Castellanos Analisis de Senales y Sistemas

An alisis de se nales
y
sistemas
`
. .
`
`
`
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
`
`
...............................................................
...............................................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
(
t
)
Z
T
Z
T
Z
T
1
/
T
1
/
T
1
/
T
1
(
t
)
n
(
t
)
n
(
t
)
1
(
t
)
0
(
t
)
0
(
t
)
x
0
x
1
x
n
x
(
t
)
Germ an Castellanos D.- Alvaro Orozco A.
Universidad Nacional de Colombia, Universidad tecnol ogica de Pereira
1
An alisis de se nales
y
sistemas
Germ an Castellanos Domnguez
Universidad Nacional de Colombia, Manizales
Alvaro Angel Orozco

Universidad Tecnol ogica de Pereira
2007
Taller de Publicaciones- Universidad Tecnol ogica de Pereira
camare@utp.edu.co
*
Realizado bajo el auspicio de COLCIENCIAS
ISBN: 978-958-8272-33-7
Este libro est a hecho con ayuda de KOMA-Script y L
A
T
E
X.
Notaciones
Notaci on Signicado
x Escalar
x(s) Funci on con variable s
x Vector escalar
x
() Conjugado de x
x(s
k
) Valor de la funci on en el argumento s
k
f
a,b
(s), f Funci on f con par ametros a, b y argumento s, funci on vectorial
x
k
: k = 1, . . . , N Serie o sucesion de valores de longitud N
x[k] Se nal discretizada (base normalizada k)
x, y) Producto interno de x e y
d (x
m
, y
n
), d (x, y) Distancia entre los elementos x
m
e y
n
, o entre las funciones x e y
|x| Norma de x
x
k
(t) Trayectoria k de la se nal x(t)
x(s), x(s) Primera, segunda derivada de la funci on x por s
rank (x), rank(X) Rango del vector x, de la matriz X
c
f
, T
f
Energa de la se nal f, Potencia de la se nal f
Z
mn
,
T
,
H
Matriz de orden mn, matriz transpuesta, matriz Hermitiana
J (x
1
. . . , x
n
) Jacobiano por las variables x
1
, . . . , x
n
supp (x), car (x), trace (X) Soporte de la funci on x, cardinal de x, traza de X
I,i Matriz de identidad, vector unitario
X Conjunto, espacio
ON Orden del n umero de operaciones
o (x) Funci on de valores despreciables, o (x)/x 0, x 0
K x (s) Transformada (operador) sobre x con argumento s
F, Z , L T. Fourier, Zeta, Laplace
X (s) Representaci on espectral con variable s
Z, N, R, C Dominio de los enteros, naturales, reales y complejos
1x , x Parte real de x, parte imaginaria de x
(s) Se nal aleatoria (alfabeto griego) de variable s
E Operador de esperanza matematica
Prefacio
L
a rapida evolucion en la tecnologa electronica, en particular de los procesadores digitales, as como el
aporte signicativo de nuevos y cada vez mas efectivos algoritmos de analisis han hecho del proceso
digital de se nales un factor importante en el desarrollo de areas como la Instrumentacion y Control,
las Telecomunicaciones y la Telematica, la Electromedicina, entre otras, brindado al sector productivo e in-
vestigacion una nueva y potente herramienta de trabajo, que puede expandir signicativamente su capacidad
y posibilidades. El objetivo del curso es dar a conocer los principales metodos de analisis aplicado de se nales
aleatorias con carga informativa, que puedan ser desarrollados por tecnicas de proceso digital.
El material dispuesto en el presente texto describe los metodos y principios del proceso de se nales, que
actualmente encuentran amplio uso. Se analizan los modelos de se nales, el analisis espectral generalizado, el
desarrollo de algoritmos rapidos de calculo de transformadas ortogonales, los principios de dise no de dispositivos
digitales de ltracion, como elemento basico de proceso, los metodos de representacion de aleatoriedad y la
estimacion de sus respectivos valores, con especial enfasis en el caso de analisis de procesos estocasticos. Por
ultimo, se generaliza el analisis de la ltracion como un proceso de estimacion, acoplando se empleo a casos
reales de proceso de se nales aleatorias.
El contenido del texto es el siguiente: el captulo I describe los principales metodos de representacion de-
terminstica de se nales y sistemas en tiempo continuo, mientras el captulo II describe los principales metodos
de representacion en tiempo discreto. Por cuanto, la ltracion sigue siendo uno de los procedimientos funda-
mentales de mayor empleo en el proceso de se nales, el captulo III describe en detalle los principios basicos
de ltracion digital. El captulo IV analiza la caracterizacion de se nales aleatorias, particularmente las esta-
cionarias. En el Apendice A se desarrollan los algoritmos generales de analisis de se nales y sistemas sobre
procesadores digitales.
El libro esta orientado a los estudiantes de posgrado, que requieran profundizar en la representacion espectral
de se nales y sistemas, orientada al procesamiento digital, sin embargo, puede ser empleado por estudiantes
de pregrado, en los cursos de Teora de Se nales y Proceso Digital de Se nales. El material teorico presentado
tiene caracter de referencia, y por esto no se da la deduccion de algunas expresiones, brindandose la literatura
necesaria para la profundizacion de cada tema en particular. As mismo, algunos de los programas, diagramas
y circuitos presentados han sido probados y aunque distan de ser la unica solucion tecnica posible, estos tienen
como n mostrar un ejemplo practico y concreto de realizacion.
Por ultimo, los autores agradecen al profesor Omar E. Ospina por sus consejos y correcciones hechos para dar
mayor precision y entendimiento del presente trabajo. Se agradece tambien la colaboracion de los estudiantes
del Programa de Posgrado (Automatizacion Industrial en la Universidad Nacional de Colombia e Ingeniera
Electrica en la Universidad Tecnologica de Pereira), quienes en el curso de Teora de Se nales, probaron la
mayora de los algoritmos mostrados en el texto. Con especial atencion, agradecemos a los estudiantes de
Posgrado Eduardo Giraldo, Juliana Osorio y Victoria Eugenia Montes, as como al estudiante del Programa
Curricular de Matematicas Fernando Martnez, quienes pacientemente leyeron y siguieron la evolucion de los
diferentes borradores del texto.
III
Introducci on
A
ctualmente, tiene amplio uso el proceso de informacion y, en particular, el analisis o interpretacion de
se nales producidas por variaciones en el tiempo de procesos fsicos. El proceso de informacion tpica-
mente se realiza empleando las se nales electricas, entre otras razones, porque estas son relativamente
faciles de controlar por medio de equipos electronicos, entre ellos los digitales, ademas estas trabajan a velo-
cidades cercanas a la de la luz, lo que propicia el desarrollo de tareas en tiempo real.
Las aplicaciones del proceso de se nales van desde las nanzas, industria, bienestar de la sociedad hasta
la defensa, abarcando diferentes disciplinas como las comunicaciones, sistemas de control, electromedicina,
fsica, astronoma, radar, dinamica de uidos, sismologa, etc. Muchas de estas aplicaciones estan relacionadas
con el aumento en el n umero y diversicacion de los equipos de proceso digital que actualmente se siguen
desarrollando. Hoy en da, los computadores personales como sistema de proceso digital se encuentran en una
gran gama de precios, capacidades y tama nos. Debido a esto, el computador se ha convertido en elemento
importante para el proceso de se nales. Los sistemas de proceso de se nales, por sus caractersticas ofrecidas,
se convierten en herramientas ables, robustas y portatiles, que pueden incluso desempe nar tareas en sitios y
condiciones de difcil acceso humano.
En general, el Proceso Digital de Se nales debe ser entendido como la posibilidad de emplear dispositivos
digitales especializados en la solucion de variadas tareas relacionadas con el analisis de se nales. As por ejemplo,
esta la ltracion digital, que hoy en da muestra resultados teoricos bastante alentadores. Los desarrollos teoricos
han avanzado desde los primeros seminarios abiertos de ltracion digital realizados en el MIT (alrededor de
1955), los resultados de Kotielnikov y los obtenidos en la teora de control (parcialmente fundada en el trabajo
de Gurevich), en los que se describan profundamente los principios de la discretizacion de se nales y sus efectos
espectrales, pasando por los metodos de ltracion digital, en base al empleo de operaciones lineales sobre se nales
con restricciones de estacionariedad, hasta los actuales metodos propuestos de representacion localizada de
se nales con bases wavelet y los modelos complejos de representacion de aleatoriedad, que incluyen los modelos
de representacion de la dinamica estadstica y analisis de no estacionariedad, as como los metodos de ltracion
no lineal (ltracion adaptativa e interpolacion estadstica) han dado un fuerte impulso a la ltracion como
elemento basico en el analisis y la sntesis de se nales y sistemas. Tal vez esta sea la razon por la cual se observa
una gran proliferacion de herramientas especializadas, tanto de hardware, como de software integrados para el
dise no de sistemas de proceso digital de se nales en los mas diversos campos de aplicacion.
El primer aporte basico a la teora del proceso digital de se nales relacionado con el analisis y sntesis de
ltros digitales fue realizado por Kaiser quien demostro la forma de calculo de ltros digitales con caractersticas
deseadas empleando transformadas lineales. Para la misma epoca, en 1965, aparecio el artculo de Cooley y
Tukey sobre la Transformada Discreta de Fourier, la que posteriormente fue desarrollada y se convertira en
el metodo de la Transformada Rapida de Fourier, cuyo mayor aporte fue la disminucion sustancial del tiempo
de calculo en el analisis espectral en varios ordenes, lo que demostraba claramente en cuanto podan ser mas
rapidos los metodos digitales sobre los analogos. El algoritmo de la transformada rapida amplio el campo de
aplicacion del proceso de se nales, el cual se extendio a tareas mas complejas, de mayor velocidad de cambio
de las magnitudes en el tiempo y con valores de energa a mayores componentes de frecuencia.
Hasta hace poco el aparato matematico basicamente empleado en el analisis de se nales era el de Fourier. Las
funciones trigonometricas no permiten localizar el analisis en determinados intervalos del tiempo y restringen el
analisis de se nales no estacionarias. La insuciencia de estos metodos convencionales en la descripcion y analisis
de las se nales, ha hecho que se empleen muevas formas matematicas y estadsticas de su representacion.
V
Indice general
1. Representaci on de se nales en tiempo continuo 1
1.1. Deniciones basicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Clasicacion de se nales y sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2. Proceso de se nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3. Se nales singulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Representacion discreta de se nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.1. Espacios de representacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.2. Descomposicion en funciones ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.3. Conjunto ortogonal completo de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.4. Otros conjuntos ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.3. Representacion integral de se nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.3.1. Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
1.3.2. Extensiones del analisis espectral de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.3.3. Transformada de Walsh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.3.4. Integral de convolucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
1.3.5. Transformada de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
1.3.6. Transformada wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2. Representaci on de sistemas en tiempo continuo 63
2.1. Representacion de transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.1.1. Transformaciones y sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
2.1.2. Transformaciones lineales sobre espacios nitos . . . . . . . . . . . . . . . . . . . . . . . 66
2.1.3. Operadores lineales en espacios integrables . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.2. Aproximacion de operadores lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.2.1. Aproximacion por proyeccion ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.2.2. Aproximacion de operadores por norma . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.2.3. Representacion espectral de operadores . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.3. Representacion operacional de sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.3.1. Metodo de la integral de superposicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
2.3.2. Metodo de analisis espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
2.3.3. Metodo de ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
2.3.4. Sistemas discriminantes de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
2.3.5. Representacion de sistemas no lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
2.4. Representacion matricial de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
2.4.1. Sistemas lineales y variables de estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
2.4.2. Solucion de la ecuacion de estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
VII
VIII

Indice general
3. Representaci on de se nales y sistemas en tiempo discreto 107
3.1. Discretizacion de se nales en tiempo continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.1.1. Discretizacion uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
3.1.2. Funciones discretas singulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.1.3. Transformada de Fourier de una se nal discreta . . . . . . . . . . . . . . . . . . . . . . . 111
3.2. Transformadas ortogonales discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.2.1. Transformada discreta de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.2.2. Extensiones de la transformada discreta de Fourier . . . . . . . . . . . . . . . . . . . . . 118
3.2.3. Transformada generalizada discreta de Fourier . . . . . . . . . . . . . . . . . . . . . . . 120
3.2.4. Transformada discreta de Walsh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
3.2.5. Transformada discreta de Haar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
3.2.6. Transformada discreta wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
3.3. Transformadas ortogonales discretas rapidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.3.1. Denicion y restricciones de implementacion . . . . . . . . . . . . . . . . . . . . . . . . 137
3.3.2. Transformada rapida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
3.3.3. Transformada rapida discreta de Walsh . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
3.3.4. Transformada rapida discreta de Haar . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3.4. Representacion ortogonal de sistemas en tiempo discreto . . . . . . . . . . . . . . . . . . . . . . 146
3.4.1. Respuesta discreta a impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
3.4.2. Funcion de convolucion discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
3.4.3. Funcion de transferencia discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
3.4.4. Filtros discretos de Walsh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
4. Dise no de ltros digitales 157
4.1. Caractersticas de los ltros digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.1.1. Condiciones de realizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
4.1.2. Realizacion de ltros digitales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
4.2. Sntesis de ltros recursivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
4.2.1. Calculo de plantillas de ltros analogos . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
4.2.2. Sntesis de ltros recursivos en el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
4.2.3. Sntesis de ltros recursivos en la frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . 173
4.3. Sntesis de ltros no recursivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
4.3.1. Condicion de desfase lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
4.3.2. Calculo de ltros mediante series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . 184
4.3.3. Discretizacion de la funcion de transferencia . . . . . . . . . . . . . . . . . . . . . . . . . 197
4.3.4. Optimizacion de ltros no recursivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
4.3.5. Filtros no recursivos en el proceso de se nales aleatorias . . . . . . . . . . . . . . . . . . . 206
4.4. Filtracion por descomposicion lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
4.4.1. Bancos de ltros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
4.4.2. Descomposicion polifasica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
4.4.3. Estrategias de actualizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
4.4.4. Factorizacion de la matriz polifasica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
5. Estimaci on espectral 225
5.1. Representacion espectral de procesos aleatorios . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
5.1.1. Descomposicion de Karhunen-Lo`eve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
5.1.2. Densidad espectral de energa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
5.1.3. Densidad espectral de potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
5.1.4. Estimacion de la densidad espectral de potencia . . . . . . . . . . . . . . . . . . . . . . 233
5.2. Estimacion espectral no parametrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
5.2.1. Metodo de los periodogramas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
5.2.2. Algoritmo de calculo del metodo de periodograma . . . . . . . . . . . . . . . . . . . . . 243
5.2.3. Ventanas de estimacion espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
5.3. Estimacion espectral parametrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
5.3.1. Reaccion de un sistema lineal a una se nal estacionaria . . . . . . . . . . . . . . . . . . . 249
5.3.2. Modelos parametricos de se nales aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . 250
Indice general IX
5.3.3. Estimacion de los parametros a partir de la funcion de correlacion . . . . . . . . . . . . 252
A. Algoritmos de an alisis espectral de Fourier 257
A.1. Algoritmos de la transformada discreta de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . 257
A.1.1. Calculo numerico de la transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . 257
A.1.2. Calculo numerico de la TDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
A.2. Calculo de la transformada rapida de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 268
A.2.1. Representacion de dimension m ultiple de ndices . . . . . . . . . . . . . . . . . . . . . . 268
A.2.2. Desarrollo teorico de la transformada rapida de Fourier . . . . . . . . . . . . . . . . . . 271
A.2.3. Algoritmo de Cooley-Tukey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
A.2.4. Acomodacion de datos en la TRF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
Bibliografa 281
Indice alfab etico 283

Captulo 1
Representaci on de se nales en tiempo
continuo
U
na se nal se puede denir como una funci on que conlleva informaci on, la cual se puede referir
a un fen omeno fsico medido o al comportamiento de un sistema fsico. Aunque la informa-
ci on se puede representar en variadas formas, en todos los casos se busca que la informaci on
est e contenida en un patr on de variaciones de alguna forma. Las se nales se representan matem atica-
mente por funciones de una o m as variables independientes, las cuales pueden ser continuas, cuando
se denen a lo largo de un intervalo continuo, o discretas cuando se denen para una malla de valores
discretos del argumento, esto es, cuando la se nal corresponde a una sucesi on de valores.
1.1. Deniciones b asicas
x1(s)
x2(s)
. . .
xm(s)
K x(s)
y1(s)
y2(s)
. . .
yn(s)
Figura 1.1. Diagrama de un sistema

La se nal de entrada x(s) es el enlace de interac-
ci on entre los elementos. De otra manera, es la
acci on llevada a activar el sistema. La respuesta
o salida y (s) es la acci on conjunta del sistema
como resultado de una activaci on. El mismo sis-
tema, que es un grupo de elementos u objetos
con un n determinado K , se representa por
una caja cerrada, o caja negra, con un n umero
dado de terminales de entrada y salida, para prop ositos de an alisis como se ilustra en la Figura 1.1.
En un sistema, cada se nal de entrada se transforma en una unica respuesta, lo que implica que
actuando sobre una entrada x(s) = x
i
(s) : i = 1, . . . , m se obtiene una unica salida en la forma,
y (s) = y
i
(s) : i = 1, . . . , n. , cuya transformaci on generalizada se representa por:
y (s) = K x(s)
donde K corresponde a la transformaci on o transformada de entrada-salida (o se nal respuesta).
En este trabajo, para la mayora de los casos de an alisis, el par ametro s corresponder a al tiempo t.
1
2 Captulo 1. Representaci on de se nales en tiempo continuo
1.1.1. Clasicaci on de se nales y sistemas
Las se nales, de acuerdo a la forma de denici on de sus valores con respecto a su argumento del tiempo,
se clasican en los siguientes tipos:
Se nales an alogas o continuas (en el tiempo). Se nales para las cuales, tanto su argumento como
la misma funci on, pueden tomar cualquier valor del continuo de los intervalos para los que
se dene el argumento, t [t
0
, t
f
], x [x
min
, x
max
]. Las se nales an alogas pueden soportar
discontinuidades de primer grado, x(t
k
) ,= x(t
k+
) , siendo [x(t)[ < , t.
Se nales discretas (en el tiempo). El argumento de la funci on (tiempo) est a denido solamente
sobre una malla de valores x(t
k
), k N. Sin embargo, la funci on toma cualquier valor del
intervalo continuo x [x
min
, x
max
]. En aquellos valores del tiempo sobre los cuales la se nal no
se dene t ,= t
k
, el valor de la funci on se asume igual a cero.
Cuando los valores de una se nal discretizada en el tiempo, x(t
k
) , pertenecen a un conjunto
nito, x
Q
x
Q
(i) : i, . . . , N, N < , se habla de se nales digitales.
Otras formas de clasicaci on de las se nales son las siguientes:
Se nal de energa. Sin importar que el intervalo de tiempo sea innito, se cumple que la energa
de la se nal es nita, esto es,
c
x
= |x|
2
=
_
T
[x(t)[
2
dt < , (1.1)
Se nal de potencia. Cuando la potencia media de la se nal x(t) durante un intervalo de tiempo T,
es nita y no es igual a cero, es decir,
T
x
= lm
T
1
T
_
T
[x(t)[
2
dt < , (1.2)
Se nal peri odica. Cuando se cumple la condici on
x(t +T) = x(t), t [0, T] , T > 0 (1.3)
donde el valor de minT que satisfaga la condici on (1.3), cuando existe, se denomina perodo
fundamental. En caso de no cumplirse la anterior condici on, la se nal se denomina aperi odica.
Ejemplo 1.1. Demostrar la periodicidad de la funci on x(t) = e
j(0t+)
, < t < , donde
0
= cte.
A partir de (1.3) se cumple que x(t) = x(t + T) = x(t + nT), n Z, con lo cual se puede
demostrar la periodicidad de la funci on
x(t) = e
j(0t+)
= e
j(0(t+T)+)
= e
j0(t+T)
e
= e
j0t
e
j0T
e
Ademas, la se nal es periodica si e

j0T
= cos
0
T + j sin
0
T = 1, lo que equivale a decir que
cos
0
T = 1 y sin
0
T = 0, entonces,
0
T = 2k con k N. Por lo tanto,
0
= 2k/T.
1.1. Deniciones b asicas 3
Una se nal cuasiperi odica corresponde a una funci on con perodo fundamental demasiado largo.
Estas se nales, generalmente, se componen por dos o m as se nales peri odicas. Un ejemplo de se nal
cuasiperi odica compuesta de dos se nales peri odicas es la funci on compuesta de la forma:
x(t) = sin t + sin
2t
Se nal aleatoria. Corresponde al caso de dependencias, para cuyo valor se tiene alguna incerti-
dumbre en funci on de cualquier argumento.
Se nal determinstica. Funci on que se puede modelar o describir analticamente como una de-
pendencia completamente especicada con respecto a su argumento.
Se nal de dimensi on multiple. Funci on descrita a partir de un conjunto compuesto de m Z
+
variables independientes. Cuando la funci on depende de una sola variable, se habla de se nales
de dimensi on unica o simple.
En cuanto a los sistemas, estos se pueden clasicar de la siguiente forma:
Sistema lineal, cuando se cumple la ley de superposici on.
Sea a
i
y
i
(t) = K a
i
x
i
(t) , donde a
i
= cte., i = 1, 2, . . . , n. Entonces:
K
_
n
i=1
a
i
x
i
(t)
_
= K a
1
x
1
(t) +a
2
x
2
(t) +. . . +a
i
x
i
(t) +. . . +a
n
x
n
(t)
= a
1
y
1
(t) +a
2
y
2
(t) +. . . +a
i
y
i
(t) +. . . +a
n
y
n
(t)
=
n
i=1
a
i
y
i
(t) (1.4)
Cuando la expresi on (1.4) no se cumple, el sistema se denomina no lineal.
Ejemplo 1.2. Sea un sistema con relacion entrada-salida de la forma y(t) = ax(t) +b, siendo los
valores a, b = cte. Determinar el valor de b para el cual el sistema se puede considerar lineal.
Considerando dos se nales de entrada diferentes x
1
(t) y x
2
(t), las salidas correspondientes seran
y
i
(t) = ax
i
(t) +b, i = 1, 2
Si se aplica la entrada x
1
(t) + x
2
(t), la salida sera a (x
1
(t) +x
2
(t)) + b. De acuerdo con la
condici on de linealidad (1.4), se debe cumplir que:
a (x
1
(t) +x
2
(t)) +b = a (x
1
(t) +x
2
(t)) + 2b,
luego, para b = 0 el sistema es lineal.
Sistema invariante (en el tiempo). Si un desplazamiento en el argumento de la funci on o se nal de
la entrada del sistema provoca respectivamente un corrimiento en el argumento de su respectiva
salida. En el caso de se nales que varan en el tiempo se tiene:
y(t t
0
) = K x(t t
0
) , t
0
> 0 (1.5)
En caso contrario, el sistema se denomina variable.
Sistema estable. Si una se nal de entrada x(t) con amplitud nita, max[x(t)[ < , produce
una respuesta y(t) de amplitud nita, o sea, max[y(t)[ < . De otra manera, el sistema es
inestable.
Sistema invertible. Si distintas entradas producen distintas salidas, esto es, si al observar la
salida del sistema se puede determinar su correspondiente entrada. En caso contrario, el sistema
se considera no invertible.
Ejemplo 1.3. Cualquier sistema descrito por la ecuacion, y(t) = cte., debe ser considerado como
no invertible, por cuanto genera un mismo valor a la salida, sin importar cual sea el valor de la
se nal de entrada.
Sistema realizable o causal. Se debe tener una respuesta de salida que no suceda antes de ser
aplicada al sistema una funci on de entrada. Esto es, si la funci on de entrada se aplica a partir de
un tiempo, t = t
0
, entonces, la respuesta s olo estar a determinada para t t
0
. Si no se cumple
esta condici on el sistema es no causal.
Sistema (de tiempo) continuo. Cuando los cambios de los valores de entrada y salida correspon-
den a intervalos continuos (en el tiempo).
Sistema (de tiempo) discreto. Cuando las se nales asociadas con el sistema son discretas, es-
to es, existen sobre una malla de valores puntuales (en el tiempo). En los dem as valores del
argumento, la se nal es igual a cero.
Generalmente, los sistemas de tiempo continuo se modelan mediante ecuaciones diferenciales,
mientras, los sistemas discretos, con ecuaciones iterativas.
Sistemas sin memoria. Si la salida, para cualquier tiempo t
k
, depende s olo de la entrada para el
mismo valor de tiempo.
Sistemas con memoria. Si la se nal de salida, para un valor del tiempo dado t
k
, depende de
valores de la se nal de entrada determinados dentro del intervalo (t
k
T, t
k
), entonces el sistema
tiene memoria T.
Sistemas con par ametros concentrados. Si el tiempo de proceso de la se nal de entrada a trav es
del sistema es considerablemente peque no. Estos sistemas se modelan mediante ecuaciones
diferenciales ordinarias. En los sistemas el ectricos, esto signica que la longitud de onda de la
se nal de entrada es mucho mayor con respecto a las dimensiones fsicas de los elementos de
proceso del sistema.
Sistemas con par ametros distribuidos. La se nal de entrada tarda un tiempo considerable en
excitar los elementos del sistema, dependiendo el retardo de la velocidad de proceso de la se nal.
Estos sistemas se pueden modelar con ecuaciones diferenciales parciales.
1.1.2. Proceso de se nales
El proceso, entendido como la transformaci on de las se nales para el an alisis de su informaci on, se
puede clasicar as:
(a). Continuo o an alogo. Cuando la transformaci on, que caracteriza el proceso, se realiza sobre una
se nal que repite la forma de la magnitud fsica observada, esto es, existe analoga entre ambas.
El conjunto de valores sobre el cual se realiza el proceso es continuo y, por lo tanto, innito.
(b). Digital. Cuando la transformaci on se realiza sobre una funci on correspondiente a la forma de
la magnitud fsica observada, la cual se representa por un conjunto nito (contable) y a priori
conocido de estados o, inclusive, de relaciones entre los mismos. En el proceso digital, las
funciones de salida no deben presentar ninguna analoga de forma con la se nal de entrada.
Entre las principales ventajas de los sistemas de proceso digital con respecto a los an alogos est an
las siguientes:
Son realizables sobre tecnologa digital l ogica, por lo cual se alcanzan alta conabilidad, esta-
bilidad, reducido tama no y baja potencia, adapt andose r apidamente al dise no de los circuitos
integrados.
Los dispositivos digitales son menos sensibles a las tolerancias de sus elementos y pueden ser
reproducidos en grandes vol umenes con alta exactitud sin requerir un ajuste adicional, como
usualmente ocurre con los elementos an alogos.
Se facilita el proceso simult aneo de varias se nales mediante un solo dispositivo digital, re-
duciendo los costos de hardware. Adem as, las caractersticas de proceso pueden cambiarse y
ajustarse durante el proceso realizando la sintona necesaria sobre el respectivo algoritmo de
proceso; condici on importante en la adaptabilidad de los sistemas.
Los dispositivos digitales se asocian con algunas desventajas. La primera es el incremento en la
complejidad del sistema de proceso, por cuanto hay necesidad de un pre y pos-proceso adicional de
las se nales. La segunda desventaja es el rango limitado de frecuencias disponibles de los procesadores
digitales que ofrecen a un valores insucientes para se nales de muy altas frecuencias. Sin embargo,
las ventajas del proceso digital compensan por mucho las desventajas en las diversas aplicaciones,
sumado al hecho de la tendencia constante en la rebaja de costos del hardware de proceso digital.
Como resultado el proceso digital de se nales se extiende cada vez a una mayor cantidad de actividades
del campo humano. Es importante tener en cuenta que el proceso digital exige la adecuaci on en la
representaci on de las se nales continuas, la cual en la pr actica se realiza mediante su discretizaci on.
Por lo tanto, el an alisis b asico del proceso digital se realiza sobre la representaci on discretizada de
se nales y sistemas.
1.1.3. Se nales singulares
Estas funciones son modelos ideales matem aticos y, en rigor, no aparecen en sistemas fsicamente
implementables. Sin embargo, son buenas aproximaciones a ciertas condiciones y restricciones de los
sistemas fsicos, que permiten evaluar el comportamiento asint otico de los sistemas.
t t0
1
1
sgn(t)
`
Figura 1.2. Funci on signo
Funci on signo. Denida por la expresi on:
sgn(t t
0
)

=
_
_
1, t < t
0
0, t = t
0
1, t > t
0
donde la multiplicaci on x(t) sgn(t t
0
) denota
el cambio de signo de la funci on x(t) a partir del
punto t = t
0
, (Figura 1.2).
Funci on delta de Dirac. La funci on delta (t) es tambi en llamada funci on impulso o funci on Kro-
necker, y se puede interpretar como la acci on que hace angosta una funci on dada, p
(t t
0
), denida
con area unitaria en la forma:
(t)dt =
1
= 1 (1.6)
de tal manera, que su base determinada para un intervalo de tiempo (t
0

2
, t
0
+

2
) tiende a 0. Esto
es,
(t t
0
)

= lm
0
p
(t t
0
) =
_
, t = t
0
0, t ,= t
0
(1.7)
Cabe anotar, que la denici on completa de la funci on delta est a dada por el par de ecuaciones (1.6)
y (1.7), cuya representaci on gr aca, en el caso particular de un pulso rectangular se ve en la Figura
1.3(a) (parte inferior). La representaci on convencional de (t t
0
) se muestra en la Figura 1.3(a)
(parte superior), donde la amplitud debe ser entendida como el area del pulso elemental.
La funci on (t) tiene las siguientes propiedades:
(a). Simetra.
(t) = (t)
(b). Escala de tiempo,
(t) =
1
[[
(t) (1.8)
(c). Multiplicaci on, (por una funci on en el tiempo);
x(t)(t t
0
) = x(t
0
)(t t
0
)
Realmente, la continuidad de la funci on x(t) se restringe al intervalo x(t
0
) = x(t
0+
), en caso
contrario, es simplemente imposible encontrar el valor correspondiente de la multiplicaci on y
preferiblemente se debe evitar tal situaci on.
`
6
`

......................................................................................
`
.....................................................................................................................................
t0 t
(t t0)
p(t)
t0 t
1
(a) Representaci on
`
.
. . .
`
..................................................
................................. ..........
.........................
.............. ....................................................
............................................................................................................. .
...................................................................................
...............
.................................... ......... . .. . ...... ... ... ... .. .. .... .. .. ... ........ ... .. ..
.. .. ... ... .......... ... .. ..
x(t)
p(t )
2 3 (k + 1) k
t
x(k)p(t k)
p(t k)
(b) Aproximaci on
Figura 1.3. Funci on delta
(d). Selectividad,
(t t
0
)x(t)dt = x(t
0
)
(t t
0
)dt = x(t
0
) (1.9)
La funci on x(t) debe ser continua, o al menos tener un n umero nito de discontinuidades de
salto para un intervalo nito de tiempo, por cuanto el valor exacto de la integral en el punto de
discontinuidad no tiene ning un sentido fsico importante [1]. De (1.9) e intercambiando t y t
0
,
y notando por a t
0
se obtiene la integral de Duhamel:
x(t) =
x()( t)d (1.10)

La integral (1.10) es la representaci on de la funci on x(t) mediante un continuo de funciones delta y
corresponde a su aproximaci on en forma de un conjunto de pulsos rectangulares, p
a
(t), determinados
dentro del intervalo de an alisis, como se muestra en la Figura 1.3(b).
Haciendo 0 y N se obtiene la aproximaci on:
x(t)
N
k=N
x(k)p
a
(k t). (1.11)
Ejemplo 1.4. Evaluar la expresi on
t
2
e
sin t
cos 2t(2t 2)dt,
Mediante el empleo secuencial de las propiedades, primero de escala (1.8) y luego de selectividad
(1.9), se obtiene que:
t
2
e
sin t
cos 2t(2t 2)dt =
1
2
t
2
e
sin t
cos 2t(t )dt =
1
2
2
.
Funci on escal on unitario. La denici on matem atica de esta funci on, representada en la Figura 1.4,
es la siguiente:
u(t t
0
)

=
_
1, t t
0
0, t < t
0
(1.12)
t0 t
u(t t0)
1
6
Figura 1.4. Funci on escal on unitario
Apartir de la denici on dada en (1.7) se puede
demostrar que:
p
(t) =
1
t
0
u(t)
1
t
0
u(t t
0
)
=
1
t
0
(u(t) u(t t
0
))
tomando el lmite de t
0
0, se obtiene que
(t) = lm
t
0
0
p
a
(t) = lm
t
0
0
1
t
0
(u(t) u(t t
0
))
=
du(t)
dt
De manera inversa, integrando la anterior ex-
presi on se obtiene
_
(t)dt =
_
du(t)
dt
dt = u(t)
Ejemplo 1.5. Sea x(t) = u(t t
0
) u(t nt
0
) k(t mt
0
), siendo m, n 1. Determinar el
valor de k para el cual se cumpla que:
x(t)dt = 0
A partir de la anterior condici on de igualdad a 0, se obtiene que,
(u(t t
0
) u(t nt
0
) k(t mt
0
)) dt = 0
_
t0
u(t t
0
)dt
_
nt0
u(t nt
0
)dt k
(t mt
0
)dt = 0
Sin embargo,
lm
T
_
_
T
_
t0
u(t t
0
)dt
T
_
nt0
u(t nt
0
)dt
_
_
k = 0
lm
T
((T t
0
) 1 (T nt
0
) 1) k = 0
lm
T
(T t
0
T +nt
0
) k = 0
luego,
nt
0
t
0
k = 0, k = (n 1)t
0
Funci on pulso rectangular. Denida por la expresi on:
rect
(t t
0
)

=
_
1, [t t
0
[ /2
0, [t t
0
[ > /2
Por cuanto,
rect
(t) = u(t) u(t t

0
)
entonces se cumple la siguiente relaci on:
d
dt
rect
(t) = ((t) (t t
0
))
As mismo, se cumple que
rect
(t t
0
) =
1
2
(sgn(t t
0
) sgn(t t
0
))
Problemas
Problema 1.1. Clasicar las siguientes se nales por su tipo (de potencia o de energa):
(a). Asin(t). (b). Ate
tk
(u(t) u(t t0)) , t0 > 0.
Problema 1.2. Representar la se nal x(t), que tiene el siguiente modelo matematico:
x(t) =
8
<
:
0, t < 0
x0 (t/t0) , 0 t t0
x0, t > t0
en forma de una suma de funciones lineales por segmentos.
Problema 1.3. Calcular la energa cx de la se nal,
x(t) = 30 exp
`
10
5
t
u(t)
Problema 1.4. Determinar para la se nal, x(t) = t
2
, 0 t 1, la respectiva aproximacion, empleando
la funcion de dependencia lineal y(t) = at + b, tal que sea la mejor en el sentido del mnimo error de
distancia (metrica).
Problema 1.5. Describir mediante la funcion u(t) las funciones representadas en la Figura 1.5
`
`
`
`
`
`
.
/
/
/
/
/ `
`
`
`
`
0 0 0 t0 t0 t1 t2 t1 t0
a) b) c)
x1(t) x2(t) x3(t)
t t t
Figura 1.5.
Problema 1.6. Demostrar que haciendo n , las siguientes sucesiones de funciones tienden a la
delta de Dirac:
(a). xn(t) = (n/2) exp([t[). (b). xn(t) =
r
n
2
exp(nt
2
/2).
1.2. Representaci on discreta de se nales 11
1.2. Representaci on discreta de se nales
1.2.1. Espacios de representaci on
Cualquier espacio vectorial con dimensi on n se caracteriza completamente por las proyecciones sobre
sus n ejes de coordenadas. En la descomposici on vectorial, es preferible el uso de ejes perpendiculares
y normalizados, para los que se cumple la condici on de ortogonalidad:
i
,
j
) =
_
0, i ,= j
1, i = j
donde
i
,
j
son los vectores unidades de los respectivos ejes de coordenadas. Si el vector est a dado
en un espacio con n dimensiones, entonces este se puede descomponer en n componentes y, por lo
tanto, expresado por la suma, a =
n
k=1
a
k
k
, siendo a
k
las proyecciones del vector sobre los ejes
de coordenadas, la direcci on de los cuales est a dada por el sistema de vectores coordenadas o bases,
k
: k = 1, . . . , n.
Ejemplo 1.6. Considerense los siguientes casos de descomposici on vectorial:
1. Sea el conjunto
n
(t) : n = 1, . . . , N, un sistema de vectores ortogonales sobre un
intervalo dado en alg un espacio de Hilbert. Demostrar que el conjunto corresponde a un
sistema independiente lineal.
Al analizar la igualdad
k
1
1
+k
2
2
+ +k
n
n
+ +k
N
N
= 0
se observa que al multiplicar escalarmente ambos lados de la igualdad por cada uno de los
vectores y teniendo en cuenta su ortogonalidad, se obtiene que:
n
(k
1
1
+k
2
2
+ +k
n
n
+ +k
N
N
) =
n
0
n
k
n
n
= 0, n = 1, . . . , N
con lo cual k
n
= 0, n = 1, 2, . . . , N. Esto es, la ortogonalidad del sistema de vectores
condiciona su independencia lineal.
2. Dado un sistema de vectores no nulos y no ortogonales g
0
, g
1
, , g
n
, en el espacio
de Hilbert, construir sobre este un sistema ortonormal u
0
, u
1
, , u
n
, , tal que cada
vector u
k
de una combinaci on lineal del tipo u
k
= c
k0
g
0
+ c
k1
g
1
+ + c
kn
g
n
, siendo
c
k0
, c
k1
, , c
kn
valores constantes.
Al normalizar el elemento g
0
y suponer que u
0
= g
0
/|g
0
|, el vector h
1
= g
1
(g
1
, u
0
)u
0
es ortogonal a u
0
. Normalizando h
1
se obtiene un nuevo elemento ortonormalizado del
sistema u
1
= h
1
/|h
1
|.
La operacion se repite y se halla el elemento h
2
= g
2
(g
2
, u
0
)u
0
(g
2
, u
1
)u
1
, por lo que
se obtiene u
2
= h
2
/|h
2
| que es ortogonal tanto a u
0
como a u
1
. Repitiendo el proceso,
iterativamente, en el paso k Z se obtiene la siguiente combinaci on lineal:
h
k
= g
k
(g
k
, u
0
) u
0
(g
k
, u
1
) u
1
(g
k
, u
k1
) u
k1
En forma general, el conjunto de las posibles se nales de an alisis se entender a como el formado por
todas las funciones de variable compleja denidas en forma continua sobre un eje real, por ejemplo,
el del tiempo:
L = x = x(t) : x(t) C, t R
donde L = x : K es el conjunto formado por todos los elementos, x, para los cuales K cumple
que: K x L. La mayora de los espacios de funciones de se nales se restringen a los espacios
cl asicos de Lebesgue, en los que se cumple que
L
p
= L
p
(R) =
_
_
x L : |x|
p
=
_
_
_
R
[x(t)[
p
dt
_
_
1/p
<
_
_
, p 1 (1.13)
L
= L
(R) =
_
x L : |x|
= sup
t
[x(t)[ <
_
donde |x|
L
p
(R)
es la norma denida para x en el espacio L
p
.
La restricci on de p 1, implica que la clase L
p
(R) es un espacio lineal normalizado y corresponde
a un espacio de Banach, el cual es completo con respecto a la correspondiente norma.
De manera similar, se denen los espacios formados por las funciones de valor complejo determi-
nadas en forma discreta (sucesi on) en el tiempo:
= x = x(t
n
) = (x
n
) : x
n
C, n Z
Las restricciones sobre pertenencia a espacios lineales normalizados son similares a las de las se nales
continuas, en las cuales las operaciones de integraci on se cambian por operaciones de sumatoria
discreta; es decir, se generan los siguientes espacios:
p
=
_
_
_
x : |x|
p
=
_

n=1
[x
n
[
p
_
1/p
<
_
_
_
La generaci on de conjuntos de se nales a partir de alguna condici on com un con interpretaci on fsica
(energa, longitud en el tiempo, transformaci on hacia alg un espacio complejo, etc.), implica establecer
el modelo matem atico formal de relaci on K entre los elementos del conjunto.
Denici on 1.1. De manera general, la forma para distinguir dos elementos de un conjunto en cada
pareja de elementos consiste en compararla con un n umero real positivo, el cual se interpreta
como la distancia entre los elementos, tal que
d : X X R, donde x
n
, x
m
X, d (x
n
, x
m
) 0
En este caso, los elementos x
n
y x
m
presentan iguales propiedades geometricas.
Un ejemplo de distancia entre dos se nales x(t) e y (t) del espacio de funciones complejas en el
tiempo, a lo largo de un intervalo T est a dado por la siguiente expresi on:
d (x, y) = |x y| =
_
_
_
T
[x(t) y (t) [
2
dt
_
_
1/2
(1.14)
Denici on 1.2. El conjunto de funciones relacionados con la distancia (1.14), para los cuales la
respectiva norma es acotada, |x|
2
< , o espacio L
2
(R), corresponde a un espacio de Hilbert
que esta provisto del siguiente producto interno:
x, y)
L
2
(R)
=
_
R
x
(t)y(t)dt (1.15)
Un conjunto con una distancia dada en forma adecuada conforma un conjunto de se nales. El espacio
de funciones dado por la distancia (1.14) tiene aplicaci on amplia en la representaci on de se nales
debido a la interpretaci on fsica simple de su respectiva norma, que corresponde a la energa de las
se nales. Esto es, cuando x L
2
(T) se dice que
|x|
2
= x, x
)
L
2
(T)
c
x
(1.16)
es la energa de la se nal. Por cierto, la se nal x(t) determinada sobre T, corresponde a la se nal de
energa, que cumple la condici on (1.1).
El soporte de una se nal continua, supp(x), corresponde a la cerradura del conjunto de puntos t,
tales que x(t) ,= 0. Si el soporte de la funci on se conna dentro de un intervalo nito del argumento
t, entonces se habla de una funci on con soporte compacto.
La representaci on en forma discreta de cualquier se nal de energa, x L
2
(T), que cumpla la con-
dici on (1.1), implica hallar la transformaci on del espacio L
2
(T) en el espacio C
n
, donde el valor de la
dimensi on n se elige a partir del compromiso entre la precisi on y la economa de la representaci on. La
forma general para hallar esta representaci on consiste en la selecci on de un subespacio de dimensi on
n a partir de L
2
(T).
Teniendo en cuenta que L
2
(T) es un espacio completo separable [2], la se nal x L
2
(T) puede
ser representada de manera aproximada con cualquier precisi on, si la dimensi on de representaci on
se escoge sucientemente grande (n ), por medio de un conjunto de valores o coecientes
x
k
, expresados en combinaci on lineal del siguiente espacio de funciones de coordenadas, elegido
adecuadamente:
x(t) =
k
x
k
k
(t) , (1.17)
donde
k
(t) corresponde a un conjunto de funciones elegidas a priori, que conforman una base en el
espacio vectorial L
2
(T), las cuales son denominadas funciones base, siendo k el orden de la funci on
dentro del conjunto
k
(t). La descomposici on en funciones base (1.17) corresponde a la represen-
taci on espectral generalizada.
En forma general, las funciones base, obtenidas para la representaci on de se nales, deben cumplir
los siguientes requerimientos:
1. La serie (1.17) debe ser convergente,
2. Los coecientes x
k
deben tener procedimientos simples de c alculo,
3. Sus valores no deben depender del lmite superior de la suma de la representaci on (1.17).
1.2.2. Descomposici on en funciones ortogonales
Los sistemas ortogonales son un caso particular de sistemas de funciones independientes lineales. M as
a un, cualquier sistema de este ultimo tipo puede ser transformado a un sistema ortogonal empleando,
por ejemplo el m etodo de Gramm-Schimdt (ver ejemplo 1.6) [3]. Un sistema de funciones complejas
m
(t) se dene como ortogonal en el intervalo de representaci on (t
i
, t
f
), si se cumple la relaci on:
t
f
_
t
i
m
(t)
n
(t)dt =
t
f
_
t
i
m
(t)
n
(t)dt =
_
0, m ,= n
c
mn
, m = n
(1.18)
siendo c
mm
= c
nn
= c
m
= c
n
una magnitud de energa. Mientras, para el caso de las se nales de
potencia, denidas en (1.2), se tendr a:
1
t
f
t
i
t
f
_
t
i
m
(t)
n
(t)dt =
1
t
f
t
i
t
f
_
t
i
m
(t)
n
(t)dt =
_
0, m ,= n
T
mn
, m = n
(1.19)
donde T
mm
= T
nn
= T
m
= T
n
es la potencia media o cuadrado de la norma de la funci on
n
(t).
Se dice que el conjunto de funciones base est a normalizado si se cumple que:
t
f
_
t
i
[
m
(t)[
2
dt =
t
f
_
t
i
[
n
(t)[
2
dt = c
mn
= 1, m, n
Si el conjunto es a la vez normalizado y ortogonal, entonces se denomina ortonormal.
A partir de la representaci on (1.17), cualquier se nal de energa x(t) se puede representar de forma
aproximada en t erminos de
n
(t):
x(t)
N
n=0
x
n
n
(t) (1.20)
donde los coecientes x
n
caracterizan el peso de la correspondiente funci on ortogonal
n
(t). Luego,
la representaci on (1.20) de la funci on x(t) corresponde a su expansi on o representaci on ortogonal
aproximada, para la cual los valores x
n
se determinan de acuerdo con la condici on de mnimo error
tomada en la aproximaci on.
El tipo de error com unmente empleado en la valoraci on de la aproximaci on (1.20) es la potencia
media de error, que en el caso particular se determina como el valor cuadr atico medio de la siguiente
diferencia,
2
N
(t) =
1
t
f
t
i
t
f
_
t
1
x(t)
N
n=0
x
n
n
(t)
2
dt, siendo
2
N
(t) 0 (1.21)
Por cuanto, el error cuadr atico medio (1.21) est a dado en funci on de los coecientes x
0
, x
1
, . . . , x
N
,
entonces, para su minimizaci on, min
_
2
N
(t)
_
, se deben hacer igual a cero todas las respectivas deri-
vadas parciales:
(
2
N
)
x
0
=
(
2
N
)
x
1
= =
(
2
N
)
x
N
= 0
La derivada parcial de (1.21) por los coecientes x
k
ser a:
2
N
(t)
x
k
=
1
t
f
t
i
x
k
_
_
t
f
_
t
i
x(t)
N
n=0
x
n
n
(t)
2
dt
_
_
= 0
Denotando por a = x(t) y b =
n
x
n
n
(t), la expresi on dentro del integral anterior toma la forma
[a b[
2
= (a b) (a b)
= (a b) (a
)
= (aa
ab
ba
+bb
)
Luego, se cumple que
x
k
_
_
t
f
_
t
i
[x(t)[
2
dt
N
n=0
_
_
_
t
f
_
t
i
x(t)x
n
(t)dt +
t
f
_
t
i
x
(t)x
n
n
(t)dt
t
f
_
t
i
x
n
n
(t)
N
m=0
x
m
dt
_
_
_
_
_
= 0
En virtud de la condici on denida de ortogonalidad (1.18), los productos internos
_

m
(t)
n
(t)dt
para todo m ,= n, ser an iguales a 0, esto es,
x
k
_
_
t
f
_
t
i
[x(t)[
2
dt
N
n=0
_
_
_
t
f
_
t
i
x(t)x
n
(t)dt +
t
f
_
t
i
x
(t)x
n
n
(t)dt
t
f
_
t
i
[x
n
n
(t)[
2
dt
_
_
_
_
_
= 0 (1.22)
De igual manera, todas aquellas componentes que no contengan el t ermino x
k
, se deben igualar a
cero.
Como resultado s olo se obtienen dos componentes diferentes de 0:
x
k
_
t
f
_
t
i
x
(t)x
k
k
(t)dt +
t
f
_
t
i
x
k
k
(t)x
k
(t)dt
_
_
= 0
que al diferenciar por x
k
e intercambiando los t erminos se obtiene:
t
f
_
t
i
x
(t)
k
(t)dt = x
k
t
f
_
t
i
[
k
(t)[
2
dt
Por ultimo, cuando se generaliza en funci on del ndice n, da como resultado:
x
n
=
t
f
_
t
i
x(t)
n
(t)dt
t
f
_
t
i
[
n
(t)[
2
dt
=
1
T
n
1
t
f
t
i
t
f
_
t
i
x(t)
n
(t)dt (1.23)
El numerador de (1.23) es la energa (o potencia) de la se nal x(t) y de la funci on base
n
(t),
mientras en el denominador aparece la energa (o la respectiva potencia) de las funciones base.
De la expresi on (1.22) se obtiene que el error
2
(t) es igual a
2
N
(t) =
1
t
f
t
i
_
_
_
t
f
_
t
i
[x(t)[
2
dt
n=0
_
_
_
t
f
_
t
i
x(t)x
n
(t)dt +
t
f
_
t
i
x
(t)x
n
n
(t)dt
t
f
_
t
i
[x
n
n
(t)[
2
dt
_
_
_
_
_
_
Adem as, de (1.23) resulta que
x
k
T
n
=
1
t
f
t
i
t
f
_
t
i
x(t)
n
(t)dt
con lo cual, el error
2
(t) se puede determinar como:
2
N
(t) =
1
t
f
t
i
t
f
_
t
i
[x(t)[
2
dt
N
n=0
(2x
n
x
n
T
n
x
n
x
n
T
n
)
=
1
t
f
t
i
t
f
_
t
i
[x(t)[
2
dt
N
n=0
[x
2
n
[T
n
= T
N
n=0
[x
2
n
[T
n
(1.24)
Por cuanto la potencia del error siempre es positiva,
2
(t) 0, entonces, de la anterior expresi on
se deduce la siguiente desigualdad:
T
N
k=0
[x
k
[
2
T
k
, (1.25)
conocida como la desigualdad de Bessel, la cual indica que la potencia de la aproximaci on de la se nal
x(t) obtenida por (1.20) es menor o, en el mejor de los casos, igual a la potencia de la se nal original.
De otra parte, de (1.24) se observa que al aumentar N, o sea, al aproximar la se nal con conjuntos
mayores ortogonales, entonces el error
2
(t) disminuye.
Teorema 1.3. [Parseval] Por denici on
2
0, por lo tanto, al hacer N en (1.24), la suma
N
k=0
x
2
k
T
k
converge al valor del integral
_
t
f
ti
x
2
(t)dt, luego
2
tiende a cero. Como resultado se
tiene la siguiente igualdad:
t
f
_
ti
[x(t)[
2
dt =
n=1
[x
n
[
2
= T
n
, (1.26)
En este caso, el conjunto ortogonal se dene como completo en (t
i
, t
f
).
Si en la expansi on (1.20) la cantidad de t erminos N , o sea,
x(t) =
n=0
x
n
n
(t) (1.27)
entonces, la serie innita converge hacia la funci on x(t), de tal manera que el valor cuadr atico medio
del error
2
(t) de la aproximaci on se hace igual a 0. Por lo tanto, la representaci on de una funci on
x(t), dada en (1.27) por medio de un sistema base con n umero innito de funciones ortogonales, se
identica con la representaci on generalizada de Fourier de x(t) para la base
n
(t).
Una se nal de potencia (o energa) puede ser descompuesta si el conjunto de funciones base genera
un sistema completo, para el cual los coecientes x
n
se determinan por (1.23). El mismo conjunto de
los coecientes x
n
se denomina espectro de la se nal x(t), mientras el producto x
n
n
(t) se dene
como la componente espectral de la se nal. Cualquiera de las dos formas: la serie generalizada de
Fourier (1.27) o el espectro x
n
(1.23) determinan unvocamente la se nal x(t).
Basados en la expresi on (1.27) es posible la sntesis de se nales, as en la Figura 1.6 (para T
n
= 1)
se muestra el diagrama de un generador de se nales empleando el sistema de funciones base
n
(t).
Por cuanto, la cantidad de sistemas ortogonales completos es inconmensurable, la elecci on del
mejor sistema base de representaci on tiene un amplio sentido pr actico. Las siguientes son las reco-
mendaciones generales a tener en cuenta en este caso:
1. El sistema base debe ser descrito analticamente de manera simple, as que las correspondientes
funciones ortogonales sean sencillas de generar.
2. El sistema base debe ser una tarea con soluci on adecuada, de manera que se facilite la resolu-
ci on de problemas, tales como la representaci on econ omica de se nales, la realizaci on de ltros
espectrales y la disminuci on de costos computacionales en el proceso de se nales, entre otros.
`
..
`
`
`
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
` `

...............................................................
...............................................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x(t)
Z
T
Z
T
Z
T
1/T
1/T
1/T
1
(t)
n
(t) n(t)
1(t)
0(t)
0
(t)
x0
x1
xn
x(t)
Figura 1.6. Descomposici on y formaci on ortogonal de se nales
3. Es preferible que el sistema base
i
(t) sea multiplicativo, esto es, que se cumplan las si-
guientes condiciones:
Sea
n
(t),
m
(t)
i
(t) , si
k
(t) =
n
(t)
m
(t), entonces,
k
(t)
i
(t) .
Sea
n
(t)
i
(t) , si
k
(t) = 1/
n
(t), entonces,
k
(t)
i
(t) .
4. El sistema base debe facilitar la sntesis de algoritmos econ omicos (r apidos) en el sentido del
costo computacional. En particular, es preferible el empleo de sistemas conformados por fun-
ciones ortogonales de estructura peri odica, que permita su desarrollo mediante algoritmos de
naturaleza iterativa.
La elecci on del sistema de funciones ortogonales m as conveniente depende del objetivo con que se
descompone la se nal compleja original. Entre los diferentes problemas que exigen esta descomposi-
ci on pueden distinguirse dos orientaciones importantes:
1. La descomposici on en sistemas completos de funciones ortogonales,
2. La aproximaci on de las se nales, de tal manera que se pueda brindar la precisi on deseada con el
menor n umero de elementos de la serie en (1.20).
En el primer caso, se difundi o el empleo de las funciones exponenciales de Fourier y en particular
de las funciones trigonom etricas: los senos y cosenos. Sin embargo, en algunos casos se emplean otros
sistemas. Por ejemplo, para la discretizaci on de se nales continuas en el tiempo se emplean bases del
tipo sinc(x). En el proceso digital de se nales es muy frecuente el empleo de funciones constantes en
segmentos de tiempo [4] (bases de Rademacher, Walsh, Paley, Hadamar y Haar).
Como ejemplos de conjuntos ortogonales en la segunda orientaci on se pueden analizar los polino-
mios de Chebyshev, Hermite, Laguerre, Legendre, entre otros [4, 5].
1.2.3. Conjunto ortogonal completo de Fourier
Si se propone una funcion x(t) cuyo valor este representado en un intervalo
determinado, desde t=0 hasta x=T, por la ordenada de una curva trazada
arbitrariamente, se podra desarrollar esta funcion en una serie que no contendra mas
que los senos y cosenos de los arcos multiples...
Fourier
Serie exponencial de Fourier. Se dene a partir del conjunto ortogonal conformado por las funcio-
nes exponenciales complejas del tipo:
n
(t) = e
jn
0
t
, (1.28)
donde n 0, 1, 2, . . . se denomina arm onico, siendo
0
= cte ,= 0.
En la determinaci on del valor de la constante
0
, se parte de la denici on de ortogonalidad dada
por la expresi on (1.18), sobre el intervalo de tiempo (t
i
, t
f
), por lo que se tiene:
t
f
_
t
i
n
(t)
m
(t)dt =
t
f
_
t
i
e
jn
0
t
e
jm
0
t
dt =
_
0, n ,= m
c
n
, n = m
=
1
j(n m)
0
_
e
j(nm)
0
t
f
e
j(nm)
0
t
i
_
= 0, n ,= m,
=
1
j(n m)
0
e
j(nm)
0
t
i
_
e
j(nm)
0
(t
f
t
i
)
1
_
= 0.
obteni endose los respectivos valores de
0
= 2/c
n
, c
n
= (t
f
t
i
) (1.29)
La representaci on exponencial de la serie Fourier para cualquier se nal de energa, de (1.17), es:
x(t) =
n=
x
n
e
jn
0
t
, t
i
< t < t
f
(1.30)
donde cada uno de los coecientes de la serie, teniendo en cuenta (1.23), se determinan por la siguiente
expresi on:
x
n
=
1
t
f
t
i
t
f
_
t
i
x(t)e
jn
0
t
dt (1.31)
Se dene como espectro de Fourier a la representaci on gr aca de los coecientes complejos de
Fourier de la funci on en dependencia de la frecuencia. Aunque, como antes se dijo, el espectro se
puede hallar para cualquier sistema base de representaci on, realmente, al espectro de Fourier se le ha
encontrado interpretaci on fsica y, por lo tanto, uso pr actico en la ingeniera. En adelante, cuando se
reera al espectro se tendr a en cuenta s olo la representaci on espectral de Fourier. En la Tabla 1.1 se
muestran los coecientes de Fourier para algunas se nales comunes.
Se nal Denici on Coeciente x
n
Cuadrada sim etrica
_
_
1, [t[ <
T
4
1,
T
4
< [t[ <
T
2
_
sinc(n/2), n ,= 0
0, n = 0
Pulsos rectangulares
_
_
_
+1, [t[ <

2
0,

2
[t[ <
T
2
T
sinc(n/T)
Triangular sim etrica 1 4[t[/T, [t[ < T/2
_
sinc(n/2), n ,= 0
0, n = 0
Diente de sierra 2t/T, [t[ < T/2
_
_
_
j(1)
n
, n ,= 0
0, n = 0
Sinusoide recticada [sin
0
t[
_
_
_
2
(1 n)
, n par
0, n impar
Tabla 1.1. Coecientes de descomposici on espectral de Fourier
Ejemplo 1.7. Hallar la serie exponencial de Fourier, considerando a ,= b, para la funci on:
x(t) =
_
_
_
a, t
1

2
< t < t
1
b, t
1
< t < t
1
+

2
,
Aplicando (1.29) se obtiene
c
n
= ((t
1
+/2) (t
1
/2)) = ,
siendo
0
= 2/c
n
= 2/.
Los coecientes espectrales se denen a partir de (1.23):
x
n
=
1
t1+/2
_
t1/2
x(t)e
jn0t
dt =
1
_
_
_
t1
_
t1/2
ae
jn0t
dt+
t1+/2
_
t1
be
jn0t
dt
_
_
_
x
n
=
1
_
ae
jn0t
jn
0
t1
t1/2
+
be
jn0t
jn
0
t1+/2
t1
_
Al hacer a = b y t
1
= 0, se tiene que
x
n
=
1
_
ae
jn0t
jn
0
0
/2
ae
jn0t
jn
0
/2
0
_
=
a
jn
0
_
e
jn0t
0
/2
e
jn0t
/2
0
_
=
a
jn
[1 cos n]
con lo cual nalmente se tiene que
x
n
=
_
_
_
2a
jn
, n impar
0, n par
En cambio, si a = b, pero t
1
= /2, el valor de los armonicos sera:
x
n
=
1
_
ae
jn0t
jn
0
/2
0
ae
jn0t
jn
0
/2
_
=
a
jn
0
_
0 e
jn0t
/2
_
=
a
n
sin n
= 0, n.
.
`
t
x(t)
a
b
t
1

2
t
1
t
1
+

2
(a) Representaci on en el tiempo
8
0
6
0
4
0
2
0
2
0
4
0
6
0
8
0
0
0
1
0.5
x
n
0.5
(b) Representaci on espectral
Figura 1.7. Meandro simple
Finalmente, la representaci on completa en forma de serie exponencial de Fourier (1.20), para la
funci on dada en el intervalo (t
1
/2, t
1
+/2), es la siguiente:
x(t) =
n=
x
n
e
jn0t
=
2a
j
_
e
jt
+
e
j3t
3
+
e
j5t
5
+ e
jt
e
j3t
3

e
j5t
5

_
En la Figura 1.7 se muestra la se nal dada en el tiempo y sus respectivos coecientes obtenidos
en la ultima expresi on para la serie exponencial de Fourier.
El ejemplo 1.7 se puede extender a un tren de pulsos cuadrados denido de la siguiente manera:
x(t) = a
k
rect
(t kT) , (1.32)
siendo
0
=
2
T
.
Al reemplazar la anterior relaci on en (1.23) se obtiene:
x
n
=
1
T
T/2
_
T/2
x(t)e
jn
0
t
dt =
1
T
/2
_
/2
ae
jn
0
t
dt
x
n
=
a
jn
0
T
_
e
jn
0
/2
e
jn
0
/2
_
= 2
a
n
0
T
sin
_
n
0
2
_
x
n
=
a
T
sin(n
0
/2)
n
0
/2
=
a
T
sinc (n
0
/2) , n ,= 0 (1.33)
x
0
=
1
T
/2
_
/2
a dt =
a
T
La relaci on (1.33), que determina el espectro de un tren de pulsos cuadrados, est a representada en
las Figuras 1.8(a) y 1.8(b). Para este caso, se dene como el ancho de banda del l obulo principal del
espectro a la distancia que hay entre los dos primeros ceros de la funci on (1.33) e igual a = 2/.
La inuencia de los par ametros b asicos de la funci on pulso cuadrado, como son la amplitud a, el
perodo T y el ancho del pulso en el tiempo , sobre la forma del respectivo espectro (1.33), se da en
los siguientes aspectos:
4 3 2 1 0 1 2 3 4
0.2
0
1
4 3 2 1 0 1 2 3 4
0.2
0
1
4 3 2 1 0 1 2 3 4
0.2
0
1
T = 0.1
T = 0.15
T = 0.3
(a) Espectros para /T = var, = const.
4 3 2 1 0 1 2 3 4
0
1
4 3 2 1 0 1 2 3 4
0
1
4 3 2 1 0 1 2 3 4
0
1
/T = 1
/T = 2
/T = 0.5
(b) Espectros para /T = var, T = const.
Figura 1.8. Espectro de un tren de pulsos cuadrados
- La amplitud a no inuye sobre la forma de la envolvente espectral y es su factor de escala.
- Sea el perodo T = var, tal que se conserva la relaci on /T = cte. Si se tienen dos se nales con
perodos respectivamente diferentes, tales que T
1
= 2T
2
, para las cuales se cumple que
01
= 2/T
1
,
02
= 2/T
2
= 2 (2/T
1
)
entonces,
01
=
02
/2 y = 2/ = cte. Luego, la distancia entre cada una de las compo-
nentes espectrales cambia de modo inversamente proporcional al aumento del valor del perodo
T, sin embargo, la forma de la envolvente del espectro no cambia, mientras /T = cte.
- Sea = var, /T = cte, por lo que,
0
= 2/T. Si se analizan dos se nales con ancho de
pulso respectivamente diferentes, para las cuales se cumple que
1
= 2
2
,
1
= 2/
1
,
2
= 2/
2
entonces,
1
=
2
/2. En este caso, la distancia entre las componentes espectrales es cons-
tante para cualquier valor de , por lo cual las respectivas formas del espectro cambian. El ancho
de banda del l obulo principal cambia de modo inversamente proporcional al valor de .
Los espectros correspondientes a cada uno de los casos anteriormente analizados est an repre-
sentados en la Figura 1.8.
Serie trigonom etrica de Fourier. A partir de la igualdad de Euler,
e
j
= cos +j sin
de manera similar, la serie exponencial de Fourier, que representa a la funci on x(t) en el intervalo
(t
i
, t
f
), se puede descomponer en la suma trigonom etrica del tipo:
x(t) = a
0
+
n=1
a
n
cos(n
0
t)+
n=1
b
n
sin(n
0
t) (1.34)
Se puede llegar de la serie exponencial de Fourier a su representaci on trigonom etrica reemplazando:
a
n
= 21x
n
, b
n
= 2jx
n
, n ,= 0, (1.35)
mientras, a
0
= x
0
, b
0
= 0. En cualquier caso se cumple que
x
n
= (a
n
jb
n
)/2
Cuando se aplica la denici on (1.23) de los coecientes x
n
, notados en (1.35), se obtiene:
a
n
=
t
f
_
t
i
x(t) cos (n
0
t) dt
t
f
_
t
i
cos
2
(n
0
t) dt
=
2
t
f
t
i
t
f
_
t
i
x(t) cos (n
0
t) dt, n ,= 0
b
n
=
t
f
_
t
i
x(t) sin (n
0
t) dt
t
f
_
t
i
sin
2
(n
0
t)dt
=
2
t
f
t
i
t
f
_
t
i
x(t) sin (n
0
t) dt
El coeciente inicial se calcula como
a
0
=
t
f
_
t
i
x(t)dt
tf
_
t
i
dt
=
1
t
f
t
i
t
f
_
t
i
x(t)dt.
La serie trigonom etrica de Fourier en (1.34) puede representarse de manera alterna:
x(t) =
n=0
c
n
cos (n
0
t +
n
) , (1.36)
donde
c
n
=
_
_
a
2
n
+b
2
n
= 2[x
n
[ = 2
x
n
x
n
, n ,= 0
x
0
, n = 0
(1.37a)
n
=tan
1
_
b
n
a
n
_
= tan
1
_
x
n
1x
n
_
(1.37b)
La representaci on de una se nal de energa por la serie de Fourier en un intervalo nito (t
i
, t
f
)
se puede extender para las se nales peri odicas (suponiendo que el valor de la energa en cualquier
intervalo o perodo T sea nito), para las cuales se cumple la condici on,
e
j
= e
j(+2/T)
Todas las expresiones anteriores son v alidas para las funciones peri odicas reemplazando el intervalo
de denici on de las se nales aperi odicas [t
i
, t
f
] por el valor del perodo T de las funciones peri odicas.
Cabe anotar que la representaci on mediante las series de Fourier converge en x(t), en el sentido
en que el error cuadr atico medio tiende a cero de manera uniforme y absoluta cuando la cantidad de
t erminos de la aproximaci on tiende a innito, siempre y cuando la funci on x(t) cumpla las condicio-
nes de Dirichlet [6]:
1. x(t) es absolutamente integrable sobre cualquier intervalo de an alisis T, esto es,
+T
_
[x(t)[ dt < (1.38)

2. x(t) tiene un n umero nito de m aximos y mnimos sobre cualquier intervalo nito de an alisis
T.
3. x(t) s olo tiene un n umero nito de discontinuidades de primer tipo sobre cualquier intervalo
nito de an alisis T.
Teorema 1.4. [Riemman] Si la funci on n ucleo integral x(t) cumple las condiciones de Dirichlet y,
en forma general, si esta es absolutamente integrable en el intervalo (a, b), entonces tendr a lugar
el siguiente lmite [7]:
lm
v
b
_
a
x() cos(v)d = lm
v
b
_
a
x() sin(v)d = 0.
Como corolario del teorema 1.4 se tiene que los coecientes a
n
, b
n
y, por lo tanto, c
n
tienden a cero
cuando n .
1
0
1
1
0
1
1
0
1
1
0
1
n = 1
n = 3
n = 5
n = 13
Figura 1.9. Efecto de Gibbs
En puntos de discontinuidad nita (del primer
tipo) en la funci on x(t), la serie de Fourier con-
verge en la media aritm etica de los valores ex-
tremos de la discontinuidad. A medida que se
aumentan los t erminos N de la serie, el valor
del error cuadr atico integral decrece excepto en
la vecindad inmediata de la discontinuidad ni-
ta, en cuya cercana la serie deja de converger,
aunque el error cuadr atico medio tienda a cero.
Cualquiera que sea la cantidad m axima nita de
t erminos tomados de esta serie, la representaci on
aproximativa siempre tendr a un paso continuo
entre los puntos extremos de la vecindad de la
discontinuidad. Este comportamiento se conoce
como fen omeno de Gibbs [8].
En la Figura 1.9 se muestra la aproximaci on
de una se nal rectangular () y su respectivo va-
lor de error de aproximaci on ().
En general, se considera que las series de Fourier tienen amplia aplicaci on, entre otros, por los
siguientes motivos [7]:

Estas son oscilaciones simples y est an determinadas para todo valor de t.
Las oscilaciones arm onicas seno y coseno son las unicas funciones del tiempo que conservan
su forma al pasar por cualquier dispositivo lineal, variando s olo su fase y su amplitud.
La descomposici on en senos y cosenos permite aplicar el m etodo simb olico usualmente desarro-
llado para el an alisis de circuitos lineales.
Finalmente, se debe tener en cuenta que en la representaci on espectral, dada un porci on de la se nal
sobre el intervalo nito de tiempo T, es imposible distinguir componentes de frecuencia que est en por
debajo de la siguiente relaci on:
f =

0
2
=
1
T
(1.39)
El valor f es llamado resoluci on de frecuencia.
1.2.4. Otros conjuntos ortogonales
En la aproximaci on de se nales continuas se emplean diferentes polinomios y funciones especiales
ortogonales. Escogiendo adecuadamente estas funciones en la descomposici on ortogonal (1.20), se
puede obtener la representaci on aproximada de la se nal con un n umero peque no de elementos de la
expansi on. Sin embargo, en la denici on de las funciones base para la representaci on de se nales, es
frecuente el concepto de la norma ponderada. En particular, durante la estimaci on del error de repre-
sentaci on usualmente se debe poner mayor enfasis en ciertos intervalos de denici on de la funci on.
Entonces, siendo w(t) una funci on no negativa denida sobre el intervalo T, la integral
_
_
_
T
w(t) [x(t) x
n
(t)[
2
dt
_
_
1/2
puede servir mejor de medida para el error de aproximaci on, que la norma simple |x x
n
|, la cual
emplea la funci on de ponderaci on, w(t), que para L
2
(T) se dene como:
d
w
(x, y) =
_
T
w(t) x(t) y
(t) dt
En este sentido, existen funciones que conforman sistemas base completos
n
(t), siendo ortonor-
males en los intervalos indicados con valor de ponderaci on
_
w(t), esto es, que cumplen la condici on:
(t) =
_
_
w(t)
n
(t)
_
(1.40)
donde
n
(t) son las funciones a partir de las cuales se forman los sistemas base ortogonales. Como
consecuencia de (1.40), la denici on de ortogonalidad (1.19) sobre el intervalo T cambia por:
_
T
m
(t)
n
(t)w(t)dt =
_
0, m ,= n
T
mn
, m = n
donde
T
mm
=
_
_
_
_
w(t)
n
(t)
_
_
_
2
=
_
T
_
_
w(t)
n
(t)
_
2
dt. (1.41)
As mismo, cambia la denici on de los coecientes (1.23) en la serie generalizada de Fourier:
x
n
=
1
_
_
_
_
w(t)
n
(t)
_
_
_
2
_
T
x(t)
_
w(t)
n
(t)dt. (1.42)
Teorema 1.5. Sea el conjunto simple
n
(t) , n = 0, 1, . . ., cuando
n
(t) es exactamente de
grado n, entonces, su condici on necesaria y suciente de ortogonalidad, dada la funci on de peso
w(t), t T, se da por la expresi on:
_
T
w(t) t
k
n
(t) dt =
_
0, k = 0, 1,
T
n
,= 0, k = n
Dentro de la clase de polinomios simples ortogonales est an los derivados de la ecuaci on diferencial
hipergeom etrica, por ejemplo los siguientes:
Polinomios de Legendre. Estos polinomios se obtienen resolviendo la ecuaci on diferencial
_
1 x
2
_
y 2x y +n(n + 1) y = 0
En particular, si se asume T = [1, 1] y w(t) = 1, se obtiene un sistema ortogonal, que al emplear
el procedimiento de Gram-Schmidt a la sucesi on
_
t
0
, t
1
, t
2
, . . .
_
da como resultado los siguientes
polinomios simples normalizados:
0
(t) = 1/
2,
1
(t) =
_
3/2t,
2
(t) =
_
5
2
_
3
2
t
2
1
2
_
,
3
(t) =
_
7
2
_
5
2
t
3
3
2
t
_
,
4
(t) =
_
9
2
_
35
8
t
4
15
4
t
2
+
3
8
_
,
n
(t) =
_
2n + 1
2
P
n
(t),
los cuales a su vez generan el polinomio
P
n
(t) =
1
2
n
n!
d
n
dt
n
_
t
2
1
_
n
, (1.43)
El polinomio (1.43) se puede calcular en la siguiente forma recurrente:
nP
n
(t) = (2n 1)tP
n1
(t) (n 1)P
n2
(t).
El reemplazo por = 1 2e
pt
(p > 0, p R
+
o factor de escala) transforma el intervalo
T = [1, 1] para la variable en el intervalo [0, ) sobre el intervalo de denici on de la variable t.
De los polinomios (1.43) se puede obtener un sistema m as de funciones ortonormales en [0, ) y
denominados funciones de Legendre:
P
n
(t) = [2p(2n + 1)]
1/2
e
pt
P
n
(1 2e
2pt
)
Ejemplo 1.8. Descomponer en polinomios de Legendre la siguiente funci on
x(t) = sgn(t), 1 < t < 1.
Por cuanto la funci on x(t) esta dada en el intervalo de tiempo [1, 1], la descomposici on se
realiza empleando los respectivos polinomios, antes que las funciones ortogonales, por lo que se
obtiene:
P
0
(t) = 1, P
1
(t) = t, P
2
(t) =
3
2
t
2
1
2
,
P
3
(t) =
5
2
t
3
3
2
t, P
4
(t) =
1
8
_
35t
4
30t
2
+ 3
_
La serie generalizada de Fourier (1.27) para el caso de los polinomios de Legendre tendr a la
forma:
x(t) =
n=0
x
n
P
n
(t)
donde los respectivos coecientes se determinan a partir de (1.42) como:
x
n
=
2n + 1
2
1
_
1
x(t)P
n
(t)dt
con lo cual, los primeros coecientes seran iguales a:
x
0
=
1
2
1
_
1
x(t)dt =
1
2
_
_
0
_
1
x(t)dt
1
_
0
x(t)dt
_
_
= 0
x
1
=
3
2
1
_
1
x(t)tdt =
3
2
_
_
0
_
1
x(t)tdt
1
_
0
x(t)tdt
_
_
=
3
2
x
2
=
5
2
1
_
1
x(t)
_
3
2
t
2
1
2
_
dt = 0
x
3
=
7
2
1
_
1
x(t)
_
5
2
t
3
3
2
t
_
dt =
7
2
_
_
0
_
1
x(t)
_
5
2
t
3
3
2
t
_
1
_
0
x(t)
_
5
2
t
3
3
2
t
_
_
_
dt =
7
8
1 0 1
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
10 0
1.5
1
0.5
0
0.5
1
x
n
10 n
Figura 1.10. Aproximaci on de la funci on meandro en el ejemplo 1.7.
De forma similar, x
n
= 0, n = 2k, k Z. Si se tienen en cuenta solamente los primeros cuatro
elementos de la serie, esto es: x(t) =
3
2
t +
7
8
_
5
2
t
3
3
2
t
_
, el error cuadr atico medio obtenido
de la aproximaci on es
2
0.28. Para efectos de comparacion se puede tomar el ejemplo 1.7,
cuando a = b = 1, t
1
= 0 y T = 2, con lo que
0
= 2/T = , obteniendose los siguientes
coecientes de representaci on:
x
n
=
_
0, n par
4
n
, n impar
Al restringirse al an alisis de los primeros cuatro elementos de la serie se obtiene
x(t) =
4
5
sin t
4
3
sin 3t
siendo el error cuadr atico medio obtenido de aproximaci on
2
0.0675. La Figura 1.10 ilustra en
la parte izquierda una curva de la aproximaci on y en la parte derecha los respectivos coecientes
de representaci on de la serie de Fourier.
Ejemplo 1.9. Descomponer en polinomios de Legendre la siguiente funci on:
x(t) = k
1
sin(
0
t+
0
) , 1 < t < 1
En este caso, los respectivos coecientes se determinan a partir de (1.42) como:
x
k
=
2k + 1
2
1
_
1
x(t) P
k
(t) dt =
2k + 1
2
1
_
1
k
1
sin (
0
t +
0
) P
k
(t) dt
x
0
=
k
1
2
1
_
1
sin (
0
t +
0
) dt =
k
1
2
0
(cos (
o
+
0
) cos (
0
0
))
x
1
=
3k
1
2
1
_
1
sin (
0
t +
0
) tdt
integrando por partes:
_
udv = uv
_
vdu, siendo u = t, du = dt, dv = sin (
0
t +
0
) , v =
1
0
cos (
0
t +
0
)
con lo cual se obtiene que
x
1
=
3k
1
2
_
1
0
(cos (
0
+
0
) cos (
0
0
)) +
1
2
0
(sin (
0
+
0
) sin (
0
0
))
_
x
2
=
5k
1
2
1
_
1
sin (
0
t +
0
)
_
3
2
t
2
1
2
_
dt
=
5k
1
2
1
_
1
3
2
t
2
sin (
0
t +
0
) dt
5k
1
2
1
_
1
1
2
sin(
0
t +
0
) dt
La integracion del primer sumando resulta en,
u =
3
2
t
2
, du = 3tdt, dv = sin (
0
t +
0
) , v =
1
0
cos (
0
t +
0
) ,
por lo tanto,
x
2
= (cos (
0
+
0
) cos (
0
0
))
_
15k
1
4
0
+
15k
1
2
3
0
+
5k
1
4
0
_
+
15k
1
2
2
(sin(
0
+
0
) sin (
0
0
))
De esta manera, haciendo k
1
= 1,
0
= 1 y
0
= 0, se obtienen los valores para los primeros 2
terminos de la serie de Legendre iguales a x
1
= 2.52 y x
2
= 12.62.
Polinomios de Chebyshev. Sea T = [1, 1] y w(t) = [1 t
2
]
1/2
, entonces, los siguientes poli-
nomios generan un sistema ortogonal:
n
(t) = 2
n
(2)
1/2
T
n
(t), n = 0, 1, 2, . . .
donde
T
n
(t) =
_
_
_
1
2
n
1
cos(narc cos t), n 1
1, n = 0
(1.44)
que se calculan en forma recurrente (para n > 2):
T
n
(t) = tT
n1
(t)
1
4
T
n2
(t).
Aplicando el intercambio anterior de variables = 1 2e
pt
, p > 0, p R
+
, de los polinomios
(1.44) se obtiene el sistema ortonormal base de funciones de Chebyshev, denidas para T = [0, ) y
w(t) = [e
2pt
1]
1
2
:
T
n
(t) = 2
n
_
p
_
1/2
T
n
(1 2e
pt
),
Polinomios de Laguerre. polinomio!Laguerre Los siguientes polinomios generan un sistema orto-
gonal, para un valor de T = [0, ) y w(t) = e
t
:
n
(t) =
1
n!
L
n
(t), n = 0, 1, . . .
donde L
n
(t) = e
t
d
n
dt
n
(t
n
e
t
), que se pueden calcular en la forma recurrente:
L
n
(t) = (2n 1 t)L
n1
(t) (n 1)
2
L
n2
(t).
Las respectivas funciones ortonormales de Laguerre, para T = [0, ) y w(t) = 1, tienen la forma:
L
n
(t) =
e
t/2
n!
L
n
(t).
Polinomios de Hermite. polinomio!Hermite Se denen, para T = (, ) y w(t) = e
t
2
, en la
forma
n
(t) =
_
2
n
n!
_
1/2
H
n
(t), n = 0, 1, 2, . . .
donde
H
n
(t) = (1)
n
e
t
2 d
n
dt
n
_
e
t
2
_
, (1.45)
con la respectiva forma recurrente de c alculo
H
n
(t) = 2tH
n1
(t) 2(n 1)H
n2
(t).
Los polinomios (1.45) conforman el siguiente sistema ortonormal:
H
n
(t) =
_
2
n
n!
_
1/2
e
t
2
/2
H
n
(t).
denidos en el intervalo T = (, ) y w(t) = 1.
Funciones de Walsh. A diferencia de los anteriores polinomios existe una clase de funciones que
se denen a partir de la soluci on de una ecuaci on de diferencias, en forma de sucesiones con valo-
res establecidos, en particular, el sistema de Walsh es preferible denirlo a partir de las funciones
elementales rectangulares de Rademascher [9]:
r
n
(t)

