemente grande.
246
CHAPTER 13.
TEOREMA DE MUESTREO

f (t) =
Ya que
1 2
F (jw) ejwt dw
F (jw) = 0
afuera de
[2, 2] f (t) = 1 2
2
F (jw) ejwt dw
2
Tambin , ya que solo utilizamos un intervalo para reconstruir
fs [n]
de su DTFT, tenemos
fs [n] =
Ya que
1 2
fs ejw ejwn dw
2
F (jw) = Fs ejw
en
[2, 2] fs [n] = f (t) |t=n f (t).
es decir fs [n] es una versin muestreada de Solution to Exercise 13.3 (p. 229)
fimp (t) =
n=
(fs [n] (t n))
F imp (jw)
= = = =
f (t) e(jwt) dt imp (jwt) dt n= (fs [n] (t n)) e (jwt) (t n) e dt n= (fs [n]) (jwn) n= (fs [n]) e
(13.14)
= Fs ejw
As que la CTFT de
note:
fimp (t)
es
igual a la DTFT de
fs [n]

Usamos la propiedad de desplazamiento para mostrar
(t n) e(jwt) dt = e(jwn)

Vayase a travs de los pasos: (vase la Figure 13.31)
247
Figure 13.31
Finalmente, Qu le pasara ahora a concepto de aliasing (Section 13.5).
Fs ej
? Para contestar esta ltima pregunta, necesitamos ver el
248
CHAPTER 13.
TEOREMA DE MUESTREO
Chapter 14
Transformada de Laplace y Diseo de Sistemas
14.1 La Transformada de Laplace1
La transformada de Laplace es una generalizacin de la Transformada de Fourier de Tiempo-Continuo (Section 12.1). Sin embargo, en lugar de usar funciones senosoidales complejas (Section 8.2) de la forma
ejt , como lo s = + j .
hace la CTFT, la transformada de laplace utiliza una forma ms generalizada,
est ,
donde
Aunque las transformadas de Laplace rara vez se resuelven mediante integracin (si no por medio de tabla (Section 14.3) y uso de computadoras (por ejemplo Matlab) es ms comun), aqu veremos los
pares bilaterales de la transformada de Laplace . Esto dene la transformada de Laplace y su inversa. Notese
las similitudes entre la transformada de Laplace y su inversa. Esto nos dara como resultado muchas de las simetrias encontradas en el anlisis de Fourier. (Section 8.1)
Transformada de Laplace
F (s) =
f (t) e(st) dt
(14.1)
Transformada Inversa de Laplace
f (t) =
1 2j
c+j
F (s) est ds
cj
(14.2)
14.1.1 Encontrando la Transformada de Laplace y su Inversa

14.1.1.1 Resolviendo la Integral
Probablemente el mtodo ms difcil y menos usado para encontrar la Transformada de Laplace es resolviendo la integral. Aunque es tcnicamente posible es extremadamente consumidor de tiempo. Dada la facilidad de los siguientes dos mtodos para encontrarla, no se vera de otra manera. Las integrales estan primordialmente para entender de donde se originan los siguientes mtodos.
1 This
249
250
CHAPTER 14.
TRANSFORMADA DE LAPLACE Y DISEO DE SISTEMAS
14.1.1.2 Usando una Computadora

El uso de una computadora para encontrar la transformada de Laplace es relativamente sencillo. Matlab tiene dos funciones,
laplace e ilaplace, las dos forman parte de las librerias simbolicas, y encontraremos la
transformada de Laplace y su inversa respectivamente. Este mtodo es preferido generalmente para funciones ms complicadas. Funciones ms sencillas e ideales usualmente se encuetran ms facil mediante el uso de tablas (Section 14.1.1.3: Usando Tablas).
14.1.1.3 Usando Tablas

Cuando se aprende por primera vez la transformada de Laplace, las tablas es la forma ms comun para encontrarla. Con suciente prctica las tablas se hacen inecesarias. Para el proposito de sta seccin, nos enfocaremos en la transformada inversa de Laplace, dado que la gran parte del diseo de aplicaciones empieza en el dominio de Laplace y dan como resultado una solucin en el dominio del tiempo. siguiente: 1. Se escribe la funcin que se desea transformar El mtodo es el
H (s), como la suma de otras funciones m (Hi (s)) donde cada una de las Hi se encuentra en la tabla (Section 14.3). i=1 2. Invertir cada Hi (s) para obtener su hi (t). m 3. Se suma cada hi (t) para obtener h (t) = i=1 (hi (t))
Example 14.1
Calcule
H (s) =
h (t)
para
H (s) =
1 s+5
, Re (s) > 5 h (t) = e(5t)
Esto puede ser resuelto directamente usando la tabla (Section 14.3) para ser
Example 14.2
Encontrar la representacin en el dominio del tiempo Para resolver esto, primero notemos que
H (s)
25 s+10 , Re (s) > 10 1 tambin puede ser escrito como 25 s+10 . Entonces
h (t),
de
H (s) =
podemos ir a la tabla (Section 14.3) para encontrar
h (t) = 25e(10t) h (t) para H (s) =

1 25 s+5 + s+10
Example 14.3
Podemos extender los dos ejemplos anteriores encontrando
, Re (s) >
5
los tres pasos descrito anteriormente para obtner como resultado
Para realizar esto, tomamos ventaja de la propiedad de aditividad y linealidad y el mtodo de
h (t) = e(5t) + 25e(10t)

2
Para ejemplos ms complicados, seri ms difcil descomponer la funcin de transferencia en partes que se encuentren en la tabla. En este caso, es necesario el uso de expansin en fracciones parciales la funcin de transferencia en una forma ms til. para obtener
14.1.2 Visualizando la Transformada de Laplace

Con la transfromada de Fourier, tenemos una
funcin de valores complejos de variables puramente
imaginarias
una
F (j).
Esto es algo que se podra visualizar mediante grcas en 2-dimensiones (parte real e
imaginaria o magnitud y fase). Sin emabrgo, con Laplace tenemos una
funcin de valores complejos de variable compleja. Para examinar la magnitud y la fase o la parte real e imaginaria de esta funcin,
debemos examinar la grca de supercie en 3-dimensiones de cada componente.
2 "Partial
Fraction Expansion" <http://cnx.org/content/m2111/latest/>
251
Ejemplo de grcas real e imaginaria
(a)
(b)
Figure 14.1: Parte real e imaginaria de H (s) son cada una supercies en 3-dimensiones. (a) La parte real de H (s) (b) La parte Imaginaria de H (s)
Ejemplos de grcas de magnitud y fase
(a)
Figure 14.2:
(b)
Magnitud y Fase de H (s) son tambin supercies en 3-dimensiones. Esta representacin es ms comun que las partes real e imaginaria. (a) La magnitud de H (s) (b) La fase de H (s)
Mientras que estas son maneras legitimas de ver una seal en el dominio de Laplace, es algo difcil dibujarlas y analizarlas. Por esta razon, un mtodo ms sencillo ha sido desarrollado; que aqu no ser discutido a detalle, el mtode de Polos y Ceros (Section 14.6) donde es mucho ms sencillo de entender la Transformada de Laplace y su contraparte discreta en el tiempo la Transformada Z (Section 15.1) y son representadas grcamente.
14.2 Propiedades de la Transformada de Laplace3

3 This
252
CHAPTER 14.
Propiedad
Linealidad
Seal
Regin de Convergencia (ROC)

Al menos una
x1 (t) + x2 (t) x (t ) et x (t)
X1 (s) + X2 (s) e
(s )
ROC1
Desplazamiento en el Tiempo Desplazamiento de Frecuencia (modulacin) Escalamiento en el Tiempo
ROC2
X (s)
ROC
Desplazado una
X (s )
ROC
s x (t) (1 ||) X (s )
debe de estar en la
regin de convergencia) Escalado una
ROC
debe de estar en
la regin de convergencia) Conjugacin Convolucin
x (t)
X (s )
ROC
Al menos una
x1 (t) x2 (t)
d dt x (t)
X1 (t) X2 (t) sX (s)

d ds X
ROC1
Diferenciacin en el Tiempo Diferenciacin de la Frecuencia Integracin en el Tiempo
Table 14.1
ROC2 ROC
Al menos una
(t) x (t)
t
(s)
ROC
Al menos una
x ( ) d
(1 s) X (s)
ROC
Re (s) > 0
253
14.3 Tabla de Transformadas de Laplace Comunes4

Seal Transformada de Laplace Regin de Convergencia
All All
(t) (t T ) u (t) (u (t)) tu (t) t u (t) (t u (t)) e

(t) n n
1 e
(sT ) 1 s 1 s 1 s2 n! sn+1 n! sn+1 1 s+ 1 s+ 1 (s)2 n! (s+)n+1 n! (s+)n+1 s s2 +b2 b s2 +b2 s+a (s+a)2 +b2 b (s+a)2 +b2 n
s s
Re (s) > 0 Re (s) < 0 Re (s) > 0 Re (s) > 0 Re (s) < 0 Re (s) > Re (s) < Re (s) > Re (s) > Re (s) < Re (s) > 0 Re (s) > 0 Re (s) > a Re (s) > a
All
Table 14.2
u (t) u (t) u (t) u (t)
e(t) te
(t) n (t)
t e
tn e(t) u (t) cos (bt) u (t) sin (bt) u (t) e

(at)
cos (bt) u (t)
e(at) sin (bt) u (t)

dn dtn (t)
14.4 Regin de Convergencia para la Transformada de Laplace5

Con la transformada de Laplace , el plano s representa un conjunto de seales (exponenciales complejos (Section 1.5)). Para cualquier sistema LTI, alguna de estas seales puede causar que la salida del sistema inversa, mientras otras hacen que la salida del sistema diverja (explote). El conjunto de las seales que causa que la salida de los sistemas converja se encuentran en la Recuerde la denicin de la transformada de Laplace,
6
regin de convergencia (ROC).este
modulo discutir como encontrar la regin de convergencia para cualquier sistema LTI continuo.
H (s) =
h (t) e(st) dt h (t) = e(at) u (t),
(14.3)
Si consideramos un exponencial complejo causal (Section 2.1), ecuacin,
obtenemos la siguiente
e(at) e(st) dt =
0 0
e((a+s)t) dt
(14.4)
4 This content is available online at <http://cnx.org/content/m12959/1.1/>. 5 This content is available online at <http://cnx.org/content/m12961/1.1/>. 6 "The Laplace Transforms" <http://cnx.org/content/m10110/latest/>
254
CHAPTER 14.
evaluando esto obtenemos,
1 s+a s=+
lim e((s+a)t) 1
(14.5)
Nota que esta ecuacin ira innito cuando tomaremos un paso mas al usar
lim e((s+a)t) vaya al innito. Para entender por que pasa esto, t j para realizar ecuaciones como
t
lim e(jt) e((+a)t) e((a)t)
(14.6) va determinar si la ecuacin explota o
Al reconocer que
e(jt)
es senosoidal, se vuelve aparente
no. lo que encontramos es que si
+a
es positivo, el exponencial va a tener una potencia negativa, lo que
va a causar que esto se vaya a cero cuando
vaya a innito. Pero si
+a
es negativa o cero, el exponencial
no tendr una potencia negativa, lo que prevendr que vaya a cero y el sistema no va a converger. Lo que todo esto nos dice es que para una seal causar, tenemos convergencia cuando
Condicin para Convergencia
Re (s) > a
(14.7)
Aunque no pasaremos por este proceso otra vez paras seales anticausales, podramos hacerlo. Al hacerlo, nos daramos cuenta que la condicin necesaria para convergencia es cuando
Condicin Necesaria para Convergencia Anti-causal
Re (s) < a
(14.8)
14.4.1 Entendiendo el ROC Grcamente

Talvez la mejor manera del ver la regin de convergencia es el ver el plano S lo que observamos es que para un solo polo, la regin de convergencia se encuentra a la derecha de las seales causales y a la izquierda de las seales anticausales.
(a)
Figure 14.3:
(b)
(a) La ROC para una seal causal. (b) La ROC para una seal anti-causal.
Despus de reconocer esto, la pregunta necesaria es esta: Que hacemos cuando tenemos polos mltiples? La respuesta ms simple es que tenemos que tomar la interseccin de todas las regiones de convergencias para cada respectivo polo.
255
Example 14.4
Encuentre
H (s)
y diga la regin de convergencia para
h (t) = e(at) u (t) + e(bt) u (t)
Al separa esto en dos trminos obtenemos que las funciones de transferencia y la respectivas regiones de convergencia de
H1 (s) =
y
1 , Re (s) > a s+a
(14.9)
H2 (s) =
Combinando esto obtenemos la regin
1 , Re (s) < b s+b de convergencia de b > Re (s) > a.
(14.10) Si
a > b,
podemos
representar esto grcamente. Si no, no abra una regin de convergencia.
Figure 14.4:
Regin de convergencia de h (t) si a > b.
14.5 La Transformada Inversa de Laplace7

14.5.1 To Come
En la Funcin de Transferencia
8
estableceremos que la funcin para la transformada de Laplace es
es
L1 (h) (t) =
donde
1 2
e(c+yj)t h ((c + yj) t) dy
(14.11)
y el numero real
cson
escogidos para que todas las
singularidades de
se encuentren en
el lado izquierdo del integral.
7 This content is available online at <http://cnx.org/content/m12962/1.1/>. 8 "Eigenvalue Problem: The Transfer Function" <http://cnx.org/content/m10490/latest/>
256
CHAPTER 14.
14.5.2 Continuando con la Transformada Inversa de Laplace

Con la transformada inversa de Laplace podemos expresar la solucin de
x = Bx + g
, como (14.12)
x (t) = L1 (sI B)
Por ejemplo, tomaremos el primer componente de
(L {g} + x (0))
L {x},nombrado
.
Lx1 (s) =
Denimos:
0.19 s2 + 1.5s + 0.27 s+

1 4 6
(s3 + 1.655s2 + 0.4078s + 0.0039)
Denition 14.1: polos

Tambin llamadas como singularidades estos son los punto Son las races del denominador,
en los cuales
Lx1 (s)
explota.
1/100, 329/400
73 16
, and
1/6.
(14.13)
Las cuatro son negativas, es suciente tomar
c = 0 as la integracin de (14.11) continua en el eje imaginario.

Sin embargo antes de esto hay que notar que Volviendo a b3.m
9
No suponemos que el lector aya encontrado integraciones en el plano complejo pero esperamos que este ejemplo provea la motivacin necesaria para examinarla. comando MATLAB tiene el clculo necesario para desarrollar este punto. observamos que el
ilaplace
produce
t t 6
x1 (t) = 211.35e 100 (0.0554t3 + 4.5464t2 + 1.085t + 474.19) e (329t) 73t 73t e 400 262.842cosh 16 + 262.836sinh 16
9 http://www.caam.rice.edu/caam335/cox/lectures/b3.m
257
Figure 14.5:
Los 3 potenciales asociados con el modelo del circuito RC
10
Los otros potenciales, vistos en esta gura posen una expresin similar. Por favor note que cada uno de los polos de
L {x1 }
se muestra como exponencial
x1
y que los coecientes del exponencial son polinomios
con grados que son determinados por el
orden de su respectiva polos.
14.6 Polos y Ceros11

14.6.1 Introduccin
Es muy difcil analizar cualitativamente la transformada de Laplace supercies de dos dimensiones en espacios de tres dimensiones. graca de la funcin de transferencia que hace el sistema. Dada a una funcin de transformacin continua, en el dominio de Laplace, de Z,
13 12
y la transformada Z (Section 15.1),
ya que al gracar su magnitud y ngulo a su parte real e imaginaria da como resultado varias gracas de Por esta razn, es comn el examinar la con sus polos y ceros y tratar una vez mas una idea cualitativa de lo
H (s), o en el dominio discreto
H (z),
un cero es cualquier valor de
para los cuales la funcin de transferencia es cero, un polo es
cualquier valor de precisa:
para la cual la funcin de trasferencia es innita. Lo siguiente da a una denicin
Denition 14.2: Ceros

1. El valor(es) para cero.
z donde
el
numerador de la funcin de trasferencia es iguala cero
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
Fibers and the Dynamic Strang Quartet", Figure 1: An RC model of a nerve ber <http://cnx.org/content/m10168/latest/#RC_model_g> 11 This content is available online at <http://cnx.org/content/m12963/1.2/>. 12 "The Laplace Transforms" <http://cnx.org/content/m10110/latest/> 13 "Transfer Functions" <http://cnx.org/content/m0028/latest/>
10 "Nerve
258
CHAPTER 14.

