Pds

Instituto Tecnologico de Costa Rica
Escuela de Ingeniera Electronica

Notas de clase
Procesamiento Digital de Se nales
Dr. Jose Pablo Alvarado Moya
Borrador de 20 de abril de 2006
Prefacio
Estas notas de clase pretenden ofrecer al estudiante una gua para el curso Procesamiento
Digital de Se nales. No deben considerarse bajo ninguna circunstancia como fuente de
informacion unica. En cada captulo se hace referencia a fuentes bibliogracas adicionales
que el estudiante debera revisar por su cuenta, con ejercicios adicionales y mayor detalle
en su presentacion.
El concepto del curso se ha orientado en las sugerencias de los autores John G. Proakis y
Dimitris G. Manolakis [13] para un programa semestral de curso de pregrado, con algunas
adiciones y principalmente res umenes de la materia considerados necesarios. Mas detalles
de los temas tratados aqu se podran entonces encontrar del captulo 1 al captulo 8 del
mencionado libro de texto.
Las presentes notas de clase son para uso exclusivo del curso Procesamiento Digital de
Se nales de la Escuela de Ingeniera Electronica del Instituto Tecnologico de Costa Rica.
Dr. Jose Pablo Alvarado Moya
Cartago, 20 de abril de 2006
Reservados todos los derechos. Ni la totalidad ni parte de este documento pueden re-
producirse, registrarse o transmitirse en ninguna forma ni por ning un medio sin permiso
previo del autor.
c _ 2005-2006 P. Alvarado Escuela de Electronica Instituto Tecnologico de Costa Rica
Indice general
Indice de tablas vii
Indice de ejemplos ix
Revisar xi
Lista de smbolos y abreviaciones xiii
1 Introduccion 1
1.1 Se nales y sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Se nales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Elementos de un sistema de procesamiento de se nales . . . . . . . . 4
1.1.4 Ventajas del procesamiento digital sobre el analogico . . . . . . . . 5
1.1.5 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Frecuencia en se nales continuas y discretas . . . . . . . . . . . . . . . . . . 10
1.2.1 Se nal sinusoidal continua . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.2 Se nal sinusoidal discreta . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.3 Exponenciales complejos relacionados armonicamente . . . . . . . . 16
1.3 Conversiones analogica/digital y digital/analogica . . . . . . . . . . . . . . 17
1.3.1 Muestreo de se nales analogicas . . . . . . . . . . . . . . . . . . . . . 18
1.3.2 Cuanticacion de se nales de amplitud continua . . . . . . . . . . . . 20
1.3.3 Codicacion de los valores cuanticados . . . . . . . . . . . . . . . 22
1.3.4 Conversion Digital/Analogica . . . . . . . . . . . . . . . . . . . . . 23
1.4 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 Se nales y Sistemas de Variable Discreta 27
2.1 Se nales de variable discreta . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.1 Se nales elementales de variable discreta . . . . . . . . . . . . . . . . 29
2.1.2 Manipulaciones elementales de se nales de variable discreta . . . . . 32
2.1.3 Clasicacion de se nales de variable discreta . . . . . . . . . . . . . . 34
i
Indice general
2.2 Sistemas en tiempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.1 Descripcion entrada-salida de sistemas . . . . . . . . . . . . . . . . 38
2.2.2 Diagramas de bloques . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2.3 Clasicacion de los sistemas discretos . . . . . . . . . . . . . . . . . 43
2.2.4 Interconexion de sistemas discretos . . . . . . . . . . . . . . . . . . 46
2.3 Analisis de sistemas discretos lineales e invariantes en el tiempo . . . . . . 47
2.3.1 Tecnicas de analisis . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.3.2 Descomposicion de una se nal en impulsos . . . . . . . . . . . . . . . 48
2.3.3 Convolucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.3.4 Propiedades de la convolucion . . . . . . . . . . . . . . . . . . . . . 54
2.3.5 Sistemas LTI causales . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.3.6 Estabilidad de sistemas lineales e invariantes en el tiempo . . . . . . 55
2.3.7 Sistemas de respuesta nita e innita . . . . . . . . . . . . . . . . . 58
2.4 Sistemas discretos descritos mediante ecuaciones de diferencias . . . . . . . 58
2.4.1 Sistemas discretos recursivos y no recursivos . . . . . . . . . . . . . 59
2.4.2 Sistemas LTI caracterizados por ecuaciones de diferencias con coe-
cientes constantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.4.3 Solucion de ecuaciones de diferencias con coecientes constantes . . 63
2.4.4 Respuesta impulsional de un sistema recursivo LTI . . . . . . . . . 68
2.5 Implementacion de sistemas discretos . . . . . . . . . . . . . . . . . . . . . 71
2.5.1 Estructuras para la realizacion de sistemas LTI . . . . . . . . . . . 71
2.6 Correlacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.6.1 Autocorrelacion y correlacion cruzada . . . . . . . . . . . . . . . . . 75
2.6.2 Propiedades de la correlacion . . . . . . . . . . . . . . . . . . . . . 75
2.6.3 Correlacion de secuencias periodicas . . . . . . . . . . . . . . . . . . 77
2.6.4 Secuencias de correlacion de entrada-salida . . . . . . . . . . . . . . 80
2.7 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3 Analisis de sistemas LTI discretos con la transformada z 83
3.1 La transformada z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.1.1 La transformada z directa . . . . . . . . . . . . . . . . . . . . . . . 83
3.1.2 La transformada z inversa . . . . . . . . . . . . . . . . . . . . . . . 89
3.2 Propiedades de la transformada z . . . . . . . . . . . . . . . . . . . . . . . 92
3.3 Transformadas z racionales . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.3.1 Polos y ceros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
3.3.2 Localizacion de los polos y el comportamiento en el dominio de n
para se nales causales . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.3.3 La funcion de transferencia de un sistema LTI . . . . . . . . . . . . 102
3.4 Inversion de la transformada z . . . . . . . . . . . . . . . . . . . . . . . . . 105
ii c 2005-2006 P. Alvarado Uso exclusivo ITCR Borrador: April 20, 2006
Indice general
3.4.1 La transformada z inversa por integracion de contorno . . . . . . . 106
3.4.2 La transformada z inversa mediante expansion en serie de potencias 108
3.4.3 La transformada z inversa mediante expansion en fracciones parciales110
3.5 La transformada z unilateral . . . . . . . . . . . . . . . . . . . . . . . . . . 114
3.5.1 Denicion y propiedades . . . . . . . . . . . . . . . . . . . . . . . . 114
3.5.2 Solucion de ecuaciones de diferencias . . . . . . . . . . . . . . . . . 118
3.6 Analisis de sistemas LTI en el dominio z . . . . . . . . . . . . . . . . . . . 119
3.6.1 Respuesta de sistemas con funcion de transferencia racional . . . . . 119
3.6.2 Condiciones iniciales no nulas . . . . . . . . . . . . . . . . . . . . . 120
3.6.3 Respuesta transitoria y en regimen permanente . . . . . . . . . . . 122
3.6.4 Causalidad y Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . 123
3.6.5 Cancelacion polo-cero . . . . . . . . . . . . . . . . . . . . . . . . . . 123
3.6.6 Polos de orden m ultiple y estabilidad . . . . . . . . . . . . . . . . . 123
3.6.7 Estabilidad de sistemas de segundo orden . . . . . . . . . . . . . . . 124
3.7 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4 Ortogonalidad y Series de Fourier 131
4.1 Espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.1.1 Combinaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.1.2 Subespacios y bases . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.2 Espacios de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.3 Ortogonalidad de vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.4 Ortogonalidad de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . 138
4.5 Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
4.5.1 Series generalizadas de Fourier . . . . . . . . . . . . . . . . . . . . . 139
4.5.2 Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.6 Problemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5 Analisis frecuencial 145
5.1 Espectro de se nales continuas . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.1.1 Espectro de se nales continuas periodicas . . . . . . . . . . . . . . . 145
5.1.2 Espectro de se nales continuas aperiodicas . . . . . . . . . . . . . . . 147
5.2 Espectro de se nales en tiempo discreto . . . . . . . . . . . . . . . . . . . . 150
5.2.1 Espectro de se nales discretas periodicas . . . . . . . . . . . . . . . . 150
5.2.2 Espectro de se nales discretas aperiodicas . . . . . . . . . . . . . . . 152
5.2.3 Relacion de la transformada de Fourier con la transformada z . . . 153
5.2.4 El teorema del muestreo . . . . . . . . . . . . . . . . . . . . . . . . 156
5.3 Propiedades de la transformada de Fourier de se nales discretas . . . . . . . 161
5.4 Sistemas LTI en el dominio de la frecuencia . . . . . . . . . . . . . . . . . 163
5.4.1 La funcion de respuesta en frecuencia . . . . . . . . . . . . . . . . . 163
Borrador: April 20, 2006 c 2005-2006 P. Alvarado Uso exclusivo ITCR iii
Indice general
5.4.2 Respuesta transitoria y en regimen permanente a entradas sinusoidales166
5.4.3 Respuesta en regimen permanente a se nales de entrada periodicas . 167
5.4.4 Respuesta a se nales de entrada aperiodicas . . . . . . . . . . . . . . 167
5.4.5 Relaciones entre la funcion de transferencia y la respuesta en fre-
cuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.4.6 Calculo de la respuesta en frecuencia . . . . . . . . . . . . . . . . . 169
5.5 Sistemas LTI como ltros selectivos en frecuencia . . . . . . . . . . . . . . 170
5.5.1 Filtros ideales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
5.5.2 Filtros paso alto, paso bajo y paso banda . . . . . . . . . . . . . . . 172
5.5.3 Resonadores digitales . . . . . . . . . . . . . . . . . . . . . . . . . . 175
5.5.4 Filtros ranura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.5.5 Filtros peine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.5.6 Filtros paso todo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
5.5.7 Osciladores digitales . . . . . . . . . . . . . . . . . . . . . . . . . . 183
5.6 Sistemas inversos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
5.6.1 Invertibilidad de sistemas LTI . . . . . . . . . . . . . . . . . . . . . 184
5.6.2 Sistemas de fase mnima, fase maxima y fase mixta . . . . . . . . . 186
5.6.3 Identicacion de sistemas . . . . . . . . . . . . . . . . . . . . . . . . 189
5.7 Transformada Discreta de Fourier . . . . . . . . . . . . . . . . . . . . . . . 190
5.7.1 Muestreo en el dominio de la frecuencia . . . . . . . . . . . . . . . . 190
5.7.2 La transformada discreta de Fourier . . . . . . . . . . . . . . . . . . 194
5.7.3 Relacion de la DFT con otras transformadas . . . . . . . . . . . . . 196
5.7.4 Propiedades de la DFT . . . . . . . . . . . . . . . . . . . . . . . . . 197
5.7.5 Filtrado lineal basado en la DFT . . . . . . . . . . . . . . . . . . . 202
5.7.6 Filtrado de secuencias de larga duracion . . . . . . . . . . . . . . . 204
5.7.7 Analisis frecuencial de se nales usando la DFT . . . . . . . . . . . . 206
6 Introduccion al dise no de ltros digitales 209
6.1 Causalidad y sus implicaciones . . . . . . . . . . . . . . . . . . . . . . . . . 209
6.2 Filtros de respuesta de impulso nita . . . . . . . . . . . . . . . . . . . . . 212
6.2.1 Dise no de ltros FIR por el metodo de ventanas . . . . . . . . . . . 215
6.2.2 Dise no de ltros optimos . . . . . . . . . . . . . . . . . . . . . . . . 219
6.3 Dise no de ltros de respuesta impulsional innita a partir de ltros analogicos222
6.3.1 Dise no por aproximacion de derivadas . . . . . . . . . . . . . . . . 223
6.3.2 Dise no por invarianza impulsional . . . . . . . . . . . . . . . . . . . 224
6.3.3 La transformada z adaptada . . . . . . . . . . . . . . . . . . . . . . 225
6.3.4 Dise no por transformacion bilineal . . . . . . . . . . . . . . . . . . 225
6.3.5 Filtros Analogicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
6.4 Transformacion de Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . 225
iv c 2005-2006 P. Alvarado Uso exclusivo ITCR Borrador: April 20, 2006
Indice general
Bibliografa 229
A Octave y Matlab 231
B Respuestas a Problemas 233
Indice alfabetico 241

Borrador: 20 de abril de 2006 c 2005-2006 P. Alvarado Uso exclusivo ITCR v
Indice general
vi c 2005-2006 P. Alvarado Uso exclusivo ITCR Borrador: 20 de abril de 2006
Indice de tablas
1.1 Caractersticas de las se nales . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1 Propiedades de se nales de variable discreta. . . . . . . . . . . . . . . . . . . 35
2.2 Propiedades de sistemas discretos. . . . . . . . . . . . . . . . . . . . . . . . 43
2.3 Ejemplo de convolucion de dos secuencias nitas. . . . . . . . . . . . . . . 50
2.4 Forma general de la solucion particular para diversos tipos de se nal de entrada 68
3.1 Propiedades de la transformada z. . . . . . . . . . . . . . . . . . . . . . . . 91
3.2 Transformada z de algunas funciones comunes . . . . . . . . . . . . . . . . 98
3.3 Funciones de transferencia de segundo orden y equivalentes temporales . . 126
5.1 Propiedades de la DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.1 Simetras en ltros FIR de fase lineal . . . . . . . . . . . . . . . . . . . . . 215
6.2 Funciones utilizadas como ventanas. . . . . . . . . . . . . . . . . . . . . . . 216
6.3 Descomposicion de ltros FIR en P() y Q(). . . . . . . . . . . . . . . . 220
6.4 Caractersticas de Filtros Paso Bajo Analogicos . . . . . . . . . . . . . . . 226
6.5 Transformaciones de frecuencia para ltros analogicos. . . . . . . . . . . . 227
6.6 Transformaciones de frecuencia para ltros digitales. . . . . . . . . . . . . . 228
vii
Indice de tablas
viii c 2005-2006 P. Alvarado Uso exclusivo ITCR Borrador: 20 de abril de 2006
Indice de ejemplos
1.1 Frecuencias positivas y negativas. . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Escalon unitario como suma de impulsos desplazados . . . . . . . . . . . . . 33
2.2 Operaciones basicas con se nales . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Se nales de energa y potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Simetra de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5 Simetra de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.6 Descripcion entrada-salida . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.7 Salida de sistema acumulador . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.8 Diagrama de bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.9 Invarianza en el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.10 Sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.11 Descomposicion en impulsos . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.12 Convolucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.13 Longitud de la convolucion de dos se nales nitas . . . . . . . . . . . . . . . . 49
2.14 Reaccion de sistemas con respuesta exponencial . . . . . . . . . . . . . . . . . 52
2.15 Estabilidad y convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.16 Estabilidad y convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.17 Sistemas discretos recursivos y no recursivos . . . . . . . . . . . . . . . . . . 59
2.18 Linealidad de sistema de primer orden . . . . . . . . . . . . . . . . . . . . . . 62
2.19 Solucion homogenea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.20 Respuesta de entrada nula para sistema de segundo orden . . . . . . . . . . . 65
2.21 Respuesta de entrada nula con raz de multiplicidad 2 . . . . . . . . . . . . . 66
2.22 Solucion particular . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.23 Solucion total . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.24 Respuesta impulsional de un sistema recursivo LTI . . . . . . . . . . . . . . . 69
4.1 Coecientes de una base ortogonal . . . . . . . . . . . . . . . . . . . . . . . . 135
4.2 Ortogonalidad en el espacio euclidiano bidimensional . . . . . . . . . . . . . . 137
5.1 Serie de Fourier de pulso rectangular continuo periodico . . . . . . . . . . . . 146
5.2 Serie de Fourier de pulso rectangular continuo aperiodico . . . . . . . . . . . 149
ix
Indice de ejemplos
x c 2005-2006 P. Alvarado Uso exclusivo ITCR Borrador: 20 de abril de 2006
Revisar
Por hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Por hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Por hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Por hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Por hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Por hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Por hacer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
xi
Revisar
xii c 2005-2006 P. Alvarado Uso exclusivo ITCR Borrador: 20 de abril de 2006
Lista de smbolos y abreviaciones
Notacion general
A Matriz.
A =
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
IN
+
, IN
Conjunto de los n umeros naturales sin cero IN

