Apuntes SYS

UNIVERSIDAD DE CONCEPCION
FACULTAD DE INGENIERIA
DEPARTAMENTO DE INGENIERIA ELECTRICA

APUNTES

SISTEMAS Y SENALES
Cod. 549 104 - Ingeniera Civil en Telecomunicaciones
Prof. Sebasti
an E. Godoy
Primera Edicion
24 de junio de 2016
Indice General
1. Introducci
on 1
1.1. Por que estudiar Se
nales y Sistemas? . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Conceptos de se
nal, sistema y proceso . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1. Se
nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2. Procesos y sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Fundamentos de se
nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.1. Las se
nales como funciones . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2. Operaciones basicas sobre se
nales . . . . . . . . . . . . . . . . . . . . . . 4
1.3.3. Clasificacion de Se
nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.4. Se
nales comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4. Delta de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.4.1. Propiedad de cernido de la funcion impulso . . . . . . . . . . . . . . . 29
1.4.2. Implementacion en Matlab/Octave . . . . . . . . . . . . . . . . . . . . . 30
1.4.3. Impulso unitario discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.4.4. Nota final respecto al impulso . . . . . . . . . . . . . . . . . . . . . . . . 32
1.5. Fundamentos de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.5.1. Sistemas comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.5.2. Interconexion de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.5.3. Modelacion de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.6. Alcances del curso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2. Sistemas y Se
nales 45
i
2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2. Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.1. Sistemas sin memoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.2. Sistemas invertibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.3. Sistemas causales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.2.4. Sistemas estables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.2.5. Sistemas invariantes en el tiempo . . . . . . . . . . . . . . . . . . . . . . 49
2.2.6. Sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3. Sistemas lineales e invariantes en el tiempo . . . . . . . . . . . . . . . . . . . . . 54
2.3.1. Sistemas LIT en tiempo discreto (suma de convolucion) . . . . . . . . . . 54
2.3.2. Como calcular sumatoria de convolucion . . . . . . . . . . . . . . . . . . 56
2.3.3. Propiedades de los S.L.I.T discretos y su respuesta impulso . . . . . . . . 58
2.3.4. Sistemas LIT en tiempo continuo (integral de convolucion) . . . . . . . . 62
2.3.5. Propiedades de la convolucion . . . . . . . . . . . . . . . . . . . . . . . . 64
2.3.6. Calculo de la integral de convolucion . . . . . . . . . . . . . . . . . . . . 66
2.3.7. Propiedades de los S.L.I.T continuos y su respuesta impulso . . . . . . . 67
2.3.8. Convolucion de SLITs en cascada . . . . . . . . . . . . . . . . . . . . . . 70
2.4. Muestreo de se
nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.4.1. Toma de muestras de una se
nal en tiempo continuo . . . . . . . . . . . . 72
2.4.2. Muestreo uniforme de se
nales en tiempo continuo . . . . . . . . . . . . . 72
2.5. Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.5.1. Funciones propias de un SLIT . . . . . . . . . . . . . . . . . . . . . . . . 76
2.5.2. Representacion de se
nales periodicas por series de Fourier . . . . . . . . . 80
2.5.3. Coeficientes de las series de Fourier para se
nales en tiempo continuo . . . 81
nales en tiempo discreto . . . 94
2.5.5. Cuantos coeficientes de Fourier son necesarios? . . . . . . . . . . . . . . 96
2.5.6. Entonces... Para que usamos las series de Fourier? . . . . . . . . . . . . 96
2.5.7. Propiedades de las series de Fourier . . . . . . . . . . . . . . . . . . . . . 97
ii
3. Transformaciones y sus usos en el an
alisis de sistemas 99
3.1. Transformada de Fourier en tiempo continuo . . . . . . . . . . . . . . . . . . . . 99
3.1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.1.2. Analisis desde las series de Fourier . . . . . . . . . . . . . . . . . . . . . 100
3.1.3. Definicion de la transformada de Fourier . . . . . . . . . . . . . . . . . . 100
3.1.4. Cual es la relacion entre las series de Fourier y la transformada de Fourier?109
3.1.5. Propiedades de la transformada de Fourier . . . . . . . . . . . . . . . . . 111
3.2. Analisis de sistemas usando la TdeF . . . . . . . . . . . . . . . . . . . . . . . . 121
3.2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
3.2.2. Sistemas de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
3.2.3. Sistemas de orden superior . . . . . . . . . . . . . . . . . . . . . . . . . . 122
3.2.4. Filtros ideales, reales y ancho de banda de 3dB . . . . . . . . . . . . . . 125
3.3. Modulacion en amplitud (AM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
3.3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
3.3.2. Doble banda lateral con portadora suprimida (DSB-SC) . . . . . . . . . 134
3.4. Teorema del muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.4.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.4.2. Transformada de Fourier de un tren de impulsos . . . . . . . . . . . . . . 138
3.4.3. Teorema de Nyquist-Shannon . . . . . . . . . . . . . . . . . . . . . . . . 140
3.5. Transformada de Fourier en tiempo discreto (DTFT) . . . . . . . . . . . . . . . 142
3.5.1. Derivacion de la DTFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
3.5.2. Periodicidad de la DTFT . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
3.5.3. Propiedades de la DTFT . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
3.5.4. Ejemplos de calculo de la DTFT . . . . . . . . . . . . . . . . . . . . . . 147
3.6. Analisis de sistemas en tiempo discreto usando la DTFT . . . . . . . . . . . . . 150
3.6.1. Filtros en tiempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . 153
iii
Captulo 1
Introducci
on
1.1. Por qu
e estudiar Se
nales y Sistemas?
Esta asignatura es una introduccion a las herramientas necesarias para comprender conceptos
complejos de la ingeniera en general. Tiene por objetivo el abstraer al alumno de las realidad
fsicas que generan informacion, ense
narle la manera de procesar dicha informacion y a sacar
conclusiones de los resultados, transmitir dicha informacion, etc.
Imagine que Ud. toma una fotografa con su celular:
La luz del sol se refleja en los objetos que Ud. esta fotografiando
Dicha luz reflejada es capturada por los sensores de su telefono
Los sensores capturan la se

nal optica y la transforma en una se
nal electrica analoga.
La se
nal electrica es transformada en una se
nal digital para poder ser almacenada en la
memoria del telefono.
La se
nal digital puede ser procesada posteriormente y enviada mediante diferentes apli-
caciones.
Cada componente de este ejemplo puede ser abstrado de su realidad fsica como un bloque (es
decir, un sistema) con entradas y salidas. En cada bloque, tenemos se
nales que entran, se
procesan de alguna forma, y salen. El proceso entero de conversion luz a un archivo puede ser
1

1.2. CONCEPTOS DE SENAL, SISTEMA Y PROCESO
Fig. 1.1: Ejemplos de se

nales (de izquierda a derecha): las ondas del corazon son se
nales que
llevan informacion del estado cardiaco, se
nales electricas y se
nales cerebrales tambien contienen
informacion de interes
visto como un solo bloque. Podemos analizar la realidad fsica con el nivel de detalle
que dicta la aplicaci
on de inter
es.
As, en terminos coloquiales, podemos decir que una se
nal es cualquier ente portador de
informacion. Un sistema es aquel ente que procesa la informacion contenida en las se
nales para
generar nuevas se
nales. En el presente curso estudiaremos estos dos conceptos en detalle.
1.2. Conceptos de se
nal, sistema y proceso
1.2.1. Se
nales
Una se
nal es una representacion de informacion de interes. Por ejemplo: la luz emitida por el
sol es una se
nal optica que queremos capturar, la salida de los detectores es una se
nal electrica
que podemos procesar, etc. En la Fig. 1.1 se muestran ejemplos de tres se
nales: cardiacas,
electricas y cerebrales; todas ellas portadoras de diferente informacion.
1.2.2. Procesos y sistemas
Entenderemos por proceso cualquier realidad fsica de interes que es objetivo de analisis.
Por ejemplo: El proceso de tomar una fotografa digital Un sistema es una abstraccion de
un proceso, cuyo nivel de detalle dependera del objetivo de analisis fijado para dicho proceso.
Apuntes 549104 2

1.3. FUNDAMENTOS DE SENALES
Por ejemplo: La camara puede ser visto como un sistema que toma la luz y la transforma en
electricidad.
En terminos generales, un sistema procesa la informacion en su entrada, u(t), para generar
una salida y(t). Representamos este procesamiento de la informacion de un sistema mediante la
transformacion
y(t) = T {u(t)} , (1.1)
lo que dice que la se

nal y es generada mediante el mapeo T de la se
nal u. Equivalentemente
representamos este mapeo mediante la representacion grafica
u(t) T y(t)
En el presenta captulo daremos descripciones generales de las se

nal y los sistemas, para
posteriormente cubrir con mayor profundidad cada uno de los temas.
1.3. Fundamentos de se
nales
1.3.1. Las se
nales como funciones
Una se
nal es, en general, una funcion del tiempo. Por ejemplo:
f puede ser la fuerza aplicada sobre cierto objeto
vout puede ser la salida en voltaje de cierto circuito
p puede ser la presion ac

ustica en alg
un punto del espacio
Si x es una se
nal, nosotros utilizaremos el nombre de la se
nal, x, o equivalentemente x() para
referirnos a toda la se
nal. Cuando hablemos de x(t) nos referimos a la se
nal x evaluada en el
instante de tiempo t El tiempo (variable independiente) puede ser representado por t, , n, etc.
y no hace diferencia alguna. En general, la variable independiente puede ser tiempo, posicion,
temperatura, presion, etc.
En el presente curso utilizaremos t y cuando la variable independiente es continua, es
decir cuando t IR. Asi mismo, utilizaremos n,k y m cuando variable independiente toma solo
valores enteros, es decir n Z
Apuntes 549104 3

Soporte y rango de se
nales
El soporte de una se
nal corresponde a todos los valores de la variable independiente, t, para
los cuales la se nales con soporte real: x(t), t IR
nal x esta definida. En este curso veremos se
o con soporte entero: x[n], n Z
El rango de una se
nal es el conjunto formado por todas las imagenes, x(t), obtenidas para
todos los miembros t del soporte. En este curso veremos se
nales con rango entero, real y complejo.
La dimension de una se
nal x permite definir, por ejemplo, una se
nal de valores reales y
escalar si x(t) IR, t IR. Tambien se puede definir una se
nal de valores reales y vectorial

x1 (t)

x2 (t)
x(t) = .

,
..

xn (t)
si xj (t) IR, j = 1, 2, . . . , n, t IR. Por ejemplo, x(t) puede representar la radiacion electro-
magnetica recibida por n sensores ubicados en distintas areas.
1.3.2. Operaciones b
asicas sobre se
nales
En general una se
nal (y cualquier funcion) f puede ser modificada mediante la relacion
g(t) = f (at + b) + ,
en donde y realizan operaciones sobre la variable dependiente y a y b sobre la variable

independiente. Tanto , , a y b son conocidos como los parametros de transformacion.
Operaciones sobre la variable dependiente
Cuando a = 1 y b = 0 entonces solamente estamos realizando operaciones sobre la variable

dependiente, es decir
g(t) = f (t) + .
Se observan los siguientes casos de interes:
Si || > 1 entonces se hace una amplificaci

on.
Apuntes 549104 4

(a) x(t) (b) 2x(t) (c) 0,5x(t)
(d) x(t) + 1 (e) x(t) + 1 (f) 0,5x(t) 1
Fig. 1.2: Ejemplos de operaciones sobre la variable dependiente (a = 1 y b = 0) de una se

nal
continua x(t)
Si || < 1 entonces se hace una atenuaci

on.
Si = 0 entonces se hace una anulaci

on.
Si < 0 entonces se hace una inversi

on, es decir, una reflexion con respecto al eje
g(t) = .
Si > 0 entonces se hace un corrimiento de la se

nal hacia arriba.
Si < 0 entonces se hace un corrimiento de la se

nal hacia abajo.
La Fig. 1.2 muestra diferentes ejemplos de estos casos.
Ejemplo 1.1 - Normalizaci

on de una se
nal.
Considere la se
nal x con valores mnimo y maximo xmn = mntIR x(t) y xmax = maxtIR x(t).
Encuentre y tal que los valores de x esten en el rango [0, 1] en lugar de [xmn , xmax ].
Apuntes 549104 5

Solucion: Para esto seguimos el siguiente razonamiento
x(t) [xmn , xmax ]
x(t) xmn [0, xmax xmn ]

x(t) xmn
[0, 1] .
xmax xmn
Desarrollando la u
ltima expresion
x(t) xmn 1 xmn

= x(t) + .
xmax xmn xmax xmn xmax xmn
Por lo tanto = 1/(xmax xmn ) y = xmn /(xmax xmn ) normalizan x.
Operaciones sobre la variable independiente
Ahora bien, cuando = 1 y = 0 se habla de transformaciones en la variable independiente

(tiempo)
g(t) = f (at + b) .
Se observan los siguientes casos de interes:
Si |a| < 1 la se
nal se expande (dilata) en el tiempo.
Si |a| > 1 la se
nal se comprime en el tiempo.
Si a < 0 la se
nal se refleja con respecto al eje t = b.
Si b > 0:
Si a > 0: desplazamiento a la izquierda
Si a < 0: desplazamiento a la derecha
Si b < 0:
Si a > 0: desplazamiento a la derecha
Si a < 0: desplazamiento a la izquierda
Ejemplos se muestran en la Fig. 1.3.
Apuntes 549104 6

(a) x(t) (b) x(t/3) (c) x(2t)
(d) x(t) (e) x(t/3) (f) x(2t)
(g) x(t + 5) (h) x(t 2) (i) x(t + 5)
Fig. 1.3: Ejemplos de operaciones sobre la variable independiente ( = 1 y = 0) de una se

nal
continua x(t)
Apuntes 549104 7

(a) (b)
Fig. 1.4: Ejemplo de una se

nal en tiempo continuo (izquierda) y en tiempo discreto (derecha)
1.3.3. Clasificaci
on de Se
nales
Se
nales de soporte continuas y discretas
Por un lado, una se

nal x es llamada continua si su soporte es real. Para tales efectos, puede
ser todo el eje real, o simplemente un intervalo de IR. La Fig. 1.4(a) muestra un ejemplo de
una se
nal continua. Por otro lado, una se
nal s es llamada discreta si su sporte es entero (o un
intervalo de Z). La Fig. 1.4(b) muestra un ejemplo de una se
nal discreta.
Se
nales de rango continuo y discreto
As como el soporte puede ser entero o real, el rango de las se

nales tambien puede serlo. As,
se definen las se
nales de rango entero y soporte real como se
nales cuantizadas. Las se
nales con
rango entero y soporte entero son llamadas se
nales digitales. Las Tabla 1.1 muestra un resumen
de la clasificacion de se
nales segun su soporte y rango.
Las se
nales analogas son aquellas que se encuentran en todas las aplicaciones, y pueden
ser transformadas en todas las otras se
nales. Si uno toma muestras en el tiempo de una se
nal
analoga, puede generar una se
nal en tiempo discreto y amplitud continua (se
nal muestreada). Si
uno limita la amplitud de una se
nal analoga de tal forma que se le permite asumir solo valores
discretos (los que se pueden asignar a una cantidad correlativa correspondiente), entonces se
Apuntes 549104 8


nal analoga y su correspondiente version cuantizada
genera una se
nal cuantizada. La Fig. 1.5 muestra la se
nal analoga de la Fig. 1.4(a) cuantizada
para t 0.
Clasificaci
on de se
nales seg
un su duraci
on
Se dice que una se

nal es no causal si esta definida para todo valor de la variable indepen-
diente, es decir, t IR o n Z, seg
un corresponda. Por ejemplo, la se
nal de la Fig. 1.4(a) es
no causal, puesto que esta definida para todos los valores de t.
nal x es causal si es cero para tiempos negativos, es decir x(t) = 0, t < 0 o x[n] =
Una se
0, n < 0. A su vez, se dice que x es anticausal si x(t) = 0, t > 0 o x[n] = 0, n > 0. En la
Fig. 1.6(a) y Fig. 1.6(b) se muestra una se
nal causal y una se
nal anticausal, respectivamente.
Tabla 1.1: Clasificacion de se

nales segun su soporte y rango
Soporte
Real Entero
Analogas Muestreadas
Real
Recorrido
x(t) , t IR x[n] , n Z
Cuantizadas Digitales
Entero
xq (t) , t IR xq [n] , n Z
Apuntes 549104 9

(a) (b)

nal analoga (a) causal y (b) anticausal
Se
nales de peri
odicas y no-peri
odicas
Se dice que una se

nal continua x es periodica si existe un T > 0 tal que
x(t) = x(t + T ) . (1.2)
El mnimo valor posible de T es llamado el periodo de la se

nal x. Por ejemplo, la se
nal de
la Fig. 1.4(a) es periodica con un periodo T = 4[s]. De manera similar, una se
nal en tiempo
discreto x es periodica si existe un N > 0, con N Z tal que
x[t] = x[n + N ] . (1.3)
El mnimo valor posible de N Z es llamado el periodo de la se

nal s. Notese que con la restric-
cion de que N tiene que ser un entero, algunas se
nales discretas que parecieran ser periodicas
(por su similitud con su contraparte continua) no lo son.
En la Fig. 1.7(a) se muestra una se
nal en tiempo discreto periodica. Se puede notar que el
cada 10 unidades la se
nal se repite, por lo que N = 10. Por otra parte, la se
nal que se muestra
en la Fig. 1.7(b) no se repite para ningun valor de N entero; por lo tanto, no es una se
nal
periodica.
Ejemplo 1.2 - Periodicidad de una sinusoidal.
Apuntes 549104 10

(a) (b)
Fig. 1.7: Ejemplo de dos se

nales de tiempo discreto (a) periodica con periodo N = 10 y (b) no
periodica
Consideremos la se
nal x(t) = sin 0 t, con 0 > 0. Se puede demostrar que x(t) = x(t + T ), en
donde T = k 20 para cualquier valor de k Z+ :

2
x(t + T ) = sin 0 t + k
0
= sin (0 t + 2k)
= sin 0 t = x(t) ,
por lo tanto, x es una se

nal periodica.
La variable T0 es llamado el periodo fundamental de x() si es el valor mas peque

no de
2
T > 0 que satisface la condicion de periodicidad. El n
umero 0 = T0
es llamada la frecuencia
fundamental de la se
nal continua x.
De igual forma, para la se
nal periodica x[], se define N0 como el periodo fundamental
no de N Z+ que satisface la condicion de periodicidad. El n
si es el valor mas peque umero
2
0 = N0
es llamada la frecuencia fundamental de la se
nal discreta x
Ejemplo 1.3 - Periodo fundamental se

nal continua.
Apuntes 549104 11

nales x(t) = ej3t/5

Determinemos el periodo fundamental de la se
Debemos encontrar si existe un T > 0 tal que x(t) = x(t + T ). De ser as entonces
x(t) = x(t + T ) ej3t/5 = ej3(t+T )/5 = ej3t/5 ej3T /5 ,
lo que se logra cuando ej3T /5 = 1. Utilizando la relacion de Euler, sabemos que ej3T /5 =
cos 3T + j sin 3T , de donde sabemos que necesariamente se debe cumplir que 3T

5 5 5
= 2k,
10
un k Z+ . As, la se
para alg nal es periodica, y su periodo fundamental es T0 = 3
(k = 1).
Ejemplo 1.4 - Periodo fundamental se

nal discreta.
nal discreta x[n] = ej3n/5 .
Encontrar el periodo fundamental de la se
nal periodica, entonces existe un N Z+ tal que x[n] = x[n + N ]. Entonces,
Si x es una se
x[n] = x[n + N ] ej3n/5 = ej3n/5 ej3N/5 ,
10
lo que nuevamente se logra solo cuando ej3N/5 = 1. As, N = 3
k, un k Z+ .
para alg
Particularmente, N es entero solamente cuando k es un m
ultiplo entero de 3. Entonces, N0 =
10.
Periodicidad y escalamiento: Que sucede cuando una se

nal periodica se escala en el tiem-
po?
Para una se
nal periodica x() con periodo fundamental T0 , la se
nal y(t) = x(at)con a > 0
es periodica con periodo fundamental T0 /a.
Para una se
nal periodica x[] con periodo funamental N0 , la se
nal y[n] = x[Ln] resulta
periodica con periodo fundamental M0 igual al entero mas peque
no tal que LM0 sea
divisible por N0 .
Se
nales de aleatorias y determinsticas
Una se
nal es llamada determinstica si sus valores estan completamente especificados para
cualquier valor de la variable independiente. Por lo tanto, cualquier se
nal determinstica puede
Apuntes 549104 12

ser modelada por funciones del tiempo conocidas. Por otra parte, una se
nal es llamada aleatoria
o no determinstica cuando toma valores aleatorios para cualquier instante de tiempo. Por lo
mismo, deben ser caracterizadas de forma estadstica.
En la practica, para cualquier sistema de interes las se
nales tienen alg
un grado de aleatorei-
dad; sin embargo, en muchas situaciones, pueden igual ser modeladas por se
nales determinsti-
cas. En el presente curso trabajaremos principalmente con se
nal determinsticas. En cursos como
Procesos Aleatorios y Estadstica Aplicada se analizan y estudian se
nales aleatorias.
Se
nales de potencia y energa
La energa de una se
nal x se define mediante la ecuacion
Z
E= x2 (t) dt . (1.4)

Se dice que la se
nal x es una se
nal de energa si y solo si
0<E<.
Las se
nales no-periodicas y las se
nales determinsticas son se
nales de energa, sin embargo, en
la practica, todas las se
nales realizables tiene energa finita.
La potencia de una se
nal x se define mediante la ecuacion
Z T
1 2
P = lm x2 (t) dt . (1.5)
T T T2
Se dice que x es una se

nales de potencia si y solo si
0<P <.
Las se
nales periodicas y las se
nales aleatorias son clasificadas como se
nales de potencia.
Se
nales de pares e impares
Matematicamente se dice que una se

nal es par si
x(t) = x(t) , x[n] = x[n] .
Apuntes 549104 13

(a)
(b)

nal (a) par continua (izquierda) y una discreta (derecha) y (b) impar
continua (izquierda) y una discreta (derecha)
Una se
nal es impar si
x(t) = x(t) , x[n] = x[n] .
Ejemplos de se
nales pares e impares se muestran en las Fig. 1.8(a) y Fig. 1.8(b), respectivamente.
Toda se
nal puede ser descompuesta en dos se
nales, una par y otra impar, es decir, para una
se
nal continua
x(t) = xp (t) + xi (t) , (1.6)
y para una discreta

x[n] = xp [n] + xi [n] . (1.7)
Para determinar las componentes evaluamos (1.6) en t
x(t) = xp (t) + xi (t)
= xp (t) xi (t) . (1.8)
Sumando (1.6) y (1.8) y despejando se obtienen las relaciones para la componente par:
x(t) + x(t)
xp (t) = (1.9)
2
Apuntes 549104 14

y para la componente impar esta dada por

x(t) x(t)
xi (t) = . (1.10)
2
Ejemplo 1.5 - Decomposici

on par-impar.
Demuestre que si x(t) y x[n] son se
nales pares, entonces
Z a Z a k
X k
X
(a) x(t) dt = 2 x(t) dt y, (b) x[n] = x[0] + 2 x[n]
a 0 n=k n=1
(a) Utilizando las propiedades de las se

nales pares tenemos
Z a Z 0 Z a
x(t) dt = x(t) dt + x(t) dt
a a 0
Z 0 Z a
= x() d + x(t) dt
a 0
Z a Z a
= x() d + + x(t) dt
0 0
Z a
= 2 x(t) dt .
0
(b) Similarmente,
k
X 1
X k
X
x[n] = x[n] + x[0] + x[n]
n=k n=k n=1
1
X k
X
= x[m] + x[0] + x[n]
m=k n=1
Xk k
X
= x[m] + x[0] + x[n]
m=1 n=1
k
X
= x[0] + 2 x[n] .
n=1
Ejemplo 1.6 - Decomposici

on par-impar.
Encontrar las componente par e impar de s(t) = ejt Utilizando las expresiones dadas anterior-
mente:
ejt + ejt
xp (t) = = cos t
2
Apuntes 549104 15

en donde usamos la relacion de Euler
ej = cos j sin .
Similarmente
xi (t) = j sin t
Note que el mismo resultado se pudo haber obtenido usando la relacion de Euler directamen-
te.
Se
nales ortogonales
Dos se
nales x1 y x2 son ortogonales en el intervalo de tiempo [a, b] si su producto interior es
cero. Matematicamente
Z b
< x1 , x2 >, x1 (t)x2 (t) dt = 0 . (1.11)
a
De esta definicion de producto interno entre dos se

nales, se puede decir que < x1 , x2 >= 0 es
equivalente a kx1 (t)kkx2 (t)k cos = 0 en donde es el angulo entre ambas se
nales (en el espacio
de se
nales continuas).
Para el caso de se
nales en tiempo discreto, se puede utilizar la definicion de producto interno
del algebra lineal al considerar las se
nales como secuencias de n
umeros.
1.3.4. Se
nales comunes
En la presente seccion estudiaremos alguna se

nales definidas en tiempo continuo y discreto
que seran de utilidad en el curso y en otras asignaturas.
Se
nal constante
La se
nal constante en tiempo continuo y discreto se denota como c y se define como
c(t) = 1 (1.12)
c[n] = 1 , (1.13)
Apuntes 549104 16

(a) (b)
Fig. 1.9: Se
nal constante en (a) tiempo continuo y (b) tiempo discreto
y tambien recibe el nombre de se

nal estatica o se
nal DC. En la Fig. 1.9 se muestra la se
nal
DC tanto para tiempo continuo como para tiempo discreto. Estas figuras se pueden facilmente
generar en Matlab/Octave mediante la siguiente secuencia de comandos para tiempo continuo
>> t = linspace(-10,10,1e3);
>> c = @(t) ones(length(t));
>> figure(1); plot(t,c(t),k,LineWidth,2)
y para tiempo discreto
>> n = -10:10;
>> cd = @(n) ones(length(n));
>> figure(2); stem(n,c(n),k--,fill)
Apuntes 549104 17

Escal
on unitario
La se
nal (o funcion) escalon unitario es aquella que da un salto de cero a uno para tiempo
cero. Comunmente se denotan con la letra u y matematicamente se define mediante

0 ,t < 0
u(t) = (1.14)
1 ,t 0

0 ,n < 0
u[n] = . (1.15)
1 ,n 0
La Fig. 1.10 muestra la se

nal escalon unitario para tiempo continuo y discreto y puede ser
generado facilmente en Matlab/Octave mediante la siguiente secuencia de comandos para tiempo
contion
>> t = linspace(-10,10,1e3);
>> u = @(t) 1.*(t>=0);
>> figure(1); plot(t,u(t),k,LineWidth,2)
>> n = -10:10;
>> ud = @(n) 1.*(n>=0);
>> figure(2); stem(n,ud(n),k--,fill)
Rampa unitaria
La se
nal rampa unitaria es normalmente denotada por r y se define matematicamente me-
diante

0 ,t < 0
r(t) = (1.16)
t ,t 0

0 ,n < 0
r[n] = (1.17)
n ,n 0
(1.18)
Apuntes 549104 18

(a) (b)
Fig. 1.10: Se
nal escalon unitario en (a) tiempo continuo y (b) tiempo discreto
De la definicion matematica se puede obtener que el escalon unitario es la derivada de la

rampa unitaria
d
u(t) = r(t) (1.19)
dt
y, que, equivalentemente, la rampa se puede obtener integrando un escalon unitario
Z t
r(t) = u( ) d . (1.20)

Facilmente se puede demostrar que para las versiones discretas existen las siguientes relaciones
u[n] = r[n + 1] r[n] (1.21)

Xn
r[n] = u[n k 1] . (1.22)
k=0
La Fig. 1.11 muestra la se

nal rampa unitaria en tiempo continuo y tiempo discreto. Estas
figuras pueden ser facilmente obtenidas en Matlab/Octave mediante la siguiente secuencias de
comandos para tiempo continuo
>> t = linspace(-10,10,1e3);
>> r = @(t) t.*(t>=0);
>> figure(1); plot(t,r(t),k,LineWidth,2)
Apuntes 549104 19

(a) (b)
Fig. 1.11: Se
nal rampa unitaria en (a) tiempo continuo y (b) tiempo discreto
>> n = -10:10;
>> rd = @(n) n.*(n>=0);
>> figure(2); stem(n,rd(n),k--,fill)
Se
nales sinusoidales
Como se sabe de cursos anteriores, dadas la amplitud A IR, la frecuencia angular IR

y la fase IR, la funcion sinusoidal es definida como
s(t) = A sin(t + ) , (1.23)
en donde la frecuencia angular se relaciona con la frecuencia de oscilacion mediante = 2f .