1. El valor(es) para innita.
z donde
el
denominador de la funcin de transferencia es igual a cero
2. Las frecuencias complejas que hacen de la ganancia de la funcin de transferencia del ltro se
14.6.2 Gracas de los Polos y Ceros

Cuando gracamos estos en su plano s o z, representamos los ceros con o y los polos con x. Vea este modulo
14
para observa detalladamente como gracar los ceros y polos en la transformada-z en el plano-z.
Example 14.5
Encuentre los polos y ceros de la funcin de trasferencia en el plano-s.
H (s) =
s2 +6s+8 y graque los resultados s2 +2
Lo primero que tenemos que reconocer que la funcin de transferencia ser igual a cero cuando lo de arriba, para
s2 + 6s + 8, sea obtener, (s + 2) (s + 4).
igual a cero. Para encantar que esto iguala a cero factorizamos esto Esto da a ceros en
s = 2
s = 4.
Si esta funcin hubiera sido
mas complicada, talvez tendramos que usar la formula cuadrtica. Para los polos, tenemos que reconocer que la funcin de transferencia ser innita cuando la parte de abajo es cero. Esto sucede cuando funcin esto nos da y
j 2
Al gracar esto nos da Figure 14.6 (Graca de Polos y Zeros)
s+j 2
2 s + 2 es cerro para encontrar esto, tenemos que factorizar la s j 2 . Lo que signica que tenemos races imaginarias de +j 2
Graca de Polos y Zeros
Figure 14.6:
Mestra de la Graca
Ya que hemos encontrado y gracado los polos y cero, tenemos que preguntarnos que es lo que nos dice esta graca. Lo que podemos deducir es que magnitud de la funcin de trasferencia ser mayor cuando se encuentre
14 "Understanding
Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/>
259
cerca de los polos y menos cuando se encuentre cerca de los ceros. Esto nos da un entendimiento cualitativo de lo que el sistema hace en varias frecuencias y es crucial para la funcin de estabilidad (Section 3.4).
14.6.3 Repeticiones de Polos y Ceros

Es posible obtener mas de un polo lo cero en el mismo punto. discreta Por ejemplo, la funcin de transferencia
H (z) = z 2
tendr dos ceros en el origen y la funcin
H (s) =
1 s25 tender 25 polos en el origen.
14.6.4 La Cancelacin de Polos y Ceros

(s+3)(s1) es la misma que s + 3. En teora son equivalentes, s1 ya que el polo y el cero que se encuentra en s = 1 se cancelan mutuamente lo que es conocido como la
Un error comn es el pensar que la funcin cancelacin de polos y ceros. Sin embargo, piense lo que pasara si esto fuera una funcin de transferencia de un sistema que fue creado fsicamente con un circuito. En este caso, no es comn que el polo y el cero permanezca en un mismo lugar. Un cambio de temperatura, podra causar que ellos se movieran. Si esto pasara se creara volatilidad en esa rea, ya que ocurri un cambio de innito en un polo a cero en el cero en una regin de seales. Generalmente es una mala manera de eliminar un polo. Una mejor manera de mover el polo a otro lugar es usando la
teora de control.
260
CHAPTER 14.
Chapter 15
La Transformada Z y Filtros Digitales
15.1 La Transformada Z: Denicin1
15.1.1 Denicin Bsica de la Transformada-Z
La
transformada-z de una secuencia es denida por
X (z) =
n=
Algunas veces esta ecuacin es conocida como la es denida por
x [n] z n
(15.1)
transformada-z bilateral. En veces la transformada-z
X (z) =
n=0
la cual es conocida como la la cual es denida como
x [n] z n
(15.2)
Hay una relacin cercana entre la transformada-z y la
transformada-z unilateral. transformada de Fourier de una seal discreta,
X e
Note que cuando para
=
n=
x [n] e(jn)
(15.3)
z n
es remplazada con
e(jn)
la transformada-z se convierte en la transformada de
Fourier. Cuando la transformada de Fourier existe,
z = ej
, la cual debe de tener la magnitud unitaria
z.
15.1.2 El Plano Complejo

Para entender la relacin entre la transformada de fourier y la transformada-z uno tiene que ver el plano complejo o el
plano-z. echemos un vistazo al plano complejo:
1 This
261
262
CHAPTER 15.
LA TRANSFORMADA Z Y FILTROS DIGITALES
Plano-Z
Figure 15.1
El plano-Z es un plano complejo con un eje imaginario y real que se reejen eso se reere a la variable compleja donde
z.
. La posicin en el plano complejo es dada por
rej
, y el ngulo se toma del eje real positive
al rededor del plano y es dado por
. X (z)
es denida en todos los lados del plano.
|z| = 1,
la cual se reere al circulo unitario. Por ejemplo,
=1
en
z=1
X ej es denida solo = en z = 1. Esto
ayuda por que, al representar la transformada de fourier como una transformada-z en el crculo unitario, se puede ver muy fcilmente la periodicidad de la transformada de Fourier.
15.1.3 Regin de Convergencia

La regin de convergencia, tambin conocida como donde la transformada-z existe. La ROC para una converge cuando
ROC, es importante entender por que dene la regin
x [n]
, is dened as the range of
es denida como el
rango de z para la cual la transformada-z converge. Ya que la transformada z es una
serie de potencia,
x [n] z n
es absolutamente sumable. En otras palabras,
|x [n] z n | <
n=
Se tiene que satisface para la convergencia. transformadas-z de
(15.4)
Esto se explica mejor al ver las diferentes ROC de las
n u [n]
n u [n 1].
Example 15.1
Para
x [n] = n u [n]
(15.5)
263
Figure 15.2:
x [n] = n u [n] donde = 0.5.
X (z)
= = = =
n ) n= (x [n] z n n ) n= ( u [n] z n n ) n=0 ( z 1 n z n=0
(15.6)
Esta secuencia es un ejemplo de una exponencial del lado derecho por que tiene un valor de no cero para
n 0.
Solo converge cuando
|z 1 | < 1. X (z) = =
Cuando converge,
1 1z 1 z z n
(15.7)
Si
|z 1 | 1,
entonces las series,
n=0
z 1
no convergen. As que el ROC es el rango de (15.8)
valores cuando
|z 1 | < 1
o, equivalentemente,
|z| > ||
(15.9)
264
CHAPTER 15.
Figure 15.3:
ROC para x [n] = n u [n] donde = 0.5
Example 15.2
Para
x [n] = ( (n )) u [n 1]
(15.10)
265
Figure 15.4:
x [n] = ( (n )) u [n 1] donde = 0.5.
X (z)
= = = = = =
n ) n= (x [n] z n n= (( ( )) u [n 1 n n ) n= ( z n 1 1 z n= n 1 z n=1 n 1 n=0 1 z
1] z n )
(15.11)
En este caso la ROC es en el rango de valores donde
|1 z| < 1
o, equivalentemente
(15.12)
|z| < ||
Si la ROC se satisface, entonces
(15.13)
X (z)
= =
1
z z
1 11 z
(15.14)
266
CHAPTER 15.
Figure 15.5:
ROC para x [n] = ( (n )) u [n 1]
15.2 Tabla de Transformadas-Z Comunes2

La siguiente tabla provee
transformadas de z unilateral y bilateral (Section 15.1). Esta tabla tambin
muestra la regin de convergencia (Section 15.3).

note:
la notacin usada para
en esta tabla puede ser diferente a la notacin encontrada en otras
tablas. Por ejemplo la transformada bsica de que son equivalentes:
u [n]
se puede describen de dos maneras diferentes,
z 1 = z1 1 z 1
(15.15)
2 This
267
Seal
Transformada-Z
ROC
Allz
[n k] u [n] (u [n 1]) nu [n] n2 u [n] n u [n] ( (n )) u [n 1] u [n] n u [n] n u [n]

Qm
k=1 (nk+1) n u [n] m m!
z k
z z1 z z1 z (z1)2 z(z+1) (z1)3 z (z 2 +4z+1) (z1)4 z z z z z (z)2 z(z+) (z)3 z (z)m+1 z(zcos()) z 2 (2cos())z+ 2 zsin() z 2 (2cos())z+ 2
Table 15.1
|z| > 1 |z| < 1 |z| > 1 |z| > 1 |z| > 1 |z| < || |z| > || |z| > || |z| > ||
2 n
n cos (n) u [n] n sin (n) u [n]
|z| > || |z| > ||
15.3 Regin de Convergencia para la Transformada- Z3

15.3.1 La Regin de Convergencia
La regin de convergencia, tambin conocida como donde la transformada-z (Section 15.1) existe. La
ROC, es importante entender por que dene la regin transformadaz se dene por
X (z) =
n=
La ROC para una palabras,
x [n] z n z
(15.16)
x [n]
, es denida como el rango de
para la cual la transformada-z converge. Ya que la
transformadaz es una
serie de potencia, converge cuando
x [n] z n
es absolutamente sumable. En otras
|x [n] z n | <
n=
tiene que ser satisfecha para la convergencia.
(15.17)
15.3.2 Propiedades de la Regin de Convergencia

La regin de convergencia tiene propiedades que dependen de la caractersticas de la seal,
x [n].
La ROC no tiene que contener algn polo. Por denicin un polo es donde X (z) es innito. Ya que X (z) tiene que ser nita para todas las z para tener convergencia, no puede existir ningn polo
para ROC.
3 This
268
CHAPTER 15.
Si x [n] es una secuencia de duracin nita, entonces la ROC es todo el plano-z, excepto en z = 0 o |z| = . Una secuencia de duracin nita es aquella que tienen valor de no cero en un intervalo nito n1 n n2 . Mientras que cada valor de x [n] es nito entonces la secuencia ser 1 absolutamente sumable. Cuando n2 > 0 entonces existir z trminos por lo tanto la ROC no incluye z = 0. Cuando n1 < 0 la suma ser innita por lo tanto la ROC no incluye |z| = . Pero si, n2 0 entonces la ROC incluir z = 0, y cuando n1 0 la ROC incluir |z| = . Con esta condiciones, la nica seal que tiene una ROC que cubre todo el plano-z es x [n] = c [n].
Figure 15.6:
Ejemplo de una secuencia de duracion nita.
Las siguientes propiedades se aplican a secuencias con duracin innita. mente la transformada-z converge cuando
Como se menciono anterior
|X (z) | < .
As que podemos escribir
|X (z) | = |
n=
x [n] z
|
n=
|x [n] z
| =
n=
|x [n] |(|z|)
(15.18)
Podemos separar la suma innita en su tiempo positive y negativa. Por lo tanto
|X (z) | N (z) + P (z)

donde
(15.19)
N (z) =
n=
y
|x [n] |(|z|)
(15.20)
P (z) =
n=0
Para que
|x [n] |(|z|)
(15.21)
|X (z) |
se innita,
|x [n] |
tiene que estar restringida entonces denamos
|x (n) | C1 r1 n
(15.22)
269
para
n<0
y
|x (n) | C2 r2 n
para
(15.23)
n0
De estos tambin se pueden derivar ms propiedades:
Si x [n] es una secuencia del lado derecho entonces la ROC se extiende hacia fuera en el ultimo polo desde X (z). Una secuencia del lado derecho es aquella donde x [n] = 0 para
n < n1 < .
Si vemos la porcin del tiempo positive de la ultima derivacin, se puede deducir que
P (z) C2
n=0
Por lo tanto para que la suma converja, tiene la forma de
r2 n (|z|)
= C2
n=0
r2 |z|
n
(15.24)
|z| > r2 ,
as que la ROC de una secuencia del lado derecho
|z| > r2 .
Figure 15.7:
Secuencia de lado derecho
270
CHAPTER 15.
Figure 15.8:
LA ROC de una secuencia de lado derecho.
Si x [n] es una secuencia del lado izquierdo, entonces la ROC se extiende hacia dentro desde el polo mas cercano en X (z). Una secuencia del lado izquierdo es aquella donde x [n] = 0
para que
n > n2 > . N (z) C1
Si vemos la porcin del lado negativa de la ultima derivacin se puede deducir
r1 n (|z|)
n=
= C1
n=
r1 |z|
= C1
k=1
|z| r1
k
(15.25)
Por lo tanto para que la suma converja, tiene la forma de
|z| < r1 ,
as que la ROC de la secuencia del lado izquierdo
|z| < r1 .
Figure 15.9:
Secuencia de lado izquierdo.
271
Figure 15.10:
La ROC de una secuencia de lado izquierdo.
Si x [n] es una secuencia con dos lados, la ROC va ser un anillo en el plano-z que esta restringida en su interior y exterior por un polo. Una secuencia de dos lados es aquella con
duracin innita en direcciones positivas y negativas. De la derivacin de las dos propiedades, podemos deducir que si r2 < |z| < r2 converge, entonces el tiempo positivo y el tiempo negativo converge, y X (z) converge tambin. Por eso la ROC de una secuencia de dos lados tiene la forma de r2 < |z| < r2 .
Figure 15.11:
Una secuencia de dos lados.
272
CHAPTER 15.
Figure 15.12:
La ROC de una secuancia de dos lados.
15.3.3 Ejemplos
Para entender esto mejor veremos los siguientes ejemplos.
Example 15.3
Tomemos
x1 [n] =
La transformada de
1 2
u [n] + |z| >
1 4
1 2.
u [n]
(15.26)
1 n z u [n] es z 1 con ROC en 2 2
Figure 15.13:
La ROC de
` 1 n
2
u [n]
273
La transformada de
1 n z u [n] es z+ 1 con ROC en 4 4
|z| >
1 4 .
Figure 15.14:
La ROC de
` 1 n
4
u [n]
Usando linealidad,
X1 [z]
= =
z z + z+ 1 z 1 2 4 1 2z (z 8 )
(15.27)
z 1 2
)(
z+ 1 4
)
y el otro en
Al observar esto se vuelve claro que hay dos cero, uno en
1 y en 4 . Usando las propiedades, la ROC es
|z| >
1 2.
1 1 8 , y dos polos, uno en 2 ,
274
CHAPTER 15.
Figure 15.15:
La ROC de x1 [n] =
` 1 n
2
u [n] +
` 1 n
4
u [n]
Example 15.4
Ahora tomemos
x2 [n] =
La transformada y ROC de La transformada de
1 4
u [n]
1 2
u [n 1]
(15.28)
1 n 2
1 n u [n] fueron mostradas en el ejemplo anterior (Example 15.3). 4 1 z u [n 1] es z 1 con una ROC en |z| > 2 . 2
275
Figure 15.16:
La ROC de
` `` 1 n
2
u [n 1]
Usando linealidad,
X2 [z]
= =
z z + z 1 z+ 1 4 2 1 z (2z 8 )
(15.29)
(z+ 1 )(z 1 ) 4 2
Podemos observar que hay dos ceros, en
|z| <
1 2.
1 1 1 16 , y dos polos en 2 , y 4 . En este caso la ROC es
276
CHAPTER 15.
Figure 15.17:
La ROC de x2 [n] =
` 1 n
4
u [n]
` 1 n
2
u [n 1].
15.4 La Transformada Inversa de Z4

Cuando usamos la transformada-z (Section 15.1)
X (z) =
n=
Es de gran ayuda el poder encontrar esto:
x [n] z n X (z).
(15.30)
x [n]
dado
Existen al menos 4 mtodos diferentes para hacer
1. Inspeccin (Section 15.4.1: El Mtodo de Inspeccin) 2. Expansion de fracciones parciales (Section 15.4.2: Mtodo de Expansin de Fracciones Parciales) 3. Expansin de series de potencia (Section 15.4.3: Mtodo de Expansin de Series de Potencia) 4. Integracin del contorno (Section 15.4.4: Mtodo de Integracin del Contorno)
15.4.1 El Mtodo de Inspeccin

