Documente Academic
Documente Profesional
Documente Cultură
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
2.5.4. Coeficientes de las series de Fourier para se
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
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
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.
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)
u(t) T y(t)
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:
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
1.3. FUNDAMENTOS DE SENALES
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) + ,
Apuntes 549104 4
1.3. FUNDAMENTOS DE SENALES
Apuntes 549104 5
1.3. FUNDAMENTOS DE SENALES
Desarrollando la u
ltima expresion
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 b < 0:
Apuntes 549104 6
1.3. FUNDAMENTOS DE SENALES
Apuntes 549104 7
1.3. FUNDAMENTOS DE SENALES
(a) (b)
1.3.3. Clasificaci
on de Se
nales
Se
nales de soporte continuas y discretas
Se
nales de rango continuo y discreto
Apuntes 549104 8
1.3. FUNDAMENTOS DE SENALES
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
x(t) , t IR x[n] , n Z
Cuantizadas Digitales
Entero
xq (t) , t IR xq [n] , n Z
Apuntes 549104 9
1.3. FUNDAMENTOS DE SENALES
(a) (b)
Se
nales de peri
odicas y no-peri
odicas
Apuntes 549104 10
1.3. FUNDAMENTOS DE SENALES
(a) (b)
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) ,
Apuntes 549104 11
1.3. FUNDAMENTOS DE SENALES
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).
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.
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
1.3. FUNDAMENTOS DE SENALES
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
0<P <.
Las se
nales periodicas y las se
nales aleatorias son clasificadas como se
nales de potencia.
Se
nales de pares e impares
Apuntes 549104 13
1.3. FUNDAMENTOS DE SENALES
(a)
(b)
Una se
nal es impar si
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)
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
1.3. FUNDAMENTOS DE SENALES
(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
Apuntes 549104 15
1.3. FUNDAMENTOS DE SENALES
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
1.3.4. Se
nales comunes
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
1.3. FUNDAMENTOS DE SENALES
(a) (b)
Fig. 1.9: Se
nal constante en (a) tiempo continuo y (b) tiempo discreto
>> t = linspace(-10,10,1e3);
>> c = @(t) ones(length(t));
>> figure(1); plot(t,c(t),k,LineWidth,2)
>> n = -10:10;
>> cd = @(n) ones(length(n));
>> figure(2); stem(n,c(n),k--,fill)
Apuntes 549104 17
1.3. FUNDAMENTOS DE SENALES
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
>> 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
1.3. FUNDAMENTOS DE SENALES
(a) (b)
Fig. 1.10: Se
nal escalon unitario en (a) tiempo continuo y (b) tiempo discreto
Facilmente se puede demostrar que para las versiones discretas existen las siguientes relaciones
>> t = linspace(-10,10,1e3);
>> r = @(t) t.*(t>=0);
>> figure(1); plot(t,r(t),k,LineWidth,2)
Apuntes 549104 19
1.3. FUNDAMENTOS DE SENALES
(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
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
1.3. FUNDAMENTOS DE SENALES
(a) (b)
Fig. 1.12: Se
nal sinusoidal en (a) tiempo continuo y (b) tiempo discreto
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
1.3. FUNDAMENTOS DE SENALES
(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.
Apuntes 549104 22
1.3. FUNDAMENTOS DE SENALES
x[n] = x[n + N ]
sin n = sin (n + N )
8 8
= sin n+ N .
8 8
N = 2k
8
Se
nales exponenciales
Apuntes 549104 23
1.3. FUNDAMENTOS DE SENALES
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.
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
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
1.3. FUNDAMENTOS DE SENALES
(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
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
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, . . .
nos cuando t 6= 0
Tiene valores muy peque
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
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)
Apuntes 549104 29
1.4. DELTA DE DIRAC
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
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
>> 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 .