=
_
sgn(sin(2
n
t)) , n = 1, 2, . . .
1, n = 0
(1.46)
De la denici on (1.46), es evidente el car acter discreto de las funciones de Rademascher, que toman
dos valores unicamente: +1 en los subintervalos (k/2
n
, (k + 1)/2
n
), k = 2l, l = 0, 1, . . . , y el valor
de 1 en los dem as subintervalos. No obstante, el sistema de funciones (1.46) es ortogonal, pero no
es completo al existir otras funciones ortogonales al sistema. Por lo tanto, se dene un nuevo conjunto
ortogonal hasta hacerlo completo, a partir del sistema (1.46) y denido para T = [0, 1] y w(t) = 1,
que se nota por wal
m
(t) : m = 0, 1, . . . , N 1, mediante la siguiente ampliaci on,
wal
n
(t) =
_
_
N
l=1
(r
l
(t))
(l,n)
n = 1, 2, . . .
1, n = 0
(1.47)
siendo (l, n) el valor del elemento l en la representaci on del valor n en c odigo Gray. En la pr actica,
se emplean conjuntos conformados por N = 2
m
, m Z
+
funciones.
Las primeras 8 funciones wal
n
(t), n = 0, 1, 2, . . . , 7 en correspondencia con (1.47) se muestran
en la Tabla 1.2. Mientras en la Figura 1.11 se representan las funciones base ortogonal wal
n
(t), para
los valores n = 1, 2, 3, 4.
l
C odigo
binario
(l) wal
l
(t)
0 000 000 wal
0
(t) = 1
1 001 001 wal
1
(t) = r
1
(t)
2 010 011 wal
2
(t) = r
1
(t)r
2
(t)
3 011 010 wal
3
(t) = r
2
(t)
4 100 110 wal
4
(t) = r
2
(t)r
3
(t)
5 101 111 wal
5
(t) = r
1
(t)r
2
(t)r
3
(t)
6 110 101 wal
6
(t) = r
1
(t)r
3
(t)
7 111 100 wal
7
(t) = r
3
(t)
Tabla 1.2. Obtenci on de las funciones wal
n
(t)
Las siguientes son las principales propiedades de las funciones de Walsh:
1. Son digitales en el sentido en que toman solamente los valores 1, 1 con perodo unitario.
2. Son ortonormales en el intervalo [1/2, 1/2]:
_
T
wal
m
(t) wal
n
(t) dt =
mn
3. El conjunto es multiplicativo: wal
n
(t) wal
m
(t) = wal
nm
(t), siendo n m la multiplicaci on
por m odulo 2 de las respectivas descomposiciones binarias de n y m. Por lo tanto, la multipli-
caci on de dos funciones de Walsh tambi en son de esta clase.
4. El sistema se compone de dos conjuntos de funciones: pares e impares, las cuales se denen
respectivamente como
cal
k
(t) = wal
2k
(t), (1.48a)
sal
k
(t) = wal
2k1
(t), k = 1, 2, . . . (1.48b)
donde k es el orden de las funciones pares e impares, que caracterizan la cantidad de cambios
de signo en el intervalo (0, 1/2). Las notaciones sal
k
(t) y cal
k
(t) muestran la similitud con la
funciones sin y cos, respectivamente.
0.5 0.25 0.25
1
0
1
0.5 0.25 0.25
1
0
1
0.5 0.25 0.25
1
0
1
0.5 0.25 0.25
1
0
1
0.5 0.25 0 0.25
1
0
1
wal
n
(t)
n = 1
n = 2
n = 3
n = 4
n = 5
0.5 t
Figura 1.11. Representaci on de las funciones de Walsh
Teniendo en cuenta el sistema (1.48a) y (1.48b) y al asumir 1/2 < < 1/2, se puede escribir la
ecuaci on de diferencias de las funciones de Walsh en la siguiente forma:
wal
2k+q,
() = (1)
k/2|+q
wal
k
(2 + 1/2) + (1)
k+q
wal
k
(2 1/2)
donde k/2| es el entero m as grande menor o igual a k/2, q = 0, 1 y con condici on inicial
wal
0
() =
_
1, [[ < 1/2
0, [[ 1/2
En general, una funci on x(t) L
2
(T) se puede representar por la serie generalizada de Fourier
(1.27) compuesta por las funciones de Walsh:
x(t) =
n=0
x
n
wal
n
(t) (1.49)
cuyos coecientes se determinan de acuerdo con las ecuaciones (1.23) y (1.42):
x
n
=
_
T
x(t) wal
n
(t)dt (1.50)
Al expresar el sistema wal
n
(t) por sus respectivas componentes, pares e impares, se obtiene la
expansi on:
x(t) = a
0
wal
0
(t) +
n=1
a
n
cal
n
(t)+
n=1
b
n
sal
n
(t)
en la cual, los coecientes se determinan de acuerdo con (1.23):
a
n
=
_
T
x(t) cal
n
(t)dt, b
n
=
_
T
x(t) sal
n
(t)dt
Los coecientes x
n
(en su defecto a
n
y b
n
) de la serie Fourier-Walsh en (1.49) conforman el espec-
tro de la se nal x(t) por la base Walsh, el cual es denominado s-espectro (sequence spectrum).
Ejemplo 1.10. Determinar el s-espectro de la se nal x(t) = sin 2t, < t < , empleando el
sistema
wal
n
(t), 0 t < 1, n = 0, 1, . . . , 31
Debido a la imparidad de la funci on dada x(t), respecto al punto t = 1/2, todos los coecientes
para las funciones pares son iguales a cero, wal
2n
(t) = 0. Tambien son iguales a 0 los coecientes
de las funciones impares de orden, 3, 7, 11, 15, 19, 23, 27 y 31. Los demas coecientes tienen el
siguiente valor:
x
1
=
1/2
_
1/2
x(t) wal
1
(t)dt =
1/2
_
1/2
sin (2t) wal
1
(t)dt = 2
1/2
_
0
sin(2t) dt =
2
0.637
x
5
=
1/2
_
1/2
sin (2t) wal
5
(t)dt = 4
1/8
_
0
sin(2t) dt 2
3/8
_
1/8
sin (2t) dt 0.264
x
9
0.052, x
13
0.127, x
17
0.012, x
21
0.005,
x
25
0.026, x
29
0.063
De igual manera se puede establecer el s-espectro de la se nal x(t) = cos 2t, para la cual se
obtienen los siguientes coecientes:
x
2
0.637, x
6
0.264, x
10
0.052, x
14
0.127, x
18
0.012, x
22
0.005
Los demas coecientes son todos iguales a cero. En la parte izquierda de la Figura 1.12 se
muestra el s-espectro de Walsh con los coecientes obtenidos.
En general, el s-espectro de la funci on x(t) = sin (2t +) se puede obtener a partir de la
relacion:
sin(2t +) = sin (2t) cos + cos (2t) sin ,
por lo cual es claro, que cambiando la fase cambian los valores de los coecientes de descom-
posici on de la serie de Walsh.
Ejemplo 1.11. Hallar el espectro de una sucesion de pulsos cuadrados con amplitud 2
n
, apertura
1/2
n
y perodo unitario.
Los coecientes de representaci on del sistema base de Walsh (1.50), en ese caso, se igualan a
x
i
=
_
1, i = 0, 1, . . . , 2
n
1
0, i ,= 0, 1, . . . , 2
n
1
0 5 10
0.2
0
0.2
0.4
0.6
0.8
1
0 5 10
0
0.2
0.4
0.6
0.8
1
i i
x
n
x
n
Figura 1.12. Ejemplo 1.11. s-espectro de Walsh.
En la parte derecha de la Figura 1.12 se muestra el s-espectro de Walsh con los coecientes
obtenidos en la expresion anterior. A diferencia del espectro com un de Fourier, para el cual se
obtuvieron los coecientes (1.33), el s-espectro de Walsh para un tren de pulsos cuadrados es
nito.
Sin embargo, como antes se dijo, el valor de los coecientes no es invariante a la fase del tren
de pulsos, as por ejemplo, si se aplica un retardo = N/2, entonces, los coecientes varan su
posicion y su valores seran:
x
0
= x
1
= x
2
= x
3
= 1, x
8
= x
9
= x
10
= x
11
= 1
Los demas coecientes son iguales a 0.
Funciones de Haar. El sistema est a determinado para T = [0, 1] y w(t) = 1, se nota de la forma
har
(i)
m
(t) y se dene como:
har
(0)
0
(t) = 1,
har
(1)
0
(t) =
_
_
1, 0 t 1/2
0, t = 1/2
1, 1/2 < t < 1
har
(i)
m
(t) =
_
_
2
m/2
, (i 1)2
m
t < (i 1/2)2
m
2
m/2
, (i 1/2)2
m
t < i2
m
0, otros valores de t
(1.51)
para m 1, 1 i 2
m
. El sistema ortonormal har
(i)
m
(t) es completo.
Por cuanto, en la representaci on espectral de las se nales es preferible que el sistema base sea ex-
presado en funci on de un solo ndice ordinal, entonces, se emplea la denici on para el sistema base
har
(i)
m
(t) a trav es de las funciones de Rademascher (1.46) [4]:
har
n
(t) =
_
2
k/2
r
k+1
(t) rect
T
(2
k
t n(mod2
k
)), n = 1, 2, 3, . . .
1, n = 0,
siendo k el n umero del bit mayor diferente de cero en la representaci on binaria de n y T = 1.
La serie Haar-Fourier, teniendo en cuenta (1.17), se describe en la forma:
x(t) =
n=0
x
n
har
n
(t)
y los coecientes de descomposici on son determinados de la siguiente manera
x
n
=
_
T
x(t) har
n
(t)dt
Ejemplo 1.12. Determinar el s-espectro de la serie Haar-Fourier para la se nal x(t) = sin 2t,
mediante el sistema
har
n
(t), 0 t < 1, n = 0, 1, 2, . . . , 15.
Los coecientes resultantes, que se muestran en la parte izquierda de la Figura 1.13, son:
x
0
=
1/2
_
1/2
x(t)dt = 0,
x
n
=
1/2
_
1/2
x(t) har
n
(t)dt =
1/2
_
1/2
x(t)2
k/2
r
k+1
(t) rect
T
(2
k
t n(mod 2
k
))dt, n > 1
x
1
= 0.637, x
2
= x
3
= 0, x
4
= 0.0091, x
5
= x
6
= 0.0539, x
7
= 0.0539,
x
8
= 0.0208, x
9
= 0.0091, x
10
= 0.0091, x
11
= x
12
= 0.0208, x
13
= 0.0091,
x
14
= 0.0091, x
15
= 0.0208.
En el caso del tren de pulsos cuadrados del ejemplo 1.11, el sespectro de Haar para n = 3,
resulta en los coecientes:
x
0
= 0, x
1
= 1, x
2
=
2, x
4
= 2
Los demas coecientes son iguales a cero, como se muestra en la parte derecha de la Figura
1.13.
0 5 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0 5 10
0
0.5
1
1.5
2
i i
x
n
x
n
Figura 1.13. Ejemplo 1.12. s-espectro de Haar.
Problemas
Problema 1.7. Sean las se nales y(t) y x(t) elementos de un espacio real de Hilbert, tales que sean
linealmente independientes, y por lo tanto, la igualdad y = x no tiene lugar para ning un valor real de
. Demostrar la desigualdad de Cauchy-Schwartz (Cauchy-Buniakovski)
[ x, y) [ < |x| |y|
Problema 1.8. Demostrar que en un espacio real de Hilbert se cumple la desigualdad triangular
|x +y| |x| + |y|
Problema 1.9. En un espacio de Hilbert estan dados los vectores u y v, tal que | v |= 1. En analoga
con la geometra de los vectores comunes en un plano, el vector w = (u, v) v se denomina proyeccion
ortogonal del vector u en la direccion v. Demostrar que el vector y = u w es ortogonal al vector v.
Problema 1.10. Empleando el metodo Gramm-Schimdt, mostrado en el ejemplo 1.6, calcular los tres
primeros vectores base i, i = 0, 1, 2, obtenidos mediante la ortonormalizacion del sistema de funciones
1, t, t
2
,
en el intervalo de tiempo 1 t 1.
Problema 1.11. Sea el par de funciones: x(t) = rect y la exponente y(t) = y0 exp(t) u(t), tales que,
y0, , R. Dada la apertura encontrar el valor del parametro , para el cual la distancia d (x, y) sea
la mnima posible.
Problema 1.12. Encontrar los tres primeros coecientes xi, i = 0, 1, 2 de la serie generalizada de
Fourier, obtenida mediante la descomposicion de la se nal x(t) = e
t
en el intervalo 1 t 1, tomando
en calidad de sistema de funciones base |
k
, el cual se analiza en el problema 1.10. Calcular la norma
del error absoluto de aproximacion en la forma,
x
2
X
k=0
x
k
Estimar el error relativo de aproximacion, en la forma
x
2
X
k=0
x
k
,
|x|
Problema 1.13. Hallar los coecientes del polinomio de segundo orden y(t) = a+bt+ct
2
, de tal manera
que se obtenga la aproximacion, con el menor error cuadratico medio (1.21), de la funcion x(t) = e
t
en
el intervalo 1 t 1.
Problema 1.14. Demostrar la ortogonalidad del conjunto formado por el principio sgn[sin(2
m
)],
donde m Z.
Problema 1.15. Una se nal compleja periodica x(t), denida en el intervalo de tiempo T/2 t T/2,
tiene la forma, x(t) = x1(t) +jx2(t). Demostrar que si la funcion x1(t) es par, mientras la funcion x2(t)
es impar, entonces los coecientes xn de la serie de Fourier, para cualquier n, seran valores reales.
Problema 1.16. Demostrar que si p y q son enteros, para p < q, y x ,= 0 (mod 2), entonces, se cumple
que,
X
pnq
e
inx
[ csc(1/2x)[
Problema 1.17. Calcular los coecientes de la serie compleja de Fourier para las siguientes funciones
periodicas dadas en el intervalo [, ]:
a). x(t) = t. b). x(t) = [ sin t[. c). x(t) = sgn(t).
Problema 1.18. La se nal x(s), que depende del argumento sin dimension s en el intervalo determinado
entre, 1/2 s 1/2, se representa por la dependencia x(s) = 16s
2
. Calcular los tres primeros
coecientes de la serie (1.49).
Problema 1.19. Calcular los coecientes xi, para i = 0, 1, 2, de la serie generalizada de Fourier por
funciones de Walsh (1.49), para la funcion del problema 1.12.
Problema 1.20. Hallar la expansion de la funcion x(t) = t en serie trigonometrica en el intervalo
cerrado (0, 2).
Problema 1.21. Determinar el S-espectro de la sucesion periodica de pulsos rectangulares con amplitud
a = 2
m
, m Z, apertura = 1/a, y perodo unitario, empleando el sistema
n
waln(t), 0 t < 1, n = 0, 1, 2, . . . , N, N = 2
k
1, k Z,
o
siendo k > m.
Problema 1.22. Hallar el S-espectro de la se nal pulso periodico (1.32) y demostrar que es nito (a
diferencia del espectro de Fourier en (1.33)).
Problema 1.23. Determinar el espectro de la de la serie Haar-Fourier para la sucesion periodica de
pulsos cuadrados con amplitud a = 2
m
, m Z, apertura = 1/a, y perodo unitario, empleando el
sistema
harn(t), 0 t < 1, n = 0, 1, 2, . . . , N, N = 2
k
1, k Z,
siendo m = 3 y k = 4.
Ejercicio en el CP 1.1. Desarrollar un programa graco, puede ser en Matlab, que convierta la
serie trigonometrica de Fourier utilizando desde 1 hasta 15 armonicos y 50 puntos por perodo.
Ejercicio en el CP 1.2. Desarrollar el codigo en Matlab de generacion de las funciones de Walsh
y obtener la representacion graca para el caso de m = 3 y k = 4 del problema (1.22).
1.3. Representaci on integral de se nales 39
1.3. Representaci on integral de se nales
La representaci on discreta, que se analiza en el numeral 1.2, en algunos casos, se restringe a la des-
composici on de se nales peri odicas, o bien a se nales aperi odicas pero denidas sobre intervalos nitos
de tiempo. Esta ultima restricci on es superable al emplear la representaci on integral, que se da en for-
ma de transformadas integrales y que se lleva a cabo para sistemas base continuos. La generalizaci on
de (1.17), en forma de representaci on continua, para cualquier sistema base o transformada directa
generalizada de Fourier, se puede escribir en el dominio T como sigue:
v(s) =
_
T
x(t)(s, t)dt, s S (1.52)
siendo s el par ametro generalizado del dominio S y (s, t) el n ucleo base dual con respecto al n ucleo
base (s, t). La funci on v(s) es una representaci on continua de x(t) an aloga a los coecientes x
n
en
(1.17), que corresponde a la densidad, la cual caracteriza la distribuci on de x(t) con relaci on a (s, t)
en las diferentes regiones de S.
De manera recproca, se determina la transformada inversa generalizada de Fourier,
x(t) =
_
S
v(s)(s, t)ds, t T (1.53)
Si existe la base dual (s, t), las ecuaciones (1.52) y (1.53) analizadas en conjunto corresponden al
par de transformadas de representaci on integral de se nales, las cuales, en forma general, no exigen
que (s, t) y (s, t) pertenezcan a L
2
(T). Sin embargo, se conserva la representaci on de v(s) para
cada valor de s como un funcional lineal de x(s).
Reemplazando x(t) de (1.53) en (1.52) e intercambiando el orden de integraci on se obtiene la
condici on conjunta que deben cumplir los n ucleos base duales:
x(t) =
_
S
_
T
x() (s, ) (t, s) dds =
_
T
K (t, ) x()d f
K
x(t) (1.54)
donde K (t, ) =
_
S
(s, ) (t, s) ds.
En forma general, el funcional lineal f
K
x(t) no es acotado ni continuo, por lo tanto, no es de
esperar que exista una funci on, perteneciente a L
2
(T) y denida en , que cumpla la condici on (1.54)
para cualquiera que sea la se nal x(t).
La soluci on a este problema est a en la representaci on de la se nal x(t), mediante el integral de
Duhamel (1.10), que emplea la funci on generalizada singular (t) de la siguiente forma:
f
K
x(t) = x(t) =
_
T
(t ) x()d, t T
Dado un n ucleo base, de (1.54) se establece la restricci on que debe cumplir el respectivo n ucleo
dual:
_
S
(t, s) (s, ) ds = (t ) (1.55)
De la misma manera, al reemplazar (1.52) en (1.53), se tiene la condici on:
_
T
(s, t) (t, ) ds = (s ) (1.56)
que debe cumplir, tanto (s, t) como (t, ) , para conformar un par de n ucleos conjugados base.
Sin embargo, el an alisis de (1.55) y (1.56) muestra que ambos n ucleos al mismo tiempo no pueden
pertenecer a L
2
(R).
Algunos n ucleos base tienen la propiedad por la cual la transformada de la funci on en el dominio
t, siendo integrable y perteneciente a L
2
(T), siempre genera funciones en el dominio s tambi en in-
tegrables (pertenecientes a L
2
(S)). La correspondencia completa entre las funciones determinadas en
los dominios de t y s se provee con los n ucleos autoconjugados, esto es [10],
(s, t) = (t, s) (1.57)

Dadas dos transformaciones v
x
(s) y v
y
(s) de las se nales x(t) e y(t), respectivamente, entonces,
v
x
(s) , v
y
(s)) =
_
S
v
x
(s) v
y
(s) ds =
_
S
_
T
_
T
x(t) y
() (s, t)
(s, ) ddtds
que asumiendo la condici on (1.57) sobre los n ucleos autoconjugados se tiene que,
v
x
(s) , v
y
(s)) =
_
T
_
T
x(t) y
() (t ) dtd
=
_
T
x(t) y
(t) dt = x(t) , y (t))

De lo anterior se observa, que el valor del producto escalar se mantiene igual al cambiar del dominio
t al dominio s.
1.3.1. Transformada de Fourier
La transformada integral de Fourier, o transformada de Fourier (TF), se obtiene asumiendo en calidad
de funciones base las siguientes:
(t, s) = e
jst
, (t, s) = e
jst
(1.58)
para T (, ) y S (, ).
Por cuanto, para la funci on generalizada ocurre la siguiente relaci on lmite
lm
e
jst
ds = lm
2
sin t
t
= (t)
entonces, el par de funciones (1.58) cumple las restricciones (1.55) y (1.56), impuestas a los n ucleos
de base conjugados. El par ametro s caracteriza la frecuencia de cada funci on base, y usualmente, se
nota por alguna de las variables de frecuencia angular , o bien, de frecuencia lineal 2f.
Como se indica en el numeral 1.2.3, el conjunto de las series de Fourier permite representar, tanto
la se nal aperi odica en cualquiera de los puntos comprendidos en el intervalo de tiempo [t
i
, t
f
] como
las se nales peri odicas con perodo T. Sin embargo, para el caso en que las funciones aperi odicas
extiendan su representaci on a todo el eje del tiempo (, ) se obtiene, para cualquiera de los
coecientes del sistema (1.35), una indeterminaci on al reemplazar c
n
de (1.29).
La se nal x(t), denida en el intervalo nito de tiempo [t
i
, t
f
], se puede representar como una suma
de funciones exponenciales pero para todo el intervalo (, ) por medio de una nueva funci on
peri odica x
T
(t) con perodo T, que corresponde a la se nal x(t) repetida cada T segundos, como se
ilustra en la Figura 1.14. La se nal original puede obtenerse de nuevo haciendo T , es decir,
x(t) = lm
T
x
T
(t)
0
0
0
0
x(t)
x
T
(t)
T
T
2T 3T 4T
Figura 1.14. Representaci on peri odica de funciones
aperi odicas
La serie exponencial de Fourier que represen-
ta a la funci on x(t) es:
x
T
(t) =
n=
x
n
e
jn
0
t
,
donde
x
n
=
1
T
T/2
_
T/2
x
T
(t)e
jn
0
t
dt,
0
=
2
T
Debido a que T , entonces,
0
0.
Luego, antes de llevar al lmite, deben hacerse
los siguientes ajustes para que las componentes
x
n
no se hagan cero. En particular, se introducen
las siguientes notaciones:
= n
0
,
X(
n
)

= Tx
n
Entonces, las anteriores deniciones se convertir an respectivamente en:
x
T
(t) =
1
T
n=
X(
n
)e
jnt
,
X(
n
) =
T/2
_
T/2
x
T
(t)e
jnt
dt
La distancia entre las lneas adyacentes en el espectro de lnea, obtenida para la se nal lmite x
T
(t),
se nota por = 2/T, la cual se puede reemplazar en la anterior serie, as:
x
T
(t) =
n=
X(
n
)e
jnt
2
Al realizar la operaci on del lmite, cuando T , las lneas contiguas discretas del espectro
de x
T
(t) se acercan hasta formar un intervalo continuo de valores. La suma innita de la anterior
expresi on resulta en la integral ordinaria de Riemann, as que:
x(t) = lm
T
x
T
(t) = lm
T
n=
X(
n
)e
jnt
2
que se convierte en la expresi on conocida como la Transformada Inversa de Fourier:
x(t) =
1
2
X()e
jt
d

= F
1
X() (1.59)
De igual manera, se puede obtener la Transformada Directa de Fourier:
X() =
x(t)e
jt
dt

= F x(t) (1.60)
El par de transformadas (1.59) y (1.60) representa la se nal x(t) como una suma continua de fun-
ciones exponenciales cuyas frecuencias est an en el intervalo (, ). La amplitud relativa de los
componentes a cualquier frecuencia es proporcional a X().
Cabe anotar, que cuando la se nal x(t) representa voltaje, entonces, X() tiene las dimensiones de
voltaje por tiempo. Como la frecuencia tiene unidades de tiempo inverso, luego, puede considerarse
a X() como un espectro de densidad de voltaje o, en forma m as general, como la funci on densidad
espectral de x(t) (o simplemente FDE).
A cada se nal se le puede hallar su respectiva FDE por medio de la Transformada Directa de Fourier
dada en (1.60), cuyo sentido fsico queda claro de (1.59) para la TF inversa. En esta relaci on, el valor
de x(t) se puede calcular, aproximadamente, cambiando la integral por una sumatoria (m etodo de los
rect angulos [11]) de la siguiente manera:
x(t)

2
n=
X(n)e
jnt

2
_

n=
X(n) cos(nt) +j
n=
X(n) sin(nt)
_
(1.61)
La aproximaci on (1.61) muestra que cualquier se nal x(t) se puede representar mediante un conjun-
to innito de sinusoides y cosinusoides con frecuencias n con coecientes complejos, en forma
general. De la aproximaci on (1.61) se llega a la transformada de Fourier inversa haciendo 0.
Al interpretar las ecuaciones (1.59) y (1.60), teniendo en cuenta la forma obtenida en (1.61) se
puede decir que cada se nal es la suma de funciones exponenciales complejas, cuya parte real son
cosinusoides y la parte imaginaria son sinusoides con coecientes x(n) determinados por la trans-
formada de Fourier directa.
Por ultimo, cabe anotar que la funci on de densidad espectral de una se nal dada x(t) se puede vi-
sualizar representando gr acamente todo el conjunto de los respectivos coecientes X(n), repre-
sentados para el dominio .
Ejemplo 1.13. Determinar la FDE de la funci on pulso rectangular x(t) = a rect
(t).
Usando la TF (1.60), se obtiene:
X() =
a rect
(t)e
jt
dt = a
/2
_
/2
e
jt
dt
=
a
j
(e
j/2
e
j/2
) =
a sin(/2)
/2
X() = a sinc(/2).
Existencia de la transformada de Fourier. Si una se nal x(t) cumple las condiciones de Dirichlet
en cualquier intervalo de tiempo nito se puede demostrar la existencia de la Transformada de Fourier,
esto es, si se cumplen las condiciones descritas en el numeral 1.2.3, a partir del an alisis de la ultima
condici on, se puede decir que la transformada de Fourier se puede usar para representar unvocamente
cualquier se nal real de energa. Estas condiciones son tambi en sucientes para la convergencia de las
series de Fourier en la representaci on de cualquier se nal de potencia en el intervalo de tiempo (0, T).
Transformada de Fourier de se nales peri odicas. La funci on x
T
(t) peri odica con perodo T puede
expresarse por su serie exponencial de Fourier:
x
T
(t) =
n
x
n
e
jn
0
t
, donde
0
=
2
T
.
Tomando la TF directa en la ultima ecuaci on
Fx
T
(t) = F
_
n
x
n
e
jn
0
t
_
Si se tiene en cuenta la linealidad (1.4) de la transformada de Fourier, entonces:
Fx
T
(t) =
n
x
n
F
_
e
jn
0
t
_
Adem as,
F
1
(
0
) =
1
2
(
0
)e
jt
d =
1
2
e
j
0
t
,
luego, transformando ambos lados de la ultima ecuaci on, se tiene
F
_
F
1
(
0
)
_
=
1
2
Fe
j
0
t
o intercambiando t erminos,
Fe
j
0
t
= 2FF
1
(
0
) = 2(
0
)
entonces,
Fx
T
(t) =
n
x
n
F
_
e
jn
0
t
_
= 2
n
x
n
(
0
),
Es decir, la FDE de una se nal peri odica consiste en la sumatoria de un conjunto de funciones
impulsos, multiplicados cada uno por el coeciente 2 y localizados en las frecuencias arm onicas.
Propiedades de la TF
(a). Linealidad. Sea X
n
() = F x
n
(t), entonces
F
_
n
a
n
x
n
(t)
_
=
n
a
n
X
n
(), a
n
= const. (1.62)
(b). Conjugada compleja.
Fx
(t) = X
()
(c). Simetra. Sea
x(t) = x
T
(t) +jx
.
(t)
siendo F x
T
(t) = X
T
() y F x
.
(t) = X
.
(). Teniendo en cuenta la propiedad de
linealidad (1.62), se obtiene, entonces, X() = X
T
() +jX
.
().
(d). Dualidad. Sea F x(t) = X(), entonces (Figura 1.15)
FX(t) = 2x()
(e). Escala de coordenadas. Figura 1.16
Fx(t) =
X(/)
[[
(1.63)
(f). Desplazamiento en el tiempo (retardo).
Fx(t t
0
) = X()e
jt
0
(1.64)
0
0
0
0
0
0
0
0
x(t) X()
X(t) x()
max

max
t
t
Figura 1.15. Propiedad de dualidad de la TF

0
0 t
t
x(t)
X()
x(t)
X(/)
[[
Figura 1.16. Propiedad de escala de la TF
(g). Desplazamiento de frecuencia (modulaci on).
Fx(t)e
j
0
t
= X(
0
)
Por cierto, a la funci on (t) desplazada en el tiempo t
0
le corresponde:
F(t t
0
) =
(t t
0
)e
jt
dt = e
jt
0
Si t
0
= 0, entonces, F (t) = 1.
En caso de tener solamente la parte real,
Fx(t)1e
j
0
t
= Fx(t) cos(
0
t) = F
_
x(t)
_
e
j
0
t
+e
j
0
t
2
__
,
usando la propiedad de desplazamiento de frecuencia se obtiene:
F
_
x(t)1e
j
0
t
_
=
1
2
(X( +
0
) +X(
0
))
(h). Diferenciaci on.
F
_
d
dt
x(t)
_
= jX() (1.65)
(i). Integraci on.
F
_
_
_
t
_
x()d
_
_
_
=
1
j
X() +X(0)() (1.66)
donde X(0) =
x(t)dt.
(j). Relaci on de Parseval. El reemplazo de (1.58) en (1.57) muestra que la base de Fourier es auto-
conjugada, por lo que teniendo en cuenta el problema 1.24, se obtiene la relaci on,
X, Y ) = x, y)
que establece la dualidad tiempo-frecuencia. En el caso, cuando x = y, entonces se obtiene,
X()X
()d =
1
2
[X()[
2
d = 2
x
2
(t) dt = c
x
(1.67)
Funci on densidad espectral de potencia. Describe la distribuci on de la potencia en funci on de la
frecuencia y es importante para el an alisis de las se nales de potencia:
S
x
() = lm
T
[X
T
()[
2
T
0 (1.68)
donde x(t) se supondr a que es nita en el intervalo (T/2, T/2) y X
T
() = Fx(t) rect(t/T).
Para el caso de las funciones peri odicas se obtiene:
S
x
() = 2
n
[x
n
[
2
( n
0
).
La densidad espectral de potencia de una funci on peri odica es la serie de funciones impulso cuyos
coecientes de peso corresponden a la magnitud de los respectivos coecientes de la serie de Fourier.
1.3.2. Extensiones del an alisis espectral de Fourier
Espectros de mayor orden. El espectro X() obtenido puede ser otra vez sometido al an alisis
espectral, con lo cual, se genera un nuevo espectro o espectro de segundo orden de x(t),
x(t) Fx(t) = X() FFx(t)
que ha encontrado aplicaci on en estudios de se nales que revelan rasgos de periodicidad en el espectro
principal X(). Como ejemplos se pueden tomar los siguientes pares de funciones - im agenes:
rect(t) sinc(/2), (t) sinc
2
(/2), (t) 1.
que son indenidamente alternados, pero incrementando las respectivas ordenadas. En forma general,
para cualquier funci on x(t) se encuentra que la aplicaci on reiterante de la transformada de Fourier es
de perodo 4, separada de un factor constante, as,
x(t) X() 2x(t) 2X() (2)
2
x(t)
Cuando se tiene que x(t) es par, x(t) = x(t), entonces, el perodo es 2. Aunque, el procedimiento
puede continuarse para ordenes mayores a 2, su interpretaci on no es f acil o util.
An alisis cepstral. Los sistemas homom orcos, aunque son no lineales en el sentido convencional,
satisfacen el principio de superposici on, esto es, las se nales de entrada y sus correspondientes res-
puestas se superponen mediante alguna operaci on que tiene las mismas propiedades algebraicas de la
suma:
K x
1
+x
2
=K x
1
+K x
2
K cx
1
=cK x
1
Aunque el an alisis homom orco de se nales se puede generalizar a un sinn umero de operaciones,
en la pr actica, se ha desarrollado la representaci on referida a las operaciones comunes de proceso de
multiplicaci on y convoluci on. En el primer caso de homomorsmo multiplicativo, sean dos se nales
que se multiplican en la forma,
x() = (x
1
())
(x
2
())
, x
i
(t) = [x
i
(t)[ exp(j arg(x
i
(t))) C, i = 1, 2 (1.69)
tales que se cumpla la propiedad
K x() = K (x
1
()) +K (x
2
())
Una funci on que formalmente cumple esta propiedad corresponde a la logartmica compleja,
log (x(t)) = log (x
1
(t) x
2
(t)) = log (x
1
(t)) + log (x
2
(t))
que implica
log ([x(t)[) = log [x
1
(t)[ + log [x
2
(t)[
arg (x(t)) = arg (x
1
(t)) + arg (x
2
(t))
El c alculo del argumento en la ultima expresi on genera ambig uedad, en la medida en que el desfase
es peri odico, motivo por el cual, la transformaci on homom orca se restringe a se nales no negativas,
para las cuales se puede asumir que arg (x(t)) = 0. Por lo tanto, dada la entrada en la forma (1.69),
la respectiva salida de la operaci on de logaritmo compleja es,
x(t) = x
1
(t) + x
2
(t) , x
i
(t) = log (x
i
(t))
El anterior resultado de homomorsmo multiplicativo se puede emplear para la operaci on de con-
voluci on, teniendo en cuenta la propiedad de la transformada de Fourier (1.83),
F x(t) = F x
1
(t) F x
2
(t)

X () = log (X
1
() X
2
())
= log (X
1
()) + log (X
2
())
La condici on de transformadas positivas, X
i
() 0, se asegura al emplear no la densidad espectral
de energa, sino una magnitud derivada de la densidad de potencia (1.68), a partir de la cual se dene
el cepstro para la se nal x(t) como [12]:
x(t) =
1
2
log [X()[e
jt
d (1.70)
asumiendo la paridad de la funci on x(t), entonces, esta propiedad se extiende a la densidad [X()[ y,
por lo tanto, a la funci on log [X()[. De esta manera, la denici on (1.70) se escribe como:
x(t) =
1
_
0
log [X()[ cos td
El an alisis cepstral se emplea en casos en que se tenga un car acter oscilatorio signicativo en el
espectro, por ejemplo, el an alisis de los par ametros de fuentes ssmicas (oscilaciones debidas a fuentes
nitas y a m ultiples eventos), el an alisis de reverberaci on e interferencia en aplicaciones de audio.
Transformada de Hartley (TH). Se dene por el par de ecuaciones [13]:
H(f) =
x(t) cas(2ft)dt (1.71a)

x(t) =
H(f) cas(2ft)df (1.71b)

donde cas() = cos() + sin().
La ecuaci on (1.71a) es la forma analtica de la Transformada de Hartley directa, mientras la ex-
presi on (1.71b) es la Transformada inversa, usada para representar la funci on de frecuencia en el
tiempo. Estas ecuaciones son similares a la transformadas directa e inversa de Fourier dadas en (1.59)
y (1.60). La diferencia fundamental de estas dos transformadas es que la parte real cas() reemplaza
en la transformada de Hartley el respectivo t ermino exponencial complejo e
j2ft
en el par de TF.
Sea H(f) = H
p
(f) +H
i
(f), las partes par e impar, respectivamente de la TH, denidas como:
H
p
(f) = (H (f) +H (f))/2 =
x(t) cos 2ftdt (1.72a)

H
i
(f) = (H (f) H (f))/2 =
x(t) sin 2ftdt (1.72b)

La expresi on (1.72a) se conoce como la Transformada cosenos de Fourier, mientras la expresi on
(1.72b) es la Transformada senos de Fourier. Del par de anteriores ecuaciones se tiene que,
H
p
(f) H
i
(f) =
x(t) (cos (2ft) j sin (2ft)) dt =
x(t) exp (j2ft) dt

= X ()
As mismo, se puede demostrar que H (f) = 1X (f) X (f).
Ejemplo 1.14. Hallar la Transformada de Hartley para la funci on rect(t 1/2).
En este caso se tiene que,
H (f) =
rect (t 1/2) cas (2ft) dt =

1
_
0
cas (2ft) dt
=
1
2f
(sin(2ft) cos (2ft))
1
0
=
1
2f
(sin (2f) cos (2f) + 1)
El espectro de Hartley se muestra en la Figura 1.17 (con lnea continua), en la cual, para la
comparacion se muestra las parte real ( ) e imaginaria () de la TF, para la misma se nal.
3 2 1 0 1 2 3
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
H(f)
f
Figura 1.17. TH (lnea continua), parte real de la TF ( ) y parte imaginaria TF ()
Transformada enventanada de Fourier. En la pr actica, es usual el empleo de los m etodos de an ali-
sis de intervalos cortos de tiempo, en los cuales la se nal en estudio se procesa sobre intervalos de-
nidos de tiempo nito con longitud T
a
o apertura, como si en cada uno de ellos tuviese propiedades
estadsticas independientes:
y () =
K x(t) w( t) dt, t T
a
(1.73)
donde x(t) corresponde a la se nal de informaci on, w(t) es la funci on de peso o funci on ventana que se
centra respecto a la apertura T
a
escogida, de tal manera, que facilite la extracci on de informaci on util,
K es la transformaci on a la cual se somete la se nal original, que com unmente emplea la transformada
de Fourier o An alisis de Tiempo Corto con empleo de la Transformada de Fourier (TCTF).
La transformada de Fourier entrega el contenido espectral de la se nal x(t), pero no puede dar
informaci on que relacione cada componente de frecuencia con su localizaci on exacta en el tiempo.
Una forma de localizaci on en el tiempo se obtiene empleando el procedimiento de la TCTF.
En general, una ventana real y sim etrica w(t) = w(t) se traslada en el valor de desplazamiento b
y modula a la frecuencia s, para obtener el atomo de tiempo-frecuencia de la TCTF:
w
s,b
(t) = w(t b)e
jst
(1.74)
donde | w |= 1, tal que | w
s,b
|= 1 para cualquier s, b L
2
(T). En la pr actica, se disponen de
diversas funciones ventana, entre las cuales est an: Blackman, Hamming, Gaussiana, representadas en
la Figura 1.18(a), que se analizan con detalle en el numeral 4.3.2.
0
0
w(t)
T
(a) Ventanas Blackman (), Hamming ( ) y
Gaussiana ()
0
0
s
[ v(s) [
2
(b) Espectrograma de se nal de ECG
Figura 1.18. Transformada enventanada de Fourier
La transformada lineal de tiempo-frecuencia relaciona la se nal con una familia de formas de onda
que tienen su energa concentrada en regiones angostas, tanto en el tiempo, como en la frecuencia;
estas formas de onda son los atomos de tiempo-frecuencia [14], por lo que la transformada enventa-
nada de Fourier de x L
2
(R), teniendo en cuenta (1.74), est a dada por el siguiente producto interno
(1.15) denido en L
2
(R):
v(s) = x, w
s,b
) =
_

x(t)w(t b)e
jst
dt (1.75)
La correspondiente densidad de la energa de la se nal x(t) en el plano tiempo-frecuencia se obtiene
calculando el espectrograma, representado en la Figura 1.18(b):
[ v(s) [
2
=
_

[ x(t)w(t b)e
jst
[
2
dt (1.76)
La expresi on (1.76) mide la energa de la se nal x(t) en la vecindad de (s, b) [14].
Generalizaci on de la TF - Transformada de Laplace. El an alisis de algunas se nales x(t), me-
diante la transformada de Fourier (1.59), se diculta en la medida en que no cumplen la condici on
d ebil de Dirichlet (1.38), esto es, no son absolutamente integrables. En este caso, se puede hallar la
convergencia, si la se nal se multiplica por una funci on que acote los valores extremos, por ejemplo,
por una curva exponencial del tipo, e
ct
, en la cual la constante c > 0 se escoge de tal manera que
asegure la condici on de integrabilidad absoluta del producto x(t)e
ct
, entonces, la densidad espectral
de potencia (1.59) toma la forma,
X (, c) =
_
x(t) e
ct
_
e
jt
dt
Sin embargo, para asegurar la convergencia de la anterior integral, se debe tomar la se nal ajustada
sobre el dominio del tiempo, x(t)u(t), tal que para valores t < 0, su aporte sea 0. De otra manera,
el factor de multiplicaci on e
ct
puede conllevar a la divergencia de la integral. Por lo tanto, el lmite
inferior de la anterior densidad espectral de Fourier acotada siempre es 0, esto es,
X (, c) =
_
0
_
x(t) e
ct
_
e
jt
dt =
_
0
x(t) e
(c+j)t
dt = X (c +j) (1.77)
Si se halla la TF inversa de la densidad espectral X (c +j) se obtiene
1
2
X (c +j) e
jt
d = x(t) e
ct
As mismo, si ambas partes de la integral anterior se multiplican por e
ct
, juntando los factores de
multiplicaci on exponencial y haciendo el cambio de variable c +j, entonces,
1
2j
c+j
_
cj
X (c +j) e
(c+j)t
d (c +j) = x(t)
En la pr actica, es usual el empleo de la notaci on p = c+j, luego, la anterior integral y la densidad
(1.77) conforman el par de Transformadas de Laplace (TL),
_
0
x(t) e
pt
dt = X (p) L x(t) (1.78a)
1
2j
c+j
_
cj
X (p) e
pt
dp = x(t) L
1
X (p) (1.78b)
De (1.78b), se observa que la TL inversa se realiza mediante la integraci on en el plano complejo
p sobre toda la recta vertical c = const. Tambi en es claro, que el reemplazo de p = j conduce
directamente a la transformada de Fourier. Por lo tanto, todas sus propiedades tienen lugar para la TL.
Ejemplo 1.15. Hallar la transformada de Laplace de la funci on escalon unitario u(t).
Si se analiza la FDE (1.60), entonces se obtiene,
U () =
u (t) e
jt
dt =
_
0
e
jt
dt =
e
jt
j
0
=
1
j
_
1 lm
t
e
jt
_
Sin embargo, e
jt
, cuando t no converge a ning un valor, y por lo tanto, la densidad es
indeterminada. La razon esta en que la funci on u(t) no cumple las condiciones de Dirichlet.
En el caso de la transformada de Laplace (1.78a), X (p) = L x(t), se puede demostrar que,
L
_
dx
dt
_
= pX (p) x(0
+
) (1)
donde x(0
+
) es el valor de la se nal en t 0, que sea innitamente cercano por la derecha. En ese
sentido, la funci on escalon unitario se puede representar como la derivada de la se nal rampa, tal
que, x
2
(t) = ktu (t) = u (t) du/dt, para la cual se obtiene la transformada, X (p) =
_
0
kte
pt
dt.
Integrando por partes, haciendo v = kt, dv = kdt y dw = e
pt
dt, entonces, w =
e
pt
p
:
X (p) =
e
pt
p
kt +
_
0
e
pt
p
kdt =
e
pt
p
kt +
k
p
_
e
pt
p
_
0
= 0
_
0
k
p
2
_
=
k
p
2
Luego, teniendo en cuenta la transformada de la derivada de una funci on (1):
L u (t) = pX
2
(p) u (0
+
) = p
k
p
2
=
k
p
Finalmente, la densidad espectral de energa buscada, al reemplazar p por j, se obtiene igual
a U () =
k
j
.
1.3.3. Transformada de Walsh
Ambos conjuntos de funciones, pares (1.48b) e impares (1.48a), que componen las series de Walsh se
pueden generalizar al multiplicar el ordinal k por un valor R, tal que exista el valor lmite
= lm
,k
k/
con lo cual se obtiene el sistema base continuo (s, t) conformado por las funciones generalizadas de
Walsh wal(, ), < < , < < [9]. En particular, asumiendo > 0, entonces el
par de transformadas Walsh-Fourier se determinan as [15]:
a
c
() =
x() cal(, )d, b

s
() =
x() sal(, )d, (1.79a)

x() =
_
0
(a
c
() cal(, ) +b
s
() sal(, )) d (1.79b)
Cabe anotar las siguientes propiedades de simetra en las funciones de Walsh:
cal(, ) = cal(, ), sal(, ) = sal(, ).
con lo cual, en el intervalo
1
2
<
1
2
y para i = 1, 2, . . ., se tienen las siguientes relaciones:
cal(, ) = wal(0, ) = 1, 0 < 1
cal(, ) = cal(i, ), i < i + 1
sal(, ) = sal(i, ), i 1 < i
Por lo tanto, dada una funci on x() limitada en el tiempo, tal que sea 0 fuera del intervalo denido
como
1
2
<
1
2
, luego, la transformada Walsh-Fourier se reduce a la siguiente forma:
a
c
() = a
c
(0) =
1/2
_
1/2
x()d 0 < 1
a
c
() = a
c
(i) =
1/2
_
1/2
x() cal(i, )d, i < i + 1
a
s
() = a
s
(i) =
1/2
_
1/2
x() sal(i, )d, i 1 < i
Mientras, la transformada inversa de Walsh-Fourier est a dada por la expresi on:
x() = a
c
(0)wal(0, ) +
i=1
(a
c
(i)cal(i, ) +a
s
(i)sal(i, ))
Ejemplo 1.16. Calcular el s-espectro del problema (1.21) para un pulso rectangular de altura
2
m
y apertura 1/2
m
.
Del sistema (1.79a) y (1.79b), se tiene que la transformada directa Walsh-Fourier es:
a
c
() =
_
1, 0 < 2
m1
0, 2
m1
b
s
() =
_
1, 0 < 2
m1
0, > 2
m1
1.3.4. Integral de convoluci on
Nuevos sistemas bases se pueden formar a partir del desplazamiento en el tiempo de un sistema base
original. Por ejemplo, si se analiza el siguiente caso particular,
(s, t) = (t s) (1.80)
de tal manera, que el sistema base es funci on de una sola variable, correspondiente a la diferencia
(t s), adem as, considerando T, S (, ), entonces, la se nal original corresponde a la integral:
x(t) =
v(s)(s t)ds

= v(t) (t) (1.81)
denominada la integral de convoluci on, cuyas principales propiedades son las siguientes:
(a). Conmutaci on
x
m
(t) x
n
(t) = x
n
(t) x
m
(t)
(b). Distribuci on
x
k
(t) (x
m
(t) +x
n
(t)) = x
k
(t) x
m
(t) +x
k
(t) x
n
(t)
(c). Asociaci on
x
k
(t) (x
m
(t) x
n
(t)) = (x
k
(t) x
m
(t)) x
n
(t)
(d). Convoluci on en el tiempo. Sea Fx
i
(t) = X
i
();
F x
m
(t) x
n
(t) = X
m
()X
n
() (1.82)
(e). Convoluci on en la frecuencia
F x
m
(t)x
n
(t) =
1
2
(X
m
() X
n
()) (1.83)
(f). Convoluci on con la funci on impulso
x(t) (t t
0
) = x(t t
0
)
Por cierto, (t
1
) (t
2
) = (t
1
2
).
Finalmente, se puede demostrar que:
d
dt
(x
m
(t) x
n
(t)) = x
m
(t)
d
dt
x
n
(t) =
d
dt
x
m
(t) x
n
(t)
El n ucleo conjugado, en caso de existir, se puede hallar mediante el c alculo de la transformada de
Fourier para (1.81), que al tener en cuenta (1.82) se obtiene:
X(f) = V (f)(f)
luego, V (f) = (f)X(f), donde (f) = 1/(f). Por lo tanto, el n ucleo conjugado tambi en depen-
de de la diferencia de argumentos
v
x
(s) =
x(t)(t s)dt (1.84)

En calidad de ejemplo concreto, en (1.80) se puede analizar la funci on base
(t s) = (t s)
entonces (f) = (f) = 1, luego
v
x
(s) =
x(t)(t s)dt = x(s) (1.85)

En otras palabras, la funci on original en el tiempo puede ser representada por s misma.
Ejemplo 1.17. Sea v(t) = au(t) sin t y (t) = (t) (t t
0
). Hallar x(t) = v(t) (t).
El desarrollo de (1.81) resulta en:
x(t) =
(au() sin ) ( (t ) (t t
0
)) d
= (a sin(t))u(t) (a sin ((t t
0
))) u(t t
0
)
x(t) =
_
_
_
0, t < 0
a sin t, 0 < t < t
0
0, t > t
0
1.3.5. Transformada de Hilbert
Otro caso de an alisis de conformaci on de funciones base por desplazamiento, por el principio (1.80),
corresponde al n ucleo de la forma,
(t s) =
1
(t s)
De otra parte, sea la funci on determinada en f para la cual se cumple que,
G(f, ) =
_
e
f
, f > 0
e
f
, f < 0
cuya transformada inversa de Fourier corresponde a la expresi on
F
1
G(, f) =
_
0
e
f
e
j2ft
df
0
_
e
f
e
j2ft
df =
j4t
2
+ (2t)
2
= g(a, t)
Si se considera el lmite de 0, esto es,
lm
0
g(, t) =
j
t
luego
(f) = F (t) = jF
_
lm
0
g(, t)
_
= j lm
0
G(f, ) = j sgn(f)
entonces, de (1.57) la base conjugada es (f) = j sgn(f), que le corresponde la representaci on en
el tiempo
(s t) =
1
(s t)
El par que obtiene de transformadas se denomina Transformada de Hilbert, cuya transformada
directa es notada tpicamente de la forma x(s) y que se describe como
x(s) =
1
x(t)
s t
dt = x(t)
1
t
(1.86a)
x(t) =
1
x(s)
s t
ds = x(s)
1
s
(1.86b)
Cabe anotar que las transformadas (1.86a) y (1.86b) presentan un punto especial y exigen la deni-
ci on de las respectivas integrales en el sentido del valor principal de Cauchy.
De otra parte, la relaci on entre el par de transformadas de Fourier y el par de transformadas de
Hilbert se determina de la siguiente manera
X(f) = F x(s) = j sgn(f)X(f) (1.87a)

X(f) = F x(s) = j sgn(f)

X(f) (1.87b)
En an alisis de se nales, se dene la se nal analtica compleja z(t):
z(t) = x(t) +j x(t)
que de acuerdo con (1.87a) y (1.87b), posee la transformada unilateral de Fourier
Z(f) = F
u
z(t) =
_
2X(f), f > 0
0, f < 0
Ejemplo 1.18. Representar una se nal en el tiempo mediante un conjunto base de exponenciales
desplazados en el tiempo, descritos en la forma,
(t s) = e
a|ts|
, a > 0
Por cuanto,
(f) =
2a
(2)
2
+a
2
entonces, se obtiene,
(f) =
a
2
_
1
1
a
2
(j2f)
2
_
(t) =
a
2
_
(t)
1
a
2
(t)
_
De esta manera, a la base analizada le corresponde el par de transformadas:
x(t) =
v (s) e
a|ts|
ds
v (s) =
a
2
_
x(s)
1
a
2
x(s)
_
Una siguiente forma de construcci on de una base, a partir de una se nal dada, consiste en su continuo
cambio de escala o dilataci on.
Sea
(t, s) = (st) (1.88)
siendo s > 0 el par ametro de escala, de tal manera que si s > 1, la escala se comprime mientras que
para s < 1 la escala se expande. Si T, S [0, ) se puede demostrar que el par de transformadas
generalizadas resultantes ser a [10]:
x(t) =
_
0
v
x
(s)(st)ds, t 0
v
x
(s) =
_
0
x(t)(st)dt, s 0
1.3.6. Transformada wavelet
Una funci on wavelet corresponde al tipo de funciones base que tienen su energa concentrada en
intervalos cortos, tanto de tiempo, como de frecuencia. La funci on wavelet madre (t) L
2
(R)
es la funci on, para la cual sus versiones trasladadas (1.80) y escaladas (1.88) forman el conjunto de
funciones base en la representaci on wavelet.
Una funci on wavelet madre, con TF F(t) = (), cumple las siguientes restricciones [16,17]:
Valor medio igual a cero,
(t)dt = 0
esto es, (0) = 0, lo cual implica que la wavelet debe tener al menos una oscilaci on.
Norma energ etica nita, en concordancia con (1.1):
[ (t) [
2
dt < , L
2
(R)
Condici on de Admisibilidad. Para las funciones cuadr aticas integrables se cumple que:
C
= 2
_
R
[(k)[
2
[k[
1
dk < , (1.89)
La constante C
se denomina constante de admisibilidad y depende del tipo de funci on wavelet

escogida, as por ejemplo, para el caso de la funci on madre denominada sombrero mexicano,
(t) = (1 t
2
) exp(t
2
/2), el valor de la constante es igual a .
La condici on (1.89) puede ser utilizada, tanto para analizar, como para reconstruir una se nal
sin p erdida de informaci on e implica que la TF de (t) se desvanece en la frecuencia cero,
[()[
2
[
=0
= 0, esto es, las wavelets deben tener un espectro en forma pasabanda.
La densidad (1.52) para el caso de la transformada wavelet (Tw) se obtiene a partir de la repre-
sentaci on de la se nal tomando los atomos de tiempo-frecuencia
a,b
, denidos en la forma de la
versi on trasladada y escalada de la wavelet madre , de la siguiente manera:
a,b
(t) =
1
_
t b
a
_
(1.90)
donde a R
+
es el par ametro de escala y b R es el par ametro de traslaci on. El factor de mul-
tiplicaci on a
1/2
es escogido de tal manera, que todas las funciones wavelet del sistema tengan una
norma constante (unitaria) en el espacio L
2
(R), es decir, que se cumpla |
a,b
|
L
2
= ||
L
2 = 1, que
corresponde a la norma energ etica denida en (1.16).
Teniendo en cuenta la densidad (1.52) y los atomos (1.90), la representaci on integral mediante las
funciones base wavelet o Transformada Wavelet Continua de una funci on x(t) se dene como:
W
a,b
x(t) x,
a,b
) =
x(t)
1
_
t b
a
_
dt (1.91)
La se nal original se reconstruye, de acuerdo a (1.53), de la forma
x(t) =
1
C
_
0
x,
a,b
)
a,b
(t)
dbda
a
2
(1.92)
Es de anotar, que el par de transformadas wavelet (1.91) y (1.92) se puede expresar mediante la TF:
W
a,b
x(t) = a
1/2
(ak) X (k) e
jbk
dk (1.93a)
X (k) = C
1
_
0
a
1/2
(a, k) W
a,b
x(t) e
jbk
dbda
a
2
(1.93b)
En la Tw continua, se cumple la relaci on an aloga a la igualdad de Parseval:
x
m
(t) x
n
(t)dt = C
1
_
0
W
a,b
x
m
(t) W
a,b
x
n
(t)
dbda
a
2
en la cual, particularmente, se muestra el principio de la conservaci on de la energa.
De las expresiones (1.93a) y (1.93b), se observa que la Tw continua transforma de forma isom etrica
el espacio de las se nales, con dimensi on unica, al espacio wavelet de 2 dimensiones X : L
2
(R) W:
L
2
(R R
+
), y por lo tanto, la informaci on contenida en los componentes (densidad) wavelet tiene
car acter redundante. Como consecuencia de esta propiedad, se tiene que la Tw continua de una se nal
aleatoria muestra una correlaci on, que en la se nal original no existe, pero que se presenta en la misma
transformada. Esta es, tal vez sea una de las mayores desventajas de la Tw en el an alisis estadstico de
se nales, que puede conllevar a la interpretaci on incorrecta de los resultados de la descomposici on.
La localizaci on espacial y de escala de una funci on wavelet implica la conservaci on de la ca-
pacidad de localizaci on en el espacio de los componentes wavelet. Sea una funci on localiza-
da en el intervalo de espacio t para a = 1, entonces los componentes wavelet, que correspon-
den a la ubicaci on t
0
, se concentran en el denominado cono de incidencia: [t
0
(at)/2, t
0
+
(at)], que corresponde a la regi on espacial de localizaci on de todas las funciones wavelet ex-
pandidas en el punto t
0
. Adem as, si la funci on dada est a bien localizada en el intervalo k del
espacio de Fourier en la cercana de k
, siendo a = 1, entonces los componentes wavelet, que cor-

responden a la frecuencia (espacio de Fourier) k
0
en la se nal, se contendr an en el ancho de banda
[k
(k
0
+ (k/2a))
1
, k
(k
0
(k/2a))
1
].
En analoga con el espectro de Fourier, en el cual la energa c
x
(k) = [[X(k)[[
2
, se puede determinar
la respectiva norma energ etica en forma del espectro wavelet integral que pueda denirse como la
energa contenida en todos los componentes wavelet de un coeciente de escala a dado:
x
(a, b) =
_
[W
a,b
x(t)[
2
dt (1.94)
La expresi on (1.93a) enlaza el espectro de Fourier con el espectro wavelet integral:
x
(a, b) a
_
c
x
(k) [(ak)[
2
dk (1.95)
De la expresi on (1.95), se deduce que el espectro wavelet es una versi on suavizada del espectro de
Fourier. El car acter del suavizado se deduce de la transformada de Fourier de la wavelet.
La norma (1.94) tiene el mismo comportamiento asint otico que el del respectivo espectro de Fourier.
As, si el espectro de Fourier sigue una dependencia exponencial del tipo c
x
(k) k
, por cuanto k
1/a, entonces el espectro wavelet integral tendr a la misma dependencia exponencial: c
x
(a) a
.
Entonces, se observa que los componentes wavelet contienen la informaci on, tanto de la se nal en
an alisis, como de la funci on wavelet empleada. Por lo tanto, la selecci on o sntesis de la transformada
y de la adecuada funci on wavelet madre es la tarea m as importante en el empleo de la Tw, y depende
del tipo de informaci on contenida en la se nal original, as como de la orientaci on de su proceso.
Comparaci on de la Tw con la Transformada de Fourier. Realmente, el an alisis wavelet surge
como una necesidad de suplir toda la falencia presentada en el proceso de se nales con la TF. Aunque
es importante conservar las posibilidades y particularidades de cada una de las transformadas.
La transformada de Fourier no pierde la informaci on sobre la funci on en an alisis x(t). Sin embargo,
debido a la falta de localizaci on de las funciones base trigonom etricas, esta informaci on se dispersa
sobre toda la representaci on espectral X(k). As por ejemplo, si la perturbaci on tiene estructura si-
milar a la informaci on util, y por lo tanto, ambas formas de representaci on espectral se traslapan,
entonces, es pr acticamente imposible diferenciar los componentes de Fourier en cada uno de los casos
(perturbaci on o se nal util).
El an alisis de las funciones suaves con la transformada de Fourier es usual, pero cuando se tienen
funciones suaves, que incluyan singularidades (cambios abruptos, ancos con pendientes fuertes, etc.),
al calcular la TF se tienen problemas de convergencia, por ejemplo, aparecen las oscilaciones de Gibbs
descritas en el numeral 1.2.3. La dicultad en la ubicaci on de las singularidades est a relacionada con
los valores de fase de las componentes espectrales de Fourier. Por cierto, la unica posibilidad de
determinar la ubicaci on de la singularidad es mediante la reconstrucci on de x(t) a partir de X(k).
As por ejemplo, si se considera un espectro con dependencia exponencial k
, que muestra una

irregularidad global de la funci on con m aximo exponente de singularidad igual a , en este caso, se
pierde la informaci on importante de que x(t) es suave en casi en todo el intervalo de an alisis, excepto
en los puntos de singularidad. Si esos puntos de singularidad tienen car acter aleatorio (generalmente,
condicionados por ciertos problemas en la medici on), entonces es imposible ltrarlos, por cuanto sus
valores inuyen en todos los componentes espectrales.
De otra parte, la transformada de Fourier no tiene en cuenta, que cualquier componente espectral
de la se nal puede evolucionar en el tiempo. La TF, por ejemplo, no podra diferenciar una se nal sin
modular compuesta de dos componentes b asicas espectrales, de una se nal modulada por frecuencia y
fase continua pero que vare los mismos dos valores de frecuencia.
La diferencia b asica entre la Tw y la TCTF dada en (1.73), que corresponde a la implementaci on
pr actica de la TF, radica en la forma de an alisis de las respectivas funciones atomos. En el caso de
la TCTF, los atomos w
s,b
(1.75) se derivan de una misma funci on envolvente w, trasladada adecua-
damente, pero conservando las oscilaciones de alta frecuencia. Adem as, independiente del valor de
s, estas poseen la misma apertura de ventana. El algoritmos de c alculo discreto de la TCTF, por ser
de banda constante, requiere la transformaci on del dominio del tiempo al dominio de la frecuencia
usando la transformada discreta (3.16b) para el caso de Fourier, que genera los respectivos coecien-
tes para frecuencias a igual separaci on, esto es, el ancho de banda para cada t ermino espectral es el
mismo.
La extracci on de informaci on con valores r apidos de cambio en el tiempo, que implican altos valores
de frecuencia, se debe realizar sobre intervalos peque nos y muy bien focalizados de tiempo, y no
sobre todo el intervalo de denici on de la se nal en an alisis. Viceversa, las componentes bajas de
frecuencia implican intervalos amplios de an alisis en el tiempo. En la TCTF, este problema se resuelve
parcialmente empleando las transformada enventanada dada en (1.75). Sin embargo, en este caso, la
resoluci on espacial, para cualquiera que sea la escala a, es constante y est a limitada por la apertura T
a
que abarca la ventana.

t

t
`
`
`
`

`
.................. ..
....................
.......................

.
`
k
t
k
k
t
t
t
k
k
t
k
t
1
t
2
k
2
k
1
k
t
3
(a) (b)
(c) (d)
Figura 1.19. Divisi on del espacio de fase
(t k) para diferentes transformadas
En el caso de la transformadas wavelet, las
funciones base tienen una resoluci on de espa-
cio (t/a) que disminuye con el aumento del
factor de escala a, y que aumenta con el va-
lor de escala de resoluci on del espacio de fre-
cuencia (ak). De esta manera, la Tw brinda un
compromiso optimo, desde el punto de vista del
principio de indeterminaci on y ajusta su resolu-
ci on a la velocidad de la informaci on, tanto para
los cambios lentos, como para los cambios r api-
dos de la se nal en el tiempo, como se muestra
en la Figura 1.19, en la cual se observa la loca-
lizaci on tiempo-frecuencia para las transforma-
das: a) Shannon (con funci on base y discreti-
zaci on uniforme), b) Fourier, c) Fourier con ven-
tana Gabor y d) wavelet.
Como resultado, en el caso de la Tw, el ancho
de banda espectral se puede variar y, por lo tanto, ajustar. Esta propiedad de la transformada wavelet,
es tal vez la ventaja m as signicativa que presentan frente a la TF en el procesamiento de se nales.
A diferencia de la transformada de Fourier, la Tw conserva la capacidad de localizaci on de las
se nales en su reconstrucci on, lo que permite el an alisis localizado de procesos en intervalos denidos
de tiempo. As mismo, se puede reconstruir una parte de la se nal o extraer el aporte de alguna escala
en particular. Se puede considerar que existe relaci on entre el comportamiento localizado de la se nal y
la capacidad de localizaci on de las componentes de la Tw, entendiendo esta propiedad como el hecho
de que en la reconstrucci on de parte de la se nal, sean necesarios las componentes Tw que pertenecen
solamente a la correspondiente area del espacio de la transformada (el cono de incidencia). De esta ma-
nera, si la funci on x(t) es localmente suave, los correspondientes componentes Twser an relativamente
peque nos, en cambio, si x(t) contiene una singularidad, los respectivos componentes Tw crecer an
signicativamente, pero solo en la vecindad de la singularidad. En caso de tener perturbaciones que
afecten los componentes Tw, la reconstrucci on de la se nal estar a afectada de manera local en el tiempo,
justo cuando se present o la perturbaci on y no sobre toda la se nal reconstruida, como ocurre con la TF.
Finalmente, cabe anotar que la TF presenta alta sensibilidad a errores de fase, debido a la interposi-
ci on secuencial de las bases trigonom etricas, lo cual no ocurre en la transformada wavelet. M as a un,
en la Tw continua se pueden corregir los errores de fase por su car acter redundante.
Problemas
Problema 1.24. Sean las densidades vi(s). i = 1, 2, correspondientes a las se nales xi(t). Demostrar la
invariabilidad del producto escalar v1, v2) = x1, x2).
Problema 1.25. Demostrar que el siguiente conjunto de se nales es ortogonal y calcular su TF directa:
n(t) =
sin (t nT)
(t nT)
, n = 0, 1, 2, , < t < .
Problema 1.26. Calcular los coecientes de la serie de Fourier y la TF parra la funcion dada en la
forma, x(t) =
P
n=
(t nT) .
Problema 1.27. Encontrar la TF de un pulso Gaussiano x(t) = ae
(t/)
2
y vericar el efecto de
extension recproca de las gracas para = 1 y = 2. Hallar la diferencia de densidades espectrales de
energa en los puntos de interseccion.
Problema 1.28. Sea la se nal x(t)a
`
e
t
e
t
u(t). Hallar la expresion de la frecuencia lmite

l
, en
la cual la magnitud de la TF se disminuye en 10 veces con relacion al valor del espectro para = 0.
Problema 1.29. Hallar la relacion entre la densidad espectral X() = F |x(t), tal que x R, y la
densidad Y () = F |y(t), asumiendo y(t) = x(t).
Problema 1.30. Las se nales xp(t) = xp(t) y xi(t) = xi(t) estan relacionadas con y(t) como:
xp(t) = y(t) +y(t)
xi(t) = y(t) y(t)
Hallar la relacion entre los respectivos espectros X
k
() = F |x
k
(t) , k |p, i con la densidad Y ().
Problema 1.31. Sea X() = F |x(t). Hallar la se nal y(t) = F
1
|Y (), para cada uno de los
siguientes casos: a) Y () = X
2
(), b) Y () = X()X
() y c) Y () = X
().
Problema 1.32. Hallar la densidad espectral X() correspondiente a la se nal x(t), la cual se describe
por la derivada de orden k de la funcion (t).
Problema 1.33. Calcular la siguiente expresion empleando el integral de convolucion:
sin(tP)
t
sin((f t)Q)
(f t)
dt.
Problema 1.34. Calcular la transformada de Hilbert de las siguientes funciones
a) x(t) = cos 2f0t, < t < b) x(t) =
1
1 +t
2
, < t <
c) x(t) = sinc(2t), < t < d) x(t) = rectT (t)
Problema 1.35. Demostrar que para el par de transformadas de Hilbert (1.86a) y (1.86b) se cumple
b
x(t) = x(t).
Captulo 2
Representaci on de sistemas en tiempo
continuo
E
l estudio de cualquier sistema empieza por la formaci on de un modelo, que corresponda a
su versi on idealizada, la cual generalmente, no es la unica existente. Dicho de otra manera,
dependiendo de los objetivos del an alisis, un sistema puede admitir m as de un modelo. En el
presente captulo, se analizan los modelos descritos en t erminos matem aticos o modelo matem atico.
2.1. Representaci on de transformaciones lineales
En general, las se nales sufren cambios a su paso por los diferentes sistemas. Debido a la gran clase
de se nales que se usan, es preferible tener un m etodo com un para la descripci on de las propiedades
de transformaci on de los sistemas. De igual manera, debe analizarse la tarea inversa de sntesis de
circuitos, que realicen una transformaci on especca.
En esencia, cualquier transformaci on debe entenderse como la imagen de un conjunto de se nales
en otro. En el caso de transformaciones lineales, la descripci on de la relaci on entrada-salida en gru-
pos de reducidos elementos se puede generalizar a todo el sistema lineal empleando la propiedad de
superposici on. De otra parte, la presunci on de linealidad en la transformaci on, exige que la se nal a la
salida dependa estrictamente de la se nal a la entrada y de ninguna manera de procesos remanentes o
transitorios existentes en el sistema. Por lo tanto, el an alisis de transformaciones se llevar a a cabo para
el caso de sistemas lineales e invariantes en el tiempo.
2.1.1. Transformaciones y sistemas
A su paso por los sistemas, las se nales sufren cambios en cada una de las etapas del proceso. Debido a
la diversidad de formas posibles de se nal es preferible tener una representaci on com un para su an ali-
sis. La transformaci on de la se nal se puede analizar como el enlace entre la entrada y la salida de un
sistema o circuito (Figura 2.1), pues en forma general corresponde a la representaci on de un conjunto
inicial de se nales X sobre otro conjunto de salida Y. En forma general, para la descripci on de la trans-
formaci on K se deben conocer todas las posibles parejas ordenadas entrada - salida, x, K x, lo
cual en la mayora de los casos pr acticos no es realizable, entre otras razones, porque se pueden tener
una alta cantidad de enlaces, adem as, por la dicultad en su ordenamiento.
63
64 Captulo 2. Representaci on de sistemas en tiempo continuo
. .. .. .. .. .. .. . .. .. . . .. . .. .. . .. .. .
... ......... .................... .... .................... ............ ............ ........................ ........................... .. ..........................
. .. .. .. . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. .. .. .. . .
.... ... ... ......... .......
. .. .. .. .. .. .. .. .. .. . . .. .. . .. . .. . .. . .. . .. . . . . .. . .. . .. . .. . .. . .. . .. . . .. . . . . . . . . .. . . . . . . . . .. . .. . .. . .. .. .. .. .. .. . . .. . . .. .. .
..
... ...
. . .. . .
. . .. . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . .. . . . . . . . . . .. .. .. .. .. .. .. .. .. .. .. .. .. . .. . .. .. . .. .. .. .. .. .. .. .. . .. . .. . .. . .. . .. . .. . .. . .. . .. .. .. . . . .. . .. . .. . .. . .. . .. . .. . .. . .. . .. .. .. .. . .. .. . .. . .. . .. . .. .. .. .. .. .. .. .. .
..................................................... .................. .... ... ... ..
. . . .. .. .. . . .. .... ....................................... ...................................................... .. .. ... ...... ... ... ... ......... ... ... ...

x1
x2
xn
y1
y2
yn
se nales
proceso de
K
y Y x X
Figura 2.1. Transformaci on de se nales
Sin embargo, cuando se restringe el an alisis
a las transformadas lineales, la transformaci on
se puede describir completamente empleando un
subconjunto reducido de todas las posibles pa-
rejas entrada - salida, como consecuencia de la
propiedad de superposici on de las transformadas
lineales. Los modelos lineales son el referente de
sistemas m as empleados, de hecho, es com un el
an alisis de sistemas no lineales, a trav es de su
linealizaci on.
Operadores lineales en espacios integrables. El an alisis de los sistemas puede llevarse a cabo a
partir de las distintas formas de representaci on de las se nales. En la forma discreta, se puede emplear
la representaci on de transformaciones lineales sobre espacios de dimensi on nita, correspondientes
al modelo de se nal dado en (1.17). Sin embargo, en este caso la implementaci on pr actica de los
m etodos de an alisis es compleja, en la medida en que se hace necesario una gran cantidad de medida
de los espacios de entrada en la descripci on de cada transformaci on, sumado al hecho de que la
misma cantidad de transformaciones puede ser muy alta, raz on por la cual, esta forma de an alisis de
sistemas es empleada en casos especcos de espacios de entrada con bajo n umero de dimensiones y
transformaciones relativamente simples.
Denici on 2.1. Una transformacion K , que corresponde a la imagen determinada en un espacio
lineal X, se dice que es lineal cuando tiene las siguientes propiedades:
1. aditividad, K x
1
+x
2
= K x
1
+K x
2
, x
1
, x
2
X,
2. homogeneidad, K x = K x,
de las cuales se tiene la relacion equivalente,
K x
1
+x
2
= K x
1
+K x
2
donde , = const.
De lo anterior resulta que K 0 = 0 y K x = K x, por lo tanto, el conjunto de vectores
linealmente transformados corresponde a un espacio lineal con el mismo conjunto de escalares que el
conjunto de denici on de la transformada.
Si los espacios de entrada y salida son normalizados, cuando se cumple (1.13), entonces tambi en
son m etricos, y se puede analizar la continuidad de las transformadas lineales en cualquier punto x
0
,
para el cual se tiene un valor > 0, tal que existir a un () > 0, de forma que se cumple,
|x x
0
| < |K x x
0
| = |K x K x
0
| <
As mismo, la transformaci on K se denomina acotada si existe una constante k R, tal que,
|K x| k|x|, x X, siendo X de dimensi on nita. Por cierto, haciendo = /k, se ob-
serva que cualquier transformaci on lineal acotada es continua, y viceversa. Adem as, un espacio de
transformaciones lineales se puede normalizar en la forma,
|K | = sup|K x| : |x| 1 |K | =nf c : |K x| c |x| , x X
2.1. Representaci on de transformaciones lineales 65
De otra parte, si los espacios de entrada y salida son id enticos, la transformaci on lineal se denomina
operador lineal, esto es, cuando el dominio de representaci on original corresponde al dominio de la
imagen de la transformada. La multiplicaci on de dos operadores se determina como:
K = K
1
K
2
K x = K
1
K
2
x
que corresponde a la composici on de ambos operadores (conexi on en cascada de sistemas lineales). En
general, el algebra de los operadores no es conmutativa, esto es, K
1
K
2
,= K
2
K
1
, pero ella contiene
un elemento unitario I, determinado de la condici on, Ix = x, x. Cabe anotar que el conjunto de los
x X, para los cuales K x = 0 se denomina el n ucleo o kernel (ker K ) del operador K .
Ejemplo 2.1. Sea el operador lineal A que proyecta un espacio R
n
, que se genera por la base
i
: i = 1 . . . , n, a un espacio R
m
con dimension m de base
i
: i = 1 . . . , m.
Si se considera un vector x R
n
, entonces
x =
n
i=1
x
i
i
que en concordancia con la propiedad de la linealidad del operador A se tiene que
A x =
n
i=1
x
i
A
i
por lo tanto, el operador A se considera dado, si se conoce en que transforma la respectiva base
i
: i = 1 . . . , n. En cuanto a la descomposici on de los vectores A
i
por la base
k
se
tiene que
A
i
=
m
k=1
a
ki

k
entonces, A x =
n
i=1
m
k=1
a
ki
x
i

k
, expresi on de la cual se observa que el operador A se
determina por la matriz de coecientes [a
ki
]. La imagen del espacio R
n
en R
m
corresponde a
un subespacio con dimension igual al rango de la matriz [a
ki
].
Denici on 2.2. Sea un espacio X sobre el cual se tiene el operador lineal G : X X. Entonces,
se tienen las siguientes deniciones de operadores:
conjugado G
del operador G como aquel que x, y X:

G x , y) = x, G
y)
autoadjunto o autoconjugado o Hermitiano, si se cumple que
G x , y) = x, G y)
esto es, cuando coincide con su conjugado, es decir G = G
.
unitario si es biyectivo y se cumple que G
= G
1
.
normal si se tiene que GG
= G
G.
Una funcional lineal es una transformaci on cuyo dominio es un espacio vectorial y cuyo recorrido
es un campo de escalares que satisface las siguientes propiedades:
f x +y = f x +f y , , C, x, y X
2.1.2. Transformaciones lineales sobre espacios nitos
Un caso de an alisis frecuente corresponde a las transformaciones lineales sobre subespacios funcio-
nales de L
2
(T) cuyos resultados pueden ser generalizados a todo L
2
(T) [10].
Denici on 2.3. Sea K : X Y una transformacion lineal. Si K X = Im(X) = Y X tiene
dimension nita, se dice que K tiene rango nito y la correspondiente dimension, dim(K X),
se le llama el rango de K , que se denota por dim(K X) = rank(K ).
Representaci on con vectores respuesta. Sea el espacio de entrada X generado por la base lineal-
mente independiente
i
: i = 1, . . . , n, y para la cual existe la base dual
i
: i = 1, 2, . . . , n. Sea
el espacio imagen Im(X) = Y con dimensi on n que contiene los valores de la transformaci on K .
Entonces, para cualquier x X a partir de la expansi on generalizada de Fourier se tiene:
x(t) =
n
i=1
x,
i
)
i
(t), t T
al tener en cuenta la linealidad de K , entonces
y(t) = K x(t) =
n
i=1
x,
i
)
i
(t) (2.1)
donde
i
(t) = K
i
(t), i = 1, . . . , n, que corresponde a las respuestas para cada una de las fun-
ciones base del espacio X, en calidad de se nales de entrada para K . Por lo tanto, se puede considerar
el conjunto
i
como la representaci on para K dada en t erminos de la base
i
en X. Sin embargo,
i
no se puede analizar como la base del espacio Y, porque no hay seguridad de que el conjunto
i
sea linealmente independiente. En este caso, existir a por lo menos alguna se nal de entrada x diferente
de cero en el espacio inicial X que reeje todos los vectores en el cero en Y, lo que implica a su vez,
que la transformaci on al no ser biyectiva no tiene transformaci on inversa, luego, la transformada es
del tipo singular, en la cual la dimensi on de espacio de salida es menor al de entrada.
Ejemplo 2.2. Hallar un ejemplo de transformacion lineal, en el cual, la base transformada no
corresponda a la base de transformacion del espacio imagen.
Sea la transformacion K : X X, donde X = x(t) = a
n
t
n
+ +a
1
t +a
0
[ a
i
R , i = 0, . . . , n,
denida por K x(t) = x(t). Luego, una base para X es el conjunto e
1
, e
2
, . . . , e
n
, e
n+1
donde
e
i
= t
i1
, i = 1, . . . , n+1. De otra parte, K e
1
= K t
0
= 0, entonces el conjunto conforma-
do por los elementos, A = K e
1
, . . . , K e
n
, K e
n+1
es linealmente dependiente, en la
medida en que se tiene que K e
1
= 0 A. As, A no es base para el espacio imagen de K .
Representaci on por sucesi on de funcionales lineales. Otra forma de representaci on de K se da
por la sucesi on ordenada de n vectores en X. Sea
i
: i = 1, . . . , n un conjunto de vectores lineal-
mente independientes que generan a Y, y a los cuales les corresponde la base dual
i
: i = 1, . . . , n.
Entonces, cualquier vector de Y se puede representar en la forma:
y(t) =
n
j=1
y,
j
)
j
(t) (2.2)
reemplazando (2.1) en (2.2), se obtiene
y(t) = K x(t) =
n
j=1
x,
j
)
j
(t) (2.3)
donde
i
(t) =
n
j=1
j
,
i
)
i
(t).
Por lo tanto, la sucesi on ordenada
j
representa a K en t erminos de la base dada para Y. Asu-
miendo la independencia lineal de
j
, la representaci on del operador se puede entender como una
sucesi on ordenada, en la cual cada elemento es una transformada de rango unitario, de otra forma, la
suma sobre todos los funcionales lineales elementales f
j
x = x,
j
), con j = 1, . . . , n, correspon-
de a toda la transformaci on:
K x(t) =
n
j=1
f
j
x
j
(t)
Representaci on matricial. Por cuanto los vectores
i
en el primer m etodo, o bien
j
en el segundo
m etodo, se pueden representar por un conjunto de n coecientes (vector la), entonces la transforma-
ci on lineal se puede describir por una tabla de relaci on de n n escalares, en forma de matriz.
Sea
i
=
n
j=1
ji

j
(t), (2.4)
donde
ji
=
i
,
j
) = K
i
,
j
).
Luego, reemplazando (2.4) en (2.1), se obtiene:
y(t) =
n
i=1
n
j=1
ji
i

j
(t) =
n
j=1
j

i
(t), (2.5)
donde
i
= x,
i
), y
i
= y,
j
) =
n
i=1
ji
i
.
La expresi on (2.5) corresponde a la siguiente representaci on matricial, = K, donde y son
vectores columna con dimensi on n que representan a x sobre X e y sobre Ypor sus respectivas bases,
K es una matriz cuadrada de orden n con elementos
ji
= K
i
,
j
), i, j = 1, . . . , n (2.6)
que representan la respectiva transformaci on K .
Ejemplo 2.3. Sean las transformaciones lineales
K
1
: X Y, K
2
: Y Z
siendo X, Y, Z espacios con dimension n. Demostrar que la transformacion compuesta K
1
K
2
corresponde a la multiplicaci on de las respectivas matrices K
2
K
1
, donde K
i
, i = 1, 2 es la
matriz que representa al operador K
i
.
Sea la matriz K
i
que dene a K
i
, i = 1, 2, tales que = K
1
, = K
2
, donde , , son
vectores con dimension n que representan a x sobre X, y sobre Y y z sobre Z por sus respectivas
bases, luego, de forma directa se tiene que, = K
2
K
1
.
2.1.3. Operadores lineales en espacios integrables
El an alisis de los sistemas, como elementos de proceso, puede llevarse a cabo a partir de las distintas
formas de representaci on de las se nales. En la representaci on discreta, se puede emplear la descripci on
de transformaciones lineales sobre espacios de dimensi on nita, correspondientes al modelo de se nal
dado en (1.17). Sin embargo, en este caso la implementaci on pr actica es c omoda para casos especcos
de an alisis, pero su generalizaci on como transformada lineal presenta dicultades, no tanto por la
dimensi on limitada que se toma para la representaci on de los espacios, cuanto por la alta variedad
que pueden tomar los dominios de las diferentes formas de transformaci on lineal. Por esta raz on, el
an alisis de sistemas sobre la representaci on discreta se emplea en casos especcos de espacios de
entrada con bajo n umero de dimensiones y transformaciones relativamente simples.
En general, el an alisis de sistemas es preferible llevarlo a cabo basados en la representaci on integral
de se nales, empleando operadores lineales acotados y denidos en espacios integrables L
2
(T). La in-
terpretaci on fsica de esta restricci on tiene que ver con el cumplimiento de la condici on de estabilidad
de los sistemas, que implica que a una se nal a la entrada de energa nita le debe corresponder una
se nal de energa nita a la salida.
Cuando en la expansi on generalizada de Fourier (1.52) se emplea el modelo de representaci on para
una misma base continua, las respectivas se nales de entrada y salida se describen como:
x(t) =
_
S
v
x
(s) (t, s) ds, S C (2.7a)
y (t) =
_
S
v
y
(s) (t, s) ds. (2.7b)
As, se dene el operador K , tal que
y (t) = K x(t) =
_
S
v
y
(s) (t, s) ds, (t, s) = K (t, s)
De acuerdo con (1.52), en t erminos de la base dual, la densidad de salida se dene por la integral,
v
y
(s) =
_
T
y (t) (s, t) dt, que al tener en cuenta (2.7b) resulta en
v
y
(s) =
_
T
_
S
v
x
() (t, ) (s, t) ddt =
_
S
K (s, ) v
x
() d,
donde el kernel de la anterior integral, denido como,
K (s, ) =
_
T
(t, ) (s, t) dt (2.8)
representa la transformaci on K y corresponde al sentido de los ndices (2.6), en los cuales los ndices
i y j se convierten en las variables y s de (2.8), mientras las representaciones de entrada y salida,
mediante la base (t, s), se obtienen de las respectivas representaciones integrales. Como ejemplo se
puede tomar la base dada en (1.84), para la cual se tiene que (t, s) = (t s), T, S R. En este
caso, de acuerdo con (1.85), se tiene que v
x
(s) = x(s) y v
y
(s) = y (s). La respuesta a esta funci on
base, que especialmente se nota como (t, ) h(t, s) y se denomina respuesta a impulso, como
funci on en el tiempo describe la reacci on del operador cuando a la entrada se tiene una funci on delta
dada en el momento de tiempo s. Luego, de (2.8) se tiene
K (s, ) =
(s t) h(t, ) dt = h(s, ) (2.9)