Este "mtodo" es el familiarizarse con la tabla para los pares de la transformada-z (Section 15.2)y el usar ingeniera inversa.
Example 15.5
Dado
X (z) =
4 This
z z
277
Con un ROC (Section 15.3) de
|z| >
Al inspeccionar podemos determinar que
x [n] = n u [n]
15.4.2 Mtodo de Expansin de Fracciones Parciales

Cuando tratamos con sistemas
lineares de tiempo invariante la transformada-z tiene la forma
X (z)
= =
B(z) A(z) PM
Pk=0 N
(bk zk )
(15.31)
k ) k=0 (ak z
Que tambin se puede expresar como
a0 X (z) = b0
donde Si
M k=1 N k=1
1 ck z 1 (1 dk z 1 )
y
(15.32)
ck representa los ceros con valor no ceros de X (z) M < N entonces X (z) se puede representar por
N
dk
representa los polos con valores no cero
X (z) =
k=1
Ak 1 dk z 1
(15.33)
Esta forma ayuda el invertir cada termino de la suma usando el mtodo de inspeccin (Section 15.4.1: El Mtodo de Inspeccin) y la tabla de transformadas (Section 15.2). Por lo tanto el numerador es un polinomio se vuelve necesario usar la expansin de fracciones parciales arriba. Si
5
para poder poner
X (z)
en la forma descrita
M N
entonces
X (z)
se puede expresar como
M N
X (z) =
r=0
Br z r +
N 1 ' k k=0 bk z N k ) k=0 (ak z
(15.34)
Example 15.6
Encuentre la transformada inversa-z de
X (z) =
Donde el ROC es obtener
1 + 2z 1 + z 2 1 + (3z 1 ) + 2z 2
as que tenemos que la divisin larga para
|z| > 2.
En este caso
M = N = 2,
X (z) =
Tenemos que factorizar el denominador.
1 7 1 1 2 + 2z + 2 1 + (3z 1 ) + 2z 2
X (z) = 2 +
5 "Partial
(1) + 5z 1 (1 2z 1 ) (1 z 1 )
Fraction Expansion" <http://cnx.org/content/m2111/latest/>
278
CHAPTER 15.
Ahora utilizamos la expansin de fracciones parciales.
X (z) =
9 A2 1 4 A1 1 2 + = + + + 2 1 2z 1 1 z 1 2 1 2z 1 1 z 1
Ahora cada trmino se puede invertir usando el mtodo de inspeccin y la tabla de transformada-z. ya que la ROC es
|z| > 2, x [n] = 1 9 [n] + 2n u [n] + (4u [n]) 2 2
15.4.3 Mtodo de Expansin de Series de Potencia

Cuando la transformada-z es denida con una serie de potencia en la forma de
X (z) =
n=
entonces cada termino de la secuencia
x [n] z n
(15.35)
x [n]
se puede terminar al ver los coecientes del respectivo poder
z n .
Example 15.7
Ve la siguiente transformada -z de la secuencia de
tamao nito.
1 1 2 z 1
X (z)
z 2 1 + 2z 1
1 2
1 + z 1
= z2 + 5 z + 2
claro que
+ z 1 X (z).
(15.36)
En este caso, ya que no hay polos, multiplicamos los factores de
Al inspeccinala, se vuele
1 5 x [n] = [n + 2] + [n + 1] + [n] + ( ( [n 1])) 2 2

. Una de las ventajas de las series de potencia es que muchas funciones usadas en funciones de ingeniera tienen tabuladas sus series de potencia. Por lo tanto funciones como el Log, seno, exponencial, seno h, etc., se pueden invertir fcilmente.
Example 15.8
Suponga
X (z) = logn 1 + z 1
Al notar que
logn (1 + x) =
n=1
Entonces
1n+1 xn n
X (z) =
n=1
Por lo tanto
1n+1 n z n n n1
X (z) =
1n+1 n if n
0 if n 0
279
15.4.4 Mtodo de Integracin del Contorno

Sin entrar en detalles
x [n] =
donde
1 2j
r
X (z) z n1 dz
(15.37)
es el contorno del lado contrario del reloj en la ROC de
X (z) circulando el origen del plano-z.
Para
expandir este mtodo para encontrar la inversa se necesita conocimiento de teora de variables complejas y esto no se vera en este modulo.
15.5 Funciones Racionales6

15.5.1 Introduccin
Cuando usamos operaciones con polinomios, el trmino de describir una relacin particular entre dos polinomios.
funciones racionales es una manera simple de
Denition 15.1: Funcin Racional

Para dos polinomios cualquiera, A y B, su fraccin es conocida cono una funcin racional.
Example
Aqu se muestra un ejemplo de una funcin racional, denominador es cero.
f (x).
Note que el numerador y denomi-
nador pueden ser polinomios de cualquier orden, pero la funcin racional es indenida cuando el
f (x) =
x2 4 2x2 + x 3
(15.38)
Si usted ha empezado a usar la transformada-z (Section 15.1), usted debi notar que todas las transformadas son funciones racionales. En seguida veremos algunas de las propiedades de las funciones racionales y como se pude usar para reveler caractersticas importantes de la transformada-z, y por lo tanto revelar una seal o un sistema LTI.
15.5.2 Propiedades de las Funciones Racionales

Para poder entender lo que hace que las funciones racionales sean tan especiales, tenemos que observar algunas de sus propiedades y caractersticas. Si usted esta familiarizado con las funciones racionales y que las funciones bsicas de algebra, podr ir directamente a la siguiente seccion (Section 15.5.3: Las Funciones Racionales y la Transformada-z) y ver como las funciones racionales nos ayudan a entender la transformada-z.
15.5.2.1 Races
Para entender muchas de las caractersticas de las funciones racionales, tenemos que empezar por encontrar las races de la funcin racional. Para ser esto, factoricemos los dos polinomios para poder observar las races fcilmente. Como todos los polinomios, las races nos darn informacin sobre muchas de sus propiedades. Esta funcin nos muestra el resultado que da el factorizar la funcin racional anterior, (15.38).
f (x) =
(x + 2) (x 2) (2x + 3) (x 1)
(15.39)
As, las races para esta funcin son las siguientes: Las races del numerador son: Las races del denominador son:
{2, 2} {3, 1}
6 This
280
CHAPTER 15.
note:
Para entender las funciones racionales, es esencial el saber y entender las races que forman
parte de esta funcin.
15.5.2.2 Discontinuidades
Ya que estamos viendo la divisin de dos polinomios, tenemos que ver los valores de la variable que darn que el denominador de nuestra fraccin sea cero. Cuando esto pasa, la funcin racional se vuelve indenida, por lo tanto, tenemos una discontinuidad en la funcin. Ya que sabemos nuestras races, es muy fcil saber cuando ocurre esto. Cuando tenemos una variable en el denominador igual a cualquier raz en el denominador, la funcin se vuelve indenida.
Example 15.9
Usando la funcin racional anterior, (15.38), podemos observar que funcin tendr discontinuidades en los siguientes puntos:
x = {3, 1}
Con respecto al plano cartesiano podemos decir que las discontinuidades ocurren con respecto al eje de las
x. Esta discontinuidades sern asintoticamente vertical en la graca y representara los valores donde la
funcin esta indenida.
15.5.2.3 Dominio
Usando las races anteriores, el
dominio de la funcin racional se puede denir.
Denition 15.2: dominio

El grupo, o conjunto, de valores que son denidos por una funcin.
Example
Usando la funcin racional anterior, (15.38), el dominio se puede denir como cualquier numero real
donde
no iguala a 1 o negativa 3. Expresando esto matemticamente, obtenemos lo siguiente:
{ x R |x = 3 and x = 1}
(15.40)
15.5.2.4 Intercepciones
La
intercesin en la x es denida como el punto (s) donde
f (x),en
otras palabras la salida de la funcin
racional iguala a cero. Ya que hemos encontrado las races de la funcin este proceso es muy simple. Usando algebra, sabemos que la salida ser cero cuando el numerador de la funcin igual a cero. Por lo tanto, la funcin tendr una intercepciones en La
cuando sea igual a una de las races del numerador.
intercepcin y ocurre cuando
es igual a cero. Se puede encontrar al tener todos los valores de
igual a cero y resolver la funcin racional.
15.5.3 Las Funciones Racionales y la Transformada-z

Como ya lo hemos mencionado todas las transformadas-z se pueden escribir como funcin racional, lo cual es la manera mas comn de representar la transformada-z. Por esto, podemos usar las transformadas anteriores especialmente las de la races, para reveler algunas de las caractersticas de la seal o sistema LTI descritos por la transformada-z. La siguiente ecuacin muestra la forma general de escribir la transformada-z como una funcin racional:
X (z) =
b0 + b1 z 1 + + bM z M a0 + a1 z 1 + + aN z N
(15.41)
281
Si usted ya vio el modulo titulado el entender gracas de polos y ceros y la transformada-z , usted sabr como las races de las funciones racionales forman un papel importante para entender la transformada-z. La ecuacin anterior, (15.41), se puede expresar en una forma factorizada similar la funcin racional vista anterior menta, vea (15.39). Por lo tanto podemos encontrar las races del numerador y denominador de la transformada-z. Las siguientes dos relaciones se vuelven obvias:
Relacin de Races en Polos y Ceros
Las races del numerado en la funcin racional son lo
Las races en el nominador de la funcin racional son los
ceros en la transformada-z polos de la transformada-z
15.5.4 Conclusin
Una vez que usemos nuestro conocimiento de funciones raznales para encontrar sus races, podemos manipular una transformada-z en varias maneras tiles. Podemos usar este conocimiento para representar un sistema LTI grcamente usando una graca de polos y ceros , o para analizar o disear un ltro digital a travs de la transformada-z .
9 8
15.6 La Ecuacin de Diferencia10

15.6.1 Introduccin
Uno de los conceptos ms importantes para el DSP es poder representar la relacin de entrada y salida de cualquier sistema LTI. Una
ecuacin de diferencia de coeciente linear constante (LCCDE) nos
sirve para expresar esta relacin en un sistema discreto. El escribir la secuencia de entradas y salidas, las cuales representan las caractersticas del sistema LTI, como una ecuacin de diferencia nos ayuda entender y manipular el sistema.
Denition 15.3:
entre ellos.
La Ecuacin de Diferencia
Es una ecuacin que muestra la relacin entra valores consecutivos de una secuencia y la diferencia Usualmente se escribe en una ecuacin recurrente para que la salida del sistema se pueda calcular de las entradas de la seal y sus valores anteriores.
Example
y [n] + 7y [n 1] + 2y [n 2] = x [n] 4x [n 1]
(15.42)
15.6.2 Formulas Generales para la Ecuacin de Diferencia

La ecuacin de diferencia nos ayuda a describir la salida del sistema descrito por la formula para cualquier La propiedad mas importante para esta ecuacin es la habilidad de poder encontrar la transformada, a la transformada-z directamente de su ecuacin de diferencia.
n. H (z),
del sistema. Las siguientes subsecciones veremos la forma genera de la ecuacin diferencial en la conversin
7 "Understanding Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/> 8 "Understanding Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/> 9 "Filter Design using the Pole/Zero Plot of a Z-Transform" <http://cnx.org/content/m10548/latest/> 10 This content is available online at <http://cnx.org/content/m12965/1.1/>.
282
CHAPTER 15.
15.6.2.1 Ecuacin de Diferencia

La forma general de este tipo de ecuacin es la siguiente:
(ak y [n k]) =
k=0 k=0
(bk x [n k])
(15.43)
Tambin se puede expresar como una salida recurrente, la cual se ve as:
y [n] =
k=1
De esta ecuacin, note que
(ak y [n k])
+
k=0
(bk x [n k]) x [n k]
(15.44)
y [n k]
representa las salidas y
epresenta las entradas. El valor de
N representa
el
orden de la ecuacin de diferencia que corresponde a la memoria del sistema representado. condiciones iniciales, se deben saber.
Ya que la ecuacin depende de los valores pasados de la salida, para calcular una solucin numrica, algunos valores pasados, conocidos como
15.6.2.2 Conversin a la Transformada-z

Usando la formula, (15.43),podemos generalizar la funcin de diferencia. la (15.43).
funcin de transferencia,
H (z), para cualquier funcin

11
de diferencia. Los siguientes pasos se deben de tomar para convertir cualquier funcin de diferencia en su Primero se tiene que tomar la transformada de Fourier de todos los trminos en Despus usando la propiedad de linealidad para sacar la transformada fuera de la sumatoria
y usamos la propiedad de desplazamiento en el tiempo de la transformada z para cambiar los trminos desplazados en el tiempo a exponenciales. Despus de hacer esto, llegamos a la siguiente ecuacin:
a0 = 1.
(15.45)
Y (z) =
k=1
ak Y (z) z k H (z) = =
Y (z) X(z) PM
+
k=0
bk X (z) z k
k ) k=0 (bk z PN 1+ k=1 (ak z k )
(15.46)
15.6.2.3 Conversin a la Respuesta de Frecuencia

Ya que tenemos la transformada- z, podemos tomar el siguiente paso y denir la respuesta a la frecuencia del sistema, o ltro, que esta siendo representado por la ecuacin de diferencia.
note:
Recuerde que la razn por la que usamos estas formulas es el poder disear un ltro. Un
LCCDE es una de las maneras ms fciles de representar los ltros FIL. Al encontrar la respuesta de frecuencia, podemos ver las funciones bsicas de cualquier ltro representado por una simple LCCDE. La formula general para la respuesta de frecuencia en la transformada-z es la siguiente. La conversin es simplemente tomar la formula de la transformada-z, instante de
H (z),
y remplazarla en cualquier
con
ejw . H (w) = = H (z) |z,z=ejw PM (jwk) ) k=0 (bk e PN (ak e(jwk) ) k=0
(15.47)
Despus de que usted entienda la derivacin de esta formula vea el modulo titulado el ltro y la transformadaz
12
para que vea las ideas de la transformada-z (Section 15.1) y la ecuacin de diferencia, y las gracas de
13
polos y ceros
se usan al disear un ltro.
11 "Derivation of the Fourier Transform" <http://cnx.org/content/m0046/latest/> 12 "Filter Design using the Pole/Zero Plot of a Z-Transform" <http://cnx.org/content/m10548/latest/> 13 "Understanding Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/>
283
15.6.3 Ejemplo
Example 15.10: Encontrando la Funcin de Diferencia
Aqu se muestra un ejemplo de tomar los pasos opuestos a los descritos anteriormente: dada una funcin de transferencia uno puede calcular fcilmente la ecuacin de diferencia del sistema.
H (z) =
(z + 1) z1 z+ 2
3 4
(15.48)
Dada una funcin de transferencia de un ltro, queremos encontrar la funcin de diferencia. Para hacer esto, expanda los os polinomios y divdalos por el orden mas alto de
z.
H (z)
= = =
(z+1)(z+1)
1 3 (z 2 )(z+ 4 )
z 2 +2z+1 z 2 +2z+1 3 8 1+2z 1 +z 2 3 2 1 1 1+ 4 z 8 z
(15.49)
De esta funcin de transferencia, los coecientes de los dos polinomios sern nuestros valores de
ak
bk que
se encuentran el la forma general de la funcin de diferencias, (15.43). Usando estos
coecientes y la forma anterior de la funcin de transferencia, podemos escribir la ecuacin de diferencia as:
1 3 x [n] + 2x [n 1] + x [n 2] = y [n] + y [n 1] y [n 2] 4 8
(15.50)
En el ltimo paso re-escribimos la ecuacin de diferencia en una forma ms comn, mostrando su naturaleza recurrente del sistema.
y [n] = x [n] + 2x [n 1] + x [n 2] +
3 1 y [n 1] + y [n 2] 4 8
(15.51)
15.6.4 Resolviendo un LCCDE