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
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
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=
Apuntes 549104 31
1.5. FUNDAMENTOS DE SISTEMAS
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.
u(t) y(t)
Sistema
u[n] y[n]
Sistema
u y = T {u}
T
Apuntes 549104 32
1.5. FUNDAMENTOS DE SISTEMAS
Sistema retardo
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
y(t) = au(t)
Apuntes 549104 33
1.5. FUNDAMENTOS DE SISTEMAS
Sistema integrador
Sistema derivador
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
1.5. FUNDAMENTOS DE SISTEMAS
1. Cascada (Series):
u y
T1 T2
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
1.5.3. Modelaci
on de sistemas
Apuntes 549104 35
1.5. FUNDAMENTOS DE SISTEMAS
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
Apuntes 549104 36
1.5. FUNDAMENTOS DE SISTEMAS
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).
d
m(t) = e fe s fs ,
dt
Apuntes 549104 37
1.5. FUNDAMENTOS DE SISTEMAS
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.
Apuntes 549104 38
1.5. FUNDAMENTOS DE SISTEMAS
y=H
h(t)
y=0
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
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
1.5. FUNDAMENTOS DE SISTEMAS
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
1.5. FUNDAMENTOS DE SISTEMAS
entrada: e(t)
salida: vC (t)
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
Apuntes 549104 41
1.5. FUNDAMENTOS DE SISTEMAS
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)
Apuntes 549104 42
1.6. ALCANCES DEL CURSO
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.
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
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
de donde se observa que claramente y[n] depende de mas valores que solamente de x[n].
Apuntes 549104 46
2.2. PROPIEDADES DE LOS SISTEMAS
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.
Apuntes 549104 47
2.2. PROPIEDADES DE LOS SISTEMAS
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.
y(t) = x(t) + 3x(t 3) es un sistema causal pues solo depende entradas pasadas y actuales
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.
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
2.2. PROPIEDADES DE LOS SISTEMAS
2B 2 + B <
Por lo tanto, para una entrada acotada, la salida tambien es acotada. Es decir, el sistema es
estable.
Apuntes 549104 49
2.2. PROPIEDADES DE LOS SISTEMAS
x(t t0 ) y(t t0 )
y(t t0 ) = sin[x(t t0 )] .
Apuntes 549104 50
2.2. PROPIEDADES DE LOS SISTEMAS
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)
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
2.2. PROPIEDADES DE LOS SISTEMAS
x1
y
+ T
x2
(a)
x1 y1
T
y
+
x2 y2
T
(b)
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
2.2. PROPIEDADES DE LOS SISTEMAS
x y
T
(a)
x y
T
(b)
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.
y[n] = T {x[n]} = (x[2n])2 = (x1 [2n] + x2 [2n])2 = 2 x21 [2n] + 2x1 [2n]x2 [2n] + 2 x22 [2n]) ,
Apuntes 549104 53
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
Adici
on: Para cualquier par de se
nales x1 y x2
T {x} = T {x}
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).
Para comenzar, consideraremos los sistemas en tiempo discreto. Denotemos por h[] la res-
puesta a impulso discreto, de un sistema T {}, es decir
Apuntes 549104 54
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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=
Apuntes 549104 55
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
2.3.2. C
omo calcular sumatoria de convoluci
on
1. Reflejar
2. Desplazar
3. Multiplicar y sumar
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 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
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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.
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
Apuntes 549104 57
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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
un a C.
para alg
Apuntes 549104 58
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
Sistemas invertibles
Teorema 2.2. Un sistema LTI es invertible si y solo si existe una funcion g tal que
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]
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
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
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
Sistemas causales
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 .
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
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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=
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=
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
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
discreto, entonces, para una entrada cualquiera x, la salida asociada, y esta determinada por
y =xh
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)
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. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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 )
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
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
Asociatividad
La convolucion es asociativa:
f (g h) = (f g) h
La suma de se
nales es igual a la suma aritmetica o en algebra elemental, y
Convoluci
on con un impulso
Permtame la notacion
f (t) (t t0 ) = f (t t0 )
Apuntes 549104 65
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
Demostracion.
Z
f (t) (t t0 ) , f ( )(t t0 ) d
Z
= f (t )( t0 ) d
= f (t t0 )
Convoluci
on con un escal
on
2.3.6. C
alculo de la integral de convoluci
on
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:
Apuntes 549104 66
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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
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).