Con lo cual la salida (2.7b) se determina como
y (t) =
_
T
h(t, ) x() d (2.10)
La expresi on (2.10) es la primera forma de an alisis de sistemas y corresponde al empleo en calidad
de kernel de su respuesta a la funci on (t), conocido como el m etodo de la integral de superposici on.
En otras palabras, para describir el comportamiento de un sistema en el tiempo, se aplica la funci on
generalizada (t) a la entrada; la salida resultante describe la respuesta del sistema.
Otra base frecuentemente empleada corresponde a (t, s) = e
j2st
, T, S R. En este caso, se
obtiene que v
x
(s) = F x(t) = X (s) y v
y
(s) = F y (t) = Y (s).
De acuerdo con (2.9), se tiene
(t, s) =
_
T
h(t, ) e
j2s
d H (t, s) (2.11)
Por consiguiente, de (2.9) y (2.10) se obtiene
Y (f) =
_
R
H (f, ) X()d
donde
H (f, ) =
_
R
_
R
h(t, ) e
j2ft
e
j2
dtd (2.12)
La funci on H (f, ) en (2.11) se conoce como la funci on de transferencia y corresponde a la se-
gunda forma de an alisis de sistemas correspondiente al m etodo de an alisis espectral.
La relaci on entre la funci on de respuesta a impulso y la funci on de transferencia, as como con las
.............................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
............................................................
............................................................
.............................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
............................................................
............................................................

tiempo
frecuencia
t : x(t), (t, s)
s : vx(s), (t, s)
h(t) = K |(t, s)
H(s) = K |(t, s)
y(t) = K |x(t)
vy(s) =
Z
S
K(s, )vx()d
K (s, )
Figura 2.2. Transformaci on lineal e invariante de se nales
respectivas bases de representaci on en la transformaci on lineal de se nales se muestran en la Figura
2.2. Cabe anotar, que en algunos casos es importante representar las se nales con diferentes bases,
as (t, s) las de entrada y (t, s) las de salida, con lo cual la densidad de salida se dene por la
integral v
y
(s) =
_
S
K (s, ) v
x
() d, donde
K (s, ) =
_
T
(s, t) (t, ) dt, (t, s) = K (t, s)

En general, las propiedades de los sistemas lineales se reejan en la estructura de los kernels fun-
cionales que representan sus operadores. De hecho, la clasicaci on, dada en 1.1.1, se formaliza em-
pleando diferentes propiedades de los kernels, extendiendo su dominio de denici on hasta L
2
(R).
Los siguientes son los operadores lineales que mayor uso tienen en el an alisis de se nales y sistemas:
Operador invariante en el tiempo. Dados x X y t
0
R, si y(t) = K x(t), entonces, se
cumple que y(t t
0
) = K x(t t
0
).
Un operador es invariante en el tiempo, cuando la respuesta (2.10) del sistema lineal que des-
cribe, depende solamente de la diferencia de sus argumentos, h(t, ) = h(t ) = h(t), luego,
y (t) =
h(t ) x() d =y = h x
La descripci on, en el dominio de la frecuencia, de un operador invariante se realiza a partir de
la expresi on (2.12),
H (f, ) =
h(t ) exp (j2ft +j2) dtd =

=
h() exp (j2f)
exp (j2 (f ) ) dd = H (f) (f )

Por lo tanto,
Y (f) =
H (f) (f ) X () d = H (f) X (f) (2.13)

Un primer ejemplo de operadores invariantes en el tiempo, corresponde a un operador de escala,
tal que para cada w, x = K wx, x X, w = const, en particular, cuando w = 1, esto es,
x = Ix, se obtiene el operador unitario, para el cual, el respectivo sistema tiene respuesta
a impulso h(t) = (t) y funci on de transferencia H(f) = 1. Otro ejemplo corresponde al
operador de desplazamiento, descrito como x(t t
0
) = K x(t). En este caso, el respectivo
sistema se describe por las funciones h(t) = (t t
0
) y H(f) = exp(j2t
0
f).
Operador de discretizaci on. El operador de escala puede denirse en forma variante en el tiem-
po, tal que w(t) ,= const., y el sistema fsico realiza entonces la siguiente transformaci on,
y(t) = w(t)x(t), al cual le corresponde la respuesta a impulso
h(t, ) = w(t)(t ) = w()(t )
La respectiva funci on de transferencia, teniendo en cuenta (2.12), resulta en
H (f, ) =
w(t) (t ) exp (j2t +j2) dtd

=
w() exp (2 (f ) ) d
= W (f )
Por lo tanto, en el dominio de la frecuencia, el operador de discretizaci on corresponde a la
siguiente convoluci on,
Y (f) =
W (f ) X () d
Un caso particular del operador de discretizaci on corresponde a w(t) = u(t), cuando el sistema
realiza la transformaci on, y(t) = x(t)u(t), esto es, la se nal de salida depende solamente de
los valores anteriores de la se nal de entrada. El operador obtenido, denominado de causalidad,
impone la siguiente restricci on a la respuesta a impulso, h(t, ) = 0, > t.
Operador diferencial de orden nito. El m etodo de an alisis de sistemas lineales est a basado en
su descripci on a trav es de ecuaciones diferenciales, tambi en lineales, pero de orden nito,
0
(t) y (t)+
1
(t)
dy
dt
+ +
m
(t)
d
m
y
dt
m
=
0
(t) x(t)+
1
(t)
dx
dt
+ +
n
(t)
d
n
x
dt
n
, (2.14)
siendo continuas las respectivas funciones de entrada y salida:
m
(t) y
n
(t).
En los sistemas invariantes en el tiempo los par ametros de entrada y salida son constantes con
lo cual la correspondiente funci on respuesta a impulso se determina como [10]:
h(t ) =
_
_
m
k=1
k
e
p
k
(t)
, t
0, t <
(2.15)
donde p
k
son las races del polinomio D(p) =
m
k=1
k
p
k
= 0. Al operador diferencial de
orden nito, le corresponde la funci on de transferencia en la forma racional,
H(f) =
m
k=1
k
j2f p
k
=
N(p)
D(p)
,
k
,
k
R (2.16)
para el polinomio del numerador de la forma, N (p) =
n
k=1
k
p
k
.
Operadores degenerados. Corresponde a un operador acotado autoadjunto K de rango nito
que act ua sobre L
2
(R). En particular, existe una clase de operadores lineales que transforman un
espacio de Banach E en cualquier subespacio M con rango nito, y los cuales son compactos en
la medida en que el operador traduce cualquier subconjunto acotado M E en un subconjunto
acotado de un espacio con dimensi on nita. Por ejemplo, en un espacio de Hilbert el operador de
proyecci on ortogonal a un subespacio es compacto, solamente, en el caso en que este subespacio
tenga dimensi on nita. Los kernels funcionales de esta clase de operadores son divisibles, y por
lo tanto, son c omodos en la aproximaci on num erica de los operadores.
La respuesta a impulso de un operador degenerado de orden n tiene la forma,
h(t, ) =
n
k=1
k
(t)
k
() (2.17)
donde
k
(t) : k = 1, . . . , n y
k
(t) : k = 1, . . . , n son sistemas de funciones linealmente
independientes denidos en L
2
(R). La imagen de x, obtenida por un operador degenerado, se
expresa mediante n funcionales lineales:
y (t) =
n
k=1
x,
k
)
k
(t)
Problemas
Problema 2.1. Obtener la respuesta a impulso y la funcion de transferencia para la conexion en
cascada del operador de invarianza en el tiempo y el operador de discretizacion. Demostrar si son o no
conmutables.
Problema 2.2. Hallar el kernel H(f, ) para el operador degenerado con respuesta a impulso (2.17).
Problema 2.3. Hallar los valores del espacio nulo para el operador degenerado con respuesta a impulso
(2.17).
2.2. Aproximaci on de operadores lineales 73
2.2. Aproximaci on de operadores lineales
En la pr actica, el c alculo num erico de los operadores, representados por n ucleos de transformaciones
integrales en L
2
(T), b asicamente consiste en hallar una matriz de orden n, que con suciente precisi on
lo aproxime. La primera forma se puede dar truncando la serie de representaci on ortogonal hasta el
t ermino n, tal que se obtenga un subespacio M
n
generado por
i
: i = 1, . . . , n. Sin embargo, no
se asegura que la imagen de los vectores x M
n
, mediante el operador K , pertenezca a M
n
.
2.2.1. Aproximaci on por proyecci on ortogonal
Otra forma de aproximaci on est a en la representaci on ortogonal de operadores lineales. Sea K
n
la
aproximaci on del operador K , que reeja a x en la proyecci on ortogonal y = K x en M
n
,
y(t) = K
n
x(t) =
n
i=1
y,
i
)
i
(t) =
n
i=1
K x ,
i
)
i
(t) (2.18)
mientras los elementos del conjunto truncado M
n
se expresan como:
x(t) =
n
j=1
j
(t),
j
= x,
j
), j = 1, . . . , n (2.19)
con lo cual, reemplazando la se nal de entrada (2.19) en (2.18) se obtiene,
y(t) =
n
i=1
n
j=1
K
j
,
i
)
j
i
(t) =
n
i=1
i
(t)
entonces,
i
=
n
j=1
ij
j
= K. Por lo tanto, el operador K se representa por la matriz
K
nn
en la base
i
: i = 1, . . . , n, que tiene elementos:
ij
= K
j
,
i
) (2.20)
Ejemplo 2.4. Sean las se nales de entrada y salida representadas por series de funciones des-
plazadas en el tiempo. As mismo, sea M
n
un subespacio generado por la base conformada por
funciones ortonormales de interpolaci on
i
:
i
(t) = (t i), i = 1, . . . , n 1.
Haciendo sucientemente grande n e i sucientemente peque no, se puede obtener con cualquier
precision la representaci on de la se nal en el intervalo 0 < t < (n1). Si se asume la invarianza
en el tiempo del operador K , que corresponde al circuito con respuesta a impulso h(t), entonces:
K
j
(t) =
h(t )( j)d = (t j)
donde = h es la respuesta del circuito a la base de interpolaci on , con la cual se puede
describir completamente el operador K
n
, por cuanto de (2.20) se tiene que,
ij
= (K
j
,
i
) =
(t j)(t j)dt =
()( (i j))d = h
ij
Por lo tanto, la matriz K se puede hallar mediante el desplazamiento sucesivo de los elementos
h
j
= 0, 1, . . . , (n 1), tal que
K =
_
_
h
0
h
1
h
2
. . . h
1n
h
1
h
0
h
1
. . . h
2n
.
.
.
.
.
.
.
.
.
.
.
.
h
n1
h
n2
. . . . . . h
0
_
_
El conjunto de los n elementos h
j
: 0, . . . , (n 1) forma cada vector la, que representa la
respuesta a impulso inicial (t), proyectada sobre M
n
,
(t) =
n1
i=0
h
i
i
(t), |
i
| = 1
Si el operador K corresponde a un sistema fsicamente realizable, h(t) = 0, t < 0, enton-
ces los elementos h
i
: i = 1, . . . , 1 n se aceptan iguales a cero. Por lo que la matriz K
sera triangular inferior, luego,
i
=
n1
j=0
ij
j
=
i
j=0
h
ij
j
, i = 0, . . . , n 1
donde y son vectores la que representan las se nales de entrada y salida, respectivamente.
0 2 4 6
0
0.2
0.4
0.6
0.8
(t), (t),

(t)
(t)
(t)
(t)
t
Figura 2.3. Aproximaci on mediante desplazamientos sucesivos en el tiempo
En la Figura 2.3 se ilustra el caso de aproximar la se nal escalon, mediante un pulso rectangular,
en calidad de funci on de interpolaci on , cuando el sistema en an alisis corresponde al circuito
RC del ejemplo 2.7, asumiendo = 1. Luego:
h(t) = e
t
u(t)
(t) =
_
1 e
t
, 0 < t 1
(e 1)e
t
, t > 1
h
i
= (,
i
) =
i+1
_
i
(t)dt =
_
0.368, i = 0
1.085e
i
, i 1
2.2.2. Aproximaci on de operadores por norma
La aproximaci on (2.20) se restringe en la medida que en un subespacio M
n
pueden existir puntos
para los cuales el error |K x K
n
x| no converge. Tampoco es seguro que aumentando la
cantidad de t erminos de aproximaci on n, el error disminuya. Adem as, no es claro el origen de la no
convergencia del error: si es debido a la especicidad del operador, o m as bien, a la forma como se
escoge el subespacio M
n
.
En este sentido, es preferible extender el dominio del operador hasta L
2
(T). Entonces, K
n
es un
operador degenerado del tipo,
y(t) = K
n
x(t) =
_
T
K
n
(t, s)x(s)ds (2.21)
siendo K
n
(t, s) =
n
i=1
i
(t)
i
(s) y
i
(t) = K
i
(t).
A partir de la norma del operador, denida como |K | = sup|K x| ; |x| < 1, se puede
caracterizar la distancia entre el operador y su aproximaci on en la respectiva m etrica,
d (K , K
n
) = |K K
n
| = sup
_
|K x K
n
x| : |x| < 1, x L
2
(T)
_
(2.22)
De la expresi on (2.22), se observa que en vez de hallar la aproximaci on del operador por sistemas
ortogonales completos sobre L
2
(T), se buscan dos sistemas de funciones
i
(t) : i = 1, 2, . . . y
i
(t) : i = 1, 2, . . ., tales que el correspondiente operador degenerado K
n
en (2.21) aproxime un
operador dado, de forma que el error |K K
n
| pueda ser tan peque no como se quiera, aumentando
la cantidad de t erminos n.
Sin embargo, no cualquier operador acotado se puede representar con cualquier precisi on solamen-
te con aumentar el orden n del operador degenerado de aproximaci on. La dicultad est a en que el
operador de aproximaci on tiene una dimensi on nita, por lo tanto, solamente se pueden representar
operadores denidos sobre dominios tales que todos sus puntos sean cercanos a un subespacio nito.
En particular, se exige que el conjunto de im agenes para los puntos de la esfera unitaria x : |x| = 1
sea cercano a un subespacio de dimensi on nita. Entonces, adem as de que el conjunto de im agenes
sea acotado, la aproximaci on mediante operadores degenerados, necesariamente exige de la imagen
de la esfera unitaria la condici on adicional de convergencia uniforme (que sea acotada uniformemen-
te), esto es, dado un conjunto S con m etrica d, para cualquier > 0, existe un subconjunto nito
formado por la malla de valores x
i
(t) : i = 1, . . . , N(), tales que d(x, x
i
) < para algunos
valores de i, pero para cualquier x S, es decir es independiente de x. Esta condici on implica que
el conjunto S es compacto y se podr a hallar dentro del mismo la malla de valores con dimensi on
N(), en la cual cualquier punto del conjunto se ubica a una distancia no mayor, que la distancia de
alguno de los puntos seleccionados.
De esta manera, si un conjunto acotado uniformemente es cercano a alg un subespacio con dimen-
si on nita, se puede construir la base a partir de los puntos de la malla, y el subespacio generado
por esta base contendr a todos los puntos ubicados a distancias no mayores a de cualquier punto del
conjunto.
En particular, sea el subespacio M
n
, que contiene la malla de valores para el conjunto dado en
la forma K x , |x| = 1, generado por la base
i
(t) : i = 1, . . . , n. En calidad de operador de
aproximaci on K
n
se puede escoger uno que proyecte K x de forma ortogonal sobre M
n
,
K
n
x(t) =
n
i=1
K x ,
i
)
i
(t)
Luego, K
n
x es un punto en M
n
cercano a K x y por cuanto M
n
contiene la malla de
valores para las proyecciones de la esfera unitaria, entonces |K K
n
| , donde puede hacerse
tan peque no como se quiera para cualquier valor sucientemente grande de n. La expresi on (2.21),
para obtener el n ucleo funcional divisible del operador degenerado K
n
, se puede escribir en la forma,
K
n
x(t) =
n
i=1
_
_
K (, s) x(s)
i
()dsd
_
_
i
(t) =
n
i=1
i
(t)
x(s)
i
(s)ds
donde
i
(t) = K
i
(t) =
_
(, t)
i
()d, siendo K
el operador conjugado de K .
Como resultado, el kernel del operador degenerado K
n
tiene la forma,
K
n
(t, s) =
n
i=1
i
(t)
i
(s) (2.23)
El operador K
n
es compacto, en el sentido en que enva un conjunto acotado en otro uniformemente
acotado. En general, se considera que la condici on suciente, para que un operador sea compacto,
est a en que su kernel debe ser una funci on integrable en el cuadrado (operadores de Hilbert Schmidt),
[K(t, s)[
2
dtds < (2.24)
Los kernels, que cumplen la condici on (2.24), se pueden entonces representar mediante kernels
divisibles K
n
(t, s), tal que la aproximaci on converge en el siguiente sentido
[K(t, s) K
n
(t, s)[
2
dtds 0, n
Por lo tanto, el n ucleo del operador degenerado de aproximaci on buscado (2.23), tiene la forma:
K
n
(t, s) =
n
i=1
i
(t)
i
(t) (2.25)
donde
i
es la base conjugada del conjunto ortogonal
i
: i = 1, 2, . . . L
2
(R) y
i
(t) =
K(t, s)
i
(t)ds
En general, la aproximaci on mediante operadores compactos consiste en hallar la malla apropiada
de valores, que corresponde al operador a aproximar.
2.2.3. Representaci on espectral de operadores
Los m etodos de representaci on, hasta ahora analizados, se pueden entender como la generalizaci on de
la representaci on de los operadores lineales denidos en espacios nitos (2.1), que emplean la imagen
de las funciones base. Otro m etodo de representaci on generalizada dado en (2.3), que corresponde
a una sucesi on de funcionales lineales, se puede emplear cuando la transformaci on se da por alg un
conjunto de vectores de entrada
i
. Inicialmente, se dene el subconjunto S de vectores invariantes
en relaci on al operador K , en el sentido en que sin tener en cuenta los factores de escala, estos se
transforman en s mismo,
S = x : K x = x, C
En muchas casos, el conjunto S, junto con sus respectivos coecientes de escala, determina de
forma completa el operador. Por ejemplo, asumiendo en (2.3) que
i
=
i
, entonces
j
(t) =
j
,
i
)
i
(t),
i
(t) = K
i
(t) (2.26)
Si adem as se asume que las funciones base
i
se escogen dentro de S, tales que,
i
S,
luego,
i
(t) =
i
i
(t), i, entonces los valores (2.26) toman la forma:
j
(t) =
j
(t), que al ser
reemplazados en (2.3), se obtiene la imagen de cualquier x en el espacio generado por
i
,
y(t) = K x(t) =
j
x,
j
)
j
(t) =
j
(t)
luego,
j
=
j
j
, j (2.27)
De la expresi on (2.27) queda claro que la representaci on se resume a la compresi on simple por
coordenadas para cada componente del vector x.
En la pr actica, se tiene una clase amplia de operadores, en los cuales el conjunto S contiene la
cantidad suciente de elementos linealmente independientes, para que sobre ellos se pueda generar el
espacio de inter es, de tal manera que se implemente la aproximaci on (2.25). Bajo ciertas restricciones,
se puede armar que la mejor aproximaci on de un operador conduce a la representaci on adecuada de
una se nal mediante proyecciones ortogonales. Un ejemplo particular, para hallar la mejor aproxima-
ci on, corresponde al m etodo de representaci on espectral de los operadores.
Sea el kernel K
n
de un operador degenerado lineal expresado en la forma:
K
n
(t, s) =
n
i=1
i
(t)
i
(s) (2.28)
donde
i
(t) : i = 1, . . . , n son funciones linealmente independientes que generan al subespacio
M
n
, el cual se considera invariante con respecto al operador K
n
. En los operadores simples, en los
cuales sus espacios de entrada se determinan sobre sus correspondientes vectores propios se cumple
K
t
(t, s) = K
(t, s) (2.29)
donde K
t
(t, s) es el kernel del respectivo operador autoconjugado K
t
de K . En el kernel (2.28),
los vectores propios tambi en est an ubicados en M
n
. Si adem as, el correspondiente operador K
n
es
normal, entonces de (2.29) se tiene,
K
t
n
(t, s) =
n
i=1
i
(t)
i
(s)
Por lo tanto, M
n
tambi en se determina sobre el respectivo conjunto
i
(t) : i = 1, . . . , n, lo que
implica que el espacio nulo para K
n
corresponde al complemento ortogonal de M
n
, en la medida
en que cualquier vector que sea ortogonal a todos los
i
debe tener imagen en el valor 0. Este
subespacio con dimensi on innita corresponde al espacio propio
0
para =
0
= 0. En otras
palabras, se deben hallar los elementos x M
n
, que son soluci on de la ecuaci on K
n
x = x, esto es:
K
n
x ,
i
) x,
i
) = 0, i = 1, . . . , n
El sistema
i
es mutuo con relaci on a
i
, por lo cual, si en la ultima expresi on se reemplazan
los valores de x =
n
j=1
a
i
i
, entonces, se llega a la siguiente ecuaci on matricial:
(KI) a = 0 (2.30)
siendo K la matriz con elementos
ij
= (
i
,
i
). Por cierto, la ecuaci on (2.30) tiene soluci on, si y
solo si, el determinante de la matriz KI es cero. Entonces, los valores propios diferentes de 0 del
operador K
n
corresponden a las races del polinomio caracterstico, con m n races diferentes,
P() = det (KI) = 0
El conjunto de valores propios, que en denitiva se consideran necesarios en la aproximaci on
num erica de un operador, se denomina espectro puntual del operador (o simplemente espectro).
Por cuanto ambos espacios propios obtenidos son mutuamente ortogonales, el espacio total es la
suma directa de los elementos de ambos espacios propios, as, generalizando para cualquier valor de
x L
2
(R) y teniendo en cuenta que
0
= 0, se obtiene
K
n
x = K
n
x
0
+x
i
+ +x
n
=
m
i=0
i
x
i
=
m
i=1
i
x
i
donde x
i

i
son las proyecciones ortogonales de x en
i
que se pueden notar como operadores
de proyecci on P
i
, tales que P
i
x = x
i
para cualquier x L
2
(R), con lo cual, la representaci on
espectral del operador se describe como K
n
=
n
i=1
i
P
i
.
El kernel del operador degenerado K
n
, que corresponde a la representaci on espectral, es:
K
n
(t, s) =
n
i=1
i
(t)
i
(s)
De lo anterior, se puede armar que para un operador normal, con rango n, se puede encontrar una
base ortonormal en el dominio de denici on, tal que la imagen de cualquier punto de este dominio se
obtiene mediante el cambio simple de escala por cada coordenada para cada uno de sus componentes.
En calidad de factores de escala, se escogen los valores propios, determinados de las m n races del
polinomio caracterstico de orden n. En general, las races obtenidas pueden ser complejas, aunque
los operadores K sean reales, siendo esta la principal raz on en el empleo de espacios complejos de
representaci on de se nales.
La generalizaci on de los anteriores resultados de representaci on espectral de operadores de rango
n se puede dar para los operadores compactos, sobre L
2
(R), en la medida en que puedan ser aproxi-
mados por los primeros. Por lo tanto, es entendible cierta similitud en las respectivas representaciones
espectrales. En general, la unica diferencia est a en que para el operador compacto debe considerarse
una cantidad innita de valores propios, sin embargo, se puede demostrar que el mismo valor
i
tien-
de a cero, cuando i aumenta, lo cual a su vez implica que para un operador compacto, la cantidad de
races m ultiples es nita.
La representaci on espectral de un operador compacto normal tiene la forma:
K =
i=1
i
P
i
(2.31)
donde P
i
x(t) = x,
i
)
i
(t) para todos los x L
2
(R), y corresponde a los operadores elementa-
les (con dimensi on uno) de proyecci on ortogonal. En este caso, el kernel para K se expresa mediante
los vectores de la forma:
K(t, s) =
i=1
i
(t)
i
(s)
que corresponde a un kernel del tipo Hilbert-Schmidt si se cumple la condici on:
i=1
[
i
[
2
< .
`
_
`
_
`
_
`
_
`
_
> >
> >.

y =

K |x
x
K K K
0 1 2
k
Figura 2.4. Representaci on espectral del ltro transver-

sal
En la pr actica, es usual el ordenamiento en
forma decreciente de los valores propios
[
1
[ [
2
[ [
3
[ > (2.32)
de tal manera, que el primer valor propio se
puede interpretar como la norma del operador,
|K | = [
1
[.
Uno de los resultados pr acticos de empleo de
representaci on espectral corresponde al caso de
aplicaci on de un operador sobre un sistema com-
puesto por k circuitos conectados en cascada. De
(2.31) se obtiene que, K
k
=
i=1
k
i
P
i
, cuya
generalizaci on corresponde al ltro transversal,
mostrado en la Figura 2.4. A partir de (2.31), que
representa el operador de un circuito, se obtiene el operador para todo el ltro,
K =
k
j=0
j
K
j
=
i=1
F (
i
) P
i
donde el polinomio F (z) =
k
j=0
j
z
j
determina los valores propios del ltro transversal a trav es
de los valores propios del circuito. El ltro transversal es una forma c omoda de implementar los
operadores, simplemente cambiando la ganancia de cada circuito del ltro se sintoniza el valor de
cada uno de los k valores propios del operador

K .
Volviendo al problema de la mejor aproximaci on de un operador compacto mediante un operador
con kernel divisible de rango n, se encuentra una clase de operadores normales, cuya representa-
ci on espectral muestra de manera clara el error de aproximaci on. En particular, para los operadores
autoconjugados, determinados por la relaci on K
t
= K , se cumple que
K x
i
=
i
x
i
K
t
x
i
=
i
x
i

i
=
i
R
asumiendo de (2.32), adem as, que los valores propios pueden ser dispuestos en orden decreciente.
Entonces, en calidad de operador de aproximaci on K
n
para el operador autoconjugado compacto
K se toma su representaci on espectral, en la cual se eliminan todos los t erminos de orden n,
K =
i=1
i
P
i
, K
n
=
n
i=1
i
P
i
,
luego, K K
n
=
i=n+1
i
P
i
. Se puede demostrar que esta es la mejor aproximaci on [18], en el
sentido en que,
|K K
n
|
_
_
_K

K
n
_
_
_
donde

K
n
es cualquier operador de orden n.
De otra parte, de (2.32) se tiene que |K K
n
| = [
n+1
[, y teniendo en cuenta que
n
0 para
n , entonces, se puede determinar el orden del operador de aproximaci on, a objeto de obtener la
precisi on deseada.
Ejemplo 2.5. Un ejemplo de representaci on espectral, corresponde a la aproximaci on para el
operador invariante en el tiempo (2.10), K x(t) = h(t) x(t), cuyas funciones propias tienen
la forma, x
i
(t) = exp (j2f
i
t), que aunque no pertenecen a L
2
(, ), son invariantes bajo la
operacion de convoluci on,
K x
i
(t) =
h(t ) exp (j2f

i
) d =
h() exp (j2f

i
(t )) d
= H (f
i
) x
i
(t)
Por consiguiente, el espectro de K es la funci on de transferencia del operador. Esta es la raz on
por la cual, se usa tan frecuentemente el eje de frecuencias de Fourier como representaci on
espectral de los operadores invariantes en el tiempo.
Problemas
Problema 2.4. Demostrar que los valores propios de un operador normal con rango nito no dependen
de la base de representacion escogida.
Problema 2.5. Demostrar que el operador ortonormal de proyeccion es autoconjugado.
2.3. Representaci on operacional de sistemas lineales 81
2.3. Representaci on operacional de sistemas lineales
2.3.1. M etodo de la integral de superposici on
Si un sistema cumple la condici on de linealidad (1.4) e invariabilidad en el tiempo (1.5), entonces,
como se deduce de (1.10) cualquier se nal x(t) puede ser aproximada por una sucesi on innita de
funciones delta en el tiempo, esto es, teniendo en cuenta la propiedad de selectividad de la funci on
delta (t) en los instantes en que se determinen dentro de la sucesi on innita, entonces
x(t) =
x() (t ) d (2.33)
luego, la se nal de salida y(t) se podr a determinar para cualquier x(t) dada, si se sabe la reacci on del
sistema cuando a la entrada se tiene la funci on delta (t) (respuesta a impulso h(t)).
Aplicando consecuentemente las siguientes propiedades de:
(a). Invariabilidad en el tiempo: (t ) =h(t ),
(b). Linealidad: x() (t ) =x()h(t ),
Se tiene que la se nal de entrada
_
x() (t ) d genera la salida dada por la convoluci on:
x()h(t ) d.
De lo anterior, se puede decir que la salida y(t) de un sistema lineal e invariante en el tiempo
corresponde a la integral de superposici on de la respuesta a impulso h(t) con la entrada x(t), as:
y(t) =
x()h(t ) d = x(t) h(t) (2.34)

La integral de superposici on (2.34) es, en general, la transformada de un sistema no causal, por
cuanto la excitaci on del sistema en el momento t le corresponden valores de salida y(), para los
valores de la variable de integraci on, denidos en < < t.
Al ajustar el sistema a la condici on de causalidad, el sistema deber a tener una respuesta a impulso
h(t) = 0, t < , por lo que (2.34) se convierte en:
y(t) =
t
_
x()h(t ) d
En cualquier sistema invariante en el tiempo siempre se podr a tomar el origen del tiempo igual a
cero, esto es, si la se nal de entrada satisface la condici on x(t) = 0, t < 0, entonces, la anterior
ecuaci on toma la forma:
y(t) =
t
_
h(t ) x()u()d =
t
_
0
h(t ) x()d =
t
_
0
h()x(t ) d, t 0 (2.35)
En forma general, la ecuaci on (2.35) muestra que para cualquier funci on de entrada x(t), la derivada
de orden n en el tiempo de la funci on de salida es igual a:
d
n
y
dt
n
=
h()
d
n
x
dt
n
(t ) d
.

s1 s2
s
h1(t) h2(t)
h(t, )
Figura 2.5. Conexi on en cascada de sistemas
Particularidades de la respuesta a impulso.
Sean dos sistemas lineales s
1
y s
2
con respues-
tas a impulso h
1
(t) y h
2
(t) respectivamente, cu-
ya respuesta resultante h
12
(t) de su conexi on
en cascada, mostrada en la Figura 2.5, se de-
ne como:
h
12
(t) =
h
2
(, z)h
1
(, z)dz
En forma general, la conexi on cascada de s
1
y s
2
no es la misma de s
2
y s
1
, por la diferencia de
argumentos de las respuestas a impulso en el n ucleo de la integral de superposici on, excepto cuando
ambos sistemas sean invariables en el tiempo. En este caso, entonces, se tiene
h
12
(t ) =
h
2
(t z)h
1
(z )dz
reemplazando v = z , dv = dz se encuentra la expresi on
h
12
(t ) =
h
1
(v)h
2
((t ) v)dv
=
h
1
(v)h
2
( v)dv, = t
Esta ultima integral corresponde a la funci on de respuesta a impulso h
12
(t ) de la conexi on en
cascada de s
2
s
1
. Donde se puede armar que para los sistemas lineales e invariantes en el tiempo la
conexi on en cascada de los sistemas es conmutativa, esto es
h
12
(t ) = h
21
(t ) .
Respuesta a escal on unitario. Se denomina a la reacci on del sistema lineal cuando a la entrada
existe una funci on del tipo escal on unitario u(t) (1.12), donde:
p(t)
.
= u(t) h(t) =
u()h(t ) d =
_
0
h(t ) d
entonces,
p(t) =
t
_
h()d; donde = t (2.36)

Este resultado proporciona un m etodo para determinar en laboratorio la respuesta a impulso de un
sistema. Aunque la funci on u(t) existe hasta el innito, la mayora de los sistemas tiene una respuesta
relativamente corta. Entonces, empleando un generador de ondas cuadradas de baja frecuencia con
perodo mucho mayor al tiempo de duraci on de la respuesta a impulso, este pr acticamente se perci-
bir a como un escal on. De la ecuaci on (2.36) se deduce que la relaci on de las respuesta a impulso y la
respuesta a escal on en un sistema lineal es h(t) = dp/dt.
Ejemplo 2.6. Encontrar la respuesta a impulso del sistema lineal dado por la ecuacion diferencial
dy(t)
dt
+a(t)y(t) = x(t), t > 0, donde a(t) es una funci on dada a priori [19].
La funci on entrada-salida es preferible hallarla al resolver la ecuacion para y(t). Tomando t = 0
como el tiempo en el cual la entrada es aplicada al sistema y considerando la linealidad de este,
se tiene que y(t) = 0 = 0. Ademas, como x(t) = 0, t < 0, entonces, tambien sera y(t) = 0.
As, se podr a resolver la ecuacion diferencial sujeta a esta condici on inicial. Preferiblemente se
tomara t = 0, es decir, y(0) = 0. Para resolver la ecuacion resultante y aplicando la condici on
inicial se multiplican por un factor de integracion, obteniendose
d
dt
_
e
((t))
y(t)
_
= e
((t))
x(t), (t) =
t
_
0
a(z)dz
integrando ambos lados en [0, t] se obtendr a:
e
((t))
y(t) =
t
_
0
e
((t))
x()d =
t
_
0
e
((t))
x()d, t > 0
que corresponde a la relacion entrada/salida deseada. Teniendo en cuenta la denici on para la
respuesta a impulso se obtendr a
h(t) = e
((t))
u (t )
que corresponde a una respuesta a impulso fsicamente realizable, mientras, para el caso de
a(t) = a = cte. se tendr a que:
h(t) = e
a(t)
u (t ) ,
que describe un sistema lineal e invariante en el tiempo.
2.3.2. M etodo de an alisis espectral
En el caso del an alisis de los sistemas en el dominio de la frecuencia, sea la forma de la se nal a la
entrada x(t) = e
jt
. Aceptando la linealidad del sistema, se analizar a la soluci on particular:
y(t) = K()x(t) = K()e
jt
, K() C (2.37)
Asumiendo que todos los par ametros que denen el sistema lineal (2.14) son invariantes en el
tiempo,
k
(t),
k
(t) = const. R, entonces se tendr a
0
x(t) +
1
dx
dt
+. . . +
n
d
n
x
dt
n
=
0
y(t) +
1
dy
dt
+. . .
m
d
m
y
dt
m
, (2.38)
Dado que
d
(k)
dt
k
x(t) = (j)
k
e
jt
, entonces,
0
e
jt
+j
1
e
jt
+ + (j)
n
n
e
jt
=
0
K()e
jt
+ +
m
(j)
m
K()e
jt
(
0
+j
1
+ + (j)
n
n
) e
jt
= (
0
+
1
j + +
m
(j)
m
) K()e
jt
(
0
+j
1
+ + (j)
n
n
) = (
0
+
1
j + +
m
(j)
m
) K()
Luego, entonces
K() =
n
k
(j)
k
m
k
(j)
k
=
N()
D()
= H(), (2.39)
De (2.39), se observa que la funci on K() corresponde exactamente con la funci on de transferencia
H() denida en (2.33), la cual depende exclusivamente del sistema y no de la se nal de entrada,
adem as, el mismo resultado se puede obtener al hallar la transformada de Fourier de (2.38):
F
_
0
x(t) +
1
dx
dt
+ +
n
d
n
x
dt
n
_
= F
_
0
y(t) +
1
dy
dt
+ +
m
d
m
y
dt
m
_
0
X() +
1
jX() + +
n
(j)
n
X() =
0
Y () +
1
jY () + +
m
(j)
m
Y ()
(
0
+
1
j + +
n
(j)
n
) X() = (
0
+
1
j + +
m
(j)
m
) Y ()
Y ()
X()
=
n
k=0
k
(j)
k
m
k=0
k
(j)
k
= H()
Fsicamente, H() indica que una manera de probar la condici on de linealidad de un sistema inva-
riable en el tiempo es aplicando a la entrada una sinusoide con valores de amplitud, frecuencia y fase
conocidos y constantes. En caso de linealidad, la salida del sistema deber a ser otra sinusoide con la
misma frecuencia de entrada y puede tener diferentes valores de fase y amplitud:
Y (
k
) = H(j
k
)X(
k
)
Este proceso se hace repetitivo para el rango analizado de frecuencia. El cociente de estos dos
coecientes complejos corresponde a los valores de amplitud y fase de la funci on de transferencia.
Por cuanto, en (2.37) la funci on de transferencia H() se asume compleja, por lo tanto, se describe
en t erminos del m odulo (respuesta de amplitud) y de la fase (desfase), respectivamente como:
H() = [H()[ e
j()
= 1H() +H()
donde
[H()[ =
_
1H()
2
+H()
2
(2.40a)
() = arctan
_
H()
1H()
_
(2.40b)
Analizando (2.39) se puede llegar a la conclusi on de que un sistema lineal e invariable en el tiem-
po act ua como dispositivo selectivo de frecuencia o ltro en las diferentes componentes espectrales
aplicadas a un sistema, esto es, algunas componentes pueden amplicarse, otras atenuarse y algunas
permanecer an inalteradas. De hecho, cada componente espectral puede tener un desfase caracterstico
al pasar por el sistema.
,
, ,
,
R
y(t) C x(t)
(a) Diagrama b asico
0
0.2
0.5
1
0
1.5
1
0.5
0
0.5
1
1.5
[H()[ ()

1
2 = 21
(b) Funci on de transferencia
Figura 2.6. An alisis espectral del circuito RC
Ejemplo 2.7. Determinar la funci on de transferencia del sistema (circuito RC) mostrado en la
Figura de 2.6(a).
Aplicando la relacion del divisor de voltaje, se tiene:
y(t) =
Z
c
R +Z
c
e
jt
donde la impedancia de la capacitancia es Z
c
= 1/jC. As,
H() =
(1/jC)
R + (1/jC)
=
1
1 +j
siendo = RC. Al convertir en forma polar la anterior expresi on se obtienen las respectivas
magnitud y desfase: [H()[ =
_
1 + ()
2
_
1/2
, las cuales se muestran en la Figura 2.6(b)
Aceptando, que la se nal de entrada tiene la forma x(t) = e
jt
, la convoluci on dada en (2.34) se
dene como:
y(t) =
h()x(t ) d =
h()e
j(t)
d = e
jt
h()e
j
d
= e
jt
F h(t) = e
jt
H()
Luego, la funci on de transferencia H() corresponde a la Transformada de Fourier de la funci on
respuesta al impulso:
H() = F h(t) =
h(t)e
jt
dt
Por ultimo, aplicando la transformada inversa de Fourier a (2.13), la salida se expresa en forma
alterna como
y(t) =
1
2
H()X()e
jt
d
Ejemplo 2.8. Determinar la magnitud de respuesta de un ltro pasabajos RC (Figura 2.6(a))
de la funci on rect
(t), donde = 4RC.

Teniendo en cuenta la magnitud [X()[ = sinc(/2) de la FDE del pulso cuadrado obtenida
en (1.33) y la respuesta de amplitud obtenida [H()[ = [1 +jRC[
1
= (
_
1 + (/4)
2
)
1
en
el ejemplo 2.7, entonces, la magnitud de la salida sera:
[Y ()[ = [X()[[H()[ =
/T
_
1 + (/4)
2
[ sinc (T/2) [
Las gr acas de la magnitud en las Figuras 2.7(a) y 2.7(b) muestran que este sistema aten ua las
altas frecuencias de la FDE a la entrada y permite el paso de frecuencia relativamente mas bajas
con menor atenuaci on. Ademas, la transmision desigual de todas las componentes produce una
replica distorsionada de la se nal de entrada.
2.3.3. M etodo de ecuaciones diferenciales
Las ecuaciones lineales diferenciales proporcionan otra representaci on de las caractersticas de entrada-
salida de los sistemas lineales e invariantes en el tiempo. El ejemplo m as sencillo, tal vez, corresponda
al an alisis de un circuito diferenciador, cuya se nal de salida est a relacionada con la entrada de la forma
y(t) =
dx
dt
,
0
0
0.5
1
0
0
0.5
1
0
0
0.5
1
X()
H()
Y ()
RC = P
RC = 0.5P
RC = 2P
(a) An alisis en frecuencia
0.2
0.4
0.6
0.8
1
0.2
0.4
0.6
0.8
1
0.2
0.4
0.6
0.8
1
x(t)
y(t)
0.9
0.9
0.9
0.5
0.5
0.5
(b) An alisis en el tiempo
Figura 2.7. Respuesta del circuito RC a un pulso cuadrado
Basados en la propiedad de diferenciaci on de la TF (1.65) se tiene que
Y () = jX(),
por lo que la funci on de transferencia del diferenciador ideal corresponde a
H() = j
El circuito RC del ejemplo 2.7 representado en la Figura 2.6(a), cuya funci on de transferencia es
igual a
H() =
1
1 +j
, = RC
puede ser aproximado a un diferenciador, si se toma la condici on 1, con lo que la funci on
aproximada de transferencia del circuito ser a:
H() j
De manera alterna se puede calcular la funci on de transferencia de un circuito integrador:
y(t) =
_
x(t)dt,
cuya funci on de transferencia, basados en (1.66), es igual a H() = 1/j.
El circuito RC tambi en puede ser congurado como integrador, observando la condici on 1,
obteni endose la siguiente funci on de transferencia aproximada
H() 1/j
En forma general, el circuito RL tambi en puede ser congurado, bien como diferenciador, bien
como integrador. En la pr actica es preferible la implementaci on sobre circuitos RC, por presentar
menores p erdidas activas que las que usualmente registran las inductancias.
2.3.4. Sistemas discriminantes de frecuencia
Se considera que la se nal a su paso por un sistema no sufre distorsiones, si su forma no cambia,
modicando solamente su escala o desplazamiento en el tiempo (tpicamente retardo), esto es,
y(t) = kx(t
0
)
siendo k el coeciente de escala, y
0
el retardo inherente al tiempo de proceso del sistema. La FDE
a la salida del circuito estar a dada por
F y(t) = Y () = kX()e
j
0
`

.....
...........................................................................................................................................
`
()
0
0
[H()[
k
()
Figura 2.8. Desfase lineal
con lo cual, la funci on de transferencia de un cir-
cuito sin distorsiones se determina como
H() = ke
j
0
cuyas funciones de respuesta de amplitud y des-
fase, representadas en la Figura 2.8, tienen res-
pectivamente la forma,
[H()[ = k, () =
0
(2.41)
De otra parte, la funci on de retardo de grupo
del sistema tiene uso amplio y es determinada
por:
() =
d
d
(2.42)
En caso de no cumplirse alguna de las condiciones de (2.41) y (2.42), la forma de la se nal de
salida se diferenciar a de la se nal de entrada. De las condiciones de realizaci on fsica, se deduce que la
respuesta de amplitud y cambio de fase de los sistemas lineales con par ametros constantes poseen las
cualidades de simetra:
H() = H(), [H()[ = [H()[, () = () (2.43)
Modelos de ltraci on b asica lineal. Basados en las condiciones (2.41), (2.42) y (2.43) se pueden
establecer los siguientes modelos b asicos de ltraci on
(a). Filtro pasabajos, el cual aten ua las componentes de alta frecuencia (por encima de una fre-
cuencia denominada de corte) de la se nal de entrada, dejando pasar las componentes de baja
frecuencia
(b). Filtro pasaaltos, aten ua las bajas frecuencias, por debajo de valor de frecuencia mnimo esta-
blecido (frecuencia mnima) y deja pasar las frecuencias altas.
(c). Filtro pasabanda, deja pasar las se nales comprendidas dentro de una banda espectral (banda de
paso) establecida entre un valor mnimo de frecuencia (frecuencia mnima) y un valor m aximo
permitido (frecuencia m axima), atenuando todas las componentes que est en fuera de la banda
de paso.
(d). Filtro rechazabanda, aten uan las se nales comprendidas de una banda espectral (banda de recha-
zo) establecida entre un valor mnimo de frecuencia (frecuencia mnima de rechazo) y un valor
m aximo permitido (frecuencia m axima de rechazo), dejando pasar todas las componentes que
est en fuera de la banda de rechazo.
.
.
.

Lnea de retardo
Registro de desplazamiento
y(t)
x(t)
a0 a1 an1 an

Figura 2.9. Filtro transversal
La integral de convoluci on (2.34) en la res-
puesta a impulso se puede aproximar de la si-
guiente manera:
y(t) =
t
_
0
x(t ) h()d
t/
k=0
x(t k)h(k)
Este resultado se puede realizar utilizando una
lnea de retardo con derivaciones cada k, la
salida de cada derivaci on se multiplica por el fac-
tor prejado h(k).
Un ejemplo de ltro construido con una lnea de retardo con derivaciones ponderadas y un sumador
en la forma mostrada en la Figura 2.9 se denomina ltro transversal.
2.3.5. Representaci on de sistemas no lineales
M etodo de series funcionales. Este m etodo, tambi en conocido como el m etodo de Wiener [20],
puede ser catalogado como heurstico y est a basado en la posibilidad de representar sistemas no linea-
les invariantes en el tiempo en forma de series.
Sea un sistema dipolo con entrada x(t) y salida y(t), relacionadas por el operador del sistema K ,
y (t) = K x(t), el cual en general, depende del car acter del sistema, su objeto de an alisis y tipo de
entradas. En el caso concreto, se escoge una clase de sistemas con memoria nita, cuando el operador
es biyectivo. Esta restricci on no tiene en cuenta sistemas, en los cuales existan puntos de equilibrio
dependientes de las condiciones iniciales de entrada (sistemas con memoria innita).
Una forma de representaci on de no linealidad en un sistema, m as angosta que las correspondientes
ecuaciones diferenciales no lineales, consiste en las series de Volterra [21]:
y (t) = h
0
(t) +
k
_

_
h
k
(t,
1
, . . . ,
k
) x(
1
) . . . x(
k
) d
1
. . . d
k
(2.44)
En el caso particular, de ecuaciones diferenciales de primer orden [22],
dy
dt
= f (t, y (t)) +g (t, y (t) , x(t))
la representaci on (2.44) es viable, por ejemplo, cuando la funci on f (t, y (t)) con respecto a y(t) se
puede aproximar por la serie de Taylor, mientras la funci on g() no depende de y(t).
A efectos de simplicaci on de an alisis, la representaci on se puede limitar hasta sistemas invariables
en el tiempo, cuando se asume que, K x(t +) = y (t +) , , por lo cual las serie funcional
de Volterra toma una forma m as simple,
y (t) = h
0
+
h
1
(
1
) x(t
1
) d
1
+
h
2
(
1
,
2
) x(t
1
) x(t
2
) d
1
d
2
+
(2.45)
_
.
`
`
`
`
`
`
`
`
`
`
`
`
` -
H1 : h1()
H2 : h2(1, 2)
H
k
: h
k
(1, . . . ,
k
)
h0
y(t) x(t)
.
.
.
.
.
.

Figura 2.10. Representaci on por series de Volterra
Las funciones h
k
(
1
, . . . ,
k
) son deno-
minadas los n ucleos de Volterra, que al
igual que en los sistemas lineales represen-
tan la respuesta a la funci on delta. El pri-
mer t ermino h
0
se puede tomar como compo-
nente constante de la representaci on, o bien,
como las condiciones iniciales, por cuan-
to y(t) = h
0
, cuando x(t) = 0. En
cuanto al segundo t ermino de la descompo-
sici on,
_
h
1
(
1
) x(t
1
) d
1
, si se asume
la condici on de realizaci on fsica, h
1
(t) =
0, t < 0, entonces este corresponde a la
parte lineal del sistema. El tercer t ermino
_ _
h
2
(
1
,
2
) x(t
1
) x(t
2
) d
1
d
2
corres-
ponde a la convoluci on doble de la se nal de en-
trada x(t) con la respuesta a impulso h
2
(
1
,
2
).
Si se asume la independencia de los t erminos
h
2
(
1
2
) = h(
1
)h(
2
), con lo que el tercer
t ermino se escribe como,
_ _
h
2
(
1
,
2
) x(t
1
) x(t
2
) d
1
d
2
=
_ _
h(
1
) h(
2
) x(t
1
) x(t
2
) d
1
d
2
=
_
h(
1
) x(t
1
)d
1
_
h(
2
) x(t
2
)d
2
= y (t) y (t) = y
2
(t)
esto es, el tercer t ermino puede ser entendido como la descripci on de un sistema cuadr atico.
En general, asumiendo que todos los n ucleos de Volterra cumplen las siguientes condiciones:
Realizaci on fsica. h
k
(
1
, . . . ,
n
) = 0,
k
< 0, k = 1, . . . , n
Simetra. h
k
(
1
, . . . ,
n
) = h
k
(
n
, . . . ,
1
) = , esto es, el n ucleo es el mismo cualquiera
que sea el orden de sus argumentos.
Entonces, un sistema no lineal dado con memoria nita puede ser representado por la serie de
Volterra (2.45), en la cual cada t ermino puede ser asociado a su respectivo operador elemental H
k
(Figura 2.10),
y (t) = h
0
+
k>0
H
k
x(t) (2.46)
donde H
k
x(t) =
_

_
h
k
(
1
, . . . ,
k
) x(
1
) x(
k
) d
1
. . . d
k
.
En el empleo de las series de Volterra para la representaci on de sistemas no lineales con memoria
nita, se tienen por lo menos tres dicultades b asicas [22]: Se puede o no representar un sistema
dado en series de Volterra?, c omo determinar los n ucleos?, y a partir de la descripci on del sistema de
ecuaciones diferenciales, c omo obtener la serie?.
La serie de Volterra es de la clase exponencial con memoria, as, si la excitaci on del sistema se
cambia c veces, entonces de acuerdo con (2.46), la respectiva salida del sistema ser a,
y (t) = h
0
+
k>0
H
k
cx(t) = h
0
+
k>0
c
k
H
k
x(t) (2.47)
La memoria de la ultima serie es consecuencia de la denici on en (2.46) de cada operador elemental
en forma de convoluciones, por lo tanto, la representaci on (2.47) puede ser entendida como la serie
de Taylor con memoria. En este sentido, las restricciones en la representaci on de sistemas no lineales
mediante la serie de Volterra, corresponden tambi en al problema de convergencia inherente a la serie
de Taylor.
Ejemplo 2.9. Analizar la convergencia del sistema invariable en el tiempo con funci on de no
linealidad dada por la expresi on y(t) = z(t)
_
1 +z
2
(t)
_
1
, representado en la Figura 2.11.

x(t) z(t) y(t)
h(t) ()
2
Figura 2.11. Sistema cuadr atico simple
La descomposici on de la funci on en an alisis en la serie de Taylor tiene la forma
y (t) =
k=0
(1)
k
z (t)
2k+1
(2.48)
Reemplazando por el n ucleo b asico de primer orden z (t) = h(t) x(t), se obtiene la respectiva
serie de Volterra
y (t) =
k=0
(1)
k
_
_
h() x(t ) d
_
_
2k+1
=
k=0
H
2k+1
x(t) (2.49)
donde los n ucleos tienen la forma h
2k+1
(
1
, . . . ,
2k+1
) = (1)
k
h(
1
) h(
2k+1
).
Por cuanto la serie de Taylor (2.48), obtenida para el sistema cuadr atico simple, converge s olo
para valores de z(t) < 1, entonces la respectiva serie (2.49) converge en aquellos momentos del
tiempo cuando [z(t)[ 1. Lo anterior implica, que en el ejemplo del sistema cuadr atico simple,
la serie de Volterra se puede emplear para se nales de entrada, cuya salida z(t) no exceda el valor
de 1.
Cabe anotar que la convergencia de la serie de Taylor se exige en todo el dominio t de represen-
taci on. As por ejemplo, si en la Figura 2.11 en vez del elevador al cuadrado se tiene un limitador
bilateral del tipo y(t) = a sgn (z(t)), entonces para esta funci on con rompimiento en el punto t = 0,
la serie de Taylor no existe en ese mismo punto, y por lo tanto, tampoco la representaci on en series de
Volterra.
Sea la clase de excitaciones de un sistema en an alisis, tal que converja la serie (2.45), y que adem as
el sistema pueda ser representado por la serie truncada (2.47) hasta los primeros n t erminos:
y (t) h
0
+
n
k=1
H
k
x(t)
Si el n umero de t erminos n est a dado, entonces aparece la tarea de identicaci on del sistema, que
determine el n ucleo de Volterra h
k
(
1
, . . . ,
k
), para lo cual se puede escoger como criterio de aproxi-
maci on, el error cuadr atico medio determinado en (1.21), cuya condici on de minimizaci on conlleva
a un sistema de ecuaciones integrales para la determinaci on de los n ucleos [22]. El sistema contiene
t erminos de momentos estadsticos cruzados entre la entrada y la salida, cuyo c alculo se puede realizar
pr acticamente solo de manera experimental, m as aun asumiendo la condici on de invariabilidad de
cambio de la estructura de aleatoriedad de los procesos; c alculo que se hace m as difcil en la medida
en que crece el n umero n de aproximaci on.
En la pr actica, es frecuente asumir el conocimiento de las ecuaciones diferenciales que describen el
comportamiento del sistema, y para su soluci on se emplean diferentes formas del m etodo de aproxi-
maciones sucesivas, entre los cuales est a el m etodo de iteraciones de Picard [21].
Sea un sistema no lineal descrito por la ecuaci on diferencial de primer orden,
dy/dt +y = x(t) f (y) , y (0) = 0, (2.50)
siendo f (y) alguna funci on de dependencia no lineal, que permite ser representada en la serie de
Taylor, f (y) =
n
k>1
a
k
y
k
, donde n . La suma de la serie se analiza a partir de k > 1, por
cuanto se retiran los t erminos lineales de representaci on, que corresponden a k = 0, 1.
La ecuaci on lineal dy/dt + y = x(t), obtenida de (2.50) para f(0) = 0, asumiendo condiciones
iniciales cero, tiene soluci on,
y
1
(t) =
t
_
0
h(t ) x() d, h() = e
Al hallar la soluci on de la ecuaci on diferencial (2.50) en la forma,

y (t) = y
1
(t)
t
_
0
f (t ()) h(t ) d,
se puede reemplazar la expresi on de funci on f(y) por su respectiva representaci on en serie de Taylor,
por lo cual,
y (t) = y
1
(t)
n
k>1
a
k
t
_
0
y
k
() h(t ) d
La anterior descomposici on permite la representaci on de la soluci on y(t) por la serie funcional de
Volterra, y (t) =
k=1
y
k
(t),
k=1
y
k
(t) = y
1
(t)
n
k>1
a
k
t
_
0
y
k
() h(t ) d
Empleando la relaci on recurrente conocida,
_

k=1
v
k
_
n
=
k=1
v
(n)
k
, v
(n)
k
=
k
r
k
=1

r
2
r
1
=1
v
r
1
v
r
2
r
1
+1

se obtiene la soluci on en la forma,
k=1
y
k
(t) = y
1
(t)
i=1
k>1
a
k
t
_
0
y
(k)
i
() h(t ) d
Si se considera el orden de los t erminos con respecto a la magnitud de la se nal de entrada, en
particular, cuando y
i
= o
_
x
i
_
, y
(k)
i
= o
_
x
i+k1
_
, entonces en la anterior serie, igualando los
t erminos de un mismo orden con relaci on a x, se obtiene en forma nal,
y
i
(t) =
i
k=2
a
k
t
_
0
y
(k)
i
() h(t ) d, i 2
Problemas
Problema 2.6. Conformar las ecuaciones diferenciales de los circuitos representados en la Figura 2.12.
,
, ,
,
C2
R2
R1
y(t) x(t)
,
,
,
,
,
,
,
,
,
,
,
,
R3
R1
C1
R2
C2
x(t) x(t)
C1
R1
R2
y(t) x(t) y(t) y(t)
C
C
f
R2
R1
R
f
a) d) c) b)
Figura 2.12. Circuitos de ltraci on
Problema 2.7. Determinar la respuesta a impulso para la siguiente funcion de entrada/salida dada
por y(t) =
Z
0
e
tz
u(t z)x(z)dz, t 0.
R. h(t) =
Z
0
e
(tz)
u(t z)(z )dz = e
(t)
u(t ).
En este caso la respuesta como funcion de t , que de acuerdo a las deniciones (1.4) y (1.5), no
depende de t y separadamente. As, si el sistema es causal, entonces, la respuesta a impulso debera ser
h(t ) = 0, t < , de otra manera se tendra respuesta a impulso actuando antes de la aparicion de
la funcion (t ), lo que no corresponde a la realidad.
Problema 2.8. Hallar la respuesta al impulso para la funcion entrada/salida
y(t) =
ztu(t z)x(z)dz.
R. h(t) = tu(t ) .
Problema 2.9. Encontrar la respuesta a impulso del ejemplo (2.6) cuando a es constante, directamente
resolviendo la ecuacion con x(t) = (t).
Problema 2.10. Determinar la respuesta a impulso del circuito de retencion mostrado en la parte
derecha de la Figura 2.13.
R. x(t) = (t), se obtendra, y(t) = (t) (t t0) resultando en:
h(t) =
(() ( t0)) d = u(t) u(t t0),

La respuesta a impulso del sistema analizado se muestra en la parte izquierda de la Figura 2.13.
Problema 2.11. Encontrar la respuesta a impulso h(t) de la conexion en cascada de los siguientes
sistemas: z(t) = e
t
x(t)u(t), siendo
y(t) =
t
Z
0
e
(t)
z()u()d, t 0.
Encontrar la respuesta a impulso del sistema obtenido intercambiando los sistemas s1 y s2 dados ante-
riormente.
`
_
`
`

h(t)
1
t
x(t)
retardo
+
+
y(t) z(t)
a) b)
Figura 2.13. Circuito de retenci on
Problema 2.12. Determinar la respuesta a impulso y la respuesta al escalon unitario para cada uno
de los circuitos descritos por las siguientes ecuaciones diferenciales:
T
dy
dt
y = kx y = k
x +T
dx
dt
y = k
x + 2k1T
dx
dt
+T
2
d
2
x
dt
2
T
2
d
2
y
dt
2
+ 2k1T
dy
dt
+y = kx
T
2
d
2
y
dt
2
2k1T
dy
dt
+y = kx
1
2
d
2
y
dt
2
+y = kx
Problema 2.13. Suponer que se intercambian la resistencia y el capacitor en el circuito RC de la
Figura 2.6(a). Determinar la nueva funcion de transferencia y justicar por que el sistema puede ser del
tipo ltro pasaaltos.
Problema 2.14. Para los ltros RC pasabajos y pasaaltos mostrados anteriormente, calcular el voltaje
de salida y(t) correspondiente al voltaje de entrada x(t) =[ sin 2ft [, 0 < t < 1, asumiendo RC = 1.
Problema 2.15. El circuito descrito en la Figura 2.14(a) es considerado un sistema con corriente i(t)
como entrada y el voltaje v(t) como salida. Encontrar:
(a). la relacion de entrada/salida del sistema;
(b). probar las condiciones de linealidad y causalidad del sistema.
Problema 2.16. Hallar la funcion de transferencia y la respectiva respuesta a impulso del ltro RC de
tercer orden mostrado en la Figura 2.15a). Asumiendo los nominales R = 6.8 k y C = 0.2F, calcular
las frecuencias f1 y f2 [Hz] para las cuales el desfase introducido por el ltro es de /2 y [rad],
respectivamente.

.

.

.

.

.

.
,
,
,
,
C x(t) y(t)
L L
R
(a) Circuito RLC

.

.

.
, ,
, ,
x(t)
y(t)
R0
R1
L
R2
C
(b) Filtro RLC
Figura 2.14.
Problema 2.17. Calcular la respuesta a impulso h(t) del sistema lineal, con funcion de transferencia
(H0 y son constantes),
H () =
H0 exp
`
j
2
, 0
H0 exp
`
j
2
, < 0
Problema 2.18. Hallar la funcion de transferencia y la respuesta a impulso del cuadripolo cruzado
mostrado en la Figura 2.15b) con impedancias conocidas Zi, i = 1, 2, 3, 4.
,
,
,
,
,
,
,
,
................................................
.............................................
.......................................................................................................
R R R
C C C x(t) y(t)
Z1
Z3
Z2
Z4
x(t) y(t)
b) a)
Figura 2.15.
Problema 2.19. La ecuacion diferencial que relaciona la tension de salida y(t) con la de entrada x(t)
del sistema mostrado en la Figura 2.14(a) es
L
2
C
d
3
y
dt
3
+RLC
d
2
y
dt
2
+ 2L
dy
dt
+Ry(t) = Rx(t)
(a). Encontrar la funcion de transferencia del sistema.
(b). Determinar la magnitud y el desplazamiento del sistema.
(c). Determinar b) para = 1/
LC.
Problema 2.20. Encontrar las ecuaciones diferenciales del ltro RLC de baja frecuencia representado
en la Figura 2.14(b). Hallar la respectiva funcion de transferencia y respuesta a impulso.
Problema 2.21. Hallar la funcion de transferencia del sistema anterior si la funcion a la salida del
circuito de retardo se resta de la original.
R. [H()[ = 2 sin(/2), () = arctan [(sin ) / (1 cos )] .
Problema 2.22. Obtener la serie de salida y(t) cuando en la entrada existe la se nal
x1(t) =
8
<
:
0, t 0
sin t, 0 < t < 2
0, t 2
, x2(t) = u(t)
Problema 2.23. Dada la respuesta a impulso h(t) =
1
T
exp
`
t
T
de un circuito lineal, hallar la

respectiva salida y(t), asumiendo y(0 = 0), cuando a la entrada se tiene la se nal x(t) = kt, k = const.
Ejercicio en el CP 2.1. Simular la funci on de transferencia de los ltros RC en regimen de trabajo
de integrador y diferenciador.
Ejercicio en el CP 2.2. Utilizando un mnimo de 50 puntos, calcule y dibuje la magnitud de la
funci on de transferencia de un ltro transversal de cuatro derivaciones (con un retardo de T entre
cada una de ellas) para la siguiente eleccion de pesos a
k
del ltro:
(a). +1,-1,+1,-1
(b). -1,+1,+1,-1
Ejercicio en el CP 2.3. Simular la funci on de transferencia de los ltros RC (Figura 2.6(a)) en
sus conguraciones de pasaaltos y pasabajos.
2.4. Representaci on matricial de sistemas 97
2.4. Representaci on matricial de sistemas
2.4.1. Sistemas lineales y variables de estado
A partir del m etodo de ecuaciones diferenciales (2.14), que describe un sistema lineal con una entrada
y una salida, en el numeral 2.3.1 se analiza la funci on de respuesta a impulso h(t) como soluci on
del sistema (2.38).
Sin embargo, el m etodo de ecuaciones diferenciales puede emplearse directamente en la representa-
ci on de los sistemas din amicos lineales. En este segundo caso, se deben tener en cuenta los siguientes
momentos:
Las condiciones iniciales del sistema deben ser conocidas para determinar la respuesta del sis-
tema en cualquier intervalo de tiempo t
0
t t
1
, que deben estar en un n umero tal que
describan completamente la inuencia de la se nal de entrada hasta el momento t
0
sobre la se nal
de salida despu es del momento t
0
.
El estado del sistema se dene como la cantidad mnima de elementos de referencia sobre
el sistema necesaria para la descripci on completa de la se nal de salida, mientras las mismas
variables de referencia se denominan variables de estado. En la pr actica, el estado del sistema
se describe por un vector de orden nito y, por lo tanto, se habla de un sistema din amico con
dimensi on nita.
La soluci on de la ecuaci on diferencial puede ser obtenida sobre una base de operaciones b asicas,
compuesta por integradores, sumadores, dispositivos no lineales, amplicadores de ganancia
variables etc. La conexi on de estos dispositivos de operaciones b asicas se considera el modelo
del sistema din amico.
La forma generalizada de la ecuaci on diferencial de orden m,
0
u(t) =
0
y(t) +
1
dy
dt
+ +
m
d
m
y
dt
m
, (2.51)
implica la selecci on de y (t) , . . . , d
m1
y
_
dt
m1
en calidad de variables de estado, y su soluci on
se puede obtener empleando el procesador anal ogico equivalente representado en la Figura 2.16.
_

_

_
_

_

_
.
.
.

`
`
`/
/
/
`
`
`/
/
/

`
`
`/
/
/
`
`
`/
/
/

`

...........................................
.

...........................................
...........................................
u(t) y(t)
0
d
m
y
dt
m
d
m1
y (t0)
dt
m1
0
d
m1
y
dt
m1
d
m2
y (t0)
dt
m2
0
d
m2
y
dt
m2
dy
dt
y (t0)
n1 n2 1 0
_ _ _
Figura 2.16. Modelo de un sistema lineal de orden m
Ejemplo 2.10. Sea el circuito RC representado en la Figura 2.7, en el cual las se nales de salida
y (t) y entrada u (t) estan relacionadas por la ecuacion diferencial
RC
dy
dt
+y (t) = u (t) (2.52)
El calculo de la se nal de salida (voltaje) en el intervalo t t
0
, implica el conocimiento de la
se nal de entrada para t t
0
, ademas del voltaje inicial y (t
0
), presente en el condensador en el
momento t
0
. De esta manera, en este caso es suciente introducir solamente una sola variable
de estado, que es la que corresponde al voltaje y (t). As mismo, la ecuacion (2.52) corresponde
a la ecuacion de estado del circuito RC en an alisis, en concordancia con la cual, se representa
el respectivo modelo equivalente en la Figura 2.17.
_

_

`

.
.
.
u(t)
t t0 t t0
y(t)
y (t0)
dy
dt
RC
dy
dt +
1
RC
_
Figura 2.17. Modelo equivalente del circuito RC
Un sistema, dado por la ecuaci on (2.51) de orden m, puede ser descrito adem as por ecuaciones
diferenciales de primer orden. Frecuentemente, tal sistema de ecuaciones diferenciales, que es deno-
minado ecuaci on vectorial diferencial de primer orden, es m as f acil de analizar que la ecuaci on inicial
de orden m. As por ejemplo, en vez de la ecuaci on (2.51) se puede analizar el siguiente sistema:
x
1
(t) = y (t)
x
2
(t) =
dy
dt
=
dx
1
dt
x
3
(t) =
d
2
y
dt
2
=
dx
2
dt

x
n
(t) =
d
m1
y
dt
m1
=
dx
m1
dt
por lo tanto, se tiene que
du
m
dt
=
d
m
y
dt
m
=
0
x(t)
m
k=1
k1
d
k1
y
dt
k1
=
0
u(t)
m
k=1
k1
x
k
(t) , t t
0
(2.53)
Si introduce la funci on vectorial columna x(t) x
k
: k = 1, . . . , m , t t
0
, entonces en vez
de la ecuaci on (2.51) de orden m, se analiza la siguiente ecuaci on equivalente de primer orden y con
dimensi on m,
dx
dt
= Ax(t) +Bu(t) (2.54)
donde las matrices A
mm
y B
m1
tienen la forma
A =
_
_
0 1 0 0
0 0 1 0

0 0 0 1
m

m1

m2

1
_
_
, B =
_
_
0
0
.
.
.
0
_
_
(2.55)
cuya soluci on requiere el vector de condiciones iniciales x(t
0
). El vector x(t) se denomina vector de
estado del sistema y la ecuaci on (2.55) corresponde a la ecuaci on de estado del sistema. La se nal de
salida y (t) del sistema lineal en an alisis se determina por medio del vector de estado en la forma,
y (t) = Cx(t) (2.56)
donde la matriz C
1m
se dene como,
C =
_
1 0 0
La generalizaci on de ecuaci on diferencial (2.51), para los sistemas lineales, corresponde a la ecua-
ci on (2.38) e incluye la diferenciaci on de la se nal x(t), la cual debe evitarse en el an alisis de sistemas
estoc asticos reales, entre otras razones porque es frecuente en calidad de se nal de entrada tomar el
ruido blanco, cuyas derivadas en el tiempo no existen.
En este sentido, se puede representar de forma alterna la ecuaci on (2.38),
d
m
y
dt
m
+
m1
d
m1
y
dt
m1

m1
du
dt
m1
+ +
1
dy
dt

1
du
dt
=
0
u(t)
0
y (t) , t t
0
(2.57)
La integraci on de ambas partes de la igualdad (2.57), con condiciones iniciales cero, da como
resultado,
d
m1
y
dt
m1
+
m1
d
m2
y
dt
m2

m2
d
m2
u
dt
m2
+ +
1
y (t)
1
u(t) = x
m
(t) , t t
0
(2.58)
donde
x
m
(t) =
t
_
t
0
(
0
y () +
0
u(t)) d (2.59)
De la misma manera, la ecuaci on (2.58) se puede escribir en la forma
d
m1
y
dt
m1
+
m1
d
m2
y
dt
m2

m1
d
m2
u
dt
m2
+ +
2
dy
dt
2
du
dt
= x
m
(t)
1
y (t)
1
u(t) , t t
0
cuya integraci on conlleva a la ecuaci on,
d
m2
y
dt
m2
+
m1
d
m3
y
dt
m3

m1
d
m3
u
dt
m3
+ +
2
y (t)
1
u(t) = x
m1
(t) , t t
0
donde
x
m1
(t) =
t
_
t
0
(x
m
(t)
1
y () +
1
u(t)) d (2.60)
La sucesi on descrita de operaciones se puede repetir m veces, y como resultado en el ultimo paso
se tiene,
y (t) = x
1
(t) , x
1
(t) =
t
_
t
0
(x
2
(t)
m1
y () +
m1
u(t)) d (2.61)
El modelo del procesador anal ogico, que puede realizar estas transformaciones, se muestra en la
Figura (2.18).
_

_

_

`

. .
`
`
`/
/
/ `
`
`/
/
/

/
/
/`
`
`
`
/
/
/`
`
`
`
`
`
`/
/
/
/
/
/`
`
`
`
` `

_
y(t)
x1
t t0
_ _
u(t)
0 1 m1
0 1 m1
xm xm1 x2
t t0
Figura 2.18. Modelo de un sistema de dimensi on m ultiple.
La se nal de salida y (t) , t t
0
, se determina si adem as de tener la se nal de entrada u(t) , para
t t
0
, se jan las condiciones iniciales x
k
(t
0
), k = 1, . . . , m de las correspondientes salidas de
los integradores. Por lo tanto, estas se nales se pueden seleccionar en calidad de variables de estado
del sistema din amico descrito por la ecuaci on (2.38). En correspondencia con las expresiones (2.59),
(2.60) y (2.61), las respectivas ecuaciones para estas variables de estado tienen la forma,
x
1
(t) = y (t)
x
2
(t) =
dx
1
dt
+
m1
y (t)
m1
u(t)

x
m
(t) =
du
m1
dt
+
1
(t)
1
u(t)
dx
m
dt
=
0
y (t) +
0
u(t)
El sistema de ecuaciones de estado obtenidas para el sistema (2.38), al ser representadas mediante
la ecuaci on equivalente de primer orden (2.53), implica el c alculo de nuevo de las correspondientes
matrices en (2.55). En particular, se obtiene,
A =
_
m1
1 0 0
m2
0 1 0

1
0 0 1
0
0 0 0
_
_
, B =
_
m1
m2
.
.
.
0
_
_
La representaci on para la se nal de salida sigue siendo la misma que se presenta en (2.56). La ilustra-
ci on del modelo de sistema de dimensi on m ultiple mostrada en la Figura 2.18 puede ser simplicada,
empleando dispositivos matriciales con varias entradas y salidas, como se observa en la Figura 2.19.
u(t) x(t) x(t)

A
mm
C
1m
_
m1
y(t)
Ax(t)
B
m1
Bu(t)
Figura 2.19. Modelo matricial de un sistema lineal con dimensi on m
Las ecuaciones (2.54) y (2.56) se pueden emplear para la representaci on de sistemas con par ametros
variables en el tiempo descritos en forma generalizada por la expresi on (2.14). Sin embargo, en este
caso las matrices (2.55) ser an dependientes del tiempo, por lo cual la descripci on del modelo se hace
en la forma
_
_
_
dx
dt
= A(t) x(t) +B(t) u(t)
y (t) = C(t) x(t)
(2.62)
para t t
0
y un vector dado de condiciones iniciales x(t
0
).
Ejemplo 2.11. Sea el par de sistemas unidos, como se muestra en la Figura 2.20a), descritos por
el modelo
_
dx
i
dt
= A
i
(t) x
i
(t) +B
i
(t) u
i
(t)
y
i
(t) = C
i
(t) x
i
(t) , t t
0
; i 1, 2 ,
donde x
ir
i
1
(t), r
i
m, n. Hallar los par ametros del modelo conjunto (Figura 2.20b)).
La ecuacion vectorial unica del sistema conjunto tiene la misma estructura que (2.62) con los
siguientes vectores unicos de estado y de las se nales de entrada y salida, respectivamente,
x(t) =
_
_
x
1
(t)
.
.
.
x
2
(t)
_
_
, zzz (t) =
_
_
zzz
1
(t)
.
.
.
zzz
2
(t)
_
_
, zzz uuu, yyy
con la correspondiente estructura de matriz de par ametros,
P(t) =
_
P
1
(t) 0
0 P
2
(t)
_
, P A, B, C , P
i
A
i
, B
i
, C
i
, i 1, 2

a)
b)
u1(t) y1(t)
u2(t) y2(t)
u(t) y(t)
x1(t)m1
x2(t)n1
x(t)
(m+n)1
Figura 2.20. Ejemplo de sistemas conjuntos
2.4.2. Soluci on de la ecuaci on de estado
El sistema diferencial de estado (2.62) tiene soluci on dependiendo de la clase de ecuaci on que se
analice. En particular, se pueden considerar los siguientes casos:
Ecuaci on homog enea con coecientes constantes. En vez del modelo (2.54), se considera la ecua-
ci on diferencial
dx
dt
= Ax(t) , t t
0
(2.63)
con condiciones iniciales x(t
0
) , t t
0
. Cuando x(t) se considera como una funci on escalar x(t),
para (2.63) se tiene la soluci on en la forma,
x(t) = e
A(tt
0
)
x(t
0
) (2.64)
La misma estructura de soluci on (2.64) se considera para el caso vectorial,
x(t) = e
A(tt
0
)
x(t
0
)
donde
e
At
= I +At +
(At)
2
2!
+ +
(At)
n
n!
Adem as, si la matriz A es de orden n n, entonces cualquier polinomio o serie convergente de A,
puede ser descrita en forma de combinaci on lineal de los t erminos I, A, . . . , A
n
.
Sea la notaci on de la funci on matricial (t t
0
) e
A(tt
0
)
, denominada matriz de transici on de
estado, y de la cual se necesitan las siguientes condiciones:
_
_
(t
0
t
0
) = I
d
dt
(t t
0
) = A(t) (t t
0
)
d
dt
T
(t, t
0
) = A
T
(t
0
) (t, t
0
)
Por lo tanto, la soluci on de la ecuaci on diferencial homog enea tiene forma
x(t) = (t t
0
) x(t
0
)
Ecuaci on homog enea con coecientes variables. Cuando las respectivas matrices son variables
del tiempo de acuerdo al modelo (2.62). En este caso, se introduce la matriz de transici on de estado
como funci on de dos variables, (t, t
0
) = e
A(t,t
0
)
, la cual cumple la siguiente ecuaci on diferencial:
d
dt
(t, t
0
) = A(t) (t, t
0
) , (t
0
, t
0
) = I
con las siguientes propiedades adicionales, para t
0
< t
1
< t
2
,
_
(t
2
, t
0
) = (t
2
, t
1
) (t
1
, t
0
) ,
1
(t
1
, t
0
) = (t
0
, t
1
)
En realidad, una expresi on compacta para (t, t
0
) es difcil de obtener. Sin embargo, en la pr actica,
es m as importante saber que esta expresi on existe y que posee ciertas propiedades. Si es necesario
hallar la matriz de transici on de estado, se recurre a m etodos num ericos.
En general, la soluci on del caso homog eneo con par ametros variables se puede representar en la
forma,
x(t) = (t, t
0
) x(t
0
) , t t
0
Ecuaci on no homog enea con coecientes variables. La soluci on general de (2.54) tiene la forma
x(t) = (t, t
0
) x(t
0
) +
t
_
t
0
(t, ) B() u() d (2.65)
donde la matriz de transici on de estado (t, t
0
) cumple las condiciones [23]:
(t
0
, t
0
) = I, ((t, ))
1
= (, t) ,
d
dt
(t, ) = A(t) (t, )
d
dt
T
(t, ) = A
T
()
T
(t, )
(t, ) (, ) = (t, )
La soluci on (2.65) contiene dos componentes: la primera, que corresponde a las oscilaciones libres,
y la segunda, que corresponde a las oscilaciones forzadas. Por cierto, para que el sistema se mantenga
estable, el primer t ermino debe atenuarse en el tiempo, de tal manera que el vector de estado se
determine, m as bien, por la componente forzada, la cual puede ser obtenida como soluci on del mismo
modelo (2.54), pero con condiciones iniciales nulas.
Los sistemas lineales con m ultiples entradas y salidas que presenten par ametros variables, a partir
de (2.10), pueden ser descritos por la matriz cuadrada de la respuesta impulso h(t, ) en la forma,
y (t) =
t
_
h(t, ) u() d (2.66)

En muchos casos reales, cuando t
0
, en (2.65) se puede despreciar el primer t ermino, con lo
cual de (2.54) y (2.65) se obtiene,
y (t) = C(t)
t
_
(t, ) B() u() d (2.67)

As mismo, de las expresiones (2.66) y (2.67) se deduce que,
h(t, ) =
_
C(t) (t, ) B() , t
0, > t
(2.68)
Se debe tener en cuenta que las tres matrices, que hacen parte de la denici on de la respuesta
a impulso en (2.68), dependen del m etodo elegido de disposici on del vector de estado del sistema
considerado en cada caso concreto, y por lo tanto, para un mismo sistema estas pueden ser diferentes.
Sin embargo, la respuesta a impulso matricial h(t, ) para un sistema dado es unica.
Relacionados con los sistemas din amicos se tienen los tres siguientes conceptos:
1. Controlabilidad. El vector unico de control u existe s olo y unicamente cuando se cumple,
rank
__
A
n1
B
.
.
.A
n1
B
.
.
.
.
.
.B
__
= n
2. Observabilidad. La unica soluci on x(0) existe solo y unicamente cuando se cumple,
rank
__
C
T
.
.
.A
T
C
T
.
.
.
.
.
.A
T n1
C
T
__
= n
3. Identicabilidad. La unica soluci on A existe s olo y unicamente cuando se cumple,
rank
__
x(0)
.
.
.Ax(0)
.
.
.
.
.
.A
n1
x(0)
__
= n
En general, existe una transformaci on lineal de las coordenadas de estado, en la forma z = Fx, tal
que del sistema conformado por las ecuaciones (2.54) y (2.56) se obtiene el modelo,
_
z =