Para resolver este tipo de ecuaciones y poderlas usar en el anlisis de sistemas LTI, tenemos que encontrar las salidas del sistema que estn basadas en una entrada del sistema, condiciones iniciales.
x (n)
y basadas en un conjunto de
Existen dos mtodos para resolver un LCCDE: el
mtodo directo, y el mtodo
indirecto, este ltimo basado en la transformada-z. En las siguientes subsecciones se explica brevemente
las formulas para resolver los LCCDE as como el uso de estos dos mtodos.
15.6.4.1 Mtodo Directo

La solucin nal de la salida, utilizando este mtodo, es una suma dividida en dos partes expresadas de la siguiente manera:
y (n) = yh (n) + yp (n)

La primera parte, las
(15.52)
yh (n), se conoce como la solucin homognea y la segunda parte, yh (n),se le llama solucin particular. El siguiente mtodo es similar al usado para resolver las ecuaciones diferenciales,
as que si ya tomo un curso de ecuaciones diferenciales, este mtodo le ser familiar.
284
CHAPTER 15.
15.6.4.1.1 Solucin Homognea

Se empieza al asumir que la entrada es igual a cero, de diferencia homognea:
x (n) = 0.
Despus, tenemos que solucionar la ecuacin
(ak y [n k]) = 0
k=0
Para resolver esto, asumimos que la solucin tiene la forma de un exponencial. Usaremos lambda, representar los trminos exponenciales. Ahora tenemos que resolver la siguiente ecuacin:
(15.53)
para
ak nk = 0
k=0
Expandiremos la ecuacin y factorizaremos todos los trminos de lambda. dentro del parntesis, lo cual se conoce como
(15.54)
Esto nos dar un polinomio
polinomio caracterstico. Las races de este polinomio son

n n n
la clave para resolver esto ecuacin. Si se tienen races diferentes, la solucin general es la siguiente:
yh (n) = C1 (1 ) + C2 (2 ) + + CN (N )
(15.55)
Sin embargo, si la ecuacin caracterstica contiene mltiples races la solucin mostrada anterior mente sufre algunos cambios. La versin modicada de la ecuacin se muestra abajo, donde
tiene
races:
yh (n) = C1 (1 ) + C1 n(1 ) + C1 n2 (1 ) + + C1 nK1 (1 ) + C2 (2 ) + + CN (N )
(15.56)
15.6.4.1.2 Solucin Particular

Esta solucin,
yp (n),
ser aquella que resuelva la ecuacin de diferencia general:
(ak yp (n k)) =
k=0 k=0
Para resolverla, nuestra estimacin de la solucin para
(bk x (n k)) yp (n)
(15.57)
tomara la forma de nuestra entrada,
x (n).
Despus de esto, uno nada mas tiene que sustituir la respuesta y resolver la ecuacin.
15.6.4.2 Mtodo Indirecto

Este mtodo utiliza la relacin entre la ecuacin de diferencia y la transformada-z, para encontrar la solucin. La idea es convertir la ecuacin de diferencia a su transformada-z, para obtener una salida, fue vista anteriormente (Section 15.6.2: Formulas Generales para la Ecuacin de Diferencia),.
Y (z).
Al usar la
transformada inversa (Section 15.6.2.2: Conversin a la Transformada-z) y usando la expansin parcial de fracciones, podemos encontrar la solucin.
15.7 Entendiendo las Gracas de Polos y Ceros en el Plano-Z14

15.7.1 Introduccin a los Polos y Ceros de la Trasformada-z
Despus de encontrar la transformada-z del sistema, uno puede usar la informacin del polinomio para representar la funcin grcamente y as observar sus caractersticas. La transformada-z tendr la siguiente estructura, basada en las funciones racionales (Section 15.5):
X (z) =
14 This
P (z) Q (z)
(15.58)
285
Los dos polinomios, z.
P (z) y Q (z), nos dejan encontrar los polos y ceros (Section 14.6) de la transformada-
Denition 15.4: ceros

1. valor(es) dez donde cero.
P (z) = 0.

1. valor(es) de innita.
donde
Q (z) = 0.
Example 15.11
Esta es la funcin de transferencia con polos y ceros.
H (z) =
Los ceros son: Los polos son:
z+1 z1 z+ 2
3 4
{1} 1 2,
3 4
15.7.2 El Plano-z
Despus de encontrar los polos y ceros de una trasformada-z, se pueden gracar en el plano-z. El plano-z es un plano complejo con ejes reales e imaginarios para la variable compleja de complejo es dada por
z.
La posicin del plano
rej
y el ngulo se da del lado positive del eje real del plano y se escribe
Al gracar
los polos y ceros, los polos son mostrados con "x" y los ceros con "o". La siguiente gura muestra el plano-z, as como algunos ejemplos de como gracar polos y ceros en algn lugar particular en el plano.
Plano-Z
Figure 15.18
286
CHAPTER 15.
15.7.3 Ejemplos de Gracas de Polos y Ceros

Esta seccin contiene ejemplos de como encontrar polos y ceros de una funcin de transferencia y el como gracarlos en el plano-z.
Example 15.12: Graca Simple de Polos y Ceros
H (z) =
z z
1 2
z+
3 4
{0} 1 2,
3 4
Gracas de Polos y Ceros
Figure 15.19:
Usando los ceros y polos de la funcion de transferencia, un cero es gracado a el valor ` 1 cero y los dos polos se colocan en 2 y 3 4
Example 15.13: Graca Compleja de Polos y Ceros
H (z) =
1 2
(z j) (z + j) 1 2j z 1 + 1j 2 2
{j, j} 1, 1 + 1 j, 1 1 j 2 2 2 2
287
Gracas de Polos y Ceros
Figure 15.20: Usando los ceros y polos de la funcion de transferencia, los ceros son gracados en j , los polos son colocados en 1, 1 + 1 j y 1 1 j 2 2 2 2
MATLAB- si se usa este programa, entonces usted podr usar funciones que crean este tipo de gracas
rpidamente. Abajo se muestra un programa que graca polos y ceros del ejemplo anterior.
% Set up vector for zeros z = [j ; -j]; % Set up vector for poles p = [-1 ; .5+.5j ; .5-.5j]; figure(1); zplane(z,p); title('Pole/Zero Plot for Complex Pole/Zero Plot Example');
15.7.4 Gracas de Polos y Ceros y la Regin de Convergencia

La regin de convergencia (ROC) para
X (z)
en el plano-z de puede determinar de la graca de polos y
ceros. Aunque varias ROC pueden existir, donde cada una corresponde a una respuesta al impulse diferente, existen opciones que son mas practicas. Un ROC se puede escoger para hacer la funcin de transferencia causal y/o estable dependiendo de la graca de polos y ceros.
Propiedades de Filtro Sacadas de la ROC
Si la ROC se extiende hacia afuera desde su ultimo polo, entonces el sistema es Si la ROC incluye el crculo unitario, entonces el sistema es
causal.
estable.
288
CHAPTER 15.
La siguiente graca es un posible ROC para la transformada-z del ejemplo graca simple de polos y ceros (Example 15.12: Graca Simple de Polos y Ceros) la regin mostrada indica la ROC elegida para el ltro. Podemos inferior que el ltro ser causal y estable ya que tiene las propiedades mencionadas anteriormente.
Example 15.14
H (z) =
z z
1 2
z+
3 4
La regin de convergencia para la graca de polos y ceros
Figure 15.21:
La area representa la ROC para la funcion de transferencia.
15.7.5 Respuesta de Frecuencia y el Plano-Z

La razn por lo cual es importante el entender y crear las gracas de polos y ceros es su habilidad de ayudar en el diseo de ltros. Basado en la locacin de los polos y ceros, la respuesta de la magnitud del ltro se puede comprender. Al empezar con este tipo de graca, uno puede disear un ltro y obtener su funcin de transferencia fcilmente. Vea esta seccin y ceros con la respuesta de frecuencia.
15
para obtener informacin sobre la relacin de la graca de polos
15.8 Diseo de Filtros usando la Graca de Polos y Ceros de la Transformada-Z16

15.8.1 Estimando la Respuesta de Frecuencia de un Plano-Z
Un factor de motivacin para el anlisis de la graca de polos y ceros es la relacin de la respuesta de frecuencia del sistema. Basado en la posicin de los polos y ceros, uno puede determinar la respuesta de la
15 "Filter Design using the Pole/Zero Plot of a Z-Transform" <http://cnx.org/content/m10548/latest/> 16 This content is available online at <http://cnx.org/content/m12967/1.3/>.
289
frecuencia. Este es un resultado de la correlacin entre la repuesta de frecuencia y la funcin de transferencia evaluada en el crculo unitario de la graca de polos y ceros. La respuesta de frecuencia, o DTFT, del sistema es denida por:
H (w)
= =
H (z) |z,z=ejw PM (jwk) ) k=0 (bk e PN (jwk) ) k=0 (ak e
(15.59)
Al factorizar la funcin de transferencia a sus polos y ceros y el multiplicar el numerador y denominador por
ejw
se obtiene lo siguiente:
H (w) = |
b0 | a0
M k=1 N k=1
|ejw ck | (|ejw dk |)
(15.60)
De la (15.60) obtenemos la respuesta de frecuencia en una forma que se puede usar para interpretar las caractersticas fsicas de las respuesta de frecuencia del ltro. El numerador y denominador contienen un producto en trminos de la forma
|ejw h|,
donde
es cero, marcado por
ck
o un polo, descrito por
Los vectores son usados para representar el trmino y sus partes en el plano complejo. El polo o cero, un vector que viene del origen a la su lugar en cualquier parte del plano complejo y conecta el polo o cero a un lugar en el circulo unitario que depende del valor de en el plano-z y
dk . h, es
ejw
es un vector que
viene del origen hasta una posicin en el circulo unitario. El vector que conecta estos dos puntos,
|ejw h|,
w.
De esto, podemos empezar
entender como la magnitud de la respuesta de frecuencia es un radio de distancias de polos y ceros presente
va de cero a pi. Estas caractersticas no ayudan a entender.|H
(w) | de la siguiente manera:

(15.61)
|H (w) | = |
b0 | a0
a
distancias de los ceros distancias de los polos
En conclusin, usando las distancias del crculo unitario a los polos y ceros, podemos gracar la respuesta de la frecuencia del sistema. Cuando
va de
anteriores, especican como se debe gracar
2 , las |H (w) |.
siguientes dos propiedades, tomadas de las ecuaciones
Mientras se mueva alrededor del crculo unitario. . .

1. si esta cercas de un cero, la magnitud es chica. Si el cero esta sobre el circulo unitario, entonces la respuesta de frecuencia es cero en eso punto. 2. si esta cercas de un polo, la magnitud es grande. Si el polo esta sobre el circulo unitario, entonces la respuesta de frecuencia es innita en ese punto.
15.8.2 Gracando la Respuesta de Frecuencia de una Graca de Polos y Ceros

Veremos varios ejemplos donde se determina la magnitud de la respuesta de frecuencia de aun graca de polos y ceros de una transformada-z. Si se le olvido o no sabe que es una graca de polos y ceros, vea el modulo de gracas de polos y ceros
17
Example 15.15
En este ejemplo, tomaremos una transformada-z sencilla mostrada aqu:
H (z) = z + 1 = 1 + z 1 H (w) = 1 + e(jw)

Para este ejemplo, algunos de los vectores representados por
|ejw h|,
para valores aleatorios de
w,
son gracados especcamente en el plano complejo, visto en la siguenta gura. Estos vectores
muestran como la amplitud de la respuesta de frecuencia cambia cuando
va de
muestra el signicado fsico en trminos de (15.60). Se puede observar que cuando
0 a 2 , tambin w = 0, el vector
17 "Understanding
Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/>
290
CHAPTER 15.
es mayor as que la respuesta de frecuencia tendr la mayor amplitud. Cuando tamao del vector disminuye junto con la amplitud de
se acerca a
el
|H (w) |.
Ya que la transformada no contiene
polos, nada mas tenemos un vector en vez de un radio como en la (15.60).
(a) Graca de polos y ceros
(b) Respuesta de Frecuancia: |H(w)|
Figure 15.22: La primera gura reprecenta la graca de polos y ceros con unos cuantos vectores, la segunda muestra la respuesta de frecuancia que es maxima en +2 y es gracada entre positivo y negativo .
Example 15.16
En este ejemplo, una funcin de transferencia ms compleja es analizada para poder representar la respuesta de la frecuencia del sistema
H (z) =
z z
1 2
1 1 1 z 1 2
H (w) =
Pedemos observar dos gures que
1 1 1 e(jw) 2
las ecuaciones anteriores. La cnxn
describes
target="eg2_g1"/> representa la graca sencilla de polos y ceros de la transformada-z,
H (w).
Figure 15.23(b) (Respuesta de Frecuencia: |H(w)|) La secunda gura muestra la magnitud de la respuesta de frecuencia. Usando las formulas y lo dicho en la seccin anterior, podemos ver que cuando
w = 0
la frecuencia ser mxima ya que en este valor de,
el polo esta mas cerca del
circulo unitario. El radio de la (15.60) nos ayuda a ver la conduccin matemticamente y ver la relacin entre las distancias del circulo unitario y los polos y los ceros. Cuando a
se mueve de
observamos como el cero empieza a cubrir los efectos del polo y as hacer que la respuesta de
frecuencia se vuelve casi igual a
0.
291
(a) Graca de Polos y Ceros

Figure 15.23:
(b) Respuesta de Frecuencia: |H(w)|
La primera r=gura representa la graca de polos y ceros, la segunda muestra la respuesta de frecuencia que es maxima en +2 y es gracada entre positivo y negativo .
292
CHAPTER 15.
Chapter 16
Tareas
16.1 Homework #11
note:
Noon, Thursday, September 5, 2002
16.1.1 Assignment 1
Homework, tests, and solutions from previous oerings of this course are o limits, under the honor code.
16.1.1.1 Problem 1
Form a study group of 3-4 members. With your group, discuss and synthesize the major
themes of this
week of lectures. Turn in a one page summary of your discussion. You need turn in only one summary per group, but include the names of all group members. Please do not write up just a "table of contents."
16.1.1.2 Problem 2
Construct a WWW page (with your
picture) and email Mike Wakin (wakin@rice.edu) your name (as you
want it to appear on the class web page) and the URL. If you need assistance setting up your page or taking/scanning a picture (both are easy!), ask your classmates.
16.1.1.3 Problem 3: Learning Styles

Follow this learning styles link
2
(also found on the Elec 301 web page
) and learn about the basics of
learning styles. Write a short summary of what you learned. Also, complete the "Index of learning styles" self-scoring test on the web and bring your results to class.
16.1.1.4 Problem 4
Make sure you know the material in Lathi, Chapter B, Sections 1-4, 6.1, 6.2, 7. Specically, be sure to review topics such as:
complex arithmetic (adding, multiplying, powers) nding (complex) roots of polynomials complex plane
4
and plotting roots
1 This content is available online at <http://cnx.org/content/m10826/2.9/>. 2 http://www2.ncsu.edu/unity/lockers/users/f/felder/public/Learning_Styles.html 3 http://www-dsp.rice.edu/courses/elec301/ 4 "The Complex Plane" <http://cnx.org/content/m10596/latest/>
293
294
CHAPTER 16.
vectors (adding, inner products)
TAREAS
16.1.1.5 Problem 5: Complex Number Applet

Reacquaint yourself with complex numbers
5
by going to the course applets web page
and clicking on the
Complex Numbers applet (may take a few seconds to load). (a) Change the default add function to exponential (exp). Click on the complex plane to get a blue arrow, which is your complex number is equal to
z.
Click again anywhere on the complex plane to get a yellow arrow, which
ez .
Now drag the tip of the blue arrow along the unit circle on with
|z| = 1
(smaller circle). For
which values of your ndings.
on the unit circle does
ez
also lie on the unit circle? Why?
(b) Experiment with the functions absolute (abs), real part (re), and imaginary part (im) and report
16.1.1.6 Problem 6: Complex Arithmetic

Reduce the following to the
1j (a) 2 1+2j (b) 3+4j 1+ 3j (c) 3j

(d) (e)
20
Cartesian form,
a + jb.
Do
not use your calculator!
jj
16.1.1.7 Problem 7: Roots of Polynomials