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
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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)} .
un a C.
para alg
Sistemas invertibles
Un SLIT en tiempo continuo es invertible si y solo si existe una funcion g tal que
Sistemas causales
Apuntes 549104 68
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
Sistemas estables
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:
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 )
Apuntes 549104 70
2.3. SISTEMAS LINEALES E INVARIANTES EN EL TIEMPO
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.
(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.
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:
t = 0 : x(0)(t)
t = Ts : x(Ts )(t Ts )
Apuntes 549104 72
2.5. SERIES DE FOURIER
Apuntes 549104 73
2.5. SERIES DE FOURIER
(a) (b)
(c) (d)
Apuntes 549104 74
2.5. SERIES DE FOURIER
(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
2.5. SERIES DE FOURIER
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) ,
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=
Para responder la primera pregunta, necesitamos retomar la definicion de las funciones pro-
pias de un sistema LTI.
x(t) y(t)
h(t)
Apuntes 549104 76
2.5. SERIES DE FOURIER
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(j) recibe el nombre de respuesta en frecuencia del sistema LIT descrito por
h(t).
Apuntes 549104 77
2.5. SERIES DE FOURIER
x[n] y[n]
h[n]
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?
Apuntes 549104 78
2.5. SERIES DE FOURIER
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
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=
Apuntes 549104 79
2.5. SERIES DE FOURIER
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
x(t) = x(t + 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
2.5. SERIES DE FOURIER
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
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
Apuntes 549104 81
2.5. SERIES DE FOURIER
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
Apuntes 549104 82
2.5. SERIES DE FOURIER
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
2.5. SERIES DE FOURIER
conjugado de la se
nal. Si esto se cumple, entonces
" #
X X
x(t) = x (t) = ck ejk0 t
= ck ejk0 t .
k= k=
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
Apuntes 549104 84
2.5. SERIES DE FOURIER
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
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
2.5. SERIES DE FOURIER
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
Apuntes 549104 86
2.5. SERIES DE FOURIER
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
2.5. SERIES DE FOURIER
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
Apuntes 549104 88
2.5. SERIES DE FOURIER
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
Apuntes 549104 89
2.5. SERIES DE FOURIER
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.
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
Apuntes 549104 90
2.5. SERIES DE FOURIER
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.
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
2.5. SERIES DE FOURIER
Apuntes 549104 92
2.5. SERIES DE FOURIER
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
2.5. SERIES DE FOURIER
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
x[n] = x[n + N ] ,
o que satisface las condicionesde Dirichlet. Bajo estas condiciones, tenemos el siguiente teorema.
Apuntes 549104 94
2.5. SERIES DE FOURIER
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.
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
2.5. SERIES DE FOURIER
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 ,
Apuntes 549104 96
2.5. SERIES DE FOURIER
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).
entonces su salida es
X
X
jk0 t
y(t) = ck H(jk0 )e = dk ejk0 t ,
k= k=
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
2.5. SERIES DE FOURIER
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
Un buen ejercicio para el alumno sera demostrar estas propiedades para tiempo discreto y
continuo.
Apuntes 549104 98
Captulo 3
3.1.1. Introducci
on
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.
99
3.1. TRANSFORMADA DE FOURIER EN TIEMPO CONTINUO
3.1.2. An
alisis desde las series de Fourier
Del mismo ejemplo podemos reconocer que los coeficientes de Fourier son
Si cambiamos = k0 , entonces
2 sin T21
ck = .
T0
=k0
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
(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.
Paso 1: Aproximamos se
nal no-peri
odica como peri
odica
Dado que x(t) es periodica entonces acepta representacion por sus series de Fourier
X
x(t) = ck ejk0 t (3.2)
k=
Si definimos la funcion Z
X() , x(t)ejt dt , (3.3)
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=
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).
y su transformacion inversa
Z
1 1
x(t) = F [X()] , X()ejt dt
2
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.
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
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 .
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 ) .
(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).