Az +Bu
y =

C
T
x
donde
A =
_
_
0 1 0 0
0 0 1 0

0 0 0 1
a
n
a
n1
a
n2
a
1
_
_
,

B = FB,

C =
_
_
1
0
.
.
.
0
_
_
, F =
_
_
C
T
C
T
A
.
.
.
C
T
A
n1
_
_
(2.69)
En concordancia con los valores de las matrices en (2.69), el modelo (2.54) se puede reemplazar
por la ecuaci on diferencial escalar del tipo,
d
n
y
dt
n
+a
1
d
n1
dt
n1
+ +a
n
y = b
1
d
n1
u
dt
n1
+ +b
n
u, b
i
=
i1
k=0
a
ik
g
k
+ g
i
(2.70)
En los sistemas lineales, cuando las matrices A(t) , B(t) y C(t) muestran dependencia del tiempo,
se puede encontrar la correspondiente representaci on en forma de ecuaci on diferencial (2.70), con los
siguientes coecientes:
b
i
(t) =
i1
k=0
ik
l=0
C
n1
n+l1
a
ikl
d
dt
l
g
k
(t) + g
i
(t)
La representaci on del sistema por las expresiones (2.69) y (2.70), frecuentemente es m as c omoda
para su an alisis en procesadores digitales.
Problemas
Problema 2.24. Hallar el modelo equivalente de los circuitos mostrados en la Figura 2.12.
Problema 2.25. Hallar la matriz de transicion de estados de los circuitos mostrados en la Figura 2.12.
Problema 2.26. Clasicar los sistemas en categoras de: linealidad, variante en el tiempo, causalidad
y sin memoria en las siguientes funciones de entrada-salida:
y(t) = tx(t), 0 t 1. y(t) =
t
Z
x()d, t 0.
y(t) =
tx(t)dt, < t < . y(t) =

t
Z
e
(t)
x()d, [t[ < .
y(t) = x(t) +
t
Z
0
(t ) x()d, t 0. y(t) =
dx
dt

Z
t
2
x()d, t > 0.
Captulo 3
Representaci on de se nales y sistemas en
tiempo discreto
L
a reconstrucci on completa de cualquier funci on continua x
c
(t), dada sobre un intervalo de
an alisis de tiempo T
a
, puede realizarse cuando se dispone de un conjunto o malla de sus valores
instant aneos, determinados sobre un intervalo de an alisis, de tal manera que la distancia entre
los mismos sea sucientemente peque na.
3.1. Discretizaci on de se nales en tiempo continuo
3.1.1. Discretizaci on uniforme
El empleo de sistemas discretos en aplicaciones, en las cuales las se nales son de naturaleza continua
(en su estado original de registro), supone la previa adaptaci on de las ultimas, esto es, la discretiza-
ci on de las se nales continuas. El modelo convencional, para el procedimiento ideal de discretizaci on
o muestreo, est a dado por la multiplicaci on de una se nal continua x
c
(t) con la se nal peri odica de
discretizaci on x
d
(t), a n de obtener la se nal discretizada x(kt):
x(t) = x
c
(t)x
d
(t) =
k
x
c
(kt)(t kt) (3.1)
donde x
d
(t) =
k=
(t kt), siendo t el perodo de discretizaci on. A partir de la expresi on
(3.1) se observa que la se nal discretizada x(kt) se dene solamente en los momentos equidistantes
de tiempo t = kt, luego, parte de la informaci on de la se nal original x
c
(t) podra considerarse como
perdida durante su discretizaci on.
Teorema 3.1. [Discretizacion de Kotielnikov] Sea una se nal continua x
c
(t), para la cual no se
encuentran componentes espectrales de frecuencia mayores a
max
= 2f
max
[rad/s], donde f
max
es el maximo valor de frecuencia para la cual X() ,= 0, entonces, toda la informaci on de la
se nal continua estara enteramente contenida en la malla de valores x
c
(nt), asegurando que se
cumpla la desigualdad:
t < 1/2f
max
(3.2)
107
108 Captulo 3. Representaci on de se nales y sistemas en tiempo discreto
El teorema 3.1 permite representar la se nal continua x
c
(t) en forma de la siguiente serie:
x
c
(t) =
k=
x
c
(kt)
sin
max
(t kt)
max
(t kt)
(3.3)
Al comparar la serie (3.3) con la representaci on (1.27), se observa que las respectivas funciones
base de descomposici on ser an las siguientes:
k
(t) =
sin
max
(t kt)
max
(t kt)
(3.4)
La descomposici on (3.3), o serie de Kotielnikov, permite el restablecimiento de la funci on x
c
(t), en
cualquier momento del tiempo t. En particular, para los momentos t = kt, se obtiene:
x(kt) =
1
2
max
_
max
X()e
jkt
d
Por cuanto la integral anterior es igual a:
1
2
max
_
max
X()e
jkt
d =

max
sin
max
(t kt)
max
(t kt)
entonces, el valor buscado de la funci on en el punto t = kt ser a:
x
c
(kt) =

max
x
c
(t)
sin
max
(t kt)
max
(t kt)
dt (3.5)
La comparaci on de los valores obtenidos en (3.5) con los valores denidos en (1.31), muestra que
son los mismos coecientes de la serie de Fourier, asumiendo que se cumple la relaci on de tiempos,
t
f
t
i
= T
a
=
max
/, y por lo tanto, determinan la funci on x
c
(t). Sin embargo, el restablecimiento
de la funci on inicial x
c
(t) exige realizar la suma de la serie (3.3), en forma general, sobre una cantidad
innita de sumandos, lo cual pr acticamente es imposible. De otra manera, el empleo del teorema de
discretizaci on conlleva inevitablemente a errores de representaci on.
Sea la descomposici on innita (3.3) aproximada por la siguiente serie truncada:
x
c
(t)
N/2
k=N/2
x
c
(kt)
sin
max
(t kt)
max
(t kt)
(3.6)
donde x corresponde a la versi on aproximada de la se nal continua original, determinada a partir de N
valores de discretizaci on, tales que
N =
T
a
t
+ 1 = 2f
max
T
a
+ 1 2f
max
T
a
(3.7)
3.1. Discretizaci on de se nales en tiempo continuo 109
Se observa que el error de representaci on en la serie (3.6) es mayor en la medida en que menor sea
la cantidad N de sus sumandos, y viceversa. Por cuanto, la funci on sinc() = 0 en todos los valores
mt, excepto en k = m, entonces los valores de x y x
c
(t) coincidir an en los puntos kt. Por el
contrario, en la mitad de los intervalos se observar a la inuencia de la mayor cantidad de elementos
de la serie truncada, por lo que el error de representaci on ser a el mayor.
Otra fuente de distorsi on, durante la discretizaci on de se nales est a relacionada con el hecho de que
las se nales se denan sobre intervalos nitos de tiempo, por lo que su ancho de banda ser a innito,
haciendo imposible tomar un valor aceptable en (3.2). Sin embargo, las propiedades de los espectros
reales son tales, que sobre un ancho de banda nito se concentra la mayora signicativa de su energa,
por lo cual, las componentes espectrales que est en por fuera de este ancho de banda considerado se
pueden despreciar.
El an alisis detallado de las funciones base (3.4) muestra que su FDE es igual a:
F
k
(t) =
sin
max
(t kt)
max
(t kt)
e
jt
dt =
_
_
_
max
e
jkt
,
max
0, >
max
cuya magnitud es constante, [F
k
(t)[ =

/
max
, [0,
max
].
Al aumentar el valor del ancho de banda de la se nal continua, tal que
max
, y por lo tanto,
t = /
max
0, por lo que se puede armar que al discretizar una se nal con espectro uniforme
y ancho de banda innito se obtiene la funci on delta denida en (1.7). De esta manera, el caso de
an alisis corresponde al integral de Duhamel (1.10), cuya aproximaci on (1.11) tiene como valores de
descomposici on los pulsos rectangulares de la forma
k
(t) =
k
(t kt) =
_
1
/
t
, kt t (k + 1)t
0, kt > t, t > (k + 1)t
De acuerdo con la siguiente expresi on:
X(/t) =
Ta
_
0
x(t)e
j2n/t
dt = tx
n
,
teniendo los valores discretizados de la funci on X(f) en los puntos, distanciados a intervalos 1/t
en el dominio de la frecuencia [f
max
, f
max
], se puede encontrar el n umero de valores discretos
necesario para la descripci on de la funci on x(t):
N =
2f
max
1/T
a
= 2f
max
T
a
,
que corresponde al mismo n umero obtenido en (3.7), para el caso de discretizaci on en el tiempo.
Las se nales discretas son unicamente denidas para valores discretos del tiempo y, si explcitamente
no se ha dicho lo contrario, estas pueden asumir cualquier valor, o sea, no todas las veces son digitales.
Los valores sucesivos son separados por la distancia del intervalo de discretizaci on t, que para
algunos efectos se tomar a igual a 1, esto es,
x
c
(nt) = x
d
[n]
3.1.2. Funciones discretas singulares
, , ,
, , , , , , ,
`
`
6
6 6 6 6 6
1
0 k 1k k + 1 n
1
0 k 1 k k + 1
[n]
n
u[n]

a)
b)
Figura 3.1. Funciones singulares
Pulso unitario discreto. Esta funci on, que
cumple el mismo papel en los sistemas discre-
tos que la funci on delta (1.7) para los sistemas
continuos, se dene como (Figura 3.1a)):
[n k] =
_
1, n = k
0, n ,= k
(3.8)
Por analoga al caso de representaci on (2.33),
por medio de la funci on delta para los sistemas
continuos, en los sistemas discretos se puede re-
presentar una se nal por medio de la funci on de
pulso discreto unitario (3.8):
x[n] =
i=
x[i][n i] (3.9)
Escal on unitaria discreta. En el caso discreto,
el escal on se determina como ( Figura 3.1b)):
u[n k] =
_
0, n < k
1, n k
(3.10)
Teniendo en cuenta (3.9) se obtiene
u[n] =
i=
u[i] [n i]
por lo tanto, el escal on (3.10) est a relacionado con el pulso unitario discreto mediante la relaci on,
u[n] =
i=0
[n i]
Seno y coseno discreto. Denidas como:
x
s
[n] = a sin(n +) = a sin
_
2n
p
_
(3.11a)
x
c
[n] = a cos(n +) = a cos
_
2n
p
_
(3.11b)
donde a es la amplitud, es la fase relativa, = /T es la frecuencia absoluta, la fase y T el
perodo de discretizaci on de la se nal. Si p > 0 corresponde al n umero racional p
1
/p
2
, entonces x
s
[n],
x
c
[n] son funciones peri odicas y se repetir an cada p
1
valores discretos, esto es, x[n + mp
1
] = x[n].
Si por el contrario p
1
es irracional, entonces estas funciones discretas no ser an peri odicas.
3.1.3. Transformada de Fourier de una se nal discreta
En forma general, una se nal discreta x[nT] se representa mediante el par de TF (1.60) de la forma:
x[nT] = F
1
_
X
_
e
jT
__
=
T
2
T
_
T
X
_
e
jT
_
e
jnT
d, (3.12a)
X(e
jT
) = F x[kT] =
k=
x[kT]e
jkT
, (3.12b)
donde la variable en el argumento de X() o espectro discreto se ha cambiado por e
jT
para dar
enfasis al hecho de que el espectro discreto es peri odico con perodo 2/T.
Esta es tal vez una de las m as importantes diferencias entre la TF de una se nal continua y la de
una se nal discreta. De hecho, la ecuaci on (3.12b) corresponde a la representaci on en serie de Fourier
de la se nal continua peri odica X(e
jT
), mientras la expresi on (3.12a) corresponde a los valores de la
sucesi on x[nT], dada en el integral (1.30), que se calcula mediante la serie de Fourier de la funci on
peri odica X(e
jT
).
0
0
0

x[nT]
T
k 1 k 1 2 k + 1 nT
max

max 3
max
5
max
intervalo
fundamental
X
_
e
jT
_
Figura 3.2. Intervalo fundamental
En (1.28), la se nal descrita se representa mediante la superposici on varios arm onicos exponenciales
_
e
jn
_
. Una exponencial con frecuencia + 2m, m Z transcurre exactamente a trav es de los
mismos tiempos de muestreo que la funci on exponencial con frecuencia , e
jn
= e
j(+2m)n
.
Por esta raz on, la transformada directa de Fourier de una se nal discreta tiene que ser otra funci on
peri odica de la frecuencia. As, la representaci on del espectro discreto se debe realizar en un solo
intervalo denido con el ancho = 2/T. Debido a la simetra de los espectros, este intervalo,
generalmente se toma /T /T y se denomina intervalo fundamental como se ilustra en la
Figura 3.2.
En la representaci on de procesos discretos es frecuente el empleo de la frecuencia relativa, = T,
entonces, el par de transformadas, (3.12a) y (3.12b), toman la forma:
X(e
j
) =
n=
x[n]e
jn
, (3.13a)
x[n] =
1
2
X(e
j
)e
jn
d, (3.13b)
Ejemplo 3.1. Hallar la transformada de Fourier directa de un pulso rectangular discreto, denido
como:
p[n] =
_
1, [n[ N/2
0, [n[ > N/2
Aplicando (3.13a) se obtiene:
P(e
j
) =
n=
p[n]e
jn
=
N/2
n=N/2
e
jn
=
sin[(n + 1)/2]
sin(/2)
,
La ultima suma puede ser evaluada con ayuda de la expresi on
N
n=M
a
n
=
a
M
a
N+1
1 a
La funci on P(e
j
) es llamada el n ucleo de Dirichlet [15].
La TF (3.13a) exige la convergencia de la sumatoria innita dada en (3.13b),
X(e
j
)
n=
x[n]e
jn
n=
[x[n][
e
jn
n=
[x[n][
Si la suma
n=
[x[n][ es nita, entonces

X(e
j
)
tambi en ser a nito. As por ejemplo, en el

caso concreto de x[n] = a
n
u[n], cuya TF se calcula como:
[X(e
j
)[ =
n=
a
n
u[n]e
jn
n=0
[a[
n
[e
j
[
n
=
1
1 [a[
La anterior serie converge, siempre que se cumpla que [a[ < 1.
Al utilizar el par de expresiones (3.13a) y (3.13b), es importante tener en cuenta la forma en que
las propiedades de la se nal discreta se maniestan en su TF y viceversa. Las siguientes son algunas de
esas propiedades:
(a). Linealidad: Sea F
i
x
i
[n] =
i
X
i
_
e
j
_
, donde
i
= cte, entonces
F
_
k
x
k
[n]
_
=
k
X
k
_
e
j
_
(3.14)
(b). Desplazamiento en el tiempo:
Fx[n k] = e
jk
X
_
e
j
_
(3.15)
(c). Desplazamiento en la frecuencia:
Fx[n]e
jn
0
= X
_
e
j(
0
)
_
(d). Convoluci on en el tiempo:
Fx
k
[n] x
l
[n] = X
k
_
e
j
)X
l
(e
j
_
,
donde la convoluci on de dos sucesiones discretas se denir a como:
x
k
[n] x
l
[n] =
i=
x
k
[i]x
l
[n i]
(e). Convoluci on en la frecuencia:
Fx
k
[n]x
l
[n] =
1
2
X
k
_
e
j
_
X
l
(e
j
),
donde X
k
_
e
j
_
X
l
_
e
j
_
=
X
k
_
e
jv
_
X
l
_
e
j(v)
_
dv.
Problemas
Problema 3.1. La se nal analoga x(t) tiene espectro con frecuencia maxima fmax = 7.5 MHz, la cual
para su proceso es registrada en un intervalo de T = 60 s, mediante un dispositivo que discretiza la
se nal con un intervalo de muestreo en 4 veces menor que el establecido por la relacion (3.2). La resolucion
de entrada del dispositivo de muestreo es congurable para los valores 8, 12 y 16 bits por muestra. Hallar
el valor requerido de memoria en cada caso de resolucion para la grabacion del intervalo de se nal.
Problema 3.2. Sea la se nal de video x(t) = x0 exp (t) u(t). Seleccionar el valor del intervalo de
muestreo , de tal manera que la magnitud de la densidad espectral en la frecuencia lmite max se
disminuye hasta el valor de 0.01X(0).
Problema 3.3. Dada la se nal del problema anterior, estimar el valor X+(0), correspondiente al aporte
en la componente espectral cero debido a las replicas cercanas del espectro original de la se nal, que se
tienen en las frecuencias 2/.
Ejercicio en el CP 3.1. [Matlab] Las funciones discretas de pulso unitario, escalon unitario y
funci on rectangular ubicadas en la M posicion de una arreglo de longitud N > M, respectivamente
se generan de la siguiente manera:
N=50; M=15; % Escala de tiempo
%pulso unitario discreto
delta=[zeros(1,M-1),1,zeros(1,N-M)];
subplot(311),stem(delta)
%Funcion escalon unitario
u=[zeros(1,M-1),ones(1,N-M+1)];
subplot(312),stem(u)
%Funcion rectangular
rect=[zeros(1,M-1),ones(1,M),zeros(1,N-2
*
M+1)];
subplot(313),stem(rect)
Ejercicio en el CP 3.2. [Matlab] Representar la funci on discreta de pulso con diferentes formas
de onda dadas por la expresion:
x(t) =
k
(t
k
)
%Funcion discreta de tren de pulsos de diferentes formas
t = 0 : 1/50E3 : 10E-3;% base de tiempo
tau = [0 : 1/1E3 : 10E-3 ; 0.75.(0:10)];
% form - forma de pulsos: gauspuls,rectpuls,tripuls
form=gauspuls; x = pulstran(t,tau,form,5E3,.5);
% Salida grafica
plot(t,x)
Ejercicio en el CP 3.3. [Matlab]. Sea una se nal seno x(t) dada en el intervalo de tiempo [0, 1].
Hallar su representacion discretizada a una velocidad de muestreo 0.01.
%Representacion continua y discretizada del Seno
t=0:.01:1; % base de tiempo
a=1; arm=2; phi=pi/8,% a - Amplitud, arm - armonico, phi - desfase
omega=2
*
pi
*
arm; % frecuencia angular
x=sin(omega
*
t+phi);
subplot(211),plot(t,x), % Representacion continua (interpolada)
subplot(212),stem(t,x), % Representacion discretizada
3.2. Transformadas ortogonales discretas 115
3.2. Transformadas ortogonales discretas
La implementaci on de cualquier forma de representaci on integral de se nales, por ejemplo, la TF
(3.12b), mediante sistemas reales de proceso digital para una se nal discreta dada x[n], se encuentra
con dicultades insuperables. El problema b asico es la necesidad de disponer dispositivos de almace-
namiento con memoria innita para poder guardar, tanto la innita cantidad de valores de la serie de
entrada x[n], como el conjunto de valores del continuo de la respectiva representaci on espectral.
Empleando el modelo de las respectivas bases continuas para la representaci on generalizada de
Fourier, dado en (1.52), y a efectos de realizaci on pr actica, se asume que el conjunto de transformadas
ortogonales discretas se dene estrictamente para sucesiones discretas x[n] : n = 0, 1, . . . , N con
longitud nita N < , o bien sobre sucesiones peri odicas con perodo N, de la siguiente forma:
x[k] =
1
T
k
N
N1
n=0
v[n]
k
[n], k = 0, 1, . . . , N 1 (3.16a)
v[n] =
N1
k=0
x[k]
n
[k], n = 0, 1, . . . , N 1 (3.16b)
siendo P
k
la potencia media de la base
k
, denida en (1.41). El par de expresiones (3.16a) y (3.16b)
es preferible representarlo en forma matricial:
x
N1
=
1
T
k
N
NN
v
N1
(3.17a)
v
N1
=
H
NN
x
N1
(3.17b)
donde a
nk
corresponde a la matriz con dimensi on n k y A
H
es la Hermitiana de la matriz A, que
corresponde a la transpuesta conjugada.
Entre los diferentes conjuntos ortogonales analizados en la secci on 1.2.4, en el proceso digital de
se nales moderno encuentran aplicaci on las trasformadas discretas de Fourier con sus respectivos casos
particulares de la T. Hartley y la T. discreta de cosenos, la de Walsh y Haar, entre otras.
3.2.1. Transformada discreta de Fourier
En este caso, en calidad de sistema base se emplea la base ortogonal exponencial denida en (1.28)
en su forma discreta:
k
(n) = e
jkn2/N
W
kn
N
, n = 0, 1, . . . , N 1 (3.18)
El t ermino W
N
= e
j2/N
se denomina factor de pivote y cumple la condici on de ortogonalidad:
N1
n=0
W
kn
N
W
mn
N
=
_
N, (k m) = lN, l
Z
0, (k m) ,= lN
(3.19)
As mismo, este factor es peri odico con perodo N, tanto en el sentido de la variable de frecuencia
n, como el de la variable de tiempo k:
W
kn
N
= W
(k+N)n
N
= W
k(n+N)
N
(3.20)
Teniendo en cuenta las expresiones (3.18), (3.19) y (3.20), se determina el par de transformadas
discretas de Fourier (TDF) en funci on del factor de pivote de la siguiente manera:
x[k] =
1
N
N1
n=0
X(n)W
kn
N
, k = 0, 1, . . . , N 1 (3.21a)
X[n] =
N1
k=0
x[k]W
kn
N
, n = 0, 1, . . . , N 1 (3.21b)
El sistema de transformadas (3.21a) y (3.21b) establece la relaci on mutua e unvoca entre los valores
de la serie de entrada x[k] y su representaci on discreta espectral X[n]. Por cuanto el factor de pivote
es peri odico, entonces el espectro discreto de Fourier de la se nal tambi en es peri odico:
X[n] = X [n +mN] , m = 1, 2, . . . (3.22)
Las principales propiedades de la TDF se muestran en la Tabla 3.1.
Propiedad Descripci on
Linealidad Sea F
i
x[k] =
i
X[n],
i
= cte,
entonces, F
l
x
l
[k] =
l
X
l
[n]
Conjugada compleja Sea Fx[k] = X[n], siendo N par, x[k] R
X[N/2 +l] = X
[N/2 l], l = 0, 1, . . . , N/2 1

Retardo en el tiempo F x[k l] = W
nl
X[n], l = 1, 2, . . . , N 1
Desplazamiento espectral F
_
x[k]W
kl
_
= X[n l]
Convoluci on en tiempo Fx
1
[k] x
2
[k] = X
1
[n]X
2
[n]
siendo x
1
[k] x
2
[k] =
1
N
N1
n=0
x
1
[n]x
2
[l n], l = 0, 1, . . . , N 1
Convoluci on en frecuencia F x
1
[k]x
2
[k] =
1
2
X
1
[n] X
2
[k]
Tabla 3.1. Propiedades de la TDF
La TDF se puede expandir utilizando la relaci on de Euler en la forma:
X[k] =
N1
n=0
x[n]e
j2nk/N
=
N1
n=0
x[n] (cos(2/N)nk j sin(2/N) nk)
El an alisis de la anterior expresi on da como resultado las propiedades sobre paridad e imparidad de
la transformada discreta de Fourier, mostradas en la Tabla 3.2. De otra parte, si x[n] es real pero no
es ni par ni impar, se podr a demostrar que la respectiva transformada discreta de Fourier tendr a partes
real par e imaginaria impar diferentes de cero. Adem as, para una sucesi on compleja x[n] de longitud
N, se tienen 2N grados de libertad, una x[n] real tiene N grados y una x[n] real par posee solo N/2.
Sea dada la se nal continua x(t) con base nita N = 2f
max
T
c
, siendo el valor de frecuencia m axima
u[n] v[n] U(k) V (k)
parte real parte imaginaria parte real parte imaginaria
x[n] x[n] X(k) X(k)
par 0 par 0
impar 0 0 par
0 par 0 impar
0 impar impar 0
Tabla 3.2. Paridad e imparidad en la TDF
f
max
en el intervalo de an alisis T
a
. La relaci on entre su transformada de Fourier (1.60) con la respec-
tiva TDF en (3.21b), puede ser obtenida a partir de la representaci on para la se nal continua en forma
de la siguiente serie truncada (3.3):
x(t) =
N1
k=0
x(kt)
sin 2f
max
(t kt)
2f
max
(t kt)
cuya densidad espectral es igual a:
X(e
j
) =
N1
k=0
x(kt)
sin 2f
max
(t kt)
2f
max
(t kt)
e
jt
dt
=
N1
k=0
x(kt)
sin2f
max
(t kt)
2f
max
(t kt)
e
jt
dt (3.23)
La integral (3.23) corresponde a la densidad espectral de la funci on desplazada en el tiempo de los
valores discretos y que da como resultado te
jkt
. De esta manera, se tiene que
X(e
j
) = t
N1
k=0
x(kt)e
jkt
, 2f
max
2f
max
El espectro en los puntos = k, k = 0, 1, 2, . . . , N/2, = 2/T
a
se obtiene como
X(e
jl
)= t
N1
k=0
x(kt)e
jktl
= t
N1
k=0
x(kt)e
jkl2/N
(3.24)
Al comparar (3.21a) y (3.24), y teniendo en cuenta la propiedad de conjugada compleja (Tabla 3.1)
se obtiene
x[k] =
_
_
1
T
a
X
_
e
jk
k = 0, 1, . . . , N/2
1
T
a
X
_
e
j(lN/2)
k = l +N/2, l = 1, 2, . . . , N/2 1
La relaci on entre la TDF y la serie de Fourier, teniendo en cuenta que tanto los coecientes de la
serie de descomposici on como los valores discretos de la densidad espectral cumplen la relaci on en la
forma, x[k] = X
_
e
jk
/T
a
, por lo tanto
x[k] =
_
x
k
, k = 0, 1, . . . , N/2
x
N/2+l
, k = N/2 +l, l = 1, 2, . . . , N/2 1
,
,
,
,
,
,
,
,
,
,
,
...........................................
....................................................
.......................................................
.............................................................
...........................................................
..................................................
...............................
........................
..........................
.................................
.....................
`
..........................
..............................
....................... ..................
................ .......
...................
..................... .................
..............................................
.....................
.... ............................... .... ....... ....
......................................... ... ......................... ..
...........
. .. . . . .. . .. . . .. . .. . .. .. . . .. .. . .. . . .. . . .. . . .. . .. .. .
. .. . .. . . .. . . .. . . . .. . . . .. . . .. . . .. . .. . .. .. .. .. .. .. .. .. . .. . .. . .. . .. .. .. . . .
. .. .. . .. . . .
. .. . . . .. . .. . . .. . .. . .. .. . . .. .. . .. . . .. . . .. . . .. . .. .. .
. .. . .. . . .. . . .. . . . .. . . . .. . . .. . . .. . .. . .. .. .. .. .. .. .. .. . . . . .. . .. . .. .. .. . . .
. .. .. . .. . . .
.... ............................... .... ....... ....
.................................. ....... .... ........................ ..
.. .. .......
t t
x(t) x(kt)

X () X
_
e
jk
_
a) b)
c) d)
Figura 3.3. Discretizaci on de se nales
De esta manera, cuando se tienen se nales des-
compuestas por una base nita de longitud N,
entonces, los respectivos valores la malla de
discretizaci on x[k], k = 0, 1, . . . , N/2 coin-
ciden con los coecientes de la serie de Fourier.
En la Figura 3.3, se muestran respectivamen-
te la se nal continua original en el tiempo (a), su
correspondiente espectro (b), la se nal discretiza-
da (c) y su espectro (d).
En el desarrollo de algoritmos de implemen-
taci on pr actica de la TDF es preferible emplear
su descripci on matricial:
x
N1
=
1
N
W
N
X
N1
(3.25a)
X
N1
= W
H
N
x
N1
(3.25b)
3.2.2. Extensiones de la transformada discreta de Fourier
Existen diferentes transformadas derivadas de la transformada discreta de Fourier, que han servido a
la soluci on de diferentes problemas, entre las cuales est an las siguientes:
TDF de datos reales. Sea la TDF de una sucesi on real de datos con longitud 2N, entonces, se
pueden formar las siguientes dos sucesiones de longitud N, correspondientemente para los ndices de
muestreo pares e impares: u[n] = x[2n], v[n] = x[2n + 1].
Las dos TDF de longitud N se pueden calcular simult aneamente, empleando otra transformada
discreta de Fourier, pero compleja y de longitud N, formada articialmente a partir de las se nales
reales en la forma: h[n] = u[n] +jv[n].
Las respectivas TDF de u[n] y v[n] se calculan a partir de la TDF h[n], usando las propiedades
de la Tabla 3.2 que aseguran la existencia de las partes real e imaginaria en la TDF de u[n] y v[n].
Luego, la TDF de la se nal original x[n] se halla de las TDF de u[n] y v[n] empleando la propiedad de
periodicidad (3.22):
U(k) = Fu[n] = (X(k) +X(k +N/2)) /2
Adem as, aplicando la propiedad de desplazamiento en el tiempo mostrada en la Tabla 3.1:
V (k) = Fv[n] =
_
X(k)W
k
+X(k +N/2)W
k+N/2
_
/2
y al resolver ambas ecuaciones para X(k), entonces, se obtiene
X(k) = U(k) +V (k)W
k
2N
(3.26)
De las propiedades de la Tabla 3.2 se observa que si x[n] R, entonces, los valores de X(k),
k = N, . . . , 2N 1 son los mismos que los dados por (3.26), por lo tanto, la TDF de x[n] de longitud
2N se puede hallar de dos TDF de longitud N, as, H(k) = Fh[n] = R(k) + jI(k), entonces
U(k) es la parte par de R +j (parte impar de I), mientras V (k) es la parte par de I j (parte impar
de R). Ambas partes U(k) y V (k), combinadas en (3.26), conforman la TDF de la se nal real x[n].
La ventaja de esta representaci on consiste en menores exigencias de memoria a costa de unas cuantas
operaciones de c alculo extra [17].
Transformada discreta de cosenos (TDC). Se dene en la forma:
y (k) = (k)
N1
n=0
x(n) cos
_
(2n + 1) k
2N
_
, k = 0, 1, . . . , N 1
y su inversa es denida como:
x(n) =
N1
k=0
(k) y (k) cos
_
(2n + 1) k
2N
_
, n = 0, 1, . . . , N 1
donde (k) =
_
(1/N)
1/2
, k = 0
(2/N)
1/2
, k ,= 0
En forma vectorial, la transformada corresponde a la multiplicaci on, y = C
T
x, donde los elementos
de la matriz C est an dados por:
C (n, k) =
_
_
1
N
, k = 0, 0 n N 1
_
2
N
cos
_
(2n + 1) k
2N
_
, 1 k N 1, 0 n N 1
El par correspondiente para la TDC bidimensional es:
Y (k, l) = (k) (l)
N1
k=0
N1
l=0
X (m, n) cos
_
(2m + 1) k
2N
_
cos
_
(2n + 1) l
2N
_
X (m, n) =
N1
m=0
N1
n=0
(k) (l) C (k, l) cos
_
(2m + 1) k
2N
_
cos
_
(2n + 1) l
2N
_
Transformada discreta de Hartley. La forma discreta de la Transformada de Hartley (1.71b) se da
por el respectivo par de expresiones:
H[n] =
1
N
N1
k=0
x[k] cas (2nk/N) (3.27a)
x[k] =
N1
n=0
H[k] cas (2nk/N) (3.27b)
La obtenci on de la TH discreta est a basada en su propiedad de ortogonalidad:
N1
n=0
cas (2nk/N) cas (2nl/N) =
_
N, k = l
0, k ,= l
con lo cual, al reemplazar el valor H[n], (3.27a), en la expresi on alterna (3.27b), entonces, se obtiene
N1
n=0
H[n] cas (2nk/N) =
N1
n=0
N
1
N1
l=0
x[l] cas (2nl/N) (2nk/N)
=
1
N
N1
l=0
x[l]
N1
n=0
cas (2nl/N) (2nk/N) =
_
_
1
N
N1
l=0
x[l]N = x[k], k = l
0, k ,= l
que conrma la validez en la relaci on de la transformada inversa.
El coeciente N
1
en la TH discreta se toma por analoga con la TDF. De la anterior relaci on se
observa que la TH discreta es de los reales, por cuanto se considera que x[k] es solamente de los
reales.
3.2.3. Transformada generalizada discreta de Fourier
Uno de los principales m etodos de an alisis de los sistemas discretos es la transformada Z, que permite
reemplazar la soluci on de las ecuaciones iterativas lineales por la soluci on de ecuaciones algebraicas.
El empleo de estas transformadas en las ecuaciones iterativas es an alogo al empleo de las transforma-
das de Laplace en la soluci on de ecuaciones diferenciales [19].
La transformada Z de una sucesi on x = x[n] : n Z, que pertenece al espacio de las funciones
cuadrado sumables
2
, se dene como
Z
x[n] X(z) =
n=
x[n]z
n
(3.28)
En general, la transformada Z es un polinomio de Laurent en las variables z y z
1
, denido sobre
todo el plano complejo, excepto en el origen. donde puede existir un polo.
Denici on 3.2. Polinomio de Laurent. Sea X(z) una funci on de variable compleja con un polo
de orden n en z = a, que es analtica en cualquier otro punto de un crculo de C con centro en
a. Entonces (z a)
n
X(z) es analtica en todos los puntos de C y tiene serie de Taylor alrededor
de z = a de manera que
X(z) =
nZ
x[n](z a)
n
donde los terminos con n < 0 constituyen la parte principal y los terminos con n 0 son la
parte analtica
En la pr actica, se tiene x[n] = 0 y n 0, entonces, la transformada Z se convierte en lateral:
X
L
(z) =
n=0
x[n]z
n
(3.29)
Ejemplo 3.2. Hallar la transformada Z de la funci on dada por la malla de valores x[n] = a
n
.
En correspondencia con la denici on (3.29) se tiene que:
X(z) = Z a
n
=
n=0
a
n
z
n
=
n=0
(az
1
)n =
1
1 az
1
=
z
z a
Al expresar la variable compleja z como z = re
j
, entonces la transformada Z toma la forma:
X(z) =
n=
x[n]r
n
e
jn
(3.30)
que se determina en los puntos donde la serie (3.30) converge, cuando se cumple la condici on:
n=
x[n]r
n
< (3.31)
La regi on en el plano complejo z sobre la cual se cumple la condici on (3.31) se denomina regi on
de convergencia de la transformada Z, en caso contrario, regi on de divergencia.
La serie (3.28) se puede dividir en dos partes as:
n=
x[n]z
n
=
1
n=
x[n]z
n
+
n=0
x[n]z
n
La primera serie converge cuando [z[ < R
x
+, y la segunda cuando [z[ < R
x
. De esta manera, la
regi on de convergencia de la transformada Z se determina por las desigualdades:
R
x
< [z[ < R
x
+ (3.32)
que conforma un anillo en el plano de la variable compleja z. La serie de potencia (3.28) denida en
el anillo (3.32) corresponde a la serie de Laurent, por lo que, para el estudio de la Transformada Z se
pueden emplear los m etodos convencionales de la Teora de Variable Compleja [24].
En forma general, la relaci on entre la transformada Z y la TDF puede verse, por ejemplo, al evaluar
la ecuaci on (3.13a), para una sucesi on discreta de longitud N, en el punto z = e
j
, o sea, en el punto
circunscrito dentro del crculo unitario con angulo igual a la frecuencia relativa :
X
L
(z) =
N1
n=0
x[n]z
n
(3.33)
De la relaci on (3.33), se observa que la TDF de x[n] se puede obtener al evaluar la transformada Z
en los valores z = e
j2k/N
= e
j
, esto es,
X (z)[
z=e
j = X
_
e
j
_
=
n=
x[n] e
jn
De la ultima expresi on, resulta que los coecientes de la TDF para una sucesi on nita son los
valores de la transformada Z de la misma sucesi on, pero de N puntos que sean igualmente espaciados
alrededor de un crculo unitario en el plano z, y lo que es m as importante, los coecientes de la TDF
directa de una sucesi on, denida con longitud nita, son la unica representaci on de esa sucesi on, por
cuanto la TDF en forma inversa puede ser usada para reconstruir exactamente la sucesi on deseada, a
partir de los coecientes de la respectiva forma directa de la TDF.
Propiedades de la transformada Z
(a). Linealidad: Sea Z x
i
[n] = X
i
(z), para
i
= const, entonces
Z
_
i
x
i
[x]
_
=
i
X
i
(z)
(b). Desplazamiento:
Z x[n +m] =
n=
x[n +m]z
n
= z
m
n=
x[n +m]z
(n+m)
= z
m
X(z) (3.34)
(c). Multiplicaci on por una sucesi on exponencial
Z
_
n
x[n]
_
=
n=
n
x[n]z
n
=
n=
x[n]
n
z
n
= X(z +)
(d). Convoluci on discreta: Sea la salida de un sistema lineal invariante en el tiempo dada por la
convoluci on y [k] =
n
x[k] h[n k], entonces,
Y (z) =
n=
_

k=
x[k]h[n k]
_
z
n
=
k=
x[k]z
k
n=
h[n k]z
(nk)
Por lo cual se obtiene
Y (z) = X(z)
n=0
h[n]z
n
que teniendo en cuenta la denici on de la transformada Z para la sumatoria del t ermino de la
derecha, la ultima resulta en
Y (z) = H(z)X(z) (3.35)
(e). Multiplicaci on. Sea Z x
i
[n] = X
i
(z), entonces,
Z
x
1
[n]x
2
[n] =
1
2j
_
X
2
_
z
v
_
X
1
(v)v
1
dv
donde es el contorno hasta donde se extiende el radio de convergencia.
(f). Diferenciaci on
dX(z)
dz
=
d
dz
_

n=
x[n]z
n
_
=
n=
nx[n]z
n1
=
1
z
X(z)
(g). Decimaci on en el tiempo. Dada una sucesi on x = x[n] : n Z, entonces sus t erminos se dice
que se deciman cuando se altera su cantidad por un factor dado k > 0, esto es, x = x[kn].
Cuando k > 1 la sucesi on se submuestrea y se denota como x
k
. En caso contrario, cuando
0 < k < 1, la sucesi on se sobremuestrea y se denota como x
k
.
En el caso particular de k = 2, la decimaci on implica que se eliminan las muestras impares y le
corresponde la transformada Z,
X
2
(z) =
n
x[2n]z
n
=
k
1
2
_
x[k](z
1/2
)
k
+x[k](z
1/2
)
k
_
=
1
2
_
X(z
1/2
) +X(z
1/2
)
_
. (3.36)
As mismo, cuando k = 1/2, la decimaci on implica que se agregan las muestras impares
x
2
[n] =
_
0, n impar
x[n/2], n par
con lo cual se obtiene la respectiva Z:
X
2
(z) =
n
x
2
[n]z
n
=
k
x[k]z
2k
= X(z
2
)
De igual manera, se pueden obtener las mismas propiedades para la transformada Z lateral, excepto
las propiedades de convoluci on y de multiplicaci on por una sucesi on exponencial. En particular, si
x[n] = 0 cuando n < 0, entonces para una sucesi on desplazada se obtiene que:
Z
L
x[n +m] = z
m
_
X
L
(z)
m1
k=0
x[k]z
k
_
Frecuentemente, se hace necesario determinar la sucesi on x[n] por su transformada Z, esto es,
hallar su transformada inversa Z que se dene por:
x[n] =
1
2j
_
X(z)z
n1
dz
donde es el contorno cerrado que abarca todos los polos de la funci on X(z), donde la integraci on
se lleva a cabo en sentido contrario al de las manecillas del reloj [2].
Se denen como polos, aquellos puntos donde la funci on X(z) tiende a innito. Si el n ucleo de la
integral tiene la forma
X
0
(z) = X(z)z
n1
=
M(z)
k
i=1
(z p
i
)
m
i
donde k, m
i
Z
+
. Los valores de la sucesi on x[n] se calcula mediante la teora de residuos [2]:
x[n] =
k
i=1
res
z=p
i
X
0
(z)
Para un polo p
i
de orden m
i
, el residuo res de la funci on X
0
(z) en el punto p
i
, se dene como:
res
z=p
i
X
0
(z) =
1
(m
i
1)!
lm
zp
i
d
m
i
1
dz
m
i
1
((z p
i
)
m
i
X
0
(z))
En particular, si m
i
= 1, entonces:
res
z=p
i
X
0
(z) = lm
zp
i
((z p
i
)X
0
(z))
La funci on de transferencia discreta de un ltro digital dada en (3.73) se puede representar en
funci on de la transformada Z:
Y (z) = H(z)X(z)
siendo X(z) y Y (z) las respectivas trasformadas Z de las sucesiones de entrada y salida del ltro. La
funci on de transferencia H(z) corresponde a la transformada Z de la respuesta a impulso en (3.60).
La transformada Z de las formas no recursiva y recursiva de (3.59), respectivamente es la siguiente
Y (z) =
M1
n=0
b
n
z
n
X(z)
Y (z)
N1
n=0
a
n
z
n
= X(z)
M1
m=0
b
m
z
m
Por lo cual, las respectivas funciones de transferencia son:
H(z) =
M1
n=0
b
n
z
n
(3.37a)
H(z) =
M1
m=0
b
m
z
m
N1
n=0
a
n
z
n
(3.37b)
Los coecientes de las respectivas funciones de transferencia (3.37a) y (3.37b), de forma unvoca,
determinan las estructuras de proceso no recursivas y recursivas.
Descomponiendo los polinomios del numerador y denominador de (3.37b) en m ultiplos elementa-
les, se obtiene (para M N)
H(z) = H
0
z
NM
M
i=1
(z z
i
)
N
i=1
(z p
i
)
(3.38)
donde z
i
son los ceros y p
i
son los respectivos polos de la funci on (3.37b). La funci on de transferencia
del ltro no recursivo (3.37a) no tiene polos.
En forma general, un ltro digital se puede representar empleando los diagramas de polos y ceros.
Si los ceros, o los respectivos polos, son valores complejos, estos se encuentran en pares de complejos
conjugados en numerador (denominador) de la descomposici on (3.38). Conociendo la disposici on de
los polos en el plano complejo z, se puede determinar la estabilidad del ltro.
Se puede demostrar que cualquier ltro recursivo es estable si el valor absoluto de sus polos es
menor que uno [1]. Los ltros no recursivos siempre ser an estables.
La respuesta a impulso, de acuerdo a su denici on para ltros recursivos, se expresa por la relaci on:
H (z) =
N1
n=0
a
n
z
n
M1
m=0
b
m
z
m
Z (t) = z
1
+Y
1
z
2
+Y
2
z
3
+ +
La serie de potencia del lado derecho de la ultima expresi on, en forma general, es innita. La fun-
ci on de peso en el caso de los ltros no recursivos es nita. La respuesta a impulso se puede relacionar
a trav es de la transformada Z con la funci on de transferencia en la forma, h[n] = Z
1
H (z).
La funci on de transferencia del ltro digital tambi en se puede representar en la forma:
H (z) =
N (z)
D(z)
que, a su vez, es equivalente a
H
_
z
1
_
= N (z) D
_
z
1
_
= A +jB, H (z) = N
_
z
1
_
D(z) = AjB
donde A y B son las partes real e imaginaria del producto.
El desfase del sistema, acorde con la denici on de (2.40b), es igual a [1, 24]:
() =
1
2j
ln
_
H (z)
H (z
1
)
_
=
1
2j
ln
_
AjB
A+jB
_
que genera un retardo de grupo (2.42) del tipo (donde x denota d/d):
_
e
j
_
=
_

Aj

B
A
2
+B
2
_
3.2.4. Transformada discreta de Walsh
La transformada discreta de Walsh (TDW) toma como sistema base Wal la versi on discretizada de
las funciones de Walsh dadas en (1.47) wal
k
[n] : k = 0, 1, . . . , N 1, y n = 0, 1, . . . , N 1,
siendo N = 2
m
, m Z, con perodo de discretizaci on uniforme igual a t = 1/2
m
. Las funciones
discretas de Walsh wal
k
[n] forman un sistema ortogonal:
N1
k=0
wal
n
[k]wal
l
[k] =
_
N, n = l
0, n ,= l
Adem as cumplen la propiedad multiplicativa wal
k
[n]wal
l
[n] = wal
kl
[n], donde x[mn] corres-
ponde al corrimiento di adico de la sucesi on x[m] en n elementos. El respectivo par de transformadas
TDW, en correspondencia con (3.16a) y (3.16b), se determina mediante las expresiones:
x[k] =
1
N
2
m
1
n=0
v[n]wal
k
[n], k = 0, 1, . . . , 2
m
1 (3.39a)
v[n] =
2
m
1
k=0
x[k] wal
k
[n], n = 0, 1, . . . , 2
m
1 (3.39b)
De manera similar, a como ocurre con el espectro de la TDF, el espectro de la TDW tambi en es
peri odico: v[k] = v[k +lN], l Z. Sin embargo, ambas transformadas discretas guardan diferencias,
en particular, en cuanto a las propiedades de retardo y convoluci on. En el caso de la TDF, la operaci on
de multiplicaci on de los coecientes espectrales por la funci on de pivote W
kl
conlleva al desplaza-
miento de la serie discreta de tiempo en l intervalos discretos, mientras en la TDW, la multiplicaci on
por el n ucleo wal
k
[l] conlleva al desplazamiento di adico de la se nal en el tiempo:
x[k]wal
k
[l] =
1
N
2
m
1
n=0
v[n]wal
k
[n]wal
k
[l]
=
1
N
2
m
1
n=0
v[n]wal
k
[n l] =
1
N
2
m
1
n=0
v[n l]wal
k
[n]
siendo l = 0, 1, . . . , N, N = 2
m1
, por lo que cualquier desplazamiento que ocurre en el marco de la
sucesi on original, est a condicionado por la operaci on l ogica de suma por m odulo 2.
En general, la propiedad de multiplicaci on de sucesiones en la TDW (F
W
) se describe de la forma:
x
1
[k]x
2
[k] = F
1
W
_
1
N
N1
n=0
v
1
[n]v
2
[l n]
_
Al igual que en la TDF, la descripci on matricial de la TDW es importante en el desarrollo de los
respectivos algoritmos de implementaci on sobre procesadores digitales y corresponde a la siguiente:
x
N1
=
1
N
v
N
Wal
N1
(3.40a)
v
N1
= Wal
T
N
x
N1
(3.40b)
donde Wal
N
es la matriz cuadrada de la transformaci on de Walsh de orden N, cuya la k corresponde
a la funci on wal
k
[n], n = 0, 1, . . . , N 1. Esta matriz es de naturaleza sim etrica: Wal
T
N
= Wal
N
,
por lo que la expresi on (3.40b) puede ser simplicada hasta
v
N1
= Wal
N
x
N1
Los elementos de la matriz de transformaci on de Walsh solamente pueden tomar los valores restrin-
gidos de wal
k
[n] = 1, por lo que en el c alculo de las TDW(3.40a) y (3.40b) estrictamente se realizan
operaciones de suma y resta, esto es, no existen las operaciones m as exigentes de realizaci on como la
multiplicaci on, que es lo que ocurre en el desarrollo matricial de la TDF, en la cual adem as, los valores
del factor de pivote, en forma general, son de representaci on compleja. Por lo anterior, se deduce que
hay ventaja en los costos computacionales de desarrollo de la TDW sobre la TDF.
3.2.5. Transformada discreta de Haar
La Transformada Discreta de Haar (TDH) emplea, en correspondencia con los casos anteriores, el
sistema base Har, que es la versi on discretizada de las funciones de Haar dadas en (1.51) har
k
[n],
n = 0, 1, . . . , N 1, k = 0, 1, . . . , N 1, siendo N = 2
m
, m Z, con perodo de discretizaci on
uniforme igual a t = 1/2
m
. Las funciones discretas de Haar har
k
[n], forman un sistema ortogonal:
2
m
1
n=0
har
k
[n]har
l
[n] =
_
N, k = l
0, k ,= l
La descripci on matem atica de las funciones discretas de Haar se pueden obtener de (1.51):
har
n
[l] =
_
_
_
2
k/2
r
k+1
[l] rect
T
_
l2
k
2
m
n(mod2
k
)
_
, n = 1, . . . , 2
m
1
1, n = 0,
El respectivo par de transformadas TDH se determina como:
x[k] =
1
N
2
m
1
n=0
v[n]har
k
[n], k = 0, 1, . . . , 2
m
1 (3.41)
v[n] =
2
m
1
k=0
x[k] har
k
[n], n = 0, 1, . . . , 2
m
1 (3.42)
La descripci on matricial de la TDH, importante en el desarrollo de los respectivos algoritmos de
implementaci on sobre procesadores digitales, corresponde a la siguiente:
x
N1
=
1
N
v
N
Har
N1
v
N1
= Har
T
N
x
N1
donde Har
N1
es la matriz cuadrada de orden N, con elementos har
k
[n].
3.2.6. Transformada discreta wavelet
La representaci on discreta de la se nal x(t) mediante la serie (1.17), empleando la denici on de los
respectivos atomos en (1.90), requiere los par ametros asociados a la operaciones de traslaci on y escala,
respectivamente [17]:
x(t) =
m
x
m,n
m,n
(t)
donde x
m,n
son los coecientes de la representaci on discreta de la se nal.
En el an alisis de funciones con estructura compleja y variada, es conveniente usar atomos de repre-
sentaci on
m,n
(t) cuya forma sea igualmente exible. La primera clase de funciones wavelets son las
funciones ortogonales, cuyas ventajas de empleo se explican en el numeral 1.2. Sin embargo, existen
casos en los cuales no se requieren bases ortogonales. Entonces, la representaci on se puede ampliar
a los conjuntos que incluyan los n ucleos base conjugados o conjuntos base duales cuya condici on
(1.55), en este caso corresponde a la expresi on:
l
(t),
k
(t)) = (l k)
El empleo de pares de n ucleos autoconjugados hace que se cumpla la condici on (1.57), que para las
bases discretas implica la ortonormalidad entre los respectivos n ucleos. Por lo tanto, las expansiones
mediante funciones wavelets que emplean los n ucleos autoconjugados se denominan biortogonales y
que para la funci on x(t) tienen la forma,
x(t) =
k
x(t),
k
(t))
k
(t) (3.43)
Los ltros wavelet asociados a las bases ortogonales generalmente tienen desfase no lineal, pero al
debilitar tal condici on en el proceso de informaci on, se pueden conseguir ltros de fase lineal, tanto
para el an alisis como para la reconstrucci on de se nales [25]. En el caso de los sistemas biortogonales,
siendo estos m as complejos en su desarrollo, se requiere el an alisis adicional mediante el conjunto
dual, con lo cual se obtiene mayor capacidad de generalizaci on. Adem as, las funciones wavelets bior-
togonales generan ltros wavelet de longitud m as corta y con desfase lineal, lo cual en el caso de las
expansiones wavelet ortogonales, difcilmente podra conseguirse sin relajar la misma condici on de
ortogonalidad.
Como se indicaba en el an alisis de la TwC, el conjunto de funciones
a,b
, de forma inherente,
presenta amplia redundancia. En este sentido, es importante extraer un cierto subconjunto discreto
a,b
T, tal que caracterice completamente el espacio L
2
(R). En general, la familia de funciones
l
: l L
2
dadas en cualquier espacio de Hilbert H se denomina marco, si existen las constantes
c
min
> 0, c
max
< , denominadas extremos de los marcos, tales que para todas las funciones x en
H se cumpla la desigualdad, an aloga a (1.25):
c
min
|x|
2
lL
[x,
l
)[
2
c
max
|x|
2
, c
min
R
+
, c
max
R
El conjunto de las funciones
l
H, que conforman el marco caracteriza el espacio Hde manera
completa, y por lo tanto permite reconstruir la funci on x H, por m etodos num ericos estables a partir
de los coecientes x,
l
).
Sin embargo, es de resaltar que en forma general, un marco no corresponde a un conjunto base,
y entonces las funciones que lo conforman pueden ser linealmente dependientes. Si el conjunto de
funciones
l
Hque conforman un marco, son independientemente lineales, entonces el conjunto
corresponde a un conjunto base (aunque no siempre ortogonal) y se denomina base de Riesz.
En el caso de las wavelet, los marcos est an formados por una familia de vectores
k
: k k que
representan la se nal x(t) a partir de sus productos internos x,
k
) : k k, donde k es un conjunto
de ndices que puede ser de tama no nito o innito [14]. En este sentido, una familia de funciones
wavelet
m,n
(t) L
2
(R) : m, n Z constituye un marco, para toda funci on x L
2
(R) si se
cumple que:
c
min

m,n
[ x(t),
m,n
(t)) [
2
| x(t) |
2
c
max
(3.44)
Esto es, la energa normalizada de los coecientes en (3.44) est a acotada por los valores de c
min
y
c
max
, respectivamente.
En forma general, los par ametros a y b que determinan, de manera correspondiente la escala y el
desplazamiento de la funci on wavelet, toman valores discretos. El valor de a se selecciona igual al
exponente entero (positivo o negativo) del par ametro jo de expansi on de la escala a
0
> 1, esto es,
a = a
m
0
, m Z. El par ametro de desplazamiento debe cambiar en sincrona con la escala y, por lo
tanto, tambi en depende de m: b = nb
0
a
m
0
, n Z, siendo b
0
> 0 un valor a priori jo. De esta manera,
la familia de funciones discretas wavelet tiene la forma:
m,n
(t) = a
m/2
0

_
a
m
0
(t nb
0
a
m
0
)
_
= a
m/2
0

_
a
m
0
t nb
0
_
La implementaci on sobre sistemas reales de proceso digital que se presenta en la secci on 3.3,
implica el uso de sistemas de conteo num erico binario, por lo que en el caso de la transformada wavelet
discreta, la base exponencial de amplio uso es a
0
= 2, con b
0
= 1. El conjunto base wavelet resultado
es denominado di adico:
m,n
(t) = 2
m/2
_
2
m
0
t n
_
. Entonces, el conjunto de funciones wavelet
m,n
(t) : m, n Z, algunas veces conforma un sistema base ortonormalizado en el espacio L
2
(R).
_
V V V V
1 0 1 2
Figura 3.4. ARV: espacios anidados
An alisis de resoluci on variable. La resolu-
ci on de una se nal dada en (1.39), corresponde
a la descripci on cualitativa asociada con su con-
tenido espectral. Por cuanto se considera que la
mayor parte de la informaci on de la se nal est a en
los cambios lentos, su versi on submuestreada,
que corresponde a la salida de un ltro pasa-
bajas, es usualmente una aproximaci on acep-
table para el an alisis de las se nales.
El an alisis de resoluci on variable (ARV) consiste en la representaci on de la se nal x(t) dada en
forma de aproximaciones sucesivas, cada una de las cuales es una versi on m as na de la funci on
x(t), que corresponden a diferentes niveles de resoluci on. El an alisis ARV est a fundamentado en la
aproximaci on del espacio L
2
(R) por una serie de subespacios anidados secuencialmente, como se
muestra en la Figura 3.4, V
l
L
2
(R): , V
2
V
1
V
0
V
1
V
2
, tales que cumplan
las condiciones:
_
lZ
V
l
= L
2
(R),
lZ
V
l
= 0 (3.45)
Una exigencia adicional que se impone, que est a relacionada con el concepto de resoluci on variable,
consiste en que todos los espacios sean versiones escala del espacio central V
0
, esto es,
x(t) V
l
x(2
j
t) V
0
(3.46)
Otra particularidad que se exige al ARV est a en la propiedad de invariabilidad de V
0
en caso de
desplazamiento de la funci on sobre una malla de valores enteros:
x(t) V
0
x(t n) V
0
, n Z
Por ultimo, se exige la existencia de una funci on V
0
, tal que el conjunto conformado por los
elementos
n
= (t n) : n Z sea del tipo base Riesz del espacio V
0
.
Si se tiene una sucesi on V
l
que cumpla las anteriores restricciones, entonces existir a la funci on
V
0
, tal que el conjunto de sus respectivas funciones r eplica
_
m,n
(t) = 2
l/2
_
2
l
t n
_
: n Z
_
conforman una base ortonormal del espacio V
l
. La funci on es denominada funci on de escala y
cumple la condici on,
_
(t)dt = 1.
De esta manera, V
l
es un espacio que aproxima L
2
(R) con resoluci on 2
l
:
P
V
l
x(t) =
n=
x,
l,n
)
l,n
(t) (3.47)
siendo P
V
l
el operador de proyecci on ortogonal en el espacio V
l
. El cambio de un espacio al contiguo,
V
l
V
l1
, corresponde a un cambio con mayor escala (menor resoluci on), esto es, se llega a una
versi on m as gruesa que representa la se nal con la p erdida de cierta informaci on. Esta particularidad
orienta la implementaci on del an alisis ARV, que en la pr actica consiste en construir bases wavelet,
empleando la diferencia de informaci on entre los diferentes niveles de escala. Para cualquier l Z se
dene el subespacio W
l
que sea ortogonal al complemento de V
l
en V
l1
. Entonces,
V
l1
= V
l
W
l
, V
l
W
l
y W
l
W
k
, l ,= k
Si se nota con P
W
l
la proyecci on ortogonal en W
l
, entonces de (3.47) resulta que
P
V
l1
x(t) = P
V
l
x(t) +P
W
l
x(t)
La anterior relaci on muestra claramente que la aproximaci on con resoluci on 2
l1
puede ser des-
compuesta en dos t erminos: la aproximaci on con menos resoluci on 2
l
y los detalles de la resoluci on
2
(l1)
, dados por P
W
l
x(t).
Se puede demostrar que para cualquier sucesi on de espacios, que cumplan con las condiciones
del ARV, existir a una funci on wavelet (t), tal que la familia de funciones denida por el conjunto
_
l,n
(t) = 2
l/2
_
2
l
t n
_
: n Z
_
forma una base ortonormal del espacio W
l
para cualquier
resoluci on 2
l
. De las condiciones (3.45) y (3.46) se deduce que L
2
(R) =
lZ
W
l
, por lo que se
concluye que se tiene una descomposici on del espacio L
2
(R) en un conjunto de subespacios orto-
gonales. Lo anterior implica que cuando el ndice de la resoluci on toma valores desde hasta ,
la familia de funciones
_
l,n
(t) = 2
l/2
_
2
l
t n
_
: l, n Z
_
conforma una base ortonormal de
todo el espacio L
2
(R).
La forma de anidado de los espacios V
0
V
1
antes descrita, adem as del hecho de que
1,n
es
una base ortonormal del espacio V
1
, conllevan a la siguiente relaci on:
=
nZ
h
n
(2t n) =
nZ
h
n
1,n
(3.48)
donde h
n
= ,
1,n
). Los coecientes h
n
corresponden al ltro de la transformada wavelet y
de manera completa caracterizan la misma funci on . Dicho de otra manera, la funci on se puede
obtener con cualquier precisi on por medio de la iteraci on consecutiva del ltro h
n
.
La ortonormalidad del sistema de funciones (t n) implica el cumplimiento de la siguiente res-
tricci on, por parte de los coecientes de ltraci on h
n
:
nZ
h
n
h
n+2k
=
0,k
De manera similar, los espacio anidados W
0
V
1
sugieren la existencia de un ltro g
n
, que
corresponde a la funci on wavelet :
=
nZ
g
n
1,n
, g
n
= ,
1,n
) (3.49)
Por cierto, ambos ltros g
n
y h
n
se relacionan por la expresi on simple: g
n
= (1)
n
h
n+1
.
El an alisis de resoluci on variable conlleva al desarrollo jer arquico para el c alculo de los coecientes
wavelet de la se nal x(t) en consideraci on. As, de las ecuaciones (3.48) y (3.49) se obtienen las
siguientes ecuaciones iterativas:
c
l
k
= x,
l,k
) =
nZ
h
n2k
x,
l1,n
) =
nZ
h
n2k
c
l1
n
d
l
k
= x,
l,k
) =
nZ
g
n2k
x,
l1,n
) =
nZ
g
n2k
c
l1
n
......................................
`
`
`
`
`
`
`
`
`
`
`
`

..................................................
c
0
= x
k
c
1
c
2
c
3
d
1
d
2
d
3
g g g
h h h
Figura 3.5. Diagrama de c alculo ARV
Sean conocidos los productos escalares de una
funci on dada x(t) con las funciones escala
l,k
,
para un valor sucientemente peque no de resolu-
ci on x,
l,k
). A este nivel de escala (espacio V
l
)
se le puede notar de manera condicional como
l = 0, V
0
, al cual le corresponde el coecien-
te c
0
k
= x,
0,k
), desde donde se empezar a el
c alculo iterativo de los dem as coecientes dados
por
_
c
l
k
= x,
l,k
) : l = 1, 2, 3, . . .
_
, emplean-
do la expresi on (3.48).
Mientras que empleando (3.49) se hallan los coecientes
_
d
l
k
= x,
l,k
) : l = 1, 2, 3, . . .
_
, como
se ilustra en la Figura 3.5.
El algoritmo de an alisis de resoluci on variable se puede considerar como el c alculo secuencial de
aproximaciones gruesas de x, determinadas por los coecientes c
l
k
, teniendo en cuenta la informaci on
perdida al pasar a escalas mayores, la cual se reeja en los coecientes d
l
k
. En la pr actica el menor de
los posibles valores de escala de resoluci on se determina por la cantidad de valores discretos I de la
se nal de an alisis, preferiblemente que cumpla la condici on I = 2
L
, L Z.
Al realizar el cambio de un valor dado de resoluci on al siguiente, la cantidad de coecientes wavelet
se disminuye en dos veces y el proceso se detiene hasta alcanzar una cantidad nita de niveles. Debido
a la ortogonalidad de la transformada wavelet se obtiene un n umero de coecientes wavelet igual al
n umero de valores discretos de la funci on. En este caso el algoritmo tiene un costo computacional
del orden de OI log
2
I operaciones. Por cuanto la funci on de resoluci on, generalmente, est a muy
bien localizada en el espacio, entonces en calidad de coecientes c
0
k
= x,
0,k
) se pueden tomar los
mismos valores discretizados x
k
de la funci on original de an alisis.
Desde el punto de vista de los espacios de funciones, este algoritmo corresponde a la descompo-
sici on del espacio V
0
en una suma de subespacios ortogonales de funciones wavelet que en forma
secuencial aumentan la escala de resoluci on: V
0
= W
1
W
L1
W
L
V
L
.
La operaci on inversa de reconstrucci on de la se nal original a partir de los coecientes wavelet se da
por la expresi on:
c
l1
n
=
kZ
_
h
n2k
c
l
k
+g
n2k
d
l
k
_
(3.50)
El proceso en (3.50) va de las escalas m as gruesas hacia las m as nas.
En general, no todas las funciones wavelet pueden ser empleadas en el an alisis de resoluci on varia-
ble. Por ejemplo, la wavelet ortogonal meyer, cumple con las condiciones del ARV, y muestra una bue-
na regularidad C
, sin embargo, no es sucientemente localizada en el espacio. Otro ejemplo puede

ser la wavelet basada en funciones de ajuste (spline) de orden m, que presenta mejor localizaci on en
el espacio (con un comportamiento exponencial de cada a cero), pero con menor regularidad C
m1
.
Un caso especial corresponde a las wavelet tipo Daubechies con soporte compacto (Figura 3.6(a)), las
cuales para un orden N dado son diferentes de cero en el intervalo con longitud 2N1 y presentan de
manera correspondiente 2N coecientes de ltraci on h
n
y g
n
diferentes de cero. Adem as, sin contar
el caso N = 1 (que corresponde a la base Haar, que no es regular), las funciones
N
y
N
son con-
tinuas y diferenciables (para N 3), por lo menos hasta el orden m N/5. La implementaci on de
los algoritmos de an alisis y reconstrucci on empleando las wavelet Daubechies exige solamente una
cantidad de operaciones del orden I, que inclusive es m as r apido que el algoritmo de la transformada
r apida de Fourier, el cual exige ON = I log
2
I operaciones.
Por ultimo, una de las propiedades m as peculiares de las wavelet Daubechies est a relacionada con
los momentos de desvanecimiento. Los polinomios 1, t, t
2
, . . . , t
N1
pueden ser representados de
forma exacta por la combinaci on lineal de funciones de resoluci on
nZ
(t n) = 1,
nZ
(n +
1
) (t n) = t,
nZ
_
n
2
+
2
n +
3
_
(t n) = t
2
, . . .
donde
1
,
2
,
3
, . . . son constantes.
0 2 4 6 8
1.5
1
0.5
0
0.5
1
1.5
N = 0
N = 2
N = 4
N = 6
(a) Wavelet Daubechies con diferente orden N
0 0.5 1 1.5 2 2.5 3
2
1.5
1
0.5
0
0.5
1
1.5
(b) Aproximaci on con diferentes valores de iteraci on
(Sym2)
Figura 3.6. Formaci on de las wavelet
Propiedades del an alisis wavelet
Las siguientes son las principales propiedades de las funciones wavelet empleadas en el proceso de
se nales:
Regularidad. Corresponde a una forma de medir la suavidad en las se nales; un alto grado de regu-
laridad indica la suavidad en la vecindad del punto donde se calcula. Una primera forma de medir la
regularidad consiste en vericar la existencia de sus derivadas hasta orden k.
La regularidad de tiene inuencia en el error inducido durante la umbralizaci on de los coecientes
wavelet. Cuando se reconstruye la se nal a partir de sus coecientes, se induce un error que perturba
cada coeciente x,
m,n
) generando una componente adicional wavelet
m,n
a la se nal reconstrui-
da. Si es suave, entonces
m,n
ser a un error que vara suavemente a lo largo de la reconstrucci on
de la se nal [14].
La propiedad de regularidad en la Tw est a directamente relacionada con sus momentos de desvane-
cimiento, denidos como:
t
k
(t)dt = 0, k = 0, 1, . . . , K (3.51)
Si la wavelet tiene n momentos de desvanecimiento, se puede demostrar que la transformada wa-
velet puede ser interpretada como un operador diferencial de escala m ultiple y orden n [14].
La expresi on (3.51), cuando k = 0, corresponde a la condici on de valor medio de las funciones
wavelets, seg un la cual dos se nales, que dieren unicamente por una constante, les corresponden los
mismos coecientes wavelet de renamiento.
En general, la Tw se puede hacer insensible a los comportamientos polinomiales de mayor orden
k, variando el respectivo momento de desvanecimiento. Sea la se nal x a analizar que presenta varias
singularidades, de tal manera que entre los valores singulares contiguos su comportamiento sea sua-
ve, justamente, donde la se nal puede ser aproximada adecuadamente de forma local mediante alguna
0
E
s
c
a
l
a
.5
1
x(t)
t
t
x(m, n)
Figura 3.7. An alisis de regularidad empleando transformada wavelet
expansi on polinomial, por ejemplo la de Taylor que relaciona la diferenciabilidad de la se nal con su
aproximaci on local. De esta manera, se puede aproximar x a un polinomio p
v
en la vecindad de v de
la forma, x(t) = p
v
(t) +
v
(t), donde
v
(t) corresponde a los t erminos residuales de descomposi-
ci on [14]. La transformada wavelet ignora el polinomio p
v
si existen sus primeros K momentos de
desvanecimiento, por lo que para los monomios de grado menor o igual a K se cumple que,
x
k
,
m,n
) = 0, k = 0, . . . , K
As los primeros K t erminos en la aproximaci on de Taylor de una funci on analtica no contribuyen
a la formaci on de los coecientes wavelet.
Se puede demostrar que, W x(m, n) = W
v
(m, n), por lo cual la transformada wavelet en-
trega m aximos locales en aquellos instantes donde exista alguna singularidad. En la Figura 3.7 se
observan los cambios en las escalas de descomposici on de la wavelet asociados a una discontinuidad
presentada en la detecci on de valores an omalos en se nales electrocardiogr acas.
Soporte compacto. El soporte de una funci on x(t), corresponde a todos los valores del intervalo de
tiempo, tales que supp(x) = t R : x(t) ,= 0. Una funci on posee soporte acotado si existen
dos n umeros t
min
, t
max
R, tales que supp(x) (t
min
, t
max
). Si el soporte acotado es del tipo
cerrado [t
max
t
min
[ < , se denomina soporte compacto. La funci on de escalamiento tiene
soporte compacto, si y solo si, el ltro h tambi en tiene soporte compacto. Adem as, ambos soportes
son iguales. Sea el valor del soporte de h y igual a [N
1
, N
2
], entonces el de es [14],
[(N
1
N
2
+ 1)/2, (N
2
N
1
+ 1)/2]
El soporte compacto de las funciones wavelet facilita la representaci on localizada de las se nales
por medio de la Tw, importante en aplicaciones tales como la compresi on, la detecci on de se nales y la
reducci on de perturbaciones.
El tama no del soporte de una funci on y el n umero de sus momentos de desvanecimiento son a priori
independientes. Sin embargo, las restricciones impuestas sobre las wavelets ortogonales implican que
para una funci on con m momentos de desvanecimiento, su soporte es al menos de tama no 2m1.
Adem as, si x tiene pocas singularidades aisladas y es regular entre estas, se debe seleccionar una wa-
velet con muchos momentos de desvanecimiento para producir un n umero alto de coecientes wavelet
peque nos, de tal forma que la energa se concentre en unos pocos coecientes. Al incrementarse la
densidad de las singularidades es mejor reducir el tama no de su soporte a costa de un menor n ume-
ro de momentos de desvanecimiento. De hecho, las wavelets que solapan las singularidades crean
coecientes de amplitud alta.
Simetra. Las funciones de escalamiento sim etricas se utilizan para construir una base wavelet re-
gular sobre un intervalo dado, en lugar del eje real. En el caso ortogonal, solo la wavelet Haar tiene
soporte compacto y es sim etrica. Mientras en el caso de la estructura biortogonal (3.43), es posible
sintetizar una funci on wavelet con sus respectivas funciones de escalamiento que sean sim etricas o
antisim etricas con soporte compacto, propiedad que es empleada en el procesamiento de im agenes.
Desfase lineal. En forma general, un ltro h es llamado con desfase lineal si se cumple que:
H() = Fh = H
R
()e
j
0
donde
0
R es la constante de desfase y H
R
es una funci on real de .
Los ltros con respuesta de desfase lineal evitan la distorsi on producida por el desfase no lineal y
mantienen la forma de la se nal, lo cual es usualmente importante en aplicaciones de voz, electrocar-
diografa e im agenes, entre otras. La ortogonalidad de las bases y la linealidad de la fase de los ltros
son propiedades incompatibles, excepto para la wavelet Haar [14]. Sin embargo, se pueden usar las
wavelets bi-ortogonales, que presentan desfase lineal similar al caso de los ltros con respuesta a im-
pulso innita. El desfase lineal en los ltros simplica la implementaci on del algoritmo piramidal al
no exigir la respectiva compensaci on de fase.
Localizaci on en el plano tiempo-frecuencia. La Tw presenta alta capacidad de representaci on en
tiempo-frecuencia de se nales, con buenas propiedades de localizaci on en ambas variables. Si est a su-
cientemente localizada en tiempo y frecuencia, entonces el marco generado por tendr a esa misma
propiedad [26]. Si est a bien localiza en tiempo y frecuencia, entonces
m,n
estar a bien localizada
alrededor de a
m
0
nb
0
en tiempo y alrededor de a
m
0
w
0
en frecuencia.
Se ha encontrado que la representaci on en tiempo-frecuencia
x
(t, ) de cualquier se nal x(t) debe
cumplir las siguientes propiedades [25]:
La distribuci on de tiempo-frecuencia debe ser real, y su integraci on sobre todo el dominio de
tiempo-frecuencia es igual a la energa de la se nal x(t).
La energa de la se nal en una determinada regi on R del plano (t, ), es igual a la obtenida por
integraci on de
x
(t, ) sobre los lmites de (t, ) de la regi on R:
_
t
_
x
(t, )ddt = c
x
(t, )
donde c
x
(t, ) es la porci on de la energa de la se nal comprendida en la banda de frecuencia
y en el intervalo de tiempo t.
El pico de la representaci on de tiempo-frecuencia de una se nal de frecuencia modulada, que
contiene una sola componente espectral, se reeja por la frecuencia intermedia de la se nal:
x
(t, )
=
i
(t)
= 0
Problemas
Problema 3.4. Demostrar la ortogonalidad del factor de pivote WN = e
j2/N
.
Problema 3.5. Demostrar que para la siguiente funcion existe la transformada de Hartley
x(t) =
X
n=
(t n)
Problema 3.6. Hallar la transforma de Hartley de las siguientes funciones
cos (t/2) (u(t + 1) u(t 1)) t exp
`
t
2
u(t)
sgn(t) 1/
`
t
2
+ 2
Problema 3.7. Obtener la transformada Z de la se nal discreta |x

k
con termino com un, dado en la
forma, xn =
n
/n!, n 0.
Problema 3.8. Hallar la respectiva se nal discreta a la cual le corresponde cada una de las siguientes
Transformadas Z:
X(z) =
1
1 0.3z
1
X(z) = z
2
X(z) = 25/
`
1 09z
1
1/
`
1 0.4z
1
`
1 0.6z
1
3.3. Transformadas ortogonales discretas r apidas 137

3.3. Transformadas ortogonales discretas r apidas
3.3.1. Denici on y restricciones de implementaci on
En las t ecnicas de proceso digital de se nales, es frecuente la necesidad de intercambio entre la repre-
sentaci on espectral y la respectiva representaci on de valores en el tiempo, y viceversa. En este caso,
se deberan emplear las respectivas TDF, TDW y TDH, sin embargo, su c alculo directo acorde a las
expresiones (3.21a), (3.21b), (3.39a), (3.39b), (3.41) y (3.42) implica la realizaci on de un volumen
muy grande de operaciones, generando altas exigencias en los recursos de proceso digital.
Las anteriores restricciones estimularon la b usqueda de algoritmos de c alculo con mnimos costos
computacionales para el desarrollo de las transformadas ortogonales discretas; estos algoritmos reci-
ben el nombre de transformadas r apidas, cuyo uso disminuye, de manera signicativa, la cantidad
de operaciones aritm eticas en la implementaci on de las transformadas ortogonales discretas, disminu-
yendo, tanto el respectivo tiempo de c alculo, como la cantidad de memoria de los sistemas de proceso
digital.
La mayora de los algoritmos de transformadas r apidas se desarrollan basados en dos principios: la
descomposici on de arreglos de dimensi on simple en arreglos de dos dimensiones, o en la factorizaci on
de las respectivas matrices de las transformadas, expresadas en (3.17a) y (3.17b), en matrices ralas.
El primer m etodo consiste en descomponer la sucesi on inicial en dos sucesiones m as cortas, luego,
se realiza el c alculo de sus respectivos espectros y, a partir de estos, se realiza la composici on del
espectro de la sucesi on original. El m etodo est a basado en la suposici on de que la cantidad total
de operaciones necesaria para el c alculo del espectro de las sucesiones secundarias es menor que el
c alculo directo sobre la sucesi on original de (3.16b), de la cual se observa que para una sucesi on
original de longitud N-par se requieren N
2
multiplicaciones y N(N 1) adiciones. Al desdoblar
la sucesi on original en dos sucesiones secundarias de longitud N/2, sus espectros requerir an N
2
/2
sumas y N(N/21) adiciones, por lo que se reduce el volumen inicial de operaciones pr acticamente
en dos. Por cuanto, el c alculo del espectro de la sucesi on original a partir de las secundarias, no
exige mayor costo computacional, el m etodo se puede replicar desdoblando consecutivamente las
sucesiones secundarias, con lo que se reduce el volumen inicial de operaciones signicativamente.
El segundo m etodo, por factorizaci on, consiste en la representaci on de las matrices de las transfor-
madas
N
en forma de multiplicaci on de dos m as sencillas que contienen principalmente elementos
nulos:
(1)
N
,
(2)
N
, . . . ,
(k)
N
siendo k el orden de factorizaci on. De esta manera, los coecientes se
calculan por la ecuaci on matricial:
x
N1
=
1
N
(1)
N

(2)
N

(k)
N
v
N1
que debe ser implementada en varias etapas: inicialmente se calcula v
(1)
N1
=
(k)
N
v
N1
, luego,
v
(2)
N1
=
(k1)
N
v
(1)
N1
, y as sucesivamente hasta
v
(k)
N1
= x
N1
=
1
N
(1)
N
v
(k1)
N1
La economa en la cantidad de operaciones se obtiene por cuanto en cada etapa se realiza un volu-
men peque no de operaciones, debido a que cada
(i)
N
, i = 1, 2, . . . , k, es del tipo matriz rala.
3.3.2. Transformada r apida de Fourier
Uno de los m etodos m as efectivos en la reducci on del c alculo num erico de la TDF consiste en el
cambio de variables, descomponiendo su representaci on de dimensi on simple en dimensi on m ultiple,
en otras palabras, representar un problema complejo por varios m as simples.
Sea la sucesi on inicial de representaci on X[n], n = 0, 1, . . . , N, tal que se cumpla la condici on
N = 2
m
, m Z. La sucesi on primaria se desdobla en las secundarias X
1
[n] y X
2
[n], de manera
que se tengan los elementos pares, X
1
[n] = X[2n], n = 0, 1, . . . , N/2 1 y los elementos impares,
X
2
[n] = X[2n + 1], n = 0, 1, . . . , N/2 1. Tomando en cuenta (3.21a), la respectiva TDF se puede
representar en la forma:
x[k] =
2
N
N/21
n=0
X[2n]W
2kn
N
+
2
N
N/21
n=0
X[2n + 1]W
(2n+1)k
N
Adem as, por cuanto para el factor de pivote, (3.18), se cumple que
W
2
N
=
_
e
j2/N
_
2
= e
j
2
N/2
entonces, los coecientes de representaci on inicial pueden escribirse como:

x[k] =
2
N
N/21
n=0
X
1
[n]W
2kn
N/2
+
2
N
W
k
N
N/21
n=0
X
2
[n]W
kn
N/2
Sin embargo, x
l
[k] = F
1
X
l
[n], por lo que se puede deducir que
x[k] = x
1
[k] +W
k
N
x
2
[k], 0 k N/2 1 (3.52)
En la expresi on (3.52), se determina solamente la primera mitad de los coecientes. De otra parte,
el factor de pivote cumple las propiedades de periodicidad,
W
l+N/2
N/2
= W
l
N/2
(3.53)
y antisimetra
W
l+N/2
N
= e
j2
l+N/2
N
= e
(j2
l
M
)
e
(j)
= e
(j2
l
N
)
= W
l
N
(3.54)
entonces, la descripci on completa del arreglo de coecientes (3.52) es la siguiente:
x[k] =
_
x
1
[k] +W
k
N
x
2
[k], 0 k N/2 1
x
1
[k N/2] +W
kN/2
N
x
2
[k N/2], N/2 k N 1
El procedimiento analizado se puede replicar sobre ambas sucesiones secundarias, X
1
[k] y X
2
[k],
cada una de las cuales se subdividen en las respectivas sucesiones derivadas x
mn
[k], para los valores
m = 0, 1, . . . , N/4 1, n = 1, 2 (conservando los elementos pares en unas sucesiones y los impares
en las alternas), de tal manera que los respectivos elementos de representaci on estar an dados por
x[k]
n
= x
m1
[k] +W
k
N/2
x
n2
[k], 0 k N 1. Este proceso de desdoblamiento de las series se
contin ua hasta que la longitud de la serie derivada disminuya hasta N = 2.
En la Figura 3.8 se muestra el diagrama de grafos que indica la direcci on de las operaciones, para el
caso de N = 8, en la cual se observa que los elementos de salida no est an dispuestos de forma correcta
acordes al ordinal de la serie. En particular, los elementos internos de cada serie, est an invertidos en
su orden.
x[0]
x[2]
x[1]
x[3]
x[4]
x[5]
x[6]
x[7]
X
2
[0]
X
2
[1]
X
2
[2]
X
2
[3]
X
2
[4]
X
2
[5]
X
2
[6]
X
2
[7]
X
1
[0]
X
1
[1]
X
1
[2]
X
1
[3]
X
1
[4]
X
1
[5]
X
1
[6]
X
1
[7]
X
0
[0]
X
0
[2]
X
0
[1]
X
0
[3]
X
0
[4]
X
0
[5]
X
0
[6]
X
0
[7]
W
0
W
1
W
2
W
3
W
0
W
2
W
0
W
2
W
0
W
0
W
0
W
0
a b
a +b
a
b
a
W
k
aW
k
Figura 3.8. Secuencia de operaciones de la transformada r apida de Fourier (N = 8)
El algoritmo mostrado en el desarrollo de la Transformada r apida de Fourier (TRF) (3.25a), se
emplea para el c alculo de la transformada en el sentido inverso (3.25b)
X
[n] =
N1
k=0
x
[k]W
kn
N
, n = 0, 1, . . . , N 1 (3.55)
La expresi on (3.55) corresponde al algoritmo de la TDF, vista sin tener en cuenta la constante 1/N.
Si se conoce el conjugado X
[n], es relativamente simple determinar la sucesi on X[n].