Find the roots of each of the following polynomials (show your work). Use MATLAB to check your answer with the (a)
roots
command and to plot the roots in the complex plane. Mark the root locations with an 'o'.
Put all of the roots on the same plot and identify the corresponding polynomial (a,
b,
etc...).
z 2 4z 2 (b) z 4z + 4 2 (c) z 4z + 8 2 (d) z + 8 2 (e) z + 4z + 8 2 (f ) 2z + 4z + 8

16.1.1.8 Problem 8: Nth Roots of Unity
j2 N
is called an
Nth Root of Unity.

j2
(a) Why? (b) Let (c) Let
z=e 7 . j4 z=e 7 .
Draw Draw
z, z 2 , . . . , z 7 z, z 2 , . . . , z 7
in the complex plane. in the complex plane.
16.1.1.9 Problem 9: Writing Vectors in Terms of Other Vectors

A pair of vectors
u C2
and
v C2
are called
linearly independent if
if and only if as a
u + v = 0
It is a fact that we can write any vector in
==0
C2
weighted sum (or linear combination) of any two
linearly independent vectors, where the weights
and
are complex-valued.
5 "Complex Numbers" <http://cnx.org/content/m0081/latest/> 6 http://www.dsp.rice.edu/courses/elec301/applets.shtml
295
(a) Write
3 + 4j 6 + 2j
as a linear combination of
1 2 1 2
and
5 3 5 3
.
That is, nd
and
such that
3 + 4j 6 + 2j x1
a linear combination of
(b) More generally, write the answer for a given
as
as x2 (x) and (x). A
x=
1 2

and
5 3
.
We will denote
(c) Write the answer to (a) in matrix form, i.e. nd a 22 matrix
such that
x1 x2
(x) (x)
u
and
(d) Repeat (b) and (c) for a general set of linearly independent vectors
v.
16.1.1.10 Problem 10: Fun with Fractals

A Julia set
is obtained by characterizing points in the complex plane. Specically, let
f (x) = x2 +
with
complex, and dene
g0 (x) = x g1 (x) = f (g0 (x)) = f (x) g2 (x) = f (g1 (x)) = f (f (x))

. . .
gn (x) = f (gn1 (x))

Then for each
in the complex plane, we say
xJ
if the sequence
{|g0 (x) |, |g1 (x) |, |g2 (x) |, . . . }

does
not tend to innity. Notice that if
x J,
then each element of the sequence
{g0 (x) , g1 (x) , g2 (x) , . . . }
also belongs to
J. ,
the boundary of a Julia set is a fractal curve - it contains "jagged" detail no
For most values of
matter how far you zoom in on it. The well-known Mandelbrot set contains all values of corresponding Julia set is connected. (a) Let (b) Let
for which the
= 1. Is x = 1 in J ? = 0. What conditions
on
ensure that
belongs to
J?
and plot the results using the threshold
(c) Create an approximate picture of a Julia set in MATLAB. The easiest way is to create a matrix of complex numbers, decide for each number whether it belongs to command. To determine whether a number belongs to iterations of we say that
J,
J,
it is helpful to dene a limit
g . For a given x, if the magnitude |gn (x) | remains below some x belongs to J . The code below will help you get started:
imagesc N on the number of M for all 0 n N ,
296
CHAPTER 16.
TAREAS
N = 100; % Max # of iterations M = 2; % Magnitude threshold mu = -0.75; % Julia parameter realVals = [-1.6:0.01:1.6]; imagVals = [-1.2:0.01:1.2]; xVals = ones(length(imagVals),1) * realVals + ... j*imagVals'*ones(1,length(realVals)); Jmap = ones(size(xVals)); g = xVals; % Start with g0 % % % % Insert code here to fill in elements of Jmap. Leave a '1' in locations where x belongs to J, insert '0' in the locations otherwise. It is not necessary to store all 100 iterations of g!
imagesc(realVals, imagVals, Jmap); colormap gray; xlabel('Re(x)'); ylabel('Imag(x)');
This creates the following picture for
= 0.75, N = 100,
and
M = 2.
297
Figure 16.1:
Example image where the x-axis is Re (x) and the y-axis is Im (x).
Using the
same values for
N, M,
and
x,
create a picture of the Julia set for
= 0.391 0.587j .
Print
out this picture and hand it in with your MATLAB code.

note:
Try assigning dierent color values to Jmap.
iteration when the magnitude exceeds neat picture.
M.
Tip: try
imagesc(log(Jmap))
For example, let Jmap indicate the rst and
colormap jet
for a
16.2 Homework #1 Solutions7

16.2.1 Problem #1
No solutions provided.
16.2.2 Problem #2
16.2.3 Problem #3
16.2.4 Problem #4
7 This
298
CHAPTER 16.
TAREAS
16.2.5 Problem #5
16.2.5.1 Part (a)
ez
lies on the unit circle for
z = j .
When
z = j ,
ez = ej = cos (1) + jsin (1) ej cos2 (1) + sin2 (1) 1 =0

so that
1 2
= =
(16.1)
which gives us the unit circle! Think of it this way: for
z = + j,
you want a
e+j
reduces as
e+j = e ej = e0 ej = ej
We know by Euler's formula
8
that
ej = cos () + jsin ()
The magnitude of this is given by So, we know we want to pick have to choose
sin2 () + cos2 (), which is 1 (which implies that ej is on the unit circle). a z = Aj that is on the unit circle (from the problem statement), so we
A = 1
to get unit magnitude.
16.2.5.2 Part (b)
| | gives magnitude of complex number Re () gives real part of complex number Im () gives imaginary part of complex number
16.2.6 Problem #6
16.2.6.1 Part (a)
1 j 2
16.2.6.2 Part (b)
20
5 2e 4 2
20
= e
5 4
20
= ej25 = ej = 1
1 + 2j = 3 + 4j
16.2.6.3 Part (c)
1 + 2j 3 + 4j
3 4j 3 4j
3 + 6j 4j + 8 11 + 2j 11 2 = = + j 9 + 16 25 25 25
2ej 3 1 + 3j = = ej 2 = j j 3j 2e 6
16.2.6.4 Part (d)
j= e
8 "The
j 2
1 2
=e
j 4
= cos + jsin 4 4
2 2 = + j 2 2
Complex Exponential": Section Euler's Relation <http://cnx.org/content/m10060/latest/#eul_rel>
299
16.2.6.5 Part (e)
j j = ej 2
= ej
2 2
=e
16.2.7 Problem #7
16.2.7.1 Part (a)
z 2 4z = z (z 4) Roots of z = {0, 4}
16.2.7.2 Part (b)
z 2 4z + 4 = (z 2)
Roots of z = {2, 2}
16.2.7.3 Part (c)
z 2 4z + 8 Roots of z = 4
16 32 = 2 2j 2
16.2.7.4 Part (d)
z2 + 8
32 Roots of z = = 2 2j 2
16.2.7.5 Part (e)
z 2 + 4z + 8 Roots of z = 4
16 32 = 2 2j 2
16.2.7.6 Part (f )
2z 2 + 4z + 8 Roots of z = 4
16 64 = 1 3j 4
16.2.7.7 Matlab Code and Plot
%%%%%%%%%%%%%%% %%%%% PROBLEM 7 %%%%%%%%%%%%%%% rootsA = roots([1 -4 0]) rootsB = roots([1 -4 4]) rootsC = roots([1 -4 8])
300
CHAPTER 16.
TAREAS
rootsD = roots([1 0 8]) rootsE = roots([1 4 8]) rootsF = roots([2 4 8]) zplane([rootsA; rootsB; rootsC; rootsD; rootsE; rootsF]); gtext('a') gtext('a') gtext('b') gtext('b') gtext('c') gtext('c') gtext('d') gtext('d') gtext('e') gtext('e') gtext('f') gtext('f')
Figure 16.2:
Plot of all the roots.
301
16.2.8 Problem #8
16.2.8.1 Part (a)
Raise
j2 N
to the
N th
power.
e
note:
j2 N
= ej2 = 1
1 N j2 N
Similarly,
(1) N = ej2
=e
16.2.8.2 Part (b)

For
z=e
j2 7
zk = e
j2 7
= ej2 7
We will have points on the unit circle with angle of MATLAB can be found below, followed by the plot.
27 2 22 7 , 7 ,..., 7
The code used to plot these in
%%%%%%%%%%%%%%% %%%%% PROBLEM 8 %%%%%%%%%%%%%%% %%% Part (b) figure(1); clf; hold on; th = [0:0.01:2*pi]; unitCirc = exp(j*th); plot(unitCirc,'--'); for k = 1:7 z = exp(j*2*pi*k/7); plot(z,'o'); text(1.2*real(z),1.2*imag(z),strcat('z^',num2str(k))); end xlabel('real part'); ylabel('imag part'); title('Powers of exp(j2\pi/7) on the unit circle'); axis([-1.5 1.5 -1.5 1.5]); axis square;
302
CHAPTER 16.
TAREAS
Figure 16.3:
MATLAB plot of part (b).
16.2.8.3 Part (c)

For
z=e
j4 7
zk = e
Where we have
2
j4 7
= ej2
6
2k 7
z, z 2 , . . . , z 7 = ej2 7 , ej2 7 , ej2 7 , ej2 7 , ej2 7 , ej2 7 , 1

The code used to plot these in MATLAB can be found below, followed by the plot.
%%% Part (c) figure(1); clf; hold on; th = [0:0.01:2*pi]; unitCirc = exp(j*th); plot(unitCirc,'--');
303
for k = 1:7 z = exp(j*4*pi*k/7); plot(z,'o'); text(1.2*real(z),1.2*imag(z),strcat('z^',num2str(k))); end xlabel('real part'); ylabel('imag part'); title('Powers of exp(j4\pi/7) on the unit circle'); axis([-1.5 1.5 -1.5 1.5]); axis square;
Figure 16.4:
MATLAB plot of part (c).
304
CHAPTER 16.
TAREAS
16.2.9 Problem #9
16.2.9.1 Part (a)

To solve for
3 + 4j 6 + 2j
1 2
5 3
we must solve the following system of equations:
5 = 3 + 4j 2 + 3 = 6 + 2j
If we multiply the top equation by terms:
we will get the following, which allows us to cancel out the alpha
2 + 10 = 6 8j 2 + 3 = 6 + 2j
And now we have,
13 = 6j =
And to solve for
6 j 13
we have the following equation:
= = =
3 + 4j + 5 3 + 4j + 5 3+
22 13 j 6 13 j
(16.2)
16.2.9.2 Part (b)
x1 x2
1 2
5 3
x1 = 5 x2 = 2 + 3
Solving for
and
we get:
(x) = (x) =
16.2.9.3 Part (c)
3x1 + 5x2 13 2x1 + x2 13
(x) (x)
3 13 2 13
5 13 1 13
x1 x2
305
16.2.9.4 Part (d)
Write
u=
u1 u2

and
v=
v1 v2
.
Then solve
x1 x2
u1 u2
v1 v2
which corresponds to the system of equations
x1 = u1 + v1 x2 = u2 + v2
Solving for
and
we get
(x) = (x) =
For the matrix
v2 x1 v1 x2 u1 v2 u2 v1 u2 x1 u1 x2 v1 u2 u1 v2 v1 u1
we get
v 1 2 A= u1 v2 u2 v1 u2
16.2.10 Problem #10

16.2.10.1 Part (a)
If
u = 1,
then
f (x) = x2 1.
Examine the sequence
{g0 (x) , g1 (x) , . . . }:
g0 (x) = 1 g1 (x) = 12 1 = 0 g2 (x) = 02 1 = 1 g3 (x) = (1) 1 = 0 g4 (x) = 02 1 = 1

. . . The magnitude sequence remains bounded so
x=1
belongs to
J.
306
CHAPTER 16.
TAREAS
16.2.10.2 Part (b)

If
u = 0,
then
f (x) = x2 .
So we have
g0 (x) = x g1 (x) = x2 g2 (x) = x2

. . .
= x4
gn (x) = x2
Writing
= x2n
x = rej ,
we have
gn (x) = x2n = r2n ej2n ,
and so we have
|gn (x) | = r2n

The magnitude sequence blows up if and only if corresponds to the unit disk.
r > 1.
Thus
belongs to
if and only if
|x| 1.
So,
16.2.10.3 Part (c)
%%%%%%%%%%%%%%%% %%%%% PROBLEM 10 %%%%%%%%%%%%%%%% %%% Part (c) - solution code N = 100; M = 2; % Max # of iterations % Magnitude threshold
mu = -0.391 - 0.587*j; % Julia parameter realVals = [-1.6:0.01:1.6]; imagVals = [-1.2:0.01:1.2]; xVals = ones(length(imagVals),1)*realVals + ... j*imagVals'*ones(1,length(realVals)); Jmap = ones(size(xVals)); g = xVals; % Start with g0 for n = 1:N g = g.^2 + mu; big = (abs(g) > M); Jmap = Jmap.*(1-big); end imagesc(realVals,imagVals,Jmap); colormap gray; xlabel('Re(x)'); ylabel('Imag(x)');
307
Figure 16.5:
MATLAB plot of part (c).
16.2.10.4 Just for Fun Solution
%%% Just for fun code N = 100; % Max # of iterations M = 2; % Magnitude threshold mu = -0.391 - 0.587*j; % Julia parameter realVals = [-1.6:0.005:1.6]; imagVals = [-1.2:0.005:1.2]; xVals = ones(length(imagVals),1)*realVals + ... j*imagVals'*ones(1,length(realVals)); Jmap = zeros(size(xVals)); % Now, we put zeros in the 'middle', for a % cool effect. g = xVals; % Start with g0 for n = 1:N g = g.^2 + mu; big = (abs(g) > M); notAlreadyBig = (Jmap == 0);
308
CHAPTER 16.
TAREAS
Jmap = Jmap + n*(big.*notAlreadyBig); end imagesc(realVals,imagVals,log(Jmap));colormap jet; xlabel('Re(x)'); ylabel('Imag(x)');
Figure 16.6:
MATLAB plot.
GLOSSARY
309
Glossary
1
1 Linealmente Independiente
Un conjunto dado de vectores
{x1 , x2 , . . . , xn },
es linealmente independiente si
c1 x1 + c2 x2 + + cn xn = 0
solo cuando
Example:
c1 = c2 = = cn = 0
x1 = x2 =
Estos son
3 2 6 4
no linealmente independientes por el siguiente argumento, el cual por inspeccin,
se puede ver que no se apega a la denicin anterior de independencia lineal:
x2 = 2x1 2x1 + x2 = 0
. Otro mtodo para ver la independencia de los vectores es gracando los vectores. Observando estos dos vectores geomtricamente (como en la siguiente Figure 5.1), uno puede otra vez probar que estos vectores son
no linealmente independientes.
Base Normada
una base (Section 5.1.3: Bases)
{bi }
donde cada
bi
tiene una norma unitaria (7.19)
bi = 1 , i Z
Base Ortogonal
una base
{bi }
en donde los elementos son
mutuamente ortogonales
< bi , bj >= 0 , i = j
Base Ortonormal
Una base que es
normalizada y ortogonal
bi = 1 , i Z < bi , bj > , i = j
Base
Una base para independiente.
Cn
es un conjunto de vectores que: (1) generan
Cn y
(2) es linealmente
310
GLOSSARY
Ceros
1. El valor(es) para
z donde
el
numerador de la funcin de trasferencia es iguala cero
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea cero.
ceros
1. valor(es) dez donde
P (z) = 0.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea cero.
Convergencia Uniforme
La secuencia (Section 10.1) existe un entero
tal que
{gn } | converge n=1 n N implica que
uniformemente a la funci
si para cada
>0
(10.7)
|gn (t) g (t) |

para
todo
t R.
Desigualdad de Cauchy-Schwarz
Para
x, y
en un espacio de producto interno
| < x, y > | x
que mantiene la igualdad
y .
si y solo si
son linealmente dependientes (Section 5.1.1:
Independencia Lineal), es decir
x = y
para un escalar
dominio
El grupo, o conjunto, de valores que son denidos por una funcin.
Example:
Usando la funcin racional anterior, (15.38), el dominio se puede denir como
cualquier numero real
donde
no iguala a 1 o negativa 3. Expresando esto matemticamente,
obtenemos lo siguiente:
{ x R |x = 3 and x = 1}
(15.40)
Eigenvector
Un eigenvector de
es un vector
v Cn
tal que
Av = v
donde
(5.2)
es llamado el
eigenvalor correspondiente.
solo cambia la
longitud de
v,
no su
direccin.
Espacio Vectorial
Un espacio vectorial escalar
(donde
S es una coleccin de vectores tal que (1) si f1 S f1 S R C) y (2) si f1 S , f2 S , entonces f1 + f2 S
para todo
Funcin Racional
Para dos polinomios cualquiera, A y B, su fraccin es conocida cono una funcin racional.
Example:
Aqu se muestra un ejemplo de una funcin racional,
f (x).
Note que el numerador y
denominador pueden ser polinomios de cualquier orden, pero la funcin racional es indenida cuando el denominador es cero.
f (x) =
2x2
x2 4 +x3
(15.38)
GLOSSARY
311
La Ecuacin de Diferencia
Es una ecuacin que muestra la relacin entra valores consecutivos de una secuencia y la diferencia entre ellos. Usualmente se escribe en una ecuacin recurrente para que la salida del sistema se pueda calcular de las entradas de la seal y sus valores anteriores.
Example:
y [n] + 7y [n 1] + 2y [n 2] = x [n] 4x [n 1]
lmite
Una secuencia
(15.42)
{gn } | n=1
converge a un lmite
gR
si para
todo
>0
existe un entero
tal que
|gi g| <
Usualmente denotamos un lmite escribiendo
, iN
lim gi = g
gi g
O P
Ortogonal
Decimos que
son ortogonales si:
< x, y >= 0
polos
1. El valor(es) para
z donde
el
denominador de la funcin de transferencia es igual a cero
2. Las frecuencias complejas que hacen de la ganancia de la funcin de transferencia del ltro se innita.
polos
Tambin llamadas como singularidades estos son los punto
en los cuales
Lx1 (s)
explota.
polos
1. valor(es) de
donde
Q (z) = 0.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea innita.
Producto Interno
El producto interno esta denido matemticamente de la siguiente manera:
< x, y > = yT x = y0 y1 ... yn1 x0 x1

. . .