Las funciones sinusidades son funciones periodicas con periodo de 2. En tiempo discreto, la
se
nales sinusoidal se define de forma similar
s[n] = A sin(n + ) , (1.24)
sin embargo, dado que n Z entonces no todas las sinusoidades discretas son periodicas. La
Fig. 1.12 muestra como ejemplo se
nales sinusoidales en tiempo continuo y discreto. Note que la
sinusoidal discreta es periodica en este ejemplo.
Apuntes 549104 20

(a) (b)
Fig. 1.12: Se
nal sinusoidal en (a) tiempo continuo y (b) tiempo discreto
Ejemplo 1.7 - Valor RMS de una se

nal sinusoidal.
nal sinusoidal s(t) = A cos t, t 0 determine su valor peak, su valor RMS y su
Para la se
energa.
Solucion: El valor peak es |A|, mientras que su valor RMS es
Z T 1/2
1 2
sRM S , lm s (t) dt
T T 0
Z T 1/2
1 2 2
= lm A cos t dt
T T 0
Z T 1/2
1
1 + cos t
= A lm dt
T 0 T 2
" T T !#1/2
1 1 sin t
= A lm t +
T T 2 t=0 2 t=0
1/2
1 sin 2 sin 0
= A lm +
T 2 2
A
= .
2
Apuntes 549104 21

(a) (b)
Fig. 1.13: Sinusoidades en tiempo discreto (a) periodica y (b) no-periodica. Para notar la no
periodicidad de (b), observe que de serlo, el valor en n = 6 deberia ser el mismo que en n = 7,
pero no lo es.
Ejemplo 1.8 - Energa de una se

nal sinusoidal.
nal sinusoidal s(t) = A cos t, t 0.
Calcule la energa de la se
Solucion: La energa de la se
nal es
Z Z
2
E = s (t) dt = A2 cos2 t dt

Z
1 + cos t
= A2 dt
2
A2 A2
Z Z
= dt cos t dt =
2 2
por lo que una se

nal sinusoidal no es una se
nal de energa, tal como se definio en su momento.
Ejemplo 1.9 - Periodicidad de se

nal sinusoidal en tiempo discreto.
Encontrar el periodo de las se
nales
n
(a) x[n] = sin n , (b) x[n] = sin
8 2
Apuntes 549104 22

Solucion: (a) Para evaluar la periodicidad de la se

nal sinusoidal discreta, recordemos que
para ser periodica debe satisfacer la igualdad x[n] = x[n + N ], N Z+ es decir
x[n] = x[n + N ]

sin n = sin (n + N )
8 8

= sin n+ N .
8 8
Dado que la funcion sin es periodica con periodo 2, entonces ambas se

nales seran iguales si y
solo si 8 N es un m
ultiplo entero de 2. Es decir, para k Z, se debe satisfacer

N = 2k
8
despejando para N tenemos

2k
N= = 16k ,
8
es decir, que para k = 1, entonces N = 16. Dado que existe N Z+ tal que x[n] = x[n + N ]
entonces la se
nal es periodica y su periodo fundamental es N = 16.
(b) Haciendo el mismo razonamiento tenemos
n
n+N n N
sin = sin = sin + ,
2 2 2 2
N
por lo que 2
= 2k, o
N = 4k .
un valor de k Z podemos hacer N Z+ , por lo tanto la se

Ahora, para ning nal no es periodica.
Ambas se
nales de este ejemplo se muestran en la Fig. 1.13.
Se
nales exponenciales
La funcion exponencial (compleja) se expresa como
x(t) = e(a+jb)t (1.25)
umeros reales y j 2 = 1 (luego adelante revisaremos los n

en donde a y b son n umeros complejos
con un poco mas de detalles). Existen las siguientes situaciones de interes:
Apuntes 549104 23

Si b = 0 (Vea la Fig. 1.14(a))
Si a > 0 entonces x es una exponencial decreciente
Si a < 0 entonces x es una exponencial creciente
Si b 6= 0, entonces x es una exponencial compleja
x(t) = e(a+jb)t = eat ejbt = eat (cos bt + j sin bt)
y se observa que
Si si a > 0 entonces x oscila a una frecuencia b y tiene una envolvente que crece a
una tasa a
Si a < 0 entonces x oscila a una frecuencia b y tiene una envolvente que decrece a
una tasa a.
Si a = 0 entonces x oscila a una frecuencia b (sin envolvente).
La Fig. 1.14(a) muestra un ejemplo para cada uno de los casos en que b = 0. De la misma
forma, en la Fig. 1.14(b) observamos el caso en que a > 0 y b 6= 0, resultando en una exponencial
compleja cuya envolvente crece. Este crecimiento trae consigo el concepto de divergencia de la
se
nal. Dado que la se
nal x es compleja, en un mismo grafico mostramos su parte real, denotada
por <{x} y su parte imaginaria, denotada por ={x}. En la Fig. 1.14(c) observamos el caso de
una envolvente decreciente, la que evidentemente converge. El caso a = 0, para el cual la se
nal
solamente oscila a una frecuencia b se observa en la Fig. 1.14(d).
Se
nal pulso rectangular unitario y triangulo unitario
El pulso rectancular unitario lo denotamos por rect y se define como

1 , 1 t 1
2 2
rect(t) = (1.26)
0 , otro caso
y puede definirse mediante dos escalones unitarios mediante la relacion rect(t) = u(t+1)u(t1)
como veremos mas adelante. La Fig. 1.15(a) muestra el grafico de esta se
nal.
Apuntes 549104 24

(a) (b)
(c) (d)
Fig. 1.14: La funcion exponencial compleja para (a) b = 0 con a > 0 y a < 0, resultando
en exponenciales; (b) b 6= 0 con a > 0, resultando en exponenciales complejas con envolvente
creciente; (c) b 6= 0 con a < 0, resultando en exponenciales complejas con envolvente decreciente;
y (d) b 6= 0 con a = 0, resultando en exponenciales complejas con envolvente unitaria.
Apuntes 549104 25
1.4. DELTA DE DIRAC
(a) (b)
Fig. 1.15: Se
nal (a) pulso rectangular unitario y (b) pulso triangular unitario
Por su parte, el pulso triangular unitario se denota por y se define

t+1 , 1 t 0

(t) = t + 1 , 0 t 1 (1.27)

0 , otro caso
y su forma se muestra en la Fig. 1.15(b).
Se
nal sinc
La se
nal sinc es muy u
til para cuando revisemos el teorema del muestreo as como tambien
cuado revisemos transformada de Fourier. Esta definida por la relacion
sin(t)
sinc(t) , (1.28)
t
y su grafico se muestra en la Fig. 1.16 en donde se puede notar que cuando t = 1, 2, . . . la
funcion se hace cero
1.4. Delta de Dirac

El delta de Dirac, incorrectamente llamada funcion delta se denota mediante y es una
idealizaci
on de una se
nal que tiene las siguientes propiedades:
Apuntes 549104 26
1.4. DELTA DE DIRAC
Fig. 1.16: Se
nal sinc. Note que esta se hace cero para los valores enteros de t, es decir cuando
t = 1, 2, . . .
Tiene una amplitud muy grande en t = 0
nos cuando t 6= 0
Tiene valores muy peque
Su area (integral) es unitaria
La forma real de la funcion no es importante, sino su efecto
Por ejemplo, en la Fig. 1.17 se muestran dos posibles formas de la funcion delta que satisfacen
las condiciones antes mencionadas, teniendo en cuenta que es una constante muy peque
na (su
valor dependera del contexto).
Normalmente se representa como una flecha solida en el grafico y su definicion formal se
hace mediante la propiedad de cernido de : Sea a < 0, b > 0 y x una funcion continua en
t = 0, entonces Z b
f (t)(t) dt = f (0) . (1.29)
a
La idea es que actua sobre un intervalo de tiempo infinitesimal, para el cual f (t) f (0). La
definicion de (0) en realidad no existe, sin embargo si se define que (t) = 0, t 6= 0
Asi, la integral
Z b 1 , t = 0 (a, b)
(t) dt = .
a 0 , t = 0 6 (a, b)
Apuntes 549104 27
1.4. DELTA DE DIRAC
(a) (b)
Fig. 1.17: Dos diferentes interpretaciones de que muestran que la forma de la funcion no es
importante para la idealizacion
Rb
Sin embargo, la integral a
(t) dt es ambigua si a = 0 o b = 0. En el presente curso utilizaremos
la convencion a y b+ para indicar si incluimos el cero dentro de los lmites de integracion. Por
ejemplo:
Z b Z b Z 0 Z 0+
(t)dt = 0, (t)dt = 1, (t)dt = 0, (t)dt = 1 .
0+ 0 a a
La interpretaci
on fsica de la se
nal impulso es que esta se utiliza para modelar se
nales
fsicas que actuan en un periodo de tiempo muy corto, y cuyo efecto aparece en la integral de
otra se
nal. Ademas, la integral de una funcion con impulsos tiene saltos en cada impulso, igual
a la magnitud del impulso. Revisemos un ejemplo para explicar este fenomeno
Ejemplo 1.10 - Derivada de una funci

on discontinua.
Calculemos la derivada de la funcion

t ,0 t < 1

f (t) = t + 1 ,1 < t < 2

t 1 ,t > 2

que se muestra en la Fig. 1.4. Solucion: Para los tramos continuos, facilmente notamos que
f 0 (t) = 1, sin embargo en t = 1 y t = 2 la funcion de saltos de una +1 y de 2, respec-
Apuntes 549104 28
1.4. DELTA DE DIRAC
tivamente. Explicamos esto mediante impulsos ubicados en los instantes de tiempo donde se
produce el salto con una amplitud igual a la magnitud de dicho salto. As
f 0 (t) = 1 + (t 1) 2(t 2) .
De esta forma, podemos notar que la funcion impulso y el escalon unitario u estan direc-
tamente relacionados mediante la derivada
d
(t) = u(t) (1.30)
Zdtt
u(t) = (t) dt (1.31)

1.4.1. Propiedad de cernido de la funci

on impulso
Ya se menciono antes que la funcion impulso satisface la propiedad de cernido1 expuesta en

(1.29) y que copiamos aca Z
x(t)(t) dt = x(0) .

Ahora queremos investigar que sucede cuando el impulso esta ubicado en un instante t0 , es decir
(t t0 ).
Z Z
x(t)(t t0 ) dt = x( + t0 )() d

= x(t0 )
1
Cernir, es pasar el harina por un cedazo.
Apuntes 549104 29
1.4. DELTA DE DIRAC
Por lo tanto, podemos enunciar que la propiedad de cernido de forma general es

Z
x(t)(t t0 ) dt = x(t0 ) . (1.32)

Las siguientes observaciones son importantes:
Si la se
nal es cambiada por s que asume cualquier valor, posiblemente diferente de x, pero
tal que x(t0 ) = s(t0 ), entonces el resultado de la integracion es exactamente el mismo
x(t)(t t0 ) = x(t0 )(t t0 ) = s(t0 )(t t0 )

R
Suponga queremos calcular x(t) para un valor particular de t desde la ecuacion
x( )(t
) d . Se obtiene
Z
x(t) = x( )(t ) d (1.33)

El u
ltimo resultado de (1.33) es muy importante para nuestros futuros desarrollos.
1.4.2. Implementaci
on en Matlab/Octave
En Matlab podemos aproximar una funcion impulso mediante los comandos
>> t = linspace(-1,1,1e5);
>> delta = @(t,eps) (1/eps).*(t>=-eps/2 & t<=eps/2);
en donde debemos definir el valor de eps () dependiendo de la aplicacion. En la Fig. 1.18 se
muestra el efecto directo de cambiar la variable eps tal que tome valores 0.1, 0.01 y 0.001.
Notamos que a medida que 0, nuestra funcion tiende a .
1.4.3. Impulso unitario discreto
La version discreta del impulso unitario es mucho mas sencilla de definir que su contraparte
continua. Matematicamente se define

1 ,n = 0
[n] = (1.34)
0 , n 6= 0
Apuntes 549104 30
1.4. DELTA DE DIRAC
(a) (b) (c)
Fig. 1.18: Aproximacion de la funcion en Matlab para (a) = 0,1, (b) = 0,01 y (c) = 0,001.
Se observa que a medida que 0, nuestra funcion tiende a
en donde n Z. De la definicion se puede notar que un escalon unitario discreto que se muestra
en la Fig. 1.10 y definido en (1.15) puede ser escrito como una secuencia de impulsos discretos

0 ,n < 0
u[n] = = . (1.35)
1 ,n 0
= [0] + [1] + [2] + + [n 1] + [n] (1.36)
Xn
= [k] (1.37)
k=0
Ademas, para cualquier se

nal en tiempo discreto x[], dada la definicion del impulso unitario
satisface la igualdad
x[n][n] = x[0][n] ,
pues [n] = 0, n 6= 0. Similarmente,
x[n][n k] = x[k][n k] .
As, cualquier se
nal puede ser representada mediante impulsos unitarios

X
x[n] = x[k][n k] (1.38)
k=
que es la contraparte discreta de la version continua presentada en (1.33).
Apuntes 549104 31
1.5. FUNDAMENTOS DE SISTEMAS
1.4.4. Nota final respecto al impulso
Hasta ahora hemos tratado a como una funcion, pero en realidad no lo son. De hecho,
de Dirac es lo que se conoce como una distribucion. Es normal manipular como una funcion
en expresiones como las integrales que hemos revisado, pero expresiones como (t2 ) o 2 (t) no
tienen sentido alguno.
1.5. Fundamentos de Sistemas

Un sistema es una descripcion cuantitativa de un proceso fsico, el que transforma una se
nal
(su entrada) en otras se
nales (a su salida). Un sistema es una abstraccion matematica
representada como una caja negra que ya sea de forma determinstica o aleatoria transforma
las se
nales u en su entrada en otras se
nales y en su salida. Cuando las se
nales son en tiempo
continuas
u(t) y(t)
Sistema
y para cuando son en tiempo discreto
u[n] y[n]
Sistema
En terminos simples, un sistema es una funci

on que mapea funciones o secuencias en una
nueva funcion o secuencia. Un sistema lo representaremos en forma general como un mapeo T
por lo que la salida es representada por y = T {u}. Para un punto de interes, digamos t, la salida
evaluada en ese punto se denota y(t) = T {u}(t), sin embargo, en algunas situaciones se hara
abuso de notacion y simplemente escribiremos y(t) = T {u(t)}.
Entonces, en general
u y = T {u}
T
Apuntes 549104 32
Fig. 1.19: Correa transportadora ejemplifica el sistema retardo
1.5.1. Sistemas comunes
Sistema retardo
Considere una correa transportadora en donde el flujo de entrada de material requiere un

tiempo t0 para llegar a la salida, tal como se muestra en la Fig. 1.19. Es decir, la salida de la
correa, y es una version retardada de la entrada u. Matematicamente esto es
y(t) = u(t t0 )
Un sistema descrito por esta ecuacion se conoce como sistema retardo pues su u
nico efecto
en la se
nal de entrada es retardarla en el tiempo. En general, si t0 > 0 se habla de un sistema
retardo. Si t0 < 0 entonces hablamos de un sistema predictor.
Sistema de escalonamiento
Si un sistema solamente modifica la amplitud de la se

nal de entrada mediante la relacion
y(t) = au(t)
entonces es llamado un sistema de escalonamiento.

De forma similar a lo descrito en las operaciones basicas sobre se
nales
Es un sistema amplificador si |a| > 1
Es un sistema atenuador si |a| < 1
Es un sistema inversor si a < 0
Apuntes 549104 33
Sistema integrador
Por ejemplo, sabemos que la corriente en un condensador es la derivada de su voltaje.

d
iC (t) = vC (t) .
dt
As, si la se
nal de entrada a un condensador es la corriente y su se
nal de salida es el voltaje, el
sistema tendria la relacion Z t
y(t) = u( ) d .

Si un sistema esta descrito por esta relacion entrada-salida es llamado un sistema integrador.
Un estanque cuadrado que recibe una entrada escalon de flujo de agua (entrada) tiene un
aumento de su nivel en forma de una rampa (salida). Dado que el escalon es la derivada de una
rampa, entonces un estanque es un sistema integrador.
Sistema derivador
Para el mismo condensador anterior, si la se

nal de entrada es su voltaje y su se
nal de salida
es su corriente, el sistema tendria la relacion
d
y(t) = u(t).
dt
Si un sistema esta descrito por esta relacion entrada-salida es llamado un sistema derivador.
Sistema detector de signo
Un sistema descrito por la funcion signo

1 , u(t) 0
y(t) = sgn(u(t)) =
1 , u(t) < 0
es llamado sistema detector de signo.
1.5.2. Interconexi
on de sistemas
Es evidente que los sistemas pueden interconectarse entre si. Hay tres principales formas
de interconexion que permiten describir cualquier otra interconexion mas compleja: cascada,
paralelo, realimentacion.
Apuntes 549104 34
Considere dos sistemas T1 y T2 , entonces ellos estaan conectados en
1. Cascada (Series):
u y
T1 T2
Por lo que su salida es

y = T2 {T1 {u}}
2. Suma (Paralelo)
u y1
T1
y
+
u y2
T2
En donde la salida es
y = T1 {u} + T2 {u}
3. Realimentaci
on
u y
+ T1

T2 {y}
T2
Que tiene por salida

y = T1 {u T2 {u}}
1.5.3. Modelaci
on de sistemas
La experimentacion es la herramienta principal para obtener modelos de procesos, pero este

conocimiento obtenido de los fenomenos que rigen el comportamiento de muchos procesos ha
Apuntes 549104 35
sido formalizado mediante expresiones matematicas. Las expresiones matematicas obtenidas

pueden ser usadas, a su vez, para el proposito de modelacion. Es as como se distinguen los
modelos fenomenologicos y los empricos.
Modelos fenomenol
ogicos se obtienen mediante la aplicacion de leyes que rigen los fenome-
nos de interes en el proceso. Es decir, se aplica la experiencia acumulada respecto a de-
terminado fenomeno, traducida a leyes que sintetizan un comportamiento en particular.
Modelos empricos son los que se determinan de la observacion directa de los resultados
de excitar un proceso con entradas conocidas, y posterior correlacion de la informacion
obtenida. En estos casos se hace total abstraccion de los patrones de comportamiento
internos al proceso. La metodologa usada para obtener modelos empricos se le denomina
identificacion de sistemas.
El uso de la modelacion fenomenologica requiere del conocimiento de los fenomenos que ocurren
en el proceso, y de las leyes que rigen su comportamiento. Es por ello que un modelo de
este tipo, desarrollado para un proceso en particular, puede ser representativo de otro proceso
equivalente, luego de un ajuste apropiado de sus parametros. Dado que esta modelacion puede
realizarse conociendo la naturaleza de los fenomenos, es posible desarrollar modelos en ausencia
del proceso. La obtencion de modelos fenomenologicos se basa principalmente, en la aplicacion
de las leyes de conservacion (balance) y del principio de mnima accion.
Ecuaciones de balance
En procesos industriales, los balances de materia y energa son de particular interes. La

forma general que tienen los balances de una propiedad P (t) en el sistema en un intervalo de
tiempo es:
acumulacion de P Pgen Pcon
= Fin Fout + ,
t t t
en donde
t es un periodo determinado de tiempo
Fin es el flujo de P que entra
Apuntes 549104 36
Fout es el flujo de P que sale
Pgen es la cantidad de P generada
Pcon es la cantidad de P que se ha consumido
no, t 0 y bajo los supuestos de continuidad

Haciendo el intervalo de tiempo muy peque
de las funciones involucradasm entonces,
d
P (t) = Fin F out + Pgen Pcon .
dt
A continuacion veremos dos ejemplos en donde se aplica la ley de balance de masa y de energa
que son los casos mas importantes de las ecuaciones de balance a utilizar en ingeniera. Las leyes
postulan que la masa de un sistema dinamico se debe mantener constante en cualquier instante
de tiempo. Similarmente, las variaciones de energa deben ser nulas (la energa no se crea ni se
destruye, solo se transforma).
Ejemplo 1.11 - Balance de masa para modelar estanque de agua.

Consideremos un estanque cilindrico cuya altura es H y tiene una base de radio R como se mues-
tra en la Fig. 1.20. Apliquemos la ecuacion de balance para encontrar un modelo del fenomeno
fsico. Para ello primero asumimos que el estanque es alimentado por un flujo de entrada fe
que nosotros manipulamos (entrada) y tiene un flujo de salida fs que no podemos controlar.
Queremos encontrar un modelo para la altura del estanque h(t).
La ley de balance de masa se puede expresar como (velocidad de acumulacion de la masa

en el sistema) = (flujo de masa que entra) - (flujo de masa que sale) + (masa generada) -
(masa consumida). Particularmente para este ejemplo, no existe masa generada ni consumida.
Si denotamos por m la masa de la columna de agua, entonces
d
m(t) = e fe s fs ,
dt
en donde e y s representan la densidad del liquido a la entrada y a la salida, respectivamente.

Ademas, fe y fs son los flujos de entrada y salida, respectivamente. Si la densidad del lquido no
Apuntes 549104 37
cambia dentro del estanque, entonces e = s = , y ademas la masa acumulada del estanque
se puede calcular como m = V = Ah(t), en donde A = R2 es el area del estanque. As, el
modelo que describe el altura del estanque como funcion de la entrada (flujo de entrada, fe ) es
d
A h(t) = fe fs . (1.39)
dt
El flujo de salida lo encontramos en el siguiente ejemplo mediante el balance de energa.
Ejemplo 1.12 - Balance de energa para modelar estanque de agua.

Apliquemos balance de energa para encontrar una relacion del flujo de salida que nos ayude
a mejorar el modelo anterior. Asumimos que el nivel del estanque (que depende del tiempo)
vara lentamente con respecto al flujo de salida. Llamamos al centro del estanque a la altura
h(t) punto 1. Asumimos ademas que el flujo de salida se mide al dondo del estanque (y = 0).
Denotamos dicho punto como punto 2. As, la ley de balance de energa se puede expresar como
dE dE1 dE2
= .
dt dt dt
Asumiendo dinamicas lentas y considerando que dE/dt = 0 entonces la ecuacion anterior se
reduce a E1 = E2 . En el punto 1 la energa predominante es la energa potencial E1 = mgh y
en el punto 2 es la cinetica E2 = 21 mv 2 en donde v es la velocidad del flujo de salida. As, se

obtiene que v = 2gh. Dado que el flujo de salida es la derivada del volumen instantaneo y el
area del cilintro es constante, entonces
dV d` p
fs = = A = Av = A 2gh , (1.40)
dt dt
en donde ` es la longitud del tubo de salida. Reemplazando este resultado en (1.39), se obtiene
que el modelo din
amico del nivel del estanque, h(t), en funcion de las variables conocidas fe
(flujo de entrada), g (aceleracion de gravedad), R (radio circunferencia del cilindro) es
d 1 p
h(t) = f e 2gh . (1.41)
dt R2

Apuntes 549104 38
y=H
h(t)
y=0
Fig. 1.20: Estanque cilndrico a modelar mediante ecuaciones de balance
Principio de mnima acci

on
Seg
un este principio, que nace de la mecanica clasica, todo proceso esta caracterizado por
una funcion de energa L{} que opera sobre las variables de estado del proceso. Las variables de
estado son aquellas cantidades que determinan el estado dinamico de un sistema. Por ejemplo, en
un circuito electrico, las variables de estado normalmente estan determinados por la corriente
y el voltaje instantaneos, i(t) y v(t), respectivamente. En el ejemplo anterior del estanque,
la variable de estado corresponde al nivel del estanque, h(t). En general, un proceso estara
deteminado por un vector de variables de estado que representamos de forma generica mediante
x(t).
El principio de mnima accion postula que la integral
Z t2
J= L{x(t)} dt ,
t1
tiende al valor mnimo posible. La funcion L en sistemas mecanicos se le llama Lagrangiano y

corresponde a la diferencia entre la energa cinetica y potencial.
Ecuaciones diferenciales y ecuaciones de estado
La ecuacion diferencial corresponde a la representacion de un sistema a traves de una ecua-

cion diferencial de orden n y sobre una variable de estado,
dn y dn1 y dy dm u dm1 u du
n
+ a n1 n1
+ + a 1 + a0 y = b m m
+ b m1 m1
+ + b1 + b0 u .
dt dt dt dt dt dt
Apuntes 549104 39
En donde y es la variable de estado (generalmente la salida) y u corresponde a la entrada del

sistema.
El Ejemplo 1.13 muestra un procedimiento para encontrar las ecuaciones diferenciales que
describen el comportamiento de un circuito RLC.
Ejemplo 1.13 - Ecuaciones diferenciales.