Una forma alterna del desdoblamiento de las sucesiones originales consiste en subdividir la suce-
si on inicial en las mismas dos sucesiones secundarias, pero de la siguiente manera:
X
1
[n] = X[n], n = 0, . . . , N/2 1 y X
2
[n] = X[n +N/2], n = 0, 1, . . . , N/2 1
En otras palabras, la primera sucesi on recoge las primeros N/2 elementos de X[n], mientras la
segunda recoge los ultimos N/2 t erminos.
La trasformada de Fourier de la sucesi on X[n], teniendo en cuenta la forma de subdivisi on ante-
rior propuesta, es la siguiente:
x[k] =
2
N
N/21
n=0
X[n]W
nk
N
+
2
N
N1
n=N/2
X[n]W
nk
N
=
2
N
N/21
n=0
X
1
[n]W
nk
N
+
2
N
N/21
n=0
X
2
[n]W
(n+N/2)k
N
luego
x[k] =
2
N
N/21
n=0
_
X
1
[n] +X
2
[n]e
(jk)
_
W
nk
N
Los coecientes pares se determinan como:
x[2k] =
2
N
N/21
n=0
(X
1
[n] +X
2
[n])W
2nk
N
=
2
N
N/21
n=0
(X
1
[n] +X
2
[n])W
nk
N/2
Mientras, los impares se determinan de la siguiente forma:
x[2k + 1] =
2
N
N/21
n=0
(X
1
[n] X
2
[n]) W
n
N
W
nk
N/2
De manera similar al primer m etodo expuesto, la transformada de cada una de las sucesiones se-
cundarias puede ser calculada replicando el desdoblamiento, y as sucesivamente, hasta obtener nal-
mente la ultima sucesi on de longitud mnima N = 2. La cantidad de operaciones en ambos m etodos
expuestos es igual a N log N. El desarrollo de diferentes algoritmos de an alisis espectral de Fourier
se muestra en el ap endice A.
Transformada r apida de Hartley. El c alculo de la TDH presenta un problema an alogo al de la
TDF, debido a que se tienen que desarrollar N
2
operaciones aritm eticas para un conjunto de datos
compuesto de N elementos. La TRF usa el proceso de permutaci on que permite r apidamente calcular
la transformada de los pares de datos (reales e imaginario), adem as, los combina de nuevo para hacer la
transformada completa en vez de hacer el c alculo de un conjunto de datos complejos. La permutaci on
es particularmente r apida cuando la cantidad de datos es grande. Al suponer los 2 elementos pares
semejantes, usando el proceso de mariposa, se puede calcular la TF en aproximadamente N log N
operaciones para un conjunto de N datos.
La transformada de Hartley para datos pares (a, b) es
1
2
(a + b, a b), cuyo c alculo es simple,
entonces, se puede proponer esta sucesi on de 2 elementos para calcular la transformada de Hartley.
Sin embargo, se requiere de la expresi on que relacione la TDH en t erminos de longitudes medias
subsecuentes.
Las expresiones de descomposici on general de la TDH se basan en el apareamiento de datos:
H(f) = H
1
(f) +H
2
(f) cos(2f/N
g
) +H
2
(N
g
f) sin(2f/N
g
)
De forma an aloga, el mismo m etodo de descomposici on puede ser empleado en la TF:
X(f) = F
1
(f) +F
2
(f)e
(2f/Ng)
donde N
g
= N/2 es el n umero de elementos en la sucesi on de media longitud.
La descomposici on de la transformada r apida de Hartley (TRH) diere de la TRF en que los elemen-
tos multiplicados por el t ermino trigonom etrico no son sim etricos en la expresi on de descomposici on
para TRH. El t ermino multiplicado por los coecientes trigonom etricos involucra solo a X(f) en la
descomposici on de TRH, en la cual ambos H(f) y H(N
g
) tienen coecientes de senos; esta simetra
se vuelve aparente cuando se expresa la transformada discreta como una operaci on de matrices.
Los t erminos de la matriz TRF son sim etricos, mientras, los t erminos correspondientes a la TRH
son asim etricos. Esto genera problemas de c alculo, porque el procesamiento de la matriz asim etrica
es difcil de implementar; se puede trabajar con esta asimetra utilizando un t ermino independiente,
por ejemplo, introduciendo un ndice para los elementos multiplicados por los coecientes del senos,
tal que decrezca, mientras que los otros ndices aumentan (ndice de regresi on).
Comparaci on de los algoritmos de TRF y TRH. La transformada de Fourier se puede obtener a
partir de la transformada de Hartley. De hecho, frecuentemente es m as r apido generar la transformada
de Fourier y el espectro de potencia a partir de la TRH que con la TRF, debido a que en el c alcu-
lo del procedimiento de mariposa se emplean cantidades reales y no imaginarias, que requieren de
operaciones de punto otante.
Las partes imaginarias y reales de la TRF al nal del c alculo se relacionan mediante las ecuaciones:
F
n
(f) = H(f) +H(N f)
F
g
(f) = H(f) H(N f)
donde F
n
(f) es la parte real de la transformada compleja de Fourier y F
g
(f) es la parte imaginaria.
El c alculo del espectro de potencia directamente de la TRH se realiza mediante la relaci on:
S(f) =
_
H(f)
2
+H(N f)
2
/2
El c alculo de la convoluci on de un par de funciones se puede realizar empleando las transformadas
de Hartley o Fourier. Sin embargo el empleo de la TRH resulta ser superior a la TRF en t erminos
de velocidad para cualquier implementaci on dada. Las ecuaciones siguientes resumen la funci on de
convoluci on para las transformadas de Hartley y Fourier, respectivamente:
f
1
(t) f
2
(t) = H
1
(f)H
2p
(f) +H(f)H
2i
(f), (Hartley)
f
1
(t) f
2
(t) = F
1
(f) F
2
(f), (Fourier)
Los subndices p e i en la ecuaci on de Hartley denotan las partes pares e impares de la transformada.
Si la funci on es par o impar, entonces la convoluci on para la transformada de Hartley se reduce a:
f
m
(t) x
n
(t) = H
m
(f)H
n
(f)
3.3.3. Transformada r apida discreta de Walsh
Los algoritmos de la transformada r apida de Walsh existen para cualquier forma de ordenamiento de
las funciones. En este caso se analiza el m etodo basado en la transformada r apida de Hadamar, cuyo
algoritmo puede ser obtenido, bien por factorizaci on de la matriz de Hadamar A
N
, o bien por su
divisi on. Sin embargo, es preferible analizar el segundo algoritmo por su simplicidad.
La matriz de Hadamar de orden N, denido como un n umero par, se denomina la matriz cuadrada
A
N
con elementos
a
mn
= 1, 1, m, n = 0, 1, , N 1
de tal manera, que A
N
A
T
N
= NI
N
, siendo I
N
la matriz de identidad. De la denici on de la matriz
de Hadamar, se deduce la ortogonalidad de sus las, esto es,
N1
n=0
a
nm
a
km
= 0, n ,= k
La matriz de Hadamar de orden 2
m
se puede obtener a partir de una matriz de Hadamar de menor
orden, empleando la siguiente expresi on recurrente:
A
2
n =
_
A
2
n1 A
2
n1
A
2
n1 A
2
n1
_
(3.56)
Sea la se nal x[k], k = 0, 1, . . . , N 1. Entonces
v
N1
= A
N
x
N1
(3.57)
Empleando la propiedad (3.56), la transformada (3.57) se representa como:
_
_
v[0]
v[1]

v[N 1]
_
_
=
1
N
_
A
N/2
A
N/2
A
N/2
A
N/2
_
_
_
x[0]
x[1]

x[N 1]
_
_
la cual, a su vez, se puede dividir en las dos siguientes matrices:
_
_
v[0]
v[1]

v[
N
2
1]
_
_
=
1
N
A
N/2
_
_
x
1
[0]
x
1
[1]

x
1
[
N
2
1]
_
_
,
_
_
v[
N
2
]
v[
N
2
+ 1]

v[N 1]
_
_
=
1
N
A
N/2
_
_
x
1
[
N
2
]
x
1
[
N
2
+ 1]

x
1
[N 1]
_
_
(3.58)
donde
x
1
[k] = x[k] +x[k +N/2 1], k = 0, 1, . . . , N/2 1
x
1
[k] = x[k N/2] x[k], k = N/2, N/2 + 1, . . . , N 1
Aplicando nuevamente la misma divisi on sobre el ultimo par de matrices se obtiene:
_
_
v[0]
v[1]

v[
N
2
1]
_
_
=
1
N
_
A
N/4
A
N/4
A
N/4
A
N/4
_
_
_
x
1
[0]
x
1
[1]

x
1
[
N
2
1]
_
_
,
_
_
v[
N
2
]
v[
N
2
+ 1]

v[N 1]
_
_
=
1
N
_
A
N/4
A
N/4
A
N/4
A
N/4
_
_
_
x
1
[
N
2
]
x
1
[
N
2
+ 1]

x
1
[N 1]
_
_
Cada una de estas matrices puede ser dividida de manera consecutiva en otras dos matrices como
se muestra en (3.58). En el caso de la primera matriz se tiene
_
_
v[0]
v[1]

v[
N
4
1]
_
_
=
1
N
A
N/4
_
_
x
2
[0]
x
2
[1]

x
2
[
N
4
1]
_
_
,
_
_
v[
N
4
]
v[
N
4
+ 1]

v[
N
2
1]
_
_
=
1
N
A
N/4
_
_
x
2
[
N
4
]
x
2
[
N
4
+ 1]

x
2
[
N
2
1]
_
_
,
siendo
x
2
[k] = x
1
[k] +x
1
[k +N/4 1], k = 0, 1, . . . , N/4 1
x
2
[k] = x
1
[k N/4] x
1
[k], k = N/4, N/4 + 1, , N/2 1
La segunda matriz se divide de manera similar. En consecuencia, el procedimiento de divisi on
puede realizarse consecutivamente hasta la longitud N/(N 1) = 2, para la cual se tiene la siguiente
matriz base:
A
2
=
_
1 1
1 1
_
En la Figura 3.9(a) se muestra el diagrama de grafos correspondiente al algoritmo presentado para
la transformada r apida de Hadamar, el cual requiere N log
2
N operaciones, para el c alculo de una su-
cesi on de longitud N = 2
m
, m Z. El algoritmo presentado tambi en es aplicable a la transformada
r apida de Hadamar-Walsh en sentido inverso.
3.3.4. Transformada r apida discreta de Haar
En este caso, la implementaci on de la transformada r apida, usualmente, se lleva a cabo empleando la
transformada modicada de Hadamar [27]:
v
N1
=
1
N
A
M
N
x
N1
, N = 2
m
, m Z
donde A
M
N
es la matriz ortogonal, denida por la relaci on recurrente:
A
M
2
k
=
_
A
M
2
k1
A
M
2
k1
2
(k1)/2
I
2
k1 2
(k1)/2
I
2
k1
_
, k = 1, 2, . . . , m
, ,
, ,
, ,
, ,
, ,
, ,
, ,
, ,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
, ,
,
,
,
,
,
,
,
x0[0]
x0[1]
x0[2]
x0[3]
x0[4]
x0[5]
x0[6]
x0[7]
x1[0]
x1[1]
x1[2]
x1[3]
x1[4]
x1[5]
x1[6]
x1[7]
x2[0]
x2[1]
x2[2]
x2[3]
x2[4]
x2[5]
x2[6]
x2[7]
x3[0]
x3[1]
x3[2]
x3[3]
x3[4]
x3[5]
x3[6]
x3[7]
1/8
1/8
1/8
1/8
1/8
1/8
1/8
1/8
X[1]
X[2]
X[3]
X[4]
X[5]
X[6]
X[7]
X[0]
(a) Transformada r apida de Hadamar
, ,
, ,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
, ,
, ,
, ,
, ,
, ,
, ,
x0[0]
x0[1]
x0[6]
x0[7]
x0[2]
x0[3]
x0[4]
x0[5]
x1[0]
x1[1]
x1[2]
x1[3]
x1[4]
x1[5]
x1[6]
x1[7]
x2[0]
x2[1]
x2[2]
x2[3]
x3[0]
x3[1]
1/8
1/8
X[1]
X[0]
X[2]
X[3]
2/8
2/8
1/4
1/4
1/4
1/4
X[4]
X[5]
X[6]
X[7]
(b) Transformada r apida modicada de Hadamar
Figura 3.9. Diagrama de implementaci on de la transformada de Hadamar (N = 8)
siendo I
2
k1 la matriz unitaria de orden 2
k1
, con condici on inicial, A
M
1
= 1.
En calidad de ejemplo se analiza la matriz ortogonal para N = 8:
A
M
8
=
_
_
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
2 0
2 0
2 0
2 0
0
2 0
2 0
2 0
2
2 0 0 0 2 0 0 0
0 2 0 0 0 2 0 0
0 0 2 0 0 0 2 0
0 0 0 2 0 0 0 2
_
_
El algoritmo de la transformada modicada de Hadamar, que es similar al analizado para el caso
de la TDW r apida, tiene la estructura mostrada en la Figura 3.9(b). La cantidad de operaciones es de
2(N1) sumas (o restas), N multiplicaciones y log
2
(N1) inversiones binarias, por lo que de los al-
goritmos r apidos, vistos para las transformadas ortogonales discretas, el algoritmo de la transformada
de Haar es el m as econ omico en cuanto a costo computacional.
El c alculo de la transformada modicada de Hadamar en sentido inverso se determina de la relaci on:
x
N1
=
_
A
M
N
1
v
N1
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
,
x0[0]
x0[1]
x0[6]
x0[7]
x0[2]
x0[3]
x0[4]
x0[5]
x1[0]
x1[1]
x1[2]
x1[3]
x1[5]
x1[6]
x1[7]
x1[4]
x2[0]
x2[1]
x2[2]
x2[3]
x2[4]
x2[5]
x2[6]
x2[7]
x3[0]
x3[1]
1/8
1/8
1/4
1/4
1/4
1/4
inversor
binario
N = 4
2/8
2/8
inversor
binario
N = 2
X[1]
X[0]
X[2]
X[3]
X[4]
X[5]
X[6]
X[7]
Figura 3.10. Diagrama de la transformada r apida de Haar (N = 8)
Debido a que la matriz ortogonal A
M
N
no es sim etrica, entonces
A
M
N
,=
_
A
M
N
1
y por lo tanto, los respectivos grafos del par de transformadas r apidas de Hadamar, en los sentidos
inverso y directo, no coincidir an. En otras palabras, es necesario sintetizar un algoritmo diferente
de c alculo para cada uno de los sentidos de la transformada r apida de Hadamar. En la Figura 3.10, se
muestra la secuencia de operaciones en el c alculo de la transformada de Haar, basado en los algoritmos
de la transformada r apida modicada de Hadamar antes explicada.
Problemas
Ejercicio en el CP 3.4. [Matlab] Analizar la periodicidad del factor de pivote, (3.53), mediante
el siguiente codigo:
N=2,3,4,5,6,7,8; % Escala de tiempo
for n = 1:5
*
N
m(n)=exp(-j
*
2
*
pi
*
n/N);
end
m % valores del factor de pivote
Ejercicio en el CP 3.5. [Matlab] Realizar el codigo que analice la propiedad de antisimetra del
factor de pivote, (3.54).
Problema 3.9. Calcular la convolucion lineal de las siguientes dos sucesiones nitas: x = [2 2 1]
T
y
h = [1 2]
T
.
Problema 3.10. Calcular la convolucion circular de las siguientes dos sucesiones nitas: x = [2 2 1]
T
y h = [1 2 0 0]
T
.
3.4. Representaci on ortogonal de sistemas en tiempo discreto
3.4.1. Respuesta discreta a impulso
Los sistemas lineales en tiempo discreto se describen por medio de ecuaciones de diferencias lineales,
pero usualmente, con par ametros constantes:
N
n=0
a
n
y[k n] =
M
n=0
b
n
x[k n] (3.59)
donde a
0
= 1, y[k n], x[k n], corresponden a los valores de las se nales discretizadas de salida y
entrada, respectivamente.
Cuando se cumple que a
n
,= 0, para cualquier n ,= 0, entonces el sistema se denomina recursivo.
La se nal a la salida de tal sistema depende no solamente de las se nales de entrada, sino de valores de
la se nal de salida en momentos anteriores. En cambio, si los coecientes a
n
= 0, n = 1, 2, . . . , N,
entonces se habla de sistemas no recursivos, cuya se nal de salida se determina solamente por la acci on
de entrada hasta el momento actual de tiempo.
La respuesta a impulso de un sistema discreto h[n] corresponde a la se nal de salida cuando la
entrada es la funci on delta, (3.8), esto es, x[n] = [n]. En concordancia con la denici on (2.34), la
se nal a la salida de un sistema discreto lineal e invariante en el tiempo se dene como:
y[n] =
k=
h[n, k]x[k] =
k=
h[n k]x[k], (3.60)
Teniendo en cuenta que la condici on de realizaci on fsica del sistema implica que se cumpla,
h[n, k] = 0, k > n
entonces se obtiene que:
y[n] =
k=0
h[k]x[n k], n = 0, 1, . . .
En los ltros no recursivos, la respuesta a impulso contiene una cantidad nita de elementos, que
no excede el valor de M + 1, donde M es el lmite superior de la suma en (3.60), correspondiente a
los elementos de la entrada; estos sistemas se denominan de respuesta a impulso nita (RIF):
h
RIF
[n] =
N
i=n
0
i
[n i], n
0
, N < (3.61)
Por el contrario, los sistemas discretos recursivos poseen respuesta a impulso innita y se denomi-
nan de respuesta a impulso innita (RII):
h
RII
=
N
i=n
0
i
[n i], [N n
0
[ (3.62)
3.4. Representaci on ortogonal de sistemas en tiempo discreto 147
3.4.2. Funci on de convoluci on discreta
Cualquier sucesi on discreta, correspondiente a la se nal de entrada, en la forma
x[k] = +x[2][k + 2] +x[1][k + 1] +x[0][k] +x[1][k 1]
se podr a representar en t erminos de la funci on de impulso unitario (3.8):
x[k] =
i=
x[i][k i]
La respectiva sucesi on de salida y[n] empleando la propiedad de linealidad (3.14) tiene la forma,
y[k] =
i=
x[i]h[k i], donde el t ermino k de la sucesi on de salida se dene como
y[k] =
i=
x[i]h[k i] (3.63)
La sumatoria (3.63) se conoce como la convoluci on discreta y se representa por la expresi on:
y[k] = x[k] h[k] = h[k] x[k]
La sumatoria (3.63), generalmente, se conoce como acclica o aperi odica. Si la se nal de entrada
x[n] es de longitud M y la respuesta a impulso h[n] es de longitud N, entonces la respuesta y[n] es
de longitud N +M 1. en el caso de la convoluci on cclica, que se dene como:
y[k] =
N1
i=0
x[i]h[k i]
las sucesiones de entrada se consideran de igual longitud N. Adem as, x[n] y h[n] se asumen peri odi-
camente extendidas fuera del rango [0, N 1], que resulta tambi en en una salida y[n] peri odica. Una
notaci on alterna empleada durante el desarrollo de los algoritmos de c alculo, basada en la operaci on
de m odulo, corresponde a la siguiente:
y[k)
N
] =
N1
i=0
x[i)
N
]h[k i)
N
]
donde n)
N
es el residuo de n m odulo N (cuando la base es obvia, su valor se omitir a).
La convoluci on discreta en (3.63) se dene como lineal si est a determinada para todos los valores
de i dentro del intervalo (, ). Cuando se tiene que la se nal x[i] = 0, para todo i fuera del
intervalo [N
1
, N
2
], entonces, se denominar a se nal de longitud (N = N
2
N
1
+ 1), que por conve-
niencia se nota por N. De igual manera, si la respuesta h[v] = 0 fuera de [M
1
, M
2
] se denomina de
longitud (M = M
2
M
1
+ 1). Para el caso de dos se nales nitas, los t erminos de la suma (3.63),
comprendidos entre M
2
+N
2
< I < M
1
+N
1
, resultan ser cero, por lo que la se nal de salida ser a de
longitud (M
2
+N
2
N
1
M
1
+1) que corresponde a la menor suma de las longitudes de las se nales
que conforman la convoluci on. En este caso, la primera componente diferente de cero ocurre cuando
i M
1
= N
1
o i = M
1
+N
1
y el ultimo cuando i M
2
= N
2
o i = M
2
+N
2
.
Ejemplo 3.3. Determinar la convoluci on y[n] para las funciones discretas dadas h[n] = a
n
u[n] y
x[n] = b
n
u[n].
Empleando (3.63) se obtiene que
y[n] =
i=
h[i]x[n i] =
i=
a
i
u[i]b
ni
u[n i]
=
_
n
i=0
a
i
b
ni
u[n]
_
=
_
b
n
n
i=0
_
a
b
_
i
_
u[n]
= b
n
1 (a/b)
n+1
1 a/b
u[n] =
b
n+1
(1 (a/b)
n+1
)
b a
u[n]
y[n] =
b
b a
b
n
u[n]
a
b a
a
n
u[n].
C alculo de la convoluci on discreta
Convoluci on lineal. La convoluci on discreta, denida en (3.63), en su forma lineal se puede escribir
por medio de la multiplicaci on de matrices, en la cual las se nales de entrada y salida corresponden
a vectores columnas, mientras la matriz de respuesta a impulso tiene las que corresponden a sus
versiones desplazadas en el tiempo. Asumiendo N
1
= M
1
= 0, se tiene que:
_
_
y[0]
y[1]
.
.
.
y[N
2
+M
2
]
_
_
=
_
_
h[0] 0 0
h[1] h[0] 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 h[M
2
]
_
_
_
_
x[0]
x[1]
.
.
.
x[N
2
]
_
_
(3.64)
An alisis de tiempo corto de la se nal de entrada. Frecuentemente, es necesario trabajar con sec-
ciones cortas de una se nal de entrada de longitud larga. Existen 2 m etodos de c alculo de la convoluci on
en este caso. El primero denominado de traslapo aditivo de salida [28], en el cual la se nal de entrada
es representada por una suma de bloques con longitud L, de la forma:
x
m
[n] =
_
x[n], mL n mL +L 1
0, otros casos
(3.65)
La sustituci on de (3.65) en (2.34) da como resultado
y[n] = h[n]
m=
x
m
[n], (3.66)
deniendo la convoluci on elemental, y
m
[n] h[n] x
m
[n], entonces, la ecuaci on (3.66) ser a
y[n] =
m=
y
m
[n] (3.67)
Cada una de las convoluciones, denidas en (3.67), corresponde a una entrada de longitud f
max
y
a una respuesta h de longitud M, dando una salida y
m
de longitud f
max
+ M 1. Estos segmentos
de salida se traslapan y adicionan de acuerdo a (3.67).
El m etodo de traslapo aditivo de salida puede ser descrito empleando la notaci on matricial de (3.64),
donde los bloques de salida corresponden al seccionamiento de la matriz h.
El segundo m etodo de seccionamiento se denomina de traslapo selectivo, en el cual los segmentos
de entrada se convolucionan con h[] y los apropiados valores de salida son escogidos. En el algoritmo,
se toma en cuenta que la respuesta de una se nal de longitud M con la respuesta a impulso h[n] s olo
dura M 1 tiempos como se ilustra en la matriz (3.68).
_
_
y [0]
y [1]
y [2]
y [3]
y [4]
y [5]
y [6]
y [7]
_
_
=
_
_
h[0] 0 0 0 0 0 0 0
h[1] h[0] 0 0 0 0 0 0
h[2] h[1] h[0] 0 0 0 0 0
0 h[2] h[1] h[0] 0 0 0 0
0 0 h[2] h[1] h[0] 0 0 0
0 0 0 h[2] h[1] h[0] 0 0
0 0 0 0 h[2] h[1] h[0] 0
0 0 0 0 0 h[2] h[1] h[0]
_
_
_
_
x[0]
x[1]
x[2]
x[3]
x[4]
x[5]
x[6]
x[7]
_
_
(3.68)
La transformada de la convoluci on lineal discreta, teniendo en cuenta (3.35), es el producto de las
transformadas Z de la entrada x y la respuesta h, as
Y (z) = H(z)X(z) (3.69)
Convoluci on circular. Se dene como la convoluci on de las se nales x[n] en la forma
y[n] =
N1
m=0
hn m) x[m], n = 0, 1, . . . , N 1
y[n] = hn) x[n] (3.70)
En (3.70), los ndices son evaluados por m odulo N. La convoluci on circular se nota por el smbolo
. Cabe anotar, que mientras la convoluci on circular de dos se nales de longitud N da una salida de
longitud tambi en N, en la convoluci on lineal la salida es de 2N 1.
La representaci on matricial de la convoluci on circular corresponde a reemplazar los valores cero
en las columnas de (3.68) por los valores de la se nal cclicamente desplazados, raz on por la cual se
denomina circular:
_
_
y [0]
y [1]
y [2]
y [3]
y [4]
y [5]
y [6]
y [7]
_
_
=
_
_
h[0] h[7] h[6] h[5] h[4] h[3] h[2] h[1]
h[1] h[0] h[7] h[6] h[5] h[4] h[3] h[2]
h[2] h[1] h[0] h[7] h[6] h[5] h[4] h[3]
h[3] h[2] h[1] h[0] h[7] h[6] h[5] h[4]
h[4] h[3] h[2] h[1] h[0] h[7] h[6] h[5]
h[5] h[4] h[3] h[2] h[1] h[0] h[7] h[6]
h[6] h[5] h[4] h[3] h[2] h[1] h[0] h[7]
h[7] h[6] h[5] h[4] h[4] h[2] h[1] h[0]
_
_
_
_
x[0]
x[1]
x[2]
x[3]
x[4]
x[5]
x[6]
x[7]
_
_
(3.71)
La transformada de la convoluci on circular, determinada en (3.67), corresponde a
Fy = FhFx (3.72)
Debido a la relaci on de la convoluci on circular con la TDF en (3.72), mientras la lineal ocurre con
la transformada Z en (3.69), y por cuanto preferentemente se desarrollan algoritmos discretos para el
c alculo de la TDF, se hace necesario obtener la relaci on entre ambos tipos de convoluci on. Del an alisis
de las matrices (3.64) y (3.71) se puede deducir que para el c alculo de la convoluci on lineal a partir
de la circular para una entrada de longitud N y respuesta a impulso de longitud M, se deber a agregar
M1 ceros a la entrada y N 1 a la respuesta h, con lo cual las se nales, que forman la convoluci on,
tendr an igual longitud M +N 1, lo mismo que la salida y, que corresponde a la convoluci on lineal.
Esta operaci on se muestra en la siguiente matriz:
_
_
y [0]
y [1]
y [2]
y [3]
y [4]
_
_
=
_
_
h[0] 0 0 0 h[1]
h[1] h[0] 0 0 0
0 h[1] h[0] 0 0
0 0 h[1] h[0] 0
0 0 0 h[1] h[0]
_
_
_
_
x[0]
x[1]
x[2]
x[3]
0
_
_
3.4.3. Funci on de transferencia discreta
Como en los sistemas continuos, en los sistemas discretos lineales e invariantes en el tiempo, descritos
por la respuesta a impulso h[n], se determina la se nal de salida y[n], para el caso en que se tiene una
se nal de entrada de la forma x[n] = exp[jn ], esto es,
y[n] =
i=
h[i]x[n i] =
i=
h[i]e
j(ni)
= e
jn
i=
h[i]e
ji
teniendo en cuenta (2.11), entonces,
y[n] = e
jn
H(e
j
),
donde H(e
j
) es la respuesta de frecuencia o funci on de transferencia discreta, que en forma general,
puede ser compleja como se demostr o en el caso de los sistemas continuos, as,
Y
_
e
j
_
= X
_
e
j
_
H
_
e
j
_
, (3.73)
entonces,
y[n] = x[n] h[n]
Los m etodos de an alisis de sistemas discretos, b asicamente, corresponden a los mismos m etodos de
los continuos, los cuales est an representados en la Figura 3.11. De acuerdo al desarrollo matem atico
descrito de la funci on de transferencia pueden existir varios m etodos para su determinaci on. El primer
m etodo emplea la funci on de impulso unitario [n] como se nal de entrada, un segundo m etodo emplea
la funci on exponencial e
jn
en correspondencia con la denici on y, por ultimo, sin especicar la se nal
de entrada se puede analizar la ecuaci on de diferencias que describe el sistema lineal [28].
/
/
/
/
/
/
/
/
/ -
`
`
`
`
`
`
`
`
` -
x[n] h[n]
y[n]
TDF(D) TDF(D)
TDF(I)
x[n] h[n]
X
`
e
j
H
`
e
j
Y
`
e
j
y[n]
a) b)
Figura 3.11. An alisis de sistemas discretos
De otra parte, el m etodo matricial es com un en
la descripci on de sistemas discretos, en el cual el
operador H se representa en forma de matriz.
Sean en calidad de funciones propias del
operador, las siguientes dependencias discretas
m
[k], m, k = 0, 1, . . . , N 1, esto es,
H
m
[k] = H(m)
m
[k],
El proceso de ltraci on discreta puede ser en-
tendido como la multiplicaci on de los coecien-
tes v[n] obtenidos de la representaci on de la
se nal de entrada en base
m
[k] por los respec-
tivos coecientes de la funci on de transferencia
H(m). La multiplicaci on corresponde a los coe-
cientes espectrales de la se nal de entrada.
Las restricciones de implementaci on pr actica
hacen que en el proceso de se nales se utilicen so-
lamente bases discretas del tipo ortogonal, para
los cuales la se nal de salida puede ser represen-
tada por la siguiente expresi on matricial:
Y
N1
=
1
T
k
N
H
N
H
N
N
X
N
donde Y y X se forman de las respectivas
se nales discretizadas de salida y entrada,
matriz ortogonal, con las determinadas por
el conjunto ortogonal de funciones discretas
m
[k], i, k = 0, 1, . . . , N 1, donde N es el
conjunto de la base y H es la matriz diagonal
compuesta por los coecientes H(m):
H =
_
_
H(0) 0 0
0 H(1) 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 H(N 1)
_
_
Por lo anterior, la transformaci on lineal de ltraci on discreta se representa mediante la matriz:
H =
1
N
H
H (3.74)
3.4.4. Filtros discretos de Walsh
La ecuaci on representativa del sistema (3.59), en este caso, tiene la forma
N
n=0
a
n
y[k n] =
M
m=0
b
m
x[k m]
donde a
0
= 1, a
n
,= 0, x[k] y y[k] son las versiones discretizadas de entrada y salida, respectivamente.
El diagrama estructural de los ltros de Walsh, corresponde al diagrama 4.2(a), en el cual, las lneas
de retardo corresponden al desplazamiento di adico en una unidad de tiempo (N +M + 1).
La respuesta a impulso de los ltros de Walsh se halla por denici on excitando el sistema con la
se nal singular:
[n k] =
_
1, n k = 0
0, 0 n k N 1
La salida del ltro se representa mediante el correspondiente operador lineal de ltraci on discreta:
y[n] = H x[n] = H
_
N1
k=0
x[k][n k]
_
=
N1
k=0
x[k]H [n k]
luego,
y[n] =
N1
k=0
x[k]h[n k]
La funci on de transferencia se halla a partir de los valores propios del ltro de Walsh, descritos en
(1.48b) y (1.48a):
H cal
l
[k] = H
c
(l)cal
l
[k] (3.75)
H sal
l
[k] = H
s
(l)sal
l
[k] (3.76)
Reemplazando en (3.59), la se nal de entrada por las funciones cal
l
[k] y sal
l
[k], el anterior sistema
toma la forma:
H
c
(l) =
M
m=0
b
m
cal
l
[m]
__
1 +
N
n=1
a
n
cal
l
[n]
_
H
s
(l) =
M
m=0
b
m
sal
l
[m]
__
1 +
N
n=1
a
n
sal
l
[n]
_
Si se conocen los coecientes de transferencia H
c
(l), H
s
(l) y el espectro a
x
(l) + b
x
(l) de la se nal
de entrada x[k], k = 0, 1, . . . , N 1 se puede hallar el espectro de salida
a
y
(l) +b
y
(l) = H
c
(l)a
x
(l) +H
s
(l)b
x
(l)
cuya transformada de Fourier-Walsh, resulta en la se nal de salida del ltro:
y[k] =
N1
l=0
(H
c
(l)a
x
(l)cal
l
[k] +H
s
(l)b
x
(l)sal
l
[k])
La relaci on entre los coecientes de transferencia H
c,s
(l) y la respuesta a impulso h[n], se establece
hallando la transformada directa de Fourier-Walsh de la expresi on general del ltro (3.59):
a
y
(l) =
N1
k=0
x[k]
1
N
N1
n=0
h(n k)cal
i
[n]
b
y
(l) =
N1
k=0
x[k]
1
N
N1
n=0
h(n k)sal
i
[n]
Sea m = n k. Por cuanto cal
l
[m k] = cal
l
[m] cal
l
[k], as mismo, teniendo en cuenta que
sal
l
[mk] = sal
l
[m] sal
l
[k], se encuentra
a
y
(l) = a
h
(l)a
x
(l)N
b
y
(l) = b
h
(l)b
x
(l)N
donde a
h
(l) +b
h
(l) es el espectro de la respuesta a impulso.
De lo anterior, se puede inferir que los respectivos coecientes de transferencia H
c,s
(l) est an rela-
cionados con la respuesta a impulso por las expresiones:
H
c
(l) =
N1
m=0
h[m]cal
l
[m]
H
s
(l) =
N1
m=0
h[m]sal
l
[m]
De las relaciones (3.75) y (3.76) se puede generalizar el operador para el ltro de Walsh, dado por
Hw
l
= H(l)w
l
[k], l, k = 0, 1, . . . , N 1, siendo w
l
[k] = N
1/2
wal
k
[k] el sistema de funciones
ortonormales discretas, que corresponde a los vectores propios del operador de ltraci on, el cual puede
ser representado por la matriz de orden N, acorde con la expresi on (3.74):
H = W
T
HW
Por cuanto la matriz W es sim etrica, el operador de ltraci on de Walsh tiene la forma:
H = WHW
Del par de anteriores relaciones, resulta entonces, que la sntesis del respectivo ltro de Walsh, se
puede realizar en correspondencia con la siguiente expresi on:
Y = WHWX

X
W H W
Y
Figura 3.12. Filtro discretos de Walsh
de la cual resulta que para la implementaci on
del ltro, cuya estructura se muestra en la Figu-
ra 3.12, se requieren tres diferentes dispositivos:
el primero que calcule los coecientes espectra-
les c
x
[i] de la se nal de entrada y derivados de la
siguiente operaci on:
C
x
= WX
Un segundo dispositivo que efect ue la multiplicaci on de los coecientes obtenidos c
x
[i] por los valores
de la funci on de transferencia H(i), que corresponde a la operaci on C
y
= HC
x
, y por ultimo,
se encuentra el dispositivo que forma el arreglo de la se nal de salida y[i] y que corresponde a la
operaci on, Y = WC
y
.
Ejemplo 3.4. Determinar la funci on de transferencia H(e
j
) del sistema representado en la
Figura 3.13(a), donde [[ < 1.
_

`
x[n] y[n]
y[n 1]
retenedor amplicador
K T
(a) Diagrama
1.5 1 0.5 0 0.5 1 1.5
1
1.5
2
2.5
3
3.5
4
= .75
= .5
= .25
(b) Magnitud
Figura 3.13. Sistema recursivo de primer orden
Metodo 1. De acuerdo al sistema presentado, la respuesta a impulso dada sera h[n] =
n
u[n],
luego, la funci on de transferencia se determina como:
H(e
j
) =
n=
h[n]e
jn
=
n=0
n
e
jn
=
n=0
_
e
j
_
n
=
1
1 e
j
Metodo 2. Sea x[n] = e
jn
la se nal de entrada, con lo cual, la se nal a la salida del sistema
corresponde a y[n] = H
_
e
j
_
e
jn
, cuyo version con retardo en un tiempo de discretizacion,
aplicando (3.15), resulta en y[n 1] = H
_
e
j
_
e
j(n1)
.
La ecuacion recurrente del ltro esta dada por la expresi on iterativa simple de primer orden:
y[n] = x[n] +y[n 1]
Reemplazando
H(e
j
)e
jn
= e
jn
+ H(e
j
)e
j(n1)
=
e
jn
e
jn
e
j(n1)
=
1
1 e
j
A partir de la ecuacion recurrente obtenida y empleando las expresiones (3.15) y (3.73) se
obtiene
Y (e
j
) = X
_
e
j
_
+ e
j
Y
_
e
j
_
.
Debido a que Y
_
e
j
_
= H
_
e
j
_
X
_
e
j
_
, entonces
H(e
j
) =
Y (e
j
)
X(e
j
)
=
1
1+e
j
Finalmente, se puede demostrar que el modulo y la fase de H
_
e
j
_
respectivamente ser an
(Figura 3.13(b)):
H
_
e
j
_
=
1
1 +
2
2cos
mientras
(e
j
) = arctan
_
sin
1 cos
_
.
Problemas
Problema 3.11. Calcular la TDF directa del pulso discreto [n]: X
`
e
j
=
P
i=
[n] e
jn
.
Problema 3.12. Determinar la respuesta del ltro recursivo empleado en la deteccion de se nales
periodicas (previo conocimiento de T), ilustrado en la Figura 3.14 para los siguientes casos: a) K = 1,
b) K < 1.
_

`
x[n]
y[n]
retardo
atenuador
K
Figura 3.14.
Problema 3.13. Demostrar que el sistema discreto con respuesta a impulso
P
i=0
n1
[n i] es del
tipo RII.
h[n] =
X
i=0
n1
[n i] =
X
i=0
u[i]
ni
[n i] =
n
u[n].
Problema 3.14. Hallar la respuesta a escalon unitario discreta p[n], que corresponde a la respuesta
de un dispositivo discreto cuando la sucesion de entrada es la funcion escalon unitaria discreta dada en
(3.10), aplicado al ejemplo (3.4), suponiendo < 1.
Problema 3.15. Demostrar que la respuesta a escalon unitario de un ltro digital es:
p (t) = y [z]
x[t]=1
= H (z)
1
1 z
1
Ejercicio en el CP 3.6. [Matlab] Representar las siguientes se nales:
(a). x(t) = a sin(
0
t +) exp(bt), b > 0,
(b). x(t) = rect
T
(t)(t, T/4) cos(a
0
t + ), a > 1, siendo (t, T) la funci on triangular con
periodo T.
Ejercicio en el CP 3.7. [Matlab] Hallar la convolucion de las funciones sinc(t) y Dirichlet:
diric(t, n) =
_
_
_
1
t
2
(n1)
, t = 0, 2, 4,
sin(nt/2)
nsin(t/2)
, t ,= 0, 2, 4,
%Convolucion discreta
N=200; n=0:pi/N:2
*
pi; h=sinc(n); x=diric(n,16)/max(diric(n,16));
subplot(211),plot(n,x,n,h)
y=conv(x,h);n=-2
*
pi:pi/N:2
*
pi; subplot(212),plot(n,y)
Captulo 4
Dise no de ltros digitales
E
l ltro digital es el sistema que realiza la transformaci on selectiva de componentes espectrales
y comprende tanto los algoritmos como los dispositivos que permiten transformar una se nal
digital en otra. Los ltros digitales poseen una serie de ventajas con respecto a los an alogos:
sus funciones de transferencia son m as estables y exibles para su cambio y para ellos se puede
obtener el desfase lineal en un amplio ancho de banda, adem as, brindan un alto factor de calidad y,
por ultimo, son preferibles en las frecuencias m as bajas, donde el volumen fsico de los ltros an alogos
es muy grande. Aunque, para los ltros digitales son conocidas algunas restricciones, entre ellas la
superposici on de frecuencias, el error de cuanticaci on y redondeo, etc. Todos estos problemas pueden
ser llevados a su mnima expresi on realizando el adecuado dise no de los dispositivos de proceso.
4.1. Caractersticas de los ltros digitales
4.1.1. Condiciones de realizaci on
Las siguientes propiedades aplican a los ltros digitales lineales:
(a). Superposici on. Dado el operador de ltraci on K , la condici on de linealidad (1.4) se transcribe
de la siguiente manera
K (b
1
x
1
[n] +b
2
x
2
[n]) = b
1
K x
1
[n] +b
2
K x
2
[n]
(b). Invariabilidad. Se cumple la condici on dada en (1.5),
K x[n k] = y [n k] , k Z
+
(c). Causalidad. Se denomina fsicamente realizable si de la condici on:
_
x
1
[n] = x
2
[n] , n k
x
1
[n] ,= x
2
[n] , n > k
resulta que, K x
1
[n] = K x
2
[n] , n k.
157
158 Captulo 4. Dise no de ltros digitales
(d). Estabilidad. Un ltro digital se denomina estable si su salida, dada cualquier se nal de entrada
acotada, es tambi en limitada o acotada:
N
k=
[h[k][ < (4.1)
Sea la sucesi on de entrada nita y acotada x[n], tal que x[n] < , n. Entonces, la
respuesta a impulso del sistema denida en (3.60) con la condici on (4.1) es igual a:
[y [n][ =
k=
h[k] x[n k]
k=
[h[k][ [x[n k][
k=
h[k] <
esto es, la sucesi on de salida tambi en ser a acotada.
Por cuanto, x[nT] = 0 cuando x[nT] = [nT], se puede demostrar que (4.1) siempre se cumplir a.
En este sentido, cuando se representa la respuesta a impulso de un ltro recursivo en forma quebrada
racional de potencias z
1
, entonces, para su realizaci on fsica se exige que el orden del polinomio del
numerador sea menor o igual al orden del polinomio del denominador.
En el an alisis de la estabilidad de los algoritmos de ltraci on digital, es necesario tener en cuenta
que el proceso de se nales mediante ltros digitales pertenece a la clase de tareas matem aticamente
incorrectas [1], esto es, problemas cuya soluci on posee alta sensibilidad y que al menor cambio en
los valores de entrada, el algoritmo se torna inestable. Si los datos de entrada (los par ametros de los
ltros, la estructura de las se nales, etc.) son conocidos aproximadamente, entonces, esta inestabilidad
conlleva pr acticamente a la ambig uedad (a veces inexistencia) de una soluci on dentro de los intervalos
de precisi on dados y, adem as, a la dicultad de interpretaci on de los resultados obtenidos. Esta par-
ticularidad se hace evidente cuando se resuelven tareas que tienen que ver con el control de sistemas
optimos, optimizaci on del tiempo de c alculo, sistemas autom aticos de medici on y otros.
Ejemplo 4.1. Demostrar la invariabilidad en el tiempo del ltro con se nal de salida
y [n] = K x[n] x[n 1] , n > 0
En la pr actica, para la extracci on de las componentes de baja frecuencia de los procesos, se
emplea esta clase de ltros de primer orden de iteracion, cuya respuesta a una entrada con
retardo en k tiempos sera
K x[n k] = x[n k] x[n k 1] .
Mientras, la salida al mismo valor de retardo tiene la forma,
y [n k] = K x[n k] x[n k 1]
De donde se observa, que
y [n k] = K x[n k] ,
luego, el ltro es invariante en el tiempo.
4.1. Caractersticas de los ltros digitales 159
Sin embargo, en el caso del siguiente ltro
y [n] = [n]x
2
[n] + 2x[n 1] , > 0
se obtiene que la respuesta a una entrada con retardo k sera
K x[n k] = [n]x
2
[n k] + 2x[n k 1] ,
que, entonces, es diferente de la salida con el mismo valor de retardo:
y [n k] = [n k] x
2
[n k] + 2x[n k 1]
por lo que se puede armar que el ltro no es invariante en el tiempo.
De acuerdo a la denici on dada en (3.59), para los ltros no recursivos se cumple que su salida se
determina solamente por los valores de entrada del proceso:
y [n] = K . . . , x[n 1] , x[n] , x[n + 1]
Mientras, en el c alculo de los valores de la se nal de salida y [n], para los ltros recursivos, se
emplean sus valores pasados, as como los valores pasados y actuales de la se nal de entrada:
y [n] = K y [n 1] , . . . , y [n N] , x[n] , . . . , x[n M]
Sea un ltro digital recursivo con funci on de transferencia (3.37b):
H(z) =
M
m=0
b
m
z
m
N
n=0
a
n
z
n
=
_
M
m=0
b
m
z
Mm
_
z
NM
N
n=0
a
n
z
Nn
=
B(z)
A(z)
tal que a
0
> 0. De los coecientes del polinomio A(z) se construye la Tabla 4.1.
Las dos primeras las de esta matriz se forman directamente de los coecientes A(z): a
0n
= a
n
,
mientras, los elementos de la tercera y cuarta las se calculan por la expresi on:
a
1n
=
a
00
a
0Nn
a
0N
a
0n
= a
00
a
0n
a
0N
a
0(Nn)
, n = 0, 1, . . . , N 1
De igual manera, se calculan las quinta y sexta las
a
2n
=
a
10
a
1(Nn1)
a
1(N1)
a
1n
= a
10
a
1n
a
1(N1)
a
1(Nn1)
, n = 0, 1, . . . , N 2
y as sucesivamente, hasta la ultima la, la cual contendr a solamente 3 elementos.
Se dice que un ltro recursivo es estable, si y s olo si, se cumplen las siguientes condiciones:
1. A(1) > 0; (1)
N
A(1) > 0;
2. a
00
> [a
0N
[, [a
10
[ >
a
1(N1)
, [a
20
[ >
a
2(N2)
, . . . ,
a
(2N3)0
>
a
(2N3)2
.
Filas Coecientes
1 a
00
a
01
a
02
a
0N2
a
0N1
a
0N
2 a
0N
a
0N1
a
0N2
a
02
a
01
a
00
3 a
10
a
11
a
12
a
1N2
a
1N1
4 a
1N1
a
1N2
a
1N3
a
11
a
10
5 a
20
a
21
a
22
a
2N2
6 a
2N2
a
2N3
a
2N4
a
20
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
k 1 a
((k+1)/21)0
a
((k+1)/21)N
k a
(k/21)N
a
(k/21)0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2N 3 a
(2N3)0
a
(2N3)1
a
(2N3)2
Tabla 4.1. Coecientes A(z)

.... ............................................ .. ..............................................................................................................................
.................... ..... ..... ..............................................................................................................................
[H()[
`
Figura 4.1. Ancho de banda
Ancho de banda espectral. De forma ideal,
un ltro debe tener el anco agudo entre sus ban-
das de paso y de rechazo o supresi on, con lo cual
el ancho de banda del ltro se medira sin ningu-
na ambig uedad como la banda de paso o selecti-
vidad de frecuencia. Sin embargo, la envolvente
de la respuesta de amplitud no tiene tales pun-
tos de demarcaci on pronunciados llevando a la
incertidumbre en la ubicaci on de los extremos
tanto de la banda de paso como de la banda de
supresi on como se muestra en la Figura 4.1.
En la pr actica, el ancho de banda se toma en el intervalo de frecuencias, en el cual la respuesta de
amplitud H () no decrece a valores menores a 1/
2 veces de su valor m aximo.

De manera adicional, es frecuente que en la banda de paso, la magnitud de la funci on de transferen-
cia oscile alrededor de su valor m aximo, mientras en la banda de rechazo, tambi en lo haga cerca del
cero. Por lo tanto, en el c alculo de ltros se deben jar los siguientes par ametros b asicos de dise no:
valor m aximo de las pulsaciones H
en la banda de paso, valor mnimo de supresi on en la banda de

rechazo H
y las frecuencias lmites de corte

c
que determinan los extremos de las bandas. Otro
par ametro importante es la pendiente de cada de la respuesta de frecuencia, que determina la veloci-
dad de cambio del m odulo de la funci on de transferencia, desde la banda de paso hasta la banda de
supresi on.
En general, se denomina ltro pasabajos aquel que deja pasar a su salida componentes espectrales
relativamente bajas en el sentido de que su relaci on de amplitudes H () es mucho mayor a frecuen-
cias bajas que a las altas. De manera similar, se denen en la pr actica los dem as tipos b asicos de
ltraci on: ltros pasaaltos, ltros pasabandas y ltros rechazabandas.
4.1.2. Realizaci on de ltros digitales
El dise no de los ltros digitales consiste de varias etapas. La primera, corresponde a la sntesis, durante
la cual se realiza el desarrollo del esquema del ltro para obtener la respuesta requerida, asumiendo
que las se nales de entrada tambi en est an dadas.
`
_

y[n]
x[n]
b
y [n] = x[n 1]
y [n] =
k
i=1
x
i
[n]
y [n] = bx[n]
`
_
>
>

Elemento
P
y[n]
z
1
x[n]
x1[n]
x2[n]
x3[n]
y[n]
Notaci on simb olica
Retardo
Sumador
Multiplicador
Modelo
Tabla 4.2. Notaciones simb olicas
El proceso de c alculo de la se nal de salida, dependiendo de las se nales de entrada dadas, se de-
nomina an alisis del ltro digital. Durante la sntesis del ltro se escoge su forma de realizaci on e
implementaci on en correspondencia con su algoritmo de funcionamiento. La selecci on de la misma
forma de realizaci on depende de varios factores, pero principalmente de la naturaleza del trabajo al
que est e destinado el ltro.
De acuerdo a la descripci on en (3.59) para la ltraci on lineal, dada en forma de ecuaciones de
diferencias con par ametros constantes, los elementos principales de dise no de los ltros digitales
corresponden a los siguientes: elementos de retardo en un intervalo de discretizaci on, sumadores y
multiplicadores por valores constantes. Las notaciones simb olicas de estos elementos, as como su
formulaci on matem atica, se muestran en la Tabla (4.2).
Las formas b asicas de realizaci on de los ltros recursivos son las siguientes:
Forma directa. La descripci on general de la funci on de transferencia en la forma (3.37b):
H(z) =
M
m=0
a
m
z
m
N
n=0
b
n
z
n
, a
n
, b
n
R
es la forma directa de realizaci on de los ltros digitales, cuya estructura en el caso de los ltros
recursivos, para la realizaci on sobre procesadores digitales, se muestra en la Figura 4.2(a), la cual
consta de M + N lneas de retardo (con tiempo de retardo T que es el tiempo de discretizaci on del
sistema), M + 1 amplicadores con ganancia b
m
, m = 0, 1, . . . , M, N amplicadores con ganancia
a
n
, n = 1, 2, . . . , N y un sumador. En cuanto a los ltros no recursivos, la respectiva estructura de
implementaci on se muestra en la Figura 4.2(b), en la cual se observan M lneas de retardo, M + 1
amplicadores con ganancia b
m
, m = 0, 1, . . . , M y un sumador.
x[k]
T
T
T
b0
b1
b2
bM
a1
a2
aN
T
T
T
y[k]
(a) Estructuras discretas recursivas
x[k]
T
T
T
b0
b1
b2
bM
y[k]
(b) Estructuras discretas no recursivas
Figura 4.2. Forma directa de realizaci on
a
1
a2
aN
T
T
T
b
0
b
1
b
2
b
M
x[k] y[k]
Figura 4.3. Estructura can onica directa
Forma directa can onica. Acorde con la fun-
ci on de transferencia del ltro digital en (2.16),
y teniendo en cuenta (3.37b), se tiene que:
H (z) =
N (z)
D(z)
(4.2)
donde
N(z) =
1
A(z)
=
1
N
n=0
a
n
z
n
,
D(z) = B(z) =
M
m=0
b
m
z
m
De la notaci on (4.2), se observa que un ltro
recursivo se representa por la multiplicaci on se-
cuencial de dos ltros, dados por las relaciones:
w[k] = x[k]
N
n=0
a
n
w[k n]
y[k] =
M
m=0
b
m
w[k m]
donde w[k] es la salida del primer ltro, que entra al segundo, mientras y[k] es la salida del segundo
ltro. En este caso, se observa que las lneas de retardo en ambos polinomios se hacen comunes, por
lo que el total de dispositivos de retardo es N, considerando que M N (ver Figura 4.3).
Forma paralela. La estructura del ltro recursivo en forma paralela se muestra en la Figura 4.4.
Por cuanto, tanto el numerador, como el denominador de la funci on de transferencia (3.37b) de un
ltro digital corresponde a polinomios algebraicos con coecientes reales, entonces su funci on de
transferencia se puede descomponer en fracciones simples:

` `

` `
T
T
T
T
B0
B01
B
0k
B11
B
1k
A11
A21
A
2k
A
1k
x[k]
y[k]
Figura 4.4. Forma paralela de realizaci on
H(z) =
K
1
k
H
1k
_
z
1
_
+
K
2
k
H
2k
_
z
1
_
= b
0
+
K
1
k
D
0k
C
0k
+C
1k
z
1
+
K
2
k
B
0k
+B
1k
z
1
A
0k
+A
1k
z
1
+A
2k
z
2
donde K
1
y K
2
, respectivamente, son los n umeros que determinan la cantidad de componentes singu-
lares de primer orden (para el caso de las races reales) y las del segundo (para las races complejas),
en las que se descompone la funci on inicial.
En el caso de la notaci on paralela, el retardo de grupo denido en (2.42) ser a:
(z) =
M
m=0
1
_
z
d
dz
ln P
k
(z)
_
k=1
1
2j
1
_
z
d
dz
ln Q
k
(z)
_

` `

` `

T
T
B01
B11
A11
A21

T
T
B
0k
B
1k
A
2k
A
1k
x[k]
y[k]
Figura 4.5. Forma secuencial
Forma secuencial. Al descomponer los polinomios del numerador y denominador de (4.2) en mul-
tiplicandos elementales se obtendr a (para M N):
H (z) =
M
i=1
(z z
0i
)
N
i=1
(z p
0i
)
=
L
1
k=1
H
1k
_
z
1
_
L
2
k=1
H
2k
_
z
1
_
(4.3)
=
k
B
0k
+B
1k
z
1
+B
2k
z
2
1 +A
1k
z
1
+A
2k
z
2
k
D
0k
+D
1k
z
1
1 +C
1k
z
1
donde z
0i
son los ceros y p
0i
son los polos de la funci on (2.15). La notaci on para la funci on de
transferencia en la forma (4.3) se denomina de cascada o secuencial, que corresponde a la forma
m as efectiva de realizaci on de un ltro recursivo, desde el punto de vista del mnimo valor del error
cuadr atico medio de representaci on (cuanticaci on) y su estructura se muestra en la Figura 4.5.
El t ermino H
1k
_
z
1
_
corresponde a funciones de primer orden de z
1
con pares simples de polos
y ceros, ambos reales, mientras H
2k
_
z
1
_
corresponde a funciones racionales de segundo orden z
2
con pares de polos y ceros de car acter complejo. Los coecientes A
1k
, A
2k
, B
1k
, B
2k
son constantes,
algunos de los cuales pueden ser cero; L
1
, L
2
son n umeros enteros que determinan la cantidad de
polos y ceros.
Las funciones H
1k
_
z
1
_
y H
2k
_
z
1
_
se pueden considerar como circuitos b asicos de transferencia
de sistemas lineales discretos de primer y segundo orden, respectivamente; funciones que en conjunto
conforman el sistema inicial (4.3).
Cada uno de los circuitos b asicos, presentes la estructura (4.3), se puede implementar mediante la
realizaci on directa o can onica. Sin embargo, hay que tener en cuenta que por su estructura, el ltro
digital realizado en forma secuencial puede ser inestable, a un cuando sus polos por m odulo sean
menores que uno, en particular, cuando se encuentran muy cercanos al borde del crculo unitario,
entre otras causas, debido a los problemas de redondeo en la representaci on de contenidos.
`
`
`
`
`
`
x[k]
T
T
T
T

1
mn
1
m2
1
y[k]
1
m3
1
m1
Figura 4.6. Forma en escalera
Forma de escalera. La funci on de transferencia de un ltro digital recursivo puede ser descompuesta
en una cadena racional de la forma (Figura 4.6):
H(z) =
1
1 +
1
m
1
z +
1
m
2
z +
1

1
m
N1
z +
1
m
N
z
Las formas m as empleadas de realizaci on de los ltros no recursivos son la directa y la secuencial,
sin embargo, la m as simple de implementar es la directa.
En la implementaci on de las diferentes estructuras de ltros digitales, durante el an alisis de las
respuestas de frecuencia de los ltros recursivos con polos dentro de la zona de convergencia, ocurre
que para ciertas relaciones entre las frecuencias de discretizaci on, componentes espectrales de la se nal
de entrada y algunos par ametros de los ltros, los algoritmos de ltraci on recursiva se caracterizan
por ser inestables. Para el caso de los recursivos, durante el c alculo de las caractersticas aparecen
indeterminaciones del tipo
0
0
o

.
En general, para todos estos ltros digitales con par ametros constantes se observa la p erdida de
estabilidad a medida que aumenta la pendiente de los ancos en la respuesta de frecuencia debido al
efecto de Gibbs.
Problemas
Problema 4.1. Mediante el analisis de los polos de las respectivas funciones de transferencia H(z)
comprobar para que valores de k [0, 1] que se cumpla la condicion de estabilidad del ltro,
H (z) =
1 z
1
1 kz
1
H (z) =
1 kz
1
1 z
1
H (z) =
1 z
2
1 kz
1
H (z) =
1 z
2
1 1.8z
1
+kz
2
H (z) =
50 76.5z
1
10.575z
2
+ 26.581z
3
5.882z
4
1 + 0.8z
1
0.9z
2
kz
3
+ 0.9144z
4
+ 0.5184z
5
Problema 4.2. Empleando la forma canonica (4.2), hallar la respuesta de frecuencia, desfase y retardo
de grupo de los siguientes ltros,
H (z) = 2 + 0.5z
1
z
2
, H (z) =
1
1 0.5z
1
H (z) = 1 + 0.5z
1
, H (z) =
1 z
1
1 0.3z
1
H (z) = 1 +z
1
Problema 4.3. En el problema 4.2, empleando la transformada inversa Z, hallar las respectivas fun-
ciones respuesta a impulso.
Ejercicio en el CP 4.1. Realizar un programa en Matlab, que dada la forma directa de los ltros
recursivos indicados en el problema 4.2, calcule los respectivos coecientes de la forma paralela y
secuencial
4.2. Sntesis de ltros recursivos 167
4.2. Sntesis de ltros recursivos
La aproximaci on durante la sntesis de ltros digitales en principio, no se diferencia del procedimien-
to de similar naturaleza para los ltros an alogos. Por esto, la teora de aproximaci on de los ltros
digitales est a basada (por lo menos, en lo concerniente a los m etodos y algoritmos) en su similar para
la ltraci on an aloga. El dise no de ltros lineales, a partir de su funci on de transferencia, se divide en
dos etapas:
1. La aproximaci on, en la cual se conforma la funci on de transferencia del ltro an alogo, que
contenga las mismas caractersticas din amicas que se aproximen a las requeridas con cierto
grado de precisi on.
2. La sntesis propiamente dicha, en la que se determinan los valores de los coecientes de la
respectiva funci on de transferencia.
4.2.1. C alculo de plantillas de ltros an alogos
Debido a la amplia experiencia obtenida durante el desarrollo de la teora de sntesis de ltros an alo-
gos, es natural que sus m etodos b asicos de c alculo sean empleados en la sntesis de ltros digitales.
Un ltro an alogo tiene funci on generalizada de transferencia, denida en (2.33), de la forma:
H
a
(s) =
Y (s)
X(s)
=
N
a
(s)
D
a
(s)
,
donde F(s) = L f(t), siendo L la transformada de Laplace, (1.78a), con variable compleja de la
forma s = +j.
Un ltro an alogo con funci on de transferencia H
a
(s) es fsicamente realizable y estable si se cum-
plen las siguientes condiciones:
1. H
a
(s) debe corresponder a una funci on quebrada racional.
2. El orden del polinomio numerador no debe exceder el orden del polinomio divisor.
3. Los polos de la funci on H
a
(s) deben estar ubicados en el semiplano complejo izquierdo.
El dise no de ltros recursivos a partir de plantillas de ltros an alogos implica la trasformaci on de
la funci on de transferencia an aloga H
a
(s) a la funci on de transferencia H(z) del ltro digital, que se
realiza en dos etapas: inicialmente se escoge la funci on de transferencia fsicamente realizable que sea
similar por las caractersticas exigidas, luego se realiza el cambio de la plantilla escogida a la funci on
de transferencia del ltro discreto, conservando la similitud con la plantilla del ltro an alogo. Este
paso debe cumplir las siguientes condiciones:
1. El eje imaginario s = j del plano s se reeja en el lmite del crculo unitario [z[ = 1 del plano
z.
2. El semiplano 1s < 0 del plano s se reeja en la parte interior del crculo unitario de conver-
gencia [z[ < 1 en el plano complejo z.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
70
60
50
40
30
20
10
0
Butterworth
Chebyshev
Eliptico
Figura 4.7. Respuesta de frecuencia de ltros an alogos
El c alculo de la funci on de transferencia
an aloga se realiza sobre una plantilla dada pa-
ra la funci on de transferencia, normalizada pa-
ra un modelo dado de ltro ideal pasabajos, con
frecuencia de corte
c
= 1. Usualmente, en-
tre las diversas plantillas normalizadas pasabajos
de aproximaci on de ltros an alogos est an las de
Butterworth, Chebyshev y elpticos, las cuales se
representan en la Figura 4.7, calculadas para un
caso particular de valores de orden N = 4, osci-
laci on de 3 dB en la banda de paso y un rechazo
de 40 dB en la banda de supresi on. Luego, utili-
zando las transformaciones respectivas se obtie-
ne cualquiera de las funciones de transferencia
de los ltros buscada: pasabajos, pasabandas, re-
chazabandas o pasaaltos.
La sntesis de los ltros digitales se puede realizar, tanto en el tiempo como en la frecuencia.
4.2.2. Sntesis de ltros recursivos en el tiempo
M etodo de la invariabilidad de la respuesta a impulso. Este m etodo se basa en que los valores
discretos de la respuesta a impulso del ltro digital, h[nT], se toman igual a los valores de la fun-
ci on hom ologa de un ltro an alogo con la respuesta a impulso, determinada en los mismos valores
correspondientes de tiempo. La respuesta a impulso del ltro, escogido como prototipo an alogo, se
halla experimental o analticamente, con base en la funci on de transferencia dada. Si esta funci on se
determina en la forma (3.37b), donde N es la potencia del polinomio del denominador de la funci on
racional quebrada, entonces, se podr a descomponer en forma de quebrados comunes [29]:
H
a
(s) = H
a0
+
P
p=1
Rr
p
s
p
+ 21
_
L
k=1
(Rr
k
+jIr
k
)
(s
k
j
k
)
_
(4.4)
donde H
0
= lm
s0
H
a
(s), N = P + 2L, (P + L) = (N + 1) /2|, x| es la parte entera de x, los
valores Rr
p
= 1res
p
, Rr
k
= 1res
k
corresponden a la parte real del residuo con relaci on al p
polo y al k cero.
De la misma manera, Ir
k
= res
k
, es la parte imaginaria del residuo con relaci on al k cero. La
constante
p
es el valor del p polo simple de la funci on H(s),
k
e y
k
corresponden a la parte real e
imaginaria del k polo complejo de H
a
(s). De la expresi on para el ltro an alogo (4.4) se puede obtener
la siguiente funci on de respuesta a impulso [29]:
h(t) =
P
p=1
Rr
p
+ 21
_
L
k=1
(Rr
k
+jIr
k
) exp ((
k
+j
k
)t)
_
(4.5)
En correspondencia con el principio de invariabilidad, es necesario que se cumpla la condici on:
h[nT] = h(t
n
), n = 0, 1, . . . ,
Entonces, la respuesta a impulso discreta de las componentes de la primera suma de (4.5) corres-
ponde a la expresi on h
p
(t
n
) = Rr
p
exp (
p
nT), que se interpreta como un ltro digital con funci on
de transferencia:
H
p
(z) =
n=0
h[nT] z
n
=
Rr
p
1 z
1
exp(
p
T)
.
De igual manera, se obtendr an las funciones de transferencia de la segunda suma
H
k
(z) =
Rr
k
+jIr
k
1 z
1
exp(
k
T +j
k
T)
,
21
_
Rr
k
+jIr
k
1 z
1
exp(
k
T +j
k
T)
_
=
A
1k
z
1
+A
0k
B
2k
z
2
+B
1k
z
1
+ 1
donde,
A
1k
= 2 exp(
k
T)(Rr
k
cos
k
T +Ir
k
sin
k
T), A
0k
= 2Rr
k
,
B
1k
= 2 exp(
k
T) cos
k
T, B
2k
= exp (2
k
T)
La funci on de transferencia discreta del ltro digital a dise nar toma la forma:
H(z) = H
p
(z) +H
k
(z) =
Rr
p
1 z
1
exp(
p
T)
+
Rr
k
+jIr
k
1 z
1
exp(
k
T +j
k
T)
.

`
Hp(z)
H
k
(z)
x[k] y[k]
Figura 4.8. Diagrama de un sistema
El correspondiente diagrama del ltro digital,
que realiza la funci on de transferencia del tipo
descrito, resulta ser la conexi on paralela de 2 l-
tros digitales, con las respectivas funciones de
transferencia H
p
(z) y H
k
(z), como se represen-
ta en la Figura 4.8. Cabe anotar, que este m etodo
analizado de sntesis ofrece resultados adecua-
dos, pero en aquellos casos, cuando se dise nan
ltros digitales cuyas funciones de transferencia
no tengan ceros.
M etodo de la transformada bilineal. La aplicaci on del m etodo de sntesis de ltraci on digital en
base a la invariabilidad de la repuesta a impulso discreta de los ltros an alogo y digital tiene una serie
de inconvenientes: primero, es necesario determinar la respuesta a impulso discreta del ltro an alogo,
que no es tarea f acil cuando se sintetizan ltros de alto orden, segundo, la diferencia sustancial de
las respuestas de frecuencia entre los ltros sintetizado y an alogo; si la respuesta del ultimo tiene una
gran amplitud en frecuencias >
2
/2, donde
2
es la frecuencia de discretizaci on y, tercero, la
dependencia del coeciente de amplicaci on del ltro digital de la frecuencia de discretizaci on. Las
particularidades descritas introducen errores apreciables en las caractersticas de los ltros digitales y
pr acticamente limitan su aplicaci on.
A n de evitar que tales errores aparezcan, cuando se emplea la transformada Z est andar, se intro-
duce la transformaci on del tipo [29];
s =
2
T
tanh
_
s
1
T
2
_
la cual, despu es de realizar el reemplazo de s por su valor, a partir de la correspondiente relaci on
inversa z
1
= exp(s
1
T) toma la forma:
s =
2
T
1 z
1
1 +z
1
, (4.6)
La anterior transformaci on algebraica se denomina transformada zbilineal, que corresponde a
la representaci on del plano complejo s en el plano complejo z de crculo unitario de convergencia,
donde, por cierto, la parte izquierda del plano s se representa en la parte interior con respecto al crculo
unitario del plano z.
La funci on de transferencia H() para el ltro digital se obtiene como resultado de reemplazar
(4.6) en la expresi on para la funci on de transferencia del correspondiente ltro an alogo H
a
(s), o sea:
H(z) = H
a
(s)[
S=
2
T
1z
1
1+z
1
Por cuanto la transformaci on de (4.6) es algebraica, la implementaci on del ltro digital cuya fun-
ci on de transferencia es obtenida mediante la transformada bilineal, se puede realizar empleando las
estructuras paralelo o serial del diagrama funcional. En general, se considera que con este m etodo se
puede realizar la sntesis de algoritmos de ltros discretos de cualquier tipo.
M etodo de las zplantillas. La transformaci on z = exp(sT), es de car acter no lineal y para su
aproximaci on, con el objeto de obtener realizaciones linealizadas entre los operadores z y s fueron
obtenidas expresiones analticas aproximativas denominadas de los zplantillas. Este m etodo se de-
sarrolla a partir de la transformaci on z = exp (sT) con lo cual, se obtiene la relaci on:
s
1
= T/ln z (4.7)
Representado la funci on ln z en forma de serie, se obtiene
ln z = 2
_
z 1
z + 1
+
(z 1)
3
3(z + 1)
3
+ +
(z 1)
2n+1
(2n + 1)(z + 1)
2n+1
_
+ (4.8)
Teniendo en cuenta (4.8), la relaci on (4.7) se ampla en:
s
1
=
T
2
1
u +
1
3
u
3
+
1
5
u
5
+ +
1
2n + 1
u
2n+1
+
=
T
2
_
1
u

1
3
u
4
45
u
3
44
945
u
5
+
_
(4.9)
donde u = (z 1)/(z + 1).
Tomando el hecho de que (4.9) converge de manera r apida, se puede limitar su an alisis al primer
t ermino. As:
s
1
=
T
2
1
u
=
T
2
z + 1
z 1
De esta manera, se puede obtener una zplantilla para cualquier orden del operador s
1
.
La respectiva zplantilla, para el operador s
2
, se obtiene elevando al cuadrado ambas partes de la
expresi on (4.9):
s
2
=
T
2
4
_
1
u
2

1
u
_
u
3
+
4u
3
45
+
44u
5
945
+
_
+
_
=
T
2
4
_
1
u
2

2
3

8u
2
45

88u
4
945

_
De igual manera, que en el caso anterior, la serie se limita a los dos primeros t erminos, por lo que
se obtiene la siguiente aproximaci on:
s
2
T
2
4
_
1
u
2

2
3
_
T
2
12
z
2
+ 10z + 1
(z 1)
2
De manera similar, se pueden obtener las zplantillas para cualquier orden del operador s
k
. En
la Tabla 4.9 se muestran las respectivas zplantillas hasta el orden 5. En [29], se demuestra que para
la k potencia de la zplantilla se obtiene la relaci on:
s
k
=
N
k
(z)
(z 1)
k
donde N
k
(z) es un polinomio de z.
Operador zPlantilla
en plano s
s
1
T
2
z + 1
z 1
s
2
T
2
12
z
2
+ 10z + 1
(z 1)
2
s
3
T
3
2
z(z + 1)
(z 1)
3
s
4
T
4
6
z(z
2
+ 4z + 1)
(z 1)
4

T
4
120
s
5
T
5
24
z(z
3
+ 11z
2
+ 11z + 1)
(z 1)
5
Figura 4.9. zPlantillas
El siguiente paso de dise no consiste en que la
funci on de transferencia del ltro an alogo cono-
cido se describe por potencias de s
1
en vez de
s. Luego, cada potencia tomada individualmen-
te se reemplaza por la respectiva expresi on de
la zplantilla de la Tabla (4.9). Al tener estos
miembros, se tiene la expresi on para z
1
que
b asicamente es la funci on de transferencia del
ltro digital buscado.
Como en el caso de los dos m etodos de snte-
sis analizados anteriormente, el orden de la fun-
ci on de transferencia H(z) del ltro digital sin-
tetizado con respecto a la potencia de z
1
es
id entico al orden de la funci on de transferencia
del ltro an alogo tomado inicialmente H
a
(s).
Debido a que el car acter del reemplazo de la zplantilla es enteramente algebraico, entonces, no
hay necesidad en darse la funci on de transferencia del ltro an alogo en forma de operaciones de
multiplicaci on o su descomposici on en quebrados elementales. La interpretaci on fsica de este m etodo
en el dominio de las frecuencias se complica, por cuanto cada mayor potencia del operador s
1
se
aproxima por otra funci on cada vez m as exacta de z. Debido a que la transformada basada en las
plantillas tiene car acter no lineal y , por lo tanto en general, es cierta la desigualdad:
K
1
,
2
, = K
1
K
2
donde K es la transformaci on para el m etodo de las zplantillas, entonces, el car acter de exactitud
para la aproximaci on depender a de las zplantillas s
1
y de la expresi on general para H
a
(s).
De otra parte, la funci on de transferencia resultante del ltro digital, obtenida por medio de las
zplantillas, corresponde a la expresi on (3.37b), entonces, es mejor realizar estos ltros en forma
directa.
Por ultimo, el m etodo de zplantillas se suele emplear para la sntesis de prototipos an alogos de
orden bajo.
M etodo de acople con la transformada Z. El m etodo consiste en que los polos y ceros, derivados
de la funci on de transferencia del ltro digital, se acoplan a los respectivos polos y ceros del prototipo
an alogo inicial. En particular, la representaci on de la transformada para los polos y ceros del ltro
an alogo se da por la transformaci on:
s exp(sT) = z
donde los polos o ceros reales se transforman por la expresi on:
s 1 z
1
exp(T)
s 1 z
1
exp(T)
mientras los polos o ceros complejos se encuentran de las relaciones:
(s )
2
+
2
1 2z
1
exp(T) +z
2
exp(2T)
(s
k
)
2
+
2
k
1 2z
1
exp(
k
T) +z
2
exp(2
k
T)
Despu es de realizar transformaciones algebraicas, la funci on de transferencia del ltro digital puede
ser escrita en la forma:
H(z) =
I
i=1
_
1 +A
1i
z
1
_
K
k=1
_
1 +A
1k
z
1
+A
2k
z
2
_
P
p=1
(1 +B
1p
z
1
)
L
l=1
(1 +B
1l
z
1
+B
2l
z
2
)
, (4.10)
donde
A
1l
= exp(
i
T), A
1k
= 2 exp(
k
T) cos(
k
T) A
2k
= exp(2
k
T)
B
1p
= exp(
p
T), B
1l
= 2 exp(
l
T) cos(
l
T), B
2l
= exp(2
l
T)
Los polos de la funci on de transferencia (4.10) son similares a los que se obtienen cuando se em-
plea la transformada Z est andar. De la relaci on (4.10), se deduce que la relaci on, del ltro digital
sintetizado por el m etodo de la transformada Z acoplada es posible tanto para los algoritmos de
funcionamiento con notaci on paralela, al descomponer (4.10) en quebrados simples, como para la
secuencial. Este m etodo se puede emplear para la sntesis de los ltros digitales de todos los tipos.
4.2.3. Sntesis de ltros recursivos en la frecuencia
El dise no de ltros digitales en el dominio de frecuencia, tambi en comprende las tareas de aproxima-
ci on y de sntesis propiamente dicha. En el primer caso, es necesario resolver la tarea de aproximaci on
de las caractersticas reales de un ltro an alogo a las caractersticas de un ltro ideal. Cabe anotar que
las respuestas de frecuencia, para la sntesis de ltros de baja frecuencia, se toman de acuerdo a las
deniciones dadas en (2.41), tal y como se representa en la Figura 2.8. Como criterio de estimaci on
de calidad de la aproximaci on se asume el de m axima uniformidad de la respuesta de frecuencia del
ltro, el cual se caracteriza porque los valores de sus derivadas de [H
a
(j)[ son cero cuando 0.
Dado el modelo de los ltros ideales de (2.41), todas las derivadas de su respuesta de frecuencia
[H
a
(j)[ son cero en las frecuencias <
0
. El empleo de este criterio para la sntesis de ltros
an alogos se puede ilustrar, por ejemplo, para los casos conocidos y ampliamente usados de los ltros
de Butterworth y Chebyshev. Estos ltros se distinguen por satisfacer las respuestas de frecuencia con
suciente grado de aproximaci on a los par ametros de los ltros ideales. El ltro de Butterworth tiene
una ganancia constante en la banda de paso y decrece de forma mon otona en la banda de supresi on.
Mientras, el ltro de Chebyshev tiene una respuesta de frecuencia uniformemente ondulada en la
banda de paso y decreciente en forma mon otona en la banda de supresi on.
M etodo de aproximaci on de Butterworth. Sea la representaci on de la respuesta a frecuencia y
desfase de un ltro ideal denida de la siguiente manera:
H
a
(j) =
_
_
_
exp(jk/
n
), 0

n
1
0,

n
> 1
donde k/
n
es el retardo introducido por el ltro,
n
es la frecuencia propia del ltro. Este ltro
podr a ser realizado por una cantidad nita de sumadores elementales que provean el c alculo de la
exponente, para esto, usando la representaci on de H
a
() en la forma [29]:
H
a
(j) = exp((
2
) +j())
donde (
2
) es la ganancia del ltro que es funci on par, () es la funci on del desfase e impar.
Luego, se halla el cuadrado de la respuesta de frecuencia en la forma:
(H
a
(j)
2
) = H
a
(j)H
a
(j)
H
a
(j)
H
a
(j)
= H
a
(
2
)A(j)
donde
H
2
(
2
) = H
a
(j)H
a
(j) = [H
a
(j)[
2
= exp(2(
2
))
es el cuadrado de la ganancia del ltro y corresponde a una funci on racional de
2
. Adem as, se tiene
que
A(j) = H
a
(j)/H
a
(j)
Seguidamente, se aproxima la funci on H
a
(
2
) por la relaci on de tipo
H
a
(
2
) =
1 +A
1
2
+ +A
r
2r
1 +C
1
2
+ +C
q
2q
(4.11)
para la cual se cumplen las siguientes condiciones:
1. H
a
(0) = 1;
2. Todas las primeras n derivadas de la funci on H
a
(
2
) son cero para = 0.
Diferenciando (4.11) n veces e igualando cada resultado obtenido a cero de acuerdo con la segunda
condici on, se podr an determinar los valores de los coecientes en la expresi on (4.11). En denitiva,
la funci on aproximativa ser a
H
a
(
2
) =
1 +A
n
2n
+A
n+1
2n+2
+
1 +C
n
2n
+C
n+1
2n+1
+
Generalmente, se seleccionan varios de los coecientes de la siguiente manera:
A
n
= 0, A
n+1
= 0, C
n+1
= 0, i 1
El coeciente C
n
determina la ganancia deseada en la frecuencia de corte
c
.
Como resultado la funci on de aproximaci on para la respuesta de frecuencia del ltro tendr a forma:
H
a
(
2
) =
1
1 +C
n
2n
(4.12)
El polinomio caracterstico de (4.12) puede ser representado por diferentes funciones, entre ellos
los polinomios de Butterwoth, para los cuales las races est an ubicadas en la parte izquierda del plano
complejo s. Los primeros 10 polinomios de este tipo se muestran en la Tabla 4.3 con los valores de
sus races correspondientes.
La funci on, que provee el m aximo nivel de uniformidad de aproximaci on entre las respuestas de
frecuencia requeridas, se representa por medio de los polinomios de Butterworth B
n
(s) mediante la
siguiente expresi on:
H
a
(s) =
1
1 +B
n
(s)
,
La forma como cambia el coeciente de supresi on (cantidad inversa a la ganancia), el desfase y
el retardo de un ltro Butterworth de cualquier orden en funci on de , en forma general, se puede
considerar lineal a trazos.
Despu es de seleccionado el ltro correspondiente an alogo de Butterworth se debe realizar la trans-
formaci on de la funci on de transferencia del ltro an alogo a la del ltro digital. Si el denominador de
(4.12) se escoge en forma de polinomio de funciones trigonom etricas, entonces, para la obtenci on de
la funci on de transferencia del ltro digital es recomendable emplear la relaci on entre estas funciones
y polinomios de potencia z mostrados en la Tabla 4.4.
La funci on de transferencia del ltro digital obtenida por este m etodo corresponde al algoritmo de
funcionamiento con notaci on directa. Este m etodo es usado b asicamente para la sntesis de ltros de
baja frecuencia y pasabandas.
Orden Polinomio de Butterworth Valores de las Races
1 1 +s 1
2 1 + 1.4142s +s
2
.707107 j.707107
3 1 + 2.0s + 2.0s
2
+s
3
1
5.000 j0.866025
4 1 + 2.6131s + 3.4142s
2
+ 2.6131s
3
+s
4
.38268 j0.923880
0.92388 j0.38268
5
1 + 3.2361s + 5.2361s
2
+ 5.2361s
3
+3.2361s
4
+s
5
1
.80901 j0.951057
.80901 j0.587785
6
1 + 3.8637s + 7.4641s
2
+ 9.1416s
3
+7.4641s
4
+ 3.8637s
5
+s
6
.258819, j0.965926
.707107, j0.707107
0.96592, j0.258819
7
1 + 4.494s + 10.0978s
2
+ 14.592s
3
+14.592s
4
+ 10.097s
5
+ 4.494s
6
+s
7
1
.222521 j0.944928
.62349 j0.781832
0.90096 j0.19509
8
1 + 5.1528s + 13.1371s
2
+ 21.8462s
3
+25.6884s
4
+ 21.8462s
5
+ 13.1371s
6
+5.1528s
7
+s
8
0.19509 j0.980785
.55557 j0.83147
.0707107 j0.707107
0.83147 j0.55557
0.980785 j0.19509
9
1 + 5.7588s + 16.5817s
2
+ 31.1634s
3
+41.9864s
4
+ 41.9864s
5
+ 31.1634s
6
+16.5817s
7
+ 5.7588s
8
+s
9
1
0.173648 j0.98480
.0500000 j0.86602
0.766044 j0.64278
0.939693 j0.342020
10
1 + 6.3925s + 20.4317s
2
+ 42.8021s
3
+64.8824s
4
+ 74.2334s
5
+ 64.8824s
6
+42.8021s
7
+ 20.4317s
8
+6.3925s
9
+s
10
0.156435 j0.98768
.0453991 j0.89100
.0707107 j0.70710
0.891007 j0.45399
0.987688 j0.15643
Tabla 4.3. Aproximaci on de Butterworth
Ejemplo 4.2. Sea la respuesta de frecuencia de ltros pasabajos Butterworth, aproximadas por
las siguientes expresiones (siendo
c
la frecuencia de corte requerida):
1. [H
a
()[ =
1
1 +
_
sin T/2
sin
c
T/2
_
2n
.
2. [H
a
()[
2
=
1
1 +
_
tan
T
2
tan
cT
2
_
2n
Funci on Racional
Trigonom etrica
Polinomio en
Potencias z
sin
2
_
T
2
_

(z 1)
2
4z
sec
2
_
T
2
_
4z
(z + 1)
2
tan
2
_
T
2
_

(z 1)
2
(z + 1)
2
cos
2
_
T
2
_
(z + 1)
2
4z
cosec
2
_
T
2
_

4z
(z 1)
2
cot
2
_
T
2
_

(z + 1)
2
(z 1)
2
Tabla 4.4. Polinomios de potencia
3. [H
a
()[
2
=
1
1 +
_
_
_
cot
T
2
cot

c
T
2
_
_
_
2n
+
_
_
_
tan
T
2
tan

c
T
2
_
_
_
2n
Caso 1. Inicialmente, se emplea la relaci on entre la funci on sin
2
() con el polinomio en el plano
z, que luego de despejar se halla:
[H()[
2
=
(4z)
2n
1
(z 1)
2n
+ (4z)
2n
siendo
1
= sin
2
_
c
T
2
_
1
.
Caso 2. Al llevar a cabo los cambios algebraicos anteriores, se obtendr a:
[H()[
2
=