+
= IN0.
IN, IN
0
Conjunto de los n umeros naturales IN = 0, 1, 2, . . ..
Z Conjunto de los n umeros enteros Z = . . . , 2, 1, 0, 1, 2, . . ..
Q Conjunto de los n umeros racionales Q = q [ q =
n
d
; n, d Z.
IR Conjunto de los n umeros reales.
C Conjunto de los n umeros complejos.
Cuanto. Distancia entre dos niveles de cuanticacion.
e
q
(t) o e
q
(n) Error de cuanticacion.
F Frecuencia en ciclos por unidad de tiempo para se nales de variable continua.
f Frecuencia en ciclos por muestra para se nales de variable discreta.
F
s
Frecuencia de muestreo de una se nal analogica. F
s
= 1/T
h(n) Respuesta al impulso
H() Respuesta en frecuencia
H() Respuesta en fase
[ H() [ Respuesta en magnitud
H(z) Funcion de transferencia
Im(z) o z
Im
Parte imaginaria del n umero complejo z
j j =
1
Mapeo de un dominio temporal al dominio frecuencial o z
Mapeo de un dominio frecuencial al dominio temporal o z
Re(z) o z
Re
Parte real del n umero complejo z
T [] Transformacion realizada por un sistema
T Intervalo de muestreo. T = 1/F
s
T
p
Periodo fundamental T
p
= 1/F para se nales de variable continua.
xiii
Lista de smbolos y abreviaciones
x
a
(t) Se nal analogica.
x(n) Se nal de variable discreta.
x Vector.
x = [x
1
x
2
. . . x
n
]
T
=
_
_
x
1
x
2
.
.
.
x
n
_
_
y Escalar.
z Complejo conjugado de z
Frecuencia angular en radianes por unidad de tiempo para se nales de variable
continua.
Frecuencia angular en radianes por muestra para se nales de variable discreta.
Abreviaciones
BIBO Entrada acotada Salida acotada (bounded input bounded output)
DSP Digital Signal Processing (o Processor).
FIR Respuesta nita al impulso (Finite Impulse Response)
IIR Respuesta innita al impulso (Innite Impulse Response)
LTI Sistema lineal e invariante en el tiempo (Linear and Time Invariant)
PDS Procesamiento Digital de Se nales.
SQNR Relacion se nal a ruido de cuanticacion (signal to quantization noise ratio).
xiv c 2005-2006 P. Alvarado Uso exclusivo ITCR Borrador: 20 de abril de 2006
Captulo 1
Introduccion
1.1 Se nales y sistemas
1.1.1 Se nales
Este curso introduce conceptos del Procesamiento Digital de Se nales (PDS), un area de
la ciencia y la ingeniera que se ha desarrollado rapidamente en los ultimos 50 a nos. Para
denir las tareas del PDS se requiere primero precisar el concepto de se nal :
[. . . ] se puede denir se nal como aquella cantidad fsica que vara con el
tiempo, espacio o cualquier otra variable o variables independientes. [16]
En general, toda se nal contiene informacion que se desea extraer o modicar de acuerdo
a los requerimientos de cada aplicacion particular. Sismografos, por ejemplo, registran
se nales ssmicas que contienen informacion sobre intensidad y caractersticas espectrales
de los sismos, con ayuda de las cuales pueden determinarse entre otras cosas la ubicacion
de epicentros y la naturaleza de los ssmos. Las se nales electrocardiogracas permiten al
medico determinar el estado del corazon de sus pacientes.
Las se nales son representadas por funciones matematicas de una o mas variables. Una
se nal de voz, por ejemplo, puede representarse como una funcion de una variable tem-
poral f(t), mientras que imagenes se pueden considerar como funciones de dos variables
espaciales f(x, y).
Las funciones pueden ser ademas escalares o vectoriales. Si la voz se captura con un
microfono monofonico, la se nal electrica de salida tendra por ejemplo un solo valor de
tension electrica en cada instante de tiempo. Por otro lado, un electroencefalograma
1
1 Introduccion
provee un conjunto o vector de se nales electricas provenientes de los diferentes electrodos
para cada instante t:
f (t) =
_
_
f
1
(t)
f
2
(t)
.
.
.
f
n
(t)
_
_
Otro ejemplo de se nales vectoriales utilizadas frecuentemente en ingeniera son las imagenes
en color, en las que cada elemento de la imagen o pixel se representa como un vector en
un espacio de color, donde las componentes del vector pueden, por ejemplo, representar
los valores de los colores primarios rojo, verde y azul. A cada una de las componentes de
las se nales vectoriales se les denomina usualmente canales y por lo tanto a la se nal se le
denota como multicanal .
Las variables de las que depende la se nal pueden ser discretas o continuas. La salida de
un foto-transistor puede, por ejemplo, ser obtenida en todo instante de tiempo t (variable
continua), mientras que el n umero de llamadas realizado por hora es una se nal que el ICE
puede generar para instantes discretos de tiempo nT distanciados por un intervalo de T =
1 h (variable discreta). Los puntos donde la variable independiente de una se nal discreta
esta denida no deben ser necesariamente equidistantes; sin embargo, usualmente este tipo
de distribucion homogenea de las muestras se utiliza por su conveniencia computacional
y manejabilidad matematica.
Los valores que puede tomar una se nal pueden ser tambien discretos o continuos. As, el
voltaje del fototransistor puede tomar cualquier valor real en un intervalo, mientras que
el n umero de llamadas es siempre un valor entero. Tambien los valores de una funcion
discreta pueden ser equidistantes o seguir otros patrones mas complejos (como el lo-
gartmico). El termino digital se utiliza para se nales de variables independientes discretas
y de valores discretos, mientras que analogica es una se nal con variables independien-
tes continuas y valores continuos. Muchos aspectos del tratamiento de se nales digitales
pueden ser analizados matematicamente de manera mas simple a traves de funciones de
valor continuo y variable discreta, llamadas usualmente se nales en tiempo discreto, por
representar la variable independiente generalmente instantes de tiempo denidos. Este
sera el enfoque utilizado en la mayor parte del presente curso.
Un ultimo criterio de caracter matematico para clasicar las se nales es su naturaleza
estadstica: las se nales pueden ser deterministas si puede especicarse con precision la
forma de la funcion. Por ejemplo, para se nales determinsticas denidas en el tiempo,
sus valores en el pasado, presente y futuro son siempre conocidos (por ejemplo, una
se nal senoidal). Las se nales aleatorias solo permiten una descripcion aproximada de la
forma de su funcion, por tener asociado un comportamiento impredecible (por ejemplo,
2 c 2005-2006 P. Alvarado Uso exclusivo ITCR Borrador: 20 de abril de 2006
Tabla 1.1: Caractersticas de las se nales
Caracterstica Valores
N umero de variables una variable multiples variables
Dimensionalidad escalar vectorial (multicanal)
Variables independientes discretas continuas
Valores de la se nal discretos continuos
Naturaleza estadstica deterministas aleatorias
un generador de ruido, una se nal ssmica, una se nal ac ustica de voz).
La tabla 1.1 resume las caractersticas utilizadas para clasicar las se nales. En el presente
texto se estudiaran se nales de una variable, de valor escalar, digitales y de naturaleza
determinista. En cursos de procesamiento de imagenes se extienden los conceptos a se nales
vectoriales (usualmente tres dimensiones) de dos variables discretas espaciales (x, y). El
analisis de se nales estocasticas es tema usual para cursos de posgrado; sin embargo, es en
este curso introductorio donde se presentan todas las bases necesarias para comprender
los conceptos avanzados.
1.1.2 Sistemas
El termino sistema denota a una coleccion o conjunto de elementos interrelacionados que
conforman un todo unicado [18]. Su raz etimologica es el termino latino systema, que a
su vez proviene del griego relacionado con los conceptos combinar e instalar.
Un sistema puede formar parte de otro sistema de mayor nivel, en cuyo caso al primero
se le denomina subsistema del segundo. Los diferentes subsistemas intercambian por lo
general informacion, materia o energa para lograr alg un objetivo. Los terminos se nales
de entrada o de salida se utilizan entonces para abstraer ese ujo de informacion, materia
o energa en el concepto matematico de funciones.
El sistema entonces puede interpretarse como un conjunto de subsistemas que logran
transformar una se nal en otra. Estos dispositivos pueden ser entes fsicos, como un circuito
electronico, o virtuales, como algoritmos implementados en software.
En la literatura actual se tiende a diferenciar entre dos tipos de tareas de los sistemas:
procesamiento y analisis. Se dice que un sistema procesa una se nal si la se nal de salida
tiene las mismas caractersticas semanticas de la entrada: por ejemplo, si la entrada
representa una se nal de voz, la salida de un sistema procesador sera tambien voz aunque
quiza modicada para cumplir ciertos requisitos de la aplicacion. Se dice que un sistema
realiza analisis de la se nal, si la salida tiene otra naturaleza semantica a la entrada.
Borrador: 20 de abril de 2006 c 2005-2006 P. Alvarado Uso exclusivo ITCR 3
1 Introduccion
Por ejemplo, un modulo de un reconocedor de habla puede extraer de una se nal de voz
informacion sobre la presencia de la vocal a en ella. Usualmente el analisis de una se nal
se realiza a traves de diversos pasos de procesamiento de la se nal, junto con tareas de
reconocimiento o codicacion de patrones.
En resumen, el procesamiento digital de se nales
1
, abreviado PDS o DSP por sus siglas en
ingles (Digital Signal Processing) se reere al proceso de modicacion de una se nal digital
en un sistema, realizado para destacar o suprimir diferentes caractersticas de la se nal que
tienen alg un signicado especial para una aplicacion en particular.
1.1.3 Elementos de un sistema de procesamiento de se nales
La mayora de las se nales en ciencia e ingeniera tienen una naturaleza analogica, es decir,
tanto las variables independientes de las funciones que las representan como sus valores
son continuos. Matematicamente estas se nales se representan como funciones f(t)
f : IR IR
es decir, relaciones matematicas que mapean valores reales en valores reales. Este tipo
de se nales pueden ser tratadas directamente utilizando sistemas analogicos, como por
ejemplo ltros pasivos o analizadores de frecuencia (gura 1.1).
Se nal de
Entrada
Anal ogica
Procesador
Anal ogico
de Se nal
Se nal de
Salida
Anal ogica
Figura 1.1: Procesamiento analogico de una se nal [13].
El procesamiento digital (gura 1.2) requiere transformar las se nales de entrada a un
formato digital, es decir, a funciones f(n)
f : Z Z.
Esto ocurre en una etapa llamada conversion analogica-digital (A/D).
La se nal digitalizada es tratada luego en el procesador digital de se nales, que puede ser
desde un computador de proposito general, pasando por sistemas autocontenidos basados
1
En la literatura en castellano se encuentran los terminos tratamiento o procesamiento de se nales
como sinonimos. La preferencia de autores y traductores espa noles por el primero radica en la acepcion
principal de proceso en la variante dialectal iberica como causa civil o criminal, que no se aplica tanto
en Latino America.
Se nal de
Entrada
Anal ogica
Convertidor
A/D
Procesador
Digital de
Se nal
Convertidor
D/A
Se nal de
Salida
Anal ogica
Figura 1.2: Procesamiento digital de una se nal analogica [13].
en microcontroladores, hasta circuitos digitales especcamente dise nados para realizar
las tareas de procesamiento deseadas; sin embargo, las conguraciones programables son
las que han brindado al procesamiento digital una exibilidad inalcanzable con sistemas
analogicos equivalentes. El vertiginoso avance en la electronica digital ha permitido el uso
cada vez mas generalizado de las tecnicas digitales de procesamiento. En la actualidad
hasta los mas peque nos telefonos celulares utilizan algoritmos de alta complejidad que
hace tan solo 15 a nos hubieran requerido computadores de gran tama no y costo.
El ultimo paso del procesamiento digital consiste en convertir la salida del bloque pro-
cesador a una se nal analogica, lo que ocurre en el llamado convertidor digital-analogico
(D/A). En muchos casos de modulos de analisis de se nal, la ultima etapa no es necesaria,
pues la informacion a extraer puede obtenerse facilmente de las representaciones digitales.
1.1.4 Ventajas del procesamiento digital sobre el analogico
Para poder representar una se nal analogica por medio de una se nal digital sin que sufra
perdidas de informacion considerables, la se nal analogica debe ser digitalizada con una
tasa de muestreo sucientemente alta (esto se analizara con suciente detalle en captulos
posteriores). La tecnologa digital impone lmites de velocidad de procesamiento, que,
aunque cada vez menos restrictivos, determinan los anchos de banda de se nales que pue-
den ser tratadas digitalmente. Es por esto que los sistemas analogicos siguen siendo
irreemplazables en aplicaciones con se nales de muy amplios anchos de banda. En casos
donde las se nales pueden ser digitalizadas sin perder demasiada informacion y se cuenta
con suciente tiempo para realizar los calculos necesarios, es preferible utilizar un sistema
digital sobre su equivalente analogico. Esto por varias razones:
Los sistemas digitales son usualmente mas baratos y conables para el procesamiento de
se nales. Como ya se menciono, pueden utilizarse sistemas programables, por lo que a
traves de cambios en el software pueden modicarse o adaptarse sus caractersticas, pro-
veyendo as un alto grado de exibilidad en el dise no. Ademas, las precisiones alcanzables
con sistemas digitales son usualmente mucho mayores que los circuitos analogicos, en los
que el error acumulado en forma de ruido aumenta con cada etapa de procesamiento.
Otra ventaja de los sistemas de procesamiento digital tiene que ver con las posibilida-
1 Introduccion
des de almacenaje. Los niveles de ruido introducidos en sistemas de almacenamiento
analogicos (como cintas magneticas) son extremadamente altos comparados con el alma-
cenamiento practicamente sin perdidas (excepto las introducidas por la propia digitali-
zacion) de se nales digitales. Por este motivo, con se nales digitales es mas factible realizar
los llamados procesamientos fuera de lnea (o-line), donde el tratamiento de la se nal
se realiza en otro tiempo al de la captura de la se nal. Esto es muy util por ejemplo en as-
tronoma, donde las altas cantidades de informacion capturadas por los radio-telescopios
pueden ser entonces analizadas mucho despues de la adquisicion de datos, sin riesgos de
producir conclusiones incorrectas producto de imprecisiones del almacenaje. Otro ejemplo
es el analisis de imagenes medicas, donde altos vol umenes de informacion son analizados
en procesos automaticos o semi-automaticos a posteriori en la deteccion de enfermedades
y el planeamiento de operaciones quir urgicas.
Pero quiza una de las ventajas fundamentales del procesamiento digital es la complejidad
alcanzable por medio de algoritmos de software, para los cuales pueden incluso no existir
equivalentes analogicos. Debido a las consiguientes simplicaciones en los procesos de
dise no de sistemas digitales y considerando la predictibilidad en el incremento de las
capacidades de procesamiento y memoria (por ejemplo, por medio de la Ley de Moore),
se acostumbra desarrollar los modernos y complejos algoritmos para el tratamiento digital
de se nales utilizando equipos de alto costo y tal vez de dimensiones volumetricas que
exceden los requerimientos, puesto que se asume que en los proximos a nos se podra
integrar y mejorar el hardware utilizado hasta satisfacer las expectativas de aparatos
domesticos. Como ejemplo, los nuevos estandares de codicacion de video del grupo
MPEG necesitan varios microprocesadores de ultima generacion para funcionar, y a un
as no alcanzan las velocidades necesarias para desplegar los videos con la naturalidad
deseada. Se sabe sin embargo que en unos 4 a nos los prototipos actuales podran ser
integrados y comercializados hasta en sistemas portatiles.
1.1.5 Aplicaciones
Areas de aplicacion
Las aplicaciones del procesamiento digital de se nal son hoy en da incontables. Quiza las
areas mas conocidas, pero no las unicas, son el procesamiento y analisis digitales de
se nales ac usticas
imagenes bidimensionales o tridimensionales
se nales de radar y sonar
se nales ssmicas, volcanicas, etc.
se nales de sensores industriales para el control automatico
se nales en comunicaciones electricas
El tratamiento de se nales ac usticas es utilizado entre otros en el almacenamiento y trans-
mision ecientes de sonido digital (MP3, OggVorbis, etc.), el procesamiento profesional
de sonido en industria musical y cinematograca, el manejo de se nales de ultrasonido
para elaboracion de imagenes medicas, o el procesamiento de voz humana, necesario para
codicar, encriptar, reconocer o sintetizar el habla.
El procesamiento de imagenes bidimensionales permite analizar las se nales obtenidas por
medio de camaras industriales, hoy en da frecuentemente encontradas en las lneas de
produccion; ademas, el procesamiento de imagenes tomadas por satelite permiten iden-
ticar entre otras cosas el uso del suelo, facilitan la construccion de mapas actualizados,
etc. Esta area es central en la codicacion y compresion de se nales de video, tal y como
los establecen los estandares MPEG (Motion Picture Expert Group).
El procesamiento de imagenes tridimensionales se utiliza por ejemplo en el analisis y
generacion de imagenes de resonancia magnetica (MRI), utilizadas en medicina como
instrumento de observacion de tejidos internos de un paciente, sin tener la necesidad de
utilizar procedimientos quir urgicos.
Las tecnicas modernas de analisis permiten obtener mejores resoluciones y aumentar la
conabilidad de la informacion producida por sonares y radares. Por otro lado, el estu-
dio digital de se nales ssmicas y volcanicas permite incorporar tecnicas de simulacion y
reconocimiento de patrones que mejoran la prediccion de zonas y periodos de riesgo.
En los procesos de automatizacion industrial el procesamiento digital es en la actualidad
omnipresente, pues a pesar de que la mayora de los sensores producen salidas analogicas,
estas son transformadas casi inmediatamente a se nales digitales para permitir una trans-
mision mas conable y sin mayores perdidas a las unidades de procesamiento, para facilitar
la aplicacion de algoritmos de extraccion de la informacion de interes, y para hacer posible
la utilizacion de tecnicas conables de almacenamiento de la informacion, que puede ser
la base luego para el mejoramiento de los procesos productivos, en el calculo de costos,
etc.
En la preparacion de se nales para su transmision y en la decodicacion y mejoramiento de
la mismas del lado de los receptores, el procesamiento digital juega un papel cada vez mas
importante. Un ejemplo lo representan los modems utilizados actualmente para permitir
enlaces de alta velocidad a traves de las lneas telefonicas de cobre, denominado ADSL
(Asymmetric Digital Subscriber Line), donde el procesamiento digital es utilizado para
codicar y decodicar las tramas y las se nales de acuerdo a los estandares de modulacion
digitales.
1 Introduccion
Algoritmos
Conceptos algortmicos clasicos del procesamiento digital, encontrados en las areas de
aplicacion anteriores son: compresion, encriptacion, reconocimiento, identicacion, sinte-
tizacion, eliminacion de ruido, estimacion espectral y ltrado, solo por mencionar algunos.
La compresion consiste en la reduccion de capacidad necesaria para almacenar o transmitir
una se nal. En telefona celular se nal de la voz es comprimida para poder transmitirla en
anchos de banda relativamente peque nos, comparados con los utilizados en telefona ja.
Los estandares MPEG contienen sosticados algoritmos de compresion de imagenes que
permiten reducir en factores de 8 a 12 veces las se nales de video.
La encriptacion o cifrado es necesaria cuando la condencialidad de la informacion en las
se nales debe ser asegurada. Algoritmos complejos codican la informacion de forma tal
que solo el destinatario pueda decodicarla.
Tareas de reconocimiento intentan inferir de patrones en la se nal, informacion contenida
de forma implcita. Por ejemplo, de una se nal de voz puede reconocerse tanto el mensaje
hablado, como el hablante (reconocimiento de habla y de voz, respectivamente). En
imagenes medicas pueden utilizarse algoritmos para reconocer tejidos malignos y benignos,
o en imagenes industriales pueden ser reconocidos caracteres, formas de productos, el
ensamblaje correcto de partes, etc.
La identicacion esta relacionada con el reconocimiento. Aqu no se intenta encontrar una
identicacion previamente desconocida en alguna se nal sino vericar que una identidad
dada previamente es compatible con la se nal. Metodos de identicacion se utilizan, junto
con la encriptacion, en aplicaciones de alta seguridad.
La sintetizacion permite producir se nales articiales similares a aquellas generadas a
traves de fenomenos fsicos. Es utilizada por ejemplo en la elaboracion de efectos ac usticos
e imitacion de instrumentos musicales en sintetizadores de sonido. Otro ejemplo es la sin-
tetizacion de voz humana, utilizada en interfaces avanzadas hombre-maquina.
Las se nales transmitidas por canales analogicos usualmente son perturbadas con ruido, es
decir, con alteraciones indeseables que no contienen ninguna informacion relevante para
la aplicacion. Por medio del procesamiento digital es posible aplicar diversos algoritmos
que permiten reducir el efecto de dichas distorsiones.
El ltrado es un concepto basico del procesamiento digital que forma parte de practicamente
cualquier otro algoritmo. El sistema que realiza esta tarea se denomina ltro, y permite
el paso de solo ciertas componentes de su se nal de entrada, y bloqueando el paso de
otras. Algunos detalles seran presentados en los captulos 5.5 y 6.
La estimacion espectral es utilizada en varias areas de las comunicaciones para encontrar
los rangos de frecuencias en que se concentra la energa de una se nal (como en el caso del
arriba mencionado ADSL).
Casos
Los codicadores de voz (o codecs) utilizados en telefona celular son un ejemplo de
algoritmos complejos imposibles de realizar con circuitos analogicos, al menos en el tama no
de un telefono celular actual. En GSM, por ejemplo, la se nal analogica adquirida por el
microfono es muestreada a 8 kHz, con 13 bits por muestra, lo que equivale a 104 000 bit/s.
Seg un la calidad deseada o disponible, la salida de los codecs reducen el ancho de banda
requerido de 4,75 kbit/s a 13 kbit/s, es decir, permiten factores de compresion de 21 a 8
veces.
Otro caso impresionante es el de los diversos algoritmos para compresion de video. Consi-
derando que una imagen de television tiene 320x200 pixels aproximadamente y cada pixel
necesita 24 bits para ser representado digitalmente con suciente precision, entonces una
sola imagen necesita, sin compresion alguna, 187,5 kB para ser almacenada. Un segundo
de video, asumiendo una frecuencia de 30 imagenes por segundo, necesitara 5,6 MB. Una
pelcula que tarde 90 minutos requerira entonces mas de 30 GB, lo que sera imposible
de almacenar en las tecnologas actuales de DVD. Solo con los sosticados algoritmos de
codicacion de video y sonido pueden almacenarse no solo la se nal de video, sino varias
versiones ac usticas en diferentes idiomas, y especiales adicionales con video y audio, en
poco mas de 4 GB de espacio, con factores de compresion mas de 10 veces.
Incluso los sistemas de transmision de radio y television modernos estan cambiando de
ser completamente analogicos a conceptos digitales. Los nuevos formatos de television
de alta denicion (HDTV) son completamente digitales, que no seran practicos sin la
presencia de los algoritmos para el procesamiento y compresion adecuadas de las se nales
en cuestion.
Medicina es quiza una de las areas que mas ventajas ha tomado del procesamiento digital
de se nales. Las nuevas tecnologas de visualizacion de ultrasonido permiten por ejemplo la
reconstruccion de una imagen tridimensional del feto en el vientre de la madre, ayudando
as al ginecologo a tomar las precauciones del caso cuando algo no este en orden. El
manejo digital de tomografas computarizadas y de imagenes de resonancia magnetica
permite la visualizacion de tejidos internos en formatos legibles para los medicos. Los
equipos mas modernos permiten incluso hacer uso de la llamada realidad aumentada,
donde imagenes reconstruidas a partir de las mediciones se superponen a las reales para
guiar a los cirujanos en operaciones delicadas.
La creacion de protesis cada vez mas complejas es tambien posible gracias a las tecnicas
1 Introduccion
de procesamiento digital. El implante de coclea, por ejemplo, permite a personas sordas
volver a escuchar utilizando el analisis digital de las se nales ac usticas obtenidas con un
microfono. Similar a este ultimo se trabaja en la actualidad en los implantes de retina,
donde complejos algoritmos de PDS intentan transformar la se nal capturada por una
camara en impulsos electricos que pueden ser acoplados al nervio optico en el ojo de
personas ciegas.
1.2 Frecuencia en se nales continuas y discretas
El estudio clasico de se nales se basa en su representacion como combinacion de una serie
de se nales elementales con un comportamiento conocido o predecible en los sistemas con
que se trabaja. En cursos anteriores se han introducido conceptos del analisis de Fourier,
transformada de Laplace, donde las se nales elementales se caracterizan por su frecuencia
y fase respecto a alguna referencia com un. El concepto de frecuencia sera revisado en
las siguientes secciones, donde se apreciaran las diferencias que existen entre los dominios
discreto y continuo. El punto de partida para el analisis seran la funciones sinusoidales,
como representantes espectrales puras.
1.2.1 Se nal sinusoidal continua
Una oscilacion armonica simple se describe matematicamente a traves de la se nal continua
[13]:
x
a
(t) = Acos(t +), < t < (1.1)
donde el subndice a indica que es una se nal analogica. A representa la amplitud de la
se nal, es la frecuencia angular en radianes por segundo (rad/s) y es la fase en radianes.
Es tambien com un utilizar la frecuencia F en ciclos por segundo o Hertz (Hz) con
= 2F
con lo que (1.1) se puede expresar como
x
a
(t) = Acos(2Ft +), < t < .
Si F es constante, entonces x
a
es periodica
x
a
(t +T
p
) = x
a
(t)
con perodo fundamental T
p
= 1/F (gura 1.3).
0
Acos
A
x(t)
t
T
p
= 1/F
Figura 1.3: Ejemplo de una se nal analogica sinusoidal.
Este sinusoide esta muy relacionado con la funcion exponencial compleja
x
a
(t) = Ae
j(t+)
a traves de la identidad de Euler
e
j
= cos +j sen .
La frecuencia en contextos fsicos representa el n umero de ciclos u oscilaciones por unidad
de tiempo, motivo por el cual esta solo puede tomar valores positivos; sin embargo, el
utilizar frecuencias negativas trae consigo ciertas ventajas de manipulacion matematica,
como lo muestra el ejemplo 1.1.
Ejemplo 1.1 Demuestre que la ecuacion (1.1) puede ser expresada como la suma de
dos se nales exponenciales conjugadas.
Solucion:
Utilizando la identidad de Euler se tiene que
e
j
+e
j
= cos +j sen + cos() +j sen()
= cos +j sen + cos j sen
= 2 cos
reemplazando = t + en el resultado anterior y multiplicando ambos lados por la
amplitud A se obtiene nalmente
Acos(t +) =
A
2
e
j(t+)
+
A
2
e
j(t+)
1 Introduccion
Im
Re
t
t
A/2
Figura 1.4: Representacion de la funcion cosenoidal con desfase como la suma de dos funciones
exponenciales complejas conjugadas.
El primer termino del lado derecho de la ecuacion se puede interpretar como un fasor de
magnitud A/2 que gira en sentido contrario a las manecillas del reloj (frecuencia positiva),
mientras que el lado izquierdo es otro fasor que gira en el sentido de las manecillas del
reloj (frecuencia negativa), ambos a una frecuencia de F ciclos por unidad de tiempo
(gura 1.4). 1.1
1.2.2 Se nal sinusoidal discreta
La se nal sinusoidal en tiempo discreto se expresa como
x(n) = Acos(n +), < n < (1.2)
con la variable entera n Z (tambien denominada n umero de muestra), A la magnitud,
es la frecuencia en radiantes por muestra y la fase en radianes. De forma similar al
caso continuo, puede utilizarse = 2f para reescribir (1.2) como
x(n) = Acos(2 f n +), < n < . (1.3)
En este caso las dimensiones de la frecuencia son ciclos por muestra, y tal como estas
unidades lo indican, usualmente tiene valores menores que la unidad. La gura 1.5 muestra
un ejemplo con f = 1/12 y = /3.
x(n)
n
Figura 1.5: Ejemplo de una se nal sinusoidal discreta ( = /6 y = /3) [13].
Periodicidad de un sinusoide discreto
Por denicion una se nal de variable discreta x(n) es periodica con periodo N(N > 0) si
y solo si
x(n +N) = x(n) para todo n (1.4)
El menor valor de N para el que se cumple (1.4) se denomina periodo fundamental . Una
se nal sinusoidal de frecuencia f
0
es periodica si
cos (2 f
0
(N +n) +) = cos (2 f
0
n +)
lo que se cumple solo si existe un entero k tal que
2 f
0
N = 2k
o, en otros terminos
f
0
=
k
N
(1.5)
que es siempre un n umero racional. Esto quiere decir, que una se nal sinusoidal discreta
con un valor irracional de frecuencia no es periodica!
Para determinar el periodo fundamental de una se nal sinusoidal se expresa su frecuencia
como en (1.5) y se simplican los factores comunes de tal forma que k y N formen n umeros
primos relativos. Por ejemplo si f
1
= 5/32 = 0,15625 el periodo fundamental es N = 32,
pero si la frecuencia es f
2
= 4/32 = 0,125 el periodo fundamental es N = 8 (gura 1.6).
Esto quiere decir que a un cuando los valores de frecuencia se encuentren relativamente
cerca, sus periodos pueden cambiar radicalmente.
1 Introduccion
x(n) x(n)
n n
x(n) x(n)
n n
(a) (b)
Figura 1.6: Comparacion de dos frecuencias cercanas en se nales de variable discreta. (a) Fre-
cuencia f = 5/32, periodo N = 32. (b) Frecuencia f = 4/32, periodo N = 8. La
lnea punteada denota una se nal continua con frecuencia equivalente para simpli-
car la comparacion.
Equivalencia de frecuencias en sinusoides discretos
Considerese de nuevo la se nal sinusoidal cos(
0
n +). Es facil de obtener que:
cos ((
0
+ 2)n +) = cos(
0
n + 2n +) = cos(
0
n +)
por lo que todas las secuencias sinusoidales
x
k
(n) = Acos(
k
n +), k = 0, 1, 2, . . .
con
k
=
0
+ 2k
son identicas. Por otro lado, las secuencias de cualesquiera dos se nales sinusoidales discre-
tas con frecuencias en el rango o
1
2
f
1
2
son diferentes. Combinando los
resultados anteriores se obtiene que cualquier secuencia sinusoidal de frecuencia [[ >
o [f[ >
1
2
tiene una se nal equivalente con [[ o [f[
1
2
. A las frecuencias [[ o
[f[
1
2
se les considera frecuencias fundamentales y a las frecuencias [[ > o [f[ >
1
2
se les denomina alias.
Tasa maxima de oscilacion
Considerese ahora la secuencia sinusoidal x
0
(n) = cos(
0
n) para el rango de frecuencias
0
[0, ]. La gura 1.7 muestra algunos casos particulares como ejemplo. Se puede
apreciar que la tasa de oscilacion aumenta conforme la frecuencia aumenta.
x(n)
n
x(n)
n
x(n)
n
0
= 0 (f = 0)
0
= /6 (f = 1/12)
0
= /3 (f = 1/6)
x(n)
n
x(n)
n
0
= /2 (f = 1/4)
0
= (f = 1/2)
Figura 1.7: Secuencia sinusoidal con diferentes frecuencias.
Ahora, para analizar el caso de frecuencias angulares mayores que considerese el caso
especial de
1
= 2
0
. Si
0
[0, ] entonces
1
[, 2] de tal forma que si
0
aumenta
1
disminuye.
Debido a que
x
1
(n) = Acos(
1
n) = Acos((2
0
)n) = Acos(
0
n) = x
0
(n)
la frecuencia angular
1
es un alias de
0
. De aqu se concluye que si la frecuencia angular
aumenta de hacia 2 la tasa de oscilacion se reduce, al representar estos alias frecuencias
que bajan de a 0.
De forma similar al caso de senoides de variable continua puede utilizarse la identidad de
Euler en el caso discreto para introducir el concepto de frecuencia negativa:
x(n) = Acos(n +) =
A
2
e
j(n+)
+
A
2
e
j(n+)
1 Introduccion
Debido a que las se nales sinusoidales de variable discreta con frecuencias separadas por
un entero m ultiplo de 2 son identicas, entonces todas las frecuencias en un intervalo
[
1
,
1
+ 2] representan todas las frecuencias existentes para estas se nales. En otras
palabras, el rango de frecuencias distinguibles para sinusoides de variable discreta es
nito con un ancho de banda de 2. Usualmente se utilizan los rangos de frecuencias
angulares [, ] (f [
1
2
,
1
2
]) o [0, 2] (f [0, 1]) y reciben el nombre de rango
fundamental .
1.2.3 Exponenciales complejos relacionados armonicamente
Las se nales de variable continua
s
k
(t) = e
jk
0
t
= e
j2kF
0
t
k = 0, 1, 2, . . .
se denominan se nales exponenciales relacionadas armonicamente. El periodo fundamen-
tal de la se nal s
k
(t) es 1/(kF
0
) = T
p
/k, lo que equivale a una frecuencia fundamental de
kF
0
. Puesto que una se nal periodica con periodo T
p
/k es tambien periodica con periodo
k(T
p
/k) = T
p
con k Z entonces todas las se nales s
k
(t) tienen como periodo com un T
p
. El
nombre proviene de la relacion de estas funciones con las oscilaciones de una cuerda, que
tienen relaciones armonicas (mantienen los nodos externos jos) cuando las frecuencias
son m ultiplos enteros de una frecuencia fundamental.
En este caso de variable continua, para k
1
,= k
2
se cumple siempre que s
k
1
(t) ,= s
k
2
(t), o en
otros terminos, existe un n umero innito de se nales complejas relacionadas armonicamente
con e
j2F
0
t
.
Para el caso de se nales exponenciales complejas de variable discreta, puesto que son se nales
periodicas solo si su frecuencia es racional, se escoge f
0
= 1/N y se dene el conjunto de
se nales relacionadas armonicamente como
s
k
(n) = e
jk
0
n
= e
j2kf
0
n
k = 0, 1, 2, . . . (1.6)
A diferencia del caso continuo se tiene para k
1
= k +N
s
k+N
(n) = e
j2
(k+N)
N
n
= e
j2
kn
N
e
j2n
= e
j2
kn
N
= s
k
(n)
Esto signica que en el caso discreto solo existen N se nales complejas relacionadas armoni-
camente, donde todos los miembros del conjunto descrito en (1.6) tienen como periodo
com un N muestras.
1.3 Conversiones analogica/digital y digital/analogica
Tal y como se describio en la gura 1.2, para tratar se nales analogicas por medios digitales
es necesario poder convertir entre representaciones analogicas y digitales.
Conceptualmente en la conversion de una se nal analogica a una representacion digital
intervienen tres pasos (gura 1.8):
1. Muestreo es la conversion de una se nal de variable continua a otra de variable
discreta que es el resultado de tomar muestras de la se nal de variable continua en
ciertos instantes. Si x
a
(t) es la entrada al bloque de muestreo, entonces la salida es
x
a
(nT), donde a T se le denomina el intervalo de muestreo.
2. Cuanticacion es la conversion de la se nal de variable discreta y valores continuos a
otra se nal de variable discreta pero con valores discretos. El valor de cada muestra
es aproximado entonces con un valor de un conjunto nito de posibles valores. A
la diferencia entre el valor continuo y su aproximacion se le denomina error de
cuanticacion.
3. Codicacion consiste en la asignacion de una representacion usualmente binaria para
los valores cuanticados.
Se nal
Anal ogica
Se nal de
Variable Discreta
Se nal
Cuanticada
Se nal
Digital
Muestreo Cuanticaci on Codicaci on
x
a
(t) x(n) x
q
(n) c(n)
Convertidor A/D
Figura 1.8: Pasos b asicos en la conversion analogica/digital.
Estos pasos en la practica se realizan en un solo bloque operacional.
La conversion digital/analogica es necesaria en todos aquellos casos en los que la represen-
tacion propiamente digital no tiene signicado para el usuario nal. Por ejemplo, la salida
digital de un decodicador de voz debe ser convertida a una se nal analogica ac ustica para
poder ser comprendida por los clientes. Este proceso de conversion debe interpolar la
se nal discreta, es decir debe conectar las muestras con alg un tipo de curva.
1 Introduccion
1.3.1 Muestreo de se nales analogicas
Existen muchas posibilidades de seleccionar las muestras de una se nal analogica en la
fase de muestreo. Aqu se utilizara el llamado muestreo periodico o uniforme por las
facilidades que este brinda al analisis matematico, lo cual ha hecho que sea el tipo de
muestreo mas utilizado en aplicaciones reales. En el muestreo periodico la relacion entre
la se nal analogica y la se nal de variable discreta esta dada por
x(n) = x
a
(nT) < n <
donde la secuencia x(n) contiene entonces muestras de la se nal analogica x
a
(t) separadas
por un intervalo T (gura 1.9).
Se nal
Se nal
Anal ogica
Muestreo
x(n) = x
a
(nT)
x(n) = x
a
(nT)
x
a
(t)
x
a
(t)
x
a
(t)
de variable
discreta
n n
x(n)
F
s
= 1/T
Figura 1.9: Muestreo periodico de una se nal analogica.
Las variables t y n de las se nales de variable continua y discreta respectivamente estan
relacionadas a traves del intervalo de muestreo T
t = nT = n/F
s
donde a F
s
se le denomina tasa de muestreo. Para encontrar la relacion entre las frecuen-
cias de las se nales en ambos dominios considerese la se nal analogica
x
a
(t) = Acos(2Ft +)
la cual, muestreada periodicamente con una tasa F
s
= 1/T resulta
x
a
(nT) x(n) = Acos(2FTn +)
= Acos
_
2Fn
F
s
+
_
y comparando con (1.3) se obtiene
= T
o
f =
F
F
s
(1.7)
lo que justica que a f se le denomina tambien frecuencia normalizada. Con esto queda
claro que la frecuencia f puede corresponder con las unidades de frecuencia de F (por
ejemplo, en Hertz) si y solo si se conoce la frecuencia de muestreo F
s
.
En las secciones anteriores se obtuvo que el rango para la frecuencia F es practicamente
innito, mientras que el rango de la frecuencia f es nito ([
1
2
,
1
2
]). Utilizando (1.7) se
obtiene
1
2
< f
1
2
1
2
<
F
F
s
1
2
F
s
2
< F
F
s
2
El muestreo periodico de la se nal de variable continua representa entonces un mapeo del
rango innito de frecuencias F a un rango nito de frecuencias f. Puesto que la mayor
frecuencia de f es f =
1
2
puede concluirse que con la tasa de muestreo F
s
como maximo
se podra representar
F
max
=
F
s
2
=
1
2T
max
= F
s
=

T
En los parrafos anteriores se demostro que las frecuencias f son unicas dentro de un rango
nito: el rango fundamental, y que todas las frecuencias fuera de ese rango son alias de
alguna frecuencia fundamental. Se demostro ademas que para una se nal sinusoidal la
frecuencia angular y +2k son equivalentes para todo k Z, lo que implica que f +k
es un alias de f. Con (1.7) se tiene que
f +k =
F
F
s
fF
s
+kF
s
= F
o en otras palabras fF
s
+ kF
s
es un alias de F = fF
s
. Con esto, la relacion entre las
frecuencias de las se nales de variable continua y discreta puede gracarse como lo muestra
la gura 1.10.
La gura 1.11 muestra un ejemplo con las frecuencias F
1
= 2/7 y su alias F
2
= 5/7
para una tasa de muestreo de F
s
= 1Hz. Aqu se aprecia con claridad que las muestras
tomadas para las dos se nales coinciden, por lo que estas muestras por si solas no pueden
determinar de cual de las dos se nales fueron tomadas.
1 Introduccion
replacemen
f
1
2

Fs
2
F
s
1
2

Fs
2
F
s
F
Figura 1.10: Relacion entre las frecuencias de se nales de variable discreta y continua para el
caso de muestreo uniforme.
x(n) x(n)
t[s] t[s]
F
2
=
5
7
Hz F
2
=
5
7
Hz
F
1
=
2
7
Hz F
1
=
2
7
Hz
Figura 1.11: Muestreo de una se nal sinusoidal y de un alias.
La frecuencia F
s
/2 corresponde entonces a la frecuencia maxima representable en forma
discreta con una tasa de muestreo F
s
, que corresponde entonces a f =
1
2
. Cual frecuencia
fundamental corresponde a un alias de frecuencia mayor a F
s
/2 se puede terminar utili-
zando F
s
/2 como pivote para reejar el alias dentro del rango fundamental. A F
s
/2 (o
= ) se le denomina entonces frecuencia de plegado,o en ingles folding frequency.
1.3.2 Cuanticacion de se nales de amplitud continua
La cuanticacion de una se nal de amplitud continua consiste en asignar a cada valor con-
tinuo otro valor tomado de un conjunto nito. El reemplazar los valores continuos por
los valores cuanticados introduce el llamado error de cuanticacion o ruido de cuan-
ticacion. Si x(n) es la secuencia de valores continuos entonces la secuencia de valores
cuanticados sera x
q
(n) = Q[x(n)] donde Q representa un operador de cuanticacion. La
secuencia de errores de cuanticacion esta dada entonces por
e
q
(n) = x
q
(n) x(n)
Para analizar el error de cuanticacion considerese la se nal sinusoidal de variable continua
mostrada en la gura 1.12. Es posible apreciar que alrededor de cada nivel de cuanti-
-1 0 1 2 3 4 5 6 7 8
x(t)
t
Figura 1.12: Se nal sinusoidal de variable continua cuanticada.
cacion la se nal analogica se puede aproximar de forma lineal. En terminos estadsticos este
hecho se describe diciendo que el ruido de cuanticacion sigue una distribucion uniforme,
donde los valores de error estaran distribuidos con las mismas probabilidades entre /2
y /2, donde es igual al cuanto, es decir la distancia entre dos niveles de cuanticacion.
Esta aproximacion lineal se esquematiza en la gura 1.13, donde se ha asumido que los
saltos hacia los otros cuantos de esta se nal ocurren en y .
/2
/2
/2
e
q
(t)
t
t
0
0
Figura 1.13: Error de cuanticacion e
q
(t) = x
a
(t) x
q
(t).
1 Introduccion
La potencia media del error cuadratico P
q
es
P
q
=
1
2
_

e
2
q
(t) dt =
1
_

0
e
2
q
(t) dt
que considerando la aproximacion lineal del error e
q
(t) (/2)t para t [, ] resulta
en
P
q
=
1
_

0
_
2
_
2
t
2
dt =

2
12
Si el cuanticador utiliza b bits de precision y todo el rango posible con ellos para repre-
sentar la amplitud de 2A, entonces se puede calcular el cuanto como = 2A/2
b
, lo que
implica que
P
q
=
A
2
/3
2
2b
La potencia media de la se nal x
a
(t) se calcula como
P
x
=
1
T
p
_
Tp
0
(Acos(
0
t))
2
dt =
A
2
2
.
Con estos dos terminos es posible entonces aproximar la relacion se nal a ruido de cuanti-
cacion (SQNR signal to quantization noise ratio) como:
SQNR =
P
x
P
q
=
3
2
2
2b
y expresada en decibels (dB)
SQNR(dB) = 10 log
10
SQNR = 1,76 + 6,02b
lo que implica que por cada bit a nadido a la palabra, y si se utiliza todo el rango, es decir,
si se duplica la cantidad de cuantos utilizados, la calidad de la se nal mejora en 6 dB. Con
esta formula, que puede aplicarse a varios otros casos ademas de la se nal sinusoidal, es
posible determinar el n umero de bits necesarios para alcanzar una determinada relacion
de se nal a ruido.
1.3.3 Codicacion de los valores cuanticados
El proceso de codicacion asigna un n umero binario unico a cada nivel de cuanticacion.
Si se disponen de L niveles entonces seran necesarios al menos b = log
2
(L)| bits. Los
convertidores D/A disponibles comercialmente usualmente utilizan una precision de 16
bits.
1.3.4 Conversion Digital/Analogica
El sistema ideal de conversion de una se nal digital a una analogica interpola las se nales
utilizando una funcion sa(x) = sen(x)/x, que tiene la propiedad de reconstruir a la per-
feccion se nales muestreadas con una tasa sucientemente alta (esto se revisara con mas
detalle posteriormente); sin embargo, existen varias desventajas en este tipo de inter-
polacion que obliga a utilizar simplicaciones, como el mantenedor de cero orden, que
simplemente mantiene la se nal hasta que una nueva muestra este disponible.
En general, las tecnicas de interpolacion suboptimas introducen frecuencias superiores
a la frecuencia de plegado, que se intentan reducir por medio de ltros suavizantes
(smoothing lters).
1 Introduccion
1.4 Problemas
Problema 1.1. Busque un ejemplo de se nal para cada una de las 32 posibles combina-
ciones de las caractersticas de las se nales indicadas en la Tabla 1.1.
Problema 1.2. Una se nal puede clasicarse seg un cinco criterios:
N umero de variables (Una variable o Multiples variables)
Dimension del valor (Escalar o Vectorial )
Variables independientes (Discretas o Continuas )
Valores de la se nal (Discretas o Continuas )
Naturaleza estadstica (Determinista o Aleatoria )
Utilice las letras may usculas indicadas en negrita para identicar las caractersticas de
las se nales a continuacion. Si alguna caracterstica no se aplica o puede interpretarse con
cualquier valor de la propiedad, indquelo con .
Se nal Caracterstica
N
u
m
.
V
a
r
i
a
b
l
e
s
(
U
/
M
/
)
D
i
m
e
n
s
i
o
n
(
E
/
V
/
)
V
a
r
i
a
b
l
e
s
(
D
/
C
/
)
V
a
l
o
r
e
s
(
D
/
C
/
)
E
s
t
a
d
s
t
i
c
a
(
D
/
A
/
)
Imagen tomada por una camara digital a color
Registro mensual de la posicion de
una bandada de aves migratorias
Se nales de salida de un microfono estereo
Se nal digital
Se nal analogica
Problema 1.3. Determine si cada una de las se nales siguientes es periodica, y de ser as
determine su periodo fundamental. Asuma t IR y n Z.
1.4 Problemas
1. x
a
(t) =
5 sen(4t +/3)
2. x(n) =
5 sen(4n +/3)
3. x(n) = 2e
j(n/6)
4. x(n) = cos(n/8) cos(n/8)
5. x(n) = sen(n/4) + sen(n/8) + 3 cos(n/2 +/6)
Problema 1.4. En la seccion 1.2.3 se demostro que una se nal exponencial compleja
discreta s
k
(n) = e
jk
0
n
solo tiene N 1 se nales armonicamente relacionadas, cuando se
cumple
0
= 2/N. Demuestre que si la frecuencia es
0
= 2M/N con M < N, M y
N n umeros primos relativos, el n umero de frecuencias armonicamente relacionadas sigue
siendo N.
Problema 1.5. Investigue que circuitos se utilizan para realizar la conversion de una
se nal analogica a una se nal digital. Identique en ellos los tres pasos basicos de muestreo,
cuanticacion y codicacion.
Problema 1.6. El sistema de audio digital utilizado en CD comerciales utiliza una fre-
cuencia de muestreo de 44,1 kHz con 24 bits por pixels. Determine la frecuencia maxima
representable por este sistema y el valor maximo de la relacion de se nal a ruido de cuan-
ticacion SQNR alcanzable.
Cuantos bits necesitara por muestra si la aplicacion require un SQNR de 100 dB?
Problema 1.7. Investigue que circuitos se utilizan para realizar la conversion de una
se nal digital a una analogica.
1 Introduccion
Captulo 2
Se nales y Sistemas de
Variable Discreta
En el captulo anterior se analizaron se nales de la forma
x(n) = Acos(n +) o x(n) = Ae
j(n+)
.
Estas funciones tienen, por sus caractersticas y propiedades matematicas, gran impor-
tancia en el analisis de se nales en tiempo discreto, pues constituyen la base del analisis
frecuencial a tratar en captulos posteriores. Antes de entrar en el detalle de dichas pro-
piedades es necesario introducir otros tipos de se nales basicas o elementales y algunos
conceptos de su manipulacion, que serviran de base para el analisis de se nales y sistemas
expresados en un dominio de variable discreta.
2.1 Se nales de variable discreta
Sea x(n) una se nal de variable discreta, es decir, una funcion denida para n entero. La
gura 2.1 muestra una tpica representacion graca de una se nal de este tipo. A n se le
denomina n umero de muestra y a x(n) la n-esima muestra de la se nal.
Notese que x(n) no esta denida para n no entero. Un error com un es considerar que la
se nal es cero entre las muestras, cuando en realidad all simplemente la funcion no esta
denida. La suposicion de que la se nal es cero entre muestras es valido solo para una
se nal de variable real x(t), que es otro concepto diferente.
La gura 2.6 introduce otra representacion graca para se nales de valor complejo, donde
el valor de la n-esima muestra x(n) se denota en un plano complejo perpendicular al eje
27
2 Se nales y Sistemas de Variable Discreta
6 5 4 3 2 1 1 0
n
x(n)
Figura 2.1: Representacion gr aca de una funcion real de variable discreta x(n).
n. En esta representacion se pueden apreciar tanto las componentes real e imaginaria de
x(n), como su magnitud y fase.
Ademas de las representaciones gracas para las se nales discretas, se utilizan otras tres
notaciones:
1. Funcional:
x(n) =
_
_
1 para n = 1
5 n para 2 n 4
0 el resto
Esta representacion es la forma mas compacta de representar se nales cuyo compor-
tamiento puede ser expresado directamente por expresiones algebraicas cerradas.
2. Tabular
n . . . -1 0 1 2 3 4 5 . . .
x(n) . . . 0 0 1 3 2 1 0 . . .
En programas computacionales como MatLab[11] u Octave[4] las se nales se repre-
sentan con esta notacion, donde las dos las de la tabla se interpretan como dos
arreglos de datos independientes.
3. Como secuencia.
Una secuencia de duracion innita con el origen en n = 0 (indicado con ) se
representa como
x(n) = . . . , 0, 0
, 1, 3, 2, 1, 0, . . .
Si la secuencia es 0 para n < 0 se suele representar como
x(n) = 0
, 1, 3, 2, 1, 0, . . .
y si es nita
x(n) = 0
, 1, 3, 2, 1
Si la secuencia inicia en cero, entonces usualmente se omite la echa:
x(n) = 0, 1, 3, 2, 1
Por su brevedad y simpleza notacional, esta sera la representacion de se nales de
preferencia en el presente texto.
2.1.1 Se nales elementales de variable discreta
Ciertas se nales aparecen frecuentemente en el analisis de sistemas y se nales discretas.
Impulso unitario
El impulso unitario (n) esta denido como (gura 2.2a):
(n) =
_
1 para n = 0
0 para n ,= 0
y es el equivalente discreto del delta Dirac (t) en el dominio continuo.
Escalon unitario
El escalon unitario u(n) se dene como (gura 2.2b):
u(n) =
_
0 para n < 0
1 para n 0
Notese que el escalon se puede obtener a traves de la sumatoria
u(n) =
n
i=
(i)
que es el equivalente discreto de la integracion desde hasta t del delta Dirac (t).
Rampa unitaria
La rampa se genera a su vez a partir del escalon unitario y la sumatoria:
u
r
(n) =
n1
i=
u(n)
lo que resulta en (gura 2.2c)
u
r
(n) =
_
0 para n < 0
n para n 0
3 2 1 1 3 2 0 3 2 1 1 3 2 0 3 2 1 1 3 2 0
replacemen
n n n
(n) u(n) u
r
(n)
(a) (b) (c)
Figura 2.2: Tres funciones elementales (a) Impulso unitario. (b) Escalon unitario. (c) Rampa
unitaria
Se nal exponencial
La se nal exponencial se dene como
x(n) = a
n
y su comportamiento depende de la constante a. Para valores reales y complejos de a y
n creciente, la funcion converge si [a[ < 1 o diverge si [a[ > 1 (gura 2.3).
Si a es complejo entonces puede expresarse como
a = re
j
x(n) = r
n
e
jn
es decir, un fasor de magnitud r
n
con fase n (gura 2.4).
Utilizando la identidad de Euler, que establece e
j
= cos() +j sen(), se obtiene
x(n) = r
n
cos(n) +jr
n
sin(n)
cuyas partes real e imaginaria se muestran en la gura 2.5.
Notese que si r = 1 la se nal tiene amplitud constante.
Otra representacion de una se nal exponencial compleja se presenta en la gura 2.6, donde
el valor de cada muestra se graca sobre un plano complejo perpendicular al eje n, ge-
nerandose as un patron fasorial en el tiempo discreto, en el que se aprecian tanto las
componentes real e imaginaria, como la magnitud y fase de cada muestra.
0
0.5
1
1.5
-1 0 1 2 3 4 5 6 7 8 9 10 11 12
x(n)
n 0
0.5
1
1.5
2
2.5
3
-1 0 1 2 3 4 5 6 7 8 9 10 11 12
x(n)
n
(a) (b)
-1.5
-1
-0.5
0
0.5
1
1.5
-1 0 1 2 3 4 5 6 7 8 9 10 11 12
x(n)
n
-3.5
-3
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
-1 0 1 2 3 4 5 6 7 8 9 10 11 12
x(n)
n
(c) (d)
Figura 2.3: Funciones exponenciales para valores de a reales. (a) 0 < a < 1 (b) a > 1
(c) 1 < a < 0 (d) a < 1.
-1
0
1
-1 0 1 2 3 4 5 6 7 8 9 1011121314151617181920
|x(n)|
n
-3
-2
-1
0
1
2
3
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x(n)
n
(a) (b)
Figura 2.4: Magnitud y fase de la funcion exponencial compleja con a = re
j
, r < 1 y 0 <
< . (a) Magnitud. (b) Fase
-1
0
1
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Re{x(n)}
n
-1
0
1
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Im{x(n)}
n
(a) (b)
Figura 2.5: Partes real e imaginaria de la funcion exponencial con a compleja. (a) Parte real.
(b) Parte imaginaria
Im{x(n)}
Re{x(n)}
n
Figura 2.6: Representacion de muestras complejas en planos complejos, situados en cada mues-
tra n.
2.1.2 Manipulaciones elementales de se nales de variable discreta
Se describen a continuacion algunas transformaciones elementales para se nales de variable
independiente discreta (o tiempo discreto). Estas transformaciones son la base de opera-
ciones mas complejas en el procesamiento digital de se nales y se utilizaran a menudo en
este y los siguientes captulos.
Desplazamiento
La se nal x(n) se desplaza k muestras sustituyendo la variable n por n k. Si k > 0 la
se nal se retarda k muestras y si k < 0 la se nal se adelanta k muestras.
En la manipulacion fuera de lnea (o-line) ambos tipos de desplazamiento son posibles;
sin embargo, en sistemas de tiempo real o en lnea (on-line), solo el retraso de la funcion
es realizable.
Ejemplo 2.1 Utilizando desplazamientos exprese el escalon unitario en terminos de una
suma de impulsos desplazados.
Solucion:
u(n) = (n) +(n 1) +(n 2) +. . . =
N
i=0
(n i)
2.1
Reexion
Consiste en plegar la se nal x(n) en el instante n = 0, sustituyendo la variable n por su
inverso aditivo n.
Notese que las operaciones de reexion y desplazamiento no son conmutativas, es decir,
no es lo mismo reejar una se nal y luego retardarla k unidades que retardar la se nal y
luego reejarla, puesto que:
x((n) k) = x(n k)
. .
Reexion,
Desplazamiento
,= x((n k)) = (n +k)
. .
Desplazamiento,
Reexion
Escalado de variable o submuestreo
En el escalado de variable o submuestreo (en ingles downsampling) se sustituye la variable
discreta n por n con IN
+
.
Si la se nal analogica original fue muestreada con el intervalo de muestreo T entonces
x(n) = x
a
(nT), de donde se deriva que x(n) = x
a
(n(T)). Esto implica que el submues-
treo equivale a utilizar un intervalo de muestreo de mayor duracion, igual a T.
Suma, multiplicacion y escalado de secuencias
Todas estas operaciones afectan la amplitud de las muestras de una secuencia.
Escalado de amplitud: y(n) = Ax(n)
Suma de secuencias: y(n) = x
1
(n) +x
2
(n)
Producto: y(n) = x
1
(n)x
2
(n)
Ejemplo 2.2 Dadas las secuencias
x
1
(n) = u
r
(n) = 0, 1, 2, 3, 4, 5, 6, . . .
x
2
(n) = (1)
n
u
r
(n) = 0, 1, 2, 3, 4, 5, 6, . . .
x
3
(n) = 0, 0, 1
Calcule la secuencia
x
4
(n) = 2x
3
(2 n) x
1
(2n 1) +x
2
(4 n)u(n)
Solucion: El primer termino 2x
3
(2n) corresponde a una reexion seguida por un atraso
(de la reexion), escalado por un factor 2. Esto resulta en
2x
3
(2 n) = 2
El segundo termino representa un submuestreo retrasado:

x
1
(2n 1) = 0
, 1, 3, 5, 7 . . .
El primer factor del tercer termino contiene una inversion atrasada:
x
2
(4 n) = 6, 5, 4
, 3, 2, 1, 0
y al multiplicarlo por el escalon unitario u(n) se eliminan todas las muestras anteriores a
n = 0:
x
2
(4 n)u(n) = 4
, 3, 2, 1, 0
Finalmente, se deben combinar estos tres resultados parciales aditivamente:
x
4
(n) = 6
, 4, 1, 6, 7, 9, 11, 13 . . .
2.2
2.1.3 Clasicacion de se nales de variable discreta
La tabla 2.1 presenta cinco propiedades que caracterizan a las se nales de variable discreta.
Tabla 2.1: Propiedades de se nales de variable discreta.
Propiedad
Energa Se nal de energa Se nal de potencia
Periodicidad Se nal periodica Se nal aperiodica
Simetra Se nal simetrica Se nal asimetrica
Acotacion Se nal acotada Se nal no acotada
Longitud Se nal nita Se nal innita
v(t)
i(t)
R
p(t) =
v(t)v(t)
R
=
[v(t)[
2
R
e(t) =
_
t
p() d
=
1
R
_
t
[v()[
2
d
p(t) = i(t)i(t)R = [i(t)[
2
R
e(t) =
_
t
p() d
= R
_
t
[i()[
2
d
Figura 2.7: Potencia instantanea p(t) y energa e(t) de una se nal analogica.
Se nales de energa y potencia
La gura 2.7 muestra el calculo de potencia instantanea p(t) y de energa disipada e(t)
en un circuito electrico simple. El valor de resistencia R representa una constante que
unicamente repercutira en factores de escala de las funciones p(t) y e(t), es decir, el valor
de R no altera la forma de p(t) o e(t).
Usualmente, a las funciones de forma [f(t)[
2
se les denomina entonces funciones de poten-
cia de f(t) y a su integral hasta el instante t,
_
t
[f(t)[
2
dx, funcion de energa de f(t),
por la similitud con las funciones de energa y potencia en el circuito mostrado (asuma
por ejemplo R = 1 ).
De forma analoga, para una se nal de variable discreta x(n) se dene su energa como
E =
n=
x(n)x(n) =
n=
[x(n)[
2
donde el uso de la magnitud de la se nal permite aplicar la denicion a se nales de valor
complejo.
Si E es nita entonces a x(n) se le denomina se nal de energa. Muchas se nales de energa
innita poseen potencia promedio nita:
P = lim
N
1
2N + 1
N
n=N
[x(n)[
2
Si se dene la energa E
N
de x(n) en un intervalo nito como
E
N
=
N
n=N
[x(n)[
2
entonces
E = lim
N
E
N
y la potencia promedio puede entonces tambien expresarse como
P = lim
N
1
2N + 1
E
N
con lo que se deriva que si E es nita entonces P = 0 y a su vez que si P > 0 entonces
E . En caso de que P sea nita, se dice que x(n) es una se nal de potencia.
Ejemplo 2.3 Especique si el escalon unitario u(n), la rampa u
r
(n) y la se nal expo-
nencial x(n) = Ae
j
0
n
son se nales de energa o potencia.
Solucion:
1. Si x(n) = u(n) entonces
P = lim
N
1
2N + 1
N
n=N
[u(n)[
2
= lim
N
1
2N + 1
N
n=0
1
= lim
N
N + 1
2N + 1
=
1
2
lo que implica que u(n) es una se nal de potencia.
2. La se nal rampa unitaria u
r
(n) no es ni se nal de energa ni se nal de potencia, puesto
que tanto E como P tienden a innito.
3. La se nal x(n) = Ae
j
0
n
, A IR, tiene una potencia media P = A
2
y es por lo tanto
una se nal de potencia.
2.3
Se nales acotadas y no acotadas
Una se nal x(n) se dice ser acotada (en ingles bounded signal ) si existe un n umero nito M
tal que [x(n)[ < M < para todo n. Por el contrario, si la magnitud de cualquier muestra
es innita, entonces la se nal no es acotada. Esta propiedad es de fundamental importancia
en el concepto de estabilidad de sistemas, que se revisara con detalle posteriormente.
Se nales periodicas y aperiodicas
Una se nal es periodica con periodo N (N > 0) si y solo si
x(n +N) = x(n), para todo n (2.1)
El valor mas peque no de N para el que se cumple lo anterior se denomina periodo funda-
mental . Si no existe ning un N que satisfaga (2.1) la se nal es entonces aperiodica.
Como ejemplo particular, en el captulo anterior se demostro, que la se nal x(n) = cos(2f
0
n)
es periodica si y solo si f
0
es un n umero racional f
0
=
k
N
, donde si k y N son primos
relativos entonces el periodo es N.
Si una se nal periodica no toma valores innitos (es decir, es una se nal acotada) entonces
es a su vez una se nal de potencia, por ser su potencia promedio nita e igual al promedio
en un periodo:
P =
1
N
N1
n=0
[x(n)[
2
Se nales simetricas y asimetricas
Una se nal es simetrica o par si
x(n) = x(n) (2.2)
Se dice ser asimetrica o impar si
x(n) = x(n) (2.3)
en cuyo caso siempre debe cumplirse que x(0) = 0.
Toda se nal puede expresarse como la suma de una se nal par x
p
(n) y otra se nal impar
x
i
(n), donde
x
p
(n) =
x(n) +x(n)
2
x
i
(n) =
x(n) x(n)
2
(2.4)
Ejemplo 2.4 Demuestre que x
p
(n) es par, x
i
(n) es impar y que x(n) = x
p
(n) +x
i
(n).
Solucion:
Sustituyendo (2.4) en (2.2) y (2.3) se logra demostrar facilmente que x
p
(n) y x
i
(n) son
par e impar respectivamente.
La suma de x
p
(n) y x
i
(n) resulta claramente en x(n). 2.4
Ejemplo 2.5 Dada una se nal x(n) = 0
, 1, 2 encuentre sus componentes par e impar.

Solucion:
Para calcular la componente par se realiza la suma de la se nal con su reexion, y luego
se divide por dos:
x(n) = 0, 0, 0
, 1, 2
x(n) = 2, 1, 0
, 0, 0
x(n) +x(n) = 2, 1, 0
, 1, 2
x
p
(n) =
x(n)+x(n)
2
= 1, 1/2, 0
, 1/2, 1
Para calcular la componente impar se le substrae la reexion a la se nal, y luego se divide
por dos:
x(n) = 0, 0, 0
, 1, 2
x(n) = 2, 1, 0
, 0, 0
x(n) x(n) = 2, 1, 0
, 1, 2
x
i
(n) =
x(n)x(n)
2
= 1, 1/2, 0
, 1/2, 1
Puede comprobarse directamente que con los anteriores resultados se cumple x
p
(n) +
x
i
(n) = x(n). 2.5
2.2 Sistemas en tiempo discreto
A los dispositivos que operan sobre se nales de variable discreta (o tiempo discreto) se les
denomina sistemas discretos. En general, reciben una se nal de entrada x(n) para producir
una se nal de salida y(n). Se dice que el sistema transforma x(n) en y(n), lo que se expresa
como
y(n) = T [x(n)]
donde T [] representa al operador de transformacion o procesamiento realizado por el
sistema sobre x(n) para producir y(n).
2.2.1 Descripcion entrada-salida de sistemas
La descripcion de entrada-salida dene la relacion entre x(n) y y(n). La estructura interna
del sistema es desconocida o ignorada, es decir, el sistema se considera como una caja
negra cuyo funcionamiento interno no interesa, sino el comportamiento especco ante
cierta entrada (gura 2.8).
x(n)
Sistema
Discreto
y(n)
Figura 2.8: Entrada-salida de un sistema discreto
Ejemplo 2.6 Determine la salida de los siguientes sistemas para la entrada
x(n) =
_
3 [n[ para 2 n 2
0 en el resto
1. y(n) = x(n)
2. y(n) = x(n 2)
3. y(n) = x(n + 1)
4. y(n) =
1
3
[x(n + 1) + x(n) +x(n 1)]
5. y(n) = max x(n + 1), x(n), x(n 1)
6. y(n) =
n
k=
x(k)
Solucion:
1. Al sistema y(n) = x(n) se le denomina identidad, pues su salida es identica a la
entrada: y(n) = 1, 2, 3
, 2, 1
2. El sistema y(n) = x(n 2) retarda la entrada dos muestras: y(n) = 1
, 2, 3, 2, 1.
3. El sistema y(n) = x(n + 1) adelanta la se nal una unidad y solo puede ser realizado
fuera de lnea, por ser imposible en un sistema de tiempo real determinar el valor
de una muestra en el futuro: y(n) = 1, 2, 3, 2
, 1.
4. El ltro de media mobil y(n) =
1
3
[x(n + 1) + x(n) +x(n 1)] calcula el promedio
de tres muestras: y(n) = 1/3, 1, 2, 7/3
, 2, 1, 1/3.
5. El ltro de rango y(n) = max x(n + 1), x(n), x(n 1) entrega el valor maximo
de la muestra actual, la anterior y la futura: y(n) = 1, 2, 3, 3
, 3, 2, 1. Este ltro
puede considerarse como ltro paso bajos.
6. El acumulador y(n) =
n
k=
x(k) realiza la integracion discreta de la entrada:
y(n) = 1, 3, 6
, 8, 9, 9, . . .. Note que el acumulador puede reescribirse como

y(n) =
n
k=
x(k) =
n1
k=
x(k)
. .
y(n1)
+x(n) = y(n 1) +x(n)
2.6
En general, la salida y(n) en el instante n puede depender no solo de la muestra actual
x(n), sino tambien de la se nal en instantes anteriores y posteriores a n. Ademas, la
salida de un sistema puede depender de un estado interno. Por ejemplo, en el acumulador
y(n) = y(n 1) + x(n) si una secuencia de entrada se aplica en dos instantes de tiempo
distintos, las dos reacciones del sistema dieren, dependiendo de la historia anterior del
sistema y(n1). Para determinar la salida del acumulador en un instante n
0
es necesario
conocer y(n
0
1). El calculo de la secuencia de salida y(n) para todo instante n > n
0
tiene como condicion inicial al valor y(n
0
1), que en cierta forma resume todo el pasado
del sistema.
Si la condicion inicial es cero se dice que el sistema estaba en reposo. Siempre se asume
que en n = todo sistema estaba en reposo. La salida de un sistema en reposo puede
expresarse entonces utilizando unicamente la se nal de entrada, puesto que por denicion
todas las salidas anteriores son cero.
Ejemplo 2.7 Determine la salida del sistema acumulador para la entrada x(n) = nu(n)
con condicion inicial y(1) = .
Solucion:
y(n) =
n
k=
x(k) =
1
k=
x(k)
. .
y(1)=
+
n
k=0
k
. .
n(n+1)
2
= +
n(n + 1)
2
Recuerde que
n
k=0
k = 1 + 2 + 3 + . . . + n
n
k=0
k = n + n 1 + n 2 + . . . + 1
2
n
k=0
k = n + 1 + n + 1 + n + 1 + . . . + n + 1
2
n
k=0
k = n(n + 1)
n
k=0
k =
n(n+1)
2
2.7
2.2.2 Diagramas de bloques
En el captulo anterior se indico que un sistema esta conformado por subsistemas, es decir,
bloques de procesamiento de se nal con tareas especcas dentro del sistema total. Este
concepto se aplica recursivamente, de tal modo que un subsistema se descompone a su
vez en otros subsistemas mas sencillos, que a su vez pueden estar constituidos por otros
subsistemas, y as sucesivamente, hasta llegar a ciertos componentes elementales descritos
a continuacion.
Sumador
El sumador es un bloque sin memoria, que se representa como lo indica la gura 2.9. Tal
replacemen
x
1
(n)
x
2
(n)
y(n) = x
1
(n) +x
2
(n)
Figura 2.9: Diagrama de un sumador.
y como lo indica su nombre, su tarea es sumar dos se nales o mas se nales muestra por
muestra.
Multiplicador por constante
El multiplicador por constante es un bloque sin memoria, que se representa como lo indica
la gura 2.10. Se utiliza para escalar toda una secuencia por un mismo factor.
x(n) a y(n) = ax(n)
Figura 2.10: Diagrama de un multiplicador por constante.
Multiplicador de se nal
El multiplicador de se nal es un bloque sin memoria, que se representa como lo indica la
gura 2.11, y que genera una nueva secuencia a partir de los productos entre muestras de
las se nales de entrada correspondientes a un mismo instante n.
x
1
(n)
x
2
(n)
y(n) = x
1
(n)x
2
(n)
Figura 2.11: Diagrama de un multiplicador de se nales.
Retardador de un elemento
El retardador es un bloque con memoria de longitud 1, representado como lo indica
la gura 2.12. Es uno de los elementos de procesamiento digital mas utilizados. Su
x(n) y(n) = x(n 1)
z
1
Figura 2.12: Diagrama de elemento retardador.
smbolo esta muy relacionado con las propiedades de la transformada z que se analizaran
posteriormente.
Adelantador de un elemento
El adelantador no es realizable fsicamente y solo existe en sistemas de tratamiento de
se nales fuera de lnea. Se representa como lo indica la gura 2.13.
x(n) y(n) = x(n + 1)
z
Figura 2.13: Diagrama de elemento adelantador.
Ejemplo 2.8 Realice el diagrama de bloques para
y(n) =
1
4
y(n 1) +
1
2
x(n) +
1
2
x(n 1)
Solucion:
Notese primero que esta expresion puede reescribirse de la siguiente forma:
y(n) =
1
4
y(n 1) +
1
2
(x(n) +x(n 1)) (2.5)
con lo que se deriva facilmente el diagrama mostrado en la gura 2.14.
2.8
z
1
z
1
1
4
1
2
y(n)
x(n)
Figura 2.14: Diagrama de bloques de la ecuacion 2.5.
2.2.3 Clasicacion de los sistemas discretos
Un sistema se dice tener una determinada propiedad, si dicha propiedad se cumple para
todas las se nales de entrada posibles. Un contraejemplo basta para descartar que un sis-
tema posea una determinada propiedad. La tabla 2.2 resume las propiedades de sistemas
discretos, que se detallan a continuacion.
Tabla 2.2: Propiedades de sistemas discretos.
Propiedad
Memoria Sistema estatico Sistema dinamico
Varianza Sistema variante en el tiempo Sistema invariante en el tiempo
Linealidad Sistema lineal Sistema no lineal
Causalidad Sistema causal Sistema no causal
Estabilidad Sistema estable Sistema inestable
Sistemas estaticos y dinamicos
En un sistema estatico, o sin memoria, la salida y(n) depende solo de la entrada x(n) en
el mismo instante n, y no de las entradas pasadas o futuras. Todos los otros casos son
sistemas dinamicos.
Si la salida y(n) depende de las entradas de x(n N) a x(n) se dice que el sistema tiene
memoria de duracion N, donde N puede ser nita o innita.
Por ejemplo, y(n) = ax(n) +nx
2
(n) +bx
3
(n) representa un sistema estatico, mientras que
y(n) =
n
k=0
a
k
x(n k) es un sistema dinamico.
Sistemas variantes e invariantes en el tiempo
Un sistema T en reposo es invariante en el tiempo o invariante al desplazamiento si y solo
si
x(n)
T
y(n) x(n k)
T
y(n k)
Ejemplo 2.9 Determine si los siguiente sistemas son o no invariantes en el tiempo:
1. y(n) = x(n) x(n 1)
2. y(n) = x(n) cos(
0
n)
Solucion:
El sistema y(n) = x(n) x(n 1) es invariante en el tiempo. Para demostrarlo se
calcula la respuesta del sistema en reposo a la entrada desplazada x(n k), que resulta
en y
k
(n) = x(n k) x(n k 1). La respuesta a x(n), retrasada k muestras es
y(n k) = x(n k) x(n k 1). Como y(n k) = y
k
(n) el sistema es invariante en el
tiempo.
El sistema modulador y(n) = x(n) cos(
0
n) es variante en el tiempo, puesto que su
respuesta y
k
(n) a x(n k) es y
k
(n) = x(n k) cos(
0
n), y la repuesta a x(n), retardada
k muestras es y(n k) = x(n k) cos(
0
(n k)) que es diferente a y
k
(n). 2.9
Sistemas lineales y no lineales
Un sistema es lineal si satisface el teorema de superposicion, es decir, para cualesquiera
dos constantes a
1
, a
2
y para toda se nal x
1
(n) y x
2
(n) se cumple
T [a
1
x
1
(n) +a
2
x
2
(n)] = a
1
T [x
1
(n)] +a
2
T [x
2
(n)] .
Como consecuencia, todo sistema lineal tiene la propiedad multiplicativa o de escalado
T [a
1
x
1
(n)] = a
1
T [x
1
(n)]
y la propiedad aditiva
T [x
1
(n) +x
2
(n)] = T [x
1
(n)] +T [x
2
(n)] .
El principio de superposicion puede generalizarse para M se nales como
x(n) =
M
k=1
a
k
x
k
(n)
T
y(n) =
M
k=1
a
k
T [x
k
(n)]
De la propiedad de escalado se deduce ademas que un sistema lineal en reposo con entrada
cero (x(n) = 0, n Z) debe tener como salida una se nal nula y(n) = 0.
Si para un sistema la propiedad de superposicion no se cumple, entonces el sistema se
dice ser no lineal.
Ejemplo 2.10 Compruebe si los siguientes sistemas son lineales.
1. y(n) = nx(n)
2. y(n) = x(n
2
)
3. y(n) = x
2
(n)
4. y(n) = Ax(n) +B
5. y(n) = e
x(n)
Solucion:
1. Para el sistema 1 se obtiene primero la respuesta del sistema a una entrada igual a la
suma ponderada de dos se nales x
1
(n) y x
2
(n), es decir, para una entrada total x(n) =
a
1
x
1
(n)+a
2
x
2
(n) y se obtiene y
T
(n) = n(a
1
x
1
(n)+a
2
x
2
(n)) = a
1
nx
1
(n)+a
2
nx
2
(n).
Ahora, la suma ponderada de las salidas del sistema para x
1
(n) y x
2
(n) por separado
es y
S
(n) = a
1
y
1
(n) +a
2
y
2
(n), con y
1
(n) = nx
1
(n) y y
2
(n) = nx
2
(n), lo que es igual a
y
S
(n) = a
1
nx
1
(n) +a
2
nx
2
(n). Como y
T
(n) = y
S
(n) se puede armar que el sistema
y(n) = nx(n) es lineal.
2. Para y(n) = x(n
2
) las salidas y
T
(n) = a
1
x
1
(n
2
)+a
2
x
2
(n
2
) y y
S
= a
1
x
1
(n
2
)+a
2
x
2
(n
2
)
son identicas y por tanto el sistema es lineal.
3. Para y(n) = x
2
(n) la salida y
T
(n) = (a
1
x
1
(n) + a
2
x
2
(n))
2
= a
2
1
x
2
1
(n) + a
2
2
x
2
2
(n) +
2a
1
a
2
x
1
(n)x
2
(n) y la salida y
S
(n) = a
2
1
x
2
1
(n) +a
2
2
x
2
2
(n) evidentemente son diferentes
y por tanto el sistema no es lineal.
4. Para y(n) = Ax(n) + B la salida y
T
(n) = A(a
1
x
1
(n) + a
2
x
2
(n)) + B y la salida
y
S
(n) = Aa
1
x
1
(n) +B +Ax
2
(n) +B = Aa
1
x
1
(n) +Ax
2
(n) + 2B dieren para todo
B ,= 0 y por tanto el sistema, a pesar de su apariencia, no es lineal.
5. Para y(n) = e
x(n)
la salida y
T
= e
a
1
x
1
(n)+a
2
x
2
(n)
= e
a
1
x
1
(n)
e
a
2
x
2
(n)
y la salida y
S
=
e
a
1
x
1
(n)
+e
a
2
x
2
(n)
son diferentes y por tanto el sistema tampoco es lineal.
2.10
Sistemas causales y no causales
Un sistema es causal si y(n) depende unicamente de las entradas presentes y pasadas
(x(n), x(n 1), x(n 2), . . .), y salidas pasadas (y(n 1), y(n 2), . . .), pero no de las
entradas o salidas futuras (x(n+1), x(n+2), . . .; y(n+1), y(n+2), . . .). En caso contrario,
el sistema es no causal.
Sistemas que funcionan en lnea deben ser causales por la imposibilidad de determinar
el valor de la entrada o la salida en el futuro.
A una se nal x(n) que es cero para n 0 y diferente de cero para n < 0 se le denomina
se nal anticausal . Las implicaciones de la causalidad junto con la linealidad e invarianza
en el tiempo no son triviales, y se profundizara en ellas en los proximos captulos.
Sistemas estables e inestables
Un sistema arbitrario en reposo se denomina estable de entrada acotada - salida acotada
(BIBO: bounded input bounded output) si toda entrada acotada produce una salida
acotada:
[x(n)[ M
x
<
T
[y(n)[ M
y
< , n Z
Basta con que alguna entrada acotada produzca una salida no acotada (es innita), para
que el sistema sea inestable.
2.2.4 Interconexion de sistemas discretos
Hay dos maneras fundamentales de interconectar sistemas discretos: interconexion en
cascada (o serie) e interconexion paralela (gura 2.15). La interconexion en cascada se
describe con sistemas de la forma:
y(n) = T
2
[T
1
[x(n)]] = T
c
[x(n)]
En general, el orden de los bloques para la conexion en cascada es relevante. Sin embargo,
si los sistemas son lineales e invariantes en el tiempo entonces T
c
es a su vez lineal e
invariante en el tiempo, y T
1
[T
2
[]] = T
2
[T
1
[]]. La interconexion en paralelo se describe
por
y(n) = T
1
[x(n)] +T
2
[x(n)] = T
p
[x(n)] .
x(n) x(n) y(n) y(n)
y
1
(n)
y
1
(n)
y
2
(n)
T
1
T
1
T
2
T
2
(a) (b)
Figura 2.15: Interconexion de sistemas discretos. (a) Cascada. (b) Paralelo
2.3 Analisis de sistemas discretos lineales e invariantes en el tiempo
2.3 Analisis de sistemas discretos lineales e invarian-
tes en el tiempo
El analisis de sistemas se simplica enormemente si estos son lineales e invariantes en el
tiempo (LTI: Linear and Time Invariant).
2.3.1 Tecnicas de analisis
Existen dos metodos basicos para el analisis del comportamiento de un sistema:
1. Descomposicion de la se nal de entrada en se nales elementales, cuya respuesta es
conocida.
2. Solucion de la ecuacion de diferencias.
La solucion de la ecuacion de diferencias se revisara en la seccion 2.4.
El concepto fundamental del analisis de sistemas lineales por descomposicion es el si-
guiente: supongase que la entrada x(n) puede expresarse como una suma ponderada de
funciones elementales x
k
(n)
x(n) =
k
c
k
x
k
(n)
donde c
k
son los coecientes de ponderacion o pesos de la descomposicion de la se nal x(n).
Si la respuesta del sistema en reposo a x
k
(n) es y
k
(n), es decir
y
k
(n) = T [x
k
(n)]
entonces con la propiedad de linealidad se obtiene
y(n) = T [x(n)] = T
_
k
c
k
x
k
(n)
_
=
k
c
k
T [x
k
(n)] =
k
c
k
y
k
(n)
En otras palabras, si el sistema es lineal, la respuesta y(n) del sistema a una entrada x(n)
es igual a la suma ponderada de las repuestas y
k
(n) a cada una de las componentes x
k
(n)
en que se puede descomponer x(n), donde ademas los coecientes c
k
de ponderacion de
las salidas corresponden a los coecientes de ponderacion de la entrada.
En esta descomposicion, la eleccion de las funciones elementales dependera de las carac-
tersticas de las se nales a evaluar. Dos clases de funciones son usuales: impulsos ((nk))
y funciones exponenciales complejas e
j
k
n
, esta ultima utilizandose frecuentemente en el
llamado analisis frecuencial (ver captulo 5). En los ultimos a nos ha cobrado fuerza el uso
de otras familias de funciones elementales caracterizadas a partir de la teora de wavelets,
tema que sin embargo excede el marco de este curso.
2.3.2 Descomposicion de una se nal en impulsos
Utilizando impulsos desplazados como funciones elementales puede expresarse cualquier
se nal x(n) como:
x(n) =
k=
x(k)(n k)
Ejemplo 2.11 Descomponga la se nal
x(n) = 0
, 1, 2, 1, 1/2, 1
en sus impulsos.
Solucion:
Esta se nal puede expresarse como
x(n) = 1 (n 1) + 2 (n 2) 1 (n 3)
1
2
(n 4) + 1 (n 5)
2.11
2.3.3 Convolucion
Si se denota con h
(n, k) la respuesta del sistema a un impulso desplazado k unidades

(n k)
h
(n, k) = T [(n k)]

entonces la salida de un sistema lineal puede calcularse con las repuestas elementales a
dichos impulsos desplazados:
y(n) =
k
c
k
y
k
(n) =
k
x(k)h
(n, k)
donde se han utilizado x
k
(n) = (n k) como entradas elementales y por lo tanto los
coecientes c
k
= x(k).
Si el sistema es ademas invariante en el tiempo, entonces con h(n) = T [(n)] se tiene que
h
(n, k) = h(n k) y por lo tanto

y(n) =
k=
x(k)h(n k) = x(n) h(n)
que se denomina sumatoria de convolucion. Se dice entonces que la respuesta del sistema
LTI y(n) a una entrada x(n) es igual a la convolucion de x(n) con la respuesta al impulso
h(n).
Esto quiere decir que en un sistema LTI en reposo su respuesta a cualquier entrada puede
determinarse con solo conocer dicha entrada y la respuesta al impulso h(n).
El calculo de la convolucion involucra cuatro pasos:
1. Reexion de h(k) con respecto a k = 0 para producir h(k).
2. Desplazamiento del origen de h(k) hacia el punto n que se desea calcular.
3. Multiplicacion de x(k) y h(n k) para obtener la secuencia producto v
n
(k) =
x(k)h(n k).
4. Suma de todos los valores de v
n
(k) para obtener y(n).
Los pasos del 2 al 4 deben realizarse para todo instante n que se desee calcular.
Ejemplo 2.12 Determine la respuesta a la se nal de entrada
x(n) = 1
, 2, 3, 1
de un sistema LTI con respuesta al impulso
h(n) = 1, 2
, 1, 1
Solucion:
Siguiendo el procedimiento indicado, primero se calcula la reexion de la respuesta al
impulso
h(k) = 1, 1, 2
, 1 .
Los pasos siguientes se resumen en la tabla 2.3.
Con lo que resulta la se nal de salida en
y(n) = 1, 4
, 8, 8, 3, 2, 1
2.12
Ejemplo 2.13 Para el caso en que la entrada x(n) y la respuesta impulsional h(n) sean
de longitud nita, calcule la longitud de la salida en terminos de las longitudes de x(n) y
h(n).
Tabla 2.3: Ejemplo de convolucion de dos secuencias nitas.
2. Desplazamiento 3. Multiplicacion 4. Suma
por x(k) = 1
, 2, 3, 1
h(1 k)=1, 1, 2, 1
v
1
=0, 0, 0, 1
, 0, 0, 0 y
1
=1
h(0 k)=1, 1, 2
, 1 v
0
=0, 0, 2
, 2, 0, 0 y
0
=4
h(1 k)=1, 1
, 2, 1 v
1
=0, 1
, 4, 3, 0 y
1
=8
h(2 k)=1
, 1, 2, 1 v
2
=1
, 2, 6, 1 y
2
=8
h(3 k)=0
, 1, 1, 2, 1 v
3
=0
, 2, 3, 2 y
3
=3
h(4 k)=0
, 0, 1, 1, 2, 1 v
4
=0
, 0, 3, 1 y
4
=-2
h(5 k)=0
, 0, 0, 1, 1, 2, 1 v
5
=0
, 0, 0, 1 y
5
=-1
Solucion:
Una se nal nita tiene longitud N si el intervalo mas peque no con muestras diferentes de
cero tiene N muestras.
Asuma que los ndices menor y mayor de la entrada x(n) son k
i
y k
f
respectivamente, y
los de la respuesta impulsional h(n) son l
i
y l
f
(gura 2.16).
replacemen
x(n) h(n)
k
i
k
f
l
i
l
f
Figura 2.16:

Indices de las se nales de entrada y repuesta impulsional.
La longitud de x(n) es entonces N
x
= k
f
k
i
+1, y la longitud de la respuesta impulsional
es N
h
= l
f
l
i
+ 1.
El desplazamiento menor n
min
para el que puede haber salida es (gura 2.17):
n
min
= k
i
+l
i
El desplazamiento mayor n
max
para el que puede haber salida es (gura 2.18):
n
max
= k
f
+l
f
x(k)
h(n k)
k
i
k
f
l
i
l
f
n
min
= k
i
+l
i
k
k
Figura 2.17: Menor desplazamiento para el que puede haber salida.
x(k)
h(n k)
k
i
k
f
l
i
l
f
n
max
= k
f
+l
f
k
k
Figura 2.18: Mayor desplazamiento para el que puede haber salida.
La longitud de la se nal de salida es entonces
N
y
= n
max
n
min
+ 1
= (k
f
+l
f
) (k
i
+l
i
) + 1 + (1 1)
= (k
f
k
i
+ 1) + (l
f
l
i
+ 1) 1
= N
x
+N
h
1
es decir, el resultado de la convolucion tiene una longitud que es tan solo una muestra
menor que la suma de las longitudes de las dos se nales sobre las que ella opera. 2.13
En el ejemplo anterior se observa que para los valores n
min
y n
max
, es decir, los lmites del
intervalo de muestras donde existe salida no nula, es irrelevante que funcion representa la
entrada y que funcion representa la respuesta al impulso del sistema. Esto indica cierta
simetra en la convolucion. Con un simple cambio de variables es posible demostrar que
la convolucion es de hecho totalmente conmutativa, y no solo el valor de sus ndices:
y(n) = x(n) h(n) =
k=
x(k)h(n k) =
m=nk
m=
x(n m)h(m)
=
k=
h(k)x(n k)
= h(n) x(n)
Ejemplo 2.14 Encuentre a traves de la convolucion la respuesta de un sistema con
respuesta exponencial al impulso:
h(n) = a
n
u(n), [a[ < 1 .
ante el escalon unitario u(n).
Solucion:
Observese que a
n
= e
nln a
, con lo que se establece la relacion con los sistemas analogicos
de respuesta exponencial h
a
(t) = e
t/
(gura 2.19). Para encontrar mas detalles de esta
relacion as umase que la se nal h
a
(t) se discretiza en el tiempo con un intervalo de muestreo
T:
h
a
(nT) = e
nT/
!
= e
nln a
ln a =
T
a = e
T/
v
ent
(t) = (t)
R
C
v
sal
(t)
v
sal
=
1
e
t/
, = RC
Figura 2.19: Circuito analogico con respuesta exponencial al impulso.
Puede observarse que este tipo de sistemas analogicos solo permiten a 0, mientras que
los sistemas discretos permiten ademas a < 0 sin ninguna complejidad computacional
adicional.
Para determinar la salida y(n) del sistema con la entrada escalon unitario u(n) se utiliza
la sumatoria de convolucion:
y(n) =
k=
x(n k)h(k) =
k=
u(n k)h(k) (2.6)
Puesto que las secuencias producto son 0 para n < 0 entonces y(n) = 0 para n < 0.
Evaluando entonces (2.6) para varios n se obtiene:
y(0) = h(0) = 1
y(1) = h(0) + h(1) = 1 + a
y(2) = h(0) + h(1) + h(2) = 1 + a +a
2
.
.
.
y(n) =
n
k=0
h(k) =
n
k=0
a
k
Recordando
n
k=0
a
k
= 1 +a +a
2
+. . . +a
n
a
n
k=0
a
k
= a +a
2
+. . . +a
n
+a
n+1
(1 a)
n
k=0
a
k
= 1 a
n+1
con lo que se deriva
n
k=0
a
k
=
1 a
n+1
1 a
Si [a[ < 1 entonces lim
n
a
n+1
= 0 lo que implica que y() =
1
1a
. La gura 2.20 muestra
un ejemplo de la respuesta para a = 0,9.
0
1
2
3
4
5
6
7
8
9
10
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
x(n)
n
1
1a
Figura 2.20: Respuesta al sistema exponencial con a = 0,9.
Notese la similitud con la respuesta del sistema analogico al escalon continuo de la forma
k(1 e
t/
). Mas tarde en el curso se retomaran estas similitudes. 2.14
2.3.4 Propiedades de la convolucion
Conmutatividad
x(n) y(n) = y(n) x(n)
x(n)
x(n)
h(n)
h(n)
y(n) y(n)
Figura 2.21: Representacion de la propiedad de la convolucion de conmutatividad.
Asociatividad
[x(n) h
1
(n)] h
2
(n) = x(n) [h
1
(n) h
2
(n)]
x(n) x(n)
h
1
(n) h
2
(n) h
1
(n) h
2
(n)
Figura 2.22: Representacion de la propiedad de la convolucion de asociatividad.
Distributividad
x(n) [h
1
(n) +h
2
(n)] = x(n) h
1
(n) +x(n) h
2
(n)
x(n) x(n) y(n) y(n)
h
1
(n)
h
2
(n)
h
1
(n) +h
2
(n)
Figura 2.23: Representacion de la propiedad de la convolucion de distributividad.
Las tres propiedades pueden generalizarse para mas de dos subsistemas.
2.3.5 Sistemas LTI causales
En un sistema causal la salida en n = n
0
depende solo de valores de entrada x(n) para
n n
0
, es decir, de valores pasados. Como
y(n
0
) =
k=
h(k)x(n
0
k) =
k=0
h(k)x(n
0
k)
. .
Muestras
pasadas y
actual
+
1
k=
h(k)x(n
0
k)
. .
Muestras
futuras
se deriva que h(k) = 0 para todo k 1, pues solo as la salida podra ser independiente
de entradas futuras.
Dado que h(n) es la respuesta impulsional de un sistema LTI en reposo, h(n) = 0 para
n < 0 es condicion necesaria y suciente para la causalidad. Un sistema es causal entonces
si y solo si h(n) = 0, n < 0.
Si un sistema es causal entonces la convolucion puede simplicarse en
y(n) =
k=0
h(k)x(n k) =
n
k=
x(k)h(n k)
Generalizando, a una secuencia x(n) con x(n) ,= 0 para alg un n < 0 se le denomina
secuencia no causal, y de lo contrario, secuencia causal. A secuencias con x(n) = 0
para n 0 y con x(n) ,= 0 para alguna muestra con n < 0 se les denomina secuencias
anticausales.
Si tanto la entrada x(n) como la respuesta impulsional son causales, entonces la convo-
lucion se simplica en:
y(n) =
n
k=0
h(k)x(n k) =
n
k=0
x(k)h(n k)
Notese que esta respuesta es a su vez causal, es decir, y(n) = 0 para todo n < 0.
2.3.6 Estabilidad de sistemas lineales e invariantes en el tiempo
Un sistema se dice estable si para toda entrada acotada su salida es tambien acotada:
[x(n)[ M
x
< [y(n)[ M
y
< n
Dada la convolucion
y(n) =
k=
h(k)x(n k)
y su valor absoluto
[y(n)[ =
k=
h(k)x(n k)
k=
[h(k)[[x(n k)[
k=
[h(k)[M
x
[y(n)[ M
x
k=
[h(k)[
lo que implica que [y(n)[ es acotada solo si
S
h
=
k=
[h(k)[
En consecuencia un sistema LTI es estable si su respuesta impulsional es absolutamente
sumable. Esta condicion es necesaria y suciente.
Si h(n) no es absolutamente sumable entonces, derivado de lo anterior, debera existir al
menos una entrada que produce una salida no acotada y por tanto el sistema es inestable.
Si para un sistema con respuesta al impulso h(n) se elige como entrada la se nal
x(n) =
_
h(n)
|h(n)|
para h(n) ,= 0
0 para h(n) = 0
basta entonces con demostrar que existe alg un valor de n para el que y(n) no esta acotada
para concluir inestabilidad. Por ejemplo, calc ulese y(0)
y(0) =
k=
x(k)h(k) =
k=
[h(k)[
2
[h(k)[
=
k=
[h(k)[ = S
h
Quiere decir que si h(n) no es absolutamente sumable (S
h
) entonces la salida no es
acotada y el sistema es inestable.
La condicion
k=
[h(k)[ < implica que h(n) tiende a cero cuando n , lo que a
su vez implica que si la entrada x(n) es cero para todo n > n
0
entonces la salida tiende a
cero para n :
y(n
0
+N) =
N1
k=
h(k)x(n
0
+N k)
. .
=0 (x(n)=0,n>n
0
)
+
k=N
h(k)x(n +N k)
[y(n
0
+N)[ =
k=N
h(k)x(n +N k)
k=N
[h(k)[[x(n +N k)[
. .
Mx
M
x
k=N
[h(k)[
Si N entonces lim
N
k=N
[h(k)[ = 0 y de ah que lim
N
y(n
0
+N) = 0.
Esto implica que en un sistema estable cualquier excitacion de duracion nita a la entrada
produce una respuesta transitoria, es decir, una respuesta cuya amplitud decrece y se anula
con el tiempo.
Ejemplo 2.15 Determine el rango del parametro a para el que el sistema LTI de res-
puesta al impulso h(n) = a
n
u(n) es estable.
Solucion:
El sistema es estable si
k=0
[a
k
[ =
k=0
[a[
k
= 1 +[a[ +[a[
2
+. . .
converge. Esto ocurre si y solo si [a[ < 1 y esta suma converge a
k=0
[a
k
[ =
1
1 [a[
2.15
Ejemplo 2.16 Determine el rango de valores de a y b para los cuales el sistema LTI de
respuesta
h(n) =
_
a
n
n 0
b
n
n < 0
es estable.
Solucion:
La condicion de estabilidad es
n=
[h(n)[ =
1
n=
[b[
n
+
n=0
[a[
n
=
n=1
1
b
n
. .
Converge
si [b[ > 1
+
n=0
[a[
n
. .
Converge
si [a[ < 1
=
[b[
[b[ 1
+
1
1 [a[
El sistema es estable si [a[ < 1 y si [b[ > 1. 2.16
2.3.7 Sistemas de respuesta nita e innita
Es util distinguir los sistemas entre aquellos con una respuesta nita al impulso (FIR:
Finite Impulse Response) y aquellos con respuesta innita al impulso (IIR: Innite Im-
pulse Response) por las consideraciones practicas que los distintos conceptos conllevan:
la implementacion de los primeros se puede realizar directamente, mientras que la de los
segundos se basa en ecuaciones de diferencias.
Para los sistemas causales FIR la convolucion se reduce a
y(n) =
M1
k=0
h(k)x(n k), h(k) = 0, k < 0 k M (2.7)
El sistema se comporta como una ventana que solo permite ver M muestras para
calcular la salida. Se dice que el sistema FIR tiene memoria nita de M muestras.
2.4 Sistemas discretos descritos mediante ecuaciones
de diferencias
El calculo de la convolucion:
y(n) =
k=
h(k)x(n k)
solo es posible para sistemas FIR, puesto que en el caso de sistemas IIR se requerira de
una memoria innita para almacenar h(n), y un n umero innito de multiplicaciones y
adiciones para calcular una sola muestra de la salida.
Las llamadas ecuaciones de diferencias permiten trabajar con sistemas IIR.
2.4 Sistemas discretos descritos mediante ecuaciones de diferencias
2.4.1 Sistemas discretos recursivos y no recursivos
Un sistema es recursivo si su salida en el instante n depende de valores anteriores de la
salida, y(n 1), y(n 2), . . .:
y(n) = F[y(n 1), y(n 2), . . . , y(n N), x(n), x(n 1), . . . , x(n M)]
donde F[] denota una funcion cualquiera, y sus argumentos son las entradas y salidas
presentes y pasadas.
El sistema es no recursivo si solo depende de las entradas presentes y pasadas, mas no de
salidas pasadas:
y(n) = F[x(n), x(n 1), . . . , x(n M)]
Notese que los sistemas LTI FIR causales, cuya salida se expresa como la suma nita de
convolucion (2.7) no son recursivos.
x(n)
x(n)
y(n)
y(n)
z
1
F[x(n), x(n 1), x(n 2), . . . , x(n M)]
F[y(n 1), . . . , y(n N)
x(n), ..., x(n M)]
Sistema no recursivo
Sistema recursivo
Figura 2.24: Diagrama de bloques de sistemas recursivos y no recursivos.
El lazo de realimentacion da origen a una diferencia fundamental en el calculo de la salida:
La salida recursiva debe determinarse en orden, pues para calcular y(n
0
) se necesitan todos
los N valores anteriores, mientras que en un sistema no recursivo las salidas anteriores no
son necesarias y se puede calcular un valor directamente para cualquier n.
Ejemplo 2.17 Determine una expresion recursiva para el sistema de media acumulativa.
Solucion:
El sistema de media acumulativa
y(n) =
1
n + 1
n
k=0
x(k)
es recursivo pues
(n + 1)y(n) =
n
k=0
x(k)
ny(n 1) =
n1
k=0
x(k)
(n + 1)y(n) =
n1
k=0
x(k) +x(n) = ny(n 1) +x(n)
y(n) =
n
n + 1
y(n 1) +
1
n + 1
x(n)
=
1
n + 1
(ny(n 1) +x(n)) (2.8)
Notense los coecientes no constantes para la salida anterior y(n 1) y la entrada actual
x(n), que son
n
n+1
y
1
n+1
respectivamente; estos implican que el sistema es variante en el
tiempo. La gura 2.25 muestra el diagrama de bloques correspondiente.
x(n)
y(n)
n
1
n + 1
z
1
Figura 2.25: Diagrama de bloques del sistema de media acumulativa.
2.17
2.4.2 Sistemas LTI caracterizados por ecuaciones de diferencias
con coecientes constantes
Los sistemas descritos por ecuaciones de diferencias con coecientes constantes son una
subclase de los sistemas recursivos y no recursivos.
Considerese el sistema (ver ademas la gura 2.26)
y(n) = ay(n 1) +x(n)
x(n) y(n)
a
z
1
Figura 2.26: Diagrama de bloques de un sistema LTI.
que a pesar de su similitud con (2.8), diere por la naturaleza de los coecientes, lo que
tiene implicaciones sobre la invarianza en el tiempo. En este ultimo caso, el coeciente
a es constante y el sistema es invariante en el tiempo. Para la media acumulativa, el
coeciente es dependiente del tiempo y el sistema es entonces variante en el tiempo.
Eval uese ahora la respuesta de este sistema ante una entrada x(n) con x(n) = 0, n < 0,
y con una condicion inicial y(1):
y(0) = ay(1) +x(0)
y(1) = ay(0) + x(1) = a
2
y(1) +ax(0) + x(1)
y(2) = ay(1) + x(2) = a
3
y(1) +a
2
x(0) + ax(1) + x(2)
.
.
.
y(n) = a
n+1
y(1) +a
n
x(0) + a
n1
x(1) + . . . +a
0
x(n)
= a
n+1
y(1)
. .
y
zi
(n)
+
n
k=0
a
k
x(n k)
. .
y
zs
(n)
, n 0
El termino y
zi
(n) depende de las condiciones iniciales y se obtendra si la entrada fuese cero
(zero input), como producto del estado inicial del sistema y de sus caractersticas propias.
A y
zi
(n) se le denomina respuesta natural o libre del sistema, o tambien, respuesta a
entrada nula.
El termino y
zs
(n) se obtiene cuando el estado del sistema es cero (zero state), es decir, con
una entrada x(n) cuando el sistema esta en reposo, y se le denomina respuesta en estado
nulo o respuesta forzada. Notese que en el ejemplo, y
zs
(n) puede interpretarse como la
convolucion de x(n) con la respuesta impulsional:
h(n) = a
n
u(n)
donde los ndices son nitos por la causalidad de ambas se nales x(n) y h(n).
Este ejemplo corresponde a una ecuacion de diferencias de primer orden, y es un caso
particular de la ecuacion de diferencias:
y(n) =
N
k=1
a
k
y(n k) +
M
k=0
b
k
x(n k)
o con a
0
= 1:
N
k=0
a
k
y(n k) =
M
k=0
b
k
x(n k)
donde el entero N recibe el nombre de orden de la ecuacion de diferencias u orden del
sistema.
Las condiciones iniciales y(1), . . . , y(N) resumen toda la historia pasada del sistema,
y son necesarias para efectuar el calculo de las salidas presentes y futuras.
El concepto de linealidad, descrito anteriormente, se puede replantear ahora como la
satisfaccion de tres requisitos:
1. La respuesta total es igual a la suma de las respuestas de entrada nula y en estado
nulo (y(n) = y
zi
(n) +y
zs
(n)).
2. El principio de superposicion se aplica a la respuesta en estado nulo (lineal en estado
nulo).
3. El principio de superposicion se aplica a la respuesta a la entrada nula (lineal a
entrada nula).
Ejemplo 2.18 Determine que un sistema descrito por la ecuacion de diferencias de
primer orden es lineal.
Solucion:
1.
y(n) = ay(n 1) +x(n) = a
n+1
y(1) +
n
k=0
a
k
x(n k)
Con la entrada cero se obtiene:
y
zi
(n) = a
n+1
y(1)
Con estado inicial cero se obtiene:
y
zs
(n) =
n
k=0
a
k
x(n k) y(n) = y
zi
(n) +y
zs
(n)
2. Para x
1
(n),
y
zs
1
(n) =
n
k=0
a
k
x
1
(n k)
Para x
2
(n),
y
zs
2
(n) =
n
k=0
a
k
x
2
(n k)
y
zs
1
(n) +y
zs
2
(n) =
n
k=0
a
k
x
1
(n k) +
n
k=0
a
k
x
2
(n k)
=
n
k=0
a
k
(x
1
(n k) +x
2
(n k))
que equivale a la respuesta del sistema a x
1
(n) +x
2
(n) y, por lo tanto, el sistema es
lineal en estado nulo.
3. Con y
zi
1
(n) = a
n+1
y
1
(1) y y
zi
2
(n) = a
n+1
y
2
(1), se obtiene
y
zi
1
+y
zi
2
= a
n+1
y
1
(1) +a
n+1
y
2
(1)
= a
n+1
(y
1
(1) +y
2
(1))
que equivale a la respuesta de entrada cero del sistema con condiciones iniciales
y(1) = y
1
(1) +y
2
(1), por lo que el sistema es lineal a entrada nula.
De forma similar, es posible demostrar que todo sistema descrito por una ecuacion de
diferencias con coecientes constantes es lineal. Estos sistemas son a su vez invariantes
en el tiempo, al ser sus coecientes constantes.
El estudio de estabilidad en sistemas de orden mayor a 1, requiere de otras tecnicas que
seran estudiadas posteriormente. 2.18
2.4.3 Solucion de ecuaciones de diferencias con coecientes cons-
tantes
El objetivo de solucionar la ecuacion de diferencias
N
k=0
a
k
y(n k) =
M
k=0
b
k
x(n k) (2.9)
es encontrar la salida y(n) de un sistema para una determinada entrada x(n), n 0, dado
un conjunto de condiciones iniciales. Utilizando el llamado metodo directo, se asume que
la solucion se compone de dos partes:
y(n) = y
h
(n) +y
p
(n) (2.10)
donde y
h
(n) es la solucion homogenea o complementaria, y y
p
(n) es la solucion particular.
La solucion homogenea de una ecuacion de diferencias
Para solucionar la ecuacion (2.9) se asume primero una entrada nula x(n) = 0, para as
resolver:
N
k=0
a
k
y(n k) = 0 (2.11)
De forma analoga a la solucion de ecuaciones diferenciales, se asume que la solucion es de
forma exponencial:
y
h
(n) =
n
(2.12)
Sustituyendo (2.12) como solucion tentativa en (2.11), se obtiene:
N
k=0
a
k
nk
= 0
que se puede reescribir como:
nN
(
N
+a
1
N1
+a
2
N2
+. . . +a
N1
+a
N
)
. .
polinomio caracterstico
= 0
El termino entre parentesis es llamado polinomio caracterstico y tiene en general N
races, denotadas
1
,
2
, . . . ,
N
, que pueden ser reales o complejas, apareciendo en el
ultimo caso como pares complejos conjugados, siempre y cuando los coecientes a
k
sean reales. Algunas de las races pueden ser identicas (de orden m ultiple).
Asumiendo que las races son distintas, la solucion mas general a la ecuacion de diferencias
homogenea es:
y
h
(n) = C
1
n
1
+C
2
n
2
+. . . +C
N
n
N
con los coecientes de ponderacion C
k
, que se calculan a partir de las condiciones iniciales
especicadas para el sistema.
Ejemplo 2.19 Determine la solucion homogenea para la ecuacion de diferencias de
primer orden:
y(n) +a
1
y(n 1) = x(n) (2.13)
Solucion:
Con x(n) = 0 y y
h
(n) =
n
se obtiene:
n
+a
1
n1
= 0
n1
( +a
1
) = 0 = a
1
y la solucion sera:
y
h
(n) = C
n
= C(a
1
)
n
Sustituyendo en (2.13) para n = 0, junto con x(n) = 0, se obtiene:
y(0) + a
1
y(1) = 0 y(0) = a
1
y(1)
y con y
h
(0) = C = a
1
y(1)
y
h
(n) = a
1
y(1)(a
1
)
n
= y(1)(a
1
)
n+1
= y
zi
(n), n 0
que corresponde ademas con la respuesta de entrada nula. 2.19
Ejemplo 2.20 Determine la respuesta a entrada nula del sistema descrito por la ecuacion
de diferencias homogenea de segundo orden
y(n) 3y(n 1) 4y(n 2) = 0 .
Solucion:
Suponiendo y
h
(n) =
n
, se obtiene:
n
3
n1
4
n2
=
n2
(
2
3 4) =
n2
( 4)( + 1)
Por lo que la forma general de la solucion homogenea es:
y
h
(n) = C
1
n
1
+C
2
n
2
= C
1
(1)
n
+C
2
(4)
n
Para la respuesta a entrada nula se plantea:
y(0) = 3y(1) + 4y(2) = C
1
+C
2
(2.14)
y(1) = 3y(0) + 4y(1)
= 3(3y(1) + 4y(2)) + 4y(1)
= 13y(1) + 12y(2) = C
1
+ 4C
2
Sumando y(0) y y(1) resulta en
C
2
=
16y(1) + 16y(2)
5
y considerando (2.14) se deriva ademas
3y(1) + 4y(2) C
2
= C
1
3y(1) + 4y(2)
16y(1) + 16y(2)
5
= C
1
C
1
=
4y(2) y(1)
5
Finalmente
y
zi
(n) =
4y(2) y(1)
5
(1)
n
+
16y(1) + 16y(2)
5
4
n
.
2.20
Si
1
es una raz de multiplicidad m, entonces:
y
h
(n) = C
1
n
1
+C
2
n
n
1
+C
3
n
2
n
1
+. . . +C
m
n
m1
n
1
+C
m+1
n
2
+. . .
Ejemplo 2.21 Repita el ejemplo anterior para:
y(n) 4y(n 1) + 4y(n 2) = 0
Solucion:
Suponiendo y
h
(n) =
n
, resulta en el polinomio caracterstico
n2
(
2
4 + 4) =
n2
( 2)
2
= 0
por lo que la solucion general es
y
h
(n) = C
1
n
1
+C
2
n
n
1
,
1
= 2
Se deja como ejercicio al lector demostrar que
y
zi
(n) = [y(1) y(2)]2
n+2
+ [y(1) 2y(2)]n2
n+1
2.21
La solucion particular de la ecuacion de diferencias
La solucion particular y
p
(n) debe satisfacer:
N
k=0
a
k
y
p
(n k) =
M
k=0
b
k
x(n k), a
0
= 1
lo que generalmente depende de la forma de x(n).
Ejemplo 2.22 Determine la solucion particular de
y(n) +a
1
y(n 1) = x(n), [a
1
[ < 1 (2.15)
para x(n) = u(n)
Solucion:
Como x(n) es constante para n 0, se asume que la solucion tambien es constante para
n 0. La solucion particular es entonces:
y
p
(n) = Ku(n)
Sustituyendo esto en (2.15) se obtiene:
Ku(n) +a
1
Ku(n 1) = u(n) (2.16)
y para n 1 esto equivale a:
K +a
1
K = 1
K(1 +a
1
) = 1
K =
1
1 +a
1
lo que implica que la solucion particular es:
y
p
(n) =
1
1 +a
1
u(n)
2.22
En el ejemplo anterior se asumio y
p
(n) como un escalon porque la entrada tena esta
forma. Si x(n) fuera exponencial, y
p
(n) tambien lo sera. Si x(n) fuera senoidal, entonces
y
p
(n) tambien lo sera. La tabla 2.4 muestra algunas formas de solucion particular para
entradas particulares.
Solucion total a la ecuacion de diferencias
Por la linealidad de los sistemas descritos por ecuaciones de diferencias con coecientes
constantes, la solucion total se calcula como la suma de las soluciones homogenea y
particular (2.10).
Las constantes C
k
, de la solucion homogenea, sin embargo, deben recalcularse para
poder satisfacer las condiciones iniciales.
Tabla 2.4: Forma general de la solucion particular para diversos tipos de se nal de entrada
Se nal de entrada Solucion particular
x(n) y
p
(n)
(n) 0
A(cte) K
AM
n
KM
n
An
M
K
0
n
M
+K
1
n
M1
+. . . +K
M
A
n
n
M
A
n
(K
0
n
M
+K
1
n
M1
+. . . +K
M
)
_
Acos
0
n
Asin
0
n
_
K
1
cos
0
n +K
2
sin
0
n
Ejemplo 2.23 Determine la solucion total y(n), n 0 de la ecuacion de diferencias
y(n) +a
1
y(n 1) = x(n), con x(n) = u(n) y condicion inicial y(1).
Solucion:
De los ejemplos anteriores se tiene:
y
h
(n) = C(a
1
)
n
, y
p
(n) =
1
1 +a
1
y(n) = C(a
1
)
n
+
1
1 +a
1
Con n = 1 se obtiene:
y(1) =
C
a
1
+
1
1 +a
1
a
1
y(1) +
a
1
1 +a
1
= C
y por lo tanto:
y(n) = (a
1
)
n+1
y(1) +
1 (a
1
)
n+1
1 +a
1
Notese que el valor de C depende no solo de las condiciones iniciales, sino tambien de la
entrada. 2.23
2.4.4 Respuesta impulsional de un sistema recursivo LTI
La respuesta impulsional h(n) en sistemas recursivos es igual a la respuesta de estado
cero del sistema cuando la entrada x(n) = (n), es decir, para la respuesta impulsional
siempre se considera que el sistema esta inicialmente en reposo.
Por ejemplo, en el sistema recursivo de primer orden tratado anteriormente, la respuesta
de estado cero es:
y
zs
(n) =
n
k=0
a
k
x(n k)
y con x(n) = (n), se obtiene:
y
zs
(n) =
n
k=0
a
k
(n k)
= a
n
, n 0
As, su respuesta impulsional es h(n) = a
n
u(n), que coincide con lo calculado previamente.
En el caso general de sistemas recursivos LTI (considerados causales), la respuesta de
estado cero en terminos de convolucion con una entrada causal se expresa como
y
zs
(n) =
n
k=0
h(k)x(n k) = h(n) x(n), n 0
Si la entrada es un impulso, lo anterior se reduce a:
y
zs
(n) = h(n) (n) = h(n)
Con la entrada (n), la solucion particular es cero, puesto que x(n) = 0 para n > 0.
Consecuentemente, la respuesta de un sistema a un impulso consiste en la solucion a la
ecuacion homogenea con los coecientes C
k
determinados para satisfacer las condiciones
iniciales.
Ejemplo 2.24 Determine la respuesta impulsional h(n) del sistema
y(n) 3y(n 1) 4y(n 2) = x(n) + 2x(n 1) (2.17)
Solucion:
En el ejemplo 2.20 se obtuvo:
y
h
(n) = C
1
(1)
n
+C
2
(4)
n
, n 0 (2.18)
que corresponde tambien a la respuesta impulsional h(n), debido a que para x(n) =
(n), y
p
(n) = 0. Sustituyendo (2.18) en (2.17), y considerando que el sistema esta en
reposo (y(1) = y(2) = 0):
y(0) = 1
!
= C
1
+C
2
y(1) 3y(0) = 2 y(1) = 5
!
= C
1
+ 4C
2
5C
2
= 6 C
2
=
6
5
, C
1
=
1
5
y nalmente
h(n) =
_
1
5
(1)
n
+
6
5
(4)
n
_
u(n)
2.24
Cualquier sistema recursivo descrito por una ecuacion de diferencias lineal con coecientes
constantes es un sistema IIR, pero no todo sistema IIR LTI puede ser descrito con estas
ecuaciones.
La respuesta impulsional de un sistema de orden N, descrito por una ecuacion de dife-
rencias lineal de orden N:
y(n) =
N
k=1
a
k
y(n k) +
M
k=0
b
k
x(n k)
se obtiene a traves de la solucion homogenea:
y
h
(n) =
N
k=1
C
k
n
k
= h(n)
cuando las races del polinomio caracterstico son distintas, donde los coecientes C
k
se
obtienen con las condiciones iniciales
y(1) = y(2) = . . . = y(N) = 0
Considerando que
n=0
[h(n)[ =
n=0
k=1
C
k
n
k
k=1
[C
k
[
n=0
[
k
[
n
si [
k
[ < 1 para todo k, entonces
n
[
k
[
n
< , y por lo tanto
n=0
[h(n)[ < . Si uno
o mas de los [
k
[ > 1, entonces h(n) no es absolutamente sumable y en consecuencia el
sistema es inestable.
Por lo tanto, un sistema IIR causal descrito por una ecuacion de diferencias con coecientes
constantes, es estable si todas las races del polinomio son menores que uno en valor
absoluto. Esto es as a un con races de multiplicidad m.
2.5 Implementacion de sistemas discretos
Hasta ahora se ha visto el analisis de sistemas LTI descritos mediante ecuaciones de
diferencias lineales de coecientes constantes y el analisis por convolucion, en el dominio
del tiempo (o de variable) discreto. Mas adelante se tratara el analisis en el dominio de
la frecuencia.
En la practica, el dise no y la implementacion se tratan conjuntamente, y se deben con-
siderar aspectos de costo, tama no, hardware, potencia, etc. Algunos esquemas de imple-
mentacion se revisaran aqu.
2.5.1 Estructuras para la realizacion de sistemas LTI
Considerese el sistema de primer orden:
y(n) = a
1
y(n 1) +b
0
x(n) +b
1
x(n 1)
y su realizacion directa (gura 2.27).
replacemen
x(n) y(n)
z
1
z
1
b
0
b
1
a
1
v(n)
Figura 2.27: Realizacion directa del sistema de primer orden y(n) = a
1
y(n 1) + b
0
x(n) +
b
1
x(n 1).
que se puede interpretar como la serie de dos sistemas LTI:
v(n) = b
0
x(n) +b
1
x(n 1)
y
y(n) = a
1
y(n 1) +v(n) .
Como la conexion en serie de sistemas LTI es conmutativa, se puede reemplazar el sistema
anterior por el indicado en la gura 2.28, donde se cumplen las ecuaciones:
(n) = x(n) a
1
(n 1)
y(n) = b
0
(n) +b
1
(n 1)
replacemen
x(n) y(n)
(n)
z
1
z
1
b
0
b
1
a
1
Figura 2.28: Reemplazo del sistema de la gura 2.27.
replacemen
x(n) y(n)
z
1
b
0
b
1
a
1
Figura 2.29: Simplicacion del sistema de la gura 2.28.
Adicionalmente, se observa que los dos retardadores tienen la misma entrada (n) y por
lo tanto la misma salida (n 1), y se pueden agrupar en uno solo seg un se muestra en
la gura 2.29.
A esta estructura se le denomina forma directa II y utiliza solo un elemento retardador,
en lugar de los dos utilizados en la forma directa I (gura 2.27).
Notese que esto puede generalizarse para la ecuacion de diferencias:
y(n) =
N
k=1
a
k
y(n k) +
M
k=0
b
k
x(n k) (2.19)
compuesta de un sistema no recursivo:
v(n) =
M
k=0
b
k
x(n k)
y un sistema recursivo:
y(n) =
N
k=1
a
k
y(n k) +v(n)
mostrados en la gura 2.30. Invirtiendo el orden y combinando los retardadores se obtiene,
con M < N, el diagrama mostrado en la gura 2.31. Notese que esta estructura requiere
maxN, M retardadores y M + N + 1 multiplicaciones, que contrastan con los N + M
retardadores de la forma directa, aunque el n umero de multiplicaciones es el mismo. A esta
forma II, por poseer el mnimo de retardadores, se le denomina tambien forma canonica.
x(n) y(n)
z
1
z
1
z
1
z
1
z
1
z
1
z
1
a
1
a
2
a
N1
a
N
b
0
b
2
b
2
b
M1
b
M
v(n)
.
.
.
.
.
.
.
.
.
Figura 2.30: Forma directa I.
Al caso especial no recursivo con a
k
= 0, k = 1 . . . N:
y(n) =
M
k=0
b
k
x(n k)
se le denomina sistema de media ponderada movil o sistema MWA (moving weighted
average), que es un sistema FIR de respuesta impulsional:
h(k) =
_
b
k
, 0 k M
0, en otro caso
Con M = 0, el sistema de la ecuacion (2.19) se torna puramente recursivo:
y(n) =
N
k=1
a
k
y(n k) +b
0
x(n)
y calcula la combinacion lineal de las ultimas N salidas y la entrada actual.
Posteriormente se analizara el hecho de que un sistema FIR tambien puede implementarse
como un sistema recursivo, ademas de su realizacion no recursiva.
x(n) y(n)
z
1
z
1
z
1
z
1
z
1
a
1
a
2
a
3
a
N2
a
N1
a
N
b
0
b
1
b
2
b
3
b
M
(n)
(n 1)
(n 2)
(n 3)
(n M)
(n N)
.
.
.
.
.
.
.
.
.
Figura 2.31: Forma directa II.
2.6 Correlacion
La correlacion es una operacion similar a la convolucion que se utiliza para medir la
similitud entre dos secuencias. Se aplica en diversas areas de la ingeniera como radar,
sonar, comunicaciones digitales, geologa, etc.
2.6 Correlacion
2.6.1 Autocorrelacion y correlacion cruzada
La correlacion cruzada de las secuencias x(n) e y(n), ambas reales y de energa nita, se
dene como:
r
xy
(n) =
k=
x(k)y(k n), n = 0, 1, 2, . . .
o lo que es equivalente:
r
xy
(n) =
k=
x(k +n)y(k), n = 0, 1, 2, . . .
El ndice n es el parametro de desplazamiento o retardo en el tiempo, y los subndices xy
indican cuales se nales han sido correlacionadas. De esta forma se tiene entonces que:
r
yx
(n) =
k=
y(k)x(k n) =
k=
y(k +n)x(k) = r
xy
(n)
Por lo tanto, r
yx
(n) es la correlacion r
xy
(n) reejada con respecto a n = 0.
Notese que exceptuando el paso de reexion de una de las se nales, la correlacion es identica
con la convolucion: se desplaza la segunda se nal, se calcula la secuencia producto, y se
determina su suma. El lector puede demostrar que:
r
xy
(n) = x(n) y(n)
Si y(n) = x(n), entonces se obtiene la autocorrelacion de x(n), que se dene como la
secuencia:
r
xx
(n) =
k=
x(n)x(k n) =
k=
x(k +n)x(k)
Si x(n) e y(n) son se nales causales nitas de longitud N (esto es, x(n) = y(n) = 0, n <
0, n N) la correlacion puede expresarse como:
r
xy
=
N+min{0,n}1
k=max{n,0}
x(k)y(k n)
2.6.2 Propiedades de la correlacion
Sean x(n) y y(n) dos se nales de energa nita. La energa de la se nal:
w(k) = ax(k) +by(k n)
es:
k=
[ax(k) +by(k n)]
2
= a
2
k=
x
2
(k) +b
2
k=
y
2
(k n) + 2ab
k=
x(k)y(k n)
= a
2
r
xx
(0) + b
2
r
yy
(0) + 2abr
xy
(n)
Notese que r
xx
(0) = E
x
es la energa de la se nal x(n) y r
yy
(0) = E
y
la energa de y(n).
Puesto que la energa es una suma de valores positivos debe cumplirse que:
a
2
r
xx
(0) + b
2
r
yy
(0) + 2abr
xy
(n) 0
y suponiendo que b ,= 0, se obtiene dividiendo por b
2
:
r
xx
(0)
_
a
b
_
2
+ 2r
xy
(n)
_
a
b
_
+r
yy
(0) 0
que se puede considerar como ecuacion cuadratica de variable (a/b) con coecientes
r
xx
(0), 2r
xy
(n) y r
yy
(0), que para ser no negativa requiere que el discriminante sea no
positivo:
4[r
2
xy
r
xx
(0)r
yy
(0)] 0 [r
xy
(n)[
_
r
xx
(0)r
yy
(0) =
_
E
x
E
y
y para y(n) = x(n):
[r
xx
(n)[ r
xx
(0) = E
x
es decir, la autocorrelacion alcanza su valor maximo para el retardo cero, cuando por
decirlo as la se nal es identica a s misma.
Un escalado de la se nal por un escalar, escala la correlacion de la misma manera, y por
tanto carece en el analisis de importancia por ser mas relevante la forma de la correlacion.
Por ello en la practica se normaliza la correlacion para producir as valores entre -1 y 1.
La autocorrelacion normalizada se dene como:
xx
(n) =
r
xx
(n)
r
xx
(0)
y la correlacion cruzada como:
xy
(n) =
r
xy
(n)
_
r
xx
(0)r
yy
(0)
Como r
xy
(n) = r
yx
(n), se cumple para la autocorrelacion r
xx
(n) = r
xx
(n), es decir, es
una funcion par.
2.6 Correlacion
Ejemplo 2.25 Calcule la autocorrelacion de la se nal:
x(n) = a
n
u(n), 0 < a < 1
Solucion:
Para n 0:
r
xx
(n) =
k=n
x(k)x(k n) =
k=n
a
k
a
kn
= a
n
k=n
_
a
2
_
k
y puesto que lim
N
N+1
= 0 si < 1 entonces
k=n
k
= lim
N
N+1
1
=