Escribamos la ecuacion que describe el comportamiento del circuito RLC de la Fig. 1.21.
Primero indentificamos que la entrada al circuito es e y asumiremos que la salida del circuito
es el voltaje en la resistencia, y(t) = vR (t) = vC (t). Ademas, recordamos las dos relaciones
principales de los elementos activos del circuito:
diL (t)
vL (t) = L (1.42)
dt
para el inductor, y
dvC (t)
iC (t) = C (1.43)
dt
para el condensador. Aplicamos la Ley de Voltaje de Kirchhoff (LVK) para encontrar la relacion
e(t) = vL (t) + vR (t) que en terminos de entrada-salida se escribe como x(t) = vL (t) + y(t) =
Li0L (t) + y(t). Ahora aplicamos la Ley de Corriente de Kirchhoff (LCK) para encontrar que
iL (t) = iC (t) + iR (t) = CvC0 (t) + vR (t)/R por lo que
diL (t)
x(t) = vL (t) + y(t) = L + y(t)
dt
d dvC (t) y(t)
= L C + + y(t)
dt dt R
d2 y L dy
= LC 2 + +y ,
dt R dt
por lo que la ecuacion diferencial que describe el circuito puede ser expresada de forma canonica
como
1 0 1 1
y 00 + y + y= x.
RC LC LC
Para resolver de forma u
nica esta ecuacion requerimos las condiciones iniciales sobre el voltaje
de salida, es decir, se requiere conocer y(0) y y 0 (0).
Apuntes 549104 40
En el caso de las ecuaciones de estado, el sistema se representa por un conjunto de n

ecuaciones diferenciales de primer orden. Por lo mismo, usamos como variables de estado las
cantidades que varian en el tiempo y definen la ecuacion diferencial de orden n que describe
al sistema. As, para el circuito mostrado en la Fig. 1.21, notamos que las dos ecuaciones que
describen la EDO de segundo orden son
e(t) = Li0L (t) + vC (t) , y iL (t) = CvC0 (t) + vC (t)/R
por lo que identificamos:
variables de estado: x1 (t) = iL (t) y x2 (t) = vC (t)
entrada: e(t)
salida: vC (t)
Entonces, el modelo del circuito se puede escribir como el set de ecuaciones
1 1
x1 (t) = x2 (t) + e(t)
L L
1 1
x2 (t) = x1 (t) x2 (t)
RC C
y(t) = vC (t) .
Las dos ecuaciones superiores representan el mismo sistema descrito por la EDO anterior,
sin embargo, solo se compone por ecuaciones diferenciales de primer orden. Esta representacion
de la dinamica del sistema se conoce como representaci
on en variables de estado, o sim-
plemente, ecuaciones de estado del sistema. La u
ltima ecuacion simplemente asigna una
de las variables de estado como la salida del sistema. En general, las ecuaciones de estado se
Fig. 1.21: Circuito RLC para el Ejemplo 1.13
Apuntes 549104 41
representan de forma matricial, por lo que reescribimos las ecuaciones anteriores mediante
1
1
x1 (t) 0 x 1 (t)
L L
= + e(t)

1
1
x2 (t) x2 (t) 0
RC C

x 1 (t)
y(t) = 0 1

x2 (t)
De esta forma, se puede ver que cualquier variable de salida que se quiera definir estara
determinada por estas variables de estado. El n
umero de variables de estado es el orden del
sistema y esta ntimamente ligado con el n
umero de acumuladores de energa que son linealmente
independientes. En forma general la ecuacion de estado de un sistema queda representada por,

x(t) = f (x, e, p) , y(t) = h (x, e, p)
o en sus componentes,

x (t) f1 (x, e, p) y1 (t) h1 (x, e, p)
1

x (t) f (x, e, p) y (t) h (x, e, p)
2 2 2 2
= , =

.. .. .. ..

. . . .

xn (t) fn (x, e, p) yq (t) hq (x, e, p)
en donde, x = [x1 x2 xn ]T es el vector de variables de estado, e = [e1 e2 ep ]T es

el vector de entradas, y = [y1 y2 yq ]T es el vector de salidas, p = [p1 p2 pm ]T es el
vector de perturbaciones. La segunda ecuacion siempre representa las mediciones que podemos
realizar, ya sea ficticias o reales. En el caso lineal, tal como se vera en la Seccion 2.2.6, se puede
escribir,
x = Ax + Bu + Ep, y = Cx + Du + F p,
donde A, B, C, D, E, y F son matrices de parametros con dimensiones apropiadas. Si hay n

variables de estados, entonces siempre se cumple que las dimensiones de cada componente son;
x : n 1, e : p 1, p : m 1, y : q 1, A : n n, B : n p, C : q n, D : q p, E : n m, y
F : q m, respectivamente.
Apuntes 549104 42
1.6. ALCANCES DEL CURSO
1.6. Alcances del curso

En este curso se estudiaran sistemas lineales del tipo continuo y discreto. Sera de especial
importancia la modelacion de estos mediante el analisis fenomenologico, para lo cual se revisaran
las leyes fsicas basicas de la ingeniera. Los sistemas mecanicos, hidraulicos, electromecanicos
y termicos seran revisados con mayor atencion. La modelacion de sistemas electricos se asume
conocida. Las se
nales seran analizadas formalmente en este curso para dar paso al estudio de las
transformaciones de estas, comenzando por la Transformada de Laplace para se
nales continuas.
Las se
nales discretas seran analizadas como el resultado de una transformacion de se
nales con-
tinuas. Para el estudio de las se
nales discretas se utilizara la Transformada Z. La Transformada
de Fourier de se
nales continuas y discretas sera introducida sobre la base de la necesidad de
un operador de uso facil para se
nales periodicas. Los modelos de sistemas estaran basados en
ecuaciones diferenciales de orden N o en N ecuaciones de estado. Se revisaran distintos metodos
de solucion de estas ecuaciones. Los resultados anteriores daran paso al concepto de Funcion de
Transferencia y con ello los conceptos de polos y ceros, para finalmente presentar una alternati-
va de representacion grafica de la Funcion de Transferencia conocido como Diagrama de Bode.
Finalmente, se revisaran los conceptos de estabilidad de acuerdo al tipo de representacion del
sistema. Con esto nace el concepto de estabilidad de entrada/salida relacionado con los polos
del sistema.
Apuntes 549104 43
1.6. ALCANCES DEL CURSO
Apuntes 549104 44
Captulo 2
Sistemas y Se
nales
2.1. Introducci
on
Como se explico en el Cap. 1, un sistema es una descripcion cuantitativa de un proceso fsico.
Los sistemas continous y discretos son aquellos sistemas en que la variable independiente de
las se
nales que se procesan son continuas y discretas, respectivamente. Vale decir, sistemas con-
tinous procesan se
nales analogas y/o cuantizadas, mientras que los sistemas discretos procesan
se
nales muestreadas y/o digitales.
2.2. Propiedades de los Sistemas
2.2.1. Sistemas sin memoria
Se dice que un sistema tiene memoria si su salida en el instante t (o n) depende de otros

valores diferentes de t (o n, respectivamente). El sistema se llama sin memoria si la salida en
el instante t (o n) depende solo de la entrada en ese instante.
Por ejemplo
y(t) = (2x(t) x2 (t))3 no tiene memoria, pues y(t) depende exclusivamente de x(t). No
existen ningun termino como x(t + 1), x(t 0,1), etc.
y[n] = x[n + 1] si tiene memoria pues depende de un instante diferente a n (en particular
45
2.2. PROPIEDADES DE LOS SISTEMAS
depende de n + 1 en este ejemplo.
y(t) = cos(x(t)) no tiene memoria.
Ejemplo 2.1 - Sistema discreto con/sin memoria.

Determinemos si el sistema descrito por la ecuacion
y[n] = x[n] + y[n 1]
tiene o no memoria.
Notamos que la relacion entrada-salida del sistema esta determinado por una ecuaci
on
recursiva de la salida. Es decir, la salida en el instante n depende los valores anteriores de
ella misma (del valor en n 1 en este ejemplo). Para ver si el sistema tiene memoria, debemos
expresar y solamente en funcion de x. Si reemplazamos n por n 1 en la definicion tenemos
y[n 1] = x[n 1] + y[n 2] .
Haciendo lo mismo repetidas veces podemos escribir
y[n] = x[n] + y[n 1]
= x[n] + (x[n 1] + y[n 2])
= x[n] + x[n 1] + (x[n 2] + y[n 3])

..
.
= x[n] + x[n 1] + x[n 2] + + x[n 100] +

Xn
= x[k]
k=
de donde se observa que claramente y[n] depende de mas valores que solamente de x[n].
2.2.2. Sistemas invertibles
Un sistema es invertible si para distintas se

nales de entradas producen distintas se
nales de
salida.
Apuntes 549104 46
Esto es, que si para cada par de entradas x1 y x2 que no son identicamente iguales (i.e.,
existe al menos un t0 tal que x1 (t0 ) 6= x2 (t0 )), las correspondientes salidas T {x1 } y T {x2 }
no son identicamente iguales. En palabras simples, queremos decir que entradas diferentes son
mapeadas a salidas diferentes y que por ende, podemos recuperar x1 de la salida T {x1 }.
Hay dos reglas basicas para demonstrar si un sistema es invertible o no:
1. Para demostrar que un sistema es invertible uno debe mostrar su formula de inversion
2. Para demostrar que un sistema no es invertible uno debe mostrar un contra ejemplo.
Ambos casos se estudian en los siguientes ejemplos.
Ejemplo 2.2 - Sistemas invertibles 1.

El sistema y(t) = [cos t + 2]x(t) es invertible.
Para demostrarlo, debemos mostrar su formula de inversion. Primero observamos que el
termino [cos t + 2] es siempre positivo, por lo que podemos simplemente hacer la division y
obtener la formula de inversion
y(t)
x(t) = ,
cos t + 2
demonstrando as lo requerido.

El sistema y[n] = x[n] + y[n 1] es invertible
Para demostrar esto, simplemente arreglamos los terminos para encontrar
x[n] = y[n] y[n 1] ,
que corresponde a la formula de inversion.

El sistema y(t) = x2 (t) no es invertible.
Apuntes 549104 47
nales x1 (t) = 1 , t
Para demostrar esto requerimos un contraejemplo. Consieremos las se
IR y x2 (t) = 1 , t IR. Claramente x1 (t) 6= x2 (t), sin embargo x21 (t) = x22 (t). Por lo tanto,
hemos encontrado un contraejemplo tal que diferentes entradas generan la misma salida. As se
concluye que el sistema no es invertible.
2.2.3. Sistemas causales
Un sistema es causal cuando su salida en cualquier instante t (o n) no depende de la entrada

para cualquier tiempo mayor a dicho instante, es decir, que no depende de valores futuros.
Por ejemplo,
y(t) = x(t) + 3x(t 3) es un sistema causal pues solo depende entradas pasadas y actuales
y(t) = 3x(t + 4) es no causal pues la salida depende de la entrada en t + 4
y[n] = 0,2y[n] + 2y[n + 1] es no causal por que la salida depende de la entrada en n + 1.
y[n] = x[n] es no causal. Esto pues para n = 1, la salida depende de x[1]. Es decir, la
salida en tiempo negativo depende de la entrada en tiempos positivos (osea, del futuro).
y(t) = x(t) cos(t + 1) es causal, pues la salida solamente depende de la entrada en t. Para
este caso cos(t + 1) es una constante con respecto a x(t).
Rt
y(t) =
ua en desde hasta t lo que
x( ) d es causal pues la integral se eval
constituye solamente valores pasados y el instante actual.
Notese que si un sistema es sin memoria entonces tambien es causal.
2.2.4. Sistemas estables
Un sistema es estable cuando para una entrada acotada, su salida tambien es acotada.
Matematicamente, si |x(t)| < , t, entonces existe un C finito tal que |T {x} | < C. Esta
estabilidad de un sistema se le llama estabilidad BIBO (entrada acotada, salida acotada).
Rt
Por ejemplo el sistema integrador: y(t) = 0 x(t) dt es inestable, pues para una entrada
escalon (que claramente es acotada), la salida crece al infinito.
Apuntes 549104 48
Ejemplo 2.5 - Sistemas estables 1.

Determinemos si el sistema y(t) = 2x2 (t 1) + x(3t) es estable.
nal acotada |x(t)| B para alg
Consideremos una se un B < . Entonces
|y(t)| = |2x2 (t 1) + x(3t)|
|2x2 (t 1)| + |x(3t)| , por la desigualdad triangular
2|x2 (t 1)| + |x(3t)|
2B 2 + B <
Por lo tanto, para una entrada acotada, la salida tambien es acotada. Es decir, el sistema es
estable.
Ejemplo 2.6 - Sistemas estables 2.

n
X
El sistema y[n] = x[k] conocido como el sistema acumulador no es estable.
k=
Para demostrar que el sistema no es estable, construimos una se
nal acotada que genere una
salida no acotada. Para ello, usamos un escalon unitario: x[n] = u[n]. Claramente, x[n] 1
n Z. Entonces n n
X X X n
|y[n]| = x[k] = u[k] = 1=n+1 .

k= k= k=0
Entonces, a medida que n se acerca a infinito, la salida crece tambien al infinito. Por lo mismo,
la salida no esta acotada y el sistema no es estable en el sentido BIBO.
2.2.5. Sistemas invariantes en el tiempo
Un sistema es considerado invariante en el tiempo (SIT) si un retardo/adelanto en la entrada

no cambia la naturaleza del sistema. Es decir, para un SIT si una se
nal x es la entrada a un
sistema que genera la salida y, entonces la entrada x(t t0 ) resultara en la se
nal y(t t0 ).
Esto es, si
x(t) y(t)
Apuntes 549104 49
entonces el sistema es invariante en el tiempo si
x(t t0 ) y(t t0 )
para cualquier t0 IR. Si sucede que T {x(t t0 )} =

6 y(t t0 ) entonces el sistema se llama
variante en el tiempo.
Ejemplo 2.7 - Invariabilidad en el tiempo.

Para determinar si el sistema y(t) = sin[x(t)] es variante o no en el tiempo, definimos la sen
nal
x0 (t) = x(t t0 ) y estudiamos la salida correspondiente y0 (t). Si resulta que y0 (t) = y(t t0 )
entonces el sistema es invariante en el tiempo.
As, la salida para la entrada retardada es
y0 (t) = sin[x0 (t)] = sin[x(tt0 )]
y la salida original retardada es
y(t t0 ) = sin[x(t t0 )] .
Dado que ambas son iguales, el sistema es invariante en el tiempo.
Ejemplo 2.8 - Invariabilidad en el tiempo de un sistema integrador.

Determinemos si el sistema integrador es variante o invariante en el tiempo.
La salida es retardada de este sistema es
Z tt0
y(t t0 ) = x( ) d

Si ahora la entrada es retardada, entonces la salida es

Z t
y0 (t) = x0 ( ) d

Z t
= x( t0 ) d

Z tt0
= x() d

= y(t t0 ) .
Apuntes 549104 50
Por lo tanto, este sistema integrador es invariante en el tiempo.
Ejemplo 2.9 - Variablidad en el tiempo.

El sistema y[n] = nx[n] es variante en el tiempo.
Para demostrar esto, debemos construir un contraejemplo. Consideremos que el sistema tiene
como entrada un impulso discreto: x[n] = [n]. La salida es y[n] = 0, n (por que?) La entrada
retardada entonces es x0 [n] = [n n0 ] y generara la correspondiente salida
y0 [n] = nx0 [n] = n[n n0 ] = [n n0 ] ,
sin embargo la salida original desplazada es
y[n n0 ] = (n n0 )x[n n0 ] = (n n0 )[n n0 ] = 0 , n .
Entonces, y0 [n] 6= y[n n0 ] y, por lo tanto, el sistema es variante en el tiempo.
2.2.6. Sistemas lineales
Un sistema T se dice que es linear si satisface las propiedades de Adicion y Homogeneidad.
Propiedad de Adici
on (Superposici
on)
Dadas dos se
nales x1 y x2 y un sistema T , se dice que este satisface la propiedad de adicion
o superposicion si
T {x1 + x2 } = T {x1 } + T {x2 } . (2.1)
Esto implica que sumar dos se

nales antes o despues del sistema no tiene diferencia y la salida
es exactamente la misma. Ambas situaciones se muestran en la Fig. 2.1
Propiedad de Homogeneidad
Dada una se
nal x, un escalar y un sistema T se dice que el sistema satisface la propiedad
de homogeneidad si
T {x} = T {x} , (2.2)
Apuntes 549104 51
x1
y
+ T
x2
(a)
x1 y1
T
y
+
x2 y2
T
(b)
Fig. 2.1: Representacion grafica de la propiedad de adicion. Si un sistema satisface la propiedad

de adicion, estas dos representaciones son equivalentes: (a) sumar antes o (b) despues del sistema
no hace cambiar la salida y
esto quiere decir que escalar una se

nal antes o despues del sistema no tiene diferencia y generara
la misma salida. Ambas situaciones se muestran en la Fig. 2.2
Una forma de mezclar ambas propiedades es mediante la generalizacion que se da a conti-

nuacion: Si y1 = T {x1 } y y2 = T {x2 }, entonces el sistema T {} es lineal si
x1 (t) + x2 (t) y1 (t) + y2 (t) .
Ejemplo 2.10 - Linealidad sistema integrador.

Sean x1 y x2 dos se
nales. Calculemos la salida del sistema si la entrada es la suma de ambas:
Z t
T {x1 (t) + x2 (t)} = x1 ( ) + x2 ( ) d

Z t Z t
= x1 ( ) d + x2 ( ) d

= T {x1 (t)} + T {x2 (t)} ,
Apuntes 549104 52
x y
T
(a)
x y
T
(b)
Fig. 2.2: Representacion grafica de la propiedad de homogeneidad. Si un sistema satisface la

propiedad, estas dos representaciones son equivalentes: (a) amplificar antes o (b) despues del
sistema no hace cambiar la salida y
por lo tanto el sistema integrador satisface la propiedad de adicion. Sea un escalar, entonces
Z t
T {x1 (t)} = x1 ( ) d

Z
= x1 ( ) d

= T {x1 (t)} ,
por lo tanto, tambien satisface la propiedad de homogeneidad. Por ambas razones, el sistema
integrador es lineal.
Ejemplo 2.11 - Sistema no lineal.

Estudiemos la linealidad del sistema y[n] = (x[2n])2 .
Si consideramos que yi [n] = (xi [2n])2 , i = 1, 2, entonces
y1 (t) + y2 (t) = (x1 [2n])2 + (x2 [2n])2
Definimos la entrada x[n] = x1 (t) + x2 (t) y veamos su salida correspondiente
y[n] = T {x[n]} = (x[2n])2 = (x1 [2n] + x2 [2n])2 = 2 x21 [2n] + 2x1 [2n]x2 [2n] + 2 x22 [2n]) ,
que claramente no es igual a y1 (t) + y2 (t), por lo tanto el sistema no es lineal.
Apuntes 549104 53
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
2.3. Sistemas lineales e invariantes en el tiempo

En esta asignatura centramos la atencion en los sistemas lineales invariantes en el
tiempo, S.L.I.T.. Un sistema L.I.T. debe entonces satisfacer las siguientes propiedades
Adici
on: Para cualquier par de se
nales x1 y x2
T {x1 + x2 } = T {x1 } + T {x2 }
Homogeneidad: Para cualquier se

nal x y escalar
T {x} = T {x}
Invariabilidad en el tiempo: Para cualquier entrada x, su version desplazada x(t t0 ) solo

genera la version desplazada de la salida
T {x(t t0 )} = y(t t0 )
Los SLIT presentan una propiedad interesante que se obtiene cuando la entrada x es un
impulso, es decir x = . Denotamos la salida asociada a esta entrada por h y por su importan-
cia recibe el nombre de funci
on caracteristica del sistema y simplemente corresponde a la
respuesta a entrada impulso (tambien llamada respuesta a impulso).
2.3.1. Sistemas LIT en tiempo discreto (suma de convoluci

on)
Para comenzar, consideraremos los sistemas en tiempo discreto. Denotemos por h[] la res-
puesta a impulso discreto, de un sistema T {}, es decir
h[n] = T {[n]} , (2.3)
en donde [] es el impulso discreto definido por

1 ,n = 0
[n] = .
0 , n 6= 0
Anteriormente demostramos que
x[n][n n0 ] = x[n0 ][n n0 ]
Apuntes 549104 54
de donde inferimos que

X
x[n] = x[k][n k] .
k=
Con estos antecedentes, queremos obtener la salida y[] de un sistema L.I.T. para cualquier
se
nal arbitraria de entrada, x[].
(
)
X
y[n] = T {x[n]} = T x[k][n k] , por adicion
k=

X
= T {x[k][n k]} , por homogeneidad
k=
X
= x[k]T {[n k]} , por inv. en tiempo
k=
X
= x[k]h[n k] .
k=
Esta u
ltima ecuacion permite conocer y para cualquier x solamente conociendo la respuesta
a impulso del sistema LIT con la cual se debe realizar la siguiente operacion matematica:

X
y[n] = x[k]h[n k] , (2.4)
k=
on, y la denotamos por y = x h, o

la que es conocida como la suma de convoluci
simplemente y[n] = x[n]h[n]. La convolucion tiene una forma equivalente que se puede obtener
reemplazando m = n k en (2.4) para obtener

X
y[n] = x[k]h[n k]
k=
X
= x[n m]h[m]
m=

X
= x[n k]h[k] ,
k=
y cualquiera sera usada dependiendo de la situacion bajo analisis.
Apuntes 549104 55
2.3.2. C
omo calcular sumatoria de convoluci
on
Para evaluar la convolucion, hay que seguir tres pasos simples:
1. Reflejar
2. Desplazar
3. Multiplicar y sumar
Veremos esto con algunos ejemplos.
Ejemplo 2.12 - Convoluci

on discreta 1.
Calculemos y[n] = x[n] h[n] para x[n] = A(u[n] u[n 11]) y h[n] = B(u[n + 1] + u[n 3]).
Necesitamos calcular y[n] = x[n] h[n] =
P P
k= x[k]h[n k] = k= x[n k]h[k] por lo
que cualquier de las se

nales puede elegirse para reflejarse y luego ser desplazada. En particular
para este ejemplo elegimos h[n]. Identificamos las siguientes zonas de interes:
Para n 2 no hay solapamiento entre las se

nales por lo que

X
y[n] = x[k]h[n k] = 0
k=
Para 1 n 2 la se
nal h va entrando por el lado izquierdo de la se
nal x, por lo que
n+1
X n+1
X
y[n] = x[k]h[n k] = AB = (n + 2)AB
k=0 k=0
Para 3 n 9 hay solapamiento completo entre ambas se

nales, por lo que
n+1
X
y[n] = AB = (n + 1 (n 2) + 1)AB = 4AB
k=n2
Para 10 n 12 la se
nal h comienza a salir de la se
nal x por lo que
10
X
y[n] = AB = (10 (n 2) + 1)AB = (13 n)AB
k=n2
Apuntes 549104 56
Para n 13 no hay solapamiento, por lo que

X
y[n] = x[k]h[n k] = 0
k=
En resumen, la salida es

(n + 2)AB 1 n 2

3n9

4AB
y[n] =

(13 n)AB 10 n 12

0 otro caso
La Fig. 2.3 se muestran las curvas necesarias para cada uno de estos puntos.

on discreta 2.
Considere un sistema LIT con respuesta entrada impulso dada por x[n] = u[n]u[n3]. Calcule
su salida para una entrada h[n] = r[n]u[3 n].
Para este ejemplo, mantenemos fija h y desplazamos x, por lo que Identificamos las siguientes
zonas de interes:
Para n 0, no hay solapamiento, por lo que

X
y[n] = x[n k]h[k] = 0 .
k=
Para 0 n 2, la se
nal x va entrando en h
n
X n(n + 1)
y[n] = k= .
k=0
2
Para 3 n 5, la se
nal x va saliendo en h
3 3 n3
6 + 5n n2

X X X n(n + 1)
y[n] = k= k k =6 =
k=n2 k=0 k=0
2
n=n3 2
Para n 6, no hay solapamiento, por lo que