(7.1)
xn1 =
n1 i=0
(xi yi )
secuencia
312
GLOSSARY
Una secuencia es una funcin secuencia por:
Example:
gn
denida en los enteros positivos 'n'. Tambin denotamos una
{gn } | n=1 1 n
n 2 n 2
Una secuencia de nmeros reales:
gn =
Example:
Una secuencia vector:
gn =
Example:
sin cos
Una secuencia de una funcin:
1 if 0 t < 1 n gn (t) = 0 otherwise

note: Una funcin puede ser pensada como un vector de dimensin innito donde por
cada valor de 't' tenemos una dimensin.
Subespacio Generado
El subespacio generado o span
9
del conjuto de vectores
vectores que pueden ser escritos como una combinacin lineal de
{x1 , x2 , . . . , xk } es el conjunto {x1 , x2 , . . . , xk }
de
subespacio generado ({x1 , . . . , xk }) = {1 x1 + 2 x2 + + k xk , i Cn }

Example:
Dado el vector
x1 =
el subespacio generado de
Example:
3 2
x1
es una
linea.
Dado los vectores
x1 = x2 =
El subespacio generado por estos vectores es
3 2 1 2
C2 .
9 "Subspaces",
Denition 2: "Span" <http://cnx.org/content/m10297/latest/#defn2>
INDEX
313
Index of Keywords and Terms