n
1
r
xx
(n) = a
n
_
a
2n
1 a
2
_
=
a
n
1 a
2
para n < 0:
r
xx
(n) =
k=0
x(k)x(k n) =
k=0
a
k
a
kn
= a
n
k=0
_
a
2
_
k
=
a
n
1 a
2
=
a
|n|
1 a
2
y combinando ambas partes se obtiene:
r
xx
(n) =
a
|n|
1 a
2
que es, como se predijo, una funcion par r
xx
(n) = r
xx
(n). Con r
xx
(0) =
1
1a
2
se obtiene
la autocorrelacion normalizada:
xx
(n) =
r
xx
(n)
r
xx
(0)
= a
|n|
2.25
2.6.3 Correlacion de secuencias periodicas
La correlacion anterior fue denida para se nales de energa. Si las se nales x(n) e y(n) son
se nales de potencia, su correlacion cruzada se dene como:
r
xy
(n) = lm
M
1
2M + 1
M
k=M
x(k)y(k n)
y la autocorrelacion de una se nal de potencia como:
r
xx
(n) = lm
M
1
2M + 1
M
k=M
x(k)x(k n)
Si las se nales son periodicas con periodo N, entonces este promedio puede calcularse en
un solo periodo:
r
xy
(n) =
1
N
N1
k=0
x(k)y(k n)
En la practica se utiliza la correlacion para encontrar periodicidades en se nales fsicas
alteradas por interferencias aleatorias.
Si por ejemplo y(n) = x(n) +(n), donde x(n) es periodica y (n) es una se nal aleatoria,
entonces la correlacion es:
r
yy
(n) =
1
M
M1
k=0
y(k)y(k n)
=
1
M
M1
k=0
[x(k) +(k)][x(k n) +(k n)]
=
1
M
M1
k=0
[x(k)x(k n)] + [x(k)(k n)] + [(k)x(k n)] + [(k)(k n)]
= r
xx
(n) +r
x
(n) +r
x
(n) +r
(n)
considerando solo M muestras y asumiendo y(n) = 0 para n < 0, n M.
La periodicidad de x(n) permite asumir que r
xx
(n) tambien es periodica y presenta picos
en n = 0, N, 2N, etc.. Por la consideracion de tan solo M muestras, conforme N tiende
a M la magnitud de estos picos tiende a cero, por lo que debe escogerse M N y n no
debe evaluarse, como regla emprica, para n > M/2.
Si (n) es aleatoria puede asumirse que r
x
(n) y r
x
(n) son muy peque nas, por no estar
relacionada con x(n). Por la naturaleza aleatoria de (n) puede asumirse ademas que
r
(n) tiende rapidamente a cero, por lo que en r

yy
(n) dominara r
xx
(n), lo que permite
detectar el periodo.
La gura 2.32 muestra un segmento de 701 muestras de una se nal ac ustica representando
la vocal a. La se nal original tiene una longitud de 57000 muestras. La gura 2.33
muestra el resultado de la autocorrelacion, donde se aprecia claramente un periodo de
aproximadamente 100 muestras, lo que se puede corroborar con la se nal original en la
gura 2.32.
2.6 Correlacion
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
0.6
0.65
700 800 900 1000 1100 1200 1300
Senal
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
700 800 900 1000 1100 1200 1300
Senal y ruido
Figura 2.32: Se nal ac ustica representando la vocal a, en la parte superior pura, y en la parte
inferior con ruido.
4000
4200
4400
4600
4800
5000
5200
5400
5600
5800
-300 -200 -100 0 100 200 300
Autocorrelacion
Figura 2.33: Autocorrelacion de la se nal con ruido en la gura 2.32.
2.6.4 Secuencias de correlacion de entrada-salida
Si se aplica la se nal x(n) con autocorrelacion r
xx
(n) a un sistema con respuesta al impulso
h(n), entonces:
y(n) = h(n) x(n) =
k=
h(k)x(n k)
La correlacion entre la salida y la entrada es
r
yx
(n) = y(n) x(n)
= [h(n) x(n)] x(n)
= h(n) r
xx
(n)
que depende solo de la respuesta impulsional h(n) y la autocorrelacion de la entrada
r
xx
(n).
La autocorrelacion de la salida es
r
yy
(n) = y(n) y(n)
= [h(n) x(n)] [h(n) x(n)]
= [h(n) h(n)] [x(n) x(n)]
= r
hh
(n) r
xx
(n)
que equivale a la convolucion de la autocorrelacion de la respuesta impulsional r
hh
(n) con
la autocorrelacion de la entrada r
xx
(n).
2.7 Problemas
2.7 Problemas
Problema 2.1. Encuentre expresiones algebraicas que permitan generar a partir de la
se nal x(n) las siguientes secuencias, utilizando para ello las operaciones fundamentales de
reexion y desplazamiento.
x(n) = . . . , a
2
, a
1
, a
0
, a
1
, a
2
, a
3
, . . .
1. x
1
(n) = . . . , a
4
, a
3
, a
2
, a
1
, a
0
, a
1
, a
2
. . .
2. x
2
(n) = . . . , a
1
, a
2
, a
3
, a
4
, a
5
, a
6
, a
7
. . .
3. x
3
(n) = . . . , a
4
, a
3
, a
2
, a
1
, a
0
, a
1
, a
2
. . .
4. x
4
(n) = . . . , a
1
, a
2
, a
3
, a
4
, a
5
, a
6
, a
7
. . .
Problema 2.2. Si x
1
(n) = 4, 2, 1
, 5, 1, 3 y x
2
(n) = 1, 2, 3, 4, 5, calcule
1. x
3
(n) = x
1
(n) +x
2
(n)
2. x
4
(n) = x
1
(n)x
2
(n)
3. x
5
(n) = 3x
1
(n)x
2
(n)
Problema 2.3.
Genere y muestre las siguientes secuencias en MatLab:
1. x
1
(n) = 0,75 (n 5) para 0 n 10
2. x
2
(n) = 0,9 (n) para 7 n 7
3. x
3
(n) = 1,5(n 250) para 300 n 350
4. x
4
(n) = 4,5(n + 7) para 10 n 0
5. x
5
(n) = . . . , 0, 1, 2, 3, 4, 0
, 1, 2, 3, 4, 0, 1 . . . para 5 n 9
6. x
6
(n) = sen

17
n para 0 n 25
7. x
7
(n) = sen

17
n para 15 n 25
8. x
8
(n) = sen(3n +

2
) para 10 n 10
9. x
9
(n) = cos(

23
n) para 0 n 50
Problema 2.4. Dada una se nal x(n) = 2, 3, 4
, 1, 0, 2, 3, 2.
Represente esta se nal en MatLab y muestrela gracamente.
Calcule las componentes par e impar de esta se nal x
p
(n) e x
i
(n).
Verque que la suma de ambas componentes generan la se nal de entrada original.
Problema 2.5. Genere y visualice en MatLab una representacion para la se nal h(n) =
2/7
, 2/7, 3/14, 1/7, 1/14, 0, y otra para la se nal x(n) = 1
, 0, 0, 0, 0, 1.
Calcule y visualice la convolucion de las se nales h(n) y x(n) utilizando el operador conv.
Para una se nal constante, que salida tiene un sistema con respuesta impulsional h(n)?
Que tipo de ltro es h(n)?
Problema 2.6. Genere y visualice en MatLab una representacion para la se nal h(n) =
1
, 1, y otra para la se nal x(n) = 1
, 0, 0, 0, 0, 1.
Calcule y visualice la convolucion de ambas se nales
Para una se nal constante, que salida tiene un sistema con respuesta impulsional h(n)?
Que tipo de ltro es h(n)?
Problema 2.7. Programe una funcion de MatLab que reciba dos se nales nitas y retorna
su convolucion.
Verique el funcionamiento de su funcion comparandola con el operator conv.
Problema 2.8. Genere una funcion de MatLab que reciba un vector con los coecientes
a
k
y otro vector con los coecientes b
k
, ademas de la se nal de entrada, y que utilizando
la expresion del sistema como ecuacion de diferencias genere la se nal de salida para un
n umero dado de muestras. Las condiciones iniciales deben poder darse en forma opcional,
asumiendo un valor de cero en todas ellas si se omiten.
Captulo 3
Analisis de sistemas LTI discretos
con la transformada z
La transformada z es a los sistemas discretos lo que la transformada de Laplace es a los
sistemas continuos. Ambas representan herramientas para el analisis de ciertas propieda-
des de las se nales, que en el dominio del tiempo solo pueden ser evaluadas con un mayor
n umero de pasos.
3.1 La transformada z
3.1.1 La transformada z directa
La transformada z directa de una se nal x(n) se dene como la serie de potencias:
X(z)
n=
x(n)z
n
(3.1)
que mapea la se nal x(n) en el dominio del tiempo discreto a la funcion X(z) en el dominio
z, lo que se denota como:
X(z) Z x(n)
La relacion entre ambos dominios se indica como:
x(n) X(z) o x(n)
z
X(z)
Como la transformada z es una serie innita de potencias, esta existe solo para los valores
de z para los que la serie converge. La region de convergencia (ROC, region of convergence)
de X(z) es entonces el conjunto de valores de z para los que X(z) es nita.
83
3 Analisis de sistemas LTI discretos con la transformada z
Notese que siempre que se hable de la transformada z de una se nal x(n), debe incluirse
la ROC.
Ejemplo 3.1 Calcule la transformada z de:
1. x
1
(n) = 1, 2, 5, 7, 0, 1
2. x
2
(n) = 1, 2, 5, 7
, 0, 1
3. x
3
(n) = (n)
4. x
4
(n) = (n +k), k > 0
Solucion:
1. X
1
(z) = 1 + 2z
1
+ 5z
2
+ 7z
3
+ 1z
5
, ROC: z C0
2. X
2
(z) = z
3
+ 2z
2
+ 5z + 7 +z
2
, ROC: z C0,
3. X
3
(z) = 1, ROC: z C
4. X
4
(z) = z
+k
, ROC: z C
La ROC de se nales nitas es todo el plano z excepto z = 0 y/o z = . Notese que el
exponente de z basta para identicar las muestras de la se nal. 3.1
Ejemplo 3.2 Determine la transformada z de:
x(n) =
_
1
2
_
n
u(n)
Solucion:
X(z) =
n=
x(n)z
n
=
n=0
_
1
2
_
n
z
n
=
n=0
_
z
1
2
_
n
que converge si
1
2
z
1
< 1 [z[ >

1
2
, a:
X(z) =
1
1
1
2
z
1
, ROC : [z[ >
1
2
3.2
Si se expresa z en su forma polar z = re
j
, con r = [z[ y = z, entonces
X(z) =
n=
x(n)r
n
e
jn
.
Puesto que dentro de la ROC de X(z) se debe cumplir [X(z)[ < , entonces:
[X(z)[ =
n=
x(n)r
n
e
jn
n=
x(n)r
n
(3.2)
es decir, [X(z)[ es nita si y solo si x(n)r
n
es absolutamente sumable.
Para encontrar la ROC se debe entonces encontrar el rango de valores de r para los que
la secuencia x(n)r
n
es absolutamente sumable.
Ahora bien, la ecuacion (3.2) puede reescribirse como:
[X(z)[ =
1
n=
x(n)r
n
n=0
x(n)r
n
n=1
[x(n)r
n
[ +
n=0
x(n)r
n
y ambas sumatorias deben converger si [X(z)[ ha de ser nito. Para la primera suma,
que corresponde a los elementos anticausales, deben existir valores de r sucientemente
peque nos para que x(n)r
n
sea absolutamente sumable (r < r
1
) (gura 3.1).
Im{z}
Re{z}
r
1
ROC de
n=1
|x(n)r
n
|
Plano z
Figura 3.1: Representacion graca de la ROC para r sucientemente peque nos.
Para la segunda suma, correspondiente a los elementos causales de x(n), se necesitan
valores de r sucientemente grandes para que x(n)r
n
sea absolutamente sumable y por
tanto converja. Por ello, la ROC seran los puntos fuera de una circunferencia r > r
2
(gura 3.2).
Como ambas sumas deben converger, la ROC de X(z) es la region anular del plano z,
r
2
< r < r
1
(gura 3.3).
x(n) =
n
u(n)
Im{z}
Re{z}
r
2
Plano z
Figura 3.2: Representacion graca de la ROC para r sucientemente grandes.
Im{z}
Re{z}
r
1
r
2
Plano z
Figura 3.3: Representacion graca completa de la ROC.
Solucion:
Se tiene que:
X(z) =
n=
x(n)z
n
=
n=0
n
z
1
n
=
n=0
(z
1
)
n
que converge si [z
1
[ < 1 ([z[ > [[) a
X(z) =
1
1 z
1
, ROC: [z[ > [[
Notese que si = 1, se tiene la transformada z del escalon unitario:
x(n) = u(n) X(z) =
1
1 z
1
, ROC: [z[ > 1
3.3
x(n) =
n
u(n 1)
Solucion:
X(z) =
n=
x(n)z
n
=
1
n=
n
z
n
=
m=1
m
z
m
=
m=1
(
1
z)
m
que converge solo si [
1
z[ < 1, es decir, si [z[ < [[, a:
X(z) =
_
1
1
1
z
1
_
=

1
z
1
1
z
=
1
1 z
1
Notese que esta expresion es identica a la obtenida para x(n) =
n
u(n). Se concluye que
la forma compacta de la transformada z no especica una unica se nal en el dominio del
tiempo. Esto solo ocurre indicando ademas la ROC. El termino transformada z de alguna
funcion de variable discreta x(n) indica entonces no solo la expresion X(z), sino tambien
su ROC.
De lo anterior se puede inferir ademas que la ROC de una se nal anticausal es el interior de
una circunferencia, mientras que para se nales causales es el exterior de una circunferencia.
3.4
x(n) = a
n
u(n) +b
n
u(n 1)
Solucion:
X(z) =
n=
x(n)z
n
=
n=0
a
n
z
n
+
1
n=
b
n
z
n
=
n=0
_
az
1
_
n
+
n=1
_
b
1
z
_
n
La primera suma converge si [az
1
[ < 1 ([z[ > [a[) y la segunda si [b
1
z[ < 1 ([z[ < [b[).
Esto implica que la transformada z existe si y solo si [b[ > [a[ y la ROC es un anillo en el
plano z. 3.5
La gura 3.4 muestra un resumen de lo discutido hasta el momento en cuanto a la relacion
de la causalidad de una se nal con respecto a la ROC de su transformada z.
Funciones de duraci on nita
Funciones de duraci on innita
n
n
n
n
n
n
Causal
Causal
Anticausal
Anticausal
Bilateral
Bilateral
z \ {0}
z \ {}
z \ {0, }
r
2
< |z|
|z| < r
1
r
2
< |z| < r
1
Figura 3.4: Familia de Se nales y sus ROC[13].
3.1.2 La transformada z inversa
El procedimiento de pasar de la transformada z a su se nal correspondiente se denomina
transformada z inversa. Para determinarla se puede recurrir a la formula integral de
Cauchy, que establece:
1
2j
_
C
f(z)
z z
0
dz =
_
f(z
0
) Si z
0
esta dentro de C
0 Si z
0
esta fuera de C
(3.3)
donde C es cualquier contorno cerrado en el plano z, f(z) una funcion de variable compleja,
analtica dentro y sobre el contorno C.
De forma mas general, si la funcion f(z) es analtica dentro y sobre el contorno C, entonces
existen todas las derivadas de orden (k 1), y se cumple:
1
2j
_
C
f(z)
(z z
0
)
k
dz =
_
_
1
(k 1)!
d
k1
f(z)
dz
k1
z=z
0
Si z
0
esta dentro de C
0 Si z
0
esta fuera de C
(3.4)
Utilizando lo anterior es posible calcular
1
2j
_
C
z
n1k
dz
en tres casos, con z
0
= 0.
Caso 1
n > k:
1
2j
_
C
z
nk
z
dz =
_
z
nk
0
= 0 Si C encierra al origen del plano z
0 Si C no encierra al origen del plano z
Caso 2
n = k:
1
2j
_
C
1
z
dz =
_
1 Si C encierra al origen del plano z
0 Si C no encierra al origen del plano z
Caso 3
n < k:
1
2j
_
C
1
z
k+1n
dz = 0
puesto que k + 1 n 2 y
d
k1
dz
k1
1 = 0.
Lo que se resume en:
1
2j
_
C
z
n1k
dz =
_
1 k = n
0 k ,= n
(3.5)
si C contiene al origen z = 0.
Con la transformada z
X(z) =
k=
x(k)z
k
,
multiplicando ambos lados por z
n1
, e integrando en un contorno cerrado que contenga
al origen y este dentro de la ROC, se obtiene:
_
C
X(z)z
n1
dz =
_
C
k=
x(k)z
k+n1
dz
Como la serie converge dentro de C, la integral y la sumatoria pueden ser intercambiadas:
_
C
X(z)z
n1
dz =
k=
x(k)
_
C
z
k+n1
dz
que con el resultado en (3.5) solo es diferente de cero para k = n, es decir:
x(n) =
1
2j
_
C
X(z)z
n1
dz (3.6)
Este metodo inverso de transformacion de forma analtica no se utiliza con frecuencia. En
vez de ello se emplean tablas de algunas transformaciones conocidas, que junto con las
propiedades de la transformada z permiten obtener mas facilmente la se nal buscada. En
la seccion 3.4 se presentaran estos otros metodos. El lector interesado puede encontrar
mas detalles sobre el calculo de integrales de contorno para funciones de variable compleja
en [1].
3.2 Propiedades de la transformada z
T
a
b
l
a
3
.
1
:
P
r
o
p
i
e
d
a
d
e
s
d
e
l
a
t
r
a
n
s
f
o
r
m
a
d
a
z
.
P
r
o
p
i
e
d
a
d
D
o
m
i
n
i
o
n
D
o
m
i
n
i
o
z
R
O
C
N
o
t
a
c
i
o
n
x
(
n
)
X
(
z
)
R
O
C
:
r
2
<
[
z
[
<
r
1
x
1
(
n
)
X
1
(
z
)
R
O
C
1
x
2
(
n
)
X
2
(
z
)
R
O
C
2
L
i
n
e
a
l
i
d
a
d
a
1
x
1
(
n
)
+
a
2
x
2
(
n
)
a
1
X
1
(
z
)
+
a
2
X
2
(
z
)
p
o
r
l
o
m
e
n
o
s
R
O
C
1
R
O
C
2
D
e
s
p
l
a
z
a
m
i
e
n
t
o
e
n
n
x
(
n
k
)
z
k
X
(
z
)
c
o
m
o
l
a
d
e
X
(
z
)
e
x
c
e
p
t
o
z
=
0
s
i
k
>
0
y
z
=
s
i
k
<
0
E
s
c
a
l
a
d
o
e
n
z
a
n
x
(
n
)
X
(
a
1
z
)
[
a
[
r
2
<
[
z
[
<
[
a
[
r
1
R
e
e
x
i
o
n
e
n
n
x
(
n
)
X
(
z
1
)
1
r
1
<
[
z
[
<
1
r
2
C
o
n
j
u
g
a
c
i
o
n
x
(
n
)
X
(
z
)
R
O
C
P
a
r
t
e
r
e
a
l
R
e
x
(
n
)
1 2
_
X
(
z
)
+
X
(
z
)
I
n
c
l
u
y
e
R
O
C
P
a
r
t
e
i
m
a
g
i
n
a
r
i
a
I
m
x
(
n
)
1 2
_
X
(
z
)
X
(
z
)
I
n
c
l
u
y
e
R
O
C
D
e
r
i
v
a
c
i
o
n
e
n
z
n
x
(
n
)
z
d
X
(
z
)
d
z
r
2
<
[
z
[
<
r
1
C
o
n
v
o
l
u
c
i
o
n
x
1
(
n
)
x
2
(
n
)
X
1
(
z
)
X
2
(
z
)
P
o
r
l
o
m
e
n
o
s
R
O
C
1
R
O
C
2
C
o
r
r
e
l
a
c
i
o
n
r
x
1
x
2
(
n
)
=
x
1
(
n
)
x
2
(
n
)
R
x
1
x
2
=
X
1
(
z
)
X
2
(
z
1
)
P
o
r
l
o
m
e
n
o
s
l
a
i
n
t
e
r
s
e
c
c
i
o
n
d
e
R
O
C
1
y
l
a
d
e
X
2
(
z
1
)
T
e
o
r
e
m
a
d
e
l
v
a
l
o
r
i
n
i
c
i
a
l
S
i
x
(
n
)
e
s
c
a
u
s
a
l
x
(
0
)
=
l
i
m
z
X
(
z
)
M
u
l
t
i
p
l
i
c
a
c
i
o
n
x
1
(
n
)
x
2
(
n
)
1
2
j
_
C
X
1
(
v
)
X
2
_
z v
_
v
1
d
v
P
o
r
l
o
m
e
n
o
s
r
1
l
r
2
l
<
[
z
[
<
r
1
u
r
2
u
R
e
l
a
c
i
o
n
d
e
P
a
r
s
e
v
a
l
n
=
x
1
(
n
)
x
2
(
n
)
=
1
2
j
_
C
X
1
(
v
)
X
2
_
1 v
_
v
1
d
v
Linearidad
Si x
1
(n) X
1
(z) y x
2
(n) X
2
(z), entonces
x(n) = a
1
x
1
(n) +a
2
x
2
(n) X(z) = a
1
X
1
(z) +a
2
X
2
(z) .
Ejemplo 3.6 Determine la transformada z de x(n) = [3(2
n
) 4(3
n
)]u(n).
Solucion: Si x
1
(n) = 2
n
u(n) y x
2
(n) = 3
n
u(n), entonces x(n) = 3x
1
(n) 4x
2
(n)
En el ejemplo (3.3) se derivo:
n
u(n)
1
1 z
1
, ROC : [z[ > [[
con lo que se obtiene:
X
1
(z) =
1
1 2z
1
, ROC : [z[ > 2
X
2
(z) =
1
1 3z
1
, ROC : [z[ > 3
y la transformada de x(n) es:
X(z) =
3
1 2z
1

4
1 3z
1
, ROC : [z[ > 3
Notese que la ROC nal debe ser al menos la interseccion de las dos ROC individuales.
3.6
Desplazamiento en el tiempo
Si x(n) X(z), entonces x(n k) z
k
X(z).
La ROC de z
k
X(z) es la misma de X(z) excepto z = 0 si k > 0 y z = si k < 0.
Ya que el coeciente de z
n
representa el valor de la muestra en el instante n, se aprecia que
retrasar una se nal en k muestras (k > 0) es equivalente a multiplicar todos los terminos
de la transformada z por z
k
.
Escalado en el dominio z
Si x(n) X(z), ROC: r
1
< [z[ < r
2
, entonces:
a
n
x(n) X(a
1
z), ROC : [a[r
1
< [z[ < [a[r
2
para todo a C.
Demostracion:
Z a
n
x(n) =
n=
a
n
x(n)z
n
=
n=
x(n)(a
1
z)
n
= X(a
1
z)
Dado que la ROC de X(z) es r
1
< [z[ < r
2
, entonces para X(a
1
z) se cumple que
r
1
< [a
1
z[ < r
2
[a[r
1
< [z[ < [a[r
2
.
Con a = r
0
e
j
0
, z = re
j
y w = a
1
z =
_
1
r
0
r
_
e
j(
0
)
, se observa con Z x(n) = X(z)
y Z a
n
x(n) = X(a
1
z) = X(w), que r
0
> 1 implica una contraccion del plano z, y
r
0
< 1 una expansion del plano z, en combinacion con una rotacion (si
0
,= 2k).
Ejemplo 3.7 Determine la transformada z de la se nal a
n
cos(
0
n)u(n)
Solucion:
Con la identidad de Euler se obtiene primero que:
cos(
0
n) =
1
2
e
j
0
n
+
1
2
e
j
0
n
y con Z a
n
u(n) =
1
1az
1
se obtiene con a = e
j
0
y la linealidad de la transformacion:
Z cos(
0
n)u(n) =
1
2
_
1
1 e
j
0
z
1
+
1
1 e
j
0
z
1
_
=
1
2
_
2 z
1
(e
j
0
+e
j
0
)
1 e
j
0
z
1
e
j
0
z
1
+z
2
_
, (e
j
0
+e
j
0
) = 2 cos
0
=
1 z
1
cos
0
1 2z
1
cos
0
+z
2
; ROC: [z[ > [e
j
0
[ = 1
por lo que
Z a
n
cos(
0
n)u(n) =
1 az
1
cos
0
1 2az
1
cos
0
+a
2
z
2
, [z[ > [a[
3.7
Inversion temporal
x(n) X(z), ROC: r
1
< [z[ < r
2
x(n) X(z
1
), ROC:
1
r
2
< [z[ <
1
r
1
Demostracion:
Z x(n) =
n=
x(n)z
n
=
l=
x(l)(z
1
)
l
= X(z
1
)
La ROC de X(z
1
) sera r
1
< [z
1
[ < r
2