X
y[n] = x[n k]h[k] = 0 .
k=
Apuntes 549104 57
(a) (b) (c)
(d) (e) (f)
nales para el Ejemplo 2.12 que fueron definidas como x[n] = A(u[n] u[n 11]) y
Fig. 2.3: Se
h[n] = B(u[n + 1] + u[n 3]) en Matlab, (a) se
nales originales, (b) se
nal h ha sido reflejada en
el origen, (c) caso 1: n 2 no hay overlap. (d) caso 2: 1 n 2 se
nal h entrando en x,
(e) caso 3: 3 n 9 solapamiento completo, (f) caso 4: 10 n 12 se
nal h saliendo en x
2.3.3. Propiedades de los S.L.I.T discretos y su respuesta impulso
Sistemas sin memoria
El sistema se llama sin memoria si la salida en el instante t (o n) depende solo de la entrada

en ese instante.
Teorema 2.1. Un sistema LIT es sin memoria si y solo si
h[n] = a[n] (2.5)
un a C.
para alg
Apuntes 549104 58
Fig. 2.4: Resultado de la convolucion entre x y h para el Ejemplo 2.12
Demostracion. Si h[n] = a[n], entonces para cualquier entrada x la salida es:

X
y[n] = x[n] h[n] = x[k]h[n k]
k=

X
= x[k]a[n k]
k=
= ax[n] ,
por lo tanto el sistema es sin memoria. Inversamente, si el sistema en sin memoria, entonces
y[n] no puede depender de valores de x[k] para k 6= n. Mirando la definicion de la suma de
convolucion,

X
y[n] = x[k]h[n k]
k=
podemos concluir que esto solamente se da cuando h[n k] = 0 para todo k 6= n, lo que es
equivalente a decir que si el sistema es sin memoria, entonces
h[n] = 0 , n 6= 0 .
Esto implica que y[n] = x[n]h[0] = ax[n], en donde fijamos h[0] = a. As, necesariamente
h[n] = a[n].
Apuntes 549104 59
Sistemas invertibles
Un sistema es invertible si para distintas se

nales de entradas producen distintas se
nales de
salida.
Teorema 2.2. Un sistema LTI es invertible si y solo si existe una funcion g tal que
h[n] g[n] = [n] (2.6)
Demostracion. Si el sistema T es invertible, entonces x1 [n] 6= x2 [n] implica que y1 [n] 6= y2 [n],
por lo que debe existir un mapeo inyectivo (mapeo uno-a-uno) T tal que y = T {x} = h x.
Como T es inyectiva, entonces existe un mapeo inverso, T 1 tal que
T 1 {T x[n]} = x[n]
para todo x. Por lo tanto, existe una funcion g tal que
g[n] (h[n] x[n]) = x[n] .
por la asociatividad de la convolucion, esto implica que (g[n] h[n]) x[n] = x[n], es decir que
g[n] h[n] = [n].
De forma inversa, si existe una funcion g tal que g[n] h[n] = [n] entonces para cada
x1 [n] 6= x2 [n] tenemos
y1 [n] = h[n] x1 [n]
y2 [n] = h[n] x2 [n] .
Tomando la diferencia entre estas dos se

nales
y1 [n] y2 [n] = h[n] (x1 [n] x2 [n]) .
Tomando la convolucion con g en ambos lados de la ecuacion anterior obtenemos
g[n] (y1 [n] y2 [n]) = [n] (x1 [n] x2 [n]) .
Dado que x1 [n] 6= x2 [n] y g[n] 6= 0 entonces necesariamente y1 [n] y2 [n] 6= 0, osea y1 [n] 6= y2 [n],
por loq ue el sistema es invertible.
Apuntes 549104 60
Sistemas causales
Un sistema es causal cuando su salida en cualquier instante t (o n) no depende de la entrada

para cualquier tiempo mayor a dicho instante, es decir, que no depende de valores futuros.
Teorema 2.3. Un sistema LTI es causal si y solo si su respuesta a entrada impulso es una
se
nal causal, es decir si
h[n] = 0 , n < 0 (2.7)
Demostracion. Si T es causal, entonces la salida y no puede depender de x[k] para k > n. Por
la ecuacion de la convolucion

X
y[n] = x[k]h[n k]
k=
observamos que necesariamente esto se dara solamente cuando h[n k] = 0 para todo k > n,
o, equivalentemente, cuando h[n k] = 0 para todo n k < 0. Haciendo m = n k, vemos que
si T es causal, entonces
h[m] = 0 , m < 0 .
Inversamente, si h[k] = 0 para k < 0, entonces

X
X
y[n] = x[n k]h[k] = x[n k]h[k]
k= k=0
por lo tanto, el sistema es causal.
Sistemas estables
Un sistema es estable cuando para una entrada acotada, su salida tambien es acotada.
Matematicamente, si |x(t)| < , t, entonces existe un C finito tal que |T {x} | < C. Esta
estabilidad de un sistema se le llama estabilidad BIBO (entrada acotada, salida acotada).
Teorema 2.4. Un sistema LTI es estable si y solo si su respuesta a entrada impulso es abso-
lutamente sumable, es decir si

X
h[n] < (2.8)

k=
Apuntes 549104 61
P
Demostracion. Supongamos que h[n] < . Para cualquier se
nal acotada |x(t)| B,

k=
la salida es

X
|y[n]| = x[k]h[n k]

k=
X
|x[k]| |h[n k]|
k=

X
B |h[n k]| ,
k=
por lo tanto, y tambien esta acotada.

Inversamente, suponemos que
P
h[n] = . Queremos mostrar que si esto sucede,

k=
entonces y no esta acotada. Definimos la se
nal auxiliar

1 , h[n] > 0
x[n] = .
1 , h[n] < 0
Claramente, x esta acotada, especificamente x[n] 1, para todo n. La salida bajo estas condi-
ciones es

X
|y[0]| = x[k]h[k]

k=

X
= h[k]

k=
X

= h[k] = ,
k=
por lo tanto, y no esta acotada.
A continuacion veremos la convolucion en tiempo continuo, para la cual demostraremos

algunas de las propiedades. Las mismas propiedades son validas para la convolucion discreta.
2.3.4. Sistemas LIT en tiempo continuo (integral de convoluci

on)
Recordemos que para un sistema L.I.T. discreto la respuesta a entrada impulso h nos permite
obtener la salida del sistema para cualquier entrada: Sabiendo h = T {}, con T {} un S.L.I.T.
Apuntes 549104 62
discreto, entonces, para una entrada cualquiera x, la salida asociada, y esta determinada por
y =xh
en donde representa la convolucion entre las se

nales x (entrada) y h (la respuesta a entrada
impulso). Queremos encontrar la misma propiedad para sistemas en tiempo continuo.
En el Captulo 1, encontramos que la propiedad de cernido del delta nos permita expresar
una se
nal cualquiera, x mediante la (1.33), que repetimos aca por claridad:
Z
x(t) = x( )(t ) d .

Entonces, la salida de un SLIT continuo con respuesta a entrada impulso h(t) y entrada x(t) es
Z
y(t) = T {x(t)} = T x( )(t ) d

Z
= T {x( )(t )} d (por adicion)

Z
= x( )T {(t )} d (por homogeneidad)

Z
= x( )h(t ) d (por invariabilidad en el tiempo) ,

en resumen:
Z
y(t) = x( )h(t ) d (2.9)

La integral en (2.9) es conocida como la integral de convolucion o convolucion para se

nales
en tiempo continuo. As, la convolucion entre dos se
nales genericas f y g se define mediante la
integral
Z
(f g)(t) = f ( )g(t ) d .

A continuacion veremos las propiedades mas importantes que presenta y que se satisfacen para
la convolucion de se
nales en tiempo continuo y discreto.
Apuntes 549104 63
2.3.5. Propiedades de la convoluci

on
Las siguientes propiedades se verifican para la suma y la integral de convolucion, sin embargo
por simplicidad solo se demuestran para el caso continuo. Un buen ejercicio para el lector es
realizar las demsotraciones para el caso discreto.
Conmutatividad
La convolucion es conmutativa:
(f g) = (g f )
Demostracion. Reemplazar = t en la definicion:

Z
(f g)(t) , f ( )g(t ) d

Z
= f (t )g() d

Z
= g()f (t ) d

, (g f )(t)
Distributividad con respecto a la suma
La convolucion es distributiva con respcto a la suma
f (g + h) = f g + f h
Demostracion.
Z
(f (g + h))(t) , f ( )(g(t ) + h(t )) d
Z

= f ( )g(t ) + f ( )h(t ) d
Z
Z
= f ( )g(t )d + f ( )h(t ) d

, (f g)(t) + (f h)(t)
Apuntes 549104 64
Asociatividad
La convolucion es asociativa:
f (g h) = (f g) h
Demostracion. Para entender mejor, definamos las funciones auxiliares

Z
z1 (t) , (g h)(t) = g(t )h( ) d

Z
z2 (t) , (f g)(t) = f ()g(t ) d

de donde resulta claro que Entonces,

Z
[f (g h)](t) = (f z1 )(t) , f (t )z1 () d

Z Z
= f (t ) g( )h( ) d d

Z Z
= f (t )g( )h( ) d d

Z Z
= f (t )g( ) d h( ) d

Z
, z2 (t )h( ) d

, (z2 h)(t) = [(f g) h](t)
Las propiedaedes de conmutatividad, asociatividad y distribucion significa que existe una

algebra de se
nales en donde
La suma de se
nales es igual a la suma aritmetica o en algebra elemental, y
La multiplicacion es reemplazada por la convolucion
Convoluci
on con un impulso
Permtame la notacion
f (t) (t t0 ) = f (t t0 )
Apuntes 549104 65
Demostracion.
Z
f (t) (t t0 ) , f ( )(t t0 ) d
Z

= f (t )( t0 ) d

= f (t t0 )
Convoluci
on con un escal
on
Dado que el escalon es causal, entonces

Z t
(f u)(t) = f ( ) d

2.3.6. C
alculo de la integral de convoluci
on
Para calcular la integral de convolucion

Z
y(t) = x( )h(t ) d

observamos que si consideramos h(t ) como una funcion de , entonces h(t ) esta retardada
al tiempo t e invertida. Esto se debe multiplicar punto a punto con la entrada para posterior-
mente integrar sobre para obtener y para dicho valor de t. Este proceso se repite para todos
los valores de t de interes.
As, se siguen los siguientes pasos
Receta de cocina:
1. Invertir en el tiempo la respuesta a entrada impulso h( ). Esto genera h( )
2. Arrastrar hacia la derecha sobre t para obtener h(( t)) = h(t )
3. Multiplicar punto a punto para obtener x( )h(t )
4. Integrar sobre para obtener y(t)
Apuntes 549104 66

on continua.
Calculemos la convolucion entre las se
nales de la Fig. 2.5. Primero notamos que para distintos
valores del tiempo, t, se obtienen distintas situaciones como se muestra en la Fig. 2.6. Entonces:
Para t < 0:
y(t) = 0
Para 0 t 1: Z t Z t
y(t) = x( )h(t ) d = 2 d = 2t
0 0
Para 1 t 2 existe overlap completo

Z t Z t
y(t) = x( )h(t ) d = 2 d = 2
t1 t1
Para 2 t 3 existe overlap parcial

Z 2 Z 2
y(t) = x( )h(t ) d = 2 d = 2(2 t + 1) = 2(3 t)
t1 t1
Para t > 3 tampoco hay overlap

y(t) = 0
En resumen

2t ,0 t 1

,1 t 2

2
y(t) =
2(3 t)
,2 t 3

0 , otro caso
Cuyo resultado se muestra en la Fig. 2.5(derecha).
2.3.7. Propiedades de los S.L.I.T continuos y su respuesta impulso
Cabe destacar que las propiedades de los sistemas en tiempo continuos como memoria,
inveribilidad, estabilidad y causalidad deben cumplir las mismas propiedades antes descritas
Apuntes 549104 67
Fig. 2.5: Se
nales para el Ejemplo 2.2: Respuesta entrada impulso (izquierda) y entrada para un
sistema (centro). El resultado del calculo (derecha)
para sistemas en tiempo discreto. Las demistraciones son equivalentes por lo que aca solamente
se mencionaran dichas propiedades sin demostracion.
Para todos los SLITs en tiempo continuo, asuma que su respesta a entrada impulso es h, es
decir, asuma que
h(t) = T {(t)} .
Sistemas sin memoria
El SLIT en tiempo continuo es sin memoria si y solo si
h(t) = a(t) (2.10)
un a C.
para alg
Sistemas invertibles
Un SLIT en tiempo continuo es invertible si y solo si existe una funcion g tal que
h(t) g(t) = (t) (2.11)
Sistemas causales
Un SLIT en tiempo continuo es causal si y solo si su respuesta a entrada impulso es una

se
nal causal, es decir si
h(t) = 0 , t < 0 (2.12)
Apuntes 549104 68
nales para el Ejemplo 2.2: Distintos snapshots del proceso de desplazar h(t ) para
Fig. 2.6: Se
calcular la convolucion
Apuntes 549104 69
Sistemas estables
Un SLIT en tiempo continuo es estable si y solo si su respuesta a entrada impulso es abso-

lutamente integrable, es decir si Z
h(t) < (2.13)

2.3.8. Convoluci
on de SLITs en cascada
Recordemos que dos sistemas estan conectados en cascada si se pueden representar mediante
el diagrama:
x z y
T1 T2
La salida del primer sistema es z = T1 {x} por lo que la salida del sistema completo es
y = T2 {z} = T2 {T1 {x}}. Si estos sistemas son LIT, entonces pueden ser descritos por sus
respuesta a impulso, h1 (t) y h2 (t), respectivamente:
x(t) z(t) y(t)

h1 h2
Entonces, en terminos de convolucion, la salida del primer sistema sera z(t) = x(t) h1 (t)
y la del segundo sistema sera y(t) = z(t) h2 (t). Ahora, usando la propiedad de asociatividad
tenemos
y(t) = z(t) h2 (t) = x(t) h1 (t) h2 (t) = x(t) [h1 (t) h2 (t)] .
Este resultado quiere decir que sistemas conectados en cascada equivalen a un solo sistema
cuya respuesta a impulso equivalente es la convolucion de las respuestas a impulso de todos los
sistemas conectados en cascada
x(t) y(t)
(h1 h2 )
Este resultado se puede extender facilmente a cualquier n

umero de sistemas y ademas es vali-
do en ambas direcciones; es decir, cualquier sistema puede ser descompuesto en sub-sistemas
Apuntes 549104 70
mediante esta tecnica. Ademas, dado que la convolucion es conmutativa, entonces cualquier
combinacion de sistemas en cascada es tambien conmutativa Esto es importante pues muchos
sistemas pueden ser descritos por convolucion y todos conmutan. Por ejemplo: integrador, dife-
renciadores, retardos, etc.
Ejemplo 2.15 - Medir la respuesta impulso de un sistema.

Conforme hemos discutido, es de real interes obtener la respuesta a entrada impulso de un
sistema SLIT. Es decir, queremos ser capaces de medir h(t) cuando al sistema de interes se le
aplica un impulso. Claramente esto presenta dificultades de implementacion.
(t) h(t)
SLIT
d
Para resolver esto, primero recordamos que (t) = dt
u(t). Conectando un sistema diferen-
ciador en cascada con el sistema de interes, se tiene
u(t) d
(t) h(t)
dt SLIT
Dado que el sistema diferenciador es SLIT, entonces puede expresarse en funcion de una
convolucion; Por lo tanto, ambos sistemas pueden conmutar manteniendo las entradas y salidas
intactas
u(t) s(t) d
h(t)
SLIT dt
En donde la salida del sistema a entrada escalon la hemos llamado s(t). Claramente, h(t) =
s0 (t). As, hemos encontrado que midiendo la respuesta a entrada escalon de un sistema LIT y
luego tomando la derivada de dicha respuesta podemos encontrar la respuesta a entrada impulso
de un sistema LIT.
Apuntes 549104 71

2.4. MUESTREO DE SENALES
2.4. Muestreo de se
nales
Hasta el momento hemos trabajado con se
nales en tiempo continuo y discreto de forma
separada. En la presente seccion revisaremos la relacion que existe entre ambas se
nales, el que
revisaremos nuevamente para enunciar el teorema de muestreo cuando estudiemos la transfor-
mada de Fourier.
2.4.1. Toma de muestras de una se

nal en tiempo continuo
Cualquier se
nal en tiempo continuo puede transformarse en una se
nal en tiempo discreto
mediante el proceso de muestreo. Como su nombre lo indica en este proceso se toman muestras
de la se
nal continua en puntos especficos de tiempo. Matematicamente, las muestras se toman
utilizando la propiedad de cernido del delta. As, tomamos una muestra de la se
nal f en el
instante t0 multiplicando f por un delta en dicho instante, es decir:
x(t)(t t0 ) = x(t0 )(t t0 ) .
Si realizamos este proceso repetidamente, obtenemos un set de muestras de la se

nal original
en tiempo continuo. En el lmite, si tomamos suficientes muestras, se puede demostrar que las
muestras correctamente ubicadas en el tiempo son la se
nal original en tiempo continuo.
2.4.2. Muestreo uniforme de se

nales en tiempo continuo
Si consideramos que queremos tomar muestras de la se

nal x cada Ts segundos (llamamos
a Ts el tiempo de muestreo), entonces tendremos el siguiente set de muestras (asumimos por
simplicidad una se
nal causal)
t = 0 : x(0)(t)
t = Ts : x(Ts )(t Ts )
t = 2Ts : x(2Ts )(t 2Ts )

..
.
t = kTs : x(kTs )(t kTs ) ,
Apuntes 549104 72
2.5. SERIES DE FOURIER
por lo que podemos definir la se

nal muestreada (usamos el subndice s para indicarlo)
xs (t) = x(0)(t) + x(Ts )(t Ts ) + + x(kTs )(t kTs ) +

X X
= x(kTs )(t kTs ) = x(t)(t kTs ) ,
k=0 k=0
en donde hemos usado la propiedad de cernido una vez mas en la u

ltima igualdad.
De forma general, el proceso de muestreo se representa como el producto de la se
nal en
tiempo continuo x y un tren de impulsos p que se define como

X
p(t) = (t nTs ) , (2.14)
n=
en donde Ts es el periodo del tren de impulsos. Multiplicando x por p tenemos

X
xs (t) = x(t)p(t) = x(t) (t nTs )
n=

X
= x(t)(t nTs )
n=
X
= x(nTs )(t nTs ) (2.15)
n=
Notemos que xs sigue siendo una se

nal en tiempo continuo! Sin embargo, podemos notar
que define a una se
nal en tiempo discreto si definimos x[n] = x(nTs ). La Fig. 2.7 muestra el
nal x(t) = 3 + 2 sin(2f0 t) + 52 sin(22f0 t) con f0 = 50Hz. Particularmente, se
muestreo de la se
ha muestreado la se
nal a una tasa de muestreo fs = 20f0 = 1000Hz, es decir que el tiempo de
muestreo es Ts = 1/fs = 1ms.
Si la tasa de muestreo se aumenta (es decir se reduce el periodo del tren de impulsos,
tambien llamado periodo de muestreo) evidentemente se toman mas muestras por segundo.
Dicha situacion se ejemplifica en la Fig. 2.8, en donde para la misma se
nal anterior se ha ido
reduciendo el periodo de muestreo. Notese que para todos los casos se utilizo muestreo uniforme
de la se
nal en tiempo continuo.
2.5. Series de Fourier

nales {xk (t)} que cumpla las siguientes condiciones
Queremos encontrar una familia de se
Apuntes 549104 73
(a) (b)
(c) (d)
Fig. 2.7: Ejemplo del proceso de muestreo de una se

nal continua (a) Se
nal en tiempo continuo,
x, (b) tren de impulsos p (c) Resultado del producto x(t)p(t) y (d) Comparacion entre se
nal en
tiempo continuo y sus muestras
Apuntes 549104 74
(a) (b)
(c) (d)
Fig. 2.8: Ejemplo del efecto de aumentar la tasa de muestreo (a) el doble de la frecuencia
fundamental, es decir fs = 2f0 , (b) fs = 10f0 (c) fs = 20f0 y (d) fs = 50f0
Apuntes 549104 75
1. Cada se
nal dentro de la familia que pasa por cualquier SLIT solamente modifica su am-
plitud, es decir
T {xk (t)} = k xk (t) ,
en donde k es el factor de amplificacion.
2. Cualquier se
nal puede ser representada como una combinaci
on lineal de las se
nales
dentro de su familia, es decir

X
x(t) = ak xk (t) .
k=
Ambas condiciones nos permitira encontrar la salida de cualquier SLIT generado por x(t)
mediante la relacion
(
)
X X X
T {x(t)} = T ak xk (t) = ak T {xk (t)} = ak k xk (t) ,
k= k= k=
siempre cuando x pueda representarse mediante la familia {xk (t)}.
2.5.1. Funciones propias de un SLIT
Para responder la primera pregunta, necesitamos retomar la definicion de las funciones pro-
pias de un sistema LTI.
Funciones propias de un SLIT: Para un SLIT, si su salida es una version escalada de su

entrada, entonces la se
nal de entrada es llamada una funci
on propia (eigenfunction) del
sistema. El factor de escalamiento es llamado valor propio del sistema.
Funciones propias de un SLIT en tiempo continuo
Consideremos un SLIT con respuesta a entrada impulso h() y se

nal de entrada x(). Enton-
ces,
x(t) y(t)
h(t)
Apuntes 549104 76
Supongamos que la entrada es x(t) = est , para algun s complejo. Sabemos que la salida es
Z
y(t) = (h x)(t) = h( )x(t ) d

Z
= h( )es(t ) d

Z
st s
= e h( )e d

st
= e H(s) = x(t)H(s) ,
en donde H(s) esta definida por

Z
H(s) = h( )es d . (2.16)

La funcion H(s) es conocida como la funci

on de transferencia del SLIT en tiempo continuo
definido por h(t). Notamos que H(s) esta definida explicitamente por la funcion h(t) y que
ademas depende del n
umero complejo s (no del tiempo t!). Por lo u
ltimo, el producto H(s)x(t)
puede verse como un escalar multiplicando la funcion de entrada x(t).
De este analisis concluimos que:
1. est es una funcion propia del sistema LTI en tiempo continuo; y
2. H(s) es su valor propio correspondiente.
nal de entrada a ser exponenciales complejas y periodicas x(t) = ejt ,

Si especializamos la se
IR haciendo s = j, entonces
Z
h( )ej d ,

H(s) s=j
= H(j) = (2.17)

en donde H(j) recibe el nombre de respuesta en frecuencia del sistema LIT descrito por
h(t).
Funciones propias de un SLIT en tiempo discreto
Consideremos ahora el caso en tiempo discreto:
Apuntes 549104 77
x[n] y[n]
h[n]
Supongamos que conocemos h[n] y que la entrada es x[n] = z n , entonces la salida es

X
y[n] = (h x)[n] = h[k]x[n k]
k=

X
= h[k]z nk
k=
"
#
X
= zn h[k]z k = z n H(z) ,
k=
en donde hemos definido H(z) mediante

X
H(z) = h[k]z k , (2.18)
k=
y equivalentemente al caso continuo se le conoce como la funci

on de transferencia del SLIT
en tiempo discreto definido por h[n]. De forma similar, entonces:
1. z n es una funcion propia del sistema LTI en tiempo discreto; y
2. H(z) es su valor propio correspondiente.
Si especializamos la se
nal de entrada a ser exponenciales complejas y periodicas x[n] =
2
ej(2/N )n , N Z, haciendo z = ej2/N = ej , con = N
, entonces

X
h[k]ejk ,
j
H(z) z=ej = H(e ) =
(2.19)
k=
en donde H(ej ) recibe el nombre de respuesta en frecuencia del sistema LIT en tiempo
discreto descrito por h[n].
Por qu
e son importantes las funciones propias?
En el captulo siguiente veremos que H(s) defida en (2.16) es la transformada de Laplace

de la respuesta a entrada impulso h(t) y permite obtener, en el plano de Laplace, la respuesta
del sistema de forma sencilla. De la misma forma, veremos que H(j) defida en (2.17) es la
Apuntes 549104 78
transformada de Fourier (en tiempo continuo) de la respuesta a entrada impulso h(t) y representa
la respuesta en frecuencia del sistema, permitiendo realizar analisis en frecuencia del sistema.
Similarmente, H(z) defida en (2.18) es la transformada Z de la respuesta a entrada impulso
h[n] y permite obtener, en el plano Z, la respuesta del sistema de forma sencilla. De la misma
forma, veremos que H(ej )defida en (2.19) es la transformada de Fourier (en tiempo discreto)
de la respuesta a entrada impulso h[n] y representa la respuesta en frecuencia del sistema,
permitiendo realizar analisis en frecuencia del sistema discreto.
Para el analisis que se esta haciendo en la presente seccion, nos interesa el caso en que
una se
nal x a la entrada puede representarse mediante una combinacion de estas entradas. Por
ejemplo, consideremos que la entrada al sistema en tiempo continuo descrito por h(t) es
x(t) = a1 es1 t + a2 es2 t + a3 es3 t .
De acuerdo al analisis hecho de las funciones propias, sabemos que
T esj t = H(sj )esj t ,

para j = 1, 2, 3. Y, por la linealidad del sistema, la salida sera
y(t) = a1 H(s1 )es1 t + a2 H(s2 )es2 t + a3 H(s3 )es3 t .
Este resultado implica que si la entrada a cualquier sistema es una combinacion lineal de ex-
ponenciales complejas, entonces la salida es tambien una combinacion lineal de exponenciales
complejas. Si x es una suma infinita de exponenciales complejas, su salida es
( )
X X X
sk t
s t
T {x(t)} = T ak e = ak T e k
= ak H(sk )esk t ,
k= k= k=
para un sistema continuo, y, similarmente

( )
X X X
T {x[n]} = T ak zkn = ak T {zkn } = ak H(zk )zkn ,
k= k= k=
para un sistema discreto.