2
(z + 1)
2n
2
(z + 1)
2n
+ (1)
n
(z 1)
2n
donde
2
= tan
2n
(
c
T
2
).
Caso 3. Se utilizan las relaciones de la Tabla 4.4, con lo que la transformacion da como resultado:
[H(z)[
2
=
(z 1)
2n
(z + 1)
2n
(z 1)
2n
(z + 1)
2n
+ (1)
n
3
(z + 1)
4n
+ (1)
n
4
(z 1)
4n
donde
3
= tan
2n
_
c1
T
2
_
,
4
= cot
2n
_
c2
T
2
_
, y
c1
,
c2
son las frecuencias inferior y
superior respectivamente del ltro pasabanda.
Orden Polinomio de Chebyshev
0 1
1
2 2
2
1
3 4
3
3
4 8
4
8
2
+ 1
5 16
5
20
3
+ 5
6 32
6
48
4
+ 18
2
1
7 64
7
112
5
+ 56
3
7
8 128
8
256
6
+ 160
4
32
2
+ 1
9 256
9
576
7
+ 432
2
120
3
9
10 512
10
1280
8
+ 1120
6
400
4
+ 50
2
1
Tabla 4.5. Polinomios de Chebyshev
M etodo de los polinomios de Chebyshev. El empleo de la aproximaci on por Chebyshev, en la
sntesis de ltros an alogos, se basa en la siguiente representaci on de la respuesta de frecuencia:
[H
a
()[
2
=
1
1 +
2
T
2
n
()
siendo T
n
() el polinomio de Chebyshev de orden n y
2
es el coeciente de p erdida en la banda de
paso. Los primeros 10 polinomios de Chebyshev se muestran en la Tabla 4.5.
El procedimiento de obtenci on de la funci on de transferencia de un ltro digital empleando la
aproximaci on de Chebyshev es similar al caso antes analizado para el m etodo de Butterworth. Inicial-
mente, se determina el cuadrado de la magnitud del ltro pasabajos an alogo de Chebyshev, [H
a
()[
2
,
en forma de un polinomio trigonom etrico, despu es, empleando los datos de la Tabla 4.5 se encuentra
la funci on respectiva del ltro digital de Chebyshev.
Ejemplo 4.3. Sea el ltro pasabajos de Chebyshev
[H
a
()[
2
=
1
1 +
2
T
2
n
_
_
_
tan
(T)
2
tan

c
T
2
_
_
_
2n
donde
2
es el coeciente de perdidas en la banda de paso del ltro y T
2
n
() es el polinomio
de Chebyshev de n potencia y primer orden. El cuadrado de la magnitud del ltro digital se
obtiene en la forma:
[H(z)[
2
=
1
1 +
2
T
2
n
_
z 1
j
5
(z + 1)
_
donde
5
= tan(
c
T/2). Determinando las races del polinomio de Chebyshev T
2
n
(), en la
funci on de transferencia obtenida, se hallan sus polos con lo que despues se podr a pasar a la
etapa de realizacion del ltro digital.
M etodo de funciones elpticas. En calidad de criterio de aproximaci on con las caractersticas del
ltro ideal, se puede emplear el ajuste en la banda de supresi on, en particular, se puede jar un valor
m aximo de supresi on que el ltro real no debe exceder, o bien, que la banda de paso tenga el menor
ancho posible cuando sea dado el valor de supresi on.
Los mejores resultados, para esta aproximaci on, se pueden obtener empleando los denominados
ltros elpticos [1]. El c alculo simplicado de estos ltros se puede llevar a cabo partiendo de la
expresi on de la respuesta de frecuencia exigida:
[H
a
()[
2
=
1
1 +
2
R
2
()
donde la funci on R
2
() cumple las siguientes condiciones:
- es racional y el n umero de polos corresponde al de ceros,
- los ceros determinan la banda de paso,
- es funci on par o impar con respecto a la frecuencia .
La relaci on entre los par ametros de dise no de los ltros (r, s y ) se establece por las expresiones:
2
= r
2
1, M
2
=
1 s
2
s
2
(r
2
1)
donde r y s son la amplitud pico a pico de las desviaciones de la magnitud del ltro con respecto a
su valor medio en la banda de paso y de supresi on, respectivamente. El valor M es el coeciente que
determina el valor de rechazo en la banda de supresi on.
Las expresiones para la funci on caracterstica del ltro digital elptico son del tipo:
R
2
k
() = M
(x
2
s
2
01
)(x
2
s
2
02
) (x
2
s
2
0k
)
(x
2
s
2
p1
)(x
2
s
2
p2
) (x
2
s
2
pk
)
, k par,
R
2
k
() = Mx
(x
2
s
2
01
)(x
2
s
2
02
) (x
2
s
2
0k
)
(x
2
s
2
p1
)(x
2
s
2
p2
) (x
2
s
2
pk
)
, k impar,
donde
x = tan
_
T
2
__
tan
_
c
T
2
_
El valor de
c
es la frecuencia de corte del ltro pasabajos, mietras s
0k
, s
pk
son los ceros y polos de
la funci on caracterstica. Los respectivos valores de los par ametros de dise no, (n, r, s,
c
,
1
, ,
k
),
para un ltro de este tipo se pueden calcular por medio de integrales elpticas empleando m etodos
num ericos.
Particularidades de los m etodos de sntesis de ltros recursivos. Durante la sntesis de ltros
es necesario determinar principalmente dos par ametros: el tipo de ltro (pasabajos, pasaaltos, etc.) y
la forma de realizaci on del ltro (hardware o software). En la sntesis de ltros digitales, mediante
m etodos num ericos, se puede emplear el m etodo directo de sntesis que traduce los algoritmos de un
Filtro
Operador del
filtro requerido
Par ametros
Pasabajos
_
z
1
_
/
_
1 z
1
_
=
sin
_
(
req
c
) T
2
_
sin
_
(
req
+
c
) T
2
_
Pasaaltos
_
z
1
+
_
/
_
1 +z
1
_
=
cos
_
(
req
c
) T
2
_
cos
_
(
req
+
c
) T
2
_
Pasabanda
_
_
_
z
2
2k
k + 1
z
1
+
k 1
k + 1
k 1
k + 1
z
2
2k
k + 1
z
1
+ 1
_
_
_
=
cos
_
(
2
+
1
) T
2
_
cos
_
(
2
1
) T
2
_,
k =
cot
_
(
2
1
) T
2
_
tan
_
(
req
) T
2
_
Supresor
_
_
_
z
2
2
1 +k
z
1
+
1 k
1 +k
1 k
1 +k
z
2
2
1 +k
z
1
+ 1
_
_
_
=
cos
_
(
2
1
) T
2
_
cos
_
(
2
+
1
) T
2
_,
k =
tan
_
(
2
1
) T
2
_
tan
_
(
req
) T
2
_
Tabla 4.6. Operadores de ltraci on
ltro pasabajos dado su valor de frecuencia de corte
c
a los algoritmos de los ltros digitales de
baja frecuencia, pasabandas o de alta frecuencia con las frecuencias exigidas de corte
req
, como se
muestra en la Tabla 4.6.
En este caso, para la realizaci on pr actica de las funciones de transferencia, que son obtenidas de
los ltros digitales despu es de su descomposici on en fracciones simples, se puede emplear cualquie-
ra de los diagramas funcionales: directo o secuencial. El procedimiento de sntesis del ltro digital
requerido, que se basa en el traspaso directo del ltro pasabajos, es el siguiente:
1. Se escoge la funci on de transferencia del ltro digital pasabajos con frecuencia de corte
c
,
2. Se ja la frecuencia de corte requerida del pasabajos o del pasaaltos, o bien se jan las frecuen-
cias baja
1
y alta
2
de corte del ltro pasabandas,
3. Se calculan los par ametros y k del ltro por las relaciones de la Tabla 4.6,
4. El operador z
1
del ltro inicial pasabajos se cambia por el correspondiente operador del ltro
que est a siendo sintetizado a partir de la Tabla 4.6.
Ejemplo 4.4. En el caso 2 del ejemplo 4.2 se muestra como, por medio de un prototipo an alogo
de ltro pasabanda [H
a
()[
2
, se puede sintetizar el ltro pasabajos digital con el cuadrado de
la respuesta a impulso del tipo [H(z)[
2
. Sin embargo, empleando los datos de la Tabla 4.6 se
puede efectuar el cambio a un pasabandas, por lo cual se obtiene que,
[H
nn
(z)[
2
=

3
(z
2
+ 1)
2n
3
(z
2
+ 1)
2n
+ (1)
n
(z
2
2z + 1)
2n
donde
3
= tan
2n
_
(
2
1
)T
2
_
Este metodo de cambio directo del algoritmo de ltro pasabajo recursivo digital a los algoritmos
de otro tipo son muy comodos de emplear, mas aun cuando se realiza a nivel de software.
Problemas
Problema 4.4. Dado el metodo de la invariabilidad de respuesta a impulso, hallar la funcion de
transferencia del respectivo ltro digital para el caso de las siguientes funciones de transferencia analogas,
Ha (s) =
a
s +
, Ha (s) =

(s +)
2
+
2
, Ha (s) =
Cs +D
(s +)
2
+
2
Problema 4.5. En el problema 4.4, dise nar un ltro pasabajos con frecuencia de corte = = [rad/s]
y una ganancia H(0) = 0 dB.
Problema 4.6. Dadas las condiciones del problema anterior, resolver la sntesis mediante los metodos
de la transformacion bilineal, las zplantillas y de acople con la transformada Z .
Problema 4.7. Demostrar la condicion de estabilidad de los metodos de invariabilidad de respuesta a
impulso, transformacion bilineal, las zplantillas y de acople con la transformada Z .
Ejercicio en el CP 4.2. Realizar un programa en Matlab, que permita la permita comparacion de
las respuestas de frecuencias y desfases, respectivas para dos ltros de tercer orden: de Butterworth,
Chebyshev y elpticos.
4.3. Sntesis de ltros no recursivos 181
4.3. Sntesis de ltros no recursivos
4.3.1. Condici on de desfase lineal
En el proceso digital de se nales, es importante conservar la linealidad del desfase, tal como se de-
termina en (2.41), por ejemplo, en casos tales como el an alisis cruzado de espectros, el an alisis de
se nales con estructuras sensibles a cualquier distorsi on de forma, etc.
A diferencia de los ltros recursivos, los no recursivos pueden ser construidos con desfase lineal.
En particular, a partir de la denici on de no recursividad dada en (3.37a), se determina la respectiva
salida del ltro como:
y[n] =
M1
k=0
h[k]x[n k]
De tal manera, que la funci on de transferencia del ltro no recursivo se puede expresar en t erminos
de su respuesta a impulso como:
H(z) =
M1
k=0
h[k]z
k
que en t erminos de descomposici on espectral se describe como
H(e
jT
) = [H()[ e
j()
=
M1
k=0
h[k]e
jkT
(4.13)
Los ltros no recursivos mantienen la condici on de linealidad de fase cuando cumplen la condici on
(2.41), esto es, a partir de la denici on (2.40b) se tiene que:
() = arctan
_
H()
1H()
_
, = const.
La funci on de transferencia (4.13) se puede representar en t erminos de la serie trigonom etrica:
H(e
jT
) =
M1
k=0
h[k] cos (kT) j
M1
k=0
h[k] sin (kT)
Por lo que se tiene que
M1
k=0
h[k] sin (kT)
M1
k=0
h[k] cos (kT)
= tan()
que resulta en la siguiente igualdad
M1
k=0
h[k] sin ( kT) = 0
La soluci on de la anterior igualdad cumple las siguientes condiciones:
= (M 1)
T
2
, h[k] = h[M 1 k], k = 0, 1, . . . , M 1 (4.14)
De la expresi on (4.14), se concluye que para que un ltro no recursivo tenga desfase lineal (y por
lo tanto, retardo de grupo constante), entonces, su respuesta a impulso discreta debe ser sim etrica
con relaci on a su punto medio, esto es, con relaci on al punto (M 1)T/2, para las funciones h[k]
denidas sobre arreglos impares, y MT/2 para el caso de los arreglos pares.
En algunos casos, es suciente solamente la condici on de constancia del retardo de grupo (2.42),
entonces, los ltros de este tipo tienen desfase determinado por la relaci on:
() =
0
La soluci on de (4.13), para

0
= /2, cumple las siguientes condiciones:
= (M 1)
T
2
, h[k] = h[M 1 k], k = 0, 1, . . . , M 1
esto es, la respuesta a impulso discreta es antisim etrica con relaci on a su punto medio: (M 1)T/2
para las funciones h[k] denida sobre arreglos impares (obligatoriamente h[(N1)/2] = 0), y MT/2
para el caso de los pares.
De lo anterior, se deduce que existen cuatro diferentes variantes de realizaci on de los ltros no
recursivos con desfase lineal: de acuerdo a la cantidad de valores que denen la respuesta impulso
(par o impar) y de acuerdo a la condici on de simetra o asimetra del respectivo arreglo de h[k]. Los
cuatro anteriores casos se representan en la Figura 4.10, para valores concretos de M y .
Precisamente, el empleo de las condiciones de simetra o antisimetra en la respuesta a impulso,
conduce a la simplicaci on del proceso de sntesis de las respectivas funciones de transferencia de los
ltros digitales. Particularmente, en el caso en que la funci on respuesta a impulso h[k] sea sim etrica e
impar, se obtiene la siguiente funci on de transferencia:
H(e
jT
) =
(M3)/2
k=0
h[k] exp(jkT) +h
_
M 1
2
_
exp
_
j
_
M 1
2
_
T
_
+
+
M1
k=(M+1)/2
h[k] exp (jkT)
Teniendo en cuenta la soluci on (4.14), y realizando el cambio de ndices M1k = m, la segunda
sumatoria se puede representar en la forma:
M1
k=(M+1)/2
h[k] exp (jkT) =
M1
k=(M+1)/2
h[M 1 k] exp (jkT)
=
(M3)/2
m=0
h[m] exp (j(M m1)T)
2 4 6 8 10
0
0.2
0.4
0.6
0.8
2 4 6 8 10 12
0
0.2
0.4
0.6
0.8
2 4 6 8 10 12
0.5
0
0.5
2 4 6 8 10
0.5
0
0.5
M = 11, = 0 M = 11, = 0.5
M = 12, = 0 M = 12, = 0.5
Figura 4.10. Casos de respuesta a impulso para los ltros no recursivos
factorizando el t ermino exp (j(M 1)T/2) se obtiene:
H
_
e
jT
_
= e
j(
M1
2
)T
_
_
(M3)/2
k=0
h[k]e
j[(M1)/2k]T
+h
_
M 1
2
_
+
(M3)/2
k=0
h[k]e
j[(M1)/2k]T
_
_
=
_
e
j(
M1
2
)T
_
(M1)/2
k=0
a
n
cos(kT)
donde los respectivos coecientes se determinan como:
a
0
= h[(M 1) /2] , a
k
= 2h[(M 1) /2 k]
Similares relaciones se obtienen para las tres otras variantes de ltros no recursivos lineales, las
cuales se muestran en la Tabla 4.7, en la que los coecientes b
k
se determinan por la relaci on:
b
k
= 2h
_
M
2
k
_
, k = 1, 2, . . .
Respuesta orden Funci on de transferencia
sim etrica impar exp
_
j
M 1
2
T
_
(M1)/2
k=0
a
k
cos (kT)
par exp
_
j
M 1
2
T
_
M/2
k=1
b
k
cos
_
2k 1
2
T
_
antisim etrica impar exp
_
j
_
M 1
2
T
k
2
__
(M1)/2
k=1
a
k
sin (kT)
par exp
_
j
_
M 1
2
T
k
2
__
M/2
k=1
b
k
sin
_
2k 1
2
T
_
Tabla 4.7. Funciones de transferencia en ltros no recursivos lineales
4.3.2. C alculo de ltros mediante series de Fourier
La denici on de la funci on de transferencia de ltro digital, teniendo en cuenta ( 3.12b), implica su
periodicidad con frecuencia
d
= 2/T, por lo cual su respectiva descomposici on en series de Fourier
da como resultado:
H
_
e
jT
_
=
k=
h[k]e
jkT
(4.15)
donde
h[k] =
1
2
s/2
_
s/2
H
_
e
jT
_
e
jkT
d (4.16)
para una frecuencia de corte
s
.
De las anteriores expresiones, se observa que los coecientes de la serie de Fourier pueden ser to-
mados en calidad de valores de la respuesta a impulso del ltro no recursivo, por lo cual las ecuaciones
(4.15) y (4.16) pueden ser empleadas como base para la sntesis de ltros no recursivos. Sin embargo,
la funci on de transferencia (4.15) tiene orden innito, por lo que su implementaci on fsica es imposi-
ble. El desarrollo de la funci on (4.15), sobre un procesador real, exige que la cantidad de t erminos de
la sumatoria sea truncada hasta un valor M, tal que h[k] = 0, [k[ > (M 1)/2, entonces:
H(z) =
(M1)/2
k=(M2)/2
h[k]z
k
El retardo propio de los dispositivos de proceso reales se puede tener en cuenta multiplicando la
funci on de transferencia por el correspondiente factor de desplazamiento de tiempo:
H(z) = z
(M1)/2
(M1)/2
k=(M2)/2
h[k]z
k
(4.17)
Los ltros con funci on de transferencia (4.17) les corresponden la magnitud de la forma:
[H()[ =
(M1)/2
k=0
a
k
cos(kT)
(4.18)
Ejemplo 4.5. Sintetizar el ltro pasabajos con magnitud:
H(e
jT
)
=
_
1, [[
c
0,
c
< [[
d
/2
(1)
siendo
c
y
d
los valores de la frecuencia de corte y discretizacion, respectivamente.
Los valores de la funci on de respuesta a impulso de este ltro se calculan a partir de (4.16):
h[k] =
1
2
c
_
c
e
jkT
d =
c
sinc (
c
kT) (2)
Cuando k = 0, el correspondiente valor de la respuesta a impulso es igual a:
h[0] = lm
0
sin (
c
T)
=

c
T
lm
0
sin (
c
T)
c
T
=

c
T
=
2
c
d
La expresi on (4.16) tambien puede ser empleada en el caso de sntesis de ltros pasaaltos,
pasabanda y rechazabandas. Sea por ejemplo, el caso de sntesis del siguiente ltro pasaaltos:
[H
_
e
jT
_
[ =
_
0, 0 <
c
1,
c

d
/2
(3)
Con lo que los valores de su respuesta a impulso seran:
h[k] =
1
d
/2
_
d
/2
H
_
e
jT
_
e
jkT
d =
1
d
_
_
_
c
_
c/2
e
jkT
d +
d
/2
_
c
e
jkT
d
_
_
_
=
1
d
/2
_
c
_
e
jkT
+e
jkT
_
d =
2
d
/2
_
c
cos (kT) d =
2
k
d
T
sin(kT)
d
/2
c
=
1
k
(sin(k) sin(k
c
T)) =
sin(k
c
T)
k
(4)
Cuando k = 0, se tiene
h[0] = lm
0
1
(sin() sin(
c
T)) = 1 lm
0
sin(
c
T)
= 1

c
T
T
lm
0
sin(
c
T)
c
T
= 1

c
T
= 1
2
c
d
De lo anterior resulta que, para k 1, los valores de las respectivas funciones de respuesta
impulso, tanto para los ltros pasabajos, como para los pasaaltos, que tengan los mismos valores
de frecuencia de corte y discretizacion, se diferencian solamente por el signo del valor discreto.
As mismo, se observa que la respuesta a impulso de un ltro pasaaltos se puede obtener al
restar del valor unitario la respuesta a impulso del ltro complementario pasabajos.
De manera similar, se calculan los valores de la respuesta a impulso de un ltro pasabandas
descrito por la magnitud:
H
_
e
jT
_
=
_
_
_
0, 0 <
c1
1,
c1

c2
0,
c2

d
/2
(5)
de acuerdo a la siguiente expresi on:
h[k] =
_
_
1
k
(sin(
c2
kT) sin (
c1
kT)) , k 1
2(
c2
c1
)
d
, k = 0
(6)
Mientras para el ltro complementario rechazabanda con magnitud
H
_
e
jT
_
=
_
_
_
1, 0
c1
0,
c1
< <
c2
1,
c2

d
/2
cuyos valores de respuesta a impulso ser an
h[k] =
_
_
1
k
(sin(
c1
kT) sin (
c2
kT)) , k 1
1
2(
c2
c1
)
d
, k = 0
Los anteriores resultados muestran que entre los ltros rechazabanda y los pasabanda existe la
misma relacion complementaria que la que hay entre los pasabandas y los pasaaltos.
Fen omeno de Gibbs en la implementaci on de ltros digitales. En la implementaci on real de los
ltros no recursivos, al emplear la magnitud (4.18) se presenta el fen omeno de Gibbs, que consiste en
la aparici on de uctuaciones en la cercana inmediata del punto de discontinuidad; la misma amplitud
de las uctuaciones no depende del orden de truncamiento M, mas s su frecuencia.
El fen omeno de Gibbs se puede explicar al describir la funci on de respuesta a impulso truncada
h
M
[k] como la multiplicaci on de su versi on innita h[k] por una funci on denida w[k], sobre un
intervalo nito de tiempo:
h
M
[k] = h[k]w[k]
tal que, la funci on ventana w[k] cumple la siguiente restricci on:
w[k] =
_
,= 0, 0 k M 1
0, 0 > k > M 1
Apartir de la propiedad de convoluci on de la transformada Z, la respectiva funci on de transferencia
truncada corresponde a:
H
M
_
e
jT
_
= Z h[k]w[k] =
T
2
/T
_
/T
H(e
jT
)W
_
e
j()T
_
d
El caso m as simple de an alisis de funci on ventana w[k], que encuentra mayor aplicaci on en la
pr actica, corresponde a la ventana rectangular denida como:
w[k] =
_
1, 0 k M 1
0, 0 > k > M 1
cuya transformada de Fourier es igual a:
W
_
e
jT
_
= e
j(M1)T/2
sin (MT/2)
MT/2
= e
j(M1)T/2
sinc(MT/2)
En la parte superior de la Figura 4.11(a), se observa el efecto Gibbs en el tiempo para diferentes
longitudes de ventana (M = 64 y M = 320), al cual le corresponde el espectro mostrado en la
parte inferior, que contiene el l obulo principal y los l obulos laterales de la magnitud del espectro de la
ventana. Las oscilaciones de los l obulos laterales condiciona las uctuaciones del fen omeno de Gibbs.
0
50
40
30
20
10
0
0 30
.2
.4
.6
.8
1
1.2
Espectro de ventana
ventana en el tiempo
M = 64
M = 64
M = 320
M = 320
13 dB
t
(a) Ventana rectangular
0
0
1
0
80
60
40
20
0
bartlett
hamming
hanning
bartlett
hamming
hanning
Espectro de ventana
ventana en el tiempo
t
(b) Ventanas mejoradas

Figura 4.11. Ventanas de proceso
Las simulaciones presentadas en la Figura 4.11(a), muestran que al aumentar la cantidad de elemen-
tos discretos de la ventana, disminuyen los l obulos laterales y el l obulo principal se hace m as agudo,
mientras las uctuaciones en el tiempo se aten uan mucho m as r apido en el tiempo. Sin embargo, el
exagerado aumento del n umero de elementos de discretizaci on M conlleva al incremento signicativo
del costo computacional. En la sntesis de ltros digitales, mediante las series de Fourier, se emplean
funciones ventanas, que sean mucho m as efectivas que la rectangular, entre las cuales se encuentran
las de Bartlett, Hamming y Hanning, mostradas en la Figura 4.11(b).
Funciones mejoradas de ventana
El valor de la distorsi on espectral se puede mantener dentro de un mnimo, si se cumplen las siguientes
propiedades:
(a). Alta concentraci on en el l obulo central (principal), que requiere una ventana amplia de tiempo.
(b). Peque nos o insignicantes l obulos laterales, que requieren una ventana de tiempo alisada sin
cortes abruptos de los ancos.
La ventana rectangular en el tiempo implica una ventana espectral del tipo sinc, la cual cumple el
punto a), pero no es efectiva en el punto b), teniendo oscilaciones de alta frecuencia, y adem as con
l obulos laterales negativos. Aunque la ventana rectangular deja la funci on de tiempo sin distorsi on,
esto puede llevar a severas distorsiones en el dominio de la frecuencia. El efecto indeseable es debido
a los cortes abruptos de los ancos de la ventana rectangular, que introduce altas frecuencias. Por esto
un cierto compromiso debe ser conseguido en el dise no de una ventana que disminuya gradualmente
hacia ambos ancos del intervalo del registro; realmente se realiza una cierta distorsi on de la se nal en
el tiempo, pero al mismo tiempo se evitan las oscilaciones de alta frecuencia en el dominio espectral.
Una ventana que mantenga ambos dominios sin distorsi on es imposible de sintetizar.
No hay un procedimiento directo para derivar la forma de la mejor ventana en todos los sentidos,
en vez de esto, la aproximaci on se basa en un compromiso entre diferentes factores e, inclusive, el
procedimiento puede emplear el mecanismo de prueba y error.
La mayora de las ventanas, w(t), son reales y pares, por lo que su transformada de Fourier, W(),
es tambi en real y par. Una condici on adicional aplicada sobre forma de las ventanas est a en su si-
metra o antisimetra con respecto al valor medio de su intervalo de denici on T o apertura. Estas
condiciones se hacen necesarias en la implementaci on de ltros no recursivos lineales.
Se distinguen los siguientes tipos de ventanas:
Ventanas trigonom etricas
1. Ventana Rectangular.
w(t) =
_
_
_
1
T
, 0 t T
0, t > T
a la cual le corresponde la siguiente transformada de Fourier
W() = 2
sin(T)
T
= 2 sinc
_
T
_
El proceso de se nales con longitud nita sin realizar ninguna operaci on sobre el contenido de
los datos originales equivale al empleo de la funci on ventana rectangular. En este caso, aunque
su implementaci on es la m as simple, el t ermino sinc en W() genera amplios l obulos laterales,
que genera distorsi on adicional en las componentes espectrales.
La ventana rectangular es la m as usada com unmente, aunque presenta efectos espectrales in-
deseables. Una versi on modicada de la ventana rectangular es la ventana trapezoidal, que
presenta menores l obulos laterales espectrales que la ventana rectangular.
2. Ventanas tipo sinc. Basadas en el empleo de la funci on sinc como funci on de alisamiento de
los datos; entre las principales est an:
Ventana Fourier - Kernel o Ventana Daniell
w(t) =
_
_
_
1
T
sinc(t/T), 0 t T
0, t > T
La respectiva transformada de Fourier, para el caso de una ventana truncada en el tiempo
0 t T, no puede ser expresada en forma cerrada, pero en cambio, se puede describir
en forma de una serie innita convergente:
W() =
1
n=0
(1)
n
(2n + 1)(2n + 1)!
_
( T)
2n+1
+ ( +T)
2n+1
_
que se aproxima a la funci on rectangular, en el caso de hacer innita su apertura.
Ventana de Fej er.
w(t) =
_
_
_
1
T
sinc
2
(t/T), 0 t T
0, t > T
Dados valores nitos para la apertura de ventana, la correspondiente transformada de Fou-
rier W() conlleva a series innitas convergentes, las cuales se aproximan a la funci on
triangular:
W() =
1
2
2
n=0
(1)
n
(2n + 1)(2n + 1)!
_
(2 +T)
2n+2
+ (2 T)
2n+2
2(T)
2n+2
_
3. Ventanas tipo coseno. Basadas en las propiedades envolventes de la funci on coseno, son las
ventanas que m as uso tienen en el proceso de se nales, entre ellas se tienen:
Ventana Hanning. Conocida como ventana Tukey o simplemente ventana coseno.
w(t) =
_
_
_
1
2
(1 + cos(t/T)) , 0 t T
0, t > T
cuya transformada de Fourier se expresa como:
W() = sinc
_
T
_
+
1
2
_
sinc
_
T
+ 1
_
+ sinc
_
T
1
__
A diferencia de la ventana rectangular, la transformada de la ventana tipo coseno W() se
representa por la suma de tres funciones sinc, desplazadas una de otra. De la ecuaci on anterior,
se observa que los l obulos laterales de las tres funciones sinc, al ensancharse, se cancelan unos
con otros. As mismo, se observa que si la apertura T puede llegar a ser muy peque na, el espectro
de la ventana se puede aproximar a una constante. Este caso corresponde a baja resoluci on y alta
estabilidad del espectro. El caso contrario de an alisis, cuando la apertura T se ampla, signica
alta resoluci on pero baja estabilidad. La ventana Hanning es equivalente a la ventana coseno
cuadrado:
w(t) =
_
_
_
1
2
cos
2
_
t
2T
_
, 0 t T
0, t > T
Algunas veces es usada la media ventana coseno, que es llamada Ventana Hanning Modicada.
Ventana Hamming
w(t) =
_
_
_
1
T
_
0.54 + 0.46 cos
_
t
T
__
, 0 t T
0, t > T
W() = 1.08sinc
_
T
_
+ 0.46
_
sinc
_
T
+ 1
_
+ sinc
_
T
1
__
En general, Las ventanas Hanning y Hamming pueden escribirse como:
w(t) =
_
_
_
1
T
_
1 2a + 2a cos
_
t
T
__
, 0 t T
0, t > T
donde a = 0.25 para la ventana de Hanning y a = 0.23 para la ventana de Hamming. Una pe-
que na modicaci on en los factores de peso conlleva a la adecuada eliminaci on de los efectos de
los l obulos laterales. Las ventanas espectrales Hanning y Hamming corresponden al promedio
sobre tres valores consecutivos de la funci on espectral de la ventana rectangular, el cual tiene
como consecuencia que estas ventanas espectrales tengan muchos l obulos laterales peque nos,
pero con un l obulo principal m as amplio que para la ventana rectangular. La ventana Hamming
es considerada como una de las de mejor comportamiento y, por tal raz on, es ampliamente
usada.
Ventana rectangular coseno envolvente. A menudo se busca ventana que sea sucientemente
plana sobre la mayor parte de duraci on de la se nal (semejante a la ventana rectangular), pero
que alise fuertemente sus dos extremos (semejante a una ventana coseno). Tal efecto se obtiene
al combinar las ventanas rectangular y Hanning, de tal manera que la ventana comienza a la
izquierda con la ventana coseno, seguida por una ventana rectangular sobre la mayor parte de
la se nal y al nal con el lado derecho de la ventana coseno:
w(t) =
_
_
1
2T
_
1 + cos
_
5t
T
__
, T [t[
4T
5
1
T
,
4T
5
[t[
4T
5
1
2T
_
1 + cos
_
5t
T
__
,
4T
5
[t[ T
La correspondiente ventana espectral es:
W() =
sin(T) + sin(4T/5)
T
_
1 (T/5)
2
_
Ventanas de potencia. Estas est an asociadas a alguna funci on de potencia de t, entre las cuales
est an las siguientes:
1. Ventana Triangular. Conocida tambi en como ventana Bartlett:
w(t) =
_
_
_
1
T
_
1
_
[t[
T
__
, 0 t T
0, t > T
que le corresponde la transformada de Fourier
W() = sinc
2
_
T
2
_
Esta ventana, a diferencia de otras, no tiene l obulos laterales negativos.
Otro caso especial de la ventana de potencia se obtiene haciendo m = 2, de lo cual resulta la
ventana parab olica.
2. Ventana de Parzen. Corresponde a la generalizaci on de la ventana triangular,
w(t) =
_
_
_
1
T
_
1
_
[t[
m
T
__
, 0 t T, m Z
+
0, t > T
El n umero de t erminos en la respectiva transformada de Fourier depende del exponente m:
W() =
2 sin(T)
T

2
(T)
m+1
T
_
0
t
m
cos tdt
La integral puede simplicarse, si se lleva fuera la integraci on sucesiva:
T
_
0
t
m
cos tdt = f(T) sinT +f
t
(T) cos T f
t
(0)
donde
f(t) = m!
N
0
(1)
n
t
m2n
(m2n)!
, n = 0, 1, . . . , N, N =
_
m/2, m par
(m1)/2, m impar
La ventana de Parzen aparece frecuentemente con la siguiente descripci on:
w(t) =
_
_
1
T
_
1 6
_
t
T
_
2
+ 6
_
[t[
T
_
3
_
, 0 t
T
2
2
T
_
1
[t[
T
_
,
T
2
< t T
0, 0 < t > T
3. Ventana de Cappelini. Corresponde a una de las ventanas m as cercanas al optimo potencial en
la minimizaci on de las pulsaciones de Gibbs, y se determina como:
w(n) =
_
_
w
c
_
3n
N 1
_
, [n[
N 1
2
0, [n[ >
N 1
2
donde
w
c
(t) =
_
0.828217t
3
1.67363t
2
+ 0.041186t + 0.99938, 0 t < 0.75
0.065062t
3
+ 0.372793t
2
1.701521t + 1.496611, 0.75 t 1.5
Ventanas exponenciales. Contienen la variable tiempo en el exponente.
1. Ventana de Gauss.
w(t) =
_
_
_
1
T
e
at
2
, 0 t T
0, t > T
donde a es una constante positiva. En el caso de an alisis de aperturas de tiempo innito, la curva
gaussiana es auto-recproca. Para un intervalo de tiempo nito la TF es:
W() =
1
T
_
a
e
2
/4a
erf
_
T
a
_
, erf (x) =
2
x
_
0
e
y
2
dy
Esta ventana espectral no tiene l obulos laterales negativos y no presenta oscilaciones, lo cual
puede conducir a m aximos y mnimos espurios en el espectro calculado.
2. Ventana de Kaiser. Una de las ventanas m as efectivas empleadas en la sntesis de ltros no
recursivos:
w(n) =
_
_
_
I
0
()/I
0
(), [n[
N1
2
0, [n[ >
N 1
2
(4.19)
donde I
0
() es la funci on modicada de Bessel de primer tipo y orden cero, con argumento,
=
_
1 (2n/(N 1))
2
, es un par ametro independiente. El valor de esta funci on se
puede calcular empleando la serie convergente:
I
0
() = 1 +
k=1
_
1
k!
_
2
_
k
_
2
En la pr actica, el c alculo se puede aproximar por la siguiente expresi on:
I
0
() =
_
_
1 + 3.5156229t
2
+ 3.0899424t
4
+ 1.2067492t
6
+0.2659732t
8
+ 0.03600768t
10
+ 0.0045813t
12
,
t =

3.75
, 3.75
e
(0.39894228 + 0.01328592t
1
+ 0.00225319t
2
1
0.00157565t
3
1
+ 0.00916281t
4
1
0.2057706t
5
1
+0.02635537t
6
1
0.01647633t
7
1
+ 0.00392377t
8
1
),
t
1
= 3.75/, > 3.75
Adiferencia de las dem as ventanas, cuya forma solamente se determina por el par ametro tiempo
t (o tiempo normalizado t/T), la ventana de Kaiser cuenta con un par ametro adicional . Com-
binando adecuadamente ambos par ametros se obtiene mucho mayor exibilidad en el dise no de
ltros con cualquier respuesta de frecuencia realmente implementable, como se muestra en la
Figura 4.12.
10 20 30 40 50 60
0
0.5
1
0 0.5 1 1.5
80
60
40
20
0
0 0.5 1 1.5
80
60
40
20
0
1.33
3.86
7.04
1.33
3.86
7.04
31
63
127
ventana de tiempo: M = 63
F. Transferencia: = var y M = 63
F. Transferencia: M = var y = 3.86
= 0
= 0
M = 15
Figura 4.12. Ventana de Kaiser
Sin embargo, el empleo de la ventana de Kaiser est a limitado por la selecci on de los par ametros
y el tiempo normalizado N, para lo cual se ha propuesto el siguiente algoritmo:
Sea dado un ltro pasabajos, para el cual las pulsaciones de la respuesta de frecuencia en la
banda de paso (0,
p
) no excede el valor A
p
(dado en [dB]), con rechazo no menor a A
z
[dB]
en la banda de rechazo (
z
,
d/2
) y con ancho de banda de transici on B
t
=
z

p
. Los
respectivos coecientes del ltro Kaiser se calculan de la siguiente manera:
a) Empleando la expresi on (2), dada en el ejemplo 4.5, se calcula la respuesta a impulso
h[n], que corresponde a la funci on de transferencia de un ltro ideal pasabajos (1), donde
c
= (
p
+
z
)/2 es la frecuencia de corte condicional.
b) De los valores dados A
p
y A
z
, se calculan los respectivos coecientes en veces:
1
= 10
0.05Az
,
2
=
10
0.05Ap
1
10
0.05Ap
+ 1
de los cuales se halla el menor = min
1
,
2
.
c) Obtenido el valor , que caracteriza la desviaci on de la aproximaci on para la respuesta de
frecuencia ideal, se calcula el valor que caracteriza la banda de rechazo:
A
z
= 20 lg
d) Se determina el par ametro de acuerdo con la expresi on:
=
_
_
0, A
p
< 21
0.5842(A
p
21)
0.4
+ 0.07886(A
p
21), 21 A
p
50
0.1102(A
p
8.7), A
p
> 50
e) Del valor dado A
p
se obtiene el par ametro D, e igual a:
D =
_
0.9222, A
p
21
(A
p
7.95)/14.36, A
p
> 21
f ) Se estima el orden del ltro Kaiser de la condici on:
N = 2
d
D/2B
t
| + 1,
siendo | la parte entera de .
g) De acuerdo con (4.19), se calculan los valores de la funci on ventana de Kaiser, a partir de
los cuales se calculan los coecientes del ltro:
h[n] = w
_
N 1
2
i
h
_
N 1
2
i
_
, n = 0, 1, . . . , N 1
La funci on de transferencia del ltro real de Kaiser tiene la forma:
H(z) = z
(N1)/2
(N1)/2
n=0
a
t
[n]
2
_
z
n
+z
n
_
donde a
t
[0] = h[0] y a
t
[n] = 2h[n], n = 1, . . . , N 1.
El anterior algoritmo es aplicable a los diferentes tipos b asicos de ltros. En el caso de los
pasaaltos, los coecientes de la respuesta a impulso se calculan empleando las expresiones
(3) y (4), dadas en el ejemplo 4.5, ajustando los valores de los par ametros en la forma:
c
= (
p
+
z
)/2 y B
t
= (
p

z
). En el dise no de los pasabandas y rechazabandas,
los coecientes de la respuesta a impulso se calculan empleando las expresiones (5) y (6)
del ejemplo 4.5. Sin embargo, en el primer caso, el ajuste de los valores es el siguiente:
c1
=
p1
B
t
/2,
c2
=
p2
+ B
t
/2, donde B
t
= min
p1

z1
,
z2

p2
,
mientras para el rechazabanda el ajuste es:
c1
=
p1
+ B
t
/2,
c2
=
p2
B
t
/2 y
B
t
= min
z1
p1
,
p2
z2
.
M etodos de empleo de ventanas
Los procedimientos pr acticos aplicando ventanas pueden resumirse en dos m etodos alternativos:
1. M etodo 1. La se nal de entrada se multiplica por la funci on ventana seleccionada. La transfor-
mada de Fourier de la serie ponderada es suavizada debido al efecto de la convoluci on compleja
con el espectro de la ventana apropiada.
2. M etodo 2. La se nal discretizada de entrada se multiplica por la ventana rectangular con peso
1, esto es, no se altera el contenido de la serie de entrada en la apertura de ventana, luego se
realiza el suavizado o alisamiento de las componentes espectrales obtenidas. Por ejemplo, se
puede aplicar la ventana espectral Hamming (este alisamiento es hecho para contrarrestar las
alta frecuencias introducidas por la ventana de tiempo rectangular) sobre tres puntos con pesos:
w[k 1] = 0.23, w[k] = 0.54, w[k + 1] = 0.23
Ambos m etodos son equivalentes, aunque que se desarrollan en orden diferente.
En cuanto a la selecci on de la ventana concreta a ser aplicada, la soluci on corresponde a un com-
promiso entre varios factores, de los cuales los m as signicativos son, primero, el ancho de banda del
l obulo principal del espectro y, luego, la energa de los l obulos laterales espectrales.
La ventana espectral debe concentrarse en el l obulo central alrededor de = 0 y tener unicamente
peque nos l obulos laterales. Los l obulos laterales negativos deben preferiblemente ser lo m as peque nos
posibles. Esa condici on es clara cuando se considera que la ventana espectral por su convoluci on
con el espectro de la se nal util toma el papel de una funci on de peso. Desde este punto de vista la
ventana rectangular se puede considerar angosta; el problema en su uso est a en las altas frecuencias
que introduce debido al fen omeno de Gibbs.
De forma heurstica, se considera que el ancho de banda de la ventana espectral es un par ametro con
mayor importancia que el tipo de ventana usado. El ancho de banda puede ser del mismo orden o tan
preciso como se quiera para analizar el espectro. Aunque el ancho de banda peque no podra disminuir
la estabilidad de la estimaci on espectral. Es aconsejable iniciar con un peque no T e incrementarlo
mientras que el espectro no se afecte en su longitud. A objeto de obtener una buena resoluci on es-
pectral se tienen dos alternativas: conservar un T constante y buscar entre diferentes tipos de ventana,
o bien, dejar un T variable y mantener un tipo de ventana constante. El ultimo procedimiento, se
considera, es el m as eciente.
Ejercicio en el CP 4.3. [Matlab] El dise no de un ltro Butterworth de cuarto orden, la deter-
minacion de los respectivos coecientes de funci on de transferencia y el calculo de funci on de la
transferencia misma, se realiza de acuerdo al siguiente programa:
%Hallar un filtro Butterworth de cuarto orden
[z,p,k]=buttap(4);
disp(polos);disp(p)
% Determinacion de coeficientes de funcion de transferencia
[pz,pp]=zp2tf(z,p,k);
disp(Coeficientes del numerador); disp(pz)
disp(Coeficientes del denominador); disp(pp)
%Frecuencias normalizadas, donde 1 es la frecuencia de corte
omega=[0:0.01:5];
%Calculo de funcion de transferencia
H=freqs(pz,pp,omega); gain=20
*
log10(abs(H));
plot(omega,gain); grid;
La siguiente respuesta se obtiene, incluyendo en modulo de la funci on de transferencia mostrado en
la Figura 4.13:
polos
-0.3827 + 0.9239i
-0.3827 - 0.9239i
-0.9239 + 0.3827i
-0.9239 - 0.3827i
Coeficientes del numerador
0 0 0 0 1
Coeficientes del denominador
1.0000 2.6131 3.4142 2.6131 1.0000
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
60
50
40
30
20
10
[H()[
Figura 4.13. M odulo de la funci on de transferencia obtenida

4.3.3. Discretizaci on de la funci on de transferencia
La respuesta de frecuencia de un ltro pasabanda, con frecuencia de corte
c
y desfase de frecuencia
cero, (j) = 0, tiene la forma:
[H (j) [ =
_
1, [[
c
0, [[ >
c
En este caso, la respuesta a impulso del ltro se describe como:
h(t) =
1
2
e
jt
d =
1
_
0
cos td = sinc
_
c
t
T
_
(4.20)
Cuando a la entrada del ltro se aplica la se nal x(t), entonces, se cumple:
Y (j) =
_
X (j) H (j) , [[
c
0, [[ >
c
Asumiendo que la funci on de entrada est a limitada dentro de un rango nito de frecuencias, esto
es, X (j) = 0 para [[ >
< , luego, X (j) H (j) = 0 para [[ >
. Adem as, cuando la

funci on H
N
(j) corresponde una componente peri odica de H (j) con perodo T = 2/
d
, donde,
d
2
entonces, la TF de la se nal de salida tiene la forma:

Y (j) = H (j) X (j) = H
N
(j) X (j) ,
Si la funci on H (j) permite representar H
N
(j) en forma de la siguiente serie exponencial
H
N
(j) =
n=
h
n
e
j2n/
d
donde h
n
= 0 cuando n , entonces, la respectiva respuesta a impulso ser a:
h
N
(t) =
n=
h
n
_
t +
2n
d
_
La se nal de salida y (t) se obtiene de calcular la convoluci on de las funciones x(t) h
N
(t):
y (t) =
n=
h
n
x
_
t +
2n
d
_
cuando t = 2m/
d
, en el plano discreto, se obtiene
y
_
2m
d
_
=
n=
h
n
x
_
2 (m+n)
d
_
Con esta relaci on es difcil trabajar en el desarrollo de algoritmos de proceso digital, por cuanto se
necesita una cantidad innita de muestras discretas.
Sea la funci on aproximativa de H (j) en la forma de la siguiente serie exponencial truncada:
H
N
(j) =
N
n=N
h
n
exp(
2jn
d
) (4.21)
entonces
h
N
(t) =
N
n=N
h
n
_
t +
2n
d
_
(4.22)
determinando la convoluci on de las dos funciones x(t) h
N
(t), se halla y (t) en la forma:
y (t) = x(t) h
N
(t) =
N
n=N
h
n
x(t)
_
t +
2n
d
_
dt
=
N
n=N
h
n
x
_
t +
2n
d
_
Por lo tanto, cuando t = 2m/
d
, en el plano discreto, nalmente se obtiene que
y
_
2m
d
_
=
N
n=N
h
n
x
_
2 (m+n)
d
_
(4.23)
La relaci on (4.23) es la expresi on b asica de ltraci on digital no recursiva, mientras las relaciones
(4.21) y (4.22) describen sus caractersticas de frecuencia y tiempo, respectivamente. Analizando
(4.21), es importante anotar que debido a que la funci on de transferencia del ltro ideal en la pr actica
se escoge en forma de funci on par o impar, entonces la funci on aproximativa H
N
(j) se puede
representar para las funciones pares como
H
N
() = h
0
+ 2
N
n=N
h
n
cos
_
2nf
f
d
_
mientras, para las impares
H
N
() = 2j
N
n=N
h
n
cos
_
2nf
f
d
_
Los siguientes son los aspectos b asicos a tener en cuenta en la sntesis de ltros no recursivos:
- El m etodo de selecci on de los coecientes h
n
para el tipo dado de la funci on H () y el car acter
de las se nales a procesar;
- La estimaci on de los errores de aproximaci on de H () por H
N
().
- Proveer la condici on de eliminaci on del efecto de traslapo de las se nales a la salida del ltro.
4.3.4. Optimizaci on de ltros no recursivos
El c alculo de los ltros no recursivos empleando las series de Fourier conlleva a que, en los puntos de
corte abrupto en la funci on de transferencia resultante, aparezcan las pulsaciones de Gibbs, en cuya
disminuci on se emplean diferentes tipos de ventanas. Sin embargo, estas oscilaciones se distribuyen
de manera no homog enea a lo largo del espectro, con lo cual, en algunos puntos la compensaci on con
las ventanas es adecuada, pero en otras regiones, puede ocurrir que de forma parcial se cumplan las
exigencias de atenuaci on. La redistribuci on de las pulsaciones de la respuesta de frecuencia se puede
realizar directamente sobre una malla dada de frecuencias discretas de la funci on de transferencia,
utilizando diferentes m etodos num ericos de optimizaci on.
El primer m etodo b asico de optimizaci on consiste en la implementaci on directa de una malla de
N valores discretos H[k] de la funci on de transferencia (4.21), relacionada con la respectiva funci on
respuesta a impulso de la forma:
H[k] =
N1
n=0
h[n] exp(j(2/N)nk),
h[n] =
1
N
N1
k=0
H[k]W
kn
, W = e
j2/N
Por lo que los valores de la respuesta a impulso se pueden hallar calculando la transformada discreta
inversa de Fourier de la funci on de transferencia del ltro:
H(z) =
N1
n=0
h[n]z
n
z=W
n
=
N1
n=0
_
1
N
N1
k=0
H[k]W
kn
_
z
n
=
1
N
N1
k=0
H[k]
N1
n=0
_
W
kn
z
n
_
=
1
N
N1
k=0
H[k]
_
W
k
z
1
_
n
=
1
N
N1
k=0
H[k]
1 W
Nk
z
N
1 W
k
z
1
=
1 z
N
N
N1
k=0
H[k]
1
_
e
j2k/n
_
z
1
Luego
H
_
e
jT
_
=
1 e
jNT
N
N1
k=0
H[k]
1 e
jT
e
j2k/N
=
e
jNT/2
_
e
jNT/2
e
jNT/2
_
N

N1
k=0
H[k]
e
jT/2
e
jk/N
_
e
jT/2
e
jk/N
e
jT/2
= e
j(
N1
2
T)
N1
k=0
H[k]e
jk/N
sin
_
nT
2
_
sin
_
T
2

k
N
_
Se puede demostrar que si H[k] son los valores de la funci on de transferencia en los puntos W
k
,
entonces se obtiene
H
_
e
jT
_
=
[H(0)[
N
sin NT/2
NT/2
+
+
M
k=1
[H[k][
N
_
_
_
_
sin
_
N
_
T
2

k
N
__
sin
_
T
2

k
N
_ +
sin
_
N
_
T
2
+
k
N
__
sin
_
T
2
+
k
N
_
_
_
_
_
(4.24)
donde M = (N 1)/2 para valores impares de N y M = N/2 1 para valores pares de N.
Los valores de la funci on de transferencia H(e
jT
) del ltro no recursivo, calculado por el m eto-
do de la discretizaci on de la funci on de transferencia, coinciden con los valores de la funci on de
transferencia exigida H
d
[k], solamente en los puntos W
k
. En los dem as puntos, ambas funciones no
convergen. Debido a esto, en la pr actica se emplean modicaciones del m etodo de discretizaci on de
la funci on de transferencia, que disminuyan las pulsaciones de la funci on de aproximaci on H(e
j
).
Disminuci on de las pulsaciones de Gibbs. Estas oscilaciones est an directamente relacionadas con
el cambio abrupto en la denici on de la funci on de transferencia. Si se genera una banda de transici on
m as suave y extendida, entonces, las uctuaciones disminuir an en los valores intermedios entre la
malla discreta de frecuencias. Los diferentes m etodos se diferencian por el criterio de error dado en la
optimizaci on de esta tarea.
La expresi on (4.24), que aproxima la funci on de transferencia exigida H
d
[k], es una funci on lineal
respecto de H[k] y para la selecci on de sus valores optimos, en la banda de transici on, se emplean
m etodos lineales de optimizaci on.
En general, la funci on de transferencia (4.24) puede ser representada de la forma:
H(e
jT
) =
M
k=0
[H[k][ S
k
(e
jT
) (4.25)
donde
S
k
(e
jT
) =
_
_
1
N
sin NT/2
sinT/2
, k = 0
1
N
_
_
_
_
sin
_
N
_
T
2

k
N
__
sin
_
T
2

k
N
_ +
sin
_
N
_
T
2
+
k
N
__
sin
_
T
2
+
k
N
_
_
_
_
_
, k 1
Sea B(e
jT
), la componente de la suma (4.25), que corresponde a los discretos jos de frecuencia:
H(e
jT
) = B(e
jT
) +
M
2
k=M
1
[H[k][ S
k
(e
jT
)
donde [H[k][ , k = M
1
, M
1
+ 1, . . . , M
2
es la componente exible de la banda de transici on, cuyos
valores cambian acordes al criterio de optimizaci on.
Adem as, sea W[] la funci on de peso, que caracteriza el error de aproximaci on, siendo > 0 su
m aximo valor en las bandas de paso y rechazo. Entonces, se necesita seleccionar aquellos valores
de los par ametros x
i
= [H[M
1
1 +i][ , i = 1, 2, . . . , L = (M
2
M
1
+ 1), con las siguientes
restricciones:
W(
l
)
_
H
_
e
j
l
T
_
H
d
_
e
j
l
T
__
, l = 0, 1, . . . , N 1 (4.26)
tal que se cumpla que sea la mnima posible. Las restricciones (4.26) se pueden replantear de la
siguiente manera:
W(
l
)
_
H
_
e
j
l
T
_
H
d
_
e
j
l
T
__
,
W(
l
)
_
H
_
e
j
l
T
_
H
d
_
e
j
l
T
__

Los valores x
1
, , x
L
de la funci on de transferencia discreta se pueden encontrar empleando
t ecnicas de programaci on lineal con las siguientes restricciones:
L
i=1
_
W(
l
)S
M
1
+1+i
_
e
j
l
T
__
x
i
W(
l
)
_
H
d
_
e
j
l
T
_
B
_
e
j
l
T
__
i=1
_
W(
l
)S
M
1
+1+i
_
e
j
l
T
__
x
i
W(
l
)
_
H
d
_
e
j
l
T
_
+B
_
e
j
l
T
__
siendo
l
= 2l/N, l = 0, 1, . . . , N 1, 0 < x
i
< 1, i = 1, . . . , L, tal que el m aximo valor del
error de aproximaci on , en las bandas de paso y rechazo, sea el mnimo posible.
Medidas de distancia de error. Se pueden construir diferentes clases de ltros optimos no re-
cursivos, de acuerdo al criterio de error escogido, determinado por la medida de distancia entre la
funci on de aproximaci on H
_
e
j
l
T
_
y la funci on aproximada H
d
_
e
j
l
T
_
, denida sobre espacios
p-integrables como:
|H H
d
|
Lp
=
1
d
_
0
_
H
_
e
jT
_
H
d
_
e
jT
__
p
d (4.27)
La soluci on generalizada de (4.27) es una tarea compleja de programaci on no lineal. En el caso
de p = 2 la norma corresponde al criterio del error cuadr atico medio y los respectivos coecientes
se hallan resolviendo el respectivo sistema lineal de ecuaciones algebraicas. El ltro que minimiza el
m aximo valor del error de aproximaci on en las bandas de paso y rechazo corresponde a la aproxima-
ci on de Chebyshev [1].
Sea H
d
(e
jT
) la funci on de transferencia ideal, que hay que aproximar por medio de la funci on
H(e
jT
, ) sobre un subconjunto cerrado de intervalo (0,
d/2
), y W() una funci on positiva de
medici on ponderada, que caracteriza el valor absoluto del error en todas las bandas de frecuencia.
Entonces, el error ponderado de aproximaci on se puede representar en la forma:
(, ) =
W()
_
H
_
e
jT
,
_
H
d
_
e
jT
__
donde es un vector de par ametros desconocidos.

La aproximaci on de Chebyshev consiste en la selecci on de los valores del vector en la funci on
H(e
jT
, ), tales que el m aximo valor del error,
() = max
W()
_
H
_
e
jT
,
_
H
d
_
e
jT
__
(4.28)
sea el mnimo posible.
La funci on H(e
jT
, ) se puede representar en forma de multiplicaci on de las siguientes compo-
nentes:
H
_
e
jT
,
_
= P
_
e
jT
_
Q
_
e
jT
,
_
donde P
_
e
jT
_
es alguna funci on de medida ponderada, y Q
_
e
jT
,
_
corresponde a las 4 distintas
estructuras de funciones de transferencia obtenidas para los ltros recursivos y mostradas en la Tabla
4.7, que en general, se puede representar en forma de una combinaci on lineal de cosenos:
Q
_
e
jT
,
_
=
N1
n=0
n
cos (nT) , 0
d/2
(4.29)
Cuando se dispone de una respuesta impulso h[n] sim etrica y en caso de tener un valor N impar,
entonces, P
_
e
jT
_
= 1,
n
= a
n
, mientras, para el caso de N par, se tiene:
Q
_
e
jT
,
_
=
N1
n=0
b(n) cos
_
_
n
1
2
_
T
_
= cos
T
2
N1
n=0
b
n
cos nT
donde los coecientes b
n
y
b
n
se relacionan de la forma:
b
1
=
b
0
+
b
1
/2, . . . , b
n
=
_
b
n1
+
b
n
_
/2, . . . , b
N
=
b
N1
/2
con funci on de medida ponderada P
_
e
jT
_
= cos T/2.
Si, por el contrario, la respuesta a impulso es antisim etrica, en el caso de N impar se tiene:
H
_
e
jT
,
_
=
N
n=1
c
n
sin(nT) = sin(T)
N1
n=0
c
n
cos(nT)
donde c
1
= c
0
c
2
/2, . . . , c
n
= (c
n1
c
n+1
) /2, . . . , c
N
= c
N1
/2, con lo cual se obtiene
que P
_
e
jT
_
= sinT/2.
De manera similar, para el caso N par, se obtiene que:
H
_
e
jT
,
_
=
N
n=1
d
n
sin
_
n
1
2
_
T = sin
T
2
N1
n=0
d
n
cos(nT)
donde d
1
=

d
0

d
1
/2, . . . , d
n
=
_
d
n1

d
n
_
/2, . . . , d
N
=

d
N1
/2, por lo tanto, la funci on de
peso es P
_
e
jT
_
= sin T/2.
A efectos de simpleza, se introducen las siguientes notaciones:
W() W()P
_
e
jT
_
(4.30a)
H
d
_
e
jT
_
H
d
_
e
jT
_
/P
_
e
jT
_
(4.30b)
A partir de (4.30b), el error ponderado de aproximaci on (4.28) tiene la forma:
(, ) =

W()
_
H
_
e
jT
,
_

H
d
_
e
jT
,
_
_
Malla inicial de puntos

extremos con
N + 1 frecuencias
C alculo del valor optimo
sobre puntos extremos
Interpolaci on
e
Q
`
e
jT
,
sobre N puntos
C alculo del error ()
determinaci on de valores
m aximos, cuando
[ (, )[ >
> N + 1
puntos
extremos
Seleccionar N + 1
mayores extremos
puntos
extremos
cambian?
Si
No
Si
No
La mejor aproximaci on
Figura 4.14. Diagrama del algoritmo Remez
El principal algoritmo de soluci on de la tarea
de aproximaci on de Chebyshev es el segundo al-
goritmo de Remez, que se basa en el teorema de
la alternancia de Chebyshev, cuya modicaci on
en la aproximaci on de una funci on con un poli-
nomio trigonom etrico se formula de la siguiente
manera:
Sea la funci on Q
_
e
jT
,
_
una combina-
ci on lineal de N funciones coseno del tipo
(4.29). Para que esta aproximaci on sea la me-
jor, por el m etodo de Chebyshev, para la fun-
ci on

H
d
_
e
jT
_
dentro del espacio cerrado , es
necesario y suciente, que exista por lo menos
N + 1 puntos
0
,
1
, ,
N
, para los cuales
(
i+1
, ) = (
i
, ), i = 0, 1, . . . , N1
donde
[ (
i
, )[ = max
(, ), i = 0, 1, . . . , N
Las frecuencias
0
,
1
, ,
N
son los pun-
tos de la alternancia de Chebyshev .
El teorema de alternancia se considera b asico
para la realizaci on de diferentes algoritmos efec-
tivos de c alculo de soluci on de la aproximaci on
de Chebyshev.
Cuando una malla de valores ordenados
0
<
1
<
2
< , <
N
conforman un conjunto de puntos de alternancia
entonces, para un valor desconocido , en cada
punto
k
se deben cumplir las siguientes restric-
ciones:
W(
k
)
_
H
_
e
j
k
T
,
_
H
d
_
e
j
k
T
__
= (1)
k
, k = 0, 1, . . . , N (4.31)
las cuales conforman un sistema de N + 1 ecuaciones lineales y N + 1 variables desconocidas:
0
,
1
, . . . ,
N1
, . El sistema lineal obtenido, se puede demostrar que tiene una unica soluci on.
El algoritmo de c alculo del ltro optimo basado en el segundo algoritmo de Remez se realiza por
el siguiente procedimiento:
1. En el intervalo (0,
d/2
), se conforman las funciones de transferencia deseada H
d
(e
jT
) y la de
ponderaci on W(), adem as, se determina el orden N del ltro.
2. A partir del sistema (4.30a), se determinan las funciones

H
d
(e
jT
),
W() y P(), que hacen

parte de la tarea equivalente de aproximaci on.
3. Se establece un proceso iterativo, que da como resultado los puntos de alternancia de Chebys-
hev. Inicialmente, de manera arbitraria, se escoge la malla constituida por N + 1 valores extre-
mos:
0
<
1
<
2
<, , <
N
, que est an ubicados sobre el intervalo (0,
d/2
), con los
cuales se resuelve el sistema de ecuaciones (4.31), que tiene la forma matricial:
_
_
1 cos
0
T cos(N 1)
0
T
1
f
W(e
j
0
T
)
1 cos
1
T cos(N 1)
1
T
1
f
W(e
j
1
T
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 cos
N
T cos(N 1)
N
T
(1)
N
f
W(e
j
N
T
)
_
_
_
1
.
.
.
N1
_
=
_
H
d
_
e
j
0
T
_
H
d
_
e
j
1
T
_
.
.
.
H
d
_
e
j
N
T
_
_
_
La soluci on de este sistema, empleando m etodos de c alculo de algebra lineal, es bastante com-
pleja. En la pr actica, el valor de se calcula de la expresi on:
=
a
0
H
d
_
e
j
0
T
_
+a
1
H
d
_
e
j
1
T
_
+ +a
N

H
d
_
e
j
N
T
_
a
0
/
W(
0
) a
1
/
W(
1
) + + (1)
N
a
N
/
W(
N
)
donde a
k
=
N
i=0
i,=k
1
(x
k
x
i
)
, k = 0, 1, . . . , N, x
i
= cos
i
A partir del valor obtenido de , se determinan los valores de la funci on de aproximaci on
Q
_
e
jT
,
_
, e iguales a:
Q
k
=

H
d
_
e
j
k
T
_
(1)
k
W(
k
)
, k = 0, 1, . . . , N 1
Empleando la relaci on para la interpolaci on de Lagrange en forma baric entrica, se obtiene
Q
_
e
j
k
T
_
=
N1
k=0
k
x x
k
Q
k
N1
k=0
k
x x
k
donde
k
=
N
i=0
i,=k
1
(x
k
x
i
)
, k = 0, 1, . . . , N, x = cos ,
Sobre el intervalo (0,
d/2
), se selecciona una malla densa de puntos, en cada uno de los cuales
se calcula el valor de error (, ). Si para todas las frecuencias de la malla se cumple que:
(, ) se considera hallada la funci on optima de aproximaci on. Si por el contrario, existen
puntos de la malla, para los cuales (, ) > , se escogen una nueva malla de N + 1 puntos.
Las nuevas frecuencias
0
<
1
<
2
<, , <
N
, se seleccionan en los puntos extremos
de la funci on [(, )[. En cada iteraci on del algoritmo de Remez, el valor de se incrementa
hasta un valor que no exceda el lmite superior. El diagrama del algoritmo de Remez se muestra
en la Figura 4.14.
4. De los coecientes obtenidos para la funci on de aproximaci on (4.29) se determina la respuesta
a impulso del ltro h[n], n = 0, 1, . . . , N 1.
Ejercicio en el CP 4.4. [Matlab] Dise nar un ltro pasabajos de mnimo orden con frecuencia de
corte igual a 500Hz, frecuencia de rechazo 600Hz, frecuencia de discretizacion 2000Hz, atenuaci on
en banda de rechazo de por lo menos 60dB y rizado menor a 3dB en la banda de paso.
En Matlab se contempla el comando firpmord que implementa el algoritmo de sugerido en [30].
Sin embargo, el algoritmo presenta problemas de inexactitud para valores de frecuencias extremas
cercanas a 0, o bien a la frecuencia de discretizacion fs/2.
rp = 3; % Rizado
rs = 60; % atenuacion en banda de rechazo
fs = 2000; % Frecuencia de discretizacion
f = [540 600]; % frecuencias extremas de banda de transicion
a = [1 0]; % Amplitudes deseadas
% Calculo de las desvaciones
dev = [(10(rp/20)-1)/(10(rp/20)+1) 10(-rs/20)];
[n,fo,ao,w] = firpmord(f,a,dev,fs);
b = firpm(n,fo,ao,w); freqz(b,1,1024,fs);
En general, los par ametros de los ltros est an fuertemente relacionados entre s. Por ejemplo, su
orden inuye en las frecuencias de corte y rechazo, as como en las variaciones de amplitud de la
respuesta de frecuencia. En particular, el orden de un ltro ideal pasabajos se puede calcular mediante
la aproximaci on de Kaiser:
N
20 log
2
13
14.6f
+ 1 (4.32)
donde f es el ancho de banda de transici on,
1
y
2
son las variaciones permitidas en las bandas de
paso y rechazo, respectivamente.
Otra expresi on empleada corresponde a la planteada en [30]:
N
D
(
1
,
2
) f(
1
,
2
) (f)
2
f
+ 1
siendo
D
(
1
,
2
) =
_
0.005309 (log
1
)
2
+ 0.07114 log
1
0.4761
_
log
2
_
0.00266 (log
1
)
2
+ 0.5941 log
1
+ 0.4278
_
f(
1
,
2
) = 11.012 + 0.51244(log
1
log
2
)
Ejercicio en el CP 4.5. [Matlab] El siguiente program calcula la longitud de un ltro RIF pasa
banda empleando la expresion de Kaiser (4.32).
% expresion de Kaiser
Rp = input(rizado en banda de paso = );
Rs = input(atenuacion en banda de rechazo = );
Fp = input(frecuencia de corte [Hz] = );
Fs = input(frecuencia inicial de banda de rechazo [Hz] = );
FT = input(frecuencia de discretizacion [Hz] = );
num = -20
*
log10(sqrt(Rp
*
Rs))-13; den = 14.6
*
(Fs - Fp)/FT;
N = ceil(num/den);
fprintf(La longitud del filtro es %f \n,N);
4.3.5. Filtros no recursivos en el proceso de se nales aleatorias
Sin perder el sentido de generalidad y para facilitar los procedimientos matem aticos se asumen las
siguientes consideraciones:
- La se nal discreta en el tiempo de entrada x[t] del ltro se caracteriza por ser una funci on
generalizada;
- El espectro de la se nal de entrada es limitado a un ancho de banda nito;
- Los espectros de la se nal util y de la perturbaci on no se traslapan.
En gran cantidad de casos pr acticos, el espectro de la se nal de entrada X (f) se puede considerar que
consiste del espectro de la se nal de entrada en el intervalo (f
c
, f
c
), mientras para la perturbaci on
est a dado en ((f
, f
c
) , (f
c
, f
)), adicionalmente X (f) = 0, para [f

c
[ > f
donde [f
c
[ > f
c
. Se
supone, que al pasar la se nal de entrada por el ltro pasabajas digital, la interferencia se suprime.
Consecuentemente en el caso ideal, la funci on de transferencia de este ltro para las frecuencias
f > f
c
es H (f) = 0. No obstante, debido a que H (f
c
) ,= 0 entonces, en la frecuencia innitamente
cercana a f
c
, la funci on H (f) tendr a un rompimiento, lo que conlleva a la formaci on de oscilaciones
inestables a la salida del ltro.
Con este n, para eliminar cualquier tipo de estas oscilaciones, en la frecuencia cercana a la frecuen-
cia de corte f
c
, se debe escoger la funci on aproximativa H
N
(f
c
), de tal manera, que H
N
(f
c
) ,= 0 en
el intervalo de frecuencias (f
c
, f
c
+ f), donde f > 0, el cual depende de la cantidad N. Algunas
componentes indeseables del espectro de frecuencia (f
c
, f
c
+ f) pueden aparecer en la salida.
La ultima consideraci on hecha sirve para eliminar este factor de la etapa de dise no del ltro, o
sea, existe tal valor f > 0, en el cual, el espectro de la se nal a la entrada del ltro en las frecuen-
cias [f
c
f, f
c
] y [f
c
, f
c
+ f] es igual a: X (f) = 0. Escogiendo apropiadamente la funci on
H
N
(f) que no tenga discontinuidades, se provee la estabilidad necesaria en el trabajo del ltro.
El m etodo de sntesis de un ltro no recursivo comienza escogiendo el tipo ideal de funci on de
transferencia, H (f), dentro del ancho de banda (f
c
, f
c
), seleccionando, luego, el car acter de la
pendiente de inclinaci on de la funci on aproximativa H
N
(f). Despu es, basados en la descripci on
analtica de la funci on H
N
(f), se calcula la respuesta a impulso del ltro h(t), teniendo en cuenta
(4.20). La se nal de salida del ltro se determina de la expresi on (2.34). Sin embargo, el c alculo h(t)
a partir de (4.20) diculta el empleo de este m etodo en la pr actica; dicultad que se puede disminuir
de la siguiente manera:
Sea la representaci on de la funci on h
N
(t) del ltro a sintetizar en la forma:
h
N
(t) = k (t) x(t) (4.33)
donde k (t) es una funci on de ayuda dada analticamente, x(t) es la funci on generalizada de entrada
del ltro.
Cuando ambas funciones, k (t) y x(t), cumplen las condiciones de Dirichlet en la cualquier in-
tervalo de tiempo (ver secci on 1.3.1) y, por lo tanto, se pueden hallar sus respectivas TF, entonces,
empleando Parsevall (1.26):
k (t) x(t) dt =
K (f) X (f) df = H (f) (4.34)

se encuentra que la funci on de transferencia exigida del ltro a sintetizar se determina escogiendo
apropiadamente las funciones K (f)y X (f), en el intervalo de frecuencias en an alisis. Se puede
demostrar que la funci on de transferencia H (f) del ltro fuera del intervalo se determina comple-
tamente por el car acter de la funci on de ayuda K (f). As, sea la funci on X (f) determinada como:
X(f) =
_
1, [f[ (f
req
+f
c
) /20
0, [f[ > (f
req
+f
c
) /20
(4.35)
para la cual, x(t) toma la forma sinc ( (f
req
+f
c
)).
Teniendo en cuenta (4.35), se encuentra que x(f) = 0 para todo [f[ > (f
req
+f
c
) /2, entonces, de
(4.34) se obtiene:
H (f) =
f+(freq+fc)/2
_
f(freq+fc)/2
K (f) df
De esta manera, la sntesis del ltro digital no recursivo se cumple por el siguiente procedimiento:
1. Se parte de la expresi on analtica (4.35), obtenida para la densidad espectral de potencia de
forma generalizada de la se nal de entrada X (f);
2. Se escoge la funci on de ayuda K (f), teniendo en cuenta la pendiente de cada que se exige
para la respuesta de frecuencia del ltro a sintetizar;
3. Se determinan las componentes de la respuesta a impulso (4.33) del ltro a sintetizar a partir de
la F
1
K (f) y F
1
X (f);
4. Se determina la funci on h(t) = k (t) x(t);
5. Se determina la funci on de transferencia H
N
(f) del ltro sintetizado;
6. Se obtiene la funci on de transferencia H (z) del ltro digital.
Para evitar la aparici on de oscilaciones en el trabajo del ltro se exige que en las frecuencias cerca-
nas a la frecuencia de corte, la funci on sea suave, esto es, que sea absolutamente diferenciable:
H (f) =
_
_
1, 0 f < f
c
decreciente mon otona f
c
f < f
req
0, f f
req
H(f), f < 0
El cumplimiento de tal exigencia se hace escogiendo, de forma aproximada, la funci on de ayuda
K (f). De lo anterior, en la sntesis de ltros pasabandas, se puede emplear el procedimiento:
1. Se escoge la funci on de transferencia de un ltro ideal pasabanda en la forma:
H
_
f
c,

f
c
_
=
_
_
1, f
c1
f < f
c2
0, f f
c1
, f > f
c2
H (f
1
, f
2
) , f < 0
2. La funci on H (f) se aproxima por la diferencia de las funciones de transferencia de dos ltros
pasabajos: H
1
(f) y H
2
(f), con las respectivas frecuencias de corte: f
c1
y f
c2
.
3. Se determina la respuesta a impulso del ltro pasabanda en la forma
h(f) = h
2
(f) h
1
(f) , donde h
i
(t) = F
1
H
i
(f) , i = 1, 2
4. Se calculan los coecientes de paso de los ltros pasabandas
h
n
=
1
f
c
h
_
n
f
s
_
= f
s
_
h
2
_
n
f
s
_
h
1
_
n
f
s
__
Ejemplo 4.6. Sintetizar un ltro pasabandas con frecuencia central f
0
, ancho de banda f y
ancho de banda de transicion f
T
.
Como base, en la sntesis de este ltro pasabandas, se escoge un ltro pasabajos del tipo:
H (f) =
_
_
1, 0 f < f
_
1 + cos
(f f)
f
_
/2, f f f + f
T
0, f > f + f
T
[H (f)[ , f < 0
entonces, de acuerdo con (4.20) se tendr a
h
PB
(t) =
sin (2ft) + sin (2 (f + f
T
))
2t
_
1 4 (f
T
)
2
t
2
_
luego, H (f, f
0
) = H (f f
0
) paraf 0, H (f, f
0
) = H (f +f
0
) para f 0. Entonces
H (f, f
0
) = H (f f
0
) +H (f +f
0
) (1)
Para determinar h(t), se halla la transformada inversa de cada uno de los miembros de (1), que
empleando la propiedad de desplazamiento de (1.64) resulta en:
h(t) = h
PB
(t) (exp (2jf
0
t) + exp (2jf
0
t)) = 2h
n
(t) cos 2jf
0
t (2)
Los coecientes de peso para el ltro pasabandas se determinan por la relacion
h
n
= 2h
PB
cos 2
f
0
f
s
, donde h
PB
=
1
f
s
h
_
n
f
s
_
(3)
Durante la sntesis de un ltro pasabanda con varias bandas de paso de igual ancho de banda e igual
pendiente de cada, la funci on de transferencia se puede f acilmente encontrar con ayuda de la relaci on
(2). Suponiendo que las frecuencias centrales (f
1,
f
2
, . . . , f
k
) de las bandas del ltro buscado,
est an dispuestas, de tal manera que no haya traslapo, su respuesta a impulso se representa en la forma:
h(t, t
1
, t
2
, . . . , t
k
) = 2h
PB
(t)
_
k
i=1
cos 2f
i
t
_
luego, los valores discretos de los coecientes del ltro se determinan por la relaci on:
h
n
=
1
f
s
h
_
n
f
s
, f
1
, f
2
, . . . , f
k
_
= 2h
PB
(t)
_
k
i=1
cos 2
f
i
f
s
_
El m etodo de sntesis de los algoritmos de los ltros no recursivos de alta frecuencia se diferencia
de los ltros pasabanda, en que la respuesta a impulso del ltro pasaaltos h
PA
se determina como la
diferencia entre las respuestas a impulso generalizadas de la se nal de entrada x(t) y la de un ltro
pasabajos hipot etico, as, H
PA
(t) = x(t) h
1
(t).
Ejemplo 4.7. Realizar la sntesis de ltros digitales no recursivos en los siguientes casos:
1. Sea la funci on k (t) en (4.33) con funci on de transferencia:
[K (f)[ = [K
1
(f)[ =
_
_
_
1
f
, [ f[ f/2
0, [f[ > f/2
entonces, se puede escribir la expresi on
k
1
(t) =
_
f /2
f /2
1
f
exp (2jft) df =
2
f
_
f /2
0
cos (2ft) df
=
1
ft
(sin 2ft) [
f/2
0
= sinc (ft)
Si la funci on espectral generalizada, que representa la se nal a procesar, esta dada en forma
de la relacion (4.35), entonces, la respuesta a impulso del ltro digital es:
h
1
(t) = k
1
(t) x(t) =
sin ft sin (f
c
+f
T
)
2
ft
2
o, pasando a frecuencia angular, = 2ft,
T
= 2f
T
:
h
1
(t) =
2 sin

T
2
sin
(
c
+
T
)
2
t
t
2
=
cos
c
t cos
T
t
t
2
Luego, la funci on de transferencia del ltro sintetizado resulta en ([H
1
(f)[ = 0, [f[ > f
T
):
[H
1
(f)[ =
_
_
1, [f[ f
c
f +f
T
f
, f
T
f f
c
f
c
f
f
, f
c
< f f
T
2. Sea la funci on k (t), escogida de tal manera, que su funci on de transferencia tiene la forma:
[K (f)[ = [K
2
(f)[ =
_
2f
cos
f
f
, [f[
f
2
0, [f[ >
f
2
La funci on de peso para la anterior expresi on resulta en:
k
2
(t) =
_ f
2
f
2
2f
cos
f
f
exp (2jft) df =
cos ft
1 4f
2
t
2
suponiendo que la funci on espectral generalizada de la se nal de entrada sea similar a (4.35),
entonces, la respuesta a impulso del ltro sintetizado es del tipo:
h
2
(t) = k
2
(t) x(t) =
cos ft sin (f
c
+f
T
) t
t (1 4f
2
t
2
)
o pasando a frecuencia angular se halla que:
h
2
(t) =
(sin
c
t + sin
T
t)
2t (
2
2
t
2
)
El calculo de los coecientes de peso del ltro dado se lleva a cabo de acuerdo con (3).
Como resultado se obtiene que:
h
n
=
1
f
s
h
2
_
n
f
s
_
=
1
f
s
cos f
_
n
f
s
_
sin (f
c
+f
T
)
_
n
f
s
_
_
n
f
s
_
_
1 4f
2
_
n
f
s
_
2
_
=
cos n
d
sin n (2
c
+
T
)
_
n
f
s
_
n (1 4
2
d
n
2
)
donde
= f/f
s
,
c
= f
c
/f
s
,
T
= f
T
/f
s

d
= f/f
s
La indeterminacion en el calculo del valor de h
n
se resuelve mediante la regla de LHopital,
de la cual se obtiene que h
0
= 2
c
+
d
= (f
T
+f
c
) /f
s
. Como resultado, la funci on de
transferencia H
2
(f) del ltro sintetizado se determina por la relacion:
[H
2
(f)[ =
_
_
1, [f[ f
c
0, [f[ f
T
1
2
_
1 + cos
(f +f
c
)
f
_
, f
c
f f
T
1
2
_
1 + cos
(f +f
c
)
f
_
, f
T
f f
c
3. Sea la funci on
[K
3
(f)[ =
_
_
2
f
cos
2
f
f
, f
f
2
0, f >
f
2
Al emplear el metodo de sntesis dado y, como en los ejemplos anteriores, teniendo en
cuenta la funci on espectral generalizada de la se nal de entrada, se obtiene
K
3
(t) =
1
1 f
2
t
2
sinc ft
h
3
(t) = k
3
(t) x(t) =
1
1 f
2
t
2
sinc ft sin (f
c
+f
T
) t
2
ft
2
=
1
1 f
2
t
2
h
1
(t)
donde h
1
(t) es la respuesta a impulso del ejemplo del caso 1.
La funci on de transferencia H
3
(t) del ltro se obtiene en la forma:
[H
3
(f)[ =
_
_
1, [f[ f
0, [ f[ > f
1
2
sin
__
2
f f
c
f
_
+
f
T
f
f
_
, f
c
< f f
T
1
2
sin
__
2
f +f
c
f
_
+
f
T
f
f
_
, f
T
< f f
c
4. Sea la funci on k (f) con funci on de transferencia del tipo:
K
4
(f) =
_
_
3
4f
cos
3
f
f
, [f[
f
2
0, [f[ >
f
2
realizando transformaciones similares a las llevadas a cabo antes, se encuentra que
k
4
(t) =
9
(9 4f
2
t
2
)
cos ft
(1 4f
2
t
2
)
h
4
(t) = k
4
(t) x(t) =
9
(9 4f
2
t
2
)
_
cos ft sin (f
c
+f
T
) t
(1 4f
2
t
2
) t
_
=
9
(9 4f
2
t
2
)
h
2
(t)
donde la funci on h
2
(t) es del mismo tipo a la obtenida en el punto 2.
5. Sea la transformada de la funci on en la forma:
[K
5
(f)[ =
_
_
3
2f
_
1
4f
2
f
2
_
, [f[
f
2
0, [f[ >
f
2
La funci on de peso para el ltro sintetizado, teniendo en cuenta la se nal de entrada dada
en los anteriores ejemplos, es de la forma
h
5
(t) = k
5
(t) x(t) =
3
2
4
f
4
(sin (f
c
+f
T
) t (2 sinft 2ft cos ft))
La pendiente de cada de la respuesta de frecuencia de este ltro, en la banda de frecuencia
f
c
f f
T
, se determina por el polinomio de tercer orden y resulta ser cercana a la
pendiente de cada de la funci on del ltro H
2
(f).
Problemas
Problema 4.8. Sintetizar, mediante el metodo de series de Fourier, el ltro pasabajos con magnitud:
H(e
jT
)
, [[ c
0, c < [[
d
/2
(4.36)
siendo c y
d
los valores de la frecuencia de corte y discretizacion, respectivamente.
Ejercicio en el CP 4.6. Realizar una aplicacion que de forma automatica determine los parametros
de la ventana de kaiser (4.19) dados los requerimientos del ltro pasabajos.
4.4. Filtraci on por descomposici on lineal 213
4.4. Filtraci on por descomposici on lineal
4.4.1. Bancos de ltros
Un banco de ltros de dos canales consta de un par de ltros de sntesis o reconstrucci on (h el pasabajo
y g el pasaalto), y otro par de ltros de an alisis o descomposici on (
h el pasabajo y g el pasaalto), como

se muestra en la Figura 4.15. La salida de la etapa de an alisis se obtiene al descomponer la entrada
en dos canales, realizando las operaciones de convoluci on y submuestreo (k = 2) para cada canal.
El proceso se invierte en la etapa de sntesis, realizando el sobremuestreo (k = 1/2) convoluci on de
cada canal y, luego, sumando ambos canales. Los ltros h y g se asumen del tipo con respuesta nita
a impulso (3.61). La estructura se dice que es un banco de ltros con reconstrucci on perfecta si los
ltros son escogidos de forma que la salida de la etapa de sntesis es igual a la entrada en la etapa de
an alisis [31].