1
r
2
< [z[ <
1
r
1
Ejemplo 3.8 Determine la transformada z de u(n).
Solucion:
Puesto que Z u(n) =
1
1z
1
, ROC: [z[ > 1 Z u(n) =
1
1z
, ROC: [z[ < 1.
3.8
Diferenciacion en el dominio z
Si x(n) X(z), entonces nx(n) z
dX(z)
dz
.
Demostracion: derivando ambos lados de la denicion con respecto a z se obtiene:
dX(z)
dz
=
d
dz
n=
x(n)z
n
=
n=
x(n)(n)z
n1
= z
1
n=
(nx(n))z
n
= z
1
Z nx(n)
z
dX(z)
dz
= Z nx(n)
Ejemplo 3.9 Determine la transformada z de x(n) = na
n
u(n).
Solucion:
Con x
1
(n) = a
n
u(n), entonces x(n) = nx
1
(n), y puesto que X
1
(z) =
1
1az
1
ROC: [z[ >
[a[, se obtiene:
na
n
u(n) X(z) = z
dX
1
(z)
dz
=
az
1
(1 az
1
)
2
, ROC : [z[ > [a[
Con a = 1 se obtiene la transformacion de la rampa unidad:
nu(n)
z
1
(1 z
1
)
2
, ROC : [z[ > 1
3.9
Convolucion de dos secuencias
Si
x
1
(n) X
1
(z), ROC
1
x
2
(n) X
2
(z), ROC
2
entonces:
x(n) = x
1
(n) x
2
(n) X(z) = X
1
(z)X
2
(z)
la ROC es al menos ROC
1
ROC
2
.
Demostracion:
x(n) =
k=
x
1
(k)x
2
(n k) = x
1
(n) x
2
(n)
la transformada z de x(n) es:
X(z) =
n=
x(n)z
n
=
n=
_

k=
x
1
(k)x
2
(n k)
_
z
n
Intercambiando las sumatorias y aplicando la propiedad de desplazamiento en el tiempo
se obtiene que:
X(z) =
k=
x
1
(k)
_

n=
x
2
(n k)z
n
_
= X
2
(z)
k=
x
1
(k)z
k
= X
2
(z)X
1
(z)
Dependiendo de la longitud de las se nales, a veces es mas eciente transformar x
1
(n) y
x
2
(n) al dominio z, multiplicar sus transformadas y calcular la transformacion inversa,
que realizar la convolucion en el dominio de n.
Correlacion de dos secuencias
x
1
(n) X
1
(z)
x
2
(n) X
2
(z)
r
x
1
x
2
(n) =
k=
x
1
(k)x
2
(k n) R
x
1
x
2
= X
1
(z)X
2
(z
1
)
lo que se deriva directamente de r
x
1
x
2
(n) = x
1
(n) x
2
(n).
Multiplicacion de dos secuencias
Si
x
1
(n) X
1
(z)
x
2
(n) X
2
(z)
entonces:
x(n) = x
1
(n)x
2
(n) X(z) =
1
2j
_
C
X
1
(v)X
2
_
z
v
_
v
1
dv
donde C es un contorno cerrado que encierra al origen y se encuentra en la ROC com un
a X
1
(v) y X
2
_
1
v
_
.
Demostracion:
La transformada z de x(n) es:
X(z) =
n=
x(n)z
n
=
n=
x
1
(n)x
2
(n)z
n
Puesto que x
1
(n) =
1
2j
_
C
X
1
(v)v
n1
dv, entonces:
X(z) =
n=
_
1
2j
_
C
X
1
(v)v
n1
dv
_
x
2
(n)z
n
e introduciendo la suma en la integral:
X(z) =
1
2j
_
C
X
1
(v)
_

n=
x
2
(n)
_
z
v
_
n
_
v
1
dv
=
1
2j
_
C
X
1
(v)X
2
_
z
v
_
v
1
dv
Si X
1
(v) converge para r
1l
< [v[ < r
1u
y X
2
(z) converge para r
2l
< [z[ < r
2u
, entonces la
ROC de X
2
(v) es como mnimo:
r
2l
<
z
v
< r
2u
r
2l
[v[ < [z[ < r
2u
[v[ r
2l
r
1l
< [z[ < r
2u
r
1u
Conjugacion
Si x(n) X(z) entonces x(n) X(z). Esto se deduce a partir de la denicion y con
las propiedades de conjugacion:
Z x(n) =
n=
x(n)z
n
=
_

n=
x(n)z
n
_
= X(z)
Relacion de Parseval
n=
x
1
(n)x
2
(n) =
1
2j
_
C
X
1
(v)X
2
_
1
v
_
v
1
dv ROC: r
1l
r
2l
< 1 < r
1u
r
2u
lo que se demuestra directamente con la propiedad de producto de secuencias evaluada
en z = 1.
Teorema del valor inicial
Si x(n) es causal (x(n) = 0, n < 0), entonces:
x(0) = lim
z
X(z)
Puesto que x(n) es causal:
X(z) =
n=0
x(n)z
n
= x(0) + x(1)z
1
+. . .
Si z todos los terminos z
1
, z
2
, etc. tienden a cero y por tanto:
x(0) = lim
z
X(z)
La tabla 3.1 resume las propiedades anteriores.
3.3 Transformadas z racionales
Una clase de transformadas z encontradas con frecuencia en sistemas digitales presentan
una forma racional, es decir, un cociente de polinomios en z
1
o z. La tabla 3.2 resume
la transformada z de algunas funciones comunes con transformadas de este tipo.
Tabla 3.2: Transformada z de algunas funciones comunes
Se nal x(n) Transformada z, X(z) ROC
(n) 1 Plano z
u(n)
1
1 z
1
[z[ > 1
a
n
u(n)
1
1 az
1
[z[ > [a[
na
n
u(n)
az
1
(1 az
1
)
2
[z[ > [a[
(a
n
)u(n 1)
1
1 az
1
[z[ < [a[
n(a
n
)u(n 1)
az
1
(1 az
1
)
2
[z[ < [a[
cos(
0
n)u(n)
1 z
1
cos
0
1 2z
1
cos
0
+z
2
[z[ > 1
sen(
0
n)u(n)
z
1
sen
0
1 2z
1
cos
0
+z
2
[z[ > 1
a
n
cos(
0
n)u(n)
1 az
1
cos
0
1 2az
1
cos
0
+a
2
z
2
[z[ > 1
a
n
sen(
0
n)u(n)
az
1
sen
0
1 2az
1
cos
0
+a
2
z
2
[z[ > 1
3.3.1 Polos y ceros
Los ceros de la transformada z racional X(z) son aquellos valores de z para los que
X(z) = 0, y los polos, aquellos z para los que X(z) = . Como X(z) es racional,
entonces:
X(z) =
N(z)
D(z)
=
b
0
+b
1
z
1
+. . . +b
M
z
M
a
0
+a
1
z
1
+. . . +a
N
z
N
=
M
k=0
b
k
z
k
N
k=0
a
k
z
k
Asumiendo a
0
,= 0 y b
0
,= 0 y factorizando b
0
z
M
y a
0
z
N
para eliminar las potencias
negativas se obtiene:
X(z) =
N(z)
D(z)
=
b
0
z
M
a
0
z
N

z
M
+
b
1
b
0
z
M1
+. . . +
b
M
b
0
z
N
+
a
1
a
0
z
N1
+. . . +
a
N
a
0
Puesto que N(z) y D(z) son polinomios en z, X(z) se puede expresar como:
X(z) =
N(z)
D(z)
=
b
0
a
0
z
NM
(z z
1
)(z z
2
) . . . (z z
M
)
(z p
1
)(z p
2
) . . . (z p
N
)
= Gz
NM
M
k=1
(z z
k
)
N
k=1
(z p
k
)
donde la constante G es igual a
b
0
a
0
; los ceros z
k
y los polos p
k
corresponden a las
races de los polinomios N(z) y D(z) respectivamente, y hay N M ceros en el origen
si N > M, o M N polos en el origen si M > N. Tambien se dice que hay un cero en
innito si X() = 0, o un polo si X() = . Si se cuentan estos ultimos, el n umero de
polos y ceros es siempre identico.
X(z) puede representarse mediante un diagrama de polos y ceros en el plano complejo z,
donde los ceros se denotan con y los polos con . La multiplicidad se denota con
un ndice al lado del smbolo (por ejemplo, un polo de tercer orden se denota con
3
).
Evidentemente la ROC no puede contener ning un polo, puesto que en el la funcion no
converge.
Ejemplo 3.10 Determine el diagrama de polos y ceros de la se nal x(n) = a
n
u(n), para
a real positivo.
Solucion:
Con X(z) =
1
1az
1
=
z
za
, ROC : [z[ > [a[, se obtiene un cero en z = 0 y un polo en
z = a (gura 3.5).
3.10
Ejemplo 3.11 Determine la transformada z de
x(n) =
_
a
n
, 0 n M 1
0 en el resto
con a real positivo.
Solucion:
Im{z}
Re{z}
a
Plano z
Figura 3.5: Diagrama de polos y ceros del ejemplo 3.10.
X(z) =
n=
x(n)z
n
=
M1
n=0
a
n
z
n
=
M1
n=0
(az
1
)
n
Puesto que
M1
n=0

n
=
1
M
1
, entonces:
X(z) =
1 (az
1
)
M
1 (az
1
)
=
1
_
a
z
_
M
1
a
z
=
z
M
a
M
z
M
za
z
=
z
M
a
M
z
M1
(z a)
con a = a 1 = a e
j2k
, z
M
a
M
= 0 z
M
= a
M
= a
M
e
j2k
de donde se deduce que
z = ae
j2k/M
. Es decir, z
M
a
M
tiene M races ae
j2k/M
, k = 0, . . . , M 1. En resumen,
X(z) tiene un polo en z = 0 con multiplicidad M 1 y otro polo en z = a, que se cancela
con el cero en a, y M 1 ceros distribuidos en un crculo de radio [a[ (gura 3.6).
Im{z}
Re{z}
a
Plano z
M1
Figura 3.6: Diagrama de polos y ceros del ejemplo 3.11 con M = 4.
3.11
Ejemplo 3.12 Determine la transformada z y la se nal correspondiente al diagrama de
polos y ceros de la gura 3.7.
ROC
Im{z}
Re{z}
0
0
p
1
p
2
z
1
z
2
r
Figura 3.7: Diagrama de polos y ceros para el ejemplo (3.12).
Solucion:
La transformada tiene dos ceros y dos polos: z
1
= 0, z
2
= r cos
0
, p
1
= r(cos
0
+
j sen
0
) = re
j
0
, p
2
= r(cos
0
j sen
0
) = re
j
0
.
X(z) = G
(z z
1
)(z z
2
)
(z p
1
)(z p
2
)
= G
z(z r cos
0
)
(z e
j
0
)(z e
j
0
)
= G
1 rz
1
cos
0
1 2rz
1
cos
0
+r
2
z
2
, ROC: [z[ > r
De la tabla 3.2 se obtiene x(n) = G(r
n
cos
0
n)u(n) 3.12
3.3.2 Localizacion de los polos y el comportamiento en el domi-
nio de n para se nales causales
Si una se nal real tiene una transformada z con un solo polo, este tiene que ser real, y la
se nal correspondiente es entonces la exponencial real:
X(z) =
1
1 az
1
=
z
z a
, ROC : [z[ > [a[ x(n) = a
n
u(n)
que tiene ademas un cero en z = 0. Notese que X
2
(z) =
1
za
, corresponde a X(z)z
1
y
por tanto la se nal correspondiente a X
2
(z) x
2
(n) = x(n 1) que sigue siendo una
exponencial real.
La gura 3.8 muestra el comportamiento de la se nal en relacion con la posicion del polo
real, incluyendo su magnitud y signo.
-1 1 -1 1
-1
1
x(n)
n
Plano z
-1 1 -1 1
-1
1
x(n)
n
Plano z
-1 1 -1 1
-1
1
x(n)
n
Plano z
-1 1 -1 1
-1
1
x(n)
n
Plano z
-1 1 -1 1
-10
-5
5
10 x(n)
n
Plano z
-1 1 -1 1
-10
-5
5
10 x(n)
n
Plano z
Figura 3.8: Comportamiento de la se nal en relacion con la posicion de un polo real.
Del ejemplo 3.9, o de la tabla 3.2, se obtiene que:
X(z) =
az
1
(1 az
1
)
2
=
az
1
z
2
(z a)
2
=
az
(z a)
2
, ROC: [z[ > [a[ x(n) = na
n
u(n)
es una funcion con un polo en z = a de multiplicidad dos y un cero en z = 0. Su
comportamiento se muestra en la gura 3.9.
Notese que si [a[ = 1 y el polo es simple, la se nal es condicionalmente estable, pero no as
si el polo es de mayor multiplicidad. Los pares conjugados simples conducen a una se nal
discreta cosenoidal, multiplicada por una envolvente exponencial discreta cuya forma esta
determinada por la magnitud de los polos (gura 3.10). Las se nales reales causales con
polos reales simples o pares de polos simples complejos conjugados que estan dentro de la
circunferencia unitaria son acotadas en magnitud. Una se nal con polos cerca del origen
decrece mas rapidamente que otra con polos mas cercanos a la circunferencia unitaria. El
efecto de la posicion de los ceros no es tan determinante como la posicion de los polos.
Por ejemplo, en el caso de las se nales senoidales, solo afectan la fase.
3.3.3 La funcion de transferencia de un sistema LTI
En el captulo 2 se encontro que la salida y(n) de un sistema LTI con respuesta impulsional
h(n) y entrada x(n) esta dada por la convolucion y(n) = h(n) x(n), que ya se demostro
en el dominio z ser equivalente a Y (z) = H(z)X(z), con y(n) Y (z), x(n) X(z)
-1 1 -1 1
-1
1
x(n)
n
Plano z
2
-1 1 -1 1
-1
1
x(n)
n
Plano z
2
-1 1 -1 1
-10
-5
5
10 x(n)
n
Plano z
2
-1 1 -1 1
-10
-5
5
10 x(n)
n
Plano z
2
-1 1 -1 1
-100
-50
50
100 x(n)
n
Plano z
2
-1 1 -1 1
-100
-50
50
100 x(n)
n
Plano z
2
Figura 3.9: Comportamiento de la se nal esi su transformada tiene un polo doble real, de
acuerdo con la posicion del polo.
-1 1 -1 1
-1
1
x(n)
n
Plano z
2
-1 1 -1 1
-2
-1
1
2
x(n)
n
Plano z
2
-1 1 -1 1
-70
-35
35
70
x(n)
n
Plano z
2
Figura 3.10: Se nales en relacion con la ubicacion de un par de polos simples conjugados en su
transformada z.
y h(n) H(z). A H(z), la transformada z de la respuesta impulsional, se le denomina
funcion de transferencia del sistema. Notese que conociendo H(z) y la transformada z de
la entrada X(z) es posible calcular facilmente la transformada z de la salida del sistema,
por medio de su producto. Sin embargo, es tambien posible, conociendo Y (z) y X(z),
obtener la funcion de transferencia con:
H(z) =
Y (z)
X(z)
a partir de la cual se puede determinar la respuesta impulsional por medio de la transfor-
mada z inversa.
Con la ecuacion de diferencias del sistema
y(n) =
N
k=1
a
k
y(n k) +
M
k=0
b
k
x(n k)
se obtiene transformando al dominio z ambos lados:
Y (z) =
N
k=1
a
k
Y (z)z
k
+
M
k=0
b
k
X(z)z
k
= Y (z)
N
k=1
a
k
z
k
+X(z)
M
k=0
b
k
z
k
Y (z)
_
1 +
N
k=1
a
k
z
k
_
= X(z)
M
k=0
b
k
z
k
H(z) =
Y (z)
X(z)
=
M
k=0
b
k
z
k
1 +
N
k=1
a
k
z
k
Lo que implica que un sistema lineal descrito por una ecuacion de diferencias lineal con
coecientes constantes tiene una funcion de transferencia racional.
Si a
k
= 0 para k [1, N] (sistema no recursivo), entonces
H(z) =
M
k=0
b
k
z
k
=
1
z
M
M
k=0
b
k
z
Mk
es decir, el sistema tiene un polo en el origen de multiplicidad M y M ceros determinados
por los parametros b
k
. Dado que el sistema contiene M polos triviales en z = 0 y M
ceros no triviales, se le denomina sistema de todos ceros. Un sistema as es evidentemente
FIR y se le denomina sistema de media ponderada movil.
3.4 Inversion de la transformada z
Si b
k
= 0 para k [1, M] el sistema es recursivo y:
H(z) =
b
0
1 +
N
k=1
a
k
z
k
=
b
0
z
N
N
k=0
a
k
z
Nk
, a
0
!
= 1
que tiene un cero trivial en z = 0 de orden N y N polos determinados por los coecientes
a
k
. A este sistema se le denomina sistema de todos polos, que siempre corresponde a
un sistema IIR.
La forma general se denomina sistema de polos y ceros, con N polos y M ceros. Los
polos y ceros en z = 0 y z = , usualmente no se consideran de forma explcita. Por la
presencia de polos, este sistema es tambien IIR.
Ejemplo 3.13 Determine la funcion de transferencia y la respuesta impulsional del
sistema descrito por:
y(n) =
1
2
y(n 1) + 2x(n)
Solucion:
Y (z) =
1
2
Y (z)z
1
+ 2X(z)
Y (z)
_
1
1
2
z
1
_
= 2X(z)
H(z) =
Y (z)
X(z)
=
2
1
1
2
z
1
=
2z
z
1
2
que tiene un polo en z =
1
2
y un cero en z = 0. Utilizando la tabla de transformadas se
obtiene:
H(z) h(n) = 2
_
1
2
_
n
u(n)
3.13
Ya se reviso que la transformada z inversa esta dada por:
x(n) =
1
2j
_
C
X(z)z
n1
dz
con la integral de contorno sobre la trayectoria cerrada C, que encierra al origen y se
encuentra en la region de convergencia de X(z).
Existen tres metodos para el calculo de la transformada z inversa:
1. Calculo analtico directo.
2. Expansion en serie de terminos en z y z
1
.
3. Expansion en fracciones simples y b usqueda en tabla.
3.4.1 La transformada z inversa por integracion de contorno
Este metodo analtico directo se basa en las tecnicas de integracion compleja como la
formula integral de Cauchy o el teorema del residuo [1], para evaluar la integral de trans-
formacion inversa. Como ya se reviso en la seccion 3.1.2, la formula integral de Cauchy
establece que
1
2j
_
C
f(z)
(z z
0
)
k
dz =
_
_
1
(k 1)!
d
k1
f(z)
dz
k1
z=z
0
Si z
0
esta dentro de C
0 Si z
0
esta fuera de C
(3.4)
para f(z) analtica sobre y dentro de la trayectoria de integracion C, lo que implica que
no puede tener ninguna singularidad en z = z
0
, donde el termino a la derecha corresponde
con el residuo de f(z)/(z z
0
)
k
en el polo z
0
.
Supongase que se desea calcular
1
2j
_
C
f(z)
g(z)
dz, donde f(z) no tiene polos dentro de C, y
g(z) es un polinomio con n races distintas simples dentro de C, entonces:
1
2j
_
C
f(z)
g(z)
dz =
1
2j
_
C
n
i=1
A
i
(z)
z z
i
dz
y utilizando la formula integral de Cauchy se obtiene:
1
2j
_
C
f(z)
g(z)
dz =
n
i=1
A
i
(z
i
)
donde cada termino A
i
(z
i
) corresponde al residuo de A
i
(z)/(z z
i
) en el polo z = z
i
.
A
i
(z
i
) = (z z
i
)
f(z)
g(z)
z=z
i
Notese que esto ha sido derivado asumiendo que g(z) es un polinomio sin races m ultiples.
En caso contrario debe modicarse la expansion.
Para la transformada z inversa se tiene entonces:
x(n) =
1
2j
_
C
X(z)z
n1
dz
=
polos z
i
dentro de C
[residuo de X(z)z
n1
en z = z
i
]
=
i
(z z
i
)X(z)z
n1
[
z=z
i
siempre que los polos sean simples. Si X(z)z
n1
no tiene polos dentro de C para uno o
mas valores de r, entonces el teorema de la integral de Cauchy establece que x(n) es cero
para esos valores.
Ejemplo 3.14 Calcule la transformada z inversa de:
X(z) =
1
1 az
1
, ROC : [z[ > [a[
Solucion: Con:
x(n) =
1
2j
_
C
z
n1
1 az
1
dz =
1
2j
_
C
z
n
z a
dz
Como C debe estar dentro de la ROC, entonces se escoje una circunferencia de radio
mayor que [a[.
Se obtienen dos casos:
1. n > 0: z
n
solo tiene ceros y por tanto con (3.3) se obtiene con z
0
= a
x(n) = a
n
= f(z
0
)
2. Con n < 0: f(z) tiene un polo de orden n en z = 0, que tambien esta dentro de C,
por lo que dos polos contribuyen al valor de la integral: z
1
= 0, z
2
= a.
Con n = 1:
1
2j
_
C
1
z(z a)
dz =
n
i=1
A
i
(z
i
)
=
1
z a
z=0
+
1
z
z=a
=
1
a
+
1
a
= 0
Con n = 2:
1
2j
_
C
1
z
2
(z a)
dz =
1
2j
_
C
1
a
z
2
+
1
a
2
z
+
1
a
2
z a
dz
= 0
1
a
2
+
1
a
2
= 0
Esto se puede repetir para n < 2 y se demostrara que x(n) = 0, por tanto, resumiendo
para n < 0 y n 0:
x(n) = a
n
u(n)
3.14
3.4.2 La transformada z inversa mediante expansion en serie de
potencias
La idea de este metodo es expandir X(z) en una serie de potencias de la forma:
X(z) =
n=
c
n
z
n
=
n=
x(n)z
n
que converge en la ROC.
Ejemplo 3.15 Para X(z) =
1
11,5z
1
+0.5z
2
, calcule x(n) si:
1. ROC: [z[ > 1
2. ROC: [z[ < 0.5
Solucion:
1. Debido a que la ROC es el exterior de un crculo, x(n) es una se nal causal. Para
calcularla se ordenan el numerador y el denominador del mayor coeciente al menor
y se divide:
1
-(1
3
2
z
1 1
2
z
2
)
3
2
z
1
1
2
z
2
-(
3
2
z
1
9
4
z
2
+
3
4
z
3
)
7
4
z
2
3
4
z
3
-(
7
4
z
2
21
8
z
3
+
7
8
z
4
)
15
8
z
3
7
8
z
4
-(
15
8
z
3
45
16
z
4
+
15
16
z
5
)
31
16
z
4
15
16
z
5
1
3
2
z
1
+
1
2
z
2
1 +
3
2
z
1
+
7
4
z
2
+
15
8
z
3
+
31
16
z
4
+. . .
x(n) = 1
,
3
2
,
7
4
,
15
8
,
31
16
, . . .
2. La ROC corresponde a una se nal anticausal. Para este caso se ordenan el numerador
y el denominador de menor a mayor y se divide:
1
-(1 3z+2z
2
)
3z 2z
2
-( 3z 9z
2
+6z
3
)
7z
2
6z
3
-( 7z
2
21z
3
+14z
4
)
15z
3
14z
4
-( 15z
3
45z
4
+30z
5
)
31z
4
30z
5
1
2
z
2
3
2
z
1
+ 1
2z
2
+ 6z
3
+ 14z
4
+ 30z
5
+ 62z
6
+. . .
x(n) = . . . , 62, 30, 14, 6, 2, 0, 0
3.15
Este metodo no provee la forma cerrada de x(n) y resulta tedioso si se desea determinar
x(n) para n grande.
Ejemplo 3.16 Determine la transformada z inversa de:
X(z) = log(1 + az
1
), ROC : [z[ > [a[ .
Solucion:
Puesto que la serie de Taylor para log(1 +x), [x[ < 1 es
log(1 + x) =
n=1
(1)
n+1
x
n
n
entonces
X(z) =
n=1
(1)
n+1
a
n
z
n
n
,
de donde se obtiene directamente x(n) =
(1)
n+1
a
n
n
u(n 1) 3.16
3.4.3 La transformada z inversa mediante expansion en fraccio-
nes parciales
Con el metodo de b usqueda en tabla se expresa X(z) como una combinacion lineal:
X(z) =
1
X
1
(z) +
2
X
2
(z) +. . . +
k
X
k
(z)
donde X
i
(z) son las transformaciones de las se nales x
i
(n) disponibles en las tablas.
Por linealidad se tendra que:
x(n) =
1
x
1
(n) +
2
x
2
(n) +. . . +
k
x
k
(n)
Si X(z) es una funcion racional, entonces:
X(z) =
N(z)
D(z)
=
b
0
+b
1
z
1
+. . . +b
M
z
M
1 +a
1
z
1
+. . . +a
N
z
N
Notese que si a
0
,= 1, lo anterior se puede obtener dividiendo numerador y denominador
por a
0
.
Esta funcion se denomina propia si a
N
,= 0 y M < N, es decir, si el n umero de ceros
nitos es menor que el n umero de polos nitos. Una funcion impropia (M N) siempre
se puede representar como la suma de un polinomio y una funcion racional propia.
Ejemplo 3.17 Exprese la funcion impropia:
X(z) =
1 + 3z
1
+
11
6
z
2
+
1
3
z
3
1 +
5
6
z
1
+
1
6
z
2
en terminos de un polinomio y una funcion propia.
Solucion:
Para hacer esto, se debe hacer la division de tal forma que los terminos z
2
y z
3
sean
eliminados, y para esto deben ordenarse los divisores de la misma manera que para de-
terminar la expansion en serie de potencias de se nales anticausales.
1
3
z
3
+
11
6
z
2
+3z
1
+1
-(
1
3
z
3
+
5
3
z
2
+2z
1
)
1
6
z
2
z
1
+1
-(
1
6
z
2
+
5
6
z
1
+1)
1
6
z
1
1
6
z
2
+
5
6
z
1
+ 1
2z
1
+ 1
X(z) = 1 + 2z
1
+
1
6
z
1
1 +
5
6
z
1
+
1
6
z
2
3.17
En general, cualquier funcion racional impropia (M N) se puede expresar como:
X(z) =
N(z)
D(z)
= c
0
+c
1
z
1
+. . . +c
MN
z
(MN)
+
N
1
(z)
D(z)
Como la transformada z inversa de un polinomio se puede calcular facilmente, se analizara
ahora solo la transformada de funciones racionales propias. Sea X(z) una funcion racional
propia:
X(z) =
N(z)
D(z)
=
b
0
+b
1
z
1
+. . . +b
M
z
M
1 +a
1
z
1
+. . . +a
N
z
N
con a
N
,= 0 y M < N. Multiplicando por z
N
tanto el numerador como denominador:
X(z) =
b
0
z
N
+b
1
z
N1
+. . . +b
M
z
NM
z
N
+a
1
z
N1
+. . . +a
N
puesto que N > M entonces
X(z)
z
=
b
0
z
N1
+b
1
z
N2
+. . . +b
M
z
NM1
z
N
+a
1
z
N1
+. . . +a
N
que es siempre propia. Para descomponer esta funcion como una suma de fracciones
simples, se factoriza el denominador en factores que contengan los polos p
1
, p
2
, . . . , p
N
de
X(z).
1. Caso: Polos diferentes.
Si todos los polos son diferentes, entonces se busca la expansion:
X(z)
z
=
A
1
z p
1
+
A
2
z p
2
+. . . +
A
N
z p
N
donde
A
k
=
(z p
k
)
z
X(z)
z=p
k
Ejemplo 3.18 Determine la expansion en fracciones simples de X(z) =
1+z
1
1z
1
+
1
2
z
2
.
Solucion:
Multiplicando por
z
2
z
2
se obtiene:
X(z) =
z
2
+z
z
2
z +
1
2
X(z)
z
=
z + 1
z
2
z +
1
2
los polos p
1,2
=
1
12
2
=
1
2
j
1
2
y
X(z)
z
=
A
1
zp
1
+
A
2
zp
2
.
A
1
= (z p
1
)
X(z)
z
z=p
1
=
(z + 1)(z p
1
)
(z p
1
)(z p
2
)
z=p
1
=
z + 1
z p
2
z=p
1
=
p
1
+ 1
p
1
p
2
=
1
2
j
3
2
A
2
= (z p
2
)
X(z)
z
z=p
2
=
(z + 1)(z p
2
)
(z p
1
)(z p
2
)
z=p
2
=
z + 1
z p
1
z=p
2
=
p
2
+ 1
p
2
p
1
=
1
2
+j
3
2
Puede demostrarse que si p
1
= p
2
, entonces A
1
= A
2
. 3.18
2. Caso: polos de orden m ultiple.
Si hay un polo de orden l, (z p
k
)
l
, entonces la expansion en fracciones parciales
tendra terminos:
A
1k
z p
k
+
A
2k
(z p
k
)
2
+. . . +
A
lk
(z p
k
)
l
donde los coecientes A
ik
pueden obtenerse por medio de derivaciones sucesivas
Ejemplo 3.19 Determine la expansion en fracciones parciales de:
X(z) =
1
(1 +z
1
)(1 z
1
)
2
Solucion:
Multiplicando numerador y denominador por z
3
resulta en:
X(z)
z
=
z
2
(z + 1)(z 1)
2
=
A
1
(z + 1)
+
A
2
(z 1)
+
A
3
(z 1)
2
A
1
y A
3
se encuentran facilmente multiplicando por los denominadores parciales y
haciendo z = p
i
:
A
1
= (z + 1)
X(z)
z
z=1
=
z
2
(z 1)
2
z=1
=
1
4
A
3
= (z 1)
2
X(z)
z
z=1
=
z
2
(1 +z)
z=1
=
1
2
para calcular A
2
se procede:
(z 1)
2
X(z)
z
=
(z 1)
2
z + 1
A
1
+A
2
(z 1) +A
3
y se deriva con respecto a z:
d
dz
_
(z 1)
2
X(z)
z
_
z=1
= A
1
d
dz
(z 1)
2
z + 1
+A
2
d
dz
(z 1)
= A
1
_
2(z 1)(z + 1) + (z 1)
(z + 1)
2
_
+A
2
z=1
d
dz
_
z
2
z + 1
_
z=1
=
2z(z + 1) z
2
(z + 1)
2
z=1
=
3
4
= A
2
3.19
Para obtener la inversion de X(z) se utiliza entonces la linealidad junto con el hecho ya
demostrado de que:
Z
1
_
1
1 p
k
z
1
_
=
_
(p
k
)
n
u(n), si ROC: [z[ > p
k
(se nales causales)
(p
k
)
n
u(n 1), si ROC: [z[ < p
k
(se nales anticausales)
Notese que si la se nal es causal, la ROC es [z[ > p
max
= max[p
1
[, [p
2
[, . . . , [p
N
[ y
x(n) = (A
1
p
n
1
+A
2
p
n
2
+. . . +A
N
p
n
N
)u(n).
Si hay un par de polos complejos conjugados, ya se menciono que los coecientes tambien
seran complejos conjugados y por tanto:
x
k
(n) = [A
k
p
n
k
+A
k
p
k
n
]u(n) (3.7)
Expresando en forma polar: A
k
= [A
k
[e
j
k
, p
k
= [p
k
[e
j
k
y sustituyendo en (3.7), entonces:
x
k
(n) = [A
k
[[p
k
[
n
[e
j(
k
n+
k
)
+e
j(
k
n+
k
)
]u(n)
= 2[A
k
[[p
k
[
n
cos(
k
n +
k
)u(n), ROC : [z[ > [p
k
[ = r
k
Notese entonces que en un par de polos complejos conjugados dan origen a una se nal
sinusoidal causal con envolvente exponencial, donde la distancia del polo al origen deter-
mina la atenuacion exponencial, y el angulo de los polos respecto al eje real determina la
frecuencia de la se nal senoidal.
Los ceros afectan la amplitud y fase a traves de su inuencia a los coecientes A
k
.
Para el caso de polos m ultiples se utilizan tablas, pero es usual encontrar
Z
1
_
pz
1
(1 pz
1
)
2
_
= np
n
u(n), ROC: [z[ > [p[
Ejemplo 3.20 Determine la se nal causal correspondiente a:
X(z) =
1 +z
1
1 z
1
+
1
2
z
2
=
A
1
1 +p
1
z
1
+
A
2
1 +p
2
z
1
con A
1
= A
2
=
1
2
j
3
2
; p
1
= p
2
=
1
2
+j
1
2
.
Solucion:
Con el resultado anterior se obtiene con [A
1
[ =
10
2
y A
1
= 71,56
y [p
1
[ =
1
2
,
p
1
=