Esta es una observacion muy importante, por que mientras podamos expresar una se
nal
x cualquiera como una combinacion lineal de exponenciales complejas, entonces la salida y
Apuntes 549104 79
asociada a dicha entrada puede ser determinada de manera sencilla simplemente evaluando la
funcion de transferencia del sistema correspondiente. De las definiciones (2.16) y (2.18) vemos
que dada la unicidad de la respuesta a entrada impulso del sistema LTI, su funcion de transfe-
rencia tambien es u
nica!
Ahora la pregunta es, Como expresamos una se
nal arbitraria x como una combinacion lineal
de exponenciales complejas?
2.5.2. Representaci
on de se
nales peri
odicas por series de Fourier
Lamentablemente, no todas las se

nales pueden ser decompuestas como una combinacion
lineal de exponenciales complejas. Sin embargo, un gran n
umero de funciones si permite tal
representacion: las se
nales periodicas que son cuadraticamente integrables o que satisfacen las
condiciones de Dirichlet. Recordemos que una se
nal es periodica si
x(t) = x(t + T )
para el caso continuo, y

x[n] = x[n + N ]
para el caso discreto. Llamamos T0 (respectivamente, N0 ) al mnimo valor de T (respectivamente,

N ) que satisface la condicion impuesta. Para el caso continuo T, T0 IR y para el caso discreto
N, N0 Z (por lo que puede no existir).
La condicion de ser cuadraticamente integrable refiere a las se
nales que cumplen que
Z
|x(t)|2 dt < .
T
Por otro lado, las condiciones de Dirichlet son:
1. Sobre cualquier periodo, T , x(t) debe ser absolutamente integrable, esto es

Z
|x(t)| dt < .
T
2. En cualquier intervalo finito de tiempo, las variaciones de x(t) estan acotadas. Esto es, el
n
umero de maximos y mnimos dentro de un periodo de la se
nal es un n
umero finito.
Apuntes 549104 80
3. En cualquier intervalo de tiempo, existe un n

umero finito de descontinuidades.
Esta clase de se
nales son posibles de expresar mediante una combinacion lineal de exponen-
ciales complejas

X
x(t) = ck ejk0 t , (2.20)
k=
en donde
2
0 = 2f0 = , (2.21)
T0
siendo f0 la frecuencia fundamental y T0 el periodo fundamental de la se
nal x(t). Los coeficientes
ck se les llama los coeficientes de la serie de Fourier (SdeF) y ahora veremos como son calculados
para se
nales en tiempo continuo y tiempo discreto

nales en tiempo
continuo
Retomemos la definicion de la SdeF para la se

nal en tiempo continuo x(t) dada en (2.20).
Multiplicando a ambos lados por ejn0 t e integrando de 0 a T tenemos

X
x(t) = ck ejk0 t
k=
"
#
X
x(t)ejn0 t = ck ejk0 t ejn0 t
k=
"
#
Z T Z T X
x(t)ejn0 t dt = ck ejk0 t ejn0 t dt
0 0 k=

X Z T
j(kn)0 t
= ck e dt .
k= 0
Aca usamos una definicion que no habamos revisado de la funcion delta discreta que dice

Z T 1 , k=n
1
ej(kn)0 t dt = = [n k] . (2.22)
T 0 0 , k 6= n
Este resultado es conocido como la ortogonalidad las exponenciales complejas.

Entonces, por (2.22) tenemos que
Z T
X
jn0 t
x(t)e dt = ck T [n k] = T cn .
0 k=
Apuntes 549104 81
Es decir, podemos enunciar el siguiente teorema
Teorema 2.5 (Coeficientes de las SdeF para se

nales en tiempo continuo). Los coeficientes
de la serie de Fourier (SdeF) de una se
nal en tiempo continuo

X
x(t) = ck ejk0 t
k=
estan determinados por Z

1
ck = x(t)ejk0 t dt . (2.23)
T0 T0
La demostracion de este teorema es directa se hizo mediante el razonamiento dado anterior-

mente.
Ejemplo 2.16 - SdeF se

nal coseno.
Consideremos la se
nal x(t) = cos(2f0 t). Determinemos su SdeF.
Para solucionar el ejemplo, utilizamos la relacion de Euler que dice
ej = cos j sin
1
ej + ej , por lo tanto

para encontrar que cos = 2
1 1
x(t) = ej0 t + ej0 t .
2 2
Leyendo directamente los coeficientes, notamos que

1
,k = 1
2

ck = 1 .
2
, k = 1

0 , otro caso

nal sinusoidal.
Consideremos ahora x(t) = 1 + 21 cos(2t) + sin(3t).
Apuntes 549104 82
Determinemos primero el periodo de x.
x(t) = x(t + T )
1 1
1 + cos(2t) + sin(3t) = 1 + cos[2(t + T )] + sin[3(t + T )]
2 2
1 1
cos(2t) + sin(3t) = cos[2t + 2T ] + sin[3t + 3T )] .
2 2
La igualdad de la funcion coseno se alcanzara para 2T = 2k, (con k Z), que equivale
simplemente a que T Z. La igualdad del seno en cambio se logra cuando 3T = 2k, con
k Z. Esto equivale a T = 32 k con k Z. Para que toda la se
nal x se repita, entonces se debe
cumplir que
2
T Z T = k, kZ
3
lo que se cumple para k = 3, dando un periodo fundamental de T0 = 2.
As, la frecuencia (angular) fundamental es 0 = 2/T0 = , por lo que cos(2t) = cos(20 t)
y sin(3t) = sin(30 t). Ahora, usando la relacion de Euler, tenemos que

1 j20 t j20 t 1 j30 t j30 t
x(t) = 1 + e +e + e e .
4 2j
Por lo que los coeficientes de la SdeF son (nuevamente los leemos de la ecuacion)

1 ,k = 0

1
,k = 2

4

1

, k = 2
4
ck = .
1

2j
,k = 3

1
, k = 3

2j

0 , otro caso
Del ejemplo anterior, observamos que los valores coeficientes de la SdeF para k < 0 son
el complejo conjugado de los valores correspondientes al mismo k > 0. Es decir, c2 = c2 y
c3 = c3 . La pregunta a responder entonces es bajo que condiciones se cumple que ck = ck ?
La respuesta es que esto siempre se cumple cuando la se
nal es real. En efecto, consideremos que
nal x es real, es decir que x(t) = x (t), en donde el superndice
la se
representa el complejo
Apuntes 549104 83
conjugado de la se
nal. Si esto se cumple, entonces
" #
X X

x(t) = x (t) = ck ejk0 t
= ck ejk0 t .
k= k=
Reemplazando k por k en la sumatoria, entonces

X
x(t) = ck ejk0 t . (2.24)
k=
nales reales, se requiere que ck = ck , o,

Comparando (2.20) con (2.24) observamos que para se
equivalentemente, que
ck = ck .
Ahora, usaremos esta igualdad para derivar formas alternativas de la SdeF para se
nales
reales. Comencemos utilizando dicha propiedad separando los coeficientes positivos de los ne-
garivos en (2.20)

X 1
X
X
jk0 t jk0 t
x(t) = ck e = ck e + c0 + ck ejk0 t
k= k= k=1

X
X
= c0 + cm ejk0 t + ck ejk0 t
m=1 k=1
X
+ ck ejk0 t
jk0 t
= c0 + ck e
k=1
X
+ ck ejk0 t
jk0 t
= c0 + ck e
k=1
X
< ck ejk0 t ,

= c0 + 2 (2.25)
k=1
en donde usamos la propiedad de que la suma de dos n

umeros complejos conjugados es dos
veces su parte real. La ecuacion (2.25) es una forma alternativa de representar las SdeF para
se
nales reales.

nal triangular 1.
Calculemos la SdeF para la se
nal triangular

2tA + A
T0
, t [ T20 , 0)
x(t) =
2tA + A , t [0, T0 ] .
T0 2
Apuntes 549104 84
Comencemos con el valor DC

"Z
0 Z T0 #
2tA
Z
1 1 2tA 2
c0 = x(t) dt = + A dt + + A dt
T0 T0 T0 T20 T0 0 T0
" 0 0 T0 T0 #
1 A 2 A 2 2
= t + At t2 + At
T0 T0 t= T0 T
t= 2 0 T0 t=0 t=0
2

1 AT0 AT0 AT0 AT0 A
= + + = .
T0 4 2 4 2 2
Calculamos ahora los coeficientes para k 6= 0,

Z
1
ck = x(t)ejk0 t dt
T0 T
"Z0 Z T0 #
0
1 2tA jk0 t
2 2tA jk0 t
= +A e dt + +A e dt
T0 T
20 T0 0 T0
Z T0 Z T0
2A 0
Z Z 0
jk0 t A jk0 t 2A 2
jk0 t A 2
= te dt + e dt te dt + ejk0 t dt .
T02 T20 T0 T20 T02 0 T0 0
Para resolver esto, usamos el resultado de la integral

Z
1 + jk0 t jk0 t
tejk0 t dt = e
k 2 02
para obtener (resolvemos cada integral aparte por espacio)
0
0 0
Z
2A 2A 1 + jk0 t jk0 t
jk0 t A jk0 t
I1 = te dt = 2 e T0 = 2k 2 2 (1 + jk0 t) e
T02 T
20 T0 k 2 02 t= 2
T0
t= 2

A T0 jk0 T0 A jk

= 1 1 jk0 e 2 = 1 (1 jk) e
2k 2 2 2 2k 2 2
A
= [1 (1 jk) cos k] ,
2k 2 2
pues 0 T20 = y 0 T0 = 2. De igual forma, la tercera integral es
Z T0 T0
2A 2
jk0 t A jk0 t
2
I3 = te dt = (1 + jk0 t) e
T02 0 2k 2 2
t=0

A T0 jk0 T0 A
= 1 + jk0 e 2 1 = 2 2 [1 (1 + jk) cos k] .
2k 2 2 2 2k
Apuntes 549104 85
Notamos ahora que

T0 T0
Z 0 Z Z
A jk0 t A 2
jk0 t A 2
I2 + I4 = e dt + e dt = ejk0 t dt
T0 T
20 T0 0 T0 T
20
T0
A jk0 t 2 A h jk0 T0 T
jk0 20
i
= e = e 2 e
jk0 T0 T0
t= 2 j2k
A e ejk
jk
A
= = sin k = 0 ,
k 2j k
puesto que el seno de los m
ultiplos enteros de es siempre cero. Ahora bien,
ck = I1 + I2 + I3 + I4
A A
= 2 2
[1 (1 jk) cos k] + 2 2 [1 (1 + jk) cos k]
2k 2k
A
= [1 cos k + jk cos k + 1 cos k jk cos k]
2k 2 2
2A
A 2 2 , k impar

= 2 2 [1 cos k] = k ,
k
0 , k par

por lo que la se
nal triangular puede aproximarse por la serie de Fourier dada por

A 2A X ejk0 t A 2A X ej(2k1)0 t
x(t) = + 2 = + 2 ,
2 k= k 2 2 k= (2k 1)2
k,impar
cuyos armonicos y su respectiva suma se muestra en la Fig. 2.9
Ahora, dado que ck son n

umeros complejos, entonces puede ser expresados de forma carte-
siana, es decir ck = ak jbk o polar, es decir ck = |ck |ejk . La relacion que existe entre ambas
p
para pasar de rectangular a polar es |ck | = a2k + b2k y k = tan1 [bk /ak ]. Para pasar de polar
a rectangular es ak = |ck | cos k y bk = |ck | sin k . Si expresamos en forma polar, entonces (2.25)
se convierte en

X
X
jk0 t
< |ck |ejk ejk0 t

x(t) = c0 + 2 < ck e = c0 + 2
k=1 k=1
X
|ck |< ej(k0 t+k )

= c0 + 2
k=1

X
= c0 + 2 |ck | cos [k0 t + k ] , (2.26)
k=1
Apuntes 549104 86
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
Fig. 2.9: Se
nal triangular utilizado como se
nal para el Ejemplo 2.18: (a) se
nal original, (b)
armonicos que permiten la representacion por series de Fourier, (c) reconstruccion de la se
nal
con un armonico (d), (e), (f), (g), (h) e (i) reconstruccion de la se
nal con tres, cinco, siete, nueve
once y trece armonicos, respectivamente.
Apuntes 549104 87
en donde |ck | es n
umero siempre real (normalmente denotado simplemente por Ak ). La forma
dada en (2.26) es una de las formas mas utilizadas de las series de Forier para se
nales reales
y periodicas en tiempo continuo. La otra forma se logra usando la forma cartesiana de los
coeficientes, es decir ck = ak jbk . El razonamiento se muestra a continuacion partiendo de
(2.25)

X
X
jk0 t
< (ak jbk )ejk0 t

x(t) = c0 + 2 < ck e = c0 + 2
k=1 k=1

X
= c0 + 2 < [(ak jbk )(cos k0 t + j sin k0 t)]
k=1

X
= c0 + 2 < [ak cos k0 t jak sin k0 t jbk cos k0 t + bk sin k0 t]
k=1

X
= c0 + 2 ak cos k0 t + bk sin k0 t . (2.27)
k=1
La ecuacion (2.27) es una de las formas mas sencillas de la serie de Fourier para se
nales reales.
Para este caso, claramente ak = <[ck ] y bk = =[ck ]. Por ende, por (2.23)
Z Z Z
1 jk0 t 1 jk0 t 1
ak = < x(t)e dt = x(t)< e dt = x(t) cos k0 t dt .
T0 T0 T0 T0 T0 T0
Similarmente,
Z Z Z
1 jk0 t 1 jk0 t 1
bk = = x(t)e dt = x(t)= e dt = x(t) sin k0 t dt .
T0 T0 T0 T0 T0 T0
Por lo que los coeficientes de esta representacion se calculan mediante:

Z
1
c0 = x(t) dt (2.28)
T0 T0
Z
1
ak = x(t) cos k0 t dt (2.29)
T0 T0
Z
1
bk = x(t) sin k0 t dt . (2.30)
T0 T0
Revisemos un ejemplo en donde hagamos uso de estas representaciones alternativas de las

series de Fourier.
Apuntes 549104 88
Ejemplo 2.19 - SdeF trigonom

etrica para se
nal triangular.
Calculemos la SdeF para la se
nal triangular del Ejemplo 2.18. Claramente el valor DC es el
mismo en todas las representaciones, por lo que
Z
1 A
c0 = x(t) dt = .
T0 T0 2
A
Para la representacion dada en (2.26) debemos encontrar |ck | y k para ck = k2 2
[1 cos k]
que este caso son

p A A
2 2
|ck | = <{ck } + ={ck } = 2 2 [1 cos k] = 2 2 [1 cos k]

k k
y
={ck }2

1
k = tan =0,
<{ck }2
por lo que la representacion equivalente es

A 4A X cos k0 t A 4A X cos[(2k 1)0 t]
x(t) = + 2 = + 2 .
2 k=1 k2 2 k=1 (2k 1)2
k,impar
Ahora, usamos la SdeF trigonometrica dada por (2.27), por lo que los coeficientes ak y bk
son
Z
1 A A
ak = x(t) cos k0 t dt = < {ak } = < 2 2
[1 cos k] = 2 2 [1 cos k]
T0 T0 k k
y, Z
1 A
bk = x(t) sin k0 t dt = ={ck } = = [1 cos k] =0.
T0 T0 k 2
2
Por lo tanto, la se
nal triangular tiene la misma repreentacion anterior en funcion de senos y
cosenos, es decir

A 4A X cos k0 t A 4A X cos[(2k 1)0 t]
x(t) = + 2 = + 2 .
2 k=1 k2 2 k=1 (2k 1)2
k,impar
Observamos que para la se

nal del Ejemplo 2.18, los coeficientes que acompa
nan a la funcion
seno, es decir bk son nulos. Esto es, en general una consecuencia de que si x es par, entonces el
Apuntes 549104 89
producto x(t) sin k0 t es impar y la integral de cualquier se

nal impar en el intervalo de tiempo
t [ T20 , T20 ] es siempre cero. En efecto, si x es par entonces cumple la condicion de paridad, es
decir
x(t) = x(t) ,
por lo que
T0 T0
Z
2
Z 0 Z
2
bk = x(t) sin k0 t dt = x(t) sin k0 t dt + x(t) sin k0 t dt
T0 T0
2
2
0
T0
Z 0 Z
2
= x() sin(k0 ) d + x(t) sin k0 t dt
T0
2
0
Z T0 Z T0
2 2
= x() sin(k0 ) d + x(t) sin k0 t dt
0 0
= 0.
De la misma forma, si la se
nal x es impar, se puede demostrar que por que el producto
x(t) cos k0 t es par, entonces ak = 0, tal como se muestra en el siguiente ejemplo.
Ejemplo 2.20 - SdeF tren de pulsos.

Determinemos los coeficientes de la serie de Fourier de la se
nal

A , |t| < T20
x(t) =
A , T0 < |t| < 0
2
que se muestra en la Fig. 2.9(a). Primero, observamos que la funcion es impar, por lo que
necesariamente ak = 0. Calculamos entonces solamente el valor DC y los valores bk . Comenzamos
con el valor DC:
"Z
0 Z T0 # "
0 T0 #
A
Z
1 1 2 2
c0 = x(t) dt = A dt + A dt = t t
T0 T0 T0 T20 0 T0 T
t= 20 t=0

A T0 T0
= 0+ +0 =0 ,
T0 2 2
conforme a lo que uno esperara al observar el grafico de la se

nal en la Fig. 2.10(a). Sabemos
Apuntes 549104 90
que los coeficientes ak son cero, pues la se nal x es impar. Ahora, para bk tenemos
Z T0 " Z
0 Z T0 #
1 2 A 2
bk = x(t) sin k0 t dt = sin k0 t dt + sin k0 t dt
T0 20
T T0 T
20 0
" 0 T0 #
A 2
= cos k0 t cos k0 t
k0 T0 T
t= 20 t=0

A T0 T0 A
= 1 cos k0 cos k0 1 = [1 cos k] ,
2k 2 2 k
2A
que al igual que antes sabemos que es cero para k par y k
para k impar. En definitiva, la SdeF
de esta se
nal es

2A X sin[(2k 1)0 t]
x(t) = .
k=1 (2k 1)
La aproximacion para diferente n
umero de armonicos se muestra en la Fig. 2.10.
Ejemplo 2.21 - SdeF tren de impulsos.

Determinemos los coeficientes de la serie de Fourier de la se
nal cuadrada que permite estimar
un tren de impulsos en la medida en que T1 0. Asumimos que T1 < T0 .

A , |t| < T1
2
x(t) = . Calculamos el valor DC
0 , 1 < |t| < T0
T
2 2
Z Z T1
1 1 2 A T1 T1 T1
c0 = x(t) dt = A dt = + = A = dA ,
T0 T0 T0
T1
2
T0 2 2 T0
T1
en donde d = T0
se define como el duty-cycle de la se
nal cuadrada. Los otros coeficientes:
T0 T1 T1
A 1 jk0 t 2
Z Z
1 2
jk0 t A 2
jk0 t
ck = x(t)e dt = e dt = e
T0 T
20 T0
T
21 T0 jk0 T1
t= 2
T1 T1
" #
A h jk0 T1 T
jk0 21
i A ejk0 2 ejk0 2
= e 2 e =
jk0 T0 k 2j

A T1 A T1 sin (kd)
= sin k0 = sin k = Ad = Ad sinc(kd) ,
k 2 k T0 kd
sin t T1
en donde usamos la definicion de la se
nal sinc(t) = t
yd= T0
al igual que antes. Aproxima-
ciones para distintos valores de d se muestran en la Fig. 2.11.
Apuntes 549104 91
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
Fig. 2.10: Tren de pulsos, se

nal utilizada en el Ejemplo 2.20: (a) se
nal original, (b) armonicos
que permiten la representacion por series de Fourier, (c) reconstruccion de la se
nal con un
armonico (d), (e), (f), (g), (h) e (i) reconstruccion de la se
nal con tres, cinco, siete, nueve once
y trece armonicos, respectivamente.
Apuntes 549104 92
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
Fig. 2.11: Aproximacion de un tren de impulsos segun el Ejemplo 2.21. En todos, primera colum-
na: se
nal original segunda columna: cuatro primeros armonicos y tercera columna: aproximacion
con 21 armonicos. Primera fila : d = 40 %, Segunda fila: d = 20 %, Tercera fila: d = 5 %.
Apuntes 549104 93
Del Ejemplo 2.21 podemos notar que a medida que T1 0 el tren de pulsos se acerca cada
vez mas a un tren de impulsos. Sabemos que un tren de impulsos que se repite cada T0 segundos
esta dado por

X
x(t) = (t kT0 ) .
k=
Dado que se repite cada T0 segundos, entonces el periodo fundamental de esta se
nal periodica
es T0 . Los coeficientes de la SdeF para esta se
nal es
c0 = lm dA = 0 ,
d0
y para k 6= 0
Z T0
1 2
jk0 t 1 jk0 t 1
ck = (t)e dt = e = ,
T0
T0
2
T0
t=0 T0
dada la propiedad de cernido de la funcion delta. As, la SdeF del tren de impulsos es

X 1 jk0 t
x(t) = e .
k=
T0

nales en tiempo
discreto
Para construir la representacion en serie de Fourier para se

nales en tiempo discreto, tambien
trabajamos con se
nales periodicas con periodo N , es decir
x[n] = x[n + N ] ,
y asumimos que x[n] es cuadraticamente sumable, es decir

X
|x[n]|2 < ,
n=
o que satisface las condicionesde Dirichlet. Bajo estas condiciones, tenemos el siguiente teorema.
Teorema 2.6 (Series de Fourier para se

nales en tiempo discreto). La se
nal periodica x que
es cuadraticamente sumable o satisface las condiciones de Dirichlet puede ser representada
mediante la serie

X
x[n] = ck ejk0 n (2.31)
k=
Apuntes 549104 94
cuyos coeficientes se obtienen mediante
1 X
ck = x[n]ejk0 n (2.32)
N0 n=<N0 >
P
en donde n=<N0 > representa la suma de la se
nal solamente sobre un periodo N0 .
Estudiamos esto con un ejemplo similar al Ejemplo 2.21 pero para tiempo discreto.

nal cuadrada en tiempo discreto.
Consideremos la se
nal cuadrada en tiempo discreto:

A , |n| < N
1
x[n] = ,
0 , N < |n| < N0
1 2
en donde N1 < N0 . Para valores de k = 0, N0 , 2N0 , . . .

N1 2N
1 X 1 X A X1
c0 = x[n] =A= (1) (m = n + N1 )
N0
n=<N0 >
N0
n=N1
N 0 m=0

A 2N1 + 1
= (2N1 + 1) = A = A(d + 1) ,
N0 N0
en donde para este caso d = 2N1 /N0 (conforme a la definicion de x[n]) tambien es conocido como
2
nal. Para valores de k 6= 0, N0 , 2N0 , . . . , tenemos que para 0 =
el duty-cycle de la se N0
N1 2N
1 X
jk0 n A X jk0 n A X1 jk0 (mN1 )
ck = x[n]e = e = e (m = n + N1 )
N0 n=<N0 >
N 0
n=N1
N 0 m=0
2N 1
A jk0 N1 1 ejk0 (2N1 +1)

A jk0 N1 X jk0 m
= e e = e
N0 m=0
N0 1 ejk0
0 0 0
A sin k0 N1 + 21

A ejk 2 (ejk0 N1 ejk 2 ejk0 N1 ejk 2 )
= = ,
N0 e jk 20
(ejk 20
e jk 20
) N 0 sin k 20
en donde hemos usado el hecho de que
2N1 2N1
jk0 m 1 r2N1 +1 1 ejk0 (2N1 +1)

X X
jk0 m
e = e = = jk0
.
m=0 m=0
1 r jk
r=e 0 1 e
Los resultados de aproximacion se muestran en la Fig. 2.12.
Apuntes 549104 95
(a) (b) (c)
Fig. 2.12: Aproximacion de un tren de pulsos en tiempo discreto seg

un el Ejemplo 2.22: (a)
se
nal original (b) cuatro primeros armonicos (c) aproximacion con los primeros 21 armonicos.
2.5.5. Cu
antos coeficientes de Fourier son necesarios?
Como se vio en los ejemplos anteriores, uno en rigor necesita tener infinitos coeficientes para
aproximar de forma exacta la se
nal periodica. Sin embargo, si definimos
N
X
xN (t) , ck ejk0 t ,
k=N
entonces xN (t) es una aproximacion de x(t). A medida que N , notamos que xN (t) x(t).
Por lo tanto, el n
umero de coeficientes de la serie de Fourier que se requieren, dependen de la
precision con que se quiere aproximar x(t). Tpicamente uno selecciona N de tal forma que el
promedio de la aproximacion este acotado. Es decir, uno selecciona N de tal forma que
Z
|x(t) xN (t)|2 dt ,

para un valor de error dado.
2.5.6. Entonces... Para qu

e usamos las series de Fourier?
Las series de Fourier nos dicen que cualquier se

nal periodica que se puede integrar cuadrati-
camente (o sumar cuadraticamente para el caso discreto) puede ser expresada como la combi-
nacion lineal de exponenciales complejas. Dado que las exponenciales complejas son funciones
propias de cualquier sistema LTI, entonces la salida de cualquier sistema LTI tambien sera una
combinacion lineal de las mismas exponenciales complejas.
Apuntes 549104 96
Fig. 2.13: Diagrama de bloques del uso de las series de Fourier para obtener la salida de un
sistema LIT cuya entrada es x(t).
Esto es, que para cualquier se

nal x(t) que se pueda representar mediante

X
x(t) = ck ejk0 t ,
k=
entonces su salida es

X
X
jk0 t
y(t) = ck H(jk0 )e = dk ejk0 t ,
k= k=
en donde definimos dk = ck H(jk0 ). La Fig. 2.13 muestra esta representacion mediante un

diagrama de bloques. Los puntos representan las infinitas componentes requereidas en principio
para hacer la aproximacion de forma exacta.
2.5.7. Propiedades de las series de Fourier
Existen un n
umero de propiedades que las series de Fourier satisfacen que normalemente
son estudiadas en el curso de Complemento de Calculo. Aca solamente las revisaremos de forma
resumida.
1. Linealidad. Las series de Fourier son lineales, es decir si x1 (t) tiene coeficientes ck (lo
que representamos mediante x1 (t) ck ) y x2 (t) dk , entonces para los escalares
, IR
x1 (t) + x2 (t) ck + dk ,
Apuntes 549104 97
que se cumple en el caso en tiempo continuo y en tiempo discreto por igual.
2. Desplazamiento en el tiempo. Si x(t) ck , el desplazamiento en el tiempo de una

se
nal redefine los coeficientes de la serie de Fourier de la siguiente forma
x(t t0 ) ck ejk0 t0
x[n n0 ] ck ejk0 n0
3. Inversi
on en el tiempo. El invertir en el tiempo la se
nal genera
x(t) ck
x[n] ck
4. Conjugaci
on.
x (t) ck
x [n] ck
on. Si x(t) ck , y y(t) dk , entonces