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
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
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=
Los siguientes ejemplos utilizan esta propiedad para calcular la transformada de Fourier de
algunas se
nales periodicas comunes.
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
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!
Linealidad
Desplazamiento en el tiempo
F [x(t t0 )] = X()ejt0 .
= |X()|ej(X()t0 ) ,
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.
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
Dualidad
F [X(t)] = 2x() .
y su inversa es
Z
1 1
x(t) = F [X()] = X()ejt dt
2
F [X(t)] = 2x() .
Igualdad de Parseval
Modulaci
on
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!
x( ) H()ej d
=
Z
= H() x( )ej d
= H()X() .
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).
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
(a) (b)
Usamos este resultado en el siguiente ejemplo. (Esta propiedad la explotaremos con mayor
detalle en la Seccion 3.2 en donde analizaremos sistemas continuos).
El modulo y la fase de esta funcion son |H()| = ||, H() = 2 sgn(), cuyos graficos se
muestran en la Fig. 3.8.
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.
Integraci
on
Multiplicaci
on
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
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.
para alg
un a > 0. Tomamos la tranformada de Fourier en ambos lados para obtener
jY () + aY () = X() .
Notese que esto es valido para cualquier sistema de primer orden descrito por una ecuacion
diferencial como en (3.6).
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
Y () = X()H() .
H() = |H()|ejH()
X() = |X()|ejX() ,
= |H()||X()|ej[H()+X()] .
Entonces, la magnitud de la se
nal de salida es
|Y ()| = |X()||H()| ,
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
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
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
(j + 2)
H() = ,
(j + 1)(j + 3)
2
32
|H(0 )| = = .
2 3
(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).
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
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
1
y20 (t) + y2 (t) = x0 (t)
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.
(a) (b)
Fig. 3.14: Diagrama de Bode para el circuito (filtro) RC en configuracion (a) pasabajo y (b)
pasaalto
1 0 1 1
y 00 + y + y= x.
RC LC LC
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.
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.
3.3. Modulaci
on en amplitud (AM)
3.3.1. Introducci
on
2. Simplificar la estructura del transmisor utilizando altas frecuencias; por ejemplo en bajas
frecuencias se requieren grandes antenas.
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).
Modulaci
on
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.
Ac Ac
F [x(t)] = F [Ac m(t) cos(c t)] = M ( + c ) + M ( c ) ,
2 2
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:
Ac cos(c t)
Demodulaci
on
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)
3.4.1. Introducci
on
Fig. 3.19: Se
nal en el tiempo y su respectivo espectro al utiliziar un filtro pasabajo ideal para
obtener la se
nal estimada.
Para poder analizar esto en frecuencia, primero necesiamos saber la transformada de Fourier
un tren de impulsos p(t), lo que revisaremos a continuacion.
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=
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
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=
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.
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 ).
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.
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=
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
Paso 1: Aproximamos se
nal no-peri
odica como peri
odica
Dado que x[n] es periodica entonces acepta representacion por sus series de Fourier
X
x[n] = ck ejk0 n (3.16)
k=
1 X
ck = x[n]ejk0 n ,
N0 n=<N0 >
2
0 = .
N0
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=
Z
1
X ej ejn d,
x[n] = (3.18)
2 2
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.
F [x[n]] = X ej
.
Periodicidad
X ej(+2) = X ej
Linealidad
Desplazamiento en el tiempo
F [x[n n0 ]] = ejn0 X ej
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
entonces
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
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 .
Y ej = H ej X ej
= 1 + ej 1 + 2ej + 4ej2
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
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
.
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
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
N
X M
X
ak ejk Y ej = bk ejk X ej
k=0 k=0
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.
1
H(ej ) =
1 aej
3 1
y[n] y[n 1] + y[n 2] = 2x[n]
4 8
2 2
H(ej ) = 3 j 1 j2 = 1 j
1 41 ej
1 4
e + 8
e 1 2
e
1 n
Y si al sistema se le aplica una entrada x[n] = 4
u[n]?
La salida (en Fourier) sera
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.
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.