4
:
x(n) =
10
_
1
2
_
n
cos
_
4
n 71,56
_
u(n)
3.20
3.5 La transformada z unilateral
3.5.1 Denicion y propiedades
La transformada z unilateral se dene como:
Z
u
x(n) = X
+
(z)
!
=
n=0
x(n)z
n
y la relacion se denota como x(n)
zu
X
+
(z).
La transformada z unilateral y la bilateral se diferencian en el lmite inferior de la suma-
toria, y presenta por lo tanto las siguientes caractersticas:
1. No contiene informacion sobre la se nal x(n) para los valores negativos de n.
2. Es unica solo para se nales causales, puesto que estas son las unicas se nales que son
cero para n < 0.
3. Z
u
x(n) = Z x(n)u(n). Puesto que x(n)u(n) es causal, la ROC de su transfor-
mada y por tanto la ROC de X
+
(z) es siempre exterior a un crculo. Por lo tanto,
cuando se trate con transformadas z unilaterales, no es necesario referirse a su ROC.
Ejemplo 3.21 Determine la transformada z unilateral de:
1. x
1
(n) = 1
, 2, 5, 7, 0, 1.
2. x
2
(n) = 1, 2, 5
, 7, 0, 1.
3. x
3
(n) = 2, 4, 5
, 7, 0, 1.
4. x
4
(n) = (n).
5. x
5
(n) = (n k), k > 0.
6. x
6
(n) = (n +k), k > 0.
Solucion:
1. 1 + 2z
1
+ 5z
2
+ 7z
3
+ 1z
5
.
2. 5 + 7z
1
+z
3
.
3. 5 + 7z
1
+z
3
.
4. 1.
5. z
k
.
6. 0.
3.21
Notese que la transformada z unilateral no es unica para se nales con componentes an-
ticausales diferentes (por ejemplo X
+
2
(z) = X
+
3
(z), a un cuando x
2
(n) ,= x
3
(n)). Para
se nales anticausales, X
+
(z) siempre sera cero.
Las propiedades de esta transformada son similares a las de la transformada z bilateral,
pero el desplazamiento merece especial atencion.
Retardo temporal
Si x(n)
zu
X
+
(z), entonces x(n k)
zu
z
k
[X
+
(z) +
k
n=1
x(n)z
n
], para k > 0. Si
x(n) es causal entonces x(n k) = z
k
X
+
(z).
Demostracion:
Z
u
x(n k) =
n=0
x(n k)z
n
=
m=k
x(m)z
(m+k)
=
m=k
x(m)z
m
z
k
= z
k
m=k
x(m)z
m
= z
k
_
1
m=k
x(m)z
m
+
m=0
x(m)z
m
_
= z
k
_
X
+
(z) +
k
n=1
x(n)z
n
_
La interpretacion del resultado anterior es que si se desplaza x(n) hacia la derecha en-
tonces aparecen k nuevas muestras que tambien deben considerarse en la transformacion
unilateral.
Adelanto temporal
Si x(n)
zu
X
+
(z), entonces x(n +k)
zu
z
k
[X
+
(z)
k1
n=0
x(n)z
n
], para k > 0.
Demostracion:
Z
u
x(n +k) =
n=0
x(n +k)z
n
=
m=k
x(m)z
(mk)
= z
k
_

m=k
x(m)z
m
_
= z
k
_

m=0
x(m)z
m
k1
m=0
x(m)z
m
_
= z
k
_
X
+
(z)
k1
m=0
x(m)z
m
_
Analogo al retraso, si la se nal se desplaza a la izquierda, entonces k muestras de la
transformada unilateral X
+
(z) deben desaparecer.
Ejemplo 3.22 Calcule la transformada z unilateral de:
1. x
1
(n) = a
n
.
2. x
2
(n) = x(n 2), con x(n) = a
n
.
3. x
3
(n) = x(n + 2), con x(n) = a
n
.
Solucion:
1. Como la se nal es causal, entonces: Z
u
x
1
(n) = Z x
1
(n) =
1
1az
1
.
2.
Z
u
x(n 2) = z
2
_
X
+
(z) +
2
n=1
x(n)z
n
_
= z
2
_
X
+
(z) +x(1)z +x(2)z
2
_
=
z
2
1 az
1
+a
1
z
1
+a
2
3.
Z
u
x(n + 2) = z
2
_
X
+
(z)
1
n=0
x(n)z
n
_
= z
2
_
1
1 az
1
1 az
1
_
=
z
2
1 az
1
z
2
az
3.22
La propiedad de desplazamiento de la transformada z unilateral se utiliza en la solucion
de ecuaciones de diferencias con coecientes constantes y condiciones iniciales no nulas.
Teorema del valor nal
Se tiene que:
X
+
(z) = Z
u
x(n) = lim
N
N
n=0
x(n)z
n
y ademas
Z
u
x(n + 1) = zX
+
(z) zx(0) = lim
N
N
n=0
x(n + 1)z
n
con lo que se tiene:
Z
u
x(n + 1) Z
u
x(n) = (zX
+
(z) zx(0)) X
+
(z) = (z 1)X
+
(z) zx(0)
= lim
N
_
N
n=0
x(n + 1)z
n
n=0
x(n)z
n
_
= lim
N
_
N
n=0
x(n + 1)z
n
N1
n=1
x(n + 1)z
n1
_
= lim
N
_
N1
n=0
x(n + 1)z
n
+x(N + 1)z
N
x(0)
N1
n=0
x(n + 1)z
n1
_
= lim
N
_
N1
n=0
x(n + 1)(z
n
z
n1
) +x(N + 1)z
N
_
x(0)
= lim
N
_
N1
n=0
x(n + 1)z
n1
(z 1) +x(N + 1)z
N
_
x(0)
con lo que se deduce:
(z 1)X
+
(z) = lim
N
_
N1
n=0
x(n + 1)z
n1
(z 1) +x(N + 1)z
N
_
+ (z 1)x(0)
y aplicando el lim
z1
a ambos lados se obtiene:
lim
n
x(n) = lim
z1
(z 1)X
+
(z)
lo que se conoce como teorema del valor nal . En la demostracion se ha asumido que la
ROC de (z 1)X
+
(z) incluye a [z[ = 1.
Este teorema se utiliza para calcular el valor asintotico de la se nal x(n) cuando n tiende
a innito, si se conoce X
+
(z) pero no x(n).
Ejemplo 3.23 Determine la respuesta del sistema con respuesta impulsional h(n) =
a
n
u(n), [a[ < 1, ante un escalon unitario, cuando n .
y(n) = h(n) x(n) Y (z) =
1
1 az
1
1
1 z
1
=
z
2
(z a)(z 1)
, ROC : [z[ > 1
Solucion:
x() = lim
z1
(z 1)
z
2
(z a)(z 1)
. .
ROC: |z|>a<1
=
1
1 a
3.23
3.5.2 Solucion de ecuaciones de diferencias
Si las condiciones iniciales de una ecuacion de diferencias son distintas de cero, entonces
las transformada z unilateral es por su propiedad de desplazamiento, una herramienta
muy util.
Ejemplo 3.24 La serie de Fibonacci se puede denir como:
y(n) = y(n 1) +y(n 2), y(0) = y(1) = 1
Determine una expresion para el n-esimo termino de la serie.
Solucion: Se tiene que:
y(0) = y(1) +y(2) = 1
y(1) = y(0) + y(1) = 1 y(1) = 0 y(2) = 1
y(n) = y(n 1) +y(n 2)
Y
+
(z) = z
1
Y
+
(z) +y(1)z +z
2
Y
+
(z) +y(1)z +y(2)z
2
Y
+
(z) = z
1
Y
+
(z) +y(1) +Y
+
(z)z
2
+y(1)z
1
+y(2)
Y
+
(z)(1 z
1
z
2
) = 1 Y
+
(z) =
1
1 z
1
z
2
=
z
2
z
2
z 1
Y
+
(z) =
A
1
z
z p
1
+
A
2
z
z p
2
=
A
1
1 p
1
z
1
+
A
2
1 p
2
z
1
p
1,2
=
1
5
2
, A
1
=
p
1
5
, A
2
=
p
2
5
y(n) =
1
5
_
1
2
_
n+1
[(1 +
5)
n+1
(1
5)
n+1
]u(n)
3.24
3.6 Analisis de sistemas LTI en el dominio z
3.6.1 Respuesta de sistemas con funcion de transferencia racio-
nal
Sea un sistema dado por la ecuacion de diferencias:
y(n) =
N
k=1
a
k
y(n k) +
M
k=0
b
k
x(n k)
Su funcion de transferencia H(z) es racional de la forma H(z) =
B(z)
A(z)
, donde el polinomio
B(z) determina los ceros y A(z) los polos de H(z).
Si se asume ademas que el sistema esta en reposo, esto es, y(1) = y(2) = . . . =
y(N) = 0, y que la entrada X(z) tambien puede representarse en forma racional como
X(z) =
N(z)
Q(z)
, entonces se tiene que la transformada de la funcion de salida es de la forma:
Y (z) =
B(z)N(z)
A(z)Q(z)
Supongase ahora que A(z) =
N
k=1
(1 p
k
z
1
), Q(z) =
L
k=1
(1 q
k
z
1
) y p
k
,= q
m
, k, m,
y que ning un cero coincide con los polos, entonces se cumple que:
Y (z) =
N
k=1
A
k
1 p
k
z
1
+
L
k=1
Q
k
1 q
k
z
1
y por lo tanto su transformada inversa sera:
y(n) =
N
k=1
A
k
(p
k
)
n
u(n)
. .
respuesta natural
+
L
k=1
Q
k
(q
k
)
n
u(n)
. .
respuesta forzada
Esta secuencia se componde de dos partes: las respuestas natural y forzada. La respuesta
natural depende de los polos p
k
del sistema y es inuenciada por la entrada x(n) a
traves de los coecientes A
k
. La respuesta forzada depende de los polos de la entrada
q
k
y es inuenciada por el sistema a traves de los coecientes Q
k
.
Si X(z) o H(z) tienen polos m ultiples o polos en com un, entonces la respuesta Y (z) tendra
terminos de la forma
m
l=1
1
(1p
k
z
1
)
l
, donde m es el orden del polo, lo que conducira a
terminos en y(n) de la forma n
l1
p
n
k
u(n).
3.6.2 Condiciones iniciales no nulas
Para calcular la respuesta de un sistema a una entrada causal x(n) con condiciones iniciales
no nulas, se utiliza la transformada z unilateral:
y(n) =
N
k=1
a
k
y(n k) +
M
k=1
b
k
x(n k)
Y
+
(z) =
N
k=1
a
k
z
k
_
Y
+
(z) +
k
n=1
y(n)z
n
_
+
M
k=1
b
k
z
k
_
_
X
+
(z) +
k
n=1
x(n)z
n
. .
=0 por causalidad
_
_
Puesto que x(n) es causal, entonces X
+
(z) = X(z) y se tiene:
Y
+
(z)
_
1 +
N
k=1
a
k
z
k
_
= X
+
(z)
M
k=0
b
k
z
k
k=1
a
k
z
k
k
n=1
y(n)z
n
,
de donde se despeja:
Y
+
(z) =
M
k=0
b
k
z
k
1 +
N
k=1
a
k
z
k
X(z)
N
k=1
a
k
z
k
k
n=1
y(n)z
n
1 +
N
k=1
a
k
z
k
= H(z)X(z) +
N
0
(z)
A(z)
La salida del sistema consta entonces de dos partes, la respuesta de estado nulo
Y
zs
(z) = H(z)X(z)
y la respuesta de entrada nula que depende de las condiciones iniciales
Y
+
zi
(z) =
N
0
(z)
A(z)
puesto que Y
+
(z) = Y
zs
(z)+Y
+
zi
(z)
zu
y(n) = y
zs
(n)+y
zi
(n). Al ser A(z) el denominador
de Y
+
zi
(z) sus polos seran p
k
, y la respuesta a entrada nula tendra la forma:
y
zi
=
N
k=1
D
k
p
n
k
u(n)
lo que puede a nadirse a la respuesta natural y combinarse para dar:
y(n) =
N
k=1
A
k
p
n
k
u(n) +
L
k=1
Q
k
q
n
k
u(n), con A
k
= A
k
+D
k
En resumen, las condiciones iniciales alteran la respuesta natural del sistema modicando
los factores de escala A
k
. No se introducen nuevos polos ni se modica la respuesta
forzada.
Ejemplo 3.25 Determine la respuesta al escalon u(n) del sistema dado por
y(n) = 0,9y(n 1) 0,81y(n 2) +x(n)
para las condiciones iniciales:
1. y(1) = y(2) = 0
2. y(1) = y(2) = 1
Solucion: La funcion de transferencia esta dada por:
H(z) =
1
1 0,9z
1
+ 0,81z
2
cuyos polos son complejos conjugados: p
1,2
= 0,9e
j
3
x(n) = u(n)
1
1 z
1
Con lo que se obtiene directamente:
Y
zs
(z) =
1
(1 0,9e
j
3
z
1
)(1 0,9e
j
3
z
1
)(1 z
1
)
=
0,542 j0,049
1 0,9e
j
3
z
1
+
0,542 +j0,049
1 0,9e
j
3
z
1
+
1,099
1 z
1
Por lo que:
y
zs
(n) =
_
1,099 + 1,088(0,9)
n
cos
_
3
n 5.2
__
u(n)
Para 1. y(n) = y
zs
(n)
Para 2., con las condiciones iniciales se obtiene:
N
0
=
N
k=1
a
k
z
k
k
n=1
y(n)z
n
= (a
1
z
1
y(1)z +a
2
z
2
y(1)z +y(2)z
2
)
= (a
1
y(1) +a
2
y(1)z
1
+a
2
y(2))
= (0,9 + 0,81 + 0,81z
1
)
= 0,09 0,81z
1
Y
zi
(z) =
N
0
(z)
A(z)
=
0,09 0,81z
1
1 0,9z
1
+ 0,81z
2
=
0,026 +j0,4936
1 0,9ze
j
3
z
1
+
0,026 j0,4936
1 0,9ze
j
3
z
1
y por tanto:
y
zi
(n) = 0,988(0,9)
n
cos
_
3
n + 87
_
u(n)
y Y (z) = Y
zs
(z) +Y
zi
(z)
Y (z) =
1,099
1 z
1
+
0,568 +j0,445
1 0,9ze
j
3
z
1
+
0,568 j0,442
1 0,9ze
j
3
z
1
que equivale a:
y(n) = 1,099u(n) + 1,44(0,9)
n
cos
_
3
n + 38
_
u(n)
3.25
3.6.3 Respuesta transitoria y en regimen permanente
Si para todos los polos del sistema p
k
se cumple que [p
k
[ < 1, entonces la respuesta
natural del sistema:
y
nr
(n) =
N
k=1
A
k
p
n
k
u(n)
decae si n tiende a innito, y se le denomina respuesta transitoria. Su tasa de decaimiento
dependera de que tan cerca esten los polos de la circunferencia unidad.
Si los polos q
k
de la respuesta forzada tienen magnitudes [q
k
[ < 1, la respuesta a la
entrada tambien decae. Si la entrada es sinusoidal implica que hay polos en la circunfe-
rencia unitaria, y la respuesta forzada tambien tendra esos polos y sera sinusoidal, y la
respuesta se denomina de estado permanente.
3.6.4 Causalidad y Estabilidad
Un sistema es causal si h(n) = 0 para n < 0, lo que implica que su ROC es el exterior de
una circunferencia. El sistema es estable si:
n=
[h(n)[ <
lo que ocurre solo si [z[ = 1 esta dentro de la ROC, o de otro modo, si los polos se
encuentran dentro de la circunferencia unitaria, puesto que
H(z) =
n=
h(n)z
n
[H(z)[
n=
[h(n)[[z
n
[
y evaluando en [z[ = 1
[H(z)[
n=
[h(n)[
Un sistema LTI sera entonces estable solo si [z[ = 1 esta en la ROC de H(z). Esta
condicion tambien se cumple para sistemas anticausales, es decir, la ROC debera ser el
interior de una circunferencia que contenga [z[ = 1.
3.6.5 Cancelacion polo-cero
Los efectos de un polo del sistema pueden cancelarse o reducirse con un cero ya sea del
mismo sistema o de la entrada. Sin embargo, posibles efectos como la estabilizacion de un
sistema inestable por medio de ceros en la entrada deben evitarse, porque la posicion de
los polos y ceros no puede alcanzarse con precision arbitraria en sistemas digitales reales.
3.6.6 Polos de orden m ultiple y estabilidad
Un sistema con polos en la circunferencia unitaria es inestable pues basta encontrar una
entrada con un polo en el mismo sitio para producir una salida no acotada.
Ejemplo 3.26 Determine la respuesta al escalon de:
y(n) = y(n 1) +x(n)
Solucion:
Con H(z) =
1
1z
1
y X(z) =
1
1z
1
se obtiene:
Y (z) = H(z)X(z) =
1
(1 z
1
)
2
y(n) = (n + 1)u(n)
que contiene un polo doble en z = 1, y equivale a una rampa no acotada.
Esto se explica por el hecho de que si Y (z) contiene polos m ultiples, entonces y(n) tendra
terminos de la forma:
A
k
n
b
(p
k
)
n
u(n)
que son acotados solo si [p
k
[ < 1.
3.26
3.6.7 Estabilidad de sistemas de segundo orden
Los sistemas de segundo orden (con dos polos) se utilizan como bloque basico para la
construccion de sistemas de mayor orden, y por ello requieren de un poco de atencion.
Considerese entonces el sistema:
y(n) = a
1
y(n 1) a
2
y(n 2) +b
0
x(n)
con funcion de transferencia:
H(z) =
Y (z)
X(z)
=
b
0
1 +a
1
z
1
+a
2
z
2
=
b
0
z
2
z
2
+a
1
z +a
2
=
b
0
z
2
(z p
1
)(z p
2
)
=
b
0
z
2
z
2
(p
1
+p
2
)z +p
1
p
2
Este sistema tiene dos ceros en el origen y dos polos en
p
1,2
=
a
1
2

_
a
2
1
4a
2
4
El sistema es estable BIBO si [p
1,2
[ < 1. Puesto que se cumple que a
1
= (p
1
+ p
2
) y
a
2
= p
1
p
2
, se debe cumplir que
[a
2
[ = [p
1
p
2
[ = [p
1
[[p
2
[ < 1
y
[a
1
[ < 1 +a
2
a
2
> [a
1
[ 1
-1
0
1
2
-3 -2 -1 0 1 2 3
-1
0
1
2
-3 -2 -1 0 1 2 3
a
1
a
1
a
2
a
2
a
2
= a
1
1 a
2
= a
1
1 a
2
= a
1
1 a
2
= a
1
1
a
2
=
a
2
1
4
a
2
=
a
2
1
4
Polos reales Polos reales

Polos complejos Polos complejos
Figura 3.11: Triangulo de estabilidad en el plano de coecientes (a
1
, a
2
) para un sistema de
segundo orden.
En el plano a
1
, a
2
estas inecuaciones delimitan una region triangular (gura 3.11).
Para obtener estas ecuaciones se sabe que [p
1,2
[ < 1. Primero as umase que los polos son
reales, es decir,
_
a
1
2
_
2
a
2
, que equivale a la parte inferior de la parabola a
2
=
_
a
1
2
_
2
. En
esta region, los polos estan centrados en
a
1
2
, con un desplazamiento hacia la izquierda y
derecha de
_
_
a
1
2
_
2
a
2
(gura 3.12).
a1
2
a1
2
2
a
2
a1
2
2
a
2
Figura 3.12: Desplazamiento de los polos a la izquierda y a la derecha.
Por lo tanto, debe cumplirse que:
1
[a
1
[
2
>
_
_
a
1
2
_
2
a
2
Elevando al cuadrado ambos lados se obtiene:
1 [a
1
[ +
_
a
1
2
_
2
>
_
a
1
2
_
2
a
2
1 +a
2
> [a
1
[
En caso de que p
1,2
sean complejos (notese que a
2
es positivo puesto que debe ser mayor
que (a
1
/2)
2
), entonces:
[p
1,2
[
2
=
a
1
2
j
_
a
2

_
a
1
2
_
2
2
=
_
a
1
2
_
2
+a
2

_
a
1
2
_
2
= a
2
y por tanto, para que [p
1,2
[ < 1, entonces 0 < a
2
< 1, lo que conrma la anterior condicion
[a
2
[ < 1.
Los pares (a
1
, a
2
) en la parte superior a la parabola conducen entonces a polos complejos
conjugados, y bajo la parabola a polos reales y distintos. Los pares (a
1
, a
2
) en la parabola
_
_
a
1
2
_
2
= a
2
_
conducen a un polo de orden 2.
Las funciones de transferencia y sus equivalentes en el dominio del tiempo se resumen en
la tabla 3.3, con p = re
j
0
, por lo que a
1
= 2r cos
0
, a
2
= r
2
.
Tabla 3.3: Funciones de transferencia de segundo orden y equivalentes temporales
Polos Condicion H(z) h(n)
Reales y distintos a
2
1
> 4a
2
b0
p1p2
_
p1
1p1z
1

p2
1p2z
1
_
b0
p1p2
_
p
n+1
1
p
n+1
2
_
u(n)
Reales e iguales a
2
1
= 4a
2
b0
(1pz
1
)
2
b
0
(n + 1)p
n
u(n)
Complejos conjugados a
2
1
< 4a
2
b0
j2 sen 0
_
e
j
0
1re
j
0z
1

e
j
0
1+re
j
0z
1
_
b0r
n
sen 0
sen[(n + 1)
0
]u(n)
3.7 Problemas
3.7 Problemas
Problema 3.1. Graque las siguientes funciones e indique cualitativamente que regiones
de convergencia (ROC) tiene su transformada z:
1. x(n) = sen(n)u(n)
2. x(n) = u(n + 4) u(n 2)
3. x(n) = u(n 2)
4. x(n) = u
r
(n) 2u
r
(n5) +u
r
(n10)
5. x(n) =
_
1
2
_
|n|
6. x(n) = u
r
(n + 5)u(n 5)
Problema 3.2. Encuentre las regiones del plano z donde las siguientes series convergen:
1.
n=2
_
1
3
_
n+2
z
n
2.
n=0
_
1 + (1)
n
2
_
z
n
3.
n=2
_
1
3
_
n+2
z
n
4.
n=
_
1
3
_
|n|
cos
_
4
n
_
z
n
Problema 3.3. Encuentre la transformada z de
x(n) =
u(n 2)
4
n
con su correspondiente ROC.
Problema 3.4. Sea
x(n) = (1)
n
u(n) +
n
u(n n
0
)
Encuentre para que valores de y n
0
es la ROC de la transformada z de x(n)
1 < [z[ < 2
Problema 3.5. Encuentre la transformada z de
x(n) =
_
_
1
2
_
n
cos
_
4
n
_
n 0
0 n > 0
Indique los polos, ceros y ROC.
Problema 3.6. Para las siguientes expresiones identique los ceros y polos nitos e
innitos.
1.
z
1
_
1
1
2
z
1
_
_
1
1
3
z
1
_ _
1
1
4
z
1
_
2.
(1 z
1
) (1 2z
1
)
(1 3z
1
) (1 4z
1
)
3.
z
2
(1 z
1
)
_
1
1
4
z
1
_ _
1 +
1
4
z
1
_
Problema 3.7. Si x(n) es absolutamente sumable y tiene transformada z racional, con
un polo en 1/2, entonces podra x(n) ser
1. una se nal nita?
2. una se nal izquierda?
3. una se nal derecha?
4. una se nal bilateral?
Problema 3.8. Sea
X(z) =
1
1
4
z
2
_
1 +
1
4
z
2
_ _
1 +
5
4
z
1
+
3
8
z
2
_
Indique cuantas y cuales regiones de convergencia son posibles para X(z).
Problema 3.9. Encuentre para todas las se nales discretas x(n) mostradas en la tabla 3.2
la transformada z correspondiente utilizando la denicion.
Problema 3.10. Sea x(n) una se nal con transformada z racional X(z), que tiene un
polo en z = 1/2. Se sabe ademas que
x
1
(n) =
_
1
4
_
n
x(n)
es absolutamente sumable, pero
x
2
(n) =
_
1
8
_
n
x(n)
no es absolutamente sumable. Con esta informacion indique si x(n) es izquierda, derecha,
bilateral o nita.
Problema 3.11. Encuentre las funciones en tiempo discreto equivalentes a las transfor-
madas z indicadas en la tabla 3.2 utilizando la denicion integral de la transformada z
inversa.
Problema 3.12. Utilizando la denicion de la transformada z inversa, encuentre la
secuencia en el tiempo discreto equivalente a
X(z) =
1
1
3
z
1
(1 z
1
)(1 + 2z
1
)
, ROC: [z[ > 2
3.7 Problemas
Problema 3.13. Encuentre por division polinomial la transformada z inversa de
X(z) =
1 +z
1
1 +
1
3
z
1
para ROC: [z[ > 1/3 y para ROC: [z[ < 1/3.
Problema 3.14. Encuentre la transformada inversa de
X(z) =
1
1
3
z
1
(1 z
1
)(1 + 2z
1
)
para todas las posibles regiones de convergencia por medio de descomposicion en fracciones
parciales.
Problema 3.15. Encuentre la transformada z inversa de
X(z) =
1
256
_
256 z
8
1
1
2
z
1
_
, ROC: [z[ > 0
Problema 3.16. Para la ventana rectangular
x(n) =
_
1 0 n k
0 en el resto
sea
g(n) = x(n) x(n 1)
1. Encuentre una expresion para g(n) y su transformada z.
2. Encuentre la transformada z de x(n) considerando que
x(n) =
n
k=
g(k)
Problema 3.17. Para las siguientes funciones de transferencia de sistemas discretos, si
se sabe que estos son estables indique si ademas son causales:
1.
1
4
3
z
1
+
1
2
z
2
z
1
_
1
1
2
z
1
_ _
1
1
3
z
1
_
2.
z
1
2
z
2
+
1
2
z
3
16
3.
z + 1
z +
4
3

1
2
z
2
2
3
z
3
Problema 3.18. Un sistema LTI tiene funcion de transferencia H(z) y respuesta al
impulso h(n). Se sabe
1. h(n) es real
2. h(n) es derecha
3. lim
z
H(z) = 1
4. H(z) tiene dos ceros
5. H(z) tiene uno de sus polos en una ubicacion no real en el crculo [z[ = 3/4
Es el sistema causal? Es estable?
Problema 3.19. Encuentre la transformada z unilateral de las siguientes se nales.
1. x
1
(n) =
_
1
4
_
n
u(n + 5)
2. x
2
(n) = (n + 3) + (n) + 2
n
u(n)
3. x
3
(n) =
_
1
2
_
|n|
Problema 3.20. Un sistema de entrada x(n) y salida y(n) se rige por la ecuacion de
diferencias:
y(n 1) + 2y(n) = x(n)
1. Determine la respuesta de entrada cero al sistema si su condicion inicial es y(1) =
2.
2. Encuentra la respuesta de estado cero si su entrada es x(n) = (1/4)
n
u(n).
3. Determine la salida del sistema para n 0 si y(1) = 2 y x(n) = (1/4)
n
u(n)
Captulo 4
Ortogonalidad y Series de Fourier
El adjetivo ortogonal proviene del griego orthos (recto) y gonia (angulo). Este denota
entonces la perpendicularidad entre dos elementos: dos calles que se cruzan en un angulo
recto presentan una conguracion ortogonal. La ortogonalidad es un concepto funda-
mental para la comprension del analisis de funciones por medio de las transformadas de
Fourier, Laplace y la transformada z. Este captulo introduce el concepto en cuestion a
partir de un contexto usualmente mas familiar: la ortogonalidad de vectores. Para mas
informacion sobre la terminologa matematica puede consultarse [18, 1].
4.1 Espacios vectoriales
Tradicionalmente se utiliza en ingeniera el concepto de vector como un conjunto ordenado
de n cantidades, por ejemplo [x
1
, x
2
, . . . , x
n
]
T
. En los casos particulares de vectores bidi-
mensionales (n = 2) y tridimensionales (n = 3) se utilizan en la practica representaciones
alternativas que comprenden magnitudes y angulos (por ejemplo, utilizando coordenadas
polares, cilndricas o esfericas). En terminos matematicos se preere la notacion carte-
siana por su generalidad: el concepto de vector es valido para todo entero n no negativo
(esto es n = 0, 1, . . .), donde las componentes x
i
se toman del conjunto de los n umeros
reales IR o de los n umeros complejos C.
Sea IF un cuerpo escalar, es decir, una estructura algebraica que consiste por una parte
en un conjunto de escalares y por otra parte en una coleccion de operaciones denidas
para los elementos del conjunto: adicion y multiplicacion, que satisfacen, entre otras, las
propiedades de asociatividad, conmutatividad y distributividad. Un conjunto de vectores
V se denomina espacio vectorial sobre un cuerpo IF (por ejemplo el cuerpo de los n umeros
reales IR o el cuerpo de los n umeros complejos C) si
131
4 Ortogonalidad y Series de Fourier
para una operacion de adicion vectorial en V, denotada x +y, con x, y V; y
para una operacion de multiplicacion escalar en V, denotada como ax, con x V y
a IF
se cumplen las siguientes propiedades con a, b IF y x, y, z V:
1. x +y V. (V es cerrado con respecto a la adicion vectorial).
2. x + (y +z) = (x +y) +z. (Asociatividad de la adicion vectorial en V).
3. Existe un elemento neutro 0 V, tal que para todo x V se cumple que x+0 = x.
(Existencia de un elemento identidad aditivo en V).
4. Para todo x V existe un elemento y V tal que x + y = 0. (Existencia de
inversos aditivos en V).
5. x +y = y +x. (Conmutatividad de la adicion vectorial en V).
6. ax V. (V es cerrado con respecto a la multiplicacion escalar).
7. a(bx) = (ab)y. (Asociatividad de la multiplicacion escalar en V).
8. Si 1 representa la identidad multiplicativa del cuerpo IF entonces 1x = x. (Neutra-
lidad de uno).
9. a(x +y) = ax +ay. (Distributividad con respecto a la adicion vectorial).
10. (a +b)x = ax +bx. (Distributividad con respecto a la adicion en el cuerpo).
El concepto de espacio vectorial es completamente abstracto. Para determinar si un
conjunto V es un espacio vectorial deben especicarse tan solo el conjunto V, el cuerpo
escalar IF y las operaciones vectoriales de adicion y multiplicacion escalar en V. Si las
diez propiedades anteriores se satisfacen, se dice entonces que V es un espacio vectorial.
4.1.1 Combinaciones lineales
Se denomina combinacion lineal de los vectores u
1
, u
2
, . . . , u
n
de un espacio vectorial V a
todo vector x del tipo
x = c
1
u
1
+c
2
u
2
+. . . +c
n
u
n
con los coecientes de la combinacion lineal c
1
, . . . , c
n
, que son escalares del cuerpo escalar
IF relacionado con el espacio vectorial V.
4.1 Espacios vectoriales
Un conjunto de vectores | = u
1
, u
2
, . . . , u
n
V se dice ser un conjunto ligado o lineal-
mente dependiente si al menos uno de ellos es una combinacion lineal de los demas. Se
denomina conjunto libre o linealmente independiente cuando los unicos escalares c
1
, . . . , c
n
para los que se cumple c
1
u
1
+ c
2
u
2
+ . . . + c
n
u
n
= 0 son c
1
= . . . = c
n
= 0. Se cumple
ademas que
un conjunto que contiene un solo vector no nulo es libre,
el vector neutro 0 no forma parte de ning un sistema libre,
todo subconjunto de un sistema libre es tambien libre,
el n umero maximo de vectores de un sistema libre es igual al n umero de componentes
que tienen dichos vectores.
Un espacio se dice engendrado por el conjunto de vectores | = u
1
, u
2
, . . . , u
n
V si
contiene todas las combinaciones lineales de los vectores de |, al que se denomina entonces
conjunto generador del espacio. A cada elemento del conjunto | se le denomina en este
contexto vector generador. Este espacio no vara si
se multiplica cualquier vector generador por un escalar no nulo,
se suma un generador con otro,
si se suprimen los generadores que son una combinacion lineal de los demas.
4.1.2 Subespacios y bases
Cualquier subconjunto W del espacio vectorial V que es cerrado ante las operaciones
vectoriales aditivas y de multiplicacion escalar se denomina subespacio de V. Se puede
apreciar que un subespacio de V es a su vez un espacio vectorial sobre el mismo cuerpo IF
del espacio vectorial original. Ejemplos de subespacios del espacio vectorial tridimensional
IR
3
son por ejemplo todos los planos que pasan por el origen [0, 0, 0]
T
, si se utilizan las
deniciones convencionales de adicion y multiplicacion.
Los subespacios tienen las siguientes propiedades:
Todo espacio vectorial V tiene dos subespacios: el mismo V y 0.
La interseccion W
1
W
2
de dos subespacios vectoriales W
1
y W
2
del mismo espacio
vectorial V es a su vez un subespacio vectorial.
La union W
1
W
2
de dos subespacios vectoriales W
1
y W
2
del mismo espacio
vectorial V no necesariamente es un subespacio vectorial.
El espacio vectorial V se denomina nito si existe un sistema de vectores | = u
1
, u
2
, . . . ,
u
n
V que es conjunto generador del espacio vectorial. Si los vectores generadores u
i
son linealmente independientes entonces se dice que | es una base de V. Todo espacio
vectorial nito V ,= 0 posee al menos una base. Si existen varias bases, todas contienen
el mismo n umero de vectores generadores. Este n umero de vectores es la dimension
del espacio vectorial. A la base del espacio vectorial IF
n
conformada por los vectores
u
1
= [1, 0, . . . , 0]
T
, u
2
= [0, 1, . . . , 0]
T
, . . ., u
n
= [0, 0, . . . , 1]
T
se le denomina base canonica
del espacio vectorial nito IF
n
.
4.2 Espacios de Hilbert
Si a la estructura de espacio vectorial se le agrega el concepto de producto interno aparecen
entonces los llamados espacios con producto interno o espacios pre-Hilbert. El concepto
de producto interno (a veces denominado producto escalar
1
) permite introducir conceptos
geometricos como angulos y longitudes vectoriales. Por el momento conviene denir al
producto interno como una funcion , ) : VV IF que satisface los siguientes axiomas:
x V, x, x) 0. (No negatividad).
x V, x, x) = 0 si y solo si x = 0. (No degenerabilidad).
x, y V,
x, y
_
=
y, x
_
. (Simetra conjugada).
a IF, x, y V,
x, ay
_
= a
x, y
_
;
x, y, z V,
x, y +z
_
=
x, y
_
+x, z). (Sesquilinearidad).
Notese que si el cuerpo IF corresponde a los n umeros reales IR entonces la simetra con-
jugada corresponde a la simetra simple del producto interno, esto es
x, y
_
=
y, x
_
.
Combinando la sesquilinearidad con la simetra conjugada se obtiene ademas que
a IF, x, y V,
ax, y
_
= a
x, y
_
x, y, z V,
x +y, z
_
= x, z) +
y, z
_
1
Notese que en este contexto el concepto de producto escalar es diferente a la multiplicacion escalar
utilizada en la denicion de espacio vectorial. Para evitar confusiones se preferira aqu el uso del termino
producto interno sobre producto escalar.
4.2 Espacios de Hilbert
Utilizando el producto interno puede denirse la norma de un vector x como
|x| =
_
x, x) (4.1)
Esta norma esta correctamente denida si se considera el axioma de no negatividad en la
denicion del producto interno. Usualmente se interpreta esta norma como la longitud
del vector x.
En estos espacios se dice que dos vectores x y y diferentes de 0 son ortogonales si su
producto interno
x, y
_
es 0. Ademas, el angulo entre los dos vectores se dene indirec-
tamente por medio de la ecuacion
cos
_
(x, y)
_
=
x, y
_
|x||y|
. (4.2)
con lo que se deduce entonces que la magnitud del angulo entre dos vectores ortogonales
es de /2, puesto que el coseno del angulo entre ellos es cero.
Si | = u
1
, u
2
, . . . , u
n
V es una base de V y cualesquiera dos vectores u
i
y u
k
(i ,= k)
son ortogonales entre s, se dice que | es una base ortogonal de V. Si ademas se cumple
que la norma de todos los vectores generadores |u
i
| es uno, entonces a | se le denomina
una base ortonormal .
Ejemplo 4.1 Si | es una base ortogonal de V, como se pueden calcular los coecientes
para representar un vector x V en dicha base? Si | es una base ortogonal de V se
cumple para todo vector x V
x =
n
i=1
c
i
u
i
(4.3)
Realizando el producto escalar a ambos lados con un vector generador especco u
k
,
utilizando las propiedades del producto interno descritas anteriormente, y haciendo uso
de la ortogonalidad de los vectores generadores u
i
se obtiene
u
k
, x) =
_
u
k
,
n
i=1
c
i
u
i
_
=
n
i=1
u
k
, c
i
u
i
) =
n
i=1
c
i
u
k
, u
i
) = c
k
u
k
, u
k
)
= c
k
|u
k
|
2
con lo que se deriva facilmente
c
k
=
u
k
, x)
|u
k
|
2
(4.4)
4.1
Una secuencia de Cauchy es una secuencia cuyos terminos se acercan arbitrariamente
entre s en tanto la secuencia progresa. Un espacio con producto interno se denomina
espacio de Hilbert si es completo con respecto a la norma denida a traves del producto
interno, lo que quiere decir que cualquier secuencia de Cauchy de elementos en el espacio
vectorial converge a un elemento en el mismo espacio, en el sentido de que la norma de
las diferencias entre los elementos de la secuencia tiende a cero. Los espacios de Hilbert
se utilizan en la generalizacion del concepto de ciertas transformaciones lineales como la
transformada de Fourier, y son de crucial importancia en la formulacion matematica de
la mecanica cuantica.
4.3 Ortogonalidad de vectores
Para un n umero entero positivo n, el espacio euclideano de n dimensiones se dene como
el espacio de Hilbert de n-dimensiones sobre IR en el que ademas se dene la funcion de
distancia d
2
para dos puntos x = [x
1
, . . . , x
n
]
T
y y = [y
1
, . . . , y
n
]
T
como
d
2
(x, y) =
_
n
i=1
(x
i
y
i
)
2
El espacio euclidiano representa la generalizacion de los espacios matematicos en dos y
tres dimensiones conocidos y estudiados ya en la antig uedad por Euclides
2
. A la funcion
de distancia d
2
, basada en el teorema de Pitagoras, se le conoce como metrica euclidiana.
En el espacio euclidiano se utiliza como producto interno el producto punto, denido como
x, y
_
= x y =
n
i=1
x
i
y
i
. (4.5)
Con esto se puede denir la norma euclidiana |x| de un vector x como
|x| =
_
x, x) =

x x =
_
n
i=1
[x
i
[
2
.
Se puede deducir facilmente que la metrica euclidiana puede reescribirse en terminos de
la norma:
d
2
(x, y) = |x y| (4.6)
Cualquier base para un espacio euclidiano de n dimensiones contiene entonces exactamente
n vectores ortogonales entre s.
2
Euclides fue un matematico griego del s. III a. C., quien escribio Elementos, que es la base de la
geometra plana actual.
4.3 Ortogonalidad de vectores
Ejemplo 4.2 Dado un vector x = [cos(), sen()]
T
en un espacio euclidiano bidimensio-
nal, encuentre otro vector de magnitud 1 ortogonal y demuestre que su producto interno
es cero.
Un vector ortogonal a x = [cos(), sen()]
T
forma un angulo de 90
con el. La gura 4.1

muestra una solucion graca: el vector x
= [sen(), cos()]
T
es perpendicular a x.
sen()
sen()
cos()
cos()
x =
cos()
sen()
Figura 4.1: Construccion geometrica para obtener un vector ortogonal.