5. Mutiplicaci

X
x(t)y(t) ck dk`
`=
6. Igualdad de Parseval. La energa de una se

nal calculada en el tiempo esta dada por los
coeficientes de Fourier en el plano de estos u
ltimos.
Z
1 2
X
|x(t)| dt = |ck |2
T0 T0 k=
1 X X
|x[n]|2 = |ck |2
N0 n=<N0 > k=<N0 >
Un buen ejercicio para el alumno sera demostrar estas propiedades para tiempo discreto y
continuo.
Apuntes 549104 98
Captulo 3
Transformaciones y sus usos en el

an
alisis de sistemas
3.1. Transformada de Fourier en tiempo continuo
3.1.1. Introducci
on
Comencemos nuestra discusion revisando las limitaciones de las series de Fourier. En el

analisis de las series de Fourier dijimos que las se
nales requeran cumplir dos condiciones para
poder ser representadas mediante ellas:
nal debe ser periodica, es decir existe un T0 IR (un N0 Z para el caso en tiempo
1. La se
discreto) tal que x(t + T0 ) = x(t) (equivalentemente, xn[n + N0 ] = x[n] para el caso en
tiempo discreto); y,
2. Las se
nales deven ser cuadraticamente integrables (sumables para el caso en tiempo dis-
creto) o satisfacer las condiciones de Dirichlet.
En esta seccion generalizaremos la idea de las series de Fourier para se

nales no periodicas.
99
3.1. TRANSFORMADA DE FOURIER EN TIEMPO CONTINUO
3.1.2. An
alisis desde las series de Fourier
Consideremos un caso particular del Ejemplo 2.21, definiendo la se

nal

1 , |t| < T1
2
x(t) = .
0 , 1 < |t| < T0
T
2 2
Del mismo ejemplo podemos reconocer que los coeficientes de Fourier son
sin k0 T21 2 sin k0 T21

x(t) ck = = .
k0 T20 k0 T0
Si cambiamos = k0 , entonces
2 sin T21

ck = .
T0
=k0
Si ahora multiplicamos por T0 en ambos lados, obtenemos que
2 sin T21

T0 ck = = X() , (3.1)

al que llamamos el coeficiente de Fourier normalizado. De este ejemplo, observamos que a sin
importar el valor de T0 , la se
nal tiene sus coeficientes de Fourier siempre se acotados a la
envolvente dada por (3.1). Ahora bien, a medida que incrementamos T0 (sin cambiar el valor
de T1 ), el espaciamiento que separa estas muestras se reduce, manteniendo la misma forma de
la envolvente. Esto se explica pues al aumentar T0 , entonces disminumos 0 (recordemos que
0 = 2/T0 ); dado que las muestras de la envolvente se toman en multiplos enteros de 0 ,
el reducirlo hara que dichos m
ultiplos se encuentren cada vez mas cerca. Dicho fenomeno se
muestra en la Fig. 3.1.
En el lmite, cuando T0 , entonces los coeficientes de la serie de Fourier T0 ck se convierten
en la funcion envolvente dada en (3.1). Esto sugiere que si tenemos se
nales no-periodicas las
nales periodicas con periodo T0 . En la siguiente seccion utilizamos
podemos tratar como se
esto para definir la transformada de Fourier.
3.1.3. Definici
on de la transformada de Fourier
Derivamos la transformada de Fourier en tres pasos que detallamos a continuacion
Apuntes 549104 100

(a) (b)
(c) (d)
(e) (f)
Fig. 3.1: Ejemplo de como al aumentar el periodo de un tren de pulsos, los coeficientes de
la serie de Fourier de la se
nal se mantienen dentro de la envolvente dada en (3.1) solamente
generando mas muestras. Primera columna muestra se
nal cuadrada para distintos valores para
T0 , y la segunda columna muestra los coeficientes de la serie de Fourier correspondiente.
Apuntes 549104 101

Paso 1: Aproximamos se
nal no-peri
odica como peri
odica
Asumimos que una se

nal aperiodica x(t) tiene duracion finita, es decir, que x(t) = 0 para
T0
|t| > 2
, para alg
un T0 . Dado que x(t) es aperiodica, primero construimos una se
nal periodica
x(t) tal que
T0 T0
x(t) = x(t) , para <t< ,
2 2
y que x(t + T0 ) = x(t).
Esto lo representamos mediante la siguiente figura:
Paso 2: Generalizamos los coeficientes de la serie de Fourier
Dado que x(t) es periodica entonces acepta representacion por sus series de Fourier

X
x(t) = ck ejk0 t (3.2)
k=
con coeficientes que estan determinados por

Z
1
ck = x(t)ejk0 t dt .
T0 T0
Los coeficientes de la serie puede calcularse mediante

Z
1
ck = x(t)ejk0 t dt
T0 T0
Z T0
1 2
= x(t)ejk0 t dt
T0 T0
2
Z T0
1 2 T0 T0
= x(t)ejk0 t dt , pues x(t) = x(t), para <t< ,
T0 T
20 2 2
Z
1 T0
= x(t)ejk0 t dt , pues x(t) = 0, para|t| > .
T0 2
Apuntes 549104 102

Si definimos la funcion Z
X() , x(t)ejt dt , (3.3)

entonces los coeficientes de la serie puede calcularse mediante

X() X()0 X(0 )0
ck = = = .
T0 =k0
2
=k0 2
Reemplazando esto en (3.2) tenemos que la serie de Fourier para x(t) es

X X(0 )0 jk0 t 1 X
x(t) = e = 0 X(0 )ejk0 t .
k=
2 2 k=
Paso 3: Generalizamos la serie de Fourier
Ahora, notamos que como x(t) es la version periodica de x(t), a medida que T0 ,
entonces x(t) x(t). Mas a
un, podemos entonces decir que en el lmite en que T0
(consecuentemente, 0 0) entonces
Z
1 X jk0 t 1
x(t) = lm x(t) = lm 0 X(0 )e = X()ejt d .
T0 0 0 2 2
k=
Graficamente, la siguiente figura muestra la sumatoria que se esta calculando y la consecuente

integral que estamos definiendo:
Entonces, estamos diciendo que en el lmite, x(t) se puede calcular mediante

Z
1
x(t) = X()ejt d . (3.4)
2
Las ecuaciones (3.3) y (3.4) son conocidas como el par de transformada de Fourier de la
se
nal x(t). La ecuacion (3.3) es conocida como ecuaci
on de an
alisis pues permite analizar la
Apuntes 549104 103

se
nal x en el dominio de Fourier (frecuencia), y (3.4) es conocida como ecuaci
on de sntesis
pues permite atrapar la informacion del dominio de Fourier para sintetizar (reconstruir) la
se
nal en su dominio original (tiempo).
Para resumir, tenemos
Teorema 3.1 (Transformada de Fourier para se

nales en tiempo continuo). La transformada
de Fourier X() de la se
nal x(t) se define como
Z
X() = F [x(t)] , x(t)ejt dt

y su transformacion inversa
Z
1 1
x(t) = F [X()] , X()ejt dt
2
La transformada de Fourier decompone la se

nal en el tiempo, x(t), en sus componentes
en frecuencia que la componen, informacion contenida en X(). Esto es similar a la forma en
que acordes musicales pueden ser expresados en amplitud de sus notas constituyentes. Por esta
razon, X es normalmente llamada la representacion en el dominio de la frecuencia de la se
nal
correspondiente x. Cabe notar que aun que x puede ser real, su transformada de Fourier X
puede ser una funcion compleja.
Nombramos al par x(t) y su correspondiente transformada de Fourier X() mediante x(t)

X(). Dado que hemos definido la transformada de Fourier inversa, de forma tacita hemos de-
clarado que el mapeo de un espacio a otro es inyectivo, y por lo tanto, cada par x(t) X()
es u
nico.
Ejemplo 3.1 - Linealidad de la transformada de Fourier.

La linealidad de la transformada de Fourier es evidente de su definicion. De hecho, si X() =
Apuntes 549104 104

F [x(t)] y Y () = F [y(t)], entonces, para , IR tenemos
Z
F [x(t) + y(t)] = [x(t) + y(t)] ejt dt

Z Z
jt
= x(t)e dt + y(t)ejt dt

= X() + Y () ,
por lo tanto, la transformada de Fourier es lineal. El mismo analisis se puede usar para demostrar
que la transformada inversa de Fourier tambien es un operador lineal.
Ejemplo 3.2 - Transformada de Fourier exponencial compleja.

Demuestre que la transformada de Fourier de la exponencial compleja x(t) = ejk0 t es 2(
k0 ).
Para demostrar esto, comenzamos de X() = 2( k0 ) y obtenemos que x(t) =

F 1 [X()] = ejk0 t . Entonces,
Z
1 1
x(t) = F [X()] = 2( k0 )ejt dt
2

Z
= ( k0 )ejt dt = ejk0 t ,

en donde usamos la propiedad de cernido de la funcion delta. Dado que los pares de transfor-

nicas, entonces se demuestra que F ejk0 t = 2( k0 ).
madas de Fourier son u
Ejemplo 3.3 - Transformada de Fourier exponencial real.

nal real x(t) = eat u(t), con a > 0. Determine la transformada de Fourier, su
Considere la se
magnitud y su fase. Dibuje ambos en funcion de la frecuencia angular .
Apuntes 549104 105

Fig. 3.2: Magnitud y fase de la transformada de Fourier de la se

nal en tiempo continuo x(t) =
eat u(t), con a > 0 del Ejemplo 3.3.
Calculamos primero la transformada de Fourier:

Z Z Z
jt at jt
X() = x(t)e dt = e u(t)e dt = e(a+j)t dt
0

1 (a+j)t
= e
(a + j)
t=0
1
= .
a + j
La magnitud |X()| y la fase X() son

1
|X()| = = 1
a + j a2 + 2
1
h i
X() = tan .
a
Ambos graficos se muestran en la Fig. 3.2 en donde notamos que para , |X()| 0 y
X() 2 y que para = a, X() = 4 .
Ejemplo 3.4 - Transformada de Fourier delta de Dirac.

Calculemos la transformada de Fourier del delta de Dirac:
Z
F [(t)] = (t)ejt dt = ej0 = 1 .

Apuntes 549104 106

Esto quiere decir que el delta tiene todas las componentes de frecuencia!
Ahora para el delta ubicado en t0
Z
F [(t t0 )] = (t t0 )ejt dt = ejt0 = cos(t0 ) j sin(t0 ) .

Los resultados se muestran en la Fig. 3.3
(a) (b)
Fig. 3.3: Transformada de Fourier de funcion delta en cero y ubicada en t0 segundos, conforme a
lo calculado en el Ejemplo 3.4: (a) la TdeF de un delta en cero es la funcion constante (contiene
todas las componentes de frecuencia con igual magnitud) y (b) la TdeF de un delta desplazado
es ejt0 (dibujamos su parte real e imaginaria).
Ejemplo 3.5 - Transformada de Fourier funci

on constante.
Demuestre que la transformada de Fourier de la funcion constante es 2()
Primero evaluamos la transformada de Fourier de la funcion constante mediante su definicion,
para notar que no esta bien definida. En efecto
Z
jt 1 jt
F [1] = e dt = e ,
j
t=
que claramente se indetermina al evaluar en t = . Entonces, usamos la propiedad de unicidad

nal-transformada para demostrar que F 1 [2()] = 1. Entonces
del par se
Z
1 1 jt

jt
F [2()] = 2()e d = e =1,
2 =0
en donde usamos la propiedad de cernido del delta. Entonces, hemos demostrado que F [1] =
2(). La similitud que se obseeva en los u
ltimos dos ejemplos se formaliza en la propiedad de
la dualidad de la transformada de Fourier
Apuntes 549104 107

Ejemplo 3.6 - Transformada de Fourier del escal

on unitario.
Evaluemos la transformada de Fourier del escalon unitario u(t). Primero, usamos la definicion
de la transoformada

1
Z Z
1
u(t)ejt dt = ejt dt = ejt =

F [u(t)] = .
0 j t=0 j
Notamos que para = 0, X( = 0) = , es decir, con esto estamos diciendo que el valor DC
de la se
nal escalon unitario es infinito. Sin embargo, como sabemos del Captulo 1, el valor DC
del escalon unitario es finito, lo que genera una inconsistencia que nos dice que la transformada
de Fourier que calculamos no es correcta. Para resolver esto, notemos que u(t) se puede obtener
1
mediante la funcion sgn(t) mediante u(t) = 2
+ 21 sgn(t). Esto se puede inferir directamente de
los siguientes graficos
Ahora, dada la discontinuidad de esta funcion, tambien puede presentar problemas en su trans-
formada de Fourier por lo que tambien la aproximamos por otra funcion, g(t), que tiene transfor-
mada de Fourier bien definida. Especficamente aproximamos sgn(t) mediante la funcion (a >

eat , t > 0

0), g(t) = 0 ,t = 0 ,

eat , t < 0

Sabemos que g(t) es una aproximacion de sgn(t) puesto que a medida que a 0, entonces
g(t) sgn(t) como se muestra en la figura. Ademas, tal como se obtuvo en el Ejemplo 3.3, g(t)
tiene transformada de Fourier bien definida y dada por
Z Z Z 0
jt at jt j2 2
F [g(t)] = g(t)e dt = e e dt eat ejt dt = 2 2
= .
0 a + j(a + 2 )
2
As, la transformada de Fourier de la funcion sgn(t) es

h i 2 2
F [sgn(t)] = F lm g(t) = lm F [g(t)] = lm = .
a0 a0 a0 j(a2 2
+ ) j
Apuntes 549104 108

Fig. 3.4: Analisis de la transformada de Fou-

rier y de la serie de Fourier para una se
nal
periodica. Ambos casos generan un tren de
impulsos con la misma envolvente, solamente
diferenciandose por el factor de escalamiento
de 2
Luego,

1 1 1 1 1
F [u(t)] = F + sgn(t) = F [1] + F [sgn(t)] = () + ,
2 2 2 2 j
resultado que es consistente con tener valor DC finito.
3.1.4. Cu
al es la relaci
on entre las series de Fourier y la transfor-
mada de Fourier?
Para responder a esta pregunta, apliquemos la transformada de Fourier a una expasion por
series de Fourier.
Asumamos que la se
nal x(t) es periodica y satisface las condiciones necesarias para aceptar
expansion por series de Fourier. Entonces, su transformada de Fourier es
"
# "
#
X Z X
X() = F [x(t)] = F ck ejk0 t = ck ejk0 t ejt dt
k= k=

X Z
X
= ck ej(k0 )t dt = ck ( k0 ) , (3.5)
k= k=
en donde usamos el hecho de que la transformada de Fourier de la exponencial compleja es el

delta, como lo obtuvo en el Ejemplo 3.2 y que resulta en cierta forma similar a lo observado en
(2.22).
Por lo tanto, hemos demostrado que la transformada de Fourier de una se
nal periodica es
un tren de impulsos cuya amplitud esta determinada por los coeficientes de la serie de Fourier
(y escalada por un factor de 2). Un ejemplo de esto se muestra en la Fig. 3.4.
Apuntes 549104 109

Los siguientes ejemplos utilizan esta propiedad para calcular la transformada de Fourier de
algunas se
nales periodicas comunes.

on seno.
Primero, observamos del Ejemplo 3.5 que si la funcion delta se desplaza en frecuencia
Z
1 1
F [2( 0 )] = 2( 0 )ejt d = ej0 t ,
2
por la propiedad de cernido del delta. Por lo mismo, podemos concluir que F [ej0 t ] = 2(
0 ), como lo muestra la siguiente figura
Calculamos la transformada de Fourier con este antecedente

ej0 t F [ej0 t ] F [ej0 t ]
j0 t
e
F [sin 0 t] = F = = j( + 0 ) j( 0 ) ,
2j 2j 2j
como lo muestra la siguiente figura.
Ahora, usando el resultado de la (3.5) y lo obtenido en el Ejemplo 2.17, es decir que los
coeficientes de la serie de Fourier del seno son

1
,k = 1
2j

ck = 1 ,
2j
, k = 1

0 , otro caso
Apuntes 549104 110

entonces habramos inferido que

X 1 1
F [sin 0 t] = ck ( k0 ) = 2(0 )+ 2(+0 ) = j(+0 )j(0 ) ,
k=
2j 2j
obteniendo de igual forma el mismo resultado.

on coseno.
Aca solamente usamos el resultado de (3.5) y el hecho que

1
,k = 1
2

ck = 1 ,
2
, k = 1

0 , otro caso
para el coseno (ver Ejemplo 2.16 para detalles). Entonces
1 1
F [cos 0 t] = 2( 0 ) + 2( + 0 ) = ( + 0 ) + ( 0 ) ,
2 2
resultado que se muestra en la siguiente figura
Una observacion interesante, es que los modulos de las transformadas de Fourier de las funciones
seno y conseno es la misma. solo cambia su fase!
Una observacion muy interesante de (3.5) es que la transformada de Fourier de una se

nal en
tiempo continuo pero periodica es una se
nal en frecuencia discreta.
3.1.5. Propiedades de la transformada de Fourier
La transformada de Fourier satisface practicamente las mismas propiedades que la serie de

Fourier, las que se revisan aca. Para lo siguiente, siempre F [x(t)] = X(), con = 2f .
Apuntes 549104 111

Linealidad
La transformada de Fourier es lineal, es decir si ak IR y xk (t) Xk (), con k = 1, 2, . . . ,

entonces " #
X
F ak xk (t) = ak Xk () ,
k
tal como se demostro al comienzo de la seccion.
Desplazamiento en el tiempo
Si F [x(t)] = X(), entonces
F [x(t t0 )] = X()ejt0 .
La interpretacion fsica de este factor ejt0 es:
X()ejt0 = |X()|ejX() ejt0
= |X()|ej(X()t0 ) ,
es decir, el factor solo afecta la fase de la se

nal desplazada en el tiempo. Por eso, es com
un
referirse al factor de desplazamiento, t0 , como el desfase.
Conjugaci
on
Si x(t) es una se
nal compleja, entonces
F [x (t)] = X () .
nal real, entonces x (t) = x(t) y por lo tanto X() = X (). En palabras
Si x(t) es una se
simples, estamos diciendo que si la se
nal es real, entonces la transformada de Fourier para fre-
cuencias angulares positivas, es exactamente igual al complejo conjugado de la transformada de
Fourier para frecuencias negativas. En todos los ejemplos vistos anteriormente hemos observado
esta propiedad, la que se hace mas evidente en el Ejemplo 3.7.
Apuntes 549104 112

Fig. 3.5: Ejemplo de la propiedad de escalamiento en el tiempo de la transformada de Fourier.

Expansion en el tiempo significa compresion (y amplificacion) en frecuencia.
Derivaci
on
Si la se
nal x es diferenciable, entonces

d
F x(t) = jX() .
dt
Similarmente, si x es diferenciable n veces, entonces se cumple que
n
d
F x(t) = (j)n X() .
dtn
Escalamiento en el tiempo
Para una constante a 6= 0 se tiene

1
F [x(at)] = X ,
|a| a
es decir que compresion en tiempo genera expansion en frecuencia (y viceversa). Un ejemplo de
esto se muestra en la Fig. 3.5.
El caso especial de a = 1 (inversion en el tiempo) genera F [x(t)] = X(), es decir
inversion en el tiempo genera inversion en frecuencia.
Dualidad
La propiedad de la dualidad dice que si F [x(t)] = X(), entonces
F [X(t)] = 2x() .
Apuntes 549104 113

Fig. 3.6: Ejemplos de la propiedad de dualidad de la transformada de Fourier.
Resulta relativamente complicado de entender por la ecuacion, pero el mensaje importante

aca es que comenzamos con que F [x(t)] = X(). Entonces, si existe otra se
nal y(t) que tiene
la msima forma de X(), podemos deducir rapidamente que su transformada de Fourier Y ()
debiese tener la forma de x(t).
La demostracion debiese ayudar a entender esto:
Demostracion. Tenemos que la transformada de fourier de x(t) es

Z
F [x(t)] = X() = X()ejt dt

y su inversa es
Z
1 1
x(t) = F [X()] = X()ejt dt
2
entonces, reemplazando t por t en la segunda relacion y multiplicando por 2 tenemos

Z
2x(t) = X()ejt dt .

Cambiando los roles de t y en esta u

ltima ecuacion y comparando con la definicion de la TdeF
dada en la primera, obtenemos que
F [X(t)] = 2x() .
La Fig. 3.6 muestra dos ejemplos de la propiedad de dualidad de la transformada de Fourier.
Apuntes 549104 114

Igualdad de Parseval
Recordemos que la energa de la se

nal en timpo continuo x es
Z
E= |x(t)|2 dt .

Parseval dice que Z Z

1 2
E= |x(t)| dt = |X()|2 d
2
2
Esto quiere decir que la cantidad |X()| da una medida de la densidad de energa de la se
nal
x(t). Esto es particularmente importante para se
nales aleatorias, puesto que da una estimacion
de la densidad espectral de potencia de la se
nal y esta directamente relacionada con su funcion
de autocorrelacion, como se estudia en el curso de Procesos Aleatorios.
Si la se
nal x(t) es periodica, entonces sabemos que su transformada de Fourier esta deter-
minada por sus coeficientes de Fourier, por lo que
Z
X
E= |x(t)|2 dt = |ck |2 ,
k=
tal como se vio en la seccion de las propiedades de las series de Fourier.
Ejemplo 3.9 - Uso de Parseval para evaluar integrales.

El teorema de Parseval nos permite evaluar integrales que resultan difciles de calcular en un
espacio pero sencillas en otro. Por ejemplo calculemos la integral
Z
sinc2 (t) dt = ?

Si recordamos que sinc(t) rect() (por la propiedad de dualidad), entonces

Z Z
2
sinc (t) dt = rect2 (f ) df

Z 1
2
= 1 dt
12
= 1
Lo invito a evaluar la integral original. Amara a Parseval por siempre.
Apuntes 549104 115

Modulaci
on
Para cualquier 0 IR, se tiene que

Z Z
j0 t jt
j0 t
x(t)ej(0 )t dt = X( 0 )

F x(t)e = x(t)e e dt =

Para el caso especfico de la multiplicacion por un coseno, se tiene

+ ej0 t
j0 t
e
F [x(t) cos(0 t)] = F x(t)
2
1
F x(t)ej0 t + F x(t)ej0 t

=
2
1 1
= X( + 0 ) + X( 0 ) ,
2 2
es decir, el coseno toma el espectro de la se
nal x(t) y lo desplaza (y centra) en torno a su
frecuencia 0 . Esta propiedad de la transformada de Fourier recibe el nombre de modulaci
on
y es la base de la transmision analoga de amplitud modulada (AM) como veremos mas
adelante.
Convoluci
on
Dadas dos se
nales h(t) y x(t) con transformadas de Fourier H() y X(), respectivamente,
entonces
F [h(t) x(t)] = H()X() .
Esta propiedad noes dice que convolucion en el dominio del tiempo se traduce en multiplicacion
en el dominio de la frecuencia!
Demostracion. Consideremos la integral de convolucion dada por

Z
y(t) = h(t) x(t) = x( )h(t ) d ,

y apliquemos la transformada de Fourier en ambos lados

Z
Y () = F x( )h(t ) d

Z Z
= x( )h(t ) d ejt dt
Z

Z
jt
= x( ) h(t )e dt d .

Apuntes 549104 116

Identificamos la cantidad entre parentesis como la transformada de Fourier de h(t ). Si

F [h(t)] = H(), usamos la propiedad de desplazamiento en el tiempo para obtener F [h(t )] =
H()ej . Reemplazando tenemos:
Z Z
jt
Y () = x( ) h(t )e dt d
Z

x( ) H()ej d

=

Z
= H() x( )ej d

= H()X() .
Una aplicacion interesante de esta propiedad es en calcular integrales difciles de evaluar.

Usamos el siguiente ejemplo para explicar las ideas principales.
Ejemplo 3.10 - Propiedad de convoluci

on en c
alculo de integrales.
Consideremos la se
nal triangular dada por

1 |t| , |t| < 1
(t) =
0 , otro caso
como se muestra en la Fig. 3.7(a). Conforme a los ejemplos que hemos visto anteriormente, es
facil demostrar que (t) = rect(t) rect(t). Usamos eso para evaluar la transformada de Fourier
de la funcion (t).
F [(t)] = F [rect(t) rect(t)] = F [rect(t)] F [rect(t)] = sinc2 () ,
entonces (t) sinc2 () como se muestra en la Fig. 3.7(b).
La otra utilidad de esta propiedad es evidente considerando que la salida de cualquier sistema
esta determinada por la convolucion de su respuesta entrada impulso, h(t), y la entrada, x(t).
Si para un sistema conocemos un par de entrada-salida, entonces su respuesta entrada impulso
Apuntes 549104 117

(a) (b)
Fig. 3.7: Figuras para el Ejemplo 3.10. (a) se

nal triangulo (t) y (b) su correspondiente trans-
formada de Fourier dada por sinc2 ()
se puede obtener como la transformada de Fourier inversa de

1 1 Y ()
h(t) = F [H()] = F .
X()
Usamos este resultado en el siguiente ejemplo. (Esta propiedad la explotaremos con mayor
detalle en la Seccion 3.2 en donde analizaremos sistemas continuos).
Ejemplo 3.11 - Respuesta en frecuencia sistema derivador.