Keywords are listed by the section with that keyword (page numbers are in parentheses). Keywords
do not necessarily appear in the text of the page. They are merely associated with that section. Ex. apples, 1.1 (1)
Terms are referenced by the page they appear on. Ex.
apples, 1
1 A
1 Linealmente Independiente, 75 alfabeto, 1.6(23), 25 alias, 13.5(238), 13.6(241) Aliasing, 1.7(26), 8.2(166), 13.5(238), 238, 13.6(241) amplitud compleja, 20 Anti-Aliasing, 13.6(241) anticausal, 1.1(1) anticausales, 3 anlisis de fourier, 8.2(166) anlogo, 1.1(1), 2 anlogos, 23 aperiodica, 96 aperidico, 1.1(1) approximacin, 7.13(161) armnico, 8.2(166) asintoticamente vertical, 280
cero, 14.4(253), 14.6(257), 15.7(284), 15.8(288) Ceros, 257, 281, 285 circular, 4.3(68), 6.7(110) coecientes, 6.2(96) coecientes de fourier, 6.2(96), 97, 6.3(99), 6.9(114) complejidad, 189, 9.3(191) complejo, 1.6(23), 8.2(166), 15.7(284) complex vector spaces, 7.1(125) compuesto, 194 Condiciones de Dirichlet, 6.10(116) Condiciones de Dirichlet debles, 6.10(116) Condiciones de Dirichlet fuertes, 6.10(116) condiciones iniciales, 60, 282 conjugados, 171 conmutativa, 42, 49, 63 continua, 116 continuo, 1 continuous time, 3.2(42), 3.4(55), 11.1(205) converge, 10.3(202) convergencia, 6.9(114), 116, 10.1(197), 10.2(199), 10.3(202) convergencia de punto por punto, 6.9(114) convergencia no-uniforme, 6.11(118), 119 convergencia uniforme, 10.3(202), 202 convergente, 10.3(202) convoluciones, 4.3(68) Convolucin, 4.2(63), 63, 4.3(68), 6.7(110), 12.2(221) convolucin circular, 4.3(68), 68, 6.7(110) convolucin linear, 68 convolution, 3.2(42), 3.3(48) convolver, 4.3(68) Cooley-Tukey, 9.1(189), 9.3(191) Coordenadas Polares, 1.7(26) cpnvergencia puntual, 10.2(199) csi, 7.5(132) CTFT, 12.1(219), 13.1(225) cuachy, 7.5(132)
baraniuk, 16.2(297) base, 5.1(75), 78, 78, 78, 7.7(142), 7.8(146), 146, 7.9(150), 7.10(151), 7.11(158), 171, 234 base cannica, 78, 7.8(146) base normada, 7.7(142), 142, 143 base ortogonal, 7.7(142), 143 base ortonormal, 7.7(142), 144, 7.8(146), 8.2(166), 172 bases, 5.1(75), 8.2(166), 8.3(173) bases estandard, 8.3(173) BIBO, 3.4(55) bounded input bounded output, 3.4(55) buttery, 9.3(191)
cada, 97 Cartesian, 294 cascade, 2.2(33) casi en todas partes, 6.11(118) cauch-schwarz, 7.5(132) cauchy, 7.5(132) causal, 1.1(1), 2.1(29), 31, 2.2(33), 287 causales, 3
314
INDEX
decompose, 7.8(146) delta de Dirac, 14 descomponer, 1.6(23), 147 desigualdad de cauchy-schwarz, 7.5(132), 132 desplazamiento circular, 8.5(182), 185 Desplazamiento en el eje del Tiempo, 1.2(9) desplazamiento en el tiempo, 12.2(221) desplazamientos circulares, 8.5(182), 182 Detector de Filtro Acoplado, 133 determinant, 5.3(79) determinstica, 7 dft, 4.3(68), 8.5(182), 9.2(190), 11.2(206), 11.3(208) diferenciacin en el tiempo, 12.2(221) diferenciales, 3.1(39) digital, 1.1(1), 2, 11.6(212), 11.7(213) Dirichlet, 116 discontinuidad, 6.9(114), 116 discrete time, 3.4(55) discreto, 1, 8.2(166), 13.7(243) dominio, 280, 280 Dominio de la Frecuencia, 11.5(211) Dominio de la secuencia, 11.5(211) dominio del tiempo, 4.1(59) dot product, 7.3(129) DSP, 4.1(59), 11.7(213), 13.4(236), 15.2(266) DT, 4.2(63) dtfs, 8.2(166), 8.3(173), 8.4(174) DTFT, 11.2(206), 11.4(210), 13.1(225) duracin nita, 268 elec 301, 16.1(293), 16.2(297) elec301, 16.1(293), 16.2(297) energa, 115 entrada acotada-salida acotada (BIBO), 32 Escala en el eje del Tiempo, 1.2(9) escalamiento en el tiempo, 12.2(221) escaln unitario, 1.3(12), 14 espacio de funciones, 79 espacio de Hilbert, 131, 7.6(139), 7.8(146), 7.10(151), 7.13(161) espacio de las funciones, 7.9(150) espacio de producto interno, 131 espacio lineal de funciones., 125 espacio lineal normado, 127, 131 espacio normado, 7.6(139) Espacio Vectorial, 125, 7.6(139), 7.7(142), 7.9(150) espacio vectorial complejo, 125 espacio vectorial normado, 127 espacio vectorial real, 125, 138 espacios de hilbert, 7.4(131), 7.6(139), 7.7(142) espacios de las funciones, 7.9(150) espacios vectoriales, 7.6(139), 7.7(142) estable, 32, 287 Euclidean norm, 7.2(127) existencia, 116 expansin, 7.9(150), 7.10(151) exponencial, 1.3(12), 1.6(23), 6.3(99) exponencial complejo, 13, 1.5(19), 19 Exponencial que Crece, 13 Exponencial que decae, 13
ecuaciones diferenciales, 3.1(39) ecuacin caracterstica, 41 ecuacin de diferencia de coeciente linear constante, 281 Ecuacin de matriz, 8.3(173) ecuacin diferencial, 4.1(59), 59 eigen, 5.5(88) eigenfuncion, 6.4(100) eigenfunciones, 6.2(96), 6.4(100) eigenfuncin, 5.6(89), 90 eigenfunction, 5.3(79), 5.5(88) eigenfunctions, 5.5(88) eigenseal, 90 eigenvalor, 310, 81, 5.6(89) eigenvalue, 5.3(79), 5.5(88) eigenvalues, 5.3(79), 5.5(88) eigenvector, 5.3(79), 80, 5.5(88), 5.6(89) eigenvectors, 5.5(88) ejemplo, 11.7(213) ejemplos, 11.7(213)
F, 62 fasor, 20 fenmeno de Gibb, 121 fenmeno de Gibbs, 6.11(118), 119 FFT, 9.1(189), 9.2(190), 9.3(191), 11.2(206) ltro, 13.6(241), 15.8(288) ltro de boxcar, 62 FIR, 62 foltro acoplado, 7.5(132) forma, 191 fourier, 5.3(79), 6.2(96), 6.3(99), 6.4(100), 6.5(103), 6.6(106), 6.7(110), 6.8(111), 6.9(114), 6.10(116), 6.12(121), 7.10(151), 8.2(166), 8.3(173), 8.4(174), 8.5(182), 9.2(190) fourier series, 5.3(79) fourier transform, 11.1(205) fourier transform pairs, 5.7(92)
INDEX
frecuencia continua, 11.4(210), 12.1(219) frecuencia Nyquist, 11.7(213), 13.4(236), 236 frequencia, 11.6(212) frequency shift keying, 7.5(132) fsk, 7.5(132) fuertes de Dirichlet, 118 funcion, 15.5(279) funcion racional, 15.5(279) funciones descontinas, 119 funciones periodicas, 6.1(95) funciones racionales, 15.5(279), 279 funcin de Delta de Dirac, 1.4(16) funcin de sinc discreta, 215 funcin de transferencia, 282 funcin de valores complejos, 250, 250 funcin delta, 7.7(142) funcin Delta de Dirac, 1.3(12) funcin peridica, 95 Funcin Racional, 279 14.5(255) lado izquierdo, 270 laplace transform, 3.4(55) limitado en banda, 227 lineal, 2.1(29), 29 Lineal de tiempo invariante, 5.6(89) linealidad, 12.2(221) linealmente independiente, 75 linear, 2.2(33) linear combination, 294 linear function spaces, 7.1(125) linear system, 5.3(79) linear time invariant, 3.2(42) lineares de tiempo invariante, 277 linearly independent, 294 LTI, 3.2(42), 63, 5.5(88), 5.6(89), 6.2(96), 6.8(111) lmite, 197
315
M magnitude, 298
mariposa, 193 matched lter detector, 7.5(132) matched lters, 7.5(132) matriz de la base, 7.8(146), 148 matriz identidad, 148 mejor se aproxime, 162 metodo grco, 45 modulacin, 12.2(221) muestra, 13.5(238) muestreando, 13.4(236) muestrear, 208 muestreo, 225, 13.3(234), 13.4(236), 13.5(238), 13.6(241) muestro unitario, 1.6(23) mutuamente ortogonales, 309 mximo, 131 mximos, 118 mtodo directo, 283 mtodo indirecto, 283 mnimos, 118
G H
genera, 150 haar, 7.10(151) hermitiana, 7.11(158) hilbert, 7.4(131), 7.5(132), 7.6(139), 7.8(146), 7.10(151) homework 1, 16.1(293) homework one, 16.1(293)
I, 62 identidad de Euler, 20 imaginary part, 298 impulso, 1.3(12), 1.4(16) impulso unitario, 14 independencia, 5.1(75) independencia lineal, 5.1(75) inestable, 32 inner product, 7.3(129) inner products, 7.3(129) integral de convolucin, 42 intercepcin y, 280 intercesin en la x, 280 interno, 7.4(131) interpolacin, 13.2(229) invariante en el tiempo, 2.1(29), 30 invariantes linear del tiempo, 63 IRR, 61
nivel de referencia, 135 no causal, 1.1(1) no-anticipativo, 31 no-causal, 31 no-lineal, 29 nocausal, 2.1(29) nocausales, 3 nolineal, 2.1(29) norm, 7.2(127), 7.3(129) norma, 127, 10.1(197), 10.2(199) norma de convergencia, 10.1(197),
K L
kronecker, 7.7(142) La Ecuacin de Diferencia, 281 La Transformada Inversa de Laplace,
316
INDEX
10.2(199) normada, 7.7(142) normalizada, 309 normalization, 7.2(127) normed linear space, 7.2(127) normed vector space, 7.2(127) norms, 7.2(127) Nota importante:, 244 Nth Root of Unity, 294 Nyquist, 11.6(212), 13.4(236) propiedad de desplazamiento, 1.3(12), 1.4(16), 18 propiedad de simetria, 6.6(106) propiedades, 6.6(106) Propiedades de la Transformada de Fourier Discreta en el Tiempo, 11.5(211) propiedades simetricas, 6.6(106) proporcional, 189 proyeccin, 131, 7.13(161) pulso cuadrado, 119 punto a punto, 121 punto por punto, 6.9(114) puntual, 10.2(199) puntualmente, 199
ondoleta, 7.10(151) ondoleta de haar, 7.10(151) ondoletas, 7.10(151), 151 orden, 9.3(191), 14.5(255), 257, 282 orthogonal, 7.3(129) Ortogonal, 131, 7.7(142), 309 ortogonales, 131, 162 ortonormal, 7.7(142), 7.8(146), 8.2(166)
R, 62 racional, 15.5(279) real part, 298 real vector spaces, 7.1(125) reconstruccin, 13.2(229), 13.3(234), 13.4(236), 13.5(238) reconstruir, 13.3(234) Reexin en el eje del Tiempo, 1.2(9) region de convergerncia, 14.4(253) regin de convergencia (ROC), 253 respuesta al impulso, 4.2(63) respuesta de estado-cero, 39 respuesta de impulso, 19 respuesta de salida-cero, 39 ROC, 14.4(253), 15.1(261), 262, 267
parallel, 2.2(33) pares bilaterales de la transformada de Laplace, 249 pares de transformacion, 15.2(266) Parseval, 7.12(160) perfecta, 13.3(234) periodicidad, 6.1(95) periodico, 6.1(95), 8.4(174) periodo, 2, 6.1(95), 95, 8.4(174) periodo fundamental, 2 peridico, 1.1(1) Plancharel, 7.12(160) plano complejo, 1.5(19) plano-s, 22 Plano-Z, 1.7(26), 261, 15.7(284) pole, 3.4(55) polinomio, 15.5(279) polinomio caracterstico, 284 polo, 14.4(253), 14.6(257), 15.7(284), 15.8(288) polos, 14.5(255), 256, 258, 281, 285 procesamiento de seales digitales, 4.1(59), 11.7(213) procesamiento de tiempo discreto, 13.7(243) processing, 13.7(243) producto interno, 129, 130, 7.4(131), 7.5(132), 7.11(158) producto punto, 129 productos internos, 7.5(132) projection, 7.3(129) promedio cuadrado, 121 property, 3.3(48)
schwarz, 7.5(132) secuencia, 197 secuencia de dos lados, 271 secuencia de funciones, 115, 10.3(202) secuencia del exponencial complejo, 24 secuencia del lado derecho, 269 secuencias, 1.6(23), 10.1(197), 10.3(202) seno, 1.6(23) Senosoidal, 1.6(23), 6.3(99) senosoidal compleja, 8.2(166) senosoidales armnicos, 8.2(166), 167 serie de potencia, 262, 267 series de fourier, 6.2(96), 6.3(99), 6.4(100), 6.6(106), 6.7(110), 6.9(114), 6.10(116), 6.11(118), 6.12(121), 7.7(142), 7.10(151), 8.1(165), 8.2(166), 8.3(173), 8.4(174) series de fourier discretas en el tiempo, 8.2(166), 166, 8.4(174) series geomtricas, 213 seaes y sistemas, 4.2(63)
INDEX
seal, 4.2(63), 6.1(95), 6.12(121) seal aleatoria, 7 seal de tamao nito, 8 seal exponencial compleja de tiempo-continuo, 20 seal exponencial compleja en tiempo-discreto, 21 seal impar, 4, 6.6(106) seal par, 1.1(1), 4, 6.6(106) seales, 1.2(9), 1.3(12), 1.4(16), 1.5(19), 1.6(23), 2.1(29), 6.2(96), 6.3(99), 8.1(165), 14.4(253), 14.6(257) seales de tiempo discreto, 225 Seales de Valores Simblicos, 1.6(23) seales ruidosas, 102 seales y sistemas, 1.1(1) signals, 3.2(42), 3.3(48), 3.4(55), 11.1(205) simetria, 6.5(103), 6.6(106), 12.2(221) sinc, 13.3(234) Sinc Dirichlet, 11.2(206) singularidades, 14.5(255), 255 sistema, 4.3(68), 6.4(100), 6.12(121) sistema continuo, 29 sistema discreto, 29 sistema lineal, 3.1(39) sistema LTI, 6.2(96), 6.4(100) sistemas, 1.6(23), 8.1(165), 14.4(253), 14.6(257) sistemas de desplazamiento invariante, 4.1(59) sistemas discretos, 4.1(59) solucin homognea, 283 solucin particular, 283 span, 5.5(88) stability, 3.4(55) suaves, 102 subespacio generado, 5.1(75), 77 suma de convolucin, 63 superposicin, 4.1(59) superposition, 2.2(33) system, 5.5(88) systems, 3.2(42), 3.3(48), 3.4(55), 11.1(205) sntesis, 98 8.1(165), 12.1(219), 13.1(225), 225, 13.7(243), 14.1(249), 14.2(251), 14.3(253), 14.4(253), 14.6(257)
317
tiempo discreto, 1.1(1), 4.2(63), 8.1(165), 8.3(173), 8.5(182), 11.4(210), 11.5(211), 11.6(212), 11.7(213), 13.1(225), 14.6(257), 15.2(266) Tiempo-continuo, 12.2(221) tiempo-discreto, 1.6(23) time-invariant, 2.2(33) transforma, 86 transformacion lineal, 6.5(103) transformacin linear, 104 transformada, 6.2(96) transformada de fourier, 4.3(68), 6.10(116), 8.1(165), 8.5(182), 9.2(190), 11.3(208), 11.4(210), 11.5(211), 11.6(212), 11.7(213), 12.1(219), 12.2(221), 15.1(261), 261 Transformada de Fourier de Tiempo-Continuo, 219 transformada de fourier discreta, 4.3(68) Transformada de Fourier Discreta en el Tiempo, 11.7(213) transformada de laplace, 8.1(165), 14.1(249), 14.2(251), 14.3(253), 14.4(253), 14.6(257) transformada de z, 8.1(165) Transformada Discreta de Fourier, 11.3(208), 208 transformada inversa, 6.2(96), 98 Transformada Rpida de Fourier, 9.1(189), 9.2(190), 9.3(191) transformada z, 14.6(257), 15.2(266) transformada-z, 15.1(261), 261, 15.2(266) transformada-z bilateral, 261 transformada-z unilateral, 261 transformadas de z unilateral y bilateral, 266 transformadaz, 267 transforms, 149 transpuesta, 7.11(158) trasformar, 98
U V
una seal de tamao innito, 8 uniforme, 10.3(202) unilateral, 15.2(266) unitario, 16 valor complejo, 1.6(23) valor real, 1.6(23) variante en el tiempo, 2.1(29), 31 vector, 7.1(125), 10.2(199)
t-periodico, 6.1(95) tamao nito, 278 Teorema de Nyquist, 13.4(236), 236 Teorema de Parseval, 11.7(213) teora de control, 259 tiempo continuo, 1.1(1), 1.3(12), 3.1(39),
318
INDEX
vector de coecientes, 7.8(146), 148 vector space, 7.1(125) vector spaces, 7.1(125) vectores, 10.2(199) ventaja computacional, 192
z transform, 3.4(55) z-transform, 15.5(279) zero, 3.4(55) lgebra lineal, 5.1(75) nalogo, 11.6(212), 11.7(213) nica, 147
W weighted sum, 294
ATTRIBUTIONS
319
Attributions
Collection: Seales y Sistemas Edited by: Richard Baraniuk URL: http://cnx.org/content/col10373/1.2/ License: http://creativecommons.org/licenses/by/2.0/ Module: "Clasicacin y Propiedades de las Seales" By: Melissa Selik, Richard Baraniuk, Michael Haag, Ricardo von Borries URL: http://cnx.org/content/m12818/1.8/ Pages: 1-9 Copyright: Ricardo von Borries, Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Signal Classications and Properties By: Melissa Selik, Richard Baraniuk, Michael Haag URL: http://cnx.org/content/m10057/2.16/ Module: "Operaciones para Seales" By: Richard Baraniuk URL: http://cnx.org/content/m12823/1.7/ Pages: 9-12 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Signal Operations By: Richard Baraniuk URL: http://cnx.org/content/m10125/2.5/ Module: "Seales tiles" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12819/1.11/ Pages: 12-16 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Useful Signals By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10058/2.10/ Module: "Funcin de Impulso" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12824/1.9/ Pages: 16-19 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: The Impulse Function By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10059/2.16/
320 Module: "El Exponencial Complejo" By: Richard Baraniuk URL: http://cnx.org/content/m12825/1.6/ Pages: 19-23 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: The Complex Exponential By: Richard Baraniuk URL: http://cnx.org/content/m10060/2.18/ Module: "Seales en Tiempo-Discreto" By: Don Johnson URL: http://cnx.org/content/m12820/1.9/ Pages: 23-26 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Signals By: Don Johnson URL: http://cnx.org/content/m0009/2.20/ Module: "Exponencial Complejo Discreto" By: Richard Baraniuk URL: http://cnx.org/content/m13001/1.2/ Page: 26 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete -Time Complex Exponential By: Richard Baraniuk URL: http://cnx.org/content/m11407/1.3/ Module: "Clasicacin y Propiedades de los Sistemas" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12822/1.4/ Pages: 29-32 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: System Classications and Properties By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10084/2.18/ Module: "Propiedades de los Sistemas" By: Thanos Antoulas, JP Slavinsky URL: http://cnx.org/content/m12826/1.2/ Pages: 33-38 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Properties of Systems By: Thanos Antoulas, JP Slavinsky URL: http://cnx.org/content/m2102/2.16/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Sistemas Lineales CT y Ecuaciones Diferenciales" By: Michael Haag URL: http://cnx.org/content/m12985/1.2/ Pages: 39-41 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: CT Linear Systems and Dierential Equations By: Michael Haag URL: http://cnx.org/content/m10855/2.4/ Module: "Convolucin de Tiempo-Continuo" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12828/1.4/ Pages: 42-48 Copyright: Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Continuous-Time Convolution By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10085/2.25/ Module: "Propiedades de la Convolucin" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12829/1.2/ Pages: 48-55 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Properties of Convolution By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10088/2.12/ Module: "Estabilidad BIBO" By: Richard Baraniuk URL: http://cnx.org/content/m12834/1.3/ Pages: 55-57 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: BIBO Stability By: Richard Baraniuk URL: http://cnx.org/content/m10113/2.8/ Module: "Anlisis en el Dominio del Tiempo para Sistemas Discretos" By: Don Johnson URL: http://cnx.org/content/m12830/1.6/ Pages: 59-62 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Systems in the Time-Domain By: Don Johnson URL: http://cnx.org/content/m10251/2.20/
321
322 Module: "Convolucin Discreta" By: Ricardo Radaelli-Sanchez, Richard Baraniuk URL: http://cnx.org/content/m12833/1.4/ Pages: 63-68 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Convolution By: Ricardo Radaelli-Sanchez, Richard Baraniuk URL: http://cnx.org/content/m10087/2.17/ Module: "Convolucin Circular y el DFT" By: Justin Romberg URL: http://cnx.org/content/m12831/1.3/ Pages: 68-72 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Circular Convolution and the DFT By: Justin Romberg URL: http://cnx.org/content/m10786/2.6/ Module: "Ecuaciones de Diferencia" By: Richard Baraniuk URL: http://cnx.org/content/m13010/1.1/ Page: 72 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Dierence Equations By: Richard Baraniuk URL: http://cnx.org/content/m10550/2.2/ Module: "Algebra Lineal: Conceptos Bsicos" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12862/1.3/ Pages: 75-79 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Linear Algebra: The Basics By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10734/2.3/ Module: "Conceptos Bsicos de Vectores" By: Michael Haag URL: http://cnx.org/content/m12863/1.2/ Page: 79 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Vector Basics By: Michael Haag URL: http://cnx.org/content/m10844/2.0/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Eigenvectores y Eigenvalores" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12870/1.2/ Pages: 79-85 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Eigenvectors and Eigenvalues By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10736/2.6/ Module: "Diagonalizacin de Matrices" By: Michael Haag URL: http://cnx.org/content/m12871/1.2/ Pages: 85-88 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Matrix Diagonalization By: Michael Haag URL: http://cnx.org/content/m10738/2.4/ Module: "Generalidades de Eigenvectores y Eigenvalores" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12872/1.3/ Pages: 88-89 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Eigen-stu in a Nutshell By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10742/2.4/ Module: "Eigenfunciones de los Sistemas LTI" By: Justin Romberg URL: http://cnx.org/content/m12874/1.3/ Pages: 89-92 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Eigenfunctions of LTI Systems By: Justin Romberg URL: http://cnx.org/content/m10500/2.7/ Module: "Propiedades de la Transformada de Fourier" By: Don Johnson URL: http://cnx.org/content/m12875/1.2/ Page: 92 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Transform Properties By: Don Johnson URL: http://cnx.org/content/m0045/2.8/
323
324 Module: "Seales Peridicas" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12933/1.3/ Pages: 95-96 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Periodic Signals By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10744/2.5/ Module: "Series de Fourier: El Mtodo de Eigenfunciones" By: Justin Romberg URL: http://cnx.org/content/m12893/1.3/ Pages: 96-99 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series: Eigenfunction Approach By: Justin Romberg URL: http://cnx.org/content/m10496/2.20/ Module: "Derivacin de la Ecuacin de Coecientes de Fourier" By: Michael Haag URL: http://cnx.org/content/m12894/1.1/ Pages: 99-100 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Derivation of Fourier Coecients Equation By: Michael Haag URL: http://cnx.org/content/m10733/2.6/ Module: "Generalidades de las Series de Fourier" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12896/1.2/ Pages: 100-103 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series in a Nutshell By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10751/2.3/ Module: "Propiedades de la Serie de Fourier" By: Justin Romberg, Benjamin Fite URL: http://cnx.org/content/m12897/1.2/ Pages: 103-106 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series Properties By: Justin Romberg, Benjamin Fite URL: http://cnx.org/content/m10740/2.7/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Propiedades de Simetra de las Series de Fourier" By: Justin Romberg URL: http://cnx.org/content/m12898/1.1/ Pages: 106-110 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Symmetry Properties of the Fourier Series By: Justin Romberg URL: http://cnx.org/content/m10838/2.4/ Module: "Propiedad de Convolucin Circular de las Series de Fourier" By: Justin Romberg URL: http://cnx.org/content/m12899/1.1/ Pages: 110-111 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Circular Convolution Property of Fourier Series By: Justin Romberg URL: http://cnx.org/content/m10839/2.4/ Module: "Series de Fourier y los Sistemas LTI" By: Justin Romberg URL: http://cnx.org/content/m12900/1.2/ Pages: 111-114 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series and LTI Systems By: Justin Romberg URL: http://cnx.org/content/m10752/2.7/ Module: "Convergencia de las Series de Fourier" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12934/1.2/ Pages: 114-116 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Convergence of Fourier Series By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10745/2.3/ Module: "Condiciones de Dirichlet" By: Ricardo Radaelli-Sanchez URL: http://cnx.org/content/m12927/1.2/ Pages: 116-118 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Dirichlet Conditions By: Ricardo Radaelli-Sanchez URL: http://cnx.org/content/m10089/2.9/
325
326 Module: "El Fenmeno de Gibbs" By: Ricardo Radaelli-Sanchez, Richard Baraniuk URL: http://cnx.org/content/m12929/1.1/ Pages: 118-121 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Gibbs's Phenomena By: Ricardo Radaelli-Sanchez, Richard Baraniuk URL: http://cnx.org/content/m10092/2.8/ Module: "Resumen de las Series de Fourier" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12932/1.3/ Pages: 121-122 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series Wrap-Up By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10749/2.3/ Module: "Espacios Vectoriales" By: Michael Haag, Steven J. Cox, Justin Romberg URL: http://cnx.org/content/m12878/1.2/ Pages: 125-126 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Vector Spaces By: Michael Haag, Steven J. Cox, Justin Romberg URL: http://cnx.org/content/m10767/2.4/ Module: "Normas" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12877/1.2/ Pages: 127-129 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Norms By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10768/2.3/ Module: "Producto Interno" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12876/1.2/ Pages: 129-131 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Inner Products By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10755/2.5/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Espacios de Hilbert" By: Justin Romberg URL: http://cnx.org/content/m12879/1.2/ Pages: 131-132 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Hilbert Spaces By: Justin Romberg URL: http://cnx.org/content/m10840/2.4/ Module: "Desigualdad de Cauchy-Schwarz" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12880/1.2/ Pages: 132-139 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Cauchy-Schwarz Inequality By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10757/2.5/ Module: "Espacios de Hilbert comunes" By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m12881/1.2/ Pages: 139-142 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Common Hilbert Spaces By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m10759/2.5/ Module: "Tipos de Bases" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12902/1.2/ Pages: 142-146 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Types of Basis By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10772/2.4/ Module: "Expansin de Bases Ortonormales" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12928/1.1/ Pages: 146-150 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Orthonormal Basis Expansions By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10760/2.4/
327
328 Module: "Espacio de Funciones" By: Justin Romberg URL: http://cnx.org/content/m12913/1.1/ Pages: 150-151 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Function Space By: Justin Romberg URL: http://cnx.org/content/m10770/2.4/ Module: "Base de la Ondoleta de Haar" By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m12919/1.2/ Pages: 151-158 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Haar Wavelet Basis By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m10764/2.6/ Module: "Bases Ortonormales en Espacios Reales y Complejos" By: Justin Romberg URL: http://cnx.org/content/m12920/1.2/ Pages: 158-160 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Orthonormal Bases in Real and Complex Spaces By: Justin Romberg URL: http://cnx.org/content/m10765/2.7/ Module: "Teoremas de Plancharel y Parseval" By: Justin Romberg URL: http://cnx.org/content/m12931/1.1/ Pages: 160-161 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Plancharel and Parseval's Theorems By: Justin Romberg URL: http://cnx.org/content/m10769/2.4/ Module: "Approximacin y Proyeccin en el Espacio de Hilbert" By: Justin Romberg URL: http://cnx.org/content/m12935/1.2/ Pages: 161-163 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Approximation and Projections in Hilbert Space By: Justin Romberg URL: http://cnx.org/content/m10766/2.6/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Anlisis de Fourier" By: Richard Baraniuk URL: http://cnx.org/content/m12865/1.4/ Pages: 165-166 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Analysis By: Richard Baraniuk URL: http://cnx.org/content/m10096/2.10/ Module: "Anlisis de Fourier en Espacios Complejos" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12848/1.5/ Pages: 166-173 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Analysis in Complex Spaces By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10784/2.5/ Module: "Ecuacin de Matriz para la DTFS" By: Roy Ha URL: http://cnx.org/content/m12859/1.1/ Pages: 173-174 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Matrix Equation for the DTFS By: Roy Ha URL: http://cnx.org/content/m10771/2.6/ Module: "Extensin Peridica de las DTFS" By: Roy Ha URL: http://cnx.org/content/m12860/1.2/ Pages: 174-182 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Periodic Extension to DTFS By: Roy Ha URL: http://cnx.org/content/m10778/2.5/ Module: "Desplazamientos Circulares" By: Justin Romberg URL: http://cnx.org/content/m12864/1.1/ Pages: 182-187 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Circular Shifts By: Justin Romberg URL: http://cnx.org/content/m10780/2.6/
329
330 Module: "DFT: Transformada Rpida de Fourier" By: Don Johnson URL: http://cnx.org/content/m12937/1.1/ Pages: 189-190 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: DFT: Fast Fourier Transform By: Don Johnson URL: http://cnx.org/content/m0504/2.8/ Module: "La Transformada Rpida de Fourier (FFT)" By: Justin Romberg URL: http://cnx.org/content/m12942/1.1/ Pages: 190-191 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: The Fast Fourier Transform (FFT) By: Justin Romberg URL: http://cnx.org/content/m10783/2.5/ Module: "Derivando la Transformada Rpida de Fourier" By: Don Johnson URL: http://cnx.org/content/m12941/1.1/ Pages: 191-194 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Deriving the Fast Fourier Transform By: Don Johnson URL: http://cnx.org/content/m0528/2.7/ Module: "Convergencia de Secuencias" By: Richard Baraniuk URL: http://cnx.org/content/m12943/1.2/ Pages: 197-198 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Convergence of Sequences By: Richard Baraniuk URL: http://cnx.org/content/m10883/2.4/ Module: "Convergencia de Vectores" By: Michael Haag URL: http://cnx.org/content/m12944/1.2/ Pages: 199-202 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Convergence of Vectors By: Michael Haag URL: http://cnx.org/content/m10894/2.2/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Convergencia Uniforme de Secuencias de Funciones." By: Michael Haag, Richard Baraniuk URL: http://cnx.org/content/m12945/1.1/ Pages: 202-203 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Uniform Convergence of Function Sequences By: Michael Haag, Richard Baraniuk URL: http://cnx.org/content/m10895/2.5/ Module: "Table of Common Fourier Transforms" Used here as: "Tabla de Transformadas de Fourier Comunes" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10099/2.10/ Pages: 205-206 Copyright: Melissa Selik, Richard Baraniuk License: http://creativecommons.org/licenses/by/1.0 Module: "Transformacin Discreta de Fourier" By: Phil Schniter URL: http://cnx.org/content/m12843/1.2/ Pages: 206-208 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete Fourier Transformation By: Phil Schniter URL: http://cnx.org/content/m10421/2.10/ Module: "Transformada Discreta de Fourier (DFT)" By: Don Johnson URL: http://cnx.org/content/m12844/1.1/ Pages: 208-210 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete Fourier Transform (DFT) By: Don Johnson URL: http://cnx.org/content/m10249/2.23/ Module: "Transformada de Fourier Discreta en el Tiempo (DTFT)" By: Richard Baraniuk URL: http://cnx.org/content/m12861/1.1/ Pages: 210-211 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Fourier Transform (DTFT) By: Richard Baraniuk URL: http://cnx.org/content/m10108/2.11/
331
332 Module: "Propiedades de la Transformada de Fourier Discreta en el Tiempo" By: Don Johnson URL: http://cnx.org/content/m12846/1.1/ Pages: 211-212 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Fourier Transform Properties By: Don Johnson URL: http://cnx.org/content/m0506/2.6/ Module: "Par de la Transformada de Fourier Discreta en el Tiempo" By: Don Johnson URL: http://cnx.org/content/m12845/1.1/ Page: 212 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Fourier Transform Pair By: Don Johnson URL: http://cnx.org/content/m0525/2.6/ Module: "Ejemplos de DTFT" By: Don Johnson URL: http://cnx.org/content/m12847/1.1/ Pages: 213-216 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: DTFT Examples By: Don Johnson URL: http://cnx.org/content/m0524/2.10/ Module: "Transformada de Fourier de Tiempo Continuo (CTFT)" By: Richard Baraniuk, Melissa Selik URL: http://cnx.org/content/m12955/1.1/ Pages: 219-220 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Continuous-Time Fourier Transform (CTFT) By: Richard Baraniuk, Melissa Selik URL: http://cnx.org/content/m10098/2.9/ Module: "Propiedades de la Transformada de Fourier de Tiempo-Continuo" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12957/1.2/ Pages: 221-223 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Properties of the Continuous-Time Fourier Transform By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10100/2.13/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Muestreo" By: Justin Romberg URL: http://cnx.org/content/m12964/1.3/ Pages: 225-229 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Sampling By: Justin Romberg URL: http://cnx.org/content/m10798/2.6/ Module: "Reconstruccin" By: Justin Romberg URL: http://cnx.org/content/m12969/1.2/ Pages: 229-234 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Reconstruction By: Justin Romberg URL: http://cnx.org/content/m10788/2.5/ Module: "Ms sobre Reconstruccin Perfecta" By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m12970/1.2/ Pages: 234-236 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: More on Perfect Reconstruction By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m10790/2.4/ Module: "Teorema de Nyquist" By: Justin Romberg URL: http://cnx.org/content/m12971/1.2/ Pages: 236-237 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Nyquist Theorem By: Justin Romberg URL: http://cnx.org/content/m10791/2.4/ Module: "Aliasing" By: Justin Romberg, Don Johnson URL: http://cnx.org/content/m12973/1.3/ Pages: 238-241 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Aliasing By: Justin Romberg, Don Johnson URL: http://cnx.org/content/m10793/2.5/
333
334 Module: "Filtros Anti-Aliasing" By: Justin Romberg URL: http://cnx.org/content/m12974/1.2/ Pages: 241-243 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Anti-Aliasing Filters By: Justin Romberg URL: http://cnx.org/content/m10794/2.4/ Module: "Procesamiento de Tiempo Discreto de Seales de Tiempo Continuo" By: Justin Romberg URL: http://cnx.org/content/m12976/1.2/ Pages: 243-245 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete Time Processing of Continuous Time Signals By: Justin Romberg URL: http://cnx.org/content/m10797/2.4/ Module: "La Transformada de Laplace" By: Richard Baraniuk URL: http://cnx.org/content/m12978/1.2/ Pages: 249-251 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: The Laplace Transforms By: Richard Baraniuk URL: http://cnx.org/content/m10110/2.12/ Module: "Propiedades de la Transformada de Laplace" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12979/1.2/ Pages: 251-252 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Properties of the Laplace Transform By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10117/2.9/ Module: "Tabla de Transformadas de Laplace Comunes" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12959/1.1/ Page: 253 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Table of Common Laplace Transforms By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10111/2.10/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Regin de Convergencia para la Transformada de Laplace" By: Richard Baraniuk URL: http://cnx.org/content/m12961/1.1/ Pages: 253-255 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Region of Convergence for the Laplace Transform By: Richard Baraniuk URL: http://cnx.org/content/m10114/2.8/ Module: "La Transformada Inversa de Laplace" By: Steven J. Cox URL: http://cnx.org/content/m12962/1.1/ Pages: 255-257 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: The Inverse Laplace Transform By: Steven J. Cox URL: http://cnx.org/content/m10170/2.8/ Module: "Polos y Ceros" By: Richard Baraniuk URL: http://cnx.org/content/m12963/1.2/ Pages: 257-259 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Poles and Zeros By: Richard Baraniuk URL: http://cnx.org/content/m10112/2.11/ Module: "La Transformada Z: Denicin" By: Benjamin Fite URL: http://cnx.org/content/m12951/1.1/ Pages: 261-266 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: The Z Transform: Denition By: Benjamin Fite URL: http://cnx.org/content/m10549/2.9/ Module: "Tabla de Transformadas-Z Comunes" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12950/1.2/ Pages: 266-267 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Table of Common z-Transforms By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10119/2.12/
335
336 Module: "Regin de Convergencia para la Transformada- Z" By: Benjamin Fite URL: http://cnx.org/content/m12956/1.2/ Pages: 267-276 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Region of Convergence for the Z-transform By: Benjamin Fite URL: http://cnx.org/content/m10622/2.5/ Module: "La Transformada Inversa de Z" By: Benjamin Fite URL: http://cnx.org/content/m12958/1.2/ Pages: 276-279 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Inverse Z-Transform By: Benjamin Fite URL: http://cnx.org/content/m10651/2.4/ Module: "Funciones Racionales" By: Michael Haag URL: http://cnx.org/content/m12960/1.1/ Pages: 279-281 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Rational Functions By: Michael Haag URL: http://cnx.org/content/m10593/2.7/ Module: "La Ecuacin de Diferencia" By: Michael Haag URL: http://cnx.org/content/m12965/1.1/ Pages: 281-284 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Dierence Equation By: Michael Haag URL: http://cnx.org/content/m10595/2.5/ Module: "Entendiendo las Gracas de Polos y Ceros en el Plano-Z" By: Michael Haag URL: http://cnx.org/content/m12966/1.1/ Pages: 284-288 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Understanding Pole/Zero Plots on the Z-Plane By: Michael Haag URL: http://cnx.org/content/m10556/2.8/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Diseo de Filtros usando la Graca de Polos y Ceros de la Transformada-Z" By: Michael Haag URL: http://cnx.org/content/m12967/1.3/ Pages: 288-291 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Filter Design using the Pole/Zero Plot of a Z-Transform By: Michael Haag URL: http://cnx.org/content/m10548/2.9/ Module: "Homework 1" By: Richard Baraniuk, Justin Romberg URL: http://cnx.org/content/m10826/2.9/ Pages: 293-297 Copyright: Richard Baraniuk, Justin Romberg License: http://creativecommons.org/licenses/by/1.0 Module: "Homework 1 Solutions" By: Justin Romberg, Richard Baraniuk, Michael Haag URL: http://cnx.org/content/m10830/2.4/ Pages: 297-308 Copyright: Justin Romberg, Richard Baraniuk, Michael Haag License: http://creativecommons.org/licenses/by/1.0
337
Seales y Sistemas
Este curso trata acerca de seales, sistemas, y transformadas a partir de las bases matmaticas y teorticas hasta las implementaciones prcticas en circuitos y algoritmos. Al terminar ELEC 301, tendr un amplio entendimiento de las matmaticas y temas prcticos relacionados con las seales en tiempo continuo y tiempo discreto, sistemas lineales invariantes en el tiempo, la convulocin, y la trasformada de Fourier.
About Connexions
Since 1999, Connexions has been pioneering a global system where anyone can create course materials and make them fully accessible and easily reusable free of charge. We are a Web-based authoring, teaching and learning environment open to anyone interested in education, including students, teachers, professors and lifelong learners. We connect ideas and facilitate educational communities. Connexions's modular, interactive courses are in use worldwide by universities, community colleges, K-12 schools, distance learners, and lifelong learners. Connexions materials are in many languages, including English, Spanish, Chinese, Japanese, Italian, Vietnamese, French, Portuguese, and Thai. Connexions is part of an exciting new information distribution system that allows for
Print on Demand Books. Connexions
has partnered with innovative on-demand publisher QOOP to accelerate the delivery of printed course materials and textbooks into classrooms worldwide at lower prices than traditional academic publishers.