Sntesis An alisis
h
g
2
2
2
2
h
g
Figura 4.15. Forma directa de un banco de ltros de dos canales.
Banco ortogonal de ltros. Sea un ltro de respuesta a impulso nita, que se descompone en las
sucesiones: componente de frecuencias bajas, h[n] : n = 0, . . . , L1, y componente de frecuencias
altas, g[n] : n = 0, . . . , L 1, tales que sean ortogonales a sus propias traslaciones,
h[n 2k], h[n 2l]) =
kl
g[n 2k], g[n 2l]) =
kl
adem as, se cumple para h y g, que sus respectivas traslaciones sean mutuamente ortogonales,
h[n 2k], g[n 2l]) = 0
Entonces, el conjunto ortonormal h[n 2k], g[n 2l]
k,lZ
es una base para el espacio
2
, el cual
es completo, es decir, se cumple la relaci on de Parseval (1.26)
|x[n]|
2
=
kZ
[x[n], h[n 2k])[
2
+
lZ
[x[n], g[n 2l])[
2
Por lo tanto, cualquier sucesi on de
2
puede ser escrita como
x[n] =
kZ
k
h[n 2k] +
lZ
l
g[n 2l] (4.37)
donde los coecientes se determinan, respectivamente como,
k
= h[n 2k], x[n]) , k Z,
l
= g[n 2l], x[n]) , l Z (4.38)
Los coecientes
k
corresponden a la proyecci on ortogonal del espacio de entrada
2
sobre el
subespacio generado por h[n 2k]
kZ
y notado como V
0
, para el cual h[n 2k]
kZ
forma
una base ortonormal. De manera similar,
l
es la proyecci on ortogonal del espacio de entrada
2
en
el subespacio W
0
generado por g[n 2l]
lZ
. Los espacios V
0
y W
0
son ortogonales y la suma
directa forma el espacio
2
, as
2
= V
1
= V
0
W
0
(4.39)
Entonces, un banco ortogonal de ltros divide el espacio de entrada en el espacio de aproximaci on
V
0
(pasabajo), y su complemento ortogonal W
0
(pasaalto). De forma iterativa, se obtiene a a partir
de (4.39) se tiene que, V
j+1
= V
j
W
j
, y por lo tanto,
V
j+1
= V
0
l=0
W
l
(4.40)
La representaci on (4.40) se conoce como an alisis de resoluci on m ultiple, y se consigue al conectar
en cascada varios bancos de ltros en la etapa pasabajo como se muestra en la Figura 4.16.
h
g 2
2
h
g 2
2
h
g 2
2
Figura 4.16. Construcci on de tres niveles de resoluci on con un banco de ltros.
La representaci on gr aca de la ecuaci on (4.37) se hace a trav es del esquema mostrado en la Figura
4.15, donde los ltros de an alisis

h y g son versiones invertidas en el tiempo de h y g respectivamente,
as,

H(z) = H(z
1
),

G(z) = G(z
1
).
De forma general, para el caso de banco ortogonal de ltros, las componentes h y g tienen igual
longitud de proceso. De hecho, una forma de obtener el ltro g a partir de h es mediante la respectiva
transformada , as
G(z) = z
L+1
H(z
1
)
As por ejemplo, sea h[n] = a, b, c, d, luego, g[n] = d, c, b, a. Esta forma especial de
obtener el ltro pasaalto a partir del pasabajo se conoce como ltro espejo en cuadratura. En general,
el empleo de los bancos ortogonales limita la selecci on de los ltros, en la medida en que h y g deben
tener el mismo orden.
Banco biortogonal de ltros. De manera similar al banco ortogonal de ltros, se dene el par de
componentes de ltraci on pasabajo h y pasaalto g que sean ortogonales a sus propias traslaciones,
pero que no sean mutuamente ortogonales. Adem as, se dene un ltro pasabajo

h y un ltro pasaalto
g que sean ortogonales a sus propias traslaciones, pero que no sean mutuamente ortogonales, tal que
cumplen las siguientes condiciones [32]:
h[n 2k], h[n 2l]) =

kl
g[n 2k], g[n 2l]) =
kl
h[n 2k], g[n 2l]) = g[n 2k], h[n 2l]) = 0

En el banco biortogonal de ltros se puede tener un par de expresiones similares a (4.37) y a (4.38),
usando el conjunto de bases duales

h y g y las bases h y g. Entonces, cualquier sucesi on de
2
se
escribe como
x[n] =
kZ
k

h[n 2k] +
lZ
l
g[n 2l]
donde
k
= h[n 2k], x[n]) , k Z,
l
= g[n 2l], x[n]) , l Z. Esto es, cualquier sucesi on de
2
puede ser escrita como
x[n] =
kZ

k
h[n 2k] +
lZ
l
g[n 2l] (4.41)
donde

k
=
h[n 2k], x[n]), k Z (4.42a)
l
= g[n 2l], x[n]), l Z (4.42b)
La representaci on de las ecuaciones (4.41), (4.42a) y (4.42b) se muestra en la Figura 4.15 haciendo
H(z) =

H(z) y

G(z) =

G(z). Al igual que en el caso del banco ortogonal de ltros se puede generar
el an alisis de resoluci on m ultiple en (4.40). As, sean los espacios: V
0
generado por h[n 2k]
kZ
,
W
0
por g[n 2l]
lZ
,

V
0
por
h[n 2k]
kZ
y

W
0
generado por g[n 2l]
lZ
, entonces, se
cumplen las relaciones
V
j
W
j
, W
j
V
j
V
j+1
= V
j
+W
j
,

V
j+1
=

V
j
+

W
j
donde + es la suma directa.
4.4.2. Descomposici on polif asica
El desarrollo directo de un banco de ltros como se ilustra en la Figura 4.15 es ineciente, puesto que
la mitad de las muestras calculadas por la convoluci on en la etapa de an alisis son descartadas por las
operaciones de submuestreo, as mismo, existen deciencias similares en la etapa de sntesis.
En la descomposici on polif asica, la operaci on equivalente conjunta de ltraci on y submuestreo
se obtiene al sumar las contribuciones de las convoluciones de los t erminos pares de la sucesi on de
entrada con los t erminos pares m as los t erminos impares de la entrada con los t erminos impares del
ltro [33], tal como se observa en la Figura 4.17.
El primer paso de esta representaci on es dividir la se nal en componentes pares X
P
e impares X
I
.
_
__
z 2
2
hP
gP
hI
gI
X
XP
XI
XL
XH
Figura 4.17. Estructura polif asica de un banco de ltros de dos canales.
En la representaci on de la transformada z esta divisi on se logra al escribir,
X(z) = X
P
(z
2
) +z
1
X
I
(z
2
). (4.43)
donde X
P
(z) =
n
x[2n]z
n
y X
I
(z) =
n
x[2n + 1]z
n
.
La descomposici on (4.43) se puede escribir de forma vectorial,
X(z) =
_
X
P
(z)
X
I
(z)
_
A partir de la ecuaci on (3.36), la componente X
P
se obtiene submuestreando por 2, mientras, la
componente X
I
es obtenida de la se nal original al desplazarla primero una unidad de tiempo a la
izquierda, y luego submuestreando por 2. Usando las relaciones (3.34) y (3.36), se tiene que
X
P
(z) =
1
2
_
X(z
1/2
) +X(z
1/2
)
_
, (4.44a)
X
I
(z) =
z
1/2
2
_
X(z
1/2
) X(z
1/2
)
_
(4.44b)
2
2
X(z) XP (z)
XI (z)
z
(a) Divisi on
_
2
2
X(z)
XP (z)
XI(z)
z
1
(b) Reconstrucci on
Figura 4.18. Descomposici on X(z) a de partir de las componentes pares e impares
La operaci on inversa se obtiene al leer la ecuaci on (4.43) de derecha a izquierda. Esta ecuaci on
muestra que se puede obtener X(z) de X
P
(z) y X
I
(z) primero sobremuestreando las dos componen-
tes por 2, y luego desplazando X
I
una unidad de tiempo hacia la derecha (al multiplicar por z
1
), y
nalmente sumando las dos componentes. La descomposici on (4.44a) y (4.44b) en t erminos de X(z)
se muestra en la Figura 4.18(a), mientras la reconstrucci on se muestra en la Figura 4.18(b).
La representaci on polif asica de un ltro H est a dada por H(z) = H
P
(z
2
)+z
1
H
I
(z
2
), donde H
P
contiene los coecientes pares y H
I
contiene los coecientes impares. La representaci on matricial de
H tiene la forma,
H(z) = [H
P
(z) H
I
(z)] =
_
k
h[2k]z
k
k
h(2k + 1)z
k
_
por lo que las matrices polif asicas de an alisis y sntesis se denen como
P
a
(z) =
_
H
P
(z)

H
I
(z)
G
P
(z)

G
I
(z)
_
, P
s
(z) =
_
H
P
(z) G
P
(z)
H
I
(z) G
I
(z)
_
.
y las etapas de an alisis y sntesis (ver Figura 4.19) se expresan como
_
X
L
(z)
X
H
(z)
_
= P
a
(z)
_
X
P
(z)
X
I
(z)
_
,
_
X
P
(z)
X
I
(z)
_
= P
s
(z)
_
X
L
(z)
X
H
(z)
_
_
2
2
X XP
XI
Pa
z
Ps
XH
XL
XL
XH
2
2
z
1
X
XP
XI
Figura 4.19. Forma polif asica de un banco de ltros de dos canales.
La condici on de reconstrucci on perfecta, para la representaci on polif asica, est a dada por el produc-
to, P
s
(z)P
a
(z) = I, por lo que P
a
(z) = P
s
(z)
1
, as
P
a
(z) = P
s
(z)
1
=
1
(H
P
(z)G
I
(z) H
I
(z)G
P
(z))
_
G
I
(z) G
P
(z)
H
I
(z) H
P
(z)
_
Ejemplo 4.8. El ejemplo mas trivial de una matriz polif asica es P
s
(z) = I. En este caso,
H(z) =

H(z) = 1, G(z) =

G(z) = z
1
La aplicaci on de la matriz identidad divide la se nal en muestras pares e impares, que se conoce
como transformada polif asica.
4.4.3. Estrategias de actualizaci on
Los esquemas de actualizaci on son una modicaci on al par de ltros con reconstrucci on perfecta,
(h, g), que pueden ser usados para cambiar las propiedades de los ltros [34, 35, 36]. Tomando como
base inicial la transformada polif asica, se utilizan actualizaciones sucesivas para construir de forma
gradual un banco de ltros con propiedades particulares; estructura que puede ser extendida para
obtener el an alisis resoluci on m ultiple.
Denici on 4.1. Se dice que un par de ltros h, g son complementarios cuando la matriz P
s
(z)
tiene determinante 1. Si h, g son complementarios, entonces

h, g tambien lo son. De esta manera,
se determinan los esquemas de actualizaci on.
Actualizaci on primaria. Sean h, g complementarios, entonces la transformada Z de cualquier otro
ltro nito

h
t
complementario a g es de la forma
H
t
(z) =

H(z)

G(z)S(z
2
),
donde S(z) es un polinomio de Laurent. Los componentes polif asicos de

G(z)S(z
2
) son

G
P
(z)S(z)
para los pares, y

G
I
(z)S(z) para los impares. Usando la representaci on polif asica, se tiene que la
respectiva matriz en la etapa de an alisis es
P
t
a
(z) =
_
H
t
P
(z)

H
t
I
(z)
G
P
(z)

G
I
(z)
_
=
_
1 S(z)
0 1
_ _
H
P
(z)

H
I
(z)
G
P
(z)

G
I
(z)
_
Esta operaci on no cambia el determinante de la matriz polif asica.
De manera similar, en la etapa de sntesis, se tiene
G
t
(z) = G(z) +H(z)S(z
2
),
donde los componentes polif asicos de H(z)S(z
2
) son H
P
(z)S(z) para los pares, mientras H
I
(z)S(z)
para los impares. En la etapa de sntesis, la matriz polif asica toma la forma
P
t
s
(z) =
_
H
P
(z) G
t
P
(z)
H
I
(z) G
t
I
(z)
_
=
_
H
P
(z) G
P
(z)
H
I
(z) G
I
(z)
_ _
1 S(z)
0 1
_
Actualizaci on dual. Sean h, g complementarios. Entonces la transformada Z, para cualquier otro
ltro nito g
t
complementario a

h, es de la forma
G
t
(z) =

G(z)

H(z)T(z
2
),
donde T(z) es un polinomio de Laurent. Usando la representaci on polif asica se tiene
P
t
a
(z) =
_
H
P
(z)

H
I
(z)
G
t
P
(z)

G
t
I
(z)
_
=
_
1 0
T(z) 1
_ _
H
P
(z)

H
I
(z)
G
P
(z)

G
I
(z)
_
De otra parte, para la etapa de sntesis, es cierta la relaci on
H
t
(z) = H(z) +G(z)T(z
2
)
por lo que la matriz polif asica en la etapa de sntesis es
P
t
s
(z) =
_
H
t
P
(z) G
P
(z)
H
t
I
(z) G
I
(z)
_
=
_
H
P
(z) G
P
(z)
H
I
(z) G
I
(z)
_ _
1 0
T(z) 1
_
La Figura 4.20(b) muestra la representaci on esquem atica de la actualizaci on primaria, mientras
la Figura 4.20(a) muestra la representaci on esquem atica de la actualizaci on dual. En la pr actica, la
actualizaci on primaria se conoce simplemente como actualizaci on y se representa por la funci on U,
mientras que a la actualizaci on dual se le conoce como predicci on y es representada por la funci on P.
_
_ _
2
2
h
g
2
2
h
g
T(z) T(z)
(a) dual
_ _
_
2
2
h
g
S(z) S(z)
2
2
h
g
(b) primaria
Figura 4.20. Esquemas de actualizaci on
4.4.4. Factorizaci on de la matriz polif asica
En general, cualquier par de ltros nitos (banco de ltros) puede ser obtenido a partir de la transfor-
mada polif asica seguida por un n umero nito m de pasos alternantes de actualizaci on y predicci on,
adem as de una etapa de escalamiento o normalizaci on [33, 37].
Sea un par de ltros complementarios h y g, entonces existen los polinomios de Laurent S
I
(z) y
T
I
(z) para 1 i m y con la constante de normalizaci on K diferente de cero, tales que
P
a
(z) =
Normalizaci on
..
_
K 0)
0 1/K
_
1
i=m
_
_
_
1 S
I
(z)
0 1
_
. .
Actualizaci on
Predicci on
..
_
1 0
T
I
(z) 1
_
_
_
De manera similar, la matriz polif asica para la etapa de sntesis est a dada por
P
s
(z) =
m
i=1
_
_
Predicci on
..
_
1 0
T
I
(z) 1
_ _
1 S
I
(z)
0 1
_
. .
Actualizaci on
_
_
Normalizaci on
..
_
1/K 0)
0 K
_
La matriz polif asica, para encontrar S
I
(z) y T
I
(z) se descompone, utilizando la actualizaci on pri-
maria en la forma
P
a
(z) =
_
H
P
(z)

H
I
(z)
G
P
(z)

G
I
(z)
_
=
_
H
P
(z)

H
t
I
(z)
G
P
(z)

G
t
I
(z)
_ _
1 S(z)
0 1
_
(4.45)
por lo que se tienen que encontrar los polinomios de Laurent S(z),

H
t
I
(z) y

G
t
I
(z), tales que
H
I
(z) =

H
t
I
(z) S(z)

H
P
(z), (4.46a)
G
I
(z) =

G
t
I
(z) S(z)

G
P
(z), (4.46b)
por lo cual, los grados de respectivos polinomios cumplen la condici on,
deg
_
H
t
I
(z)
_
< deg
_
H
I
(z)
_
,
deg
_
G
t
I
(z)
_
< deg
_
G
I
(z)
_
.
Las ecuaciones (4.46a) y (4.46b) corresponden al esquema de divisi on con residuo para polinomios
de Laurent, con cociente com un S(z), es decir, el algoritmo Eucldeo aplicado a

H
t
I
(z) y

H
P
(z). El
mismo algoritmo Eucldeo puede ser aplicado a

G
I
(z) y

G
P
(z), como consecuencia de la condici on
de reconstrucci on perfecta.
Las Figuras 4.21(a) y 4.21(b) representan las diferentes etapas de la transformada directa e inversa
polif asica. La reconstrucci on perfecta se obtiene inmediatamente, en la medida en que las operaciones
realizadas durante la transformada inversa se consiguen de forma simple realizando la transformada
directa en direcci on contraria. Esta factorizaci on tambi en se puede realizar utilizando los operadores
P (actualizaci on dual) y U (actualizaci on primaria) como se muestra en la Figura 4.22. De manera
similar, se aplica para la transformada inversa. Cabe anotar que para la construcci on de la etapa de
an alisis de un banco de ltros, usando esquemas de actualizaci on con las funciones U y P, se utiliza
la suma en vez de la resta, U = S(z).
_
_
2
X
2 z
XP
XI
1/K
K
XL
XH
U P
Figura 4.22. Implementaci on de los esquemas de actualizaci on con las funciones U y P.
XL
XH
_
_
_
_
`
`
`
2
X
2
z
XP
XI
1/K
K
S
1
(z)
S
m
(z) T
m
(z)
T
1
(z)
(a) Etapa de an alisis
_
_
_
_ _

`
`
`
`

`
.
XH
XL K
1/K
T
m
(z)
S
m
(z) T
1
(z) S
1
(z)
2
2
z
1
XI
X XP
(b) Etapa de sntesis
Figura 4.21. Banco de ltros usando esquemas de actualizaci on.
Construcci on de la transformada wavelet. La selecci on adecuada de los ltros h y g permite
la construcci on de la transformada wavelet. De hecho cualquier transformada wavelet ortogonal o
biortogonal puede ser construida a trav es de esquemas de actualizaci on, donde el orden del ltro
est a relacionado con el n umero de momentos de desvanecimiento de las wavelets. Esto no solamente
mejora los tiempos de c alculo para la transformada wavelet, sino que mostrar a su utilidad en los
esquemas adaptativos pues cambiando los par ametros de los ltros es posible modicar los par ametros
de las wavelets (momentos de desvanecimiento, soporte).
Ejemplo 4.9. Construir la transformada wavelet a partir de esquemas de actualizaci on para
funci on madre de Haar.
El par de ltros de an alisis para la transformada wavelet Haar son
H(z) =
1
2
z
1
+
1
2
,

G(z) =
1
2
z
1
2
.
La correspondiente matriz polif asica es
P
a
(z) =
_
_
1
2
1
2
1
2
_
_.
cuya descomposici on, usando la actualizaci on dual es
P
a
(z) =
_
P
(z)
1
P
(z)
1
2
_
_
_
1 0
T(z) 1
_
por lo que se deben encontrar los polinomios de Laurent T(z),

H
P
(z) y

G
P
(z), tales que
1
2
=

H
P
(z) +T(z)
_
2
_
2
=

G
P
(z) +T(z)
_
2
_
Por lo tanto, se calcula el cociente T(z) y el residuo

H
P
(z) de la divisi on. Como resultado, se
tiene que T(z) = 1,

H
P
(z) = 2/
2, entonces,

G
P
(z) = 0, con lo cual,
P
a
(z) =
_
_
2
2
1
2
0
1
2
_
_
_
1 0
1 1
_
Luego, teniendo en cuenta la ecuacion (4.45) se obtiene
1
2
=

H
I
(z) S(z)
_
2
2
_
,
1
2
=

G
I
(z) S(z) (0) ,
De lo anterior, se observa que S(z) = 1/2,

H
I
(z) = 0 y

G
I
(z) = 1/
2, por lo que se tiene

P
a
(z) =
_
_
2
2
0
0
1
2
_
_
_
1
1
2
0 1
_
_
1 0
1 1
_
=
_
K 0
0
1
K
__
1
1
2
0 1
_
_
1 0
1 1
_
, K =
2 (1)
De la ecuacion (1), se tiene que para la implementaci on de la Tw Haar el operador de prediccion
es P = T(z) = 1 (Dual lifting), mientras que el polinomio que actualiza las muestras pares
es U = S(z) = 1/2 (Primal lifting). La normalizacion se hace asignando K =
2. En la
Figura 4.23 se observa la implementaci on de la Tw Haar por esquemas de actualizaci on.
La implementaci on de la Tw Haar directa, dada la se nal discreta x[n], entonces, toma la forma
x
P
[n] = x[2n]
x
I
[n] = x[2n + 1]
x
(1)
I
[n] = x
I
[n] P (x
P
[n]) = x
I
[n] x
P
[n]
x
(1)
P
[n] = x
P
[n] +U
_
x
(1)
I
[n]
_
= x
P
[n] +
1
2
x
(1)
I
[n]
Como resultado se tiene que
x
L
[n] = Kx
(1)
P
[n] =
2x
(1)
P
[n]
x
H
[n] =
1
K
x
(1)
I
[n] =
1
2
x
(1)
I
[n]
_
_
_
_
_

`
`

`
`
X
z
2
2
XI
XP
XH
XL
1
2
X
(1)
I
X
(1)
P
Normalizaci on
1 1/2
1
2
Normalizaci on
1/2 1
z
1
2
2
X
XP
X
(1)
I
X
(1)
P
XI
XL
XH
Actualizaci on dual
Actualizaci on primaria
Actualizaci on primaria
Actualizaci on dual
Figura 4.23. Transformada wavelet Haar directa e inversa usando esquemas de actualizaci on.
que muestra como el esquema de actualizaci on cumple con la reconstruccion perfecta. As
x
(1)
I
[n] = Kx
H
[n] =
2x
H
[n]
x
(1)
P
[n] =
1
K
x
L
[n] =
1
2
x
L
[n]
x
P
[n] = x
(1)
P
[n] U
_
x
(1)
I
[n]
_
= x
(1)
P
[n]
1
2
x
(1)
I
[n]
x
I
[n] = x
(1)
I
[n] +P (x
P
[n]) = x
(1)
I
[n] +x
P
[n]
x[2n + 1] = x
I
[n]
x[2n] = x
P
[n]
Esta factorizacion ofrece un gran n umero de ventajas tales como su baja complejidad compu-
tacional y presenta una gran facilidad para incluir esquemas adaptativos.
Captulo 5
Estimaci on espectral
R. Henao
Universidad Tecnol ogica de Pereira
E
l principal objetivo del an alisis espectral consiste en la estimaci on de la densidad espectral de
potencia de alg un proceso aleatorio, as como en la detecci on de la presencia, en un determina-
do intervalo de tiempo, de alg un proceso aleatorio cclico con par ametros determinados [38].
La estimaci on espectral, mediante t ecnicas de proceso digital, se realiza de forma secuencial, usando
t ecnicas de an alisis corto en el tiempo. En general, se considera que la precisi on en la estimaci on
espectral, depende b asicamente de dos factores: el intervalo de observaci on y la informaci on a priori
que se pueda disponer sobre el proceso aleatorio.
5.1. Representaci on espectral de procesos aleatorios
Las deniciones de las diferentes caractersticas de aleatoriedad, en general, suponen que la cantidad
de informaci on dispuesta sobre cualquier se nal aleatoria es completa. No obstante, debido a restric-
ciones de costos, tiempo y posibilidad de tomar toda la informaci on sobre los objetos pertenecientes
a la se nal aleatoria en an alisis, en realidad, se tiene alguna trayectoria x o conjunto de segmentos
x
i
tomados de la variable observada . Por esto, es necesario calcular, de manera aproximada, ca-
da caracterstica a partir de la trayectoria en disposici on. En particular, a partir del an alisis mediante
un funcional g
(x
i
) sobre los resultados experimentales de una observaci on dada con longitud n,
x
i
: i = 1, . . . , n se obtiene la caracterstica estadstica o estimaci on

del valor aleatorio :
= g
(x
1
, . . . , x
n
)
Las propiedades probabilsticas de

dependen de la estructura de aleatoriedad de cada variable
x : x
1
, . . . , x
n
, de la longitud de la observaci on n y del tipo del operador funcional g
(x
i
) em-
pleado para el an alisis de las trayectorias. En este sentido, usualmente, la precisi on en la aproximaci on
del c alculo de la caracterstica se describe por la potencia del error denida como
2
= E
_
(
)
2
_
(5.1)
donde E es el operador de valor medio.
225
226 Captulo 5. Estimaci on espectral
5.1.1. Descomposici on de Karhunen-Lo` eve
Sea (t) un proceso estacionario, dado en el intervalo (0, T), con descomposici on ortogonal, (1.17):
(t) =
n=0
n
(t) (5.2)
donde los coecientes de descomposici on, en concordancia con (1.23), se determinan como:
n
=
1
c
n
T
_
0
(t)
n
(t) dt, c
i
=
T
_
0
2
n
(t) dt (5.3)
Sin embargo, a diferencia de la representaci on (1.20), los coecientes de (5.3) son aleatorios, por
lo que la convergencia de la suma en (5.2) se debe entender en el sentido del valor medio cuadr atico:
lm
N
E
_
_
_
(t)
n=0
n
(t)
2
_
_
_
= 0
El valor de la esperanza del error cuadr atico medio integral (potencia media de error, (5.1)), en la
representaci on (1.20), est a dado por:
E
_
_
_
T
_
0
_
(t)
N1
n=0
n
(t)
_
2
dt
_
_
_
(5.4)
En general, se plantea la b usqueda de un conjunto optimo de funciones base con dimensi on p, dado
en L
2
(T), para la representaci on discreta nita de la forma (1.20) a partir de diversas observaciones
de un proceso aleatorio (t) , t T, de tal manera que la norma del error en L
2
(T), promediada
sobre el conjunto de observaciones, sea la menor posible. En particular, de (5.4) se tiene que:

2
T
=
_
T
E (t)
(t) dt
p
i=1
_
T
_
T
E (t)
(t)
i
(t)
i
() dtd
=
_
T
R
(t, )dt
p
i=1
_
T
_
T
R
(t, )
i
(t)
i
()dtd (5.5)
donde R
() corresponde a la funci on de correlaci on propia y denida como

R
() = E (t)
(t +) (5.6)
El primer t ermino de (5.5) no depende del conjunto base =
i
, por lo que la tarea se resume a
hallar las p funciones ortogonales que maximizan la cantidad
p
i=1
_
T
_
T
R
(t, )
i
(t)
i
()d =
p
i=1
A
i
(t),
i
(t))
5.1. Representaci on espectral de procesos aleatorios 227
que corresponde a una suma de funcionales cuadr aticos. La condici on de valor m aximo se puede
encontrar, al tener en cuenta que el n ucleo del operador integral A
, denido como,
A
(t) =
_
T
R
(t, )()d (5.7)

el cual corresponde a la funci on de correlaci on propia, (5.6), de un proceso con valor medio cuadr atico
nito. El operador (5.7) tiene las siguientes propiedades:
(a). Integraci on cuadr atica del n ucleo,
_
T
_
T
[A (t, )[
2
dtd <
(b). Simetra, A(t, ) = A
(t, ), que resulta de las propiedades de la funci on de correlaci on

propia, R
(t, ) = R
(, t).
(c). Naturaleza positiva denida, A, ) = E
_
|, |
2
_
0.
De las anteriores propiedades resulta lo siguiente:
1. Los valores propios de la soluci on (5.7) conforman una sucesi on cuadr atica sumatoria de t ermi-
nos reales positivos y los cuales se pueden disponer en su orden de decrecimiento:
1

2
,
i

i+1

2. El n ucleo se puede representar por una serie mon otona convergente por las funciones propias
=
i
del operador A
, de la forma:
R
(t, ) =
i=1
i
(t)
i
() (5.8)
3. Las funciones propias pueden ser ortonormales, de tal forma que se cumpla (1.18):
A
i
,
k
) =
i
i
,
k
) =
i
ik
(5.9)
En general, en [39] se demuestra que al emplear el operador A
para cualquier conjunto base
i
, es cierto que,
p
i=1
A
i
,
i
)
p
i=1
A
i
,
i
) =
p
i=1
i
La expresi on (5.5) para el conjunto base optimo hallado toma la forma,

2
T
=
_
T
R
(t, ) dt
p
i=1
A
i
,
i
) (5.10)
en la cual, al reemplazar (5.8) y (5.9) se obtiene que:

2
T
=
i=1
i
,
i
)
p
i=1
i
=
i=p+1
i
(5.11)
De lo anterior, se concluye que el subespacio con dimensi on p en L
2
(T), que sea optimo para la
representaci on de un proceso aleatorio en t T, se da por las p funciones propias de la ecuaci on
_
T
R
(t, )
i
()d =
i
i
(t) (5.12)
las cuales corresponden a los p mayores valores de
i
. Por cierto, debido a que el error cuadr atico
medio de representaci on
2
T
corresponde a la suma residual de los valores propios, entonces el error
de aproximaci on se puede variar aumentando o disminuyendo el ndice inferior p de la respectiva
suma en (5.11). As, aumentando el valor de T tambi en aumenta los valores propios en general, luego
es necesario mayor cantidad p de t erminos de la descomposici on para obtener la precisi on deseada.
La descomposici on de se nales aleatorias con funci on de correlaci on continua en la serie (5.2),
(t)
n
i=1
i
(t) , t T , en la cual el conjunto base optimo de representaci on (5.10) son las
funciones propias, corresponde a la descomposici on de Karhunen-Lo` eve (K-L).
Los coecientes (5.3)
i
son ortogonales, por cuanto
E
m
l
= E (t) ,
m
(t)) (t) ,
l
(t))
=
_
T
_
T
R
(t, )
m
(t)
l
(t) dtd
=
l
ml
De otra parte, si se tiene un proceso aleatorio con valor medio (t) = 0, entonces los coecientes,
tambi en tendr an valor medio
i
= 0, i y correlaci on nula (son linealmente independientes).
Aunque la descomposici on K-L brinda la menor cantidad de elementos en la representaci on de pro-
cesos aleatorios por medio de la serie (1.17), para un valor dado de error
2
T
, sin embargo, su empleo
est a limitado, principalmente por las siguientes razones: la funci on de correlaci on de cualquier pro-
ceso aleatorio, generalmente es desconocida y el procedimiento de soluci on de (5.12) no es conocido
en forma general. Usualmente, en calidad de funciones base se emplean las funciones ortogonales del
tipo Fourier, polinomios de Chebyshev, Lagrange, Funciones de Walsh y Haar, entre otras.
Las funciones base exponenciales de Fourier (1.28),
i
(t) = e
ji
0
t
, son optimas para la represen-
taci on de procesos aleatorios estacionarios cclicos (t), para los cuales se cumple que
E (t +kT) = E (t) = m
1
(t) ,
R
(t
1
+kT, t
2
+mT) = R
(t
m
, t
2
)
En este caso, los coecientes de descomposici on
i
tienen correlaci on nula y su varianza, tenien-
do en cuenta las expresiones (5.10) y (5.12) est a dada como:
i
=
_
T
R
() exp (ji
0
) d
Las funciones base de Fourier no son optimas para se nales aleatorias no cclicas estacionarias y sus
coecientes de descomposici on son correlacionados. Aunque, para procesos erg odicos, si T ,
los coecientes de Fourier tienen correlaci on nula y la TF se aproxima a la descomposici on K-L.
Ejercicio en el CP 5.1. Dados el vector se nal u = u[l] : l = 1, . . . , L, perturbado con ruido
blanco, y el ltro RIF de orden M, la transformada K-L consiste en calcular la matriz de correlaci on
propia y sus vectores propios:
L=4096; % longitud de la senal
M=16; % longitud del filtro RIF
n=1:L; u=sin(2
*
pi
*
n/L);
r = random(Normal,0,.1,1,L); % ruido
u=u+r; plot(u); % senal de analisis
ruu=xcorr(u,u)/L;
Ruu=toeplitz(ruu(L:L+M-1)); % matriz de correlacion
[V,lambda]=eig(Ruu);
H=V
*
diag(sqrt(diag(lambda.(-1))))
*
V % matriz de transformacion
5.1.2. Densidad espectral de energa
Sea
c
(t) una se nal aleatoria de energa, es decir, que cumple la desigualdad (1.1), para la cual se
dene el par de transformadas de Fourier, (1.59) y (1.60), entonces, a partir del teorema de Parseval
(1.67), se tiene
c
=
_

[
c
(t)[
2
dt =
_

[
c
(f)[
2
df
La cantidad [
c
(f)[
2
representa la distribuci on de energa de la se nal aleatoria en funci on de la
frecuencia, y por consiguiente, corresponde a su densidad espectral de energa,
s
x
(f) [
c
(f)[
2
esto es, la energa total de la se nal resulta ser la integral de s
x
(f) sobre todo el dominio de f.
La estimaci on del espectro de una se nal aleatoria continua
c
(t) se puede realizar a partir de una
sucesi on de valores [n], obtenidos como resultado de su discretizaci on uniforme con frecuencia
f
d
. Adem as, para asegurar que no se presenta el fen omeno de transposici on espectral como resultado
del proceso de muestreo, se asume que la se nal se ltra previamente, as que, con prop ositos pr acticos
su ancho de banda se limita a f
max
[Hz], luego, la frecuencia de muestreo f
d
, acordes al teorema 3.1,
se selecciona de tal forma que f
d
2f
max
.
La transformada de Fourier de la sucesi on x[n] tiene la forma,
(f) =
n=
[n]e
j2fn
que se relaciona con el espectro de la se nal aleatoria anal ogica
c
(t) como
_
f
f
d
_
= f
d
k=
c
(f kf
d
)
donde n = f/f
d
es la frecuencia normalizada. Por cierto, en ausencia de transposici on de frecuencias,
dentro del rango fundamental de espectro, [f[ f
d
/2, se tiene
_
f
f
d
_
= f
d
c
(f), [f[ f
d
/2
Por lo tanto, el espectro de la se nal aleatoria discretizada es similar al de su hom ologo anal ogico.
Como consecuencia, el espectro de la densidad de energa de la se nal aleatoria discretizada es
s
x
_
f
f
d
_
=
_
f
f
d
_
2
= f
2
d
[
c
(f)[
2
Teorema 5.1. [Wiener-Jinchin] Sea la se nal aleatoria de energa
c
(t) y estacionaria, tal que se
dene la funci on de correlacion propia R
(), en la forma
R
() =
_

c
(t)
c
(t +)dt
Entonces, la funci on s
(f) corresponde a la transformada de Fourier de la funci on de correlacion

propia R
(), esto es,

s
(f) = F R
() (5.13)
De manera inversa, se puede obtener que:
F
1
s
(f) = F
1
F R
() = R
() (5.14)
La correspondiente funci on de correlaci on propia, en general para la sucesi on [n], se calcula como,
r
[k] =
m=
[m][m +k] (5.15)

Luego, teniendo en cuenta (5.13), la densidad espectral de energa se puede estimar a partir de
s
[n] =
k=
r
[k]e
j2kn
(5.16)
La ecuaciones (5.15) y (5.16) corresponden a dos m etodos diferentes para la estimaci on de la den-
sidad espectral de energa de una se nal
c
(t) a partir de su versi on discretizada uniformemente [m].
El primer m etodo, denominado directo, implica el c alculo de la TF de [m] en la forma
s
[n] = [(f)[
2
=
k=
[k]e
j2kn
2
(5.17)
El segundo m etodo, denominado indirecto, requiere dos pasos. Inicialmente, dada la sucesi on
[m], se estima la funci on de correlaci on propia r
[k], luego, en concordancia con (5.16), se halla

la respectiva transformada de Fourier para obtener la densidad espectral de energa.
Sin embargo, en cualquiera de los m etodos de estimaci on, (5.16) o (5.17), surge la restricci on en
cuanto a la cantidad de valores que componen la sucesi on a tomar en cuenta, que en la pr actica debe
ser necesariamente de longitud nita, esto es, [m] : 0 m N 1. Como resultado, se tiene que
el limitar la duraci on de la sucesi on (n) a N puntos, es equivalente a multiplicar la sucesi on inicial
[m] por una ventana rectangular, con lo cual se obtiene la sucesi on truncada

[m],
[m] = [m]w[m] =
_
[m], 0 m N 1
0, en otro caso
con representaci on espectral;
(f) = (f) W(f) =

1/2
_
1/2
()W(f )d
Asumiendo que para la ventana w(n), la apertura N es sucientemente grande, entonces, el espectro
de W(f) es relativamente estrecho comparado con (f), y como resultado de la convoluci on de
la funci on ventana W(f) con (f) se obtiene un espectro suavizado

(f). Incluso, si W(f) es
estrecha comparada con (f), la convoluci on de (f) con los l obulos laterales de W(f) produce
energa de l obulos laterales en

(f) sobre bandas de frecuencia donde (f) = 0. Tal energa, que es
consecuencia de los l obulos laterales de la ventana, se denomina derrame o p erdida espectral.
5.1.3. Densidad espectral de potencia
En general, una alta cantidad de se nales aleatorias, (t), a un siendo estacionarias, no tienen energa
nita y, por lo tanto, es imposible de realizar su descripci on directa en el dominio de la frecuencia,
mediante la transformada de Fourier, principalmente, porque la integral (1.60) implica cumplir las
condiciones de Dirichlet dadas en la secci on 1.3.1, las cuales no pueden ser cumplidas por cualquier
observaci on de proceso estacionario en el sentido amplio, particularmente, la condici on de convergen-
cia exige que el proceso sea absolutamente integrable, condici on que s olo se alcanzara para se nales
aleatorias de contenido cero.
El empleo de la transformada de Fourier exige el cambio en la representaci on para las observaciones
de la se nal estacionaria, de tal manera que la integral (1.60) converja, para lo cual, la forma m as
sencilla consiste en el truncamiento de la trayectoria (t), empleado en el c alculo de sus momentos
de una observaci on sobre un intervalo de tiempo (T, T), mediante la funci on de ponderaci on w(t)
de forma rectangular:
T
(t) = w(t, T) (t) (t) = rect
T
(t) (t) (5.18)
La trayectoria de la se nal aleatoria truncada de (5.18) es v alida, mientras la varianza del proceso
2
sea nita. As, se asegura la convergencia de la integral (1.60). En este sentido, el an alisis espectral
se realiza como se nales de potencia, acorde con la denici on (1.2), y por consiguiente, tales se nales
aleatorias se caracterizan mediante la respectiva densidad espectral de potencia, S
(f), denida en
(1.68), que para el caso de los procesos estacionarios se determina como:
S
() lm
T
E
_
[
T
()[
2
_
2T
(5.19)
Atendiendo a las condiciones de realizaci on fsicas de los procesos aleatorios, la densidad espectral
de potencia tiene, entre otras, las siguientes propiedades:
(a). S
() R, est a determinada en el espacio de los reales,

(b). 0 S
() < , es denida positiva, adem as, acotada,

(c). S
() = S
(), es par. En consecuencia, la representaci on de S
() en forma de funciones
racionales debe contener estrictamente polinomios de potencias pares:
S
() =
s
0
_
2n
+a
2n2
+ +a
2
2
+a
0
_
2m
+b
2m2
+ +b
2
2
+b
0
La expresi on (5.19) es obtenida suponiendo el valor medio igual a cero del proceso aleatorio. Sin
embargo, se puede demostrar que la relaci on puede ser generalizada, obteni endose que:
=
1
2
() d (5.20)
Cabe anotar, que el par conjugado de expresiones (5.13) y (5.14), correspondientes a la Transfor-
mada de Winner-Jinchin tambi en se cumple para el caso de se nales aleatorias de potencia y tiene un
valor fundamental, debido a que establecen la relaci on de la representaci on del proceso aleatorio entre
el plano del tiempo (expresado por la funci on de correlaci on) y el plano de la frecuencia (expresado
mediante la densidad espectral de potencia).
Ejemplo 5.1. Sea la funci on de correlacion R
() =
2
exp([[). Hallar la respectiva densidad

espectral de potencia.
En caso de cumplirse la paridad de la funci on de correlacion, las expresiones (5.13) y (5.14) se
pueden llevar a las respectivas formas:
S
() = 2
_
0
R
() cos d (1)
R
() =
1
_
0
S
() cos d (1a)
Luego, empleando la relacion (1), se tiene que:
S
() =
2
_
0
e
||
cos d =
2
2
_
0
e
d cos d
La anterior integral se puede resolver por tabla:
S
() =
2
2
_
e
2
+
2
(cos + sin )
_
0
=
2
2
2
+
2
En la Figura 5.1, se presentan la funci on de correlacion (parte superior) y la respectiva densidad
espectral de potencia (parte inferior), calculadas ambas para los casos de = 1 y = 0.25 y
asumiendo un valor de varianza unitario.
3 2 1 0 1 2 3
0
0.2
0.4
0.6
0.8
1
3 2 1 0 1 2 3
10
1
10
0
= 0.25
= 0.25
= 1
= 1
Densidad espectral de potencia S
()
Funci on de Correlaci on R
()
Figura 5.1. Resultados del ejemplo 5.1.
5.1.4. Estimaci on de la densidad espectral de potencia
De una parte, la densidad espectral de potencia S
() se identica con la varianza de la descompo-

sici on espectral del proceso estacionario, tal y como se muestra en (5.20). Pero de otra parte, la DEP
corresponde a la transformada inversa de la funci on de correlaci on (5.13). Por lo tanto, la estimaci on
de la DEP se puede realizar mediante ambas formas de representaci on.
En el primer caso, al analizar la DEP como la densidad de la varianza espectral, la estimaci on sobre
una trayectoria de longitud nita del proceso se hace a trav es de la descomposici on en la serie de
Fourier (5.2) de la se nal aleatoria para =
k
, esto es,
() =
1
2T
_
2
k
+
2
k
_
=
1
T
T
_
0
(t) e
jt
dt
2
(5.22)
donde
k
=
T
_
0
(t) cos 2kt/Tdt,
k
=
T
_
0
(t) sin 2kt/Tdt
Debido a la ortogonalidad de la representaci on y al hacer T , entonces, ambos valores
k
y
k
no son correlacionados. Adem as, en los procesos con estructura gaussiana, los valores
k
y
k
tambi en tienen distribuci on gaussiana y, por ende, la estimaci on de

S
(), haciendo T ,
corresponde a la distribuci on
2
con dos grados de libertad, con lo cual se demuestra que la media y
la varianza de la estimaci on corresponden a:
E
_
(
k
)
_
= S
(
k
) (5.23a)
2
e
S
= S
2
(
k
) (5.23b)
Mientras, el valor de la media muestra ausencia de sesgo, la varianza no tiende a cero, raz on por la
cual, la estimaci on (5.22) no se considera consistente.
La segunda forma de representaci on, a partir de (5.13), cuando se realiza empleando una ventana
similar a (5.18) [40], implica la siguiente estimaci on para la DEP:
() =
T
_
T
e
j

R
() d =
T
_
T
_
1
[[
T
_
R
e
j
d (5.24)
Sin embargo, el valor medio de (5.24) muestra un sesgo en la respectiva estimaci on:
E
_
()
_
= E
_
_
_
T
_
T
_
1
[[
T
_

R
e
j
d
_
_
_
=

S
() 2
_
T
cos R
() d
Por cuanto [4],
lm
v
b
_
a
x() cos(v)d = lm
v
b
_
a
x() sin(v)d = 0
entonces, para valores peque no de T, la estimaci on propuesta tiene distorsiones signicativas.
Sea la observaci on (t) , T [a, b] del proceso estacionario. De ambos m etodos de estimaci on
de la densidad espectral de potencia (5.22) y (5.24), se establece la estadstica com un denominada
periodograma, denida por la relaci on:
s(; a, b) =
1
2 (b a)
b
_
a
(t) e
j t
dt
2
que en el caso discreto, cuando
k
T : t
k
, k = 1, . . . , n, toma la forma:
s (; n) =
1
2n
tT
(t) e
jt
2
(5.25)
Sin embargo, la estadstica en (5.25) presenta las misma limitaciones de inconsistencia dadas en
(5.23a) y (5.23b), motivo por el cual el periodograma se convierte en un proceso aleatorio y, para
valores grandes de n presenta fuertes uctuaciones de trayectoria (realizaciones con alto grado de
disimilitud). La ausencia de consistencia en las estimaciones propuestas de densidad espectral de po-
tencia ha generado la necesidad de empleo de diferentes m etodos orientados a aumentar la efectividad
de estimaci on por medio de diversas funciones de peso, que implican su alisamiento.
En general, para una observaci on dada (t
k
) : t
k
T, k = 1, . . . , n se emplea la estadstica,
() =
W
S
( ) s (; n) d (5.26)
La funci on de peso W
S
(), introducida en frecuencia, en (5.26) es similar a la funci on ventana
propuesta para la estimaci on en el tiempo en (5.18), y por lo tanto, se denomina ventana espectral, las
cual se escoge de tal manera que cumpla los siguientes requerimientos:
(a). Localizaci on. W
S
() debe tener un valor m aximo en = 0,
(b). Ausencia de sesgo.
W
S
() d = 1
(c). Consistencia.
2
S
0, cuando n . En particular, se considera el valor asint otico,
lm
n
1
n
W
2
S
() d = 0
Aunque existe una gran cantidad de ventanas propuestas, en la pr actica es com un el empleo de
aquellas funciones de peso que se puedan representar en la clase:
W
n
() = 2
n+1
n+1
k
n
(l) e
jl
donde
k
n
(l) = k (l/m
n
)
siendo m
n
cierta sucesi on creciente no acotada de valores enteros, tales que m
n
/n 0, cuando
n .
Adem as, k (x) es una funci on par acotada, para la cual se cumplen las siguientes restricciones:
(a). k (0) = 1, [k () [ < 1, < 1,
(b). La funci on es cuadrado integrable,
k
2
() d <
En la Tabla 5.1, se muestran ejemplos de ventanas espectrales empleadas en la estimaci on de la
densidad espectral de potencia.
Ventana Modelo
Transformada nita de Fourier W
S
() =
_
m
n
, [[ /m
n
0, [[ > /m
n
(Estimaci on de Daniell)

S
() =
m
n
2
n1
t=n+1
_
1
[t[
n
_

R
(t)
1
t
sin
t
m
n
e
jt
k() = sinc ()
Estimaci on truncada W
S
() = 2 sin
_
2m
n
+ 1
2

__
sin

2
_
1
() =
1
2
mn
t=mn
_
1
[t[
n
_

R
(t) e
jt
k() =
_
1, [[ 1
0, [[ > 1
Estimaci on de Bartlett W
S
() =
sin
2
m
n
2
m
n
sin
2

2
() =
1
2
mn
t=mn
_
1
[t[
n
__
1
[t[
m
n
_

R
(t) e
jt
k () =
_
1 [[ , [[ 1
0, [[ > 0
Estimaci on de Tukey-Hamming (ver estimaci on truncada)
() =
1
2
S
F
() +
1
n
S
F
_

m
n
_
+
1
n
S
F
_
+

m
n
_
k () =
_
(1 + cos ) /2, [[ 1
0, [[ > 0
Tabla 5.1. Ventanas de estimaci on de densidad espectral de potencia
Problemas
Problema 5.1. Demostrar que para un proceso estacionario dado, el cambio de escala a en el argumento
de la funcion de correlacion, corresponde al siguiente cambio de escala en la densidad espectral,
R
(a)
1
a
S
Problema 5.2. Calcular la transformada K-L de la se nal u = |u[l] = sinc(2l/L) : l = 1, . . . , L, con

L = 4096 que es perturbada con ruido blanco con media 0 y varianza 0.1.
Problema 5.3. Mostrar por que la densidad espectral de potencia es denida positiva y acotada, esto
es 0 S
() .
Problema 5.4. Demostrar que la estimacion
e
S
() es no sesgada (ver ecuacion (5.23a)).

5.2. Estimaci on espectral no param etrica 237
5.2. Estimaci on espectral no param etrica
5.2.1. M etodo de los periodogramas
Dada una sucesi on inicial de valores discretos de la trayectoria de se nal aleatoria x[k] : x con
longitug N, a partir de la expresi on (5.25), el c alculo del periodograma, mediante t ecnicas de proceso
digital, se puede escribir como:
s
x
[k] =
1
N
[X[k][
2
=
1
N
N1
n=0
x[n]e
jnk
2
(5.27)
donde
X[k] =
N1
n=0
x[n]e
jnk
% Periodograma
function sx = periodogram(x,n1,n2)
if nargin == 1,
n1 = 1; n2 = length(x);
end;
sx = abs(fft(x(n1:n2),1024)). 2;
sx = sx/(n2 - n1 + 1);
sx(1) = sx(2);
end;
Luego, el periodograma se puede calcular em-
pleando la TRF, como se muestra en el procedi-
miento Periodograma. La expresi on (5.27)
corresponde a la forma no modicada de c alcu-
lo del periodograma. Sin embargo, como se ob-
serva de (5.23b), la operaci on (5.27) no corres-
ponde a una estimaci on consistente. Con el n
de obtener estimaciones consistentes de la DEP,
sobre observaciones discretas de longitud nita,
se emplea el suavizado de la estimaci on (5.27)
en la frecuencia o en el tiempo.
As, la expresi on (5.27) se escribe como
s
x
[k] =
1
N
n=
w
s
[n]x[n]e
jnk
2
donde w
s
[n] es la funci on ventana rectangular.
%Periodograma modificado
function sx = mper(x,win,n1,n2)
if nargin == 2,
n1 = 1; n2 = length(x);
end;
N = n2-n1+1;
w = ones(N,1);
if win==2, w = hamming(N);
elseif win==3, w = hanning(N);
elseif win==4, w = bartlett(N);
elseif win==5, w = blackman(N);
end;
xw = x(n1:n2).
*
w/norm(w);
sx = N
*
periodogram(xw);
No obstante, como antes se dijo, es posible
el empleo de ventanas diferentes a la rectangu-
lar. El periodograma, calculado con una funci on
ventana diferente a la rectangular, se denomina
modicado, el cual se describe por la expresi on
s
x
[w; k] =
1
NV
n=
w[n]x[n]e
jnk
2
donde V =
N1
n=0
w[n]
2
/N es un factor de
normalizaci on que asegura que la estimaci on del
histograma, asint oticamente, no tenga sesgo. El
procedimiento Periodograma modificado realiza el periodograma para diferentes ventanas.
Como se explic o para la expresi on (5.26), la introducci on de la funci on ventana genera el alisa-
miento en la frecuencia del histograma, con lo cual, la estimaci on de la DEP es,
E s
x
[w; k] =
1
2NV
[s[k] W[k][
2
(5.28)
donde W[k] es la TF de la funci on ventana w[n]. De la expresi on (5.28), se observa que el nivel de
alisamiento en el periodograma depende de la forma de la funci on w[n] empleada en el preproceso de
la sucesi on de entrada. As, por ejemplo la ventana rectangular tiene el l obulo principal muy angosto,
con relaci on a la mayora de ventanas conocidas, lo cual genera menor grado de alisamiento espectral,
pero en cambio, esta ventana presenta el mayor nivel de l obulos laterales, que pueden llevar al enmas-
caramiento de componentes espectrales de poca amplitud. Cabe anotar que la estimaci on mediante el
histograma modicado presenta las mismas limitaciones, descritas en (5.23a) y (5.23b), sin embargo,
el empleo de las ventanas permite establecer un cierto balance entre la resoluci on espectral (ancho de
banda del l obulo principal) y la p erdida espectral ( area de los l obulos laterales).
Promedio de histogramas. Como consecuencia de la ausencia de sesgo en la estimaci on
lm
N
E s
x
[k] = S
x
[k]
se puede suponer que al hallar una estimaci on consistente para E s
x
[k], la misma se mantiene
consistente para S
x
[k].
Partiendo del hecho de que la operaci on de promediado, para un conjunto de observaciones no
correladas de la se nal aleatoria, conlleva a la estimaci on consistente del promedio de la variable alea-
toria E , entonces, se analiza la estimaci on de la DEP mediante el promedio de los periodogramas
o m etodo de Bartlett.
Sea x
i
[n] , n = 0, . . . , L1, i = 1, 2, . . . , K, un conjunto de observaciones no correlacionadas
de la se nal aleatoria (t). Si a la trayectoria i le corresponde el histograma s
x
[i, k], entonces el valor
medio del conjunto de histogramas ser a
S
x
[k] =
1
K
K
i=1
s
x
[i, k]
cuya esperanza matem atica es igual a
E
S
x
[k] = E s
x
[i, k] =
1
2
S
x
[k] W
B
[k]
donde W
B
() es la TF de la ventana de Bartlett w[n], L < m < L. Por lo tanto, como en el caso
del periodograma, el valor medio

S
x
[k], asint oticamente no presenta sesgo. Adem as, asumiendo la
correlaci on nula de las trayectorias x
i
[n], la varianza de la estimaci on

S
x
[k] se describe como
var
S
x
[k] =
1
K
K
i=1
vars
x
[i, k]
1
K
S
2
x
[k]
que tiende a cero, cuando K . Luego, la estimaci on

S
x
[k] es consistente.
%Periodograma de Bartlett
function sx = bart(x,nsect)
L = floor(length(x)/nsect);
sx = 0; n1 = 1;
for i=1:nsect,
pe = periodogram(x(n1:n1+L-1));
sx = sx + pe/nsect;
n1 = n1 + L;
end;
En la pr actica, disponer de una cantidad am-
plia de trayectorias de un mismo proceso es muy
difcil, sin embargo, es m as frecuente disponer
de una trayectoria de longitud sucientemente
larga N. Entonces se puede generar un conjunto
de peridogramas obtenidos de la divisi on de la
trayectoria inicial en K segmentos sin traslapo,
empleando t ecnicas de an alisis en tiempo corto,
cada uno de ellos de longitud L, de tal manera
que K < L < N.
El procedimiento Periodograma de Bartlett ilustra el c alculo de los periodogramas de
Bartlett. En general, la estimaci on promediada de histogramas tiene la forma
S
xB
[k] =
1
N
K
i=1
L1
n=0
x[iL +n]e
jnk
2
Se puede considerar que la estabilidad de la estimaci on

S
xB
[k] mejora, al disminuir la cantidad de
segmentos de an alisis de tiempo corto. Dado el valor N = KL se observa la relaci on de compromiso
entre una alta resoluci on (cuando se tiene el m aximo valor de L) y de mnima varianza de la estimaci on
(para el m aximo valor posible de K).
%Periodograma de Welch
function sx = welch(x,L,over,win)
if (over>=1) | (over<0),
error(Valor traslapo invalido);
end;
n1 = 1; n0 = (1-over)
*
L;
nsect = 1 + floor((length(x)-L)/n0);
sx = 0;
for i=1:nsect,
mp = mper(x,win,n1,n1+L-1)/nsect;
sx = sx + mp;
n1 = n1 + n0;
end;
Promedio de histograma modicado. El
an alisis de tiempo corto mediante segmentos sin
traslapo puede generar discontinuidades en los
valores contiguos de estimaci on. Por esta raz on,
es preferible el empleo de segmentos de trasla-
po que aseguren la suavidad en la estimaci on.
De otra parte, el empleo de funciones ventana
puede atenuar el efecto de la p erdida espectral,
as como disminuir el sesgo de la estimaci on, sin
embargo, a costa de una p erdida en la resoluci on
espectral. As, sea el valor de traslapo D, para
segmentos de an alisis de tiempo corto con lon-
gitud L, luego la trayectoria i tiene la forma
x[i, n] = x[n +iD], n = 0, 1, . . . , L 1
Al tomar K segmentos que cubran la totalidad del registro de longitud N, entonces
N = L +D(K 1)
La estimaci on del periodograma por Welch se puede escribir en la forma:
S
xW
[w; k] =
1
KLV
K1
i=0
L1
n=0
w[n]x[n +Di]e
jnk
2
que en t erminos del histograma modicado es igual a:
S
xW
[w; k] =
1
K
K1
i=0
s[w; i, k]
con lo cual, el valor esperado del periodograma de Welch resulta en:
E
_
S
xW
[k]
_
= E s
x
[w; k] =
1
2LV
S
x
[k][W[k, L][
2
donde W[k, L] es la TDF de la funci on ventana con longitud L, usada en la estimaci on del periodo-
grama de Welch. Por cuanto, el factor de normalizaci on es
V =
L1
n=0
w[n]
2
/L
entonces, el periodograma de Welch tambi en resulta una estimaci on sin sesgo.
Ejemplo 5.2. Sea la se nal compuesta de dos armonicos y ruido blanco gaussiano
x[n] = a
1
sin(nk
1
) +a
2
sin(nk
2
) +w[n]
dados los valores, k
1
= 0.2, k
2
= 0.25, a
1
=
10, a
2
= 1. Hallar la estimacion por Bartlett
de la DEP.
10
1
10
0
10
1
10
2
f1 f2
Bartlett 4
Bartlett 8
(a) Bartlett
10
0
10
1
10
2
f1 f2
Welch 0.25
Welch 0.75
(b) Welch
Figura 5.2. Ejemplo de los periodogramas
En la Figura 5.2(a) se muestran los resultados obtenidos asumiendo N = 512 y L = 64 para
dos casos de an alisis K = 4 y K = 8. Como se observa, aunque la varianza de la estimacion
disminuye, al aumentar la longitud del segmento de tiempo corto K, empeora la resolucion,
condicionada por el aumento del l obulo principal.
Ejemplo 5.3. Del ejemplo 5.2, analizar el efecto del traslapo, dados los valores de 50 y 75 %, en
la varianza y resolucion espectral del periodograma de Welch. (Ver Figura 5.2(b))
El c alculo de la varianza en la estimaci on de Welch es m as complejo, en la medida, en que no
se puede asegurar la ausencia de correlaci on entre las trayectorias con traslapo, caso en el cual debe
aumentar la dispersi on de los valores de la estimaci on. Por lo tanto, el empleo del traslapo aumenta
la cantidad de segmentos de an alisis corto, que en un principio debe disminuir la varianza del his-
tograma. No obstante al aumentar el valor del traslapo, aumenta el costo computacional en un valor
proporcional a K. Adem as, el consiguiente aumento del traslapo aumenta el valor de correlaci on entre
los segmentos que puede neutralizar el efecto de aumento en la cantidad K. En la pr actica, el valor de
traslapo se escoge entre un 50 y 75 % [41].
Suavizado de periodogramas en frecuencia. A partir de la expresi on (5.24), se tiene que el perio-
dograma se calcula empleando la TF de la funci on de correlaci on propia, en particular:
S
x
[k] =
N1
m=(N1)
r
x
[m] exp[jmk] (5.29)
donde
r
x
[m] =
_
_
1
N
Nm1
n=0
x[n +m]x [n], 0 m N 1
1
N
N[m[1
n=1
x [n+ [ m []x[n], (N 1) m 1
(5.30)
es el correlograma de la sucesi on aleatoria x[n] con longitud N.
De la expresi on (5.29), se observa que se emplea un n umero diferente de operaciones dependiendo
del intervalo de correlaci on. As, en los extremos se tiene una sola operaci on. Cuando el intervalo de
an alisis es N 1, entonces r
x
[N 1] = x[N 1]x
[0]/N. Luego, la varianza de la estimaci on de la

funci on de correlaci on tendr a valores muy altos en la medida en que crece hacia el valor extremo N
del intervalo de correlaci on.
La estimaci on del correlograma, (5.30), implica el empleo de una ventana rectangular, no obstan-
te, se puede variar el tipo de funci on ventana, w
r
, tal que compense el efecto de las estimaciones
no conables en los extremos del intervalo de correlaci on, aunque esto implique la disminuci on del
intervalo de proceso util, y de esta forma, la disminuci on de la resoluci on. Adem as, se aumenta el
fen omeno de p erdida espectral, debido a la aparici on de l obulos laterales, con lo cual la estimaci on
tiende a presentar sesgo. Con el objeto de disminuir la p erdida espectral, se puede emplear el sua-
vizado del periodograma, mediante su convoluci on con una ventana espectral adecuada o m etodo de
Blackman-Tukey, que corresponde a la generalizaci on del m etodo de estimaci on por correlograma pa-
ra la funci on de correlaci on propia, sopesado por una ventana. En este caso, la estimaci on de la DEP
se puede describir como:
S
xBT
[k] =
M
m=M
w
r
[m]r
x
[m]e
jmk
que en la frecuencia tiene la forma
S
xBT
[k] =
1
2
s
x
[k] W[k] (5.31)
% Periodograma de Blackman-Tukey
function sx = per_smooth(x,win,M,n1,n2)
if nargin==3, n1=1;
n2 = length(x);
end;
R = cov(x(n1:n2),M);
r = fliplr[R(1,2:M),R(1,1),R(1,2:M)];
M = 2
*
M-1;
if win==2 w = hamming(N);
elseif win==3
w = hanning(N);
elseif win==4 w = bartlett(N);
elseif win==5 w = blackman(N);
end;
r = r.
*
w;
sx = abs(fft(r,1024));
sx(1) = sx(2);
De la anterior expresi on, se observa que la es-
timaci on de Blackman-Tukey realiza el suaviza-
do del periodograma mediante su convoluci on
con la TDF de la ventana de correlaci on w
r
[m],
la cual en la estimaci on de los correlogramas, de-
be cumplir con las siguientes condiciones:
1. 0 w
r
[m] w
r
[0] = 1
2. w
r
[m] = w
r
[m]
3. w
r
[m] = 0, para [m[ > M, M N 1
De la expresi on (5.31), se observa que es su-
ciente, mas no necesaria, la condici on de que el
periodograma tenga un valor semidenido posi-
tivo, que corresponde a la restricci on W() 0,
con .
La ventana triangular de Bartlett cumple esta condici on, mas no ocurre con las ventanas de Ham-
ming y rectangulares, comunes en el proceso de se nales. En la Figura 5.3 se muestra un ejemplo del
c alculo del periodograma mediante el m etodo de BlackmanTukey, que presenta una varianza mucho
menor, aunque empeore su resoluci on de frecuencia.
10
0
10
1
10
2
10
0
10
1
10
2
10
0
10
1
10
2
f
1
f
2
Ventana rectangular
Ventana de Hamming
Ventana de Blackman
Figura 5.3. Ejemplo de periodograma de BlackmanTukey
En general se puede considerar que la estimaci on de la densidad espectral de potencia mediante
cualquiera de los m etodos de histograma, antes analizados, debe cumplir un compromiso entre la
resoluci on espectral y la varianza de la estimaci on, por esto, la comparaci on de los mismos se realiza
empleando las siguientes caractersticas estadsticas [41]:
(a). =
var
S
x
()
E
2
S
x
()
el cual corresponde al nivel de dispersi on de la estimaci on y caracteriza la estabilidad estadstica
de la estimaci on.
(b). = f
donde f es la capacidad de resoluci on del m etodo. El par ametro permite determinar la
resoluci on del DEP obtenida a partir de una trayectoria de longitud nita de la se nal aleatoria,
por cierto, a menor , mayor calidad de la estimaci on.
M etodo Estabilidad Resoluci on

Indice
f = f
Periodograma 1 0.89(2/N) 0.89(2/N)
Bartlett 1/K 0.89(2/N) 0.89(2/N)
Welch (9/8)(1/K) 1.282(/L) 0.72(2/N)
Blackman-Tukey (2/3)(M/N) 0.64(2/M) 0.43(2/N)
Tabla 5.2. Comparaci on de los m etodos de periodograma de estimaci on de DEP
En la Tabla 5.2 [41], se muestran las caractersticas estadsticas para los m etodos del periodograma,
descritos anteriormente. Se observa que cada uno de los m etodos tiene m as o menos el mismo valor
compromiso de estabilidad y resoluci on, el cual es inversamente proporcional a la longitud N de la
sucesi on de valores discretos de la se nal aleatoria. En general, sin importar que m etodos se tengan,
que ofrezcan mejor resoluci on o menor dispersi on en la estimaci on, se cumple que el compromiso
entre la resoluci on espectral y la estabilidad, b asicamente, depende de la longitud, N, de los valores
discretos disponibles para el an alisis de la sucesi on aleatoria x[n].
5.2.2. Algoritmo de c alculo del m etodo de periodograma
Sean conocidos, para el proceso aleatorio en an alisis, los valores del intervalo de discretizaci on t y la
resoluci on espectral necesaria f de an alisis. Entonces, el intervalo de observaci on T y la respectiva
cantidad N de valores discretizados de la se nal se relacionan por la expresi on [38]:
T =
k
w
f
, N =
T
t
| (5.32)
donde k
w
es un coeciente que se determina de acuerdo al tipo de ventana empleada en la estimaci on.
El algoritmo del m etodo de periodogramas se divide en dos etapas:
el preproceso de la se nal en el intervalo de observaci on,
el promedio de los resultados durante varios intervalos de aproximaci on, con el n de disminuir
la dispersi on de la estimaci on.
La primera etapa comprende los siguientes procedimientos:
1. C alculo del valor N, a partir de (5.32). Por cuanto la TF se calcula mediante el el algoritmo
TRF, entonces, cuando N ,= 2
m
, m Z, en cada una de las trayectorias, se realiza el relleno
de ceros hasta el primer entero m, para el cual se cumpla la igualdad.
2. Selecci on de la funci on ventana w
s
[n] y c alculo de la TRF, por cualquiera de los algoritmos
expuestos en el ap endice A, para cada una de las l trayectorias, x disponibles x[n, k] :
n = 0, . . . , N 1; k = l, . . . , L, que son alisadas por la respectiva ventana:
X[k, l] =
N1
n=0
x[n, l]w
s
[n] exp (j2kn/N) (5.33)
3. C alculo del periodograma s[l, , N], denido en (5.25), para cada una de las trayectorias l:
s[l, k, N] =
[X[k, l][
2
N1
n=0
w
s
[n]
(5.34)
4. Dado un criterio de convergencia, si el valor s[l, k, N] no lo cumple, entonces, se deben repetir
los pasos 1 y 2, sobremuestreando la sucesi on de cada trayectoria en 2, 4, 8, . . . veces, mientras
no se disminuya adecuadamente la incertidumbre en la estimaci on del periodograma.
Una forma alterna de disminuir la incertidumbre est a en realizar el procedimiento de rellenos
de ceros aumentando tambi en la longitud N de cada trayectoria en 2, 4, 8, . . . , 2
m
veces. En
este caso, el arreglo de entrada de la TRF se modica en la forma:
X[m; k, l] =
2
m
N1
n=0
x[m; n, l]w
s
[n] exp
_
j
2kn
N2
m
_
(5.35)
donde
x[m; n, l] =
_
x[n, l], 0 n N 1
0, n > N 1
Al comparar las expresiones (5.33) y (5.35), se observa que X[m; k, l] = X[2
m
k, l], luego, la
operaci on de compresi on de escala de tiempo, en concordancia con (1.63), expande la envolvente
espectral, pero no le cambia de forma. En la pr actica, el relleno de ceros conlleva a la aparici on de
componentes adicionales entre los arm onicos originales.
La segunda etapa comprende los siguientes procedimientos:
1. Selecci on de factor de traslapo entre los intervalos contiguos de observaci on. Usualmente, se
toma un valor entre [0.5, 0.75].
2. C alculo del n umero total de intervalos de observaci on, N
i
:
N
i
= ((N
T
N)) /(N N)|
donde N
T
es la longitud total del registro de la se nal aleatoria en an alisis.
3. Estimaci on de la DEP promediada:
S[k] =
1
N
i
N
T
l=1
s[l, k, N] (5.36)
4. C alculo del coeciente k
, que muestra la disminuci on en la varianza de la estimaci on de la

DEP, debido a la operaci on de promediado, en cada uno de los intervalos de observaci on.
k
=
_
_
_
1
N
i
(1 + 2c
2
(0.5))
2
N
2
i
c
2
(0.5)
_
1
, = 0.5
_
1
N
i
(1 + 2c
2
(.75) + 2c
2
(0.5))
2
N
2
i
(c
2
(0.75) + 2c
2
(0.5))
_
1
, = 0.75
donde los valores de c() se determinan de acuerdo al tipo de ventana w
s
[n] empleada en la
estimaci on espectral [30].
5.2.3. Ventanas de estimaci on espectral
La multiplicaci on de los valores discretizados de la se nal aleatoria x[n] por la funci on ventana, w
s
[n],
de acuerdo la Tabla 3.1, corresponde a la convoluci on en frecuencia de los respectivos espectros. Entre
las principales propiedades y caractersticas de las funciones ventana, empleadas en la estimaci on
espectral, est an las siguientes:
1. Simetra
w[n] = w[N n] n = 1, . . . , N 1
2. Ancho de banda equivalente de ruido, que se determina como
f
R
(N) =
N
N1
n=0
w
2
[n]
_
N1
n=0
w[n]
_
2
a menor valor de f
R
, menor es la potencia del ruido, y por lo tanto, menor distorsi on que se
puede causar sobre el proceso en an alisis.
Ejemplo 5.4. Hallar el ancho de banda equivalente de ruido por la ventana triangular,
cuando N = 2K, asumiendo que w[0] = 0.
La ventana triangular se determina como
w[n] =
_
n/K, n = 1, . . . , K
(2K n)/K, n = K + 1, . . . 2K 1
Entonces
f
R
(N) = 2(2K
2
+ 1)/(3K
2
)
En la pr actica, N >> 1, luego en lugar de f
R
(N) se emplea su valor asint otico, cuando
N
f
R
= lm
N
f
R
(N)
En el caso de la ventana triangular f
R
= 1.33.
3. Ancho de banda del l obulo principal f
LP
(N, g) de la magnitud del espectro, que tpicamente
se determina para un nivel jo de atenuaci on g, dado en dB, con relaci on al valor m aximo del
m odulo espectral
f
LP
(N, g) = (N)N/
donde (N) es la menor de todas las races por m odulo absoluto, de la ecuaci on
[W(N)[ =
max[W(N)[
10
g/20
En la pr actica, es usual el empleo del valor asint otico, dado el nivel g, para el ancho de banda
del l obulo principal
f
LP
(g) = lm
N
((N)N/)
Se considera que el valor f
LP
(g) caracteriza la resoluci on del algoritmo de la TRF, para una
funci on ventana dada, en particular, se asume que [42]
o
= f
LP
(g)
4. Ganancia coherente
G
c
(N) =
N1
n=0
w[n]
max[W(N)[
con valor asint otico G
c
= lm
N
G
c
(N), que corresponde a la amplicaci on relativa del
arm onico de una se nal, cuya frecuencia coincide con una de las frecuencias del conjunto base
de la TRF.
5. M aximo nivel de cualquiera de los l obulos laterales, m
LL
, obtenido para el m etodo de TRF de
la funci on ventana, medido en dB con relaci on al valor m aximo del l obulo principal. En este
sentido, tambi en se considera la velocidad de cada v
LL
de los l obulos laterales, medida en dB
por octava (o d ecada), que muestra qu e tan r apido decrece la energa contenida en los l obulos
laterales. A mayor velocidad de cada, menor p erdida espectral presenta la funci on ventana.
6. Modulaci on de amplitud par asita, a
P
, que caracteriza la amplitud relativa del arm onico de la
se nal, despu es de su proceso mediante la funci on ventana y c alculo de la TRF, en el peor de
los casos, cuando la frecuencia de la se nal se encuentra exactamente en la mitad de un par de
frecuencias base de la TRF.
El valor a
P
se mide en dB y se dene como
a
P
= 20 log [W()[/max(W())
Los siguientes factores conuyen en la elecci on del tipo de funci on ventana:
aplicaci on concreta del proceso de se nales
exigencias de costo computacional (recursos de proceso y tiempo de c omputo) en la soluci on
de la aplicaci on
Ejemplo 5.5. Sea la sucesion
x[n] =
k
a
k
sin(2nk/N +
k
), n = 0, . . . , N 1 (5.37)
donde a
k
y
k
son los valores desconocidos para la amplitud y fase de los armonicos, respecti-
vamente, los cuales coinciden en la frecuencia base de la TRF.
En este caso, el calculo de a
k
y
k
se puede realizar, simplemente empleando la funci on ventana
rectangular. En particular, de (5.33) se tiene que
a
k
= [X[k][,
k
= arg(X[k])
Sin necesidad de recurrir al procedimiento de promedio, (5.36), en la medida en que no hay
incertidumbre de medida.
Si en la expresi on (5.37), asumiendo que se tiene un solo armonico, se agrega la perturbaci on
r[n], en forma de ruido blanco gaussiano, entonces la estimacion de los valores de a
k
y
k
es necesario procesar la sucesi on inicial con una funci on ventana, que provea el menor valor de
f
R
, por ejemplo, la ventana rectangular, y luego, se realiza el procedimiento de promediado
(5.36).
Ejemplo 5.6. Sea la sucesion
x[n] = a
1
sin(n
1
+
1
) +a
1
sin(n
2
+
2
) (5.38)
donde
11

1

12
,
21

2

22
, siendo
ij
, las frecuencias base dadas inicialmente de
la TRF. Hallar los valores de
1
,
2
, a
1
y a
2
, conocido que a
1
a
2
.
En este caso, el preproceso de la sucesion inicial se puede realizar mediante la funci on ventana
rectangular. Asumiendo en (5.32) f = (
21

12
)/2 y
o
=
LP
(g), entonces se puede
determinar el intervalo de observaci on T, con lo que conocido el intervalo de discretizaci on t.
se puede hallar la longitud N
i
de observaci on.
Sin embargo, el calculo del espectro en correspondencia con (5.33) y (5.34), para k = 0, . . . , N1,
puede tener lugar una indeterminacion que haga imposible calcular cada armonico debido a la
presencia de varios valores iguales de S(k).
La forma directa para disminuir esta incertidumbre consisten en aumentar la longitud de la
sucesion inicial agregando N(2
m
1) ceros, con lo cual el espectro X[k] se calcula por la
expresi on (5.35). Inicialmente se prueba con m = 1. En caso de que la incertidumbre no permite
a un el calculo conable de los armonicos, se aumenta sucesivamente m = 2, 3, . . . hasta que se
obtenga un valor adecuado del armonico.
Debido a que la sucesion inicial se considera que no esta perturbada, entonces, no hay necesidad
de la operacion de promedio (5.36).
Problemas
Problema 5.5. Demostrar que la estimacion de Bartlett para la densidad espectral de potencia no
presenta sesgo.
Problema 5.6. Demostrar que la funcion k() de la estimacion de Tukey-Hamming para la densidad
espectral de potencia es cuadrado integrable.
Problema 5.7. Demostrar que E|
e
Sx[k] =
1
2
Sx[k] WB[k].
Problema 5.8. Repetir el ejemplo 5.2 para la se nal x[n] = 2 sin(0.4n) +2 cos(4.5n+0.5) +w[n], con
ruido blanco gaussiano con media 0 y varianza 0.2.
Problema 5.9. Demostrar que
e
SxBT [k] =
1
2
sx[k] W[k].
Problema 5.10. Considerese una sucesion aleatoria de longitud N, la cual ha de ser dividida en K
segmentos, cada uno con M = N/K puntos. Si se conoce que la DEP tiene dos picos separados a una
distancia de 2[rad/s], cual debe ser el mnimo valor de M para poder detectar correctamente la presencia
de ambos picos?
Problema 5.11. Sea la sucesion aleatoria, cuya funcion de correlacion propia se da por la expresion
R[k] = 0.8
|k|
, k = 0, 1, 2, . . .. Si se emplean 10 valores discretos para estimar la funcion de correlacion,
mediante el correlogramas (5.30). Hallar el sesgo de la estimacion para todo los k.
5.3. Estimaci on espectral param etrica 249
5.3. Estimaci on espectral param etrica
En los m etodos param etricos, la se nal aleatoria medida se analiza como la salida de un sistema lineal
e invariante en el tiempo, al cual se aplica una entrada con caractersticas de aleatoriedad denidas
a priori. En la pr actica, el modelo m as usado corresponde al excitado por ruido blanco gaussiano y
que presenta funci on de transferencia racional. Los procesos de salida de los modelos de esta clase
tienen DEP que se describe completamente, mediante los coecientes de la respectiva funci on de
transferencia y la varianza del ruido blanco de entrada.
En esencia, los m etodos param etricos incluyen la informaci on sobre los procesos analizados, que
tiene en cuenta sus propiedades y su naturaleza interna; informaci on que se desprecia en los m etodos
no param etricos. Como resultado, los m etodos param etricos permiten obtener estimaciones con mayor
precisi on y mayor resoluci on.
La estimaci on espectral param etrica consta de tres etapas:
1. Selecci on del modelo param etrico de la se nal aleatoria analizada
2. Estimaci on de los par ametros del modelo seleccionado de la se nal aleatoria de acuerdo a las
trayectorias conocidas
3. C alculo de la DEP mediante la sustituci on en el modelo te orico, de los par ametros estimados
5.3.1. Reacci on de un sistema lineal a una se nal estacionaria
Sea x[n] la se nal de entrada una sucesi on estacionaria con valor medio igual a cero, entonces y[n]
representa la salida del sistema lineal e invariante en el tiempo, la cual tambi en es estacionaria y se
describe matem aticamente como
y[n] = Hx[n]
La funci on de correlaci on propia de la respuesta se determina mediante la convoluci on [41]:
r
y
[m] = r
x
[m]
_

k=
h[k +m]h
[k]
_
que empleando la transformada Z se obtiene
S
y
(z) = S
x
H(z)H
(1/z
) (5.39)
donde S
x
(z) = Zr
x
[m], S
y
(z) = Zr
y
[m], H(z) = Zh[m].
Sea la se nal de entrada ruido blanco gaussiano, con valor medio igual a cero y potencia
2
, tal que
S
x
(z) = Z
2
[m] =
2
entonces, la salida y la entrada del respectivo sistema lineal e invariante en el tiempo tiene la forma:
S
y
(z) =
2
H(z)H
(1/z
)
La ultima ecuaci on muestra la relaci on de proporcionalidad que hay entre la funci on de transferen-
cia del ltro del modelo y la se nal aleatoria analizada.
5.3.2. Modelos param etricos de se nales aleatorias
La descripci on param etrica de las estadsticas de segundo orden tambi en aplica a las sucesiones de
discretizaci on de las se nales aleatorias. En este sentido, el modelo es adecuado para la aproximaci on
de se nales aleatorias discretas. Se describe mediante la se nal de salida de un sistema lineal e invariante
en el tiempo, expresada por la ecuaci on de diferencias en coecientes complejos
x[n] =
p
k=1
a
k
x[n k] +
q
k=0
b
k
u[n k] (5.40a)
=
k=0
h[k]x[n k] (5.40b)
donde u[n] es la sucesi on de excitaci on o la entrada del sistema, x[n] es la sucesi on a la salida del
ltro causal (h[k] = 0, k < 0), el cual conforma los datos observados. Se asume que el sistema
lineal tiene funci on de transferencia racional
H(z) =
B(z)
A(z)
en la cual los polinomios se determinan como
A(z) = 1 +
p
k=1
a
k
z
k
B(z) = 1 +
q
k=0
b
k
z
k
, b
0
= 1
H(z) = 1 +
k=1
h
k
z
k
Se asume adem as que los ceros de los polinomios A(z) y B(z) se encuentran ubicados dentro del
crculo unitario de convergencia del plano Z, con el n de garantizar la estabilidad del ltro.
En concordancia con (5.39) los espectros de entrada y salida en un sistema lineal e invariante en el
tiempo se relacionan como:
S
x
(z) = S
u
(z)H(z)H
(1/z
) = S
u
(z)
B(z)B
(1/z
)
A(z)A
(1/z
)
(5.41)
La sucesi on de entrada u[n], usualmente, no es observable, y por lo tanto, no se puede emplear en
el an alisis espectral. Los modelos param etricos, como se muestra en la Figura 5.4 emplean en calidad
de se nal de excitaci on una sucesi on de ruido blanco gaussiano con valor medio cero y varianza
2
,
entonces, S
u
(z) =
2
.
En general, las propiedades de la se nal aleatoria modelada, dependen de la estructura y valores de
los par ametros del ltro formante, adem as de las propiedades de la se nal de entrada.
En caso de ser necesario, el modelado de datos de medici on en formas de una mezcla aditiva del
modelo param etrico m as alguna perturbaci on [n], entonces, la perturbaci on se agrega a la salida del
ltro formante, como se muestra en la Figura 5.4.
Filtro
Formante
Generador
ruido blanco
discreto
u[n] x[n]
[n]
x +[n]
Figura 5.4. Diagrama de formaci on de un modelo param etrico de un proceso aleatorio
En la estimaci on de la DEP, se emplean modelos excitados por ruido blanco gaussiano los cuales
se clasican en tres clases
1. modelos de procesos autorregresivos (AR)
2. modelos de procesos de media deslizante (MA)
3. modelos de procesos autorregresivos y media deslizante (ARMA)
Las diferentes clases, que se muestran en la Tabla 5.3, se diferencian por el tipo de funci on de trans-
ferencia discreta del ltro formante, y en consecuencia, por el tipo de ecuaci on lineal de diferencia
que describe la sucesi on de salida aleatoria.
Modelo Ecuaci on Funci on
param etrico iterativa de transferencia
AR x[n] =
p
k=1
x[n k] +u[n]
1
1 +
p
k=1
a
k
z
k
MA x[n] = u[n] +
q
k=1
b
k
u[n k] 1 +
q
k=1
b
k
z
k
ARMA x[n] =
p
k=1
a
k
x[n k] +u[n] +
q
k=1
b
k
u[n k]
1 +
q
k=1
b
k
z
k
1 +
p
k=1
a
k
z
k
Tabla 5.3. Caractersticas de los modelos param etricos
Modelos ARMA. Se describen por la ecuaci on de diferencias generalizada (5.40a), en la cual como
se observa de la Tabla 5.3, se tienen polos y ceros. La DEP para un modelo ARMA se obtiene al
sustituir en (5.41), z = e
j
:
S() =
2
B()
A()
2
=
2
eee
H
q
()bbbbbb
H
eee
H
q
()
eee
H
p
()aaaaaa
H
eee
H
p
()
(5.42)
donde los vectores columna de los exponentes complejos eee
p
y eee
q
, mas los coecientes aaa y bbb son de la
forma
eee
p
= (1, e
j
, . . . , e
jp
), eee
q
= (1, e
j
, . . . , e
jq
)
aaa
= (1, a, . . . , a
p
), bbb
= (1, b, . . . , b
q
)
Cabe anotar que la DEP se calcula en el rango de las frecuencias normalizadas [, ].
De la expresi on (5.42), es claro que el modelo ARMA se caracteriza por los par ametros a, b y la
varianza del ruido blanco
2
.
Modelo MA. De acuerdo con la funci on de transferencia mostrada en la Tabla 5.3, la respuesta a
impulso en este caso es
x[k] =
_
b
k
, k = 0, 1, . . . , q;
0, en otro caso.
que tiene longitud nita y, por lo tanto, en concordancia con la expresi on (3.62), los ltros formantes
de los modelos MA pertenecen a la clase de los no recursivos. La DEP del proceso se calcula haciendo
en (5.42) p = 0, de acuerdo a la expresi on:
S() =
2
[B()[
2
=
2
eee
H
q
()bbbbbb
H
eee
H
q
()
Modelo AR. De la Tabla 5.3, se observa que la respectiva funci on de transferencia no tiene ceros
(q = 0), y presenta solamente polos (todo polos), los cuales tienen respuesta a impulso con longitud
innita, estos pertenecen a la clase de los recursivos. La densidad espectral de potencia de un proceso
AR, haciendo q = 0 resulta en
S() =