Calculemos la respuesta en frecuencia del sistema derivador visto en el Captulo 1, en el cual la
salida esta determinada por
d
y(t) = x(t) .
dt
Primero, tomamos la transformada de Fourier en ambos lados de la ecuacion y luego usamos

la propiedad de la derivada para encontrar:

d
Y () = F x(t) = jX() ,
dt
de donde obtenemos que

Y ()
H() = = j .
X()
El modulo y la fase de esta funcion son |H()| = ||, H() = 2 sgn(), cuyos graficos se
muestran en la Fig. 3.8.
Apuntes 549104 118

Fig. 3.8: Modulo y fase del sistema derivador del Ejemplo 3.11 con respuesta en frecuencia dada
por H() = j.
Fig. 3.9: Diagrama de Bode del sistema derivador del Ejemplo 3.11.
En general, el modulo y la fase tambien pueden representarse en diferentes escalas. Una

forma normalizada de hacer esto es mediante el diagrama de Bode. Un diagrama de Bode es
una representacion grafica que sirve para caracterizar la respuesta en frecuencia de un sistema
y recibe su nombre del cientfico estadounidense que lo propuso, Hendrik Wade Bode. Nor-
malmente consta de un grafico de la magnitud y otra de la fase (si, como el que mostramos
recien). El diagrama de magnitud dibuja |H(f )| en dB en funcion de la frecuencia f en
escala logartmica. Para esto recordamos que f = /2 y simplemente hacemos el cambio de
variable en la definicion. Los dB (deciBeles) se calculan como 10 log |H(f )| El diagrama de
fase representa H(f ) en funcion de la frecuencia f en escala logartmica. Se puede dar en
grados o en radianes. La Fig. 3.9 muestra el diagrama de Bode del sistema derivador.
Apuntes 549104 119

Integraci
on
Una consecuencia interesante de la propiedad de convolucion es para calcular la transformada

de Fourier de la integral de una se
nal.
Primero observamos que por definicion de convolucion, la convolucion con un escalon de una
se
nal x esta determinado por
Z Z t
u(t) x(t) = x( )u(t ) d = x( ) d .

en donde asumimos que x es integrable. Entonces, si F [x(t)] = X() tenemos

Z t
F x( ) d = F [(x u)(t)] = X()F [u(t)]

1
= X() () +
j
1
= X() + X(0)() ,
j
en donde hemos usado la transformada de Fourier del escalon unitario encontrado anteriormente.
Multiplicaci
on
La propiedad de la convolucion se puede extender en ambas direcciones a consecuencia de

la dualidad de la trasnformada de Fourier. Enunciamos esta propiedad sin demostracion (pero
Ud. lo puede verificar por su cuenta):
1
F [x(t)y(t)] = X() Y () ,
2
es decir, la transformada de Fourier del producto de dos se
nales en el plano del tiempo es la
convolucion de ellas en el plano de Fourier.
Ejemplo 3.12 - Multiplicaci

on por un coseno.
En la propiedad de la multiplicacion por una exponencial compleja revisamos este ejemplo.
Ahora lo haremos desde la perspectiva de la propiedad de la multiplicacion en el tiempo.
Consideremos la se
nal x(t) = m(t) cos(0 t), en donde m(t) es una se
nal de banda limitada
con transformada de Fourier M (). Decir que m es de banda limitada quiere decir que su
transformada de Fourier a partir de un valor W es cero, es decir M () = 0, > W .
Apuntes 549104 120

3.2. ANALISIS DE SISTEMAS USANDO LA TDEF
Sabemos que F [ej0 t ] = ( 0 ) y que cos(0 t) = 21 [ej0 t + ej0 t ], entonces

1
F [m(t) cos(0 t)] = M () [( + 0 ) + ( 0 )]
2
1 1
= M ( + 0 ) + M ( 0 ) ,
2 2
resultado consistente con lo encontrado anteriormente.
3.2. Analisis de sistemas usando la TdeF
3.2.1. Introducci
on
Recordemos que la salida de un S.L.I.T. con respuesta a entrada impulso h(t), su salida para
cualquier entrada x(t) esta dada por la convolucion entre las se
nales x y h. En smbolos
y(t) = x(t) h(t) .
En el plano de Fourier esto se traduce en el producto entre las funciones X() = F [x(t)] y
H() = F [h(t)], es decir
Y () = X()H() .
Por lo tanto, la forma en que y(t) se comporta en el plano de Fourier, esta determinado por la
respusta en frecuencia del sistema, determinada por la funcion H(). Veremos a continuacion
como obtener H() y h(t) usando estas propiedades.
3.2.2. Sistemas de primer orden
Consideremos el sistema de primer orden descrito por la ecuacion diferencial
y 0 (t) + ay(t) = x(t) , (3.6)
para alg
un a > 0. Tomamos la tranformada de Fourier en ambos lados para obtener
F [y 0 (t) + ay(t)] = F [x(t)] ,
y usando la propiedad de linealidad y la propiedad de la derivada obtenemos
jY () + aY () = X() .
Apuntes 549104 121

Rearreglamos los terminos para encontrar la respuesta en frecuencia

Y () 1
H() = = . (3.7)
X() j + a
Recordando el Ejemplo 3.3 notamos que la respuesta a entrada impulso del sistema es
h(t) = F 1 [H()] = eat u(t) . (3.8)
Notese que esto es valido para cualquier sistema de primer orden descrito por una ecuacion
diferencial como en (3.6).
3.2.3. Sistemas de orden superior
De todas las propiedades anteriores y los respectivos ejemplos, es evidente que para cualquier
sistema que este descrito por ecuaciones diferenciales de orden n,
dn y dn1 y dy dm x dm1 x dx
n
+ a n1 n1
+ + a 1 + a 0 y = b m m
+ b m1 m1
+ + b1 + b0 x ,
dt dt dt dt dt dt
en donde y es la salida y x corresponde a la entrada del sistema se puede aplicar un razonamiento
similar.
Entonces, denotamos de forma compacta esta ecuacion mediante
n m
X dk X dk
ak k y(t) = bk k x(t)
k=0
dt k=0
dt
con an = 1. Nuestro objetivo es determinar h(t) y H() para este tipo de sistemas. Tomamos
la transformada de Fourier a ambos lados de esta ecuacion y usamos la propiedad de linealidad
y de las derivadas de orden superior para obtener,
" n # " m #
X dk X dk
F ak k y(t) = F bk k x(t)
k=0
dt k=0
dt
n
X m
X
k
ak (j) Y () = bk (j)k X()
k=0 k=0
" n # " m
#
X X
Y () ak (j)k = X() bk (j)k .
k=0 k=0
La propiedad de la convolucion nos dice que Y () = H()X(), entonces

Pm
Y () bk (j)k bm (j)m + bm1 (j)m1 + + b1 (j) + b0
H() = = Pnk=0 k
= . (3.9)
X() k=0 ak (j) (j)n + an1 (j)n1 + + a1 (j) + a0
Apuntes 549104 122

Entonces, sabiendo la descripcion mediante ecuaciones diferenciales de cualquier sistema, pode-

mos obtener su respuesta en frecuencia para luego usar la propiedad de convolucion y obtener
la salida a cualquier entrada.
Ahora, H() esta expresada como una funcion racional (es decir la division de dos polino-
mios). Por lo tanto podemos aplicar expansion por fracciones parciales para expresar H() en
alguna forma que nos permita determinar h(t) por inspeccion usando el par
1
h(t) = eat u(t) H() = .
j + a
y pares relacionados como
1
h(t) = teat u(t) H() = .
(j + a)2
Veremos a continuacion algunos ejemplos para utilizar estos resultados.
Ejemplo 3.13 - Respuesta entrada impulso (y en frecuencia).

Consideremos el sistema descrito por la ecuacion
y 00 (t) + 4y 0 (t) + 3y(t) = x0 (t) + 2x(t) .
Determinemos su respuesta en frecuencia y su respuesta a entrada impulso.

Tomamos transformada de Fourier en ambos lados
(j)2 Y () + 4(j)Y () + 3Y () = (j)X() + 2X() ,
y rearreglando los terminos

j + 2 (j + 2)
H() = = .
(j)2 + 4(j) + 3 (j + 1)(j + 3)
El modulo y la fase (en forma del diagrama de Bode) de esta respuesta en frecuencia se muestra
en la Fig. 3.10.
Para encontrar la respuesta a entrada impulso de este sistema usamos fracciones paraciales
sobre H() para obtener

(j + 2) 1 1 1 1
H() = = + ,
(j + 1)(j + 3) 2 j + 1 2 j + 3
Apuntes 549104 123

Fig. 3.10: Diagrama de Bode del sistema del Ejemplo 3.13.
por lo que podemos inferir que

1 1
h(t) = et u(t) + e3t u(t) .
2 2
Ejemplo 3.14 - Salida sistema de segundo orden.

Determine la salida si a el sistema con respuesta entrada impulso
1 1
h(t) = et u(t) + e3t u(t)
2 2
se aplica una entrada x(t) = et u(t).
Tomamos la transformada de Fourier a h(t) para encontrar

1 1 1 1 (j + 2)
H() = + = ,
2 j + 1 2 j + 3 (j + 1)(j + 3)
y a x(t) para encontrar
1
X() = .
j + 1
Entonces, la salida en Fourier es

(j + 2) 1 (j + 2)
Y () = H()X() = = .
(j + 1)(j + 3) j + 1 (j + 1)2 (j + 3)
Usamos fracciones parciales sobre este u
ltimo resultado para obtener

(j + 2) 1 1 1 1 1 1
Y () = = + ,
(j + 1)2 (j + 3) 4 j + 1 2 (j + 1)2 4 j + 3
Apuntes 549104 124

Fig. 3.11: Salida real (teorica) y simulada del

sistema del Ejemplo 3.14. La salida simulada
se obtiene definiendo la respuesta en frecuen-
cia mediante el comando tf([1 2],[1 4 3])
para luego usar el comando lsim usado en el
Cap. 1. Notese que en tf definen los coeficien-
tes de la respuesta en frecuencia H().
por lo que la salida es

1 t 1 t 1 3t
y(t) = e + te e u(t) .
4 2 4
Graficamos esta salida y la respectiva salida simulando el sistema con el comando lsim de
Matlab como se ense
no en el Cap. 1. El resultado se muestra en la Fig. 3.11.
3.2.4. Filtros ideales, reales y ancho de banda de 3dB
Retomemos la propiedad de la convolucion que nos dice que
Y () = X()H() .
Usando notacion compleja para estas funciones,
H() = |H()|ejH()
X() = |X()|ejX() ,
notamos que en el plano de Fourier la salida puede ser expresada como
Y () = X()H() = |H()|ejH() |X()|ejX()
= |H()||X()|ej[H()+X()] .
Entonces, la magnitud de la se
nal de salida es
|Y ()| = |X()||H()| ,
Apuntes 549104 125

y su fase es
Y () = X() + H() .
Este resultado dice que un sistema con respuesta a impulso h(t) tomara la se
nal x(t) y la
atenuara por |H()| y la desfasara en H(). Por ello, es normal llamar filtrado al proceso el
pasar una se
nal por un sistema LTI. Entonces, un filtro es un SLIT que se dise
na para generar
en la salida una modificacion en la magnitud (o en la fase) de la se
nal de entrada.
Filtros ideales
Idealmente, los filtros solamente producen cambio en la amplitud de la se

nal y no cambio
de fase. Un sistema LIT que deja pasar todas las frecuencias cercanas al cero sin alterar la fase
de la se
nal de entrada y ademas no deja pasar ninguna frecuencia mayor al valor W es llamado
un filtro pasabajo ideal. Un filtro pasabajo ideal entonces tiene modulo unitario para || W y
cero para || > W . Su fase es siempre cero para toda frecuencia. As, la respuesta en frecuencia
de un filtro pasabajo ideal esta dada por

1 , || W
HLP F () = = rect , (3.10)
0 , otro caso 2W
en donde la funcion rect() es igual a la definida en (1.26). Abreviamos el filtro pasabajo por
sus siglas en ingles de LPF (low-pass filter). La Fig. 3.12(arriba) muestra el filtro pasabajo ideal
con frecuencia de corte W , la que tambien es llamado ancho de banda del filtro.
De la misma forma, podemos tener filtros que dejen pasar solamente frecuencias superiores
al valor W y atenuen a cero frecuencias bajas menores que este mismo valor. Estos filtros se
les llama filtro pasaalto ideal y se abrevia por sus siglas en ingles HPF (high-pass filter). Su
respuesta en frecuencia esta dada evidentemente por

0 , || W
HHP F () = = 1 HLP F () = 1 rect , (3.11)
1 , otro caso 2W
y su grafica se muestra en la Fig. 3.12(centro).

Similarmente, se pueden definir filtros que solamente dejan pasar un rango de frecuencias,
es decir cuyo modulo es uno en un rango de frecuencias W1 < || < W2 y cero fuera de ella. Se
Apuntes 549104 126

Fig. 3.12: Filtros ideales: Arriba se muestra el filtro pasabajo (LPF) ideal, al medio se muestra
el filtro pasaalto (HPF) ideal y abajo el filtro pasabanda (BPF) ideal.
les llama filtros pasabanda y se abrevian por BPF por sus siglas en ingles (band-pass filter). Su
respuesta en frecuencia esta determinada por

1 , W < || < W
1 2
HBP F () = . (3.12)
0 , otro caso
En este caso se habla que el ancho de banda del filtro pasabanda es W2 W1 . La Fig. 3.12(abajo)
muestra el filtro pasabanda ideal.
Ademas se puede definir un filtro conocido como el filtro rechazabanda que es aquel que su
modulo vale uno para todas las frecuencias, salvo para la banda de frecuencias W1 < || < W2 .
Claramente su respuesta en frecuencia esta determinada por la ecuacion

0 , W < || < W
1 2
HBRF () = = 1 HBP F () . (3.13)
1 , otro caso
Filtros reales
Los filtros reales en cambio, tienen respuesta como las que hemos visto hasta ahora en
sistemas con forma como la que se muestra en la Fig. 3.13(arriba). Para estos casos, la frecuencia
de corte (el llamado ancho de banda para los filtros pasabajo y pasabanda) se define como el
valor de frecuencia al cual la transferencia de potencia del filtro es al menos la mitad de la
maxima transferencia de potencia. Esto se llama normalmente la frecuencia de corte (o ancho
Apuntes 549104 127

Fig. 3.13: Filtros reales y su ancho de banda de 3dB
de banda) de 3 dB pues reducir la potencia transmitida por el filtro a la mitad equivale a

disminuirlo en 3 dB en la escala logartmica.
Si el filtro es pasabajo, entonces la potencia maxima que se logra es |H(0)|2 . As se busca el

|H(0)|2
valor de frecuencia 0 = 2f0 a la que se alcanza una potencia de 2
, o, equivalentemente,
|H(0)|
se busca 0 = 2f0 tal que |H(0 )| = .
2
Este principio se usa en el siguiente ejemplo.
Ejemplo 3.15 - Ancho de banda de 3 dB filtro pasabajo.

En el Ejemplo 3.13 encontramos que
(j + 2)
H() = ,
(j + 1)(j + 3)
Encontremos su ancho de banda de 3 dB.

2
Notamos que para = 0 la magnitud de la respuesta en frecuencia es |H(0)| = 3
y que
decrece |H()| 0 a medida que . Por lo mismo, es un filtro pasa bajos. Dado que su
potencia es proporcional al cuadrado de la amplitud, la ecuacion a resolver es

2
32
|H(0 )| = = .
2 3
Apuntes 549104 128

Encontramos primero entonces |H()|2 = <{H()}2 + ={H()}2 como sigue

(j + 2) (j 1)(j 3) (j + 2)(j 1)(j 3)
H() = =
(j + 1)(j + 3) (j 1)(j 3) ( 2 1)( 2 9)
( 2 + j 2)(j 3) j 3 + 3 2 2 3j 2j + 6
= =
( 2 1)( 2 9) ( 2 + 1)( 2 + 9)
(2 2 + 6) j( 3 + 5)
= ,
( 2 + 1)( 2 + 9)
entonces la transmision de potencia del sistema en funcion de la frecuencia del filtro es
(2 2 + 6)2 + ( 3 + 5)2
|H()|2 = <{H()}2 + ={H()}2 = .
( 2 + 1)2 ( 2 + 9)2
Resolvemos numericamente ahora para encontrar 0 tal que |H(0 )|2 = 92 . Para ello usamos
0
el comando de Matlab fzero, encontrando que 0 = 1,1488 lo que equivale a f0 = 2
=
0,1828, resultado concordante con el mostrado en la Fig. 3.10 en donde se incluyo tanto el
maximo valor de transmision de potencia como tambien la atenuacion de la mitad de la potencia
(aproximadamente 3dB debajo de dicho valor).
Respuesta en frecuencia circuito RC
Analicelos la respuesta en frecuencia del circuito RC para sus dos posibles salidas, es decir
cuando la salida es el voltaje en el condensador y cuando es el voltaje en la resistencia, tal como
lo muestra la siguiente figura
y2 (t)
x(t) y1 (t) C
Caso 1: Para el caso en que la salida es y1 (t), sabemos que este circuito esta descrito por la
ecuacion diferencial
1 1
y10 (t) + y1 (t) = x(t)
RC RC
Apuntes 549104 129

Tomando la TdeF en ambos lados obtenemos

1 1
j + Y1 () = X()
RC RC
Por lo tanto, la respuesta en frecuencia de este circuito es

1
Y1 () RC 1
H1 () = = 1 =
,
X() j + RC
j 1/RC +1
cuyo modulo es
1
|H1 ()| = r 2 .

1/RC
+1
Notamos que el maximo del modulo es 1 y ocurre en = 0 y que |H()| decae a cero a
1 1
| = 12 , por lo que la frecuencia de

medida que , por lo que para = RC , |H RC
1
corte es 0 = RC
. Para tal valor, la fase del sistema es /4
Caso 2: La ecuacion diferencial que modela el sistema es
1
y20 (t) + y2 (t) = x0 (t)
RC
Tomando la transformada de Fourier tenemos

1
j + Y2 () = jX()
RC
y la respuesta en frecuencia es Procediendo de la misma forma anterior, se encuentra que

j j 1/RC 1/RC
H2 () = 1 = = .
j + RC j
+1
j
1/RC 1/RC
El modulo correspondiente es

1/RC
|H2 ()| = r 2 ,

1/RC
+1
1
de donde nuevamente deducimos que la frecuencia de corte se da para 0 = RC
, pero que
en este caso el maximo se da para frecuencias altas y no en cero, por lo que H2 () define
un filtro pasaalto.
Apuntes 549104 130

(a) (b)
Fig. 3.14: Diagrama de Bode para el circuito (filtro) RC en configuracion (a) pasabajo y (b)
pasaalto
Ejemplo 3.16 - Respuesta en frecuencia circuito RLC.

En el Ejemplo 1.13 encontramos las ecuaciones diferenciales que describen el comportamiento
de un circuito RLC de la Fig. 1.21 y eran:
1 0 1 1
y 00 + y + y= x.
RC LC LC
Aplicando la transformada de Fourier en ambos lados obtenemos

2 1 1 1
(j) + (j) + Y () = X()
RC LC LC
1 1
Y () LC
LC
H() = = 1 1 = 1

.
X() (j)2 + RC (j) + LC 2 LC j RC
El modulo es
1 1
LC LC
|H()| = q =q 4 .
1 2 2 1 2 1

2
LC + RC + 2 R2 C 2
LC
+ L2 C 2
El grafico del modulo y la fase de esta respuesta en frecuencia se observan en la Fig. 3.15 para
distintas combinaciones de R, L, y C.
Apuntes 549104 131

Fig. 3.15: Respuesta en frecuencia (en dB) para el circuito RLC descrito en los ejemplos 1.13 y
3.16 para distintos valores de R, L y C.
Apuntes 549104 132

EN AMPLITUD (AM)
3.3. MODULACION
3.3. Modulaci
on en amplitud (AM)
3.3.1. Introducci
on
Primero, especifiquemos que un canal de comunicaci

on es el medio por el cual se enva
informacion. El aire, el canal de comunicacion por excelencia pues es por donde se transmiten
la mayora de las se
nales, puede ser visto como un sistema, y por lo mismo su respuesta en
frecuencia es conocida. Lamentablemente, los canales de transmision no siempre tienen un ancho
de banda en el mismo rango que las se
nales que se quieren transmitir. Por lo tanto, se genera
la necesidad de adaptar la se
nal de informacion para lograr una congruencia entre su ancho
de banda (banda base) y el del canal (pasa banda). Dicho proceso de adaptacion recibe el
nombre de modulacion y esta directamente relacionado con la propiedad de modulacion de la
transformada de Fourier. La siguiente figura muestra el proceso necesario para transmitir una
se
nal m(t) que llamamos mensaje por un canal pasabanda. El proceso de modulaci
on genera
una se
nal a transmitir por el canal de comunicaci
on, x(t). A la salida del canal obtenemos
una se
nal r(t), que es una version ruidosa y atenuada de la se
nal originalmente enviada, x(t).
En general, esto se modela mediante
r(t) = x(t d) + n(t) ,
en donde es el factor de atenuacion, d es el retardo (desfase) agregado por el canal de comu-

nicacion, y n(t) representa el ruido agregado.
m(t) x(t) r(t) m(t)

Modulacion Canal Demodulacion
El proceso de recuperar el mensaje m(t) de la se

nal recibida r(t) recibe el nombre de de-
modulaci
on y corresponde a estimar, de la se
nal recibida r(t), el mensaje enviado. A la salida
del demodulador tenemos una estimacion del mensaje, que denotamos por m(t).
Idealmente,
m(t)
= m(t), pero solamente bajo condiciones extremadamente especficas esto es realizable.
En general, la modulacion se realiza para lograr al menos uno de los siguientes objetivos:
1. Trasladar las frecuencias de una se

nal pasabajo en una se
nal pasabanda que cuadre con
las caractersticas del canal por que se realizara la transmision.
Apuntes 549104 133

EN AMPLITUD (AM)
3.3. MODULACION
Fig. 3.16: Ejemplo de mensaje y su espectro a iutilizar en los siguientes ejemplos.
2. Simplificar la estructura del transmisor utilizando altas frecuencias; por ejemplo en bajas
frecuencias se requieren grandes antenas.
3. Acomodar la transmision simultanea de se

nales de diferentes fuentes de informacion.
4. Expandir el ancho de banda de la se

nal transmitida para mejorar su inmunidad al ruido
e interferencias.
Los objetivos 1, 2 y 3 se pueden lograr mediante modulacion AM. El objetivo 4 se puede lograr
mediante modulacion angular (FM y/o PM).
3.3.2. Doble banda lateral con portadora suprimida (DSB-SC)
En lo que sigue, asumimos que m(t) es una se

nal de banda limitada con transformada
de Fourier M (). Recordemos que decir que una se
nal es de banda limitada quiere decir que
M () = 0, W . El valor de W es llamado el ancho de banda de m. Por ejemplo, la Fig. 3.16
muestra una se
nal en el tiempo y su respectivo espectro. Por espectro nos referimos solamente
al modulo de la transformada de Fourier de la se
nal en el tiempo.
Modulaci
on
Esta modulacion recibe su nombre de la forma en que se construye la se

nal modulada y
como queda su respectivo espectro. La se
nal modulada se define como
x(t) = Ac m(t) cos(c t) , (3.14)
Apuntes 549104 134

EN AMPLITUD (AM)
3.3. MODULACION
Fig. 3.17: Se
nal en el tiempo y su respectivo espectro al modular con DSB-SC la se
nal de la
Fig. 3.16 con una se
nal portadora en 5kHz.
en donde Ac y c son la amplitud y la frecuencia de la se

nal portadora, respectivamente, y m(t)
es el mensaje (de banda limitada) que se quiere transmitir. Tomando la transformada de Fourier
en ambos lados de la ecuacion tenemos
Ac Ac
F [x(t)] = F [Ac m(t) cos(c t)] = M ( + c ) + M ( c ) ,
2 2
tal como lo mostramos anteriormente cuando revisamos las propiedades de la transformada

de Fourier. La Fig. 3.17 muestra el resultado obtenido en el tiempo y el respectivo espectro
resultante al modular la se
nal de la Fig. 3.16 con una se
nal portadora en 5kHz y amplitud
unitaria. Al revisar la se
nal en el tiempo, observamos que la se
nal modulada corresponde a
una se
nal a la misma frecuencia de la se
nal portadora, pero cuya amplitud esta determinada
por el mensaje que se quiere enviar; por esto, esta forma de modulacion se llama en amplitud,
pues la informacion va embedida en la amplitud de la se
nal enviada. Dado que la envolvente de
una se
nal puede ser facilmente perturbada por agentes externos (como por ejemplo tormentas
electricas) la fidelidad de esta modulacion no es la mejor, especialmente al compararla con otras
metodologas de modulacion como la modulacion en frecuencia (FM) o en fase (PM).
Al observar el espectro de la se
nal modulada que se muestra en la Fig. 3.17(derecha), notamos
que efectivamente el espectro del mensaje se ha movido a la frecuencia portadora (en este
ejemplo 5kHz) y su magnitud se ha atenuado a la mitad. As, si la frecuencia de la se
nal
portadora c se elige tal que el canal de comunicacion no aten
ue en dicha frecuencia, entonces
la se
nal modulada podra ser enviada por dicho canal pasabanda. Dado que el espectro de la
Apuntes 549104 135

EN AMPLITUD (AM)
3.3. MODULACION
se
nal modulada no muestra la portadora, y tanto la banda superior como la inferior se envan
por el canal, esta modulacion recibe el nombre de modulaci
on en amplitud de doble banda
laterla con portadora suprimida (DSB-SC). En resumen, el modulador se muestra en el
siguiente diagrama:
m(t) x(t) = Ac m(t) cos(c t)

Ac cos(c t)
Demodulaci
on
Recordemos que la envolvente de la se

nal enviada contiene el mensaje que se nos ha querido
transmitir, y que se ha construdo mediante el producto del mensaje y la se
nal portadora, como
se muestra en (3.14). Por simplicidad, asumimos que la se
nal recibida es simplemente r(t) = x(t).
Para recuperar la se
nal en el receptor, se requiere nuevamente multiplicar por la se
nal portadora
r(t) cos(c t) = x(t) cos(c t) = [Ac m(t) cos(c t)] cos(c t)