Señales&Sistemas Richard Baraniuk

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Señales&Sistemas Richard Baraniuk

Cargado por

Copyright:

Formatos disponibles

Seales y Sistemas

Collection Editor: Richard Baraniuk

Online: < http://cnx.org/content/col10373/1.2/ >

4 Anlisis de Sistemas Discretos en el Dominio del Tiempo

9 Transformada Rpida de Fourier (FFT) 9.1 9.2 9.3

10 Convergencia 10.1 10.2 10.3 11

12 Transformada de Fourier de Tiempo Continuo (CTFT) 12.1 12.2

13.4 13.5 13.6 13.7

15 La Transformada Z y Filtros Digitales

1.1.2 Clasicacin de Seales

1.1.2.1 Tiempo Continuo vs. Tiempo Discreto

para discretizar una

1.1.2.2 Anlogo vs. Digital

1.1.2.3 Peridico vs. Aperidico

periodo T , mientras las seales aperidicas o no peridicas

puede ser cualquier nmero y

es una constante positiva:

periodo fundamental de esta funcin,

que permita la validacin

1.1.2.4 Causal vs. Anticausal vs. Nocausal

1.1.2.5 Par vs. Impar

fcilmente por que son

las seales pares se pueden detectar

seal impar, es una seal

(a) Una seal par (b) Una seal impar

1 1 (f (t) + f (t)) + (f (t) f (t)) 2 2 f (t) f (t)

satisface a una funcin par, y que

satisface a una funcin

+ f (t)) (c) Parte Impar: o (t) =

1.1.2.6 Determinstico vs. Aleatorio

expresin matemtica, regla, o tabla.

seal aleatoria4 , tiene mucha

(a) Seal Determinstica (b) Seal Aleatoria

1.1.2.7 Hemisferio Derecho vs. Hemisferio Izquierdo

(a) Seal de Hemisferio-Derecho (b) Seal de Hemisferio-Izquierdo

1.1.2.8 Tamao nito vs. Tamao innito

f (t) es una seal de tamao nito

no sea cero en un intervalo nito

t1 < f (t) < t2

1.2 Operaciones para Seales6

1.2.1 Desplazamiento en el eje del Tiempo

content is available online at <http://cnx.org/content/m12823/1.7/>.

f (t T ) mueve (retrasa) f a la derecha T .

1.2.2 Escala en el eje del Tiempo

f (at) comprime f por a.

1.2.3 Reexin en el eje del Tiempo

Reexin en el eje del Tiempo

1.3 Seales tiles7

fundamentos para cualquier otra seal.

(1.3) Note que es comn ver que que su periodo, o cualquier

seal peridica puedan ser expresada de la siguiente manera

content is available online at <http://cnx.org/content/m12819/1.11/>.

1.3.2 Funciones de Exponenciales Complejos

exponencial complejo se convertir

mostrado abajo, es un nmero complejo en trminos de

con una fase constante, y con

1.3.3 Exponenciales reales

nada mas crece o decae dependiendo del valor de

Exponencial que decae Exponencial que Crece,

Signals": Section Complex Exponentials <http://cnx.org/content/m0004/latest/#sec2>

1.3.4 Funcin de impulso unitario

es comnmente conocido como

1.3.5 Funcin de Escaln unitario

1.1.2 Clasicacin de Seales

1.1.2.8 Tamao nito vs. Tamao innito

f (t) es una seal de tamao nito

no sea cero en un intervalo nito

1.2.3 Reexin en el eje del Tiempo

Reexin en el eje del Tiempo

Escaln unitario que se dene como

Representacin grca del impulso discreto

nosotros podemos derivar y denir fcilmente una funcin exponencial de una

podemos denir una

que al nal nos lleva a