2
[A()[
2
=

2
eee
H
p
()aaaaaa
H
e
H
p
()
5.3.3. Estimaci on de los par ametros a partir de la funci on de correlaci on
Sea conocida la funci on de correlaci on propia de la sucesi on aleatoria en an alisis. Entonces, al mul-
tiplicar ambas partes de la ecuaci on (5.40a) por el factor x
[n m] y calculando la esperanza ma-

tem atica se obtiene
E x[n]x
[n k] =
p
l=1
a
l
E x[n l]x
[n k] +
q
l=0
b
l
E u[n l]x
[n k]
que en t erminos de la funci on de correlaci on se escribe como
r
x
[k] =
p
l=1
a
l
r
x
[k l] +
q
l=0
b
l
r
ux
[k l]
la funci on de correlaci on mutua r
ux
[k] entre las secuencias de entrada y salida se pueden expresar
mediante los par ametros de la respuesta impulso h[m]:
r
ux
[k] = E u[n +k]x
[n] = E
_
u[n +k]u
[n] +
m=1
h
[m]u
[n m]
_
= r
u
[k] +
m=1
h
[m]r
u
[k +m]
por cuanto u[n] es una sucesi on de ruido blanco gaussiano con varianza
2
, entonces,
r
ux
[k] =
_
_
0, k > 0;
2
, k = 0;
2
h
[k], k < 0.
De lo cual se obtiene la expresi on que relaciona los coecientes del modelo ARMA con la funci on
de correlaci on propia de la se nal discretizada aleatoria x[n]
r
x
[k] =
_
_
r
x
[k], k < 0;
l=1
a
l
r
x
[k l] +
2
q
l=k
b
l
h
[l k], 0 k q;
l=1
a
l
r
x
[k l], k > q.
(5.43)
donde h[0] = 1 , por denici on, adem as con el n de cumplir la condici on de causalidad, el ltro debe
tener respuesta a impulso h[k] = 0, k < 0.
Cabe anotar que la relaci on en los par ametros del modelo ARMA y la funci on de correlaci on es
no lineal, en particular, el sistema de ecuaciones (5.43) es no lineal, debido a la presencia del t ermino
q
l=k
b
l
h
[l k]. Sin embargo, cuando el modelo param etrico es del tipo AR, el modelo tiene car acter
lineal. As, asumiendo en (5.43) b
l
= [l], entonces se obtiene
r
x
[k] =
p
l=1
a
l
r
x
[k l] +
2
h
[k], 0 k q
Debido a que h
[k] = 0, k > 0, h
[0] = lm
z
H(z) = 1, entonces de (5.43) se tiene que
r
x
[k] =
_
l=1
a
l
r
x
[k l], k > 0;
l=1
a
l
r
x
[l] +
2
, k = 0;
r
x
[k], k < q.
(5.44)
Las expresiones (5.44) corresponden a las ecuaciones normales de YuleWalker para un proceso
AR [43]. Estas ecuaciones, en general, caracterizan la relaci on no lineal entre los par ametros del
proceso AR y la funci on de correlaci on propia de la se nal aleatoria analizada. Sin embargo, conocida
la funci on de correlaci on propia se pueden determinar los par ametros del modelo AR al resolver un
sistema de ecuaciones lineales lo cual se puede observar al plantear (5.44) en forma matricial:
_
_
r
x
[0] r
x
[1] r
x
[(p 1)]
r
x
[1] r
x
[0] r
x
[(p 2)]
.
.
.
.
.
.
.
.
.
.
.
.
r
x
[p 1] r
x
[p 2] r
x
[0]
_
_
_
_
a
1
a
2
.
.
.
a
p
_
_
=
_
_
r
x
[1]
r
x
[2]
.
.
.
r
x
[p]
_
_
(5.45)
De esta manera, conocida la sucesi on de valores r
x
[k], p k p, para la funci on de correlaci on
propia, entonces los par ametros del modelo AR se pueden hallar como la soluci on del sistema de
ecuaciones lineales (5.45). Cabe anotar que la matriz de funci on de correlaci on en (5.45) es Toeplitz
y Hermitiana, debido a r
x
[k] = r
x
[k], por lo que la obtenci on de los valores
2
, a
1
, a
2
, . . ., a
p
se
puede hacer empleando el algoritmo de Levinson-Durbin [43].
En cuanto a la relaci on de los valores entre la funci on de correlaci on propia y los par ametros del
modelo MA, este se puede obtener de (5.43) asumiendo p = 0 y teniendo en cuenta que para los
sistemas no recursivos se cumple que h[k] = b
k
, 1 k q, entonces,
r
x
[k] =
_
_
0, k > q;
2
q
l=k
b
l
b
lk
, 0 k q
0, k < 0
(5.46)
Luego, la relaci on entre los par ametros MA y la funci on de correlaci on tiene car acter no lineal,
condicionado por la convoluci on en (5.46). Otra forma de estimar los par ametros del modelo AR,
consiste en hallar directamente la soluci on del sistema de ecuaciones lineales, que se obtiene de la
relaci on (5.43) para los p valores del ndice k, ubicados en el intervalo q k q +p1. Los valores
de los par ametros AR se encuentran de la soluci on del siguiente sistema de ecuaciones
_
_
r
x
[q] r
x
[q 1] r
x
[q p + 1]
r
x
[q + 1] r
x
[q] r
x
[q p + 2]
.
.
.
.
.
.
.
.
.
.
.
.
r
x
[q +p 1] r
x
[q +p 2] r
x
[q]
_
_
_
_
a
1
a
2
.
.
.
a
p
_
_
=
_
_
r
x
[1]
r
x
[2]
.
.
.
r
x
[p]
_
_
(5.47)
10
0
10
1
10
2
f
1
f
2
Estimado YW 10
Estimado YW 20
Figura 5.5. Ejemplo 5.2 calculado mediante el sistema modicado de YuleWalker
El sistema (5.47) se denomina sistema de ecuaciones normales de YuleWalker para modelos AR-
MA o sistema modicado de YuleWalker. En la Figura 5.5, se muestra el ejemplo 5.2, calculado
mediante el sistema modicado de YuleWalker para diferentes ordenes del modelo.
Problemas
Problema 5.12. Demostrar la igualdad de la ecuacion (5.42).
Problema 5.13. Implementar el algoritmo de Levinson-Durbin para las ecuaciones normales de Yule-
Walker para un proceso AR.
Problema 5.14. Determinar la media y la autocorrelacion de la secuencia x[n], que es salida de un
proceso MA descrito por la ecuacion en diferencias
x[n] = w[n] 2w[n 1] +w[n 2]
donde w[n] es un proceso de ruido blanco gaussiano con varianza
2
w
.
Problema 5.15. Considerar un proceso MA descrito por la ecuacion en diferencias
x[n] = w[n] + 0.81w[n 2]
donde w[n] es un proceso de ruido blanco con varianza
2
w
. Determinar los parametros de los modelos
AR de ordenes p = 2, 4, 8.
Problema 5.16. Hallar el correlograma y la DEP de la estimacion del valor medio de longitud q:
x[n] =
1
q
(u[n] +u[n 1] +u[n q + 1])
Problema 5.17. Hallar la DEP, expresada mediante la respectiva funcion de correlacion propia, para
los procesos generados mediante un ltro formante con las siguientes funciones de transferencia
(a). H(z) = b0 +b1z
1
. (b). H(z) = b0 +b1z
1
+b2z
2
.
Problema 5.18. Hallar el valor medio de la sucesion aleatoria descrita por la siguiente ecuacion de
diferencias:
x[n] = x[n 1] +u[n], n 0, x[1] = 0
donde u[n] es ruido blanco gaussiano discreto con media mu y funcion de correlacion ru =
2
u
[k]
Ap endice A
Algoritmos de an alisis espectral de Fourier
E
l criterio b asico de optimizaci on de los algoritmos analizados ser a el tiempo de c alculo. En
general, se pueden obtener soluciones dependientes del hardware empleado. Por este motivo,
las caractersticas especcas del hardware tienen que ser tenidas en cuenta cuando se eval ua
alg un algoritmo de implementaci on sobre procesadores digitales. Los par ametros como el n umero
de operaciones de multiplicaci on y adiciones, complejidad de indexaci on, empleo de registros de
memoria y el tiempo de realizaci on de operaciones condicionales deben ser tambi en analizados.
A efectos de ilustrar los algoritmos desarrollados en este captulo, se brinda el diagrama de ujo de
c alculo y la implementaci on de sus subrutinas en Matlab.
A.1. Algoritmos de la transformada discreta de Fourier
A.1.1. C alculo num erico de la transformada de Fourier
El espectro de una funci on x(t) corresponde al conjunto los coecientes a
k
y b
k
que conforman la
serie trigonom etrica de Fourier (1.34), los cuales pueden ser calculados num ericamente, a partir de la
aproximaci on del respectivo integral (1.61), que en forma trigonom etrica se expresa como:
a
n

2
T
K
k=1
x(kt) cos(
2n
T
kt)t
2
K
K
k=1
x(kt) cos(2n
k
K
), n ,= 0,
en el caso de n = 0 se tiene a
0

2
K
K
k=1
x(kt), donde t = T/K, siendo
0
= 2/T. El
par ametro k corresponde al tiempo, mientras n al eje de las frecuencias.
De la misma forma se puede obtener para b
n
:
b
n

2
K
K
k=1
x(kt) sin
_
2n
k
K
_
siendo n K, teniendo en cuenta la condici on del error de transposici on de frecuencias.
257
258 Captulo A. Algoritmos de an alisis espectral de Fourier
La forma alterna de la serie compleja de Fourier dada en las expresiones de (1.36) puede ser em-
pleada y se describe como:
x(t) = a
0
K
k=1
M
k
cos(2kt
o
+
k
)
donde
M
k
=
_
a
2
k
+b
2
k
(A.1a)
k
= arctan(
b
k
a
k
) (A.1b)
El valor de M
k
corresponde al m odulo (1.37a) y
k
a la fase (1.37b) de los arm onicos.
`
................................................................................................................................... .... ................................................. .. .. .. .. .............................................................................................................................................................................. .. .. .. .................................................................................................. ........................ .. .. .. .. .................................................................. ... ... ... ... ... ... ... .... .. .. .. ..

y(t)
y1
y2 y3
y
k
yN
1 2
k
3 N
t
Figura A.1. Se nal discretizada
El an alisis espectral de las funciones aperi odi-
cas (nitas), esto es, de las funciones completa-
mente determinadas en el intervalo [0, t
0
] con-
siste en el c alculo de las componentes de su den-
sidad espectral, que en forma general puede ser
compleja:
X(j) = X
c
(j)+jX
s
(j) = M()e
j()
siendo M() y () respectivamente el m odulo
y la fase del sistema, donde:
X
c
() =
t
0
_
0
x(t) cos(2f
0
t)dt (A.2a)
X
s
() =
t
0
_
0
x(t) sin(2f
0
t)dt (A.2b)
El algoritmo del an alisis espectral num erico consiste en encontrar los coecientes a
k
y b
k
( o M
k
y
k
en (A.1a) y (A.1b)), donde k = 1, . . . , K, para la funci on peri odica y(t) dada en el intervalo
[0, T] a partir de un conjunto de valores discretos dados como se muestra en la Figura A.1. Esto es
equivalente al c alculo de los integrales de a
k
y b
k
con m etodos de c alculo num erico (por ejemplo, por
el m etodo de Simpson):
a
k
=
2
K
K1
i=1
x
i
cos (2kf
0
it)
b
k
=
2
K
K1
i=1
x
i
sin (2kf
0
it)
donde t = T/K es el paso de integraci on correspondiente a la disposici on de la se nal discretizada.
A.1. Algoritmos de la transformada discreta de Fourier 259
En caso de tener funciones nitas, entonces para (A.2a) y (A.2b) se tiene la siguiente aproximaci on:
X
c
= t
K1
i=0
x
i
cos (2fit) (A.3a)
X
s
= t
K1
i=0
x
i
sin (2fit) (A.3b)
An alisis num erico generalizado del espectro. Se basa en la relaci on que puede establecerse entre
las funciones peri odicas y las funciones nitas. Para esto suponiendo que t
0
= T y haciendo f = kf
0
(en las funciones nitas f R, mientras para las funciones peri odicas se limita el dominio de k Z)
a partir de (A.3a)-(A.3b) se obtiene:
A
k0
=
X
c
t
=
a
k
K
2
=
K1
i=1
x
i
cos (2ift) (A.4a)
B
k0
=
X
s
t
=
b
k
K
2
=
K1
i=1
x
i
sin (2ift) (A.4b)
El an alisis espectral con precisi on mejorada est a basado en la representaci on a priori de x(t) en
los intervalos entre los nodos. Si esta representaci on es imposible de obtener, se pueden utilizar las
f ormulas (A.4a) y (A.4b), que dan el menor error medio cuadr atico. Si se toma x(t) = const. en los
intervalos entre los valores discretizados, entonces se puede obtener para A
k
y B
k
los valores con
precisi on mejorada:
A
K1
= K
f
A
k0
, B
K1
= K
f
B
k0
(A.5)
donde
K
f
=
_
_
_
sin (ft)
ft
= sinc (ft) , f ,= 0
1, f = 0
(A.6)
Las expresiones en (A.5), teniendo en cuenta el coeciente K
f
de (A.6), se obtienen como resultado
de la integraci on de (A.1a) y (A.1b). Si en los intervalos entre los nodos la funci on x(t) se aproxima
linealmente, entonces, los valores obtenidos de A y B ser an:
A
k2
= K
2
f
A
k0
(A.7a)
B
k2
= K
2
f
B
k0
(A.7b)
El an alisis espectral secuencial se cumple de acuerdo al siguiente algoritmo:
1. Se introduce la cantidad N de intervalos de divisi on de x(t), los valores N1 de la primera
muestra diferente de cero y M de la ultima muestra de la se nal x(t) diferente de cero.
2. Se organiza un ciclo de entrada de todos los valores discretizados de la se nal x
i
donde i =
N1, . . . , M. El empleo de valores discretos diferentes de cero permite disminuir el tiempo de
c alculo, si la funci on tomar el valor x(T) = 0 en el punto inicial o nal del intervalo [0, T]
o [0, t
0
]. Sin embargo, los discretos x
i
= 0 cuando N1 i M deber an ser introducidos.
3. Se introduce el paso t.
4. A las variables C y S se le asigna un valor de cero, luego, se asigna un valor a f, para encontrar
p = ft.
5. Se halla A
0
y B
0
por medio de un ciclo en el cual se calculan
C = C +x
i
cos(2ip), S = S +x
i
sin(2ip)
donde i = N1, N1 + 1, . . . , M, a la salida del ciclo A
0
= C y B
0
= C.
6. Para el valor dado de f se encuentran los par ametros necesarios a
k
, b
k
, M
k
, j
k
, X
C
, X
S
o X y
. Por ejemplo, para el c alculo de X y se pueden emplear las siguientes expresiones:
X
t
= M =
_
A
2
0
+B
2
0
, = Q = arc cos
_
A
0
K
_
[rad]
para B
0
> 0, y f = Q[rad], para B
0
< 0. Con las expresiones (A.6) y (A.7b) pueden calcularse
los valores de A
1
, B
1
, S
1
= K
f
S y A
2
, B
2
, S
2
= K
2
f
S para el caso de la aproximaci on por
segmentos lineales.
7. Se retorna al punto 4 para repetir los c alculos de un nuevo valor de frecuencia f.
De esta manera, el c alculo secuencial del espectro permite encontrar la frecuencia y fase de cual-
quier arm onico. En este caso es necesario almacenar en memoria todos los valores de la se nal dis-
cretizada x(t) con su respectiva malla de valores de tiempo. El programa del m etodo secuencial de
c alculo num erico del espectro es el siguiente:
Algoritmo A.1. Analisis espectral secuencial
N=input(introducir cantidad de intervalos de division: )
N1=input(introducir el numero de la primera muestra: )
M=input(introducir el numero de la ultima muestra diferente de cero: )
X= [zeros(1,M)];
for i=N1:M
X(i)=input(introducir la muestra: )
end
t=input(introducir el paso: ) f=1;
f=input(introduzca la frecuencia:)
while f > 0
C=0; S=0;
p=pi*t*f; w=2*p;
end
for i = N1:M
Z = w * i; C = C + X(i) * cos(Z);
S = S + X(i) * sin(Z);
end R = power(C * C + S * S,0.5);
f =-abs(C / R)-pi * t * f; if S < 0
f = -f;
k = sin(p) / p; R1 = k * R; R2 = k * R1;
disp(en caso muestras equidistantes s(f)= ), R * t;
disp(en caso de aproximacion rectangular ), R1 * t;
disp(en caso de aproximacion lineal quebrada ), R2 * t;
disp(fase [rad]), f;
end
Ejercicio en el CP A.1. (control). Encontrar la funci on densidad espectral del pulso cuadrado
dado por los valores x
i
= 1, i = 0, . . . , 7 y x
i
= 0, cuando i = 8, . . . , 31 para t = 0.12510
6
s, y
valor de la frecuencia f = 250000Hz.
Se introducen los valores (N1 = 0, M = 7) y se obtiene
S
0
= 9.0176419510E7, S
1
= 9.00316316210E7, S
2
= 8.9887076210E7, f = 39.375.
Aunque, hoy en da, la capacidad de memoria de los CP aumenta notablemente, de todas maneras,
la cantidad de valores discretos a procesar puede llegar al orden de unos cientos y hasta unidades
de miles. Sin embargo, al aumentar signicativamente su n umero, el tiempo de c alculo hace que
pr acticamente no tenga sentido utilizar el algoritmo A.1, cuando la cantidad de discretos excede las
decenas.
M etodo paralelo de an alisis espectral. Consiste en el c alculo simult aneo (paralelo) de los M
arm onicos. En este caso, es necesario introducir al CP los coecientes a
i
y b
i
( o A
i
y B
i
, respec-
tivamente). Sin embargo, no es necesario almacenar todos los valores de la se nal discretizada x
i
, por
cuanto cada muestra se emplea para el c alculo de todos los arm onicos a medida que este se vaya
introduciendo. El m etodo paralelo de an alisis espectral se realiza de acuerdo al siguiente algoritmo:
1. Se introduce la cantidad necesaria de arm onicos M, el n umero del arm onico inicial kS, la
cantidad total N de valores discretos de x(t) y el n umero del primer, IS, y ultimo, IF, discretos
con valores diferentes a cero.
2. Todos los elementos de los arreglos A(k) y B(k) se igualan a cero y se calcula R = 2B/N.
3. Se organiza el ciclo de introducci on de x
i
= X con la variable iterativa I, que cambia con un
paso unitario desde el valor de IS hasta IF. En este ciclo, se introduce x
i
, se calcula Z = RI
y se realiza el siguiente ciclo interno.
4. Se organiza un ciclo de c alculo de A
i
y B
i
con la variable iterativa k, la cual cambia con un
paso dado igual a 1, desde 0 hasta M 1. Al principio del ciclo se calcula W = Z(k + S),
donde S = IS y, luego:
A(K) =A(K) + X * cos (W) B(K) =B(K) + X * sin (W)
Los valores de A
k
corresponden a las variable de los arreglos A(k), mientras B
k
a los de B(k)
despu es de la salida de los ciclos. Para el arm onico n umero cero, se hace k +S = 0 y se calcula
solamente A
0
sumando todos los x
i
.
5. Se realiza el ciclo de salida de A
k
, B
k
, M
k
y
k
= Q
k
k = 0, . . . , M 1 teniendo en cuenta
el desplazamiento del ndice en la cantidad S, o sea, de la salida en vez del ndice k los valores
k +S. A medida que se efect ua la salida de los valores se calcula
M2 =
M+S
i=k+S
M
2
i
6. Si M
1
= 0, cuando los c alculos se comienzan desde el primer arm onico, se halla el coeciente
de no linealidad con respecto al primer arm onico:
K
A
=
_
M
2
2
+M
3
3
+. . . +M
2
M
M
1
=
_
M2 M
2
1
M
1
7. Haciendo S = 1 se realiza la interpolaci on geom etrica o extrapolaci on, o sea, por los valores
dados de t calcular
x(t) =
A
0
2
+
2
N
_

k=1
A
k
cos (2kt) +
k=1
A
k
sin (2kft)
_
empleando la serie truncada de Fourier con M arm onicos.
En caso de calcular, mediante este algoritmo, una nueva serie de arm onicos, entonces, hay necesi-
dad de repetir la entrada de los nuevos valores discretizados de x
i
. Si la memoria del CP es suciente,
se puede prever la disposici on en la memoria de x
i
dentro del arreglo X(i) que contenga solamente
las muestras diferentes de cero (y
i
,= 0). En este caso, en el punto 3 se puede prever un ciclo adicional
para la entrada del sucesi on de entrada mediante el arreglo X(i). Esta variante de realizaci on corres-
pondera al m etodo secuencial-paralelo de an alisis espectral. El programa correspondiente al m etodo
secuencial/paralelo de c alculo num erico del espectro es el siguiente:
Algoritmo A.2. An alisis secuencial/paralelo espectral
% interpolacion/extrapolacion trigonometrica
N = input(cantidad total de muestras N = );
V = input(numero de muestras inicial IS = );
G = input(numero de muestras final IF = );
G = G-V; Y = zeros(1,G); A = zeros(1,N/2); B = zeros(1,N/2);
R = 2 * pi / N; for i =1:G
i = i+V;
X(i) = input(introduzca x = );
end S = 0; d = 0; while d=1
while S=1
M = input(numero de componentes del espectro M = );
S = input(numero de la primera componente ks = );
f = input(frecuencia F0 = )
a = 0; b = 0; c = 0;
for k = 1:M
A(k) = 0;
B(k) = 0;
end
for i = 1:G
a = a + X(i);
Z(i) = R * (i + V);
for k = 1:M
w = Z(i) * (k + S - 1);
A(k) = A(k) + X(i) * cos(w);
B(k) = B(k) + X(i) * sin(w);
end
end
m0 = a / N; s0 = m0 / f;
disp(componente constante M0 = ), disp(m0)
disp(densidad espectral en el punto cero S0 = ), disp(s0)
for k = 1:M
u = sqrt((A(k)*A(k))+(B(k)*B(k)));
Q = -abs(A(k)/u);
if B(k) < 0
Q =-Q;
end
o = k + S - 1; b = b + u * u;
if k + S == 2
c = u;
end
am(k) = (u*2/N);
de(k) = (u/N/f);
q(k) = (Q);
end
disp(Amplitud M), am
disp(Densidad espectral s), de
disp(Desplazamiento de fase q), q
end
S = 0;
disp(Coeficiente de armonicos kr), disp(sqrt(b-c*c)/c)
d = input(1 - Calcular x(t), 0 - no hay necesidad)
end
t = input(tiempo T = ); x = 0; p = 2 * pi * t * f;
for k = 1:M
w = p * k;
x = x + A(k)*cos(w)+B(k)*sin(w);
end x = m0 + x*2/N
disp(valor de x(t) = ), disp(x)
Ejercicio en el CP A.2. (control): En el caso del ejemplo dado en el anterior programa, se toman
los valores x
i
= 1, i = 0, . . . , 7 y x
i
= 0, i = 8, . . . , 31 para t = 0.125.10
6
s y f = 250000 Hz),
jando M = 5 y MS = 1, con lo cual se obtiene:
M0 = 0.25 S0 = 1.10E 6 KR = 0.81369
M1 = 0.45088 S1 = 9.0176.10E 7 Q1 = 39.375
M2 = 0.32036 S2 = 6.40729.10E 7 Q2 = 78.75
M3 = 0.15224 S3 = 3.0449.10E 7 Q3 = 118.125
M4 = 2.23345X10E 12 S4 = 4.466892.10E 18
M5 = 0.09375 S5 = 1.87503.10E 7 Q5 = 16.875
En el programa A.2 se puede prever la entrada del valor de frecuencia de discretizaci on f
0
= F1
para las se nales peri odicas, el cual determina la distancia entre las diferentes componentes espectrales
kf
0
.
A.1.2. C alculo num erico de la TDF
Si la sucesi on de datos de entrada dada x[n] tiene longitud N, entonces, existir an m aximo N t erminos
en su TDF X(k). Sin embargo, existen aplicaciones donde no todos los N valores de la TDF son
necesarios, o bien, varios de sus valores son cero, por lo que se pueden no tener en cuenta. Para obtener
un c alculo eciente, los requerimientos al algoritmo deben ser muy concretos. Si el n umero completo
de frecuencias es L, pero solamente M son requeridas y se tienen N datos de entrada diferentes de
cero, entonces la TDF puede ser descrita como:
X(k) =
N1
n=0
x[n] W
nk
, W = e
j2/2
, k = 0, . . . , M 1 (A.8)
De esta manera, el n umero de multiplicaciones complejas requeridas es igual a N
2
. En la mayora
de los casos M = L, pero hay situaciones donde M < L. En casos muy especiales, todos los tres
valores son diferentes. En [2], se muestra que los algoritmos ecientes para N = L = M no son
generalmente, los m as ecientes para el caso de M N.
C alculo directo de la TDF. Una forma obvia de calcular la TDF es directamente implementando su
integral de denici on, computando los valores deseados de X(k) de acuerdo con la expresi on (A.8).
En el caso en que x[n] sea complejo, se notan sus partes real X[n] e imaginaria Y [n], a las cuales les
corresponde la transformada con los respectivas t erminos A[k] y B[k], as:
x[n] = X[n] +jY [n] (A.9a)
X [K] = A[K] +jB[K] (A.9b)
donde X, Y, Ay B son funci on de valor real y argumentos de variables enteras. Reemplazando (A.9b)
en la suma (A.8) se obtiene
A[K] +jB[K] =
N1
n=0
[X[n] +Y [n]] [cos (Qnk) +j sin (Qnk)] (A.10)
donde
A[K] =
N1
n=0
X[n] cos (Qnk) +Y [n] sin (Qnk)
B[K] =
N1
n=0
Y [n] cos (Qnk) X[n] sin (Qnk)
mientras, Q = 2B/N, 0 < k < N 1.
El programa que implementa la expresi on de la TDF en (A.10) es el siguiente:
Algoritmo A.3. Calculo directo de TDF
N = input(Ingrese el valor de N = ); n=1:N;
harm = input(Ingrese el valor de armonicos = );
dc = input(Ingrese el valor de dc = );
Q=6.2832/N;
X(n)=sin(2*pi*harm*n/N)+dc; Y(1:N)=0; % X y Y son vectores de entrada
figure(1) subplot(3,2,1),stem(X),xlabel(Vector de entrada X);
subplot(3,2,2),stem(Y),xlabel(Vector de entrada Y);
% Procedimiento TDF
for k = 1:N
A(k) = 0; B(k) = 0; % A y B son vectores de salida
for j = 1:N
A(k)=A(k)+X(j)*cos(Q*(j-1)*(k-1))\ldots
+Y(j)*sin(Q*(j-1)*(k-1));
B(k)=B(k)+Y(j)*cos(Q*(j-1)*(k-1))\ldots
-X(j)*sin(Q*(j-1)*(k-1));
end
M(k)=sqrt(A(k)^2+B(k)^2); % Magnitud de la salida
P(k)=atan(B(k)/A(k)); % Fase de la salida
end
% Representacion de datos de salida
subplot(3,2,5),stem(M),xlabel(Magnitud);
subplot(3,2,6),stem(P),xlabel(Fase);
AR=real(A);BR=real(B);
subplot(3,2,3),stem(AR),xlabel(Parte real de A);
subplot(3,2,4),stem(BR),xlabel(Parte real de B);
Ejercicio en el CP A.3. Realizar el programa anterior y comparar los tiempos de ejecucion en el
caso del algoritmo que implementa la expresion de la TDF en (A.10).
El c alculo de todos los N valores de A y B para las sucesiones complejas requiere de 4N
2
mul-
tiplicaciones de punto otante, 4N
2
adiciones algebraicas de punto otante y 4N
2
operaciones con
funciones trigonom etricas, adem as, de numerosas multiplicaciones y adiciones con enteros. Un pri-
mer paso para aumentar la velocidad de este algoritmo consiste en calcular por aparte los argumentos
de las funciones trigonom etricas y de los arreglos como muestra el siguiente procedimiento:
% Procedimiento TDF
for k=1:N
W=Q*(k-1);
AT=X(1);
BT=Y(1);
for J=2:N
D=W*(J-1);
C=cos(D);
S=-sin(D);
AT=AT+C*X(J)-S*Y(J);
BT=BT+C*Y(J)+S*X(J);
end
A(k)=AT;B(k)=BT;
end
A,B % Arreglos de salida
Sin embargo, el procedimiento desarrollado sigue siendo ineciente, por cuanto, en J se eval uan
las funciones trigonom etricas 2N
2
cuando realmente se tienen solamente N diferentes valores. Una
soluci on alterna consiste en formar una tabla de ayuda con los valores de las funciones trigonom etri-
cas, previamente calculadas, como se muestra a continuaci on (cuando se tiene solamente N diferentes
valores):
% Procedimiento TDF - Tabla de ayuda
for K=1:N
C(K)=cos(Q*(K-1));
S(K)=-sin(Q*(K-1));
end for K=1:N
AT=X(1);
BT=Y(1);
I=K;
for J=2:N
AT = AT + C(I) * X(J) - S(I) * Y(J);
BT = BT + C(I) * Y(J) + S(I) * X(J);
I=I+K-1;
if I>N
I=I-N; % Evaluacion del modulo N
end
end
A(K)=AT;
B(K)=BT;
M(K)=sqrt(A(K)^2+B(K)^2);% Magnitud de la salida
P(K)=atan(B(K)/A(K)); % Fase de la salida
end
En el anterior procedimiento, existe el problema de indexaci on con los argumentos de los senos
y cosenos. Para utilizar una tabla de tama no razonable y con poca redundancia el ndice debe de
ser evaluado por m odulo N, lo cual se realiza en la operaci on condicional dentro del segundo ciclo
interior, aumentando ligeramente el tiempo de c alculo del programa. Una siguiente reducci on del
tama no de la tabla puede ser realizada, aunque a expensas de una mayor complicaci on de indexaci on.
Cuando la operaci on condicional consume, relativamente, mucho m as tiempo que las operaciones
matem aticas del ciclo, entonces, se puede mejorar la velocidad simplemente determinando concreta-
mente las N operaciones incrementando as el c odigo del programa, por lo que esta limitaci on hace
posible su empleo para valores muy peque nos de N. Esta soluci on empieza a ser aceptable en varios
sistemas modernos con alta velocidad de operaci on matem atica.
Una versi on modicada del ejemplo de operaciones concretas es la siguiente:
% Procedimiento TDF -indexaci on
for K=1:N
W=Q*(K-1);
AT=0;BT=0;J=0;
while J<N,
D=W*J;
C=cos(D); S=-sin(D);
J=J+1;
AT=AT+C*X(J)-S*Y(J);
BT=BT+C*Y(J)+S*X(J);
end
A(K)=AT; B(K)=BT;
M(K)=sqrt(A(K)^2+B(K)^2);% Magnitud de la salida
P(K)=atan(B(K)/A(K)); % Fase de la salida
end
Algoritmo de Goertzel. An de obtener un mayor desempe no de la TDF, se deben buscar diferentes
soluciones al c alculo directo, en particular, la soluci on polinomial basada en que la TDF misma es la
transformada Z de x[n] evaluada sobre un ciclo unitario. La transformada Z modicada de x[n]
dada por X (z) =
N1
n=0
x[n] z
n
, puede evaluar (A.8) para z
k
, lo que se puede escribir como
X(z) = Z(z)
z=W
k
N
= F x[n] , W
k
N
= e
2k/N
El m etodo m as eciente de c alculo polinomial es el de Horner [3], seg un el cual una sucesi on de
operaciones puede ser escrita en la forma de la ecuaci on diferencial lineal
y [m] = zy [m1] +x[N m] (A.11)
con condicional inicial y[1] = 0, que obtiene como resultado nal para m = N, el arreglo
X [z] = y [N]
`
_
`
retardo
z
1
y[n] x[N n]
Figura A.2. Algoritmo de Goertzel

reemplazando z = W
k
N
, el anterior algoritmo de
c alculo se conoce como el Algoritmo de Goert-
zel [4], el cual se puede analizar como un ltro
de primer orden que tiene como entrada la suce-
si on de datos en orden invertido y con soluci on
completa para n = N. El diagrama del ltro re-
cursivo se muestra en la Figura A.2 y el siguiente
procedimiento corresponde a su realizaci on:
Algoritmo A.4. Algoritmo de Goertzel (Primer orden)
N = input(Ingrese el valor de N = );
Q=pi/N;
% X e Y, vectores entrada
for K=1:N
S=sin(Q*(K-1));
C=cos(Q*(K-1));
AT=0;BT=0;
for J=1:N
T=C*AT+S*BT+X(N-J+1);
BT=-S*AT+C*BT+Y(N-J+1);
AT=T;
end
A(K)=AT; B(K)=BT;
end
A,B % Vectores de salida
La comparaci on del algoritmo A.4 con el procedimiento de c alculo directo A.3 muestra que la
cantidad de operaciones de multiplicaci on y adiciones de punto otante son las mismas. Sin embargo,
las funciones trigonom etricas son evaluadas para cada frecuencia una sola vez en el algoritmo de
Goertzel, por lo que la cantidad total de operaciones es 2N menor que 2N
2
para el c alculo directo,
disminuyendo as mismo los errores de discretizaci on.
De todas maneras, el algoritmo de Goertzel no mejora substancialmente la eciencia de c alculo
para la TDF, debido a que la constante de retroalimentaci on es compleja y se requieren por lo tanto
para cada dato 4 operaciones de multiplicaci on reales.
De otra parte, usando la igualdad de Euler, W
k
= e
j2k/N
= cos(2k/N) j sin(2k/N), la
expresi on (A.11) se lleva a la forma,
Y [m] = W
K
Y [m1] +X [N m] = (cos j sin)Y [m1] +X [N m]
que se puede ampliar en
Y [m] = 2 cos Y [m1] Y [m2] +X [N m] (cos +j sin X) [N + 1 m]
= q [m] (cos +j sin) q [m1] (A.12)
donde
q [m] = (2 cos) q [m1] q [m2] +X [N m] (A.13)
La expresi on (A.13) tiene coecientes expresados en forma m as simple que requieren solo una
multiplicaci on por iteraci on. Los dem as pasos de c alculo han sido evacuados en (A.12), que se eval uan
solamente una vez despu es que m sea igual a N, lo que se demuestra de:
X(k) = Y [n] = q [N] (cos +j sin) q [N 1]
con condiciones iniciales igual a cero para (A.13): q[0] = q[1] = 0. Se puede demostrar que la
sucesi on de entrada de la ecuaci on iterativa puede entrar en orden natural sin ser invertida, y las
ecuaciones (A.12) y (A.13) se convertir an respectivamente en:
q [m] = (2 cos) q [m1] q [m2] +X [m]
Y [m] = q [m] (cos j sin) q [m1]
El algoritmo de c alculo de la TDF basado en el ultimo par de expresiones se denomina algoritmo
de Goertzel de segundo orden y le corresponde el siguiente procedimiento:
Algoritmo A.5. Algoritmo de Goertzel (Segundo orden)
x = input(\nIngrese el vector de coeficientes X = );
y = input(\nIngrese el vector de coeficientes Y = );
n = length(x); q = 6.2832
/ n ; for k = 1 : n
s = sin( q * (k-1) );
c = cos( q * (k-1) );
cc = 2 * c;
a2 = 0;
a1 = x(1);
b2 = 0;
b1 = y(1);
for j = 2 : n
t = a1;
a1 = cc * a1 - a2 + x(j);
a2 = t;
t = b1;
b1 = cc * b1 - b2 + y(j);
b2 = t;
end
a(k)= c * a1 - a2 - s * b1;
b(k)= s * a1 + c * b1 - b2;
end
disp(Los vectores resultado son :);
a,b % Vectores de salida
El proceso de la parte real e imaginaria de la sucesi on de entrada, en A.5, es paralelo por lo que
en caso de tener sucesiones reales el tiempo pr acticamente se reduce a la mitad. En comparaci on con
el algoritmo de Goertzel de primer orden, el programa A.5 reduce a la mitad el n umero de multipli-
caciones, tiene el mismo n umero de sumas y solo 2N evaluaciones trigonom etricas que pueden ser
calculadas previamente y almacenadas en un arreglo o tabla si existe espacio disponible.
A.2. C alculo de la transformada r apida de Fourier
A.2.1. Representaci on de dimensi on m ultiple de ndices
Uno de los m etodos m as efectivos en la reducci on del tiempo de c alculo num erico en la TDF es el
cambio de variables, descomponiendo su representaci on unidimensional en multidimensional, en otras
palabras, representar un problema complejo por varios m as simples, lo que en este caso es posible,
teniendo en cuenta la estructura de la TDF, cuya notaci on es la siguiente:
X[n] =
N1
k=0
x
0
[k]e
j2nk/N
=
N1
k=0
x
0
[k]W
nk
N
, n = 0, 1, . . . , N 1 (A.14)
Por conveniencia se han realizado los siguientes reemplazos: k kT y n NT. La notaci on
(A.14) implica un sistema de ecuaciones de orden N. As, por ejemplo para N = 4 se tendr a el
siguiente sistema:
X [0] = x
0
[0] W
0
4
+x
0
[1] W
0
4
+x
0
[2] W
0
4
+x
0
[3] W
0
4
X [1] = x
0
[0] W
1
4
+x
0
[1] W
1
4
+x
0
[2] W
1
4
+x
0
[3] W
1
4
X [2] = x
0
[0] W
2
4
+x
0
[1] W
2
4
+x
0
[2] W
2
4
+x
0
[3] W
2
4
X [3] = x
0
[0] W
3
4
+x
0
[1] W
3
4
+x
0
[2] W
3
4
+x
0
[3] W
3
4
(A.15)
El an alisis de (A.15) indica que es necesario realizar N(N 1) sumas y N
2
multiplicaciones (en
forma general, todas operaciones complejas), el cual puede ser representado en forma matricial como:
_
_
X [0]
X [1]
X [2]
X [3]
_
_
_
_
W
0
4
W
0
4
W
0
4
W
0
4
W
0
4
W
1
4
W
2
4
W
3
4
W
0
4
W
2
4
W
4
4
W
6
4
W
0
4
W
3
4
W
6
4
W
9
4
_
_
_
_
x
0
[0]
x
0
[1]
x
0
[2]
x
0
[3]
_
_
(A.16)
que en forma compacta, describe el siguiente sistema matricial:
X = Wx
A.2. C alculo de la transformada r apida de Fourier 269
La matriz W est a compuesta por los t erminos W
nk
N
= e
j2nk/N
o factor de pivote, el cual posee
las propiedades:
W
nk
N
= W
nk mod(N)
N
, periodicidad (A.17a)
W
k+N/2
N
= W
k
N
, antisimetria (A.17b)
Ejercicio en el CP A.4. En el caso analizado de N = 4, aplicando (A.17a) se obtiene el respectivo
valor W
6
4
= exp
_
j
2
4
6
_
= exp(j3) = exp (j) = exp
_
j
2
4
2
_
= W
2
4
.
El siguiente algoritmo permite analizar la periodicidad en N para el factor de pivote:
% Periodicidad del factor de pivote
N=4; % Base de an alisis
for n=1:3*N
m(n)=exp(-j*2*pi*n/N);
end
m % round(real(m)) formato de salida
>>
ans =
0 -1 0 1 0 -1 0 1 0 -1 0 1
A efectos de ilustrar el algoritmo de la TRF, es conveniente escoger la longitud del arreglo de
entrada x
0
[k], en la forma N = 2
m
, m Z. A continuaci on se presenta el desarrollo de la FFT, para
N = 4 o m = 2.
La primera reducci on de operaciones se obtiene utilizando la propiedad de periodicidad (A.17a) del
factor de pivote. Por lo que la matriz (A.16) puede ser escrita como:
_
_
X[0]
X[1]
X[2]
X[3]
_
_
=
_
_
1 1 1 1
1 W
1
W
2
W
3
1 W
2
W
0
W
2
1 W
3
W
2
W
1
_
_
_
_
x
0
[0]
x
0
[1]
x
0
[2]
x
0
[3]
_
_
(A.18)
que reduce la cantidad de argumentos a calcular hasta N 1.
El segundo paso en el desarrollo consiste en factorizar la matriz cuadrada (A.18), mediante el
m etodo explicado en el literal A.2.2, de la siguiente manera [44]:
X =
_
_
X [0]
X [2]
X [1]
X [3]
_
_
=
_
_
1 W
0
4
0 0
1 W
2
4
0 0
0 0 1 W
1
4
0 0 1 W
3
4
_
_
_
_
1 0 W
0
4
0
0 1 0 W
0
4
1 0 W
2
4
0
0 1 0 W
2
4
_
_
_
_
x
0
[0]
x
0
[1]
x
0
[2]
x
0
[3]
_
_
(A.19)
Cabe anotar, que la operaci on de factorizaci on en (A.19) no coincide exactamente con (A.18), en
la medida en que los t erminos internos del vector

X: X[2] y X[1], est an interpuestos con relaci on
al orden de los mismos en X, aunque su ordenamiento no presenta mayor dicultad. Por lo tanto,
se puede aceptar la operaci on de factorizaci on (A.19) como correcta, restando analizar en cuanto se
disminuye el costo computacional en el c alculo de la TDF.
Sea el siguiente arreglo intermedio en (A.19):
_
_
x
1
[0]
x
1
[1]
x
1
[2]
x
1
[3]
_
_
=
_
_
1 0 W
0
4
0
0 1 0 W
0
4
1 0 W
2
4
0
0 1 0 W
2
4
_
_
_
_
x
0
[0]
x
0
[1]
x
0
[2]
x
0
[3]
_
_
(A.20)
Las dos primeras operaciones en (A.20) son las siguientes:
x
1
[0] = x
0
[0] +W
0
x
0
[2]
x
1
[1] = x
0
[1] +W
0
x
0
[3]
de lo cual se deduce que para el c alculo de cada elemento se necesita realizar una suma y una multi-
plicaci on; ambas operaciones complejas. En cuanto a los restantes dos elementos se obtiene:
x
1
[2] = x
0
[0] +W
2
x
0
[2]
x
1
[3] = x
0
[1] +W
2
x
0
[3]
que al tener en cuenta la propiedad de antisimetra (A.17b), entonces, W
0
= W
2
, y por lo tanto,
x
1
[2] = x
0
[0] W
0
x
0
[2]
x
1
[3] = x
0
[1] W
0
x
0
[3]
Luego, para el c alculo del tercer elemento de (A.20) se necesita tan solo una suma compleja, en la
medida en que la multiplicaci on compleja W
0
x
0
[2] ya fue realizada en el c alculo de x
1
[0]. As mismo,
ocurre con el cuarto elemento. Como resultado, el c alculo del vector intermedio x
1
demanda cuatro
sumas complejas y dos multiplicaciones complejas.
El c alculo del vector

X se completa con la siguiente operaci on intermedia:
_
_
X [0]
X [2]
X [1]
X [3]
_
_
=
_
_
x
2
[0]
x
2
[1]
x
2
[2]
x
2
[3]
_
_
=
_
_
1 W
0
4
0 0
1 W
2
4
0 0
0 0 1 W
1
4
0 0 1 W
3
4
_
_
_
_
x
1
[0]
x
1
[1]
x
1
[2]
x
1
[3]
_
_
El primer t ermino que se calcula como x
2
[0] = x
1
[0] + W
0
x
1
[1], que exige una multiplicaci on y
una adici on; ambas operaciones complejas. Igual ocurre con el t ermino x
2
[2]. Mientras, el segundo
t ermino x
2
[1] se calcula con una suma, por cuanto W
0
= W
2
. El t ermino x
2
[3] tambi en exige solo
una adici on compleja.
Finalmente, se obtiene que para el c alculo del vector

X, mediante (A.19), se requieren un total de
cuatro operaciones complejas de multiplicaci on y ocho operaciones complejas de adici on contra las
16 multiplicaciones y 12 sumas (todas operaciones complejas) necesarias en (A.15).
En general, se puede demostrar que la ganancia en la reducci on del n umero de operaciones es:
=
N
2
Nm
2
2N
m
m 1
A.2.2. Desarrollo te orico de la transformada r apida de Fourier
En general, para la descomposici on de la matriz (A.18), empleando la factorizaci on del t ermino W
k
,
se puede encontrar un m etodo compacto de representaci on binaria de los ndices de la exponente k y
n, tales que
= 2
m1
m1
+ 2
m2
m2
+. . . +
0
, k, n, (k, n) Z,
1
,
0
0, 1, (A.21)
donde m = (2
m1
n
m1
+ 2
m2
n
m2
+. . . +n
0
)(2
m1
k
m1
+ 2
m2
k
m2
+. . . +k
0
).
La representaci on binaria en (A.21) impone inicialmente, la restricci on sobre la longitud de la TDF,
que deber a cumplir la condici on N = 2
m
, m Z.
La expresi on de la TDF obtenida a partir de (A.21) se dene como:
X(n
m1
, n
m2
, . . . , n
0
) =
1
k
0
=1
1
k
1
=1
. . .
1
k
m1
=1
x(k
m1
, k
m2
, . . . , k
0
)W
p
N
(A.22)
Por cuanto, se cumple que W
a+b
=W
a
W
b
el factor de pivote W
p
N
se descompone en
W
p
N
= W
(2
m1
n
m1
+2
m2
n
m2
+...+n
0
)(2
m1
k
m1
+2
m2
k
m2
+...+k
0
)
= W
(2
m1
n
m1
+2
m2
n
m2
+...+n
0
)(2
m1
k
m1
)
W
(2
m1
n
m1
+2
m2
n
m2
+...+n
0
)(2
m2
k
m2
)
. . .
. . . W
(2
m1
n
m1
+2
m2
n
m2
+...+n
0
)k
0
(A.23)
A su vez, teniendo en cuenta que W
2
m
N
= W
N
N
= 1, el primer t ermino de (A.23) se simplica en
W
(2
m1
n
m1
+2
m2
n
m2
+...+n
0
)(2
m1
k
m1
)
= W
2
m
(2
m2
n
m2
k
m1
)
N
W
2
m
(2
m3
n
m2
k
m1
)
N
. . .
. . . W
2
m
(n
1
k
m1
)
N
W
2
m1
(n
0
k
m1
)
N
= W
2
m1
(n
0
k
m1
)
N
De manera similar, el segundo t ermino de (A.23) se reduce a
W
(2
m1
n
m1
+2
m2
n
m2
+...+n
0
)(2
m2
k
m2
)
= W
2
m
(2
m3
n
m1
k
m2
)
N
W
2
m
(2
m4
n
m2
k
m2
)
N
. . .
. . . W
2
m1
(n
1
k
m2
)
N
W
2
m2
(n
0
k
m2
)
N
= W
(2n
1
+n
0
)2
m2
(n
0
k
m2
)
N
y as sucesivamente, se encontrar a que cada factor de descomposici on agrega un t ermino que no se
cancela, por lo que la expresi on TDF en (A.22) puede ser escrita como:
X(n
m1
, n
m2
, . . . , n
0
)
=
1
k
0
=0
1
k
1
=0
. . .
1
k
m1
x(k
m1
, k
m2
, . . . , k
0
)W
2
m1
(n
0
k
m1
)
W
(2n
1
+n
0
)2
m2
k
m2
. . .
. . . W
(2
m1
n
m1
+2
m2
n
m2
+...+n
0
)k
0
Realizando cada una de las sumatorias separadamente y etiquetando cada uno de los resultados
intermedios se obtiene la siguiente ecuaci on recursiva:
x
1
(n
0
, k
m2
, . . . , k
0
) =
1
k
m1
=0
x
0
(k
m1
, k
m2
, . . . , k
0
) W
2
m1
(n
0
k
m1
)
x
2
(n
0
, n
1
, k
m3
, . . . , k
0
) =
1
k
m2
=0
x
1
(n
0
, k
m2
, . . . , k
0
)W
(2n
1
+n
0
)2
m2
k
m2
.
.
.
.
.
.
x
m
(n
0
, n
1
, . . . , n
m1
) =
1
k
0
=0
x
m1
(n
0
, n
1
, . . . , k
0
)W
(2
m1
n
m1
+2
m2
n
m2
++n
0)k
0
X(n
m1
, n
m2
, . . . , n
0
) = x
m
(n
0
, n
1
, . . . , n
m1
)
(A.24)
donde x
0
= x es el vector original de entrada. La expresi on (A.24) representa la formulaci on del
algoritmo b asico de TRF en base binaria.
Como ejemplo de ilustraci on, se desarrolla el algoritmo concreto para N = 4, que de acuerdo a
(A.21) le corresponde la representaci on = 2
1
+
0
, k, n , con la siguiente descomposici on:
X(n
0
, n
1
) =
1
k
0
=0
1
k
1
=0
x
0
(k
1
, k
0
)W
(2n
1
+n
0
)(2k
1
+k
0
)
(A.25)
El factor de pivote se puede descomponer de acuerdo a (A.23) como:
W
(2n
1
+n
0
)
W
(2k
1
+k
0
)
= W
(2n
1
+n
0
)2k
1
W
(2n
1
+n
0
)k
0
=
_
W
4n
1
k
1
_
W
2n
1
k
0
W
(2n
1
+n
0
)k
0
= W
2n
0
k
1
W
(2n
1
+n
0
)k
0
por lo que se puede escribir la TDF (A.25) en la forma:
X(n
0
, n
1
) =
1
k
0
=0
_
_
1
k
1
=0
x
0
(k
1
, k
0
)W
2n
0
k
1
_
_
W
(2n
1
+n
0
)k
0
En forma general, cuando la longitud de la TDF no sea prima, N puede ser factorizado como
N = N
1
N
2
. Los dos nuevos ndices de las variables n
i
= 0, . . . , N
i
1; i 1, 2 podr an ser
representadas linealmente en la variable inicial n, si;
n =
1
n
1
+
2
n
2
)
N
(A.26)
De la expresi on (A.26), no queda claro si todos los valores de n est an representados, o m as bien si
la representaci on es unica, esto es, uno a uno. En [5] se demuestra que existir a siempre un
i
, tal que
la representaci on (A.26) sea biyectiva. Sin embargo, se analizan dos casos:
Caso 1. N
1
y N
2
son relativamente primos, esto es, (N
1
, N
2
) = 1 (donde (M, L) = L es la nota-
ci on del m aximo com un divisor entre M y N). La representaci on entera de (A.26) ser a unica
solamente si se cumple
(
1
= aN
2
) y/o (
2
= bN
1
) y (a, N
1
) = (
2
, N
2
) = 1 (A.27)
Caso 2. N1 y N2 (N1, N2) > 1 no son n umeros primos, entonces, se deber a cumplir:
(
1
= aN
2
) y (
2
,= bN
1
) y (a, N
1
) = (K
2
, N
2
) = 1 (A.28)
Para el primer caso, la representaci on (A.26) es denominada factor de representaci on prima (FRP)
cuando K
1
= aN
2
y K
2
= bN
1
, mientras, para el segundo caso se denomina factor de representaci on
com un (FRC), cuando:
K
1
= aN
2
o K
2
= bN
1
, pero no ambos (A.29)
De hecho, el FRC puede ser empleado siempre. De igual manera, se pueden denir los ndices de
representaci on
3
y
4
en el eje de las frecuencias:
k =
3
K
1
+
4
K
2
) N (A.30)
con las mismas condiciones denidas en (A.27) y (A.28).
El siguiente paso, teniendo denidos los ndices de representaci on consiste en la denici on de TDF
por medio de arreglos bidimensionales a la entrada y salida del sistema
x(n
1
, n
2
) = x[
1
n
1
+
2
n
2
] (A.31a)
X(k
1
, k
2
) = X(
3
k
1
,
4
k
2
) (A.31b)
que aplicados a la denici on de TDF (A.8) resulta en
X =
N
2
1
n
2
=0
N
1
1
n
1
=0
xW
3
n
1
k
1
W
4
n
1
k
2
W
3
n
2
k
1
W
4
n
2
k
2
(A.32)
Aunque todos los multiplicandos exponenciales tienen una misma base, permitiendo reducir as a
un solo t ermino, el an alisis del algoritmo de la TDF por (A.32) muestra que requiere la misma cantidad
de operaciones que el segundo algoritmo directo en (A.9b). Sin embargo, para reducir los c alculos las
constantes
i
pueden ser escogidas de tal manera que se cumpla la condici on [5]:
4
)
N
= 0 o
2
3
)
N
= 0 (A.33)
n
1
0 1 2 3 k
1
0 1 2 3
0 0 4 8 12 0 0 1 2 3
1 1 5 9 13 1 4 5 6 7
2 2 6 10 14 2 8 9 10 11
3 3 7 11 15 3 12 13 14 15
K1 K2
Figura A.3. Arreglos de ndices
Cuando N
i
son relativamente primos, ambos
t erminos de (A.33) se pueden tomar iguales a
cero. Un ejemplo de FRC es usado en el algo-
ritmo de Cooley-Tukey (con factores comunes
N = 2
M
), en particular, el algoritmo de base
4 de la TRF para una longitud de N = 16 de la
TDF:
n = 4n
1
+n
2
k =
1
+ 4
2
Los arreglos correspondientes de los ndices son se muestran en la Figura A.3. En este caso, debido
a que los factores N son comunes, solamente una de las condiciones de (A.33) pueden ser escogidos,
luego, (A.31b) ser a
X =
3
n
2
=0
3
n
1
=0
xW
n
1
k
1
4
W
n
2
k
1
W
n
2
k
1
16
W
n
2
k
2
4
donde W
N
= e
j2/N
. La suma interior por n
1
representa las 4 TDF de longitud N = 4, W
16
representa las 16 operaciones de multiplicaci on complejas y la suma exterior por n
2
representa otras
4 TDF de longitud 4.
A.2.3. Algoritmo de Cooley-Tukey
,
,
g

x[1]
x1[0]
x1[1]
x[0]
Figura A.4. Diagrama mariposa
Este algoritmo de c alculo de la TDF, com unmen-
te conocido como Fast Fourier Transform (FFT),
emplea el principio de representaci on sucesiva y
se caracteriza por su alta velocidad de c alculo.
En el algoritmo de TRF se emplea el FRC en los
ndices de frecuencia y tiempo dados en (A.26)
y (A.30) con las condiciones (A.29) resultando
en los siguientes ndices de representaci on [6]:
n = N
2
n
1
+n2
k = k
1
+N
1
k
2
(A.34a)
que reemplazando en (A.32) da como resultado
X =
N
2
1
n
2
=0
N
1
1
n
1
=0
xW
n
1
k
1
N
1
W
N
n
2
k
2
W
n
2
k
2
N
2
(A.35)
La representaci on (A.34a) y la TDF en la forma (A.35) son los fundamentos para el desarrollo del
algoritmo de la TRF.
Decimaci on en frecuencia. La manera m as com un y eciente de implementaci on de la TRF emplea
todas las M, denominadas base raz del sistema, que se encuentran relacionadas con la longitud total
de la TDF, N = R
M
. Las bases raz R = 2 y R = 4 son las m as comunes debido a que no se
requieren operaciones de multiplicaci on. Ocasionalmente, se emplean otras de orden superior 2
R
.
Para el caso de la TRF de base 2 los ndices de representaci on (A.34a) son:
n = (N/2)n
1
+n2 (A.36a)
k = k
1
+ 2k
2
(A.36b)
la primera suma por n
1
de (A.35) tiene la forma,
x(k
1
, n
2
) =
l
n
1
=0
x(n
1
, n
2
)(1)
n
1
k
1
(A.37)
la cual se ilustra en la Figura A.4. La suma exterior dada para k
2
y n
2
ser a
X(k
1
, k
2
) =
N/21
n
2
=0
y(k
1
, n
2
)W
n
2
k
2
N/2
(A.38)
donde y(K
1
, n
2
) = x(K
1
, n
2
) W
K
1
n
2
N
corresponde a una funci on mixta que entrevera t erminos entre
una y otra suma.
Las ecuaciones (A.36b) y (A.37) se ilustran en la Figura A.5a) y muestran c omo una TDF de longi-
tud N puede ser calculada por medio de dos TDF de longitud N/2. Esta es la idea b asica contenida en
el algoritmo de base 2 de la FFT y al proceso de obtenci on se le denomina decimaci on en frecuencia
(DEF) por cuanto las dos TDF de longitud N/2 dan el total de la TDF como se ilustra en la Figura
A.5b). Una de ellas da los t erminos pares y la otra los impares.
X0
X1
X2
X3
X4
X5
X6
X7
X0
X1
X2
X3
X4
X5
X6
X7
x0
x1
x2
x3
x4
x5
x6
x7
x0
x4
x2
x6
x1
x5
x3
x7
W0
W1
W2
W3 W2
W0
W2
W0
(a) (b)
Figura A.5. diagrama de ujo de la TDF para N = 8
El diagrama de ujo de la TDF de longitud N = 2 en (A.37) se muestra en la Figura A.4, por su
forma es llamado de mariposa. La implementaci on en Matlab del procedimiento de mariposa para
la TDF de longitud 2 es la siguiente:
% % Mariposa
T=x(1)+x(2)
x(2)=x(1)+x(2) % parte real
x(1)=T
T=y(1)+y(2)
y(2)=y(1)-y(2) % parte imaginaria
y(1)=T
La variable T es denominada de almacenamiento temporal y tiene como n evitar el uso de arreglos
de memorias auxiliares mayores. El algoritmo de base 2 de la TRF, que puede ser implementado para
cualquier longitud N = 2
M
, prev e un ciclo exterior para M dimensiones o etapas de desmembra-
miento de la longitud total (el ciclo por k del siguiente programa). El siguiente ciclo por j se lleva a
cabo para las N
2
TDF de longitud 2. El ciclo interior por i contiene las TDF de longitud 2 (mariposas)
y el c alculo concreto del t ermino de entreveraci on.
El algoritmo, adem as, comtempla un desplazamiento en las direcciones de acuerdo a los ndices de
representaci on en (A.38).
Algoritmo A.6. Transformada R apida de Fourier
N2 = N;
for k = 1 : M
N1 = N2; N2 = N2 / 2;
e = 2 * pi / N1; A = 0.;
for j = 1 : N2;
S = - sin(A);
C = cos(A);
A = j * e;
for i = j : N1 : N
L = i + N2 ;
xt = x(i) - x(L);
x(i) = x(i) + x(L);
yt = y(i)- y(L);
y(i) = y(i) + y(L);
x(L) = xt * C + yt * S;
y(L) = yt * C - xt * S;
end
end
end
El algoritmo A.6 contiene M = log
2
N etapas cada una con N/2 multiplicaciones que da un
total de multiplicaciones complejas para la FFT de (N/2) log
2
N. A partir de la aparici on de la FFT
algunos mejoramientos han sido realizados. El primero y, tal vez, el m as importante consiste en el
empleo de otras bases. El algoritmo de base 4 de la FFT no exige multiplicaciones. En particular, su
implementaci on es la siguiente:
Algoritmo A.7. mariposa base 4
R1=x(1)+x(3)
R2=x(1)-x(3)
R3=x(2)+x(4)
R4=x(2)-x(4)
S1=y(1)+y(3)
S2=y(1)-y(3)
S3=y(2)+y(4)
S4=y(2)-y(4)
x(1)=R1+R3
x(3)=R1-R3
x(2)=R2+S4
x(4)=R2-S4
y(1)=S1+S3
y(3)=S1-S3
y(2)=S2-R4
y(4)=S2+R4
Donde el arreglo x contiene la parte real,
mientras el arreglo y contiene la parte compleja
de los datos. El n umero de multiplicaciones pa-
ra las FFT de base 2 y 4 corresponde al n umero
del t ermino de entreveraci on, esto es, N en cada
M etapas. Como se tiene el doble de etapas pa-
ra la base 2 con relaci on al de base 4 el n umero
de multiplicaciones de la FFT de base dos tiene
que aumentar al doble. Aunque realmente varias
multiplicaciones en el algoritmo de base 2 son
por 1 y no se llevan a cabo, con lo que el factor
de aumento es menor que dos.
El n umero de sumas tambi en es menor para
el algoritmo de base 4 A.7. Por cuanto se tienen
menos etapas, la cantidad de datos por transferir
es menor tambi en.
El programa, para el caso de la base 4, consiste en adaptar la correspondiente mariposa del siguiente
programa con algunos otros cambios menores.
Algoritmo A.8. TRF - base 4
x = input(\n Introduzca el vector X : ... )
y = input(\n Introduzca el vector Y : ... )
n = length(x); m = log2(n); n2 = n;
for k = 1 : m % ciclo 1
n1 = n2; n2 = round(n2/2);
e = pi * 2/n1; a = 0;
for j = 1 : n2 % ciclo 1
b = a + a; c = a + b;
co1 = cos(a); co2 = cos(b); co3 = cos(c);
si1 = sin(a); si2 = sin(b); si3 = sin(c);
a = j * e;
for i = j : n1 : n % ciclo 1
i1 = i + n2; i2 = i1 + n2; i3 = i2 + n2;
if (i1 > n)
i1 = n ;
end
if (i2 > n)
i2 = n ;
end
if (i3 > n)
i3 = n ;
end
r1 = x(i) + x(i2); r3 = x(i) - x(i2);
s1 = y(i) + y(i2); s3 = y(i) - y(i2);
r2 = x(i1) + x(i3); r4 = x(i1) - x(i3);
s2 = y(i1) + y(i3); s4 = y(i1) - y(i3);
x(i) = r1 + r2; r2 = r1 -r2;
r1 = r3 - s4; r3 = r3 + s4;
y(i) = s1 + s2; s2 = s1 - s2;
s1 = s3 + s4; s3 = s3- r4;
x(i1) = co1 * r3 + si1 * s3;
y(i1) = co1 * s3 - si1 * r3;
x(i2) = co2 * r2 + si2 * s2;
y(i2) = co2 * s2 - si2 * r2;
x(i3) = co3 * r1 + si3 * s1;
y(i3) = co3 * s1 - si3 * r1;
end
end
end disp(Los vectores resultado son : ......); x,y
La TRF de longitud 8 tambi en puede ser desarrollada para obtener menores multiplicaciones. Sin
embargo, la reducci on de las etapas no es proporcional al factor y la reducci on en el n umero de adicio-
nes es casi inexistente [2]. Para el caso de la base 16 el decremento en el n umero de multiplicaciones
es neutralizado por el incremento en un c odigo muy largo de programaci on y del n umero de adiciones.
En general, el empleo de mayores bases raz es poco frecuente, por cuanto generalmente se requie-
ren substancialmente muchas m as multiplicaciones en las mariposas y no llevan a la reducci on en las
multiplicaciones del t ermino de entreveraci on.
La segunda forma de reducci on de c alculo de la TRF es evitar la multiplicaci on innecesaria en
el t ermino de entreveraci on por 1, o por j, que ocurre cuando el exponente de W
N
es cero o
m ultiplo de N/4. Esto se puede realizar haciendo una mariposa aparte para los casos especiales como
se muestra en el siguiente programa.
Algoritmo A.9. TRF - mariposa interna
x = input(\nIntroduzca el vector X : ... );
y = input(\nIntroduzca el vector Y : ... );
n = length(x); m = log2(n); n2 = n;
for k = 1 : m % Ciclo 1
n1 = n2;
n2 = round(n2 / 2);
for i = 1 : n1 : n % Mariposa aparte
l = i + n2 ;
if (l > n)
l = n ;
end
xt = x(i) - x(l);
x(i) = x(i) + x(1);
yt = y(i) - y(l);
y(i) = y(i) + y(l);
x(l) = xt;
y(l) = yt;
end
while (k == m)
e =$ $ 2 * pi / n1;
a = e;
for w = 2 : n2 % ciclo 2
s = -1 * sin (a);
c = cos (a);
a = w * e;
for i = w : n1 : n % Ciclo 3
l = i + n ;
if (l > n)
l = n ;
end
xt = x(i) - x(l);
x(i) = x(i) + x(l);
yt = y(i) - y(l);
y(i) = y(i) + y(l);
x(l) = xt * c - yt * s;
y(l) = xt * s + yt * c;
end
end
end
end
disp(Los vectores resultado son : ......);x,y
Cuando el exponente de W
N
es N/8 o alg un m ultiplo, una peque na reducci on adicional es posible.
Puesto que las partes real e imaginaria de W a la N/8 potencia son iguales entonces se puede hacer lo
siguiente: Sea C la parte real de W y S la imaginara, la parte real de los datos X y Y la imaginaria.
El producto de W veces los datos es entonces
(C +jS)(X +jY ) = R +jI
R = CX SY
I = CY +SX (A.39)
que requiere cuatro multiplicaciones y dos adiciones todas reales. Si la W tiene exponente N/8 o
alg un m ultiplo y C = S = 1/
2. En este caso, el anterior producto toma la forma:

(C +jC)(X +jY ) = R +jI
R = C(X Y )
I = C(X +Y ) (A.40)
que requiere solamente dos multiplicaciones y dos adiciones todas reales. Este es uno de los algorit-
mos m as efectivos cuando se poseen procesadores de prop osito general.
El tercer m etodo para la reducci on de multiplicaciones consiste en disminuir el n umero de multi-
plicaciones a expensas del aumento de adiciones en (A.39) de la siguiente manera (4 multiplicaciones
y 2 sumas reales):
Z = C(X Y )
D = C +S
E = C S
luego la parte real e imaginara del producto se puede escribir como (3 multiplicaciones y 5 sumas
reales)
R = DY +Z
I = EX Z (A.41)
una especie de tabla de ayuda puede ser calculada previamente para C, D y E. En este caso, se
requerir an tres multiplicaciones y tres sumas todas reales para cada multiplicaci on compleja. Si la
multiplicaci on es mucho m as lenta este algoritmo ser a m as r apido [5]. La implementaci on se presenta
en el siguiente programa:
Algoritmo A.10. TRF con tabla de ayuda
% Inicializacion de la tabla de senos y cosenos
x = input(\nIntroduzca el vector X : ... )
y = input(\nIntroduzca el vector Y : ... )
n = length(x); m = log2(n); p = pi / n ;
for k = 1 :
round(n/2) % tabla de ayuda
a = (k - 1) * p ;
wr(k)= cos(a) ;
wi(k)= -1 * sin(a);
end
% Transf. rapida de Fourier de base 2
n2 = n ;
for k = 1 : m % ciclo 1
n1 = n2 ;
n2 = round(n2 / 2) ;
ie = n / n1 ; ia = 1 ;
for j = 1 : n2 % ciclo 2
a = round(a);
s = wi(a) ;
c = wr(a) ;
ia = ia + ie ;
for i = j : n1 : n % ciclo 3
l = i + n2 ;
if ( l > n )
l = n ;
end
xt = x(i) - x(l) ;
x(i) = x(i) + x(l) ;
yt = y(i) - y(l) ;
y(i) = y(i) + y(l) ;
x(l) = xt * c - yt * s ;
y(l) = xt * s + yt * c ;
end
end
end
disp(Los vectores resultado son : ......);x,y
Realmente, esta ultima forma de reducci on debe de llevar a la reducci on del tiempo de c alculo
cuando no se analizan operaciones extras de hardware.
En algunos procesadores digitales especializados, puede ocurrir que las operaciones de multiplica-
ci on y suma est en acopladas entre ellas, de tal manera que la reducci on de una multiplicaci on para
agregar una suma puede no conllevar a la disminuci on de velocidad, ante este hecho, la presencia del
comando condicional, m as bien puede reducir el desempe no del algoritmo.
Existen varias formas de mejorar la velocidad de ejecuci on y versatilidad del programa A.10. En
particular, para este ultimo caso, la longitud de los datos muchas veces es diferente a la condici on de
m ultiplo de 2, por lo que se requerir a la mezcla de dimensiones de longitud diferente, sin embargo,
esto generalmente conlleva a la p erdida de eciencia. Otra soluci on consiste en que si hay valores
innecesarios, o muchos de ellos son cero, cierta ventaja se puede tomar recortando varias operaciones
innecesarias [7].
Una alternativa que puede ser empleada consiste en la representaci on de los elementos de salida
en vez de los de entrada como hasta ahora se ha hecho. Este algoritmo es llamado Decimaci on en el
tiempo (DET). Sin embargo el desempe no es b asicamente el mismo que el del DEF [4,8].
En general, el n umero de multiplicaciones siempre decrece con el aumento de la base. Adem as, la
reducci on debida al cambio de dos a tres mariposas no es tan notoria como de 1 a 2 y m as a un esta
decrece con el aumento de las bases.
A.2.4. Acomodaci on de datos en la TRF
La selecci on del valor de N dentro de la serie 2
M
, M Z
+
, trae, de por s, cierta incomodidad en
la realizaci on de la TRF. Existen varias maneras de salvar este momento y una de ellas consiste en
su c alculo aproximado rellenando de ceros sim etricamente los puntos que hagan falta hasta la canti-
dad inmediatamente superior m ultiplo de 2
M
. Los procedimientos de TRF, por lo general, permiten
efectuar la TDF en sus formas directa e inversa de los arreglos u = X
i
+ jY
i
y v
k
= X
k
+ jY
k
,
brindando as la transformaci on de X
i
X
k
, Y
i
Y
k
y viceversa. El mejoramiento de la preci-
si on de la TRF se puede alcanzar con un proceso especial de los datos de entrada o salida. El proceso
en los datos de entrada consiste en la multiplicaci on de cada una de las muestras por los coecientes
de peso W
i
, escogidos de tal manera, que puedan brindar una aproximaci on dada a y(t) durante su
integraci on. Los valores de W
i
= 1 corresponden a la aproximaci on escalonada y, por lo tanto, a la
integraci on por el m etodo de rect angulos. Si W
i
= 1/2, 1, 1, . . . , 1, 1, 1/2, entonces la integraci on
es efectuada por el m etodo de los trapecios. Cuando W
i
= 1/3, 4/3, 2/3, 4/3, 2/3, . . . , 4/3, 1/3, la
aproximaci on de y(t) ser a parab olica, esto es, el m etodo de integraci on empleado ser a el de Simpson.
En s, se puede efectuar cualquier tipo de aproximaci on polinomial de m as alto grado escogiendo la
serie de valores de W
i
correspondientes. De manera an aloga, para el aumento de precisi on de la TRF
por medio del proceso de los datos de salida, se lleva a cabo multiplicando X
k
y Y
k
por el coeciente
K
k
= sin(k/N)/(k/N) e introduciendo la correcci on de desplazamiento de fase
k
= k/N.
Es importante anotar que no se podr an utilizar ambos tipos de aproximaci on (a la entrada y salida
simult aneamente) por cuanto ellos son variantes alternativas de mejoramiento de la aproximaci on de
y(t). El efecto de Gibbs, que se observa en la interpolaci on geom etrica de la serie de Fourier de las
funciones quebradas o con rompimientos, disminuye signicativamente en caso de utilizar cualquiera
de los m etodos de aumento de precisi on antes descritos de la TRF.
Bibliografa
[1] V. I. Kupreev and V. V. Nosach, Algoritmos y programas de Filtracion digital en el proceso de informacion
de vuelo (Rus). Kiev: Vozdushnyi transport, 1988.
[2] I. I. Privalov, Vvedenie v teoriju funktsii kompleksnogo peremennogo. Moskva: Nauka, 1977.
[3] A. M. Trakhman and V. A. Trakhman, Fundamentos de teora de se nales discretas en intervalos nitos
(Rus). Mosc u: Soviestkoe Radio, 1975.
[4] L. A. Zalmanson, Fourier, Haar, Walsh Transforms and their application in Control, Communications
and other Fields. Mosc u: Nauka, 1989.
[5] K. A. Samoylo, Sistemas y se nales radiotecnicos (Rus). Mosc u: Radio i Svyaz, 1982.
[6] R. E. Edwars, Fourier Series: A Modern Introduction. Camberra: SV, 1979, vol. I, II.
[7] I. S. Gonorovskiy, Circuitos y se nales radiotecnicos. Mosc u: Progress, 1972.
[8] E. A. Guillemin, The Mathematics of Circuit Analysis. New York: John Wiley, 1949.
[9] P. S. Akimov, A. I. Senin, and V. I. Solenov, Proceso de se nales en sistemas de informacion (Rus). Mosc u:
Radio i Svyaz, 1994.
[10] L. E. Franks, Signal Theory. New Jersey: PH. Englewood Clis, 1969.
[11] N Zajarchenko and P. Nudelman, Fundamentos de la transmision de se nales discretas (Rus). Mosc u:
Radio i Svyaz, 1990.
[12] A. V. Oppenheim and R. W. Schafer, Digital Signal Processing. New Jersey: Prentice Hall, 1975.
[13] R. Bracewell, The Hartley Transform. New York: Oxford University Press, 1986.
[14] M. S, A Wavelet Tour of Signal Processing. Academic Press, 1998.
[15] S. G. Tzafestas, Walsh Functions in Signal and Systems Analysis and Design. New York: Van Nostrand
Reihold Co, 1985.
[16] L. Cohen, Wavelets and Signal Processing. BirkHauser, 2003.
[17] C. Burrus and T. Parks, DFT/FFT and Convolution Algorithms. New York: Wiley, 1985.
[18] F. Riezs and B. Nagy, Functional Analysis. New York: Dover, 1990.
[19] N Levan, Systems and signals.
[20] N. Wiener, Nonlinear Problems in Random Theory, 1st ed. Cambridge,Mass: MIT Press, 1958.
[21] L. V. Danilov, Series de Volterra-Picard en Sistemas No Lineales (Rus). Mosc u: Radio i Svyaz, 1987.
[22] V. I. Tijonov, Nielinijenye prjeobrazovanija sluchaynyj protsessov. Moskva: Radio i Svjaz, 1986.
[23] V. Bolnokin and P. Chinaev, Analiz i Sintez Sistem Avtomaticheskogo Upravlenija v EBM. Moskva:
Radio i Svjaz, 1991.
[24] A. Antonio, Digital Filters: Analysis and Design, 1983.
[25] M. V. Wickerhauser, Adapted Wavelet Analysis: From Theory to Software. IEEE Press, 1994.
281
282 BIBLIOGRAF
IA
[26] D. I, Ten Lectures on Wavelets. Lowell, MA, 1992.
[27] N Akhmed and P. Rao, Ortogonal Transformations in Digital Signal Processing, 1980.
[28] V. D. Enden and N A Verhoeckx, Discrete-Time Signal Processing. An Introduction. Cambrige: PHI,
1989.
[29] I. A. Mizin and A. A. Matveev, Filtros digitales (Rus). Mosc u: Svyaz, 1979.
[30] L. R. Rabiner and B. Gold, Theory and application of digital signal processing. Prentice Hall, 1975.
[31] A. Jensen and A. Cour-Harbo, Riples in Mathematics: The discrete wavelet transform. Springer, 2001.
[32] S. Mallat, A Wavelet tour of signal processing. Academic Press, 1999.
[33] G. Strang and T. Nguyen, Wavelets and Filter Banks. Wellesley, MA, USA: Wellesley-Cambridge Press,
1996.
[34] W. Sweldens, The lifting scheme: A custom-design construction of biorthogonal wavelets, Appl. Comput.
Harmon. Anal., vol. 3, no. 2, pp. 186200, 1996.
[35] , The lifting scheme: A construction of second generation wavelets, SIAM J. Math. Anal., vol. 29,
no. 2, pp. 511546, 1997.
[36] R. Claypoole, R. Baraniuk, and R.
Novwak, Adaptive wavelet transforms via lifting, IEEE TRansactions

on Signal Processing, pp. 171199, May, 1999.
[37] I. Daubechies and W. Sweldens, Factoring wavelet transforms into lifting steps, Journal Of Fourier
Analysis And Applications, vol. 4, pp. 247269, 1998.
[38] J. Bendat and A. Piersol, Random data: analysis and measurement procedures. New York, USA: John
Wiley and Sons, 1971.
[39] D. Hilbert and R. Kurant, Metody matematicheskoi ziki. T.1 (Rus). Mosc u: Gostechizdat, 1951.
[40] S. Vilenkin, Statisticheskije metody issledovanija sistem avtomaticheskogo regulirovanija. Moskva: So-
vestkoe Radio, 1967.
[41] B. Shajtarin and V. Kovrigin, Metody spektralnogo otsenivanija sluchaiynyj proytsessov. Moskva: Geliyus
ARV, 2005.
[42] L. Goldemberg and B. Matiyushkin, Tsifrovaja Obrabotka signalov. Moskva: Radio i Svajz, 1985.
[43] L. Marple, Digital Spectral Anaylisis with Applications. Englewood Clis, New Jersey: Prentice Hall,
1987.
[44] O. Brigham, The Fast Fourier Transform. Englewood Clis, New Jersey: Prentice Hall, 1974.
Indice alfab etico

actualizaci on
dual, 218
estrategias, 218
primaria, 218
ARV, 129, 214
Bessel
desigualdad, 17
cesptro, 47
Chebyshev
aproximaci on, 201
convoluci on
circular, 149
discreta, 147
integral, 54
Cooley-Tukey
algoritmo, 274
correlograma, 241
decimaci on, 123
frecuencia, 274
densidad
espectral energa, 229
espectral potencia, 231
DEP
denici on, 46
estimaci on, 233
descomposici on
K-L, 226
polif asica, 215
Dirichlet
condiciones, 24
distancia, 12
error
distancia, 201
potencia, 225
espectro
denici on, 17
Espectrograma, 51
factor
pivote, 116
ltraci on
Walsh, 152
ltro
an alogo, 167
bancos, 213
Butterworth, 173
Chebyshev, 176
elptico, 178
formante, 250
modelos, 88
forma
can onica, 162
escalera, 165
paralela, 163
secuencial, 164
Fourier
espectro, 19
series, 19
TCTF, 50
transformada, 39, 40
funci on
base, 13
delta, 6
escal on, 8
ortogonal, 14
ponderaci on, 26
ventana, 188
Walsh, 31
funcional, 66
Gibbs
efecto, 280
fen omeno, 186
pulsaciones, 200
Gibss
fen omeno, 25
Goertzel
algoritmo, 266
Hadamar
matriz, 142
Kotielnikov
serie, 108
teorema, 107
m etodo
paralelo, 261
283
284

INDICE ALFAB

ETICO
secuencial, 260
matrix
estado, 103
modelo
AR, 252
ARMA, 251
MA, 252
param etrico, 251
norma, 12
operador
aproximaci on, 73
degenerado, 72
dicretizaci on, 71
espectro, 77
invariante, 70
lineal, 64
Parseval
relaci on, 46
teorema, 17
periodograma
algoritmo, 243
Bartlett, 238
Blackman-Tukey, 241
denici on, 234
m etodo, 237
Welch, 239
polinomio
Laurent, 218
polinomios
Chebyshev, 29
Legendre, 27
Remez
algoritmo, 205
se nales
clasicaci on, 2
series
trigonom etrica, 23
transformada
bilineal, 169
discreta, 115
discreta cosenos, 119
discreta Haar, 127
discreta Hartley, 119
discreta Walsh, 126
enventanada, 50
Fourier, 40
generalizada, 39
Hartley, 48
Hilbert, 56
Laplace, 51
lineal, 63
polif asica, 217
r apida, 137
r apida Fourier, 138
r apida Haar, 143
r apida Hartley, 140
r apida Walsh, 142
Walsh, 53
wavelet, 58
wavelet discreta, 128
Z, 120
Z m etodo, 172
ventana
empleo, 195
espectral, 235, 245
funci on, 188
Volterra
series, 89
Wavelet
ARV, 129
biortogonales, 128
marcos, 129
propiedades, 133
transformada continua, 59
Wiener
m etodo, 89
Wiener-Jinchin
teorema, 230
Yule-Walker
ecuaciones, 253

Castellanos Analisis de Senales y Sistemas

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Castellanos Analisis de Senales y Sistemas

Încărcat de

Drepturi de autor:

Formate disponibile

An alisis de se nales

Alvaro Angel Orozco

Indice alfab etico 283

Figura 1.1. Diagrama de un sistema

Ademas, la se nal es periodica si e

x()( t)d (1.10)

(t) = u(t) u(t t

[x(t)[ dt < (1.38)

Estimar el error relativo de aproximacion, en la forma

(s, t) = (t, s) (1.57)

(t) dt = x(t) , y (t))

Figura 1.15. Propiedad de dualidad de la TF

x(t) cas(2ft)dt (1.71a)

H(f) cas(2ft)df (1.71b)

x(t) cos 2ftdt (1.72a)

x(t) sin 2ftdt (1.72b)

x(t) (cos (2ft) j sin (2ft)) dt =

x(t) exp (j2ft) dt

rect (t 1/2) cas (2ft) dt =

x() cal(, )d, b

x() sal(, )d, (1.79a)

x(t)(t s)dt (1.84)

x(t)(t s)dt = x(s) (1.85)

X(f) = F x(s) = j sgn(f)X(f) (1.87a)

se denomina constante de admisibilidad y depende del tipo de funci on wavelet

, siendo a = 1, entonces los componentes wavelet, que cor-

, que muestra una

u(t). Hallar la expresion de la frecuencia lmite

del operador G como aquel que x, y X:

(s t) h(t, ) dt = h(s, ) (2.9)

(s, t) (t, ) dt, (t, s) = K (t, s)

h(t ) exp (j2ft +j2) dtd =

h() exp (j2f)

exp (j2 (f ) ) dd = H (f) (f )

H (f) (f ) X () d = H (f) X (f) (2.13)

w(t) (t ) exp (j2t +j2) dtd

Figura 2.4. Representaci on espectral del ltro transver-

h(t ) exp (j2f

h() exp (j2f

x() (t ) d genera la salida dada por la convoluci on:

x()h(t ) d = x(t) h(t) (2.34)

h()d; donde = t (2.36)

(t), donde = 4RC.

Al hallar la soluci on de la ecuaci on diferencial (2.50) en la forma,

(() ( t0)) d = u(t) u(t t0),

de un circuito lineal, hallar la

u(t) x(t) x(t)

h(t, ) u() d (2.66)

(t, ) B() u() d (2.67)

tx(t)dt, < t < . y(t) =

tambi en ser a nito. As por ejemplo, en el

[N/2 l], l = 0, 1, . . . , N/2 1

, sin embargo, no es sucientemente localizada en el espacio. Otro ejemplo puede

Problema 3.7. Obtener la transformada Z de la se nal discreta |x

3.3. Transformadas ortogonales discretas r apidas 137

entonces, los coecientes de representaci on inicial pueden escribirse como:

[n], es relativamente simple determinar la sucesi on X[n].

2 veces de su valor m aximo.

en la banda de paso, valor mnimo de supresi on en la banda de

y las frecuencias lmites de corte

La soluci on de (4.13), para

(b) Ventanas mejoradas

Figura 4.13. M odulo de la funci on de transferencia obtenida