2 1 1
= Ac m(t) cos (c t) = Ac m(t) + cos(2c t)
2 2
Ac Ac
= m(t) + m(t) cos(2c t)
2 2
en donde se ha utilizando la identidad trigonometrica dada por 2 cos2 () = 1 + cos(2). La

Fig. 3.18(izquierda) muestra la se
nal en el tiempo resultante de multiplicar la se
nal recibida por
la misma se
nal portadora utililizada en el transmisor.
Ahora, Como recuperamos m(t) de esta se
nal? Veamos en el plano de Fourier el espectro
de la se
nal resultante en la Fig. 3.18(derecha). Matematicamente esto es,

Ac Ac
F [r(t) cos(c t)] = F m(t) + m(t) cos(2c t)
2 2

Ac Ac
= F m(t) + F m(t) cos(2c t)
2 2
Ac Ac
= M () + M ( 2c )
2 4
Apuntes 549104 136

3.4. TEOREMA DEL MUESTREO
Fig. 3.18: Se
nal en el tiempo y su respectivo espectro al multiplicar la se
nal recibida con la
misma se
nal portadora en 5kHz utilizada en el transmisor.
Es decir, hemos obtenido el espectro original del mensaje (atenuado a la mitad) y el mensaje
nuevamente pero en el doble de la frecuencia portadora. Entonces, al incluir un filtro pasabajo
(LPF, Low-Pass Filter ) con una frecuencia de corte 0 inferior a 2c , pero superior a W , la
se
nal original se obtendra a la salida del filtro, con una atenuacion que se puede despreciar si
el filtro tiene ganancia 2 en la banda permitida. (Evidentemente, se requiere que c > W , en
donde W es el ancho de banda del mensaje m(t)). Un ejemplo de el filtro necesario para realizar
esta demodulacion se muestra en la Fig. 3.18(derecha) con una lnea segmentada.
En resumen, el demodulador DSB-SC se muestra en el siguiente diagrama: y la se
nal estimada
r(t) m(t)

LPF, 0 [W, 2c ]
cos(c t)
al implementar el filtro pasabajo ideal en Matlab se muestra en la Fig. 3.19.
3.4. Teorema del muestreo
3.4.1. Introducci
on
Revisaremos que sucede con la transformada de Fourier de una se

nal que se muestrea a una
tasa de fs muestras por segundo. Recordemos que cuando introdujimos el concepto de muestreo,
Apuntes 549104 137

Fig. 3.19: Se
nal en el tiempo y su respectivo espectro al utiliziar un filtro pasabajo ideal para
obtener la se
nal estimada.
modelamos dicho proceso como la multiplicacion de la se

nal x(t) por un tren de impulsos, es
decir, por deltas ubicados en m
ultiplos enteros de Ts = 1/fs . Es decir, la version muestreada de
x(), denotada por x[] esta dada por

X
X
x[n] x(nTs ) = x(t)p(t) = x(t) (t nTs ) = x(t)(t nTs )
n= n=
Para poder analizar esto en frecuencia, primero necesiamos saber la transformada de Fourier
un tren de impulsos p(t), lo que revisaremos a continuacion.
3.4.2. Transformada de Fourier de un tren de impulsos
Se puede encontrar en la literatura de que

"
#
X X
F [p(t)] = F (t nTs ) = s ( ns ) , (3.15)
n= n=
2
en donde s = 2fs = Ts
. Trataremos aca de demostrar aquello de forma simple y usando las
propiedades vistas en el curso.
Partimos tomando la transformada de Fourier inversa sobre la ecuacion de la derecha y la
llamamos q(t), es decir,
"
#
X
q(t) = F 1 s ( ns ) .
n=
Apuntes 549104 138

Queremos entonces ver si q(t) = p(t). Calculando q(t), obtenemos

"
#
X
q(t) = F 1 s ( ns )
n=
Z
1 2 X
= ( ns )ejt dt
2 T
s n=
Z
1 X
= ( ns )ejt dt
Ts n=

1 X jns t
= e (por cernido)
Ts n=
1
= lm qN (t) ,
Ts N
en donde,
N
X 2N
X 2N
X
jns t j(mN )s t jN s t
qN (t) = e = e =e ejms t ,
n=N n=0 n=0
en donde usamos la transformacion m = n + N . Entonces, tenemos que

" 2N
#
1 X
q(t) = lm ejN s t ejms t
Ts N
n=0
1 ej(2N +1)s t

1 jN s t
= lm e
Ts N 1 ejs t
jN s t
ej(N +1)s t

1 e
= lm
Ts N 1 ejs t
" #
1 sin s t(N + 12 )
= lm .
sin 2s t

Ts N
La cantidad entre los corchetes es un tren de funciones sinc con peaks en los m
ultiplos enteros
2N +1
de Ts , cuyo valor maximo es el mismo en todos y vale Ts
. A medida que N , estos peaks
alcanzan el infinito. Por esto, podemos decir que esta u
ltima ecuacion es equivalente

X
q(t) = (t nTs ) = p(t) ,
n=
lo que demuestra que

"
#
X X
F (t nTs ) = s ( ns ) .
n= n=
Apuntes 549104 139

3.4.3. Teorema de Nyquist-Shannon
Comenzamos ahora por

X
x[n] x(nTs ) = x(t)p(t) = x(t) (t nTs ) ,
n=
tomamos transformada de Fourier en ambos lados y usamos la propiedad del producto para
obtener,
"
#
X
F [x(t)p(t)] = X() F (t nTs )
n=
"
#
X
= X() s ( ns )
n=

X
= s X() ( ns )
n=

2 X
= X( ns ) ,
Ts n=
en donde usamos la propiedad de convolucion con . Este resultado muestra que el espectro de
la se
nal muestreada Xs () es una replica de la transformada de Fourier de la se
nal original,
X(), pero que se repite a una tasa de s = 2fs [rad/s] (y que ademas se aten
ua en un factor
proporcional a fs ). Es decir, la TdeF de una se
nal discreta x[k] es una funcion continua y
peri
odica!
Permtame referirme a la Fig. 3.20. Si x
es una se
nal de banda acotada (vale decir
X() = 0, > W ) entonces se cumple que
W
Cuando fs > 2 2 , entonces los espectros
de la se
nal original y sus replicas no se
solapan (linea continua) de la Fig. 3.20.
W
Fig. 3.20: Ejemplo de muestrear a una tasa su-
Si fs < 2 2 se produce el efecto de alia-
perior al doble del ancho de banda de la se
nal y
sing, que corresponde al solapamiento
el efecto de cuando dicha condicion no se cumple
del espectro original y sus replicas, co-
(aliasing)
mo se muestra en la (linea segmentada)
de la Fig. 3.20.
Apuntes 549104 140

(a) (b) (c)
Fig. 3.21: Efecto de aliasing en se

nales en el tiempo (a) y en imagenes: (b) imagen muestreada
a una tasa adecuada, (c) misma imagen muestreada a frecuencia inferior a la frecuencia de
Nyquist.
W
De dichas observaciones, podemos notar que si fs > 2 2 , en donde W es el ancho de banda de
la se
nal muestreada, entonces x(t) puede recuperarse completamente de sus muestras al pasarla
por un filtro pasabajos con una frecuencia de corte en el rango 0 (W, s W ).
Teorema 3.2. Teorema de Nyquist-Shannon Una se

nal continua de espectro acotado con
W
frecuencia maxima 2
que se muestrea a una tasa de fs muestras por segundo, puede ser
W
completamente recuperada de dichas muestras si y solo si fs 2 2 . Para el caso lmite
W
(inferior) fs = 2 2 lo que se llama tasa de Nyquist.
El fenomeno de aliasing se ve en situaciones tales como en que sinusoidales que son mues-
treadas a tasas inferiores pueden ser confundidas facilmente y tambien puede ser observada en
se
nales bidimensionales (imagenes) cuando la tasa de muestreo no es la apropiada. La Fig. 3.21
muestra este fenomeno para se
nales uni y bidimensionales.
Apuntes 549104 141

3.5. TRANSFORMADA DE FOURIER EN TIEMPO DISCRETO (DTFT)
3.5. Transformada de Fourier en tiempo discreto (DTFT)
De las observaciones hechas para el caso del muestreo, indirectamente encontramos que para
una se
nal en tiempo discreto, su transformada de Fourier era una se
nal en frecuencia continua y
periodica. En la presente seccion formalizamos dicho descubrimiento realizando el mismo analisis
que hicimos para la transformada de Fourier en tiempo continuo.
Recordemos que para una se
nal en tiempo discreto que es periodica con periodo N0 su serie
de Fourier esta dada por

X
x[n] = ck ejk0 n
k=
cuyos coeficientes se obtienen mediante la ecuacion
1 X
ck = x[n]ejk0 n
N0 n=<N0 >
P
en donde n=<N0 > representa la suma de la se
nal solamente sobre un periodo N0 .
3.5.1. Derivaci
on de la DTFT
Apliquemos el mismo concepto anterior cuando derivamos la transformada de Fourier de

se
nales en tiempo continuo. En dicho momento hicimos 3 pasos: Hicimos la se
nal en tiempo
continuo periodica, aplicamos la serie de Fourier y luego tomamos el lmite del periodo a infinito.
Paso 1: Aproximamos se
nal no-peri
odica como peri
odica
Asumimos que una se

nal aperiodica x[n] tiene duracion finita, es decir, que x[n] = 0 para
N0
|n| > 2
, para alg
un N0 par. Construimos una se
nal periodica x[n] tal que x[n] = x[n], para
N20 < t < N0
2
, y que x[n + N0 ] = x[n].
Esto lo representamos mediante la siguiente figura:
Apuntes 549104 142

Paso 2: Generalizamos los coeficientes de la serie de Fourier
Dado que x[n] es periodica entonces acepta representacion por sus series de Fourier

X
x[n] = ck ejk0 n (3.16)
k=
con coeficientes que estan determinados por
1 X
ck = x[n]ejk0 n ,
N0 n=<N0 >
en donde la frecuencia en este caso esta dado por
2
0 = .
N0
Calculamos entonces estos coeficientes
1 X
ck = x[n]ejk0 n
N0 n=<N0 >
N0
2
1 X
= x[n]ejk0 n
N0 N0
n= 2
N0
2
1 X
= x[n]ejk0 n , pues x[n] = x[n] para este rango de n,
N0 N0
n= 2

1 X
= x[n]ejk0 n , pues x[n] = 0, fuera del rango de n,
N0 n=
Si definimos la funcion

X
j
x[n]ejn ,

X e , (3.17)
n=
entonces los coeficientes de la serie puede calcularse mediante

X (ej ) X ejk0

1 X jk0 n
ck = x[n]e = = .
N0 n= N0 =k0 N0
Apuntes 549104 143

Fig. 3.22: A medida que N0 , 0 0. Entonces, el area se convierte en un area infinitesi-

malmente peque
na, y, as, la sumatoria se convierte en integral.
Reemplazando esto en (3.16) tenemos que la serie de Fourier para x[n] es

" #
X X ejk0 jk0 n 1 X
0 X ejk0 ejk0 n ,

x[n] = e =
k=
N0 2 k=
2
en donde hemos usado que 0 = N0
.
Paso 3: Generalizamos la serie de Fourier
Similarmente a lo anterior, a medida que N0 , 0 0 y x[n] x[n]. As, en el lmite

las sumas en la u
ltima ecuacion se convierte en integrales. Entonces,
Z
1
X ej ejn d,

x[n] = (3.18)
2 2
As, similarmente a lo anterior (3.17) es la transformada de Fourier en tiempo discreto

(DTFT) y esta ecuacion se llama ecuacion de analisis. Por su parte (3.18) es la transformada
inversa de Fourier para se
nales en tiempo discreto y recibe el nombre de ecuacion de sntesis
pues permite sintetizar la se
nal en el tiempo a partir de sus componentes en frecuencia.
3.5.2. Periodicidad de la DTFT
Este resultado es consistente con lo encontrado anteriormente para el caso de una se

nal
muestreada. Por lo mismo, X (ej ) es una se
nal en frecuencia continua y periodica. Dicha pe-

riodicidad se puede comprobar calculando X ej(+2) .
Apuntes 549104 144


X
j(+2)
x[n]ej(+2)n

X e =
n=
X
= x[n]ejn ej2n
n=
X
= x[n]ejn
n=
j

= X e ,
n
en donde usamos que ej2n = (ej2 ) = 1n = 1 para todo n entero. Dado que demostramos

que X ej(+2) = X (ej ), entonces demostramos que X (ej ) es periodica con periodo 2. Se
puede demostrar que la TdeF para se
nales en tiempo continuo no satisface esta propiedad.
3.5.3. Propiedades de la DTFT
A continuacion nombramos las propiedades mas importantes de la transformada de Fourier

en tiempo discreto. En todos los casos, asumimos que
F [x[n]] = X ej

.
Periodicidad
X ej(+2) = X ej

Linealidad
F [ax1 [n] + bx2 [n]] = aX1 ej + bX2 ej

Desplazamiento en el tiempo
F [x[n n0 ]] = ejn0 X ej

Apuntes 549104 145

Desplazamiento en frecuencia (fase)
F ej0 n x[n] = X ej(0 )

Conjugaci
on
F [x [n]] = X ej

Inversi
on en el tiempo
F [x[n]] = X ej

Derivaci
on
d
X ej

F [nx[n]] = j
d
Igualdad de Parseval
Z
X 2 1 X ej 2 d

E= x[n] =

n=
2 2
Convoluci
on
Si
y[n] = x[n] h[n] ,
entonces
Y ej = F [y[n]] = F [x[n] h[n]] = X ej H ej

Apuntes 549104 146


Fig. 3.23: Grafico de magnitud X (ej ) |big| para la se
nal x[n] = [n] + [n 1] + [n + 1].
Multiplicaci
on
Si
y[n] = x1 [n]x2 [n] ,
entonces
Z
j 1
X1 ej X2 ej() d

Y e = F [x1 [n]x2 [n]] =
2 2
3.5.4. Ejemplos de c
alculo de la DTFT
Ejemplo 3.17 - DTFT impulsos discretos.

nal x[n] = [n] + [n 1] + [n + 1]. Entonces su DTFT es
Consideremos la se

X
j
x[n]ejn

X e = F [x[n]] =
n=

X
= [[n] + [n 1] + [n + 1]] ejn
n=
X
X
X
= [n]ejn + [n 1]ejn + [n + 1]ejn
n= n= n=
j j
= 1+e +e = 1 + 2 cos .
El modulo de esta DTFT se muestra en la Fig. 3.23
Apuntes 549104 147

Ejemplo 3.18 - Otro con deltas....

nal x[n] = [n] + 2[n 1] + 4[n 2]. Entonces su DTFT es (por inspeccion)
Consideremos la se
X ej = 1 + 2ej + 4ej2 .

nal se aplica a un sistema con respuesta a entrada impulso h[n] = [n] + [n 1],
Si esta se
entonces
H ej = 1 + ej .

Por lo tanto, la salida de dicho sistema sera
Y ej = H ej X ej

= 1 + ej 1 + 2ej + 4ej2

= 1 + 3ej + 6ej2 + 4ej3 .
Tomando la transformada inversa de Fourier (en tiempo discreto) obtenemos que
y[n] = [n] + 3[n 1] + 6[n 2] + 4[n 3] .
Ejemplo 3.19 - DTFT se

nal causal.
nal x[n] = an u[n] con |a| < 1 (esto para hacer que la se
Consideremos la se nal converga para
alg
un valor de n grande). Su transformada de Fourier en tiempo discreto es

X
jn
X
n jn
X n 1
j
aej

X e = x[n]e = a e = = .
n= n=0 n=0
1 aej

Ahora, queremos graficar la magnitud X (ej ) . Para hacer ello, hacemos el analisis sobre
Apuntes 549104 148

el cuadrado de dicha cantidad siguiendo la siguiente secuencia de razonamiento:
X ej 2 = X ej X ej

1 1
=
1 aej 1 aej

1 1
=
1 aej 1 aej
1
= j
1 a [e + e ] + a2 [ej ej ]
j
1
=
1 2a cos + a2
Analizamos los maximos y mnimos para determinar la forma del espectro en funcion del valor
2
de a. Para ello, observamos que los maximos (o mnimos) de X (ej ) ocurren para los mnimos
(o maximos, respectivamente) de la funcion f (, a) = 12a cos +a2 . Para encontrar los puntos
crticos de esta funcion, derivamos con respecto a e igualamos a cero.

f (, a) = 2a sin = 0 ,

lo que se cumple para = 0, , 2, . . . , pero nos quedamos solamente con los casos de
= 0, pues se encuentran dentro del perodo de X (ej ). Entonces, tenemos los casos
2
Caso 1: Si 0 < a < 1, entonces X (ej ) tiene sus maximos en = 0 y los mnimos en =
(puesto que f (, a) alcanza los extremos opuestos en dichos valores). Especficamente,
dichos maximos y mnimos son
X ej 2 =
1 1
m
ax 2
=
1 2a + a (1 a)2
y
X ej 2 =
1 1
mn 2
=
1 + 2a + a (1 + a)2
2
Caso 2: Por otra parte, si 1 < a < 0, entonces X (ej ) tiene sus maximos en = y
los mnimos en = 0. Para este caso
X ej 2 =
1
m
ax (1 + a)2
y
X ej 2 =
1
mn (1 a)2
.
Apuntes 549104 149

3.6. ANALISIS DE SISTEMAS EN TIEMPO DISCRETO USANDO LA DTFT
nal an u[n] para el caso de 0 < a < 1 a la

Fig. 3.24: Grafico de la magnitud de la DTFT de la se
izquierda y 1 < a < 0 a la derecha.
As, si un sistema tiene su respuesta a entrada impulso igual a x, entonces podriamos decir
que dicho sistema es un filtro pasabajos si 0 < a < 1 y un filtro pasaaltos si 1 < a < 0. Los
resultados se muestra en la Fig. 3.24
3.6. Analisis de sistemas en tiempo discreto usando la

DTFT
Al igual que para los sistemas en tiempo continuo la DTFT nos entrega informacion respecto
a la respuesta en frecuencia de un sistema discreto, lo que se infiere directamente de la propiedad
de la convolucion vista en la seccion anterior, Recordemos que un S.L.I.T. en tiempo discreto
con entrada x[n] y salida y[n] puede ser descrito por ecuaciones de diferencias lineales
N
X M
X
ak y[n k] = bk x[n k]
k=0 k=0
Tomando la DTFT en ambos lados de la ecuacion y utilizando las propiedades de linealidad,

invariabilidad en el tiempo y desplazamiento en el tiempo, se obtiene
N
X M
X
ak ejk Y ej = bk ejk X ej

k=0 k=0
Apuntes 549104 150

O, equivalentemente,
M
X
bk ejk
j
Y (e )
H(ej ) = = k=0 . (3.19)
X (ej ) XN
ak ejk
k=0
Esta ecuacion es importantsima, pues nos dice que al igual que para los sistemas continuos,
los sistemas discretos pueden ser analizados en frecuencia de forma directa de sus ecuaciones de
diferencias que los definen. Los siguientes ejemplos muestran resultados al respecto.
Ejemplo 3.20 - Sistema de primer orden.

Consideremos el sistema caracterizado por la ecuacion de diferencias
y[n] ay[n 1] = x[n]
Podemos encontrar la funcion de transferencia del sistema de forma directa:
1
H(ej ) =
1 aej
De los ejemplos anteriores sabemos que esta es la DTFT de una se

nal causal, por lo que su
respuesta a entrada impulso es
h[n] = an u[n] .
La respuesta en frecuencia fue explicada y analizada en el Ejemplo anterior.
Ejemplo 3.21 - Sistema de segundo orden.

Ahora consideremos el sistema descrito por
3 1
y[n] y[n 1] + y[n 2] = 2x[n]
4 8
Por inspeccion, entontramos que
2 2
H(ej ) = 3 j 1 j2 = 1 j
1 41 ej

1 4
e + 8
e 1 2
e
Apuntes 549104 151

1 n

Y si al sistema se le aplica una entrada x[n] = 4
u[n]?
La salida (en Fourier) sera
Y (ej ) = H(ej )X(ej )

" #
2 1
=
1 21 ej 1 14 ej 1 14 ej

2
= 2
1 21 ej 1 14 ej

2
= 2 ,
1 j
1 14 ej

1 2e
al que podemos aplicar fracciones parciales para encontrar A, B y C tal que
2 A B C
Y (ej ) = = + +
1 j 2 1 j 1 j 2
1 j 1 2e 1 4e 1

1 2
e 1 4
e 1 4 ej
Notamos que esto es equivalente a resolver el sistema (reemplazamos z = ej por simplicidad)
2
1 1 1 1
2=A 1 z +B 1 z 1 z +C 1 z
4 4 2 2
entonces primero fijamos z = 4 para encontrar C = 2, luego fijamos z = 2 para encontrar
A = 8. Ahora usamos z = 1, entonces
2
3 3 1 1
2=8 +B 2 ,
4 4 2 2
por lo que B = 4. As,
8 4 2
Y (ej ) = 1 j
+ 1 j
+ 2
1 2e 1 4e 1 41 ej
Usando ahora los resultados de la transformada de Fourier en tiempo discreto que dicen que
1 1
F [an u[n]] = , y que F [(n + 1)an u[n]] = ,
1 aej (1 aej )2
obtenemos que la salida sera
n n n
1 1 1
y[n] = 8 u[n] 4 u[n] 2(n + 1) u[n]
2 4 4
n n
1 1
= 8 (2n + 6) u[n]
2 4
Del ejemplo anterior, notamos que debe realizarse exactamente el mismo procedimiento para
el analisis de sistemas en tiempo discreto del procedimiento que se segua en sistemas en tiempo
continuo.
Apuntes 549104 152

Fig. 3.25: Ejemplos de filtros ideales en tiempo discreto
3.6.1. Filtros en tiempo discreto
Dado que la DTFT es una funcion continua (en frecuencia), podemos definir filtros similares
a los estudiados en el caso de sistemas continuous, pero debemos tener en cuenta la periodicidad.
As, un filtro pasabajo ideal que anteriormente se defina para todo el rango de frecuencias, aca
se hace para el rango [, ], dada la periodicidad de 2 de la DTFT. La Fig. 3.25 muestra
los ejemplos de dichos filtros para el mencionado rango de frecuencia.
Apuntes 549104 153

Apuntes SYS

Încărcat de

Informații document

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

Apuntes SYS

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD DE CONCEPCION

Dicha luz reflejada es capturada por los sensores de su telefono

Los sensores capturan la se

Fig. 1.1: Ejemplos de se

1.2.2. Procesos y sistemas

lo que dice que la se

En el presenta captulo daremos descripciones generales de las se

f puede ser la fuerza aplicada sobre cierto objeto

vout puede ser la salida en voltaje de cierto circuito

p puede ser la presion ac

en donde y realizan operaciones sobre la variable dependiente y a y b sobre la variable

Operaciones sobre la variable dependiente

Cuando a = 1 y b = 0 entonces solamente estamos realizando operaciones sobre la variable

Se observan los siguientes casos de interes:

Si || > 1 entonces se hace una amplificaci

(a) x(t) (b) 2x(t) (c) 0,5x(t)

(d) x(t) + 1 (e) x(t) + 1 (f) 0,5x(t) 1

Fig. 1.2: Ejemplos de operaciones sobre la variable dependiente (a = 1 y b = 0) de una se

Si || < 1 entonces se hace una atenuaci

Si = 0 entonces se hace una anulaci

Si < 0 entonces se hace una inversi

Si > 0 entonces se hace un corrimiento de la se

Si < 0 entonces se hace un corrimiento de la se

La Fig. 1.2 muestra diferentes ejemplos de estos casos.

Ejemplo 1.1 - Normalizaci

Solucion: Para esto seguimos el siguiente razonamiento

x(t) [xmn , xmax ]

x(t) xmn [0, xmax xmn ]

x(t) xmn 1 xmn

Por lo tanto = 1/(xmax xmn ) y = xmn /(xmax xmn ) normalizan x.

Operaciones sobre la variable independiente

Ahora bien, cuando = 1 y = 0 se habla de transformaciones en la variable independiente

Se observan los siguientes casos de interes:

Si a > 0: desplazamiento a la izquierda

Si a < 0: desplazamiento a la derecha

Si a > 0: desplazamiento a la derecha

Si a < 0: desplazamiento a la izquierda

Ejemplos se muestran en la Fig. 1.3.

(a) x(t) (b) x(t/3) (c) x(2t)

(d) x(t) (e) x(t/3) (f) x(2t)

(g) x(t + 5) (h) x(t 2) (i) x(t + 5)

Fig. 1.3: Ejemplos de operaciones sobre la variable independiente ( = 1 y = 0) de una se

Fig. 1.4: Ejemplo de una se

Por un lado, una se

As como el soporte puede ser entero o real, el rango de las se

Fig. 1.5: Ejemplo de una se

Se dice que una se

Tabla 1.1: Clasificacion de se

Fig. 1.6: Ejemplo de una se

Se dice que una se

x(t) = x(t + T ) . (1.2)

El mnimo valor posible de T es llamado el periodo de la se

x[t] = x[n + N ] . (1.3)

El mnimo valor posible de N Z es llamado el periodo de la se

Ejemplo 1.2 - Periodicidad de una sinusoidal.

Fig. 1.7: Ejemplo de dos se

por lo tanto, x es una se

La variable T0 es llamado el periodo fundamental de x() si es el valor mas peque

Ejemplo 1.3 - Periodo fundamental se

nales x(t) = ej3t/5

x(t) = x(t + T ) ej3t/5 = ej3(t+T )/5 = ej3t/5 ej3T /5 ,

Ejemplo 1.4 - Periodo fundamental se

x[n] = x[n + N ] ej3n/5 = ej3n/5 ej3N/5 ,

Periodicidad y escalamiento: Que sucede cuando una se