La misma conclusion puede obtenerse utilizando identidades trigonometricas en la ex-
presion [cos( +

2
), sen( +

2
)]
T
.
El producto x, x
) se calcula entonces como

x, x
) = [cos(), sen()]
_
sen()
cos()
_
= cos() sen() + cos() sen() = 0
4.2
La gura 4.2 muestra la representacion tradicional de un vector x en un espacio euclidiano
bidimensional. Para la gura en el lado izquierdo se ha utilizado la base ortonormal
canonica | = u
1
, u
2
, con los coecientes escalares c
1
y c
2
. El lado derecho muestra
el vector con otra base ortonormal |
= u
1
, u
2
. Se puede apreciar que los coecientes
a
1
y a
2
de x con la nueva base |
son diferentes a los obtenidos con |. Sin embargo,

si se establece claramente una base, las componentes calculadas pueden utilizarse para
representar a cualquier vector x de forma unica e inequvoca.
De esta forma, es posible representar los mismos vectores a traves de los coecientes
generados para una base determinada, como lo muestra la gura 4.3 para las dos bases
en la gura 4.2.
Esta forma de representacion vectorial facilita el manejo de vectores con mas de tres
dimensiones, que son difciles o incluso imposibles de imaginar en un espacio geometrico.
u
1
u
2
u
1
u
2
a
1
a
2
a
1
a
2
x
x
Figura 4.2: Representacion de un vector euclidiano bidimensional x utilizando dos bases orto-
normales diferentes.
a
i
a
i
a
1
a
2
a
1
a
2
Figura 4.3: Representacion alternativa del vector euclidiano en la gura 4.2 para las bases
ortonormales utilizadas all.
4.4 Ortogonalidad de funciones
La representacion de un vector x a traves de sus componentes para una determinada base
| puede interpretarse como una funcion x : 1, 2, . . . , n IF que asigna a cada vector
generador u
i
con ndice i 1, 2, . . . , n su coeciente correspondiente con un valor en
el cuerpo IF, es decir, x(i) es una funcion que permite obtener el valor de los coecientes
para cada componente de la base utilizada. Extendiendo esta idea es incluso posible
representar vectores con un n umero innito de dimensiones, utilizando funciones de la
forma x : Z IF. Para un espacio euclidiano el producto interno puede denirse como
x, y
_
=
n
2
i=n
1
x(i)y(i) (4.7)
4.5 Series de Fourier
donde n
1
y n
2
puede ser innitas (n
1
n
2
), expresion que generaliza al producto punto
denido anteriormente en (4.5).
A partir de esta representacion resulta una consecuencia natural eliminar la restriccion
de los ndices de ser n umeros enteros, y generalizar el concepto de vectores a funciones.
El espacio vectorial se transforma entonces en un espacio funcional , donde todas los
conceptos introducidos anteriormente siguen siendo validos si las propiedades basicas se
mantienen.
Por ejemplo, el producto interno de dos funciones denidas en un intervalo (a, b) se gene-
raliza entonces transformando la sumatoria (4.7) en la siguiente integral
x(t), y(t)) =
_
b
a
x(t)y(t) dt (4.8)
con lo que se concluye que dos funciones son ortogonales en el intervalo (a, b) si (4.8) es
cero.
La norma de la funcion se dene utilizando la ecuacion (4.8), de igual forma que se hizo
para los vectores con la ecuacion (4.1):
|x(t)| =
_
x(t), x(t)) =
_
b
a
[x(t)[
2
dt (4.9)
Con estas deniciones se puede incluso tomar el concepto de angulo entre vectores (ecuacion
(4.2)) y generalizarlo como angulo entre funciones:
cos ((x(t), y(t))) =
x(t), y(t))
|x(t)||y(t)|
con lo que se puede armar que el angulo entre dos funciones ortogonales es /2.
4.5.1 Series generalizadas de Fourier
Un conjunto (posiblemente) innito de funciones ortogonales puede entonces servir de
base para un espacio funcional, de la misma manera que vectores ortogonales sirven
de base para espacios vectoriales. Sea | un conjunto de funciones ortogonales | =
u
n
1
(t), . . . , u
0
(t), u
1
(t), . . . , u
n
2
(t). Este conjunto puede entonces utilizarse como con-
junto generador de un espacio funcional para toda funcion
x
m
(t) =
n
2
i=n
1
c
i
u
i
(t) (4.10)
donde c
i
representa los coecientes escalares de la combinacion lineal de las funciones
generadoras u
i
(t). Para encontrar estos coecientes se procede de la misma forma que
para los vectores. A partir de la representacion de la funcion x(t) x
m
(t) como serie
(ver ecuacion (4.10)), se evalua el producto interno por una funcion generadora particular
u
k
(t) para obtener
u
k
(t), x(t))
_
u
k
(t),
n
2
i=n
1
c
i
u
i
(t)
_
=
n
2
i=n
1
u
k
(t), c
i
u
i
(t))
=
n
2
i=n
1
c
i
u
k
(t), u
i
(t))
= c
k
u
k
(t), u
k
(t)) = c
k
|u
k
(t)|
2
con lo que se deriva
c
k
=
u
k
(t), x(t))
|u
k
(t)|
2
. (4.11)
Una conclusion importante de (4.11) es que si se utiliza una base ortogonal para la aproxi-
macion de una funcion, el valor optimo para los coecientes depende tan solo de la funcion
generadora correspondiente al coeciente a calcular y de la funcion que se desea aproxi-
mar. Estos coecientes no dependen ni del n umero de funciones en la base funcional, ni
de la forma u otra caracterstica de otras funciones generadoras.
Si la base funcional u
k
(t), k Z es completa, es decir, si la aproximacion de la funcion
x(t) con la serie innita converge a la funcion:
x(t) =
k=
c
k
u
k
(t)
con las funciones generadoras u
k
(t) ortogonales y los coecientes c
k
calculados con (4.11),
entonces a la expansion en serie se le denomina serie generalizada de Fourier..
4.5.2 Series de Fourier
Un caso especial de funciones ortogonales frecuentemente utilizadas es el conjunto gene-
rador
u
k
(t) = e
j
0
kt
= e
j2F
0
kt
, k Z
Estas funciones tienen como periodo com un T
p
= 1/F
0
(comparar con la seccion 1.2.3).
Evaluando el producto interno denido en un periodo
u
i
(t), u
k
(t)) =
_
t
0
+Tp
t
0
u
i
(t)u
k
(t) dt
=
_
t
0
+Tp
t
0
e
j
0
it
e
j
0
kt
dt =
_
t
0
+Tp
t
0
e
j
0
it
e
j
0
kt
dt
=
_
t
0
+Tp
t
0
e
j
0
(ki)t
dt (4.12)
Para el caso k = i se obtiene
u
i
(t), u
i
(t)) =
_
t
0
+Tp
t
e
j
0
0x
dt =
_
t
0
+Tp
t
1 dt = T
p
(4.13)
y para k ,= i
u
i
(t), u
k
(t)) =
e
j
0
(ki)t
j
0
(k i)
t
0
+Tp
t
0
=
e
j
0
(ki)t
0
_
e
j
0
(ki)Tp
1
_
j
0
(k i)
. (4.14)
Considerando nalmente que
0
T
p
= 2 se obtiene
u
i
(t), u
k
(t)) =
e
j
0
(ki)t
0
_
e
j2(ki)
1
_
j
0
(k i)
= 0
con lo que queda demostrada la ortogonalidad de las funciones u
k
(t) = e
j
0
kt
.
De esta forma es posible aproximar cualquier funcion periodica x(t) = x(t + T
p
) con la
serie
x(t) =
n
2
k=n
1
c
k
e
j
0
kt
(4.15)
donde n
1
y n
2
, conocida como la serie de Fourier.
Si x(t) es una funcion real, puesto que za = za con z C y a IR, y x + y = x +y,
entonces se cumple que
c
k
=
u
k
(t), x(t))
|u
k
(t)|
2
=
e
j
0
kt
, x(t)
_
|e
j
0
kt
|
2
=
_
t+Tp
t
e
j
0
kt
x(t) dt
|e
j
0
kt
|
2
= c
k
Ademas, utilizando el hecho de que x+x = 2 Rex se puede reescribir (4.15), asumiendo
que c
k
= [c
k
[e
j
k
como
x(t) =
k=
c
k
e
j
0
kt
=
1
k=
c
k
e
j
0
kt
+c
0
+
k=1
c
k
e
j
0
kt
=
k=1
c
k
e
j
0
kt
+c
0
+
k=1
c
k
e
j
0
kt
= c
0
+
k=1
c
k
e
j
0
kt
+c
k
e
j
0
kt
= c
0
+
k=1
2 Rec
k
e
j
0
kt
= c
0
+
k=1
2[c
k
[ Ree
j(
0
kt+
k
)
= c
0
+
k=1
2[c
k
[ cos (
0
kt +
k
) (4.16)
Existe una tercera representacion de la serie de Fourier para funciones reales x(t), que se
obtiene de (4.16) utilizando la identidad trigonometrica cos(+)=cos cos sen sen :
x(t) = a
0
+
k=1
(a
k
cos
0
kt +b
k
sen
0
kt)
con a
0
= c
0
, a
k
= 2[c
k
[ cos
k
y b
k
= 2[c
k
[ sen
k
En principio, la descomposicion de una funcion real x(t) en una serie de Fourier brindara
un conjunto de coecientes c
k
(o alternativamente a
k
y b
k
) que indican que tan fuerte es
la componente k de frecuencia angular k
0
en la funcion original. Esto es, la serie de
Fourier es un primer paso para realizar un analisis en el dominio de la frecuencia, que sera
el tema del siguiente captulo.
Las llamadas condiciones de Dirichlet para la funcion x(t) garantizan la convergencia de
la serie de Fourier en todo punto de x(t) exceptuando en sus discontinuidades, donde la
serie converge al valor medio de la discontinuidad. Estas condiciones son:
1. La funcion x(t) tiene un n umero nito de discontinuidades en cualquier periodo.
2. La funcion x(t) contiene un n umero nito de maximos y mnimos en cualquier
periodo.
3. La funcion x(t) es absolutamente integrable en cualquier periodo, esto es:
_
t+Tp
x=t
[x(t)[ dt < (4.17)
Sin embargo, estas condiciones son sucientes, mas no siempre necesarias; es decir, existen
funciones con representaciones validas en series de Fourier que no satisfacen las condiciones
de Dirichlet.
4.6 Problemas
4.6 Problemas
Problema 4.1. Encuentre tres vectores ortonormales en el espacio euclidiano tridimen-
sional y compruebe que el producto punto entre cualquier par de vectores es cero.
Problema 4.2. Sean u
i
(t) funciones de variable y valor complejos, ortogonales en el
intervalo [x
1
, x
2
]. Si la representacion rectangular de dichas funciones se expresa como
u
i
(t) = r
i
(t) +jq
i
(t) demuestre que se cumple
_
x
2
x
1
r
i
(t)r
k
(t) dt =
_
x
2
x
1
q
i
(t)q
k
(t) dt
_
x
2
x
1
r
i
(t)q
k
(t) dt =
_
x
2
x
1
q
i
(t)r
k
(t) dt
para todo i ,= k.
Problema 4.3. Utilizando la funcion de error
E(c
0
, c
1
, . . . , c
n
) = |x(t) x
n
(t)|
2
=
_
x
2
x
1
[x(t) x
n
(t)[
2
dt
demuestre que para funciones y coecientes complejos los coecientes denidos en (4.11)
minimizan la funcion de error. (Sugerencia: Exprese c
i
en coordenadas rectangulares
como c
i
= a
i
+jb
i
, y utilice los resultados del problema 4.2.)
Captulo 5
Analisis frecuencial
El captulo 4 derivo la descomposicion de una funcion periodica en componentes sinu-
soidales (o exponenciales complejos). La importancia de esta descomposicion es que en
sistemas LTI unicamente las se nales sinusoidales y exponenciales complejas conservan su
forma y su frecuencia (son funciones propias). Tan solo magnitud y fase de cada compo-
nente son alteradas por estos sistemas.
El analisis frecuencial proporciona entonces mecanismos para la extraccion de esas com-
ponentes. El termino espectro se utiliza para referirse al contenido de frecuencias de una
se nal. En la practica, puesto que no se conoce toda la se nal en su extension innita, pa-
sada y futura, debe utilizarse la estimacion espectral , para la que se utilizan instrumentos
y algoritmos denominados analizadores espectrales.
5.1 Espectro de se nales continuas
5.1.1 Espectro de se nales continuas periodicas
Las se nales continuas periodicas se analizan, como ya se describio en el captulo anterior,
por medio de la serie de Fourier. Para la sntesis de la se nal se utiliza
x(t) =
k=
c
k
e
j
0
kt
y para el analisis:
c
k
=
1
T
p
_
t
0
+Tp
t
0
x(t)e
j
0
kt
dt
145
5 Analisis frecuencial
Si la se nal periodica tiene potencia media nita P
x
entonces
P
x
=
1
T
p
_
t
0
+Tp
t
0
[x(t)[
2
dt
y puesto que [x(t)[
2
= x(t)x(t) se cumple que
P
x
=
1
T
p
_
t
0
+Tp
t
0
[x(t)[
2
dt =
1
T
p
_
t
0
+Tp
t
0
x(t)x(t) dt
=
1
T
p
_
t
0
+Tp
t
0
x(t)
k=
c
k
e
j
0
kt
dt
=
k=
c
k
_
1
T
p
_
t
0
+Tp
t
0
x(t)e
j
0
kt
dt
_
=
k=
c
k
c
k
=
k=
[c
k
[
2
que se conoce como la relacion de Parseval, e implica que la potencia media de la se nal
equivale a la suma de las potencias medias de cada uno de sus componentes frecuenciales,
tambien llamados armonicos. A la graca de [c
k
[
2
para cada frecuencia kF
0
(con la
frecuencia fundamental F
0
=
0
/2) se le denomina densidad espectral de potencia,
espectro de la densidad de potencia o simplemente espectro de potencia. Si x(t) es real,
puesto que [c
k
[ = [c
k
[ = [c
k
[ entonces la densidad espectral de potencia es una funcion
de simetra par.
Al par de gracas de [c
k
[ vs. kF
0
y
k
= c
k
vs. kF
0
se le denomina espectro de tension.
Puesto que para funciones reales
k
= c
k
= c
k
=
k
, la fase es impar.
Ejemplo 5.1 La serie de Fourier de un tren periodico de pulsos rectangulares de ancho
en tiempo continuo (gura 5.1a) tiene como coecientes
c
k
=
A
T
p
sen(kF
0
)
kF
0
.
Analice el efecto del periodo T
p
y el ancho del pulso en el espectro de la se nal.
Solucion: La distancia entre dos lneas espectrales correspondientes a c
k
y c
k+1
es F
0
=
1/T
p
y el termino , ademas de determinar el ancho del pulso temporal, indica que tan
extensa resulta la funcion sen(x)/x. Las guras 5.1(b) y (c) permiten comparar que si
se modica el ancho del pulso temporal manteniendo el periodo, la distancia entre cada
linea espectral se mantiene, mientras que el espectro se contrae (si aumenta). Por otro
lado, si T
p
aumenta (o lo que es equivalente, la frecuencia fundamental F
0
baja), pero se
mantiene el ancho del pulso , la misma funcion en la frecuencia sen(kF
0
)/(kF
0
) es
muestreada mas a menudo (la densidad de lneas espectrales aumenta).
t
x(t)
2
1
T
p
T
p

-15 -10 -5 0 5 10 15

-15 -10 -5 0 5 10 15
c
k
c
k
kk
(a) (b)

-15 -10 -5 0 5 10 15

-15 -10 -5 0 5 10 15
c
k
c
k
kk
-30 -25 -20 -15 -10 -5 0 5 10 15 20 25 30

-30 -25 -20 -15 -10 -5 0 5 10 15 20 25 30
c
k
c
k
kk
(c) (d)
Figura 5.1: Secuencia periodica de pulsos rectangulares en tiempo continuo. (a) Represen-
tacion temporal. (b) Lineas espectro de (a) con = 1 y T
p
= 5. (c) Lineas
espectrales de (a) con = 2 y T
p
= 5. (d) Lneas espectrales de (a) con = 1 y
T
p
= 10.
5.1
5.1.2 Espectro de se nales continuas aperiodicas
La distancia entre dos lneas espectrales en el caso de se nales periodicas es F
0
= 1/T
p
, lo
que implica que a mayor periodo, las lneas espectrales se acercan (compare por ejemplo
la gura 5.1b con 5.1d). Retomando el calculo de los coecientes de la serie de Fourier
utilizando como t
0
= T
p
/2 se tiene que
c
k
=
1
T
p
_
Tp/2
Tp/2
x(t)e
j2F
0
kt
dt . (5.1)
Dejando crecer el periodo T
p
se puede alcanzar una frecuencia F
0
arbitrariamente peque na,
que puede entonces reemplazarse por F
0
de tal forma que si T
p
(se nal aperiodica)
entonces F
0
se transforma en un diferencial dF y kF
0
se convierte en una variable de
valor continuo F. La transformada de Fourier se obtiene con estos conceptos eliminando
el factor
1
Tp
y haciendo T
p
:
X(F) =
_

x(t)e
j2Ft
dt (5.2)
y esta relacionada directamente por lo tanto con los coecientes de la serie a traves de
X(F) = lim
Tp
T
p
c
k
En terminos de la frecuencia angular = 2F esta transformacion equivale a
X() =
_

x(t)e
jt
dt
Puede demostrarse ademas [1] que la transformada inversa de Fourier esta dada por:
x(t) =
_

X(F)e
j2Ft
dF
o con d = 2dF
x(t) =
1
2
_

X()e
jt
d.
Si x(t) es una se nal de extension nita entonces existe una extension periodica x
p
(t) de
periodo T
p
mayor a la extension de x(t), como lo muestra la gura 5.2. En este caso se
pueden comparar las ecuaciones (5.1) y (5.2) y se obtiene que
c
k
=
1
T
p
X(kF
0
)
es decir, la extension periodica de una se nal aperiodica conduce al muestreo del espectro
de la transformada de Fourier con una tasa F
0
.
Las condiciones de Dirichlet para la existencia de la transformada de Fourier son equi-
valentes a las ya mencionadas en las series de Fourier de se nales periodicas continuas,
Tp
t
t
x(t)
x
p
(t)
T
p
(a)
(b)
Figura 5.2: Una funcion nita x(t) y su extension periodica x
p
(t)
excepto que la se nal debe ser ahora absolutamente integrable en todo t y no solo en un
periodo:
_

[x(t)[dt <
lo que se deduce del hecho que
[X(F)[ =
x(t)e
j2Ft
dt
[x(t)[
e
j2Ft
dt =
_

[x(t)[ dt <
De forma similar a las se nales periodicas puede demostrarse que
E
x
=
_

[x(t)[
2
dt =
_

[X(F)[
2
dF
que es la relacion de Parseval para se nales aperiodicas de energa nita. La cantidad
S
xx
(F) = [X(F)[
2
representa la distribucion de energa de la se nal en funcion de la
frecuencia, por lo que a S
xx
se le denomina densidad espectral de energa.
Para se nales reales se tiene que [X(F)[ = [X(F)[ y X(F) = X(F) por lo que
S
xx
(F) = S
xx
(F).
Ejemplo 5.2 Calcule la transformada de Fourier de (gura 5.3a)
x(t) =
_
A [t[ /2
0 [t[ > /2
Utilizando la ecuacion (5.2) se obtiene (gura 5.3b):
X(F) =
_
/2
/2
Ae
j2Ft
dt =
A sen F
F
t
x(t)
2
A

X(F)
F
1
0
1
(a) (b)
Figura 5.3: Pulso de ancho temporal (a) y su transformada de Fourier (b).
5.2
Notese que mientras x(t) sea mas localizada en el tiempo, es decir, mientras mas peque no
sea , mucho mas amplio es su espectro puesto que 1/ crece. Este llamado principio
de incertidumbre es general para todas la se nales, e indica que algo muy localizado en el
tiempo no puede ser localizado con precision en el dominio de la frecuencia, y algo con
frecuencias muy puntuales no tiene una ubicacion especca en el tiempo.
5.2 Espectro de se nales en tiempo discreto
En la seccion anterior se presento que el espectro de se nales continuas abarca frecuencias de
a , donde en el caso de se nales periodicas solo se encontraran frecuencias discretas
m ultiplos de F
0
= 1/T
p
, donde T
p
es el periodo fundamental de la se nal. En captulos
anteriores se demostro que, sin embargo, para se nales de naturaleza discreta solo existe
unicidad para frecuencias normalizadas en el intervalo ] 1/2; 1/2], o [0; 1[.
5.2.1 Espectro de se nales discretas periodicas
Una se nal discreta periodica con periodo fundamental N puede tener componentes fre-
cuenciales separadas por = 2/N radianes o f = 1/N ciclos, que se representan por los
exponenciales complejos armonicamente relacionados:
e
j2kn/N
, k = 0 . . . N 1
Utilizando series de Fourier con estas se nales se obtiene para la sntesis de una se nal:
x(n) =
N1
k=0
c
k
e
j2kn/N
(5.3)
y considerando que
N1
n=0
a
n
=
_
_
_
N a = 1
1 a
N
1 a
a ,= 1
se puede armar para las exponenciales complejas
N1
n=0
e
j2kn/N
=
_
N k = 0, N, 2N, . . .
0 en el resto
tomando a = e
j2k/N
por lo que a
N
= 1.
Multiplicando (5.3) por e
j2ln/N
y sumando de 0 a N 1.
N1
n=0
x(n)e
j2ln/N
=
N1
n=0
N1
k=0
c
k
e
j2kn/N
e
j2ln/N
=
N1
k=0
c
k
N1
n=0
e
j2(kl)n/N
= Nc
l
y nalmente
c
l
=
1
N
N1
n=0
x(n)e
j2ln/N
, l = 0, 1, . . . , N 1
Notese que en esta serie de Fourier en tiempo discreto (DTFS, discrete time Fourier
series) el coeciente c
k
representa la amplitud y fase de la componente frecuencial s
k
(n) =
e
j2kn/N
= e
j
k
n
con frecuencia angular normalizada
k
= 2k/N (o lo que es equivalente
f
k
= k/N). Puesto que s
k
(n) es periodica al ser f
k
un n umero racional (s
k
(n) = s
k
(n+N)),
entonces los coecientes c
k
tambien son periodicos con periodo fundamental N:
c
k+N
=
1
N
N1
n=0
x(n)e
j2(k+N)n/N
=
1
N
e
j2kn/N
= c
k
Por conveniencia se utiliza para c
k
normalmente el intervalo k = 0 . . . N 1.
La relacion de Parseval es en este caso
1
N
N1
n=0
[x(n)[
2
=
N1
k=0
[c
k
[
2
es decir, la potencia media de la se nal es igual a la suma de las potencias medias de cada
componente en el dominio de la frecuencia.
5.2.2 Espectro de se nales discretas aperiodicas
La transformada de Fourier de una se nal de energa nita en tiempo discreto x(n) se
dene como:
X() =
n=
x(n)e
jn
Notese que X() = X( + 2k), lo que implica que el rango de frecuencias unicas se
limita a [0, 2[, o de forma equivalente a ] , ], que contrasta con el rango [, ] de
las se nales continuas.
Como la se nal x(n) es discreta, una sumatoria reemplaza la integral del caso continuo.
Puede demostrarse ademas que
x(n) =
1
2
_

X()e
jn
d .
La transformada de Fourier converge si
[X()[ =
n=
x(n)e
jn
n=
[x(n)[ <
es decir, si la se nal es absolutamente sumable.
La relacion de Parseval en este caso es:
E
x
=
n=
[x(n)[
2
=
1
2
_

[X()[
2
dt
Para se nales reales, el espectro X() tiene magnitud par y fase impar, es decir, se cumple
que X() = X(), por lo que usualmente basta determinar el espectro para [0, ],
pues la contraparte puede generarse por simetra.
Debe notarse en los cuatro casos anteriores la correspondencia entre periodicidad en un
dominio y la naturaleza discreta de la representacion en el dominio complementario. Es
decir, si la se nal es periodica, su espectro sera discreto y si el espectro es periodico, es
porque la se nal es discreta. Si la distancia entre las muestras o la lineas espectrales es
entonces la periodicidad en el otro dominio sera 1/.
periodico discreto
aperiodico continuo
Por ejemplo, una se nal continua periodica tendra un espectro aperiodico discreto; una
se nal discreta aperiodica tendra un espectro periodico continuo.
5.2.3 Relacion de la transformada de Fourier con la transfor-
mada z
La transformada z de la secuencia x(n) se ha denido como
X(z) =
n=
x(n)z
n
, ROC : r
2
< [z[ < r
1
(5.4)
Expresando z como z = re
j
(r = [z[, = z), entonces (5.4) se puede reescribir como
X(z)[
z=re
j
=
n=
_
x(n)r
n
e
jn
que equivale a la transformada de Fourier de la secuencia x(n)r
n
. Para el caso especial
de r = 1 se obtiene
X(z)[
z=e
j
= X() =
n=
x(n)e
jn
es decir, la transformada de Fourier de x(n) equivale a su transformada z evaluada en
la circunferencia unitaria z = e
j
. La gura 5.4 muestra como ejemplo la magnitud de
la transformada z de una secuencia x(n) y a la derecha la misma funcion recortada en
[z[ = 1. La silueta formada en [z[ = 1 corresponde entonces a X().
Si X(z) no converge en [z[ = 1 entonces la transformada de Fourier no existe. Por otro
lado, existen funciones con transformada de Fourier, que no tienen transformada z. Por
ejemplo, x(n) =
sen cn
n
tiene transformada de Fourier
X() =
_
1 [[
c
0
c
< [[ <
1
0.5
0
0.5
1
1
0
1
1
2
3
4
5
6
7
|X(z)|
Re{z}
Im{z}
1
0.5
0
0.5
1
1
0
1
1
2
3
4
5
6
7
|X(z)|
Re{z}
Im{z}
(a) (b)
Figura 5.4: Correspondencia entre X() y X(z). (a) [X(z)[. (b) [X(z)[ para [z[ < 1.
mas no posee transformada z.
Algunas secuencias con polos en [z[ = 1 en su transformada z pueden tener una trans-
formada de Fourier si se extiende la denicion de transformada para utilizar impulsos de
Dirac
() =
_
= 0
0 ,= 0
_

() d = 1
Ejemplo 5.3 Determine la transformada de Fourier de las se nales
1. x
1
(n) = u(n)
2. x
2
(n) = (1)
n
u(n)
3. x
3
(n) = cos(
0
n)u(n)
1. La transformada de x
1
(n) es X
1
(z) =
1
1 z
1
=
z
z 1
con una ROC [z[ > 1, pues
tiene un polo en z = 1. Con z = e
j
se obtiene
X
1
() =
e
j
e
j
1
=
e
j/2
e
j/2
e
j/2
=
1
2 sen(/2)
e
j
2
; ,= 2k, k Z
0
0.5
1
1.5
2
2.5
3
3.5 |X
1
()|
X
1
()
2
(a) (b)
Figura 5.5: Espectros de magnitud y fase para la funcion escalon u(n). (a) Espectro de mag-
nitud. (b) Espectro de fase.
cuya magnitud y fase se muestran en la gura 5.5.
Puesto que solo en = 2k X
1
() esta indenido, se sustituye all la transformada
por (), donde la constante se obtiene de un desarrollo matematico riguroso
que excede el contexto de estas notas.
1
2. X
2
(z) =
1
1 +z
1
=
z
z + 1
con un polo en z = 1 = e
j
. La transformada de Fourier
es entonces X
2
() =
e
j/2
2 cos(/2)
, con ,= 2k + , k Z. Donde se agregan los
impulsos en las frecuencias = y = (gura 5.6).
3. X
3
(z) =
1 z
1
cos
0
1 2z
1
cos
0
+z
2
, ROC [z[ > 1 puesto que tiene dos polos complejos
conjugados en e
j
0
. Por lo tanto, la transformada de Fourier es
X
3
() =
1 e
j
cos
0
(1 e
j(
0
)
)(1 e
j(+
0
)
)
con ,=
0
+ 2k (gura 5.7).
5.3
1
El desarrollo parte del hecho que
_
e
jt
d = 2(t), o haciendo un cambio de variable
_
e
jt
dt = 2().
0
0.5
1
1.5
2
2.5
3
3.5 |X
2
()|
X
2
()
2
(a) (b)
Figura 5.6: Espectros de magnitud y fase para la funcion (1)
n
u(n). (a) Espectro de magni-
tud. (b) Espectro de fase.
0
0.5
1
1.5
2
2.5
3
3.5
|X
3
()|
X
3
()
(a) (b)
Figura 5.7: Espectros de magnitud y fase para la funcion cos(n/3). (a) Espectro de magnitud.
(b) Espectro de fase.
5.2.4 El teorema del muestreo
En el captulo 1 se reviso el hecho de que la maxima frecuencia normalizada representable
en una se nal muestreada es f
max
=
Fmax
Fs
=
1
2
. Puesto que la representacion de Fourier de
la se nal discreta es
x(n) X() =
n=
x(n)e
jn
, ] , ]
y X() es periodico con periodo fundamental 2, se obtiene que la frecuencia mnima
de muestreo F
s
debe ser elegida de tal modo que sea al menos el doble de la frecuencia
maxima de la se nal (gura 5.8).
X()
2 B
0
0
B 2

1
1
2
1
2
1
f
F
F
s

Fs
2
Fs
2
F
s
Figura 5.8: Espectro de se nal discreta con banda limitada sin aliasing.
De otro modo existira entre las repeticiones periodicas del espectro de la se nal analogica
un traslape, denominado aliasing. Sea x
a
(t) la se nal analogica muestreada periodicamente
cada T segundos para producir la se nal en tiempo discreto x(n):
x(n) = x
a
(nT), < n < .
Si x
a
(t) es aperiodica de energa nita, entonces se cumple para su espectro:
X
a
(F) =
_

x
a
(t)e
j2Ft
dt x
a
(t) =
_

X
a
(F)e
j2Ft
dF
En el dominio discreto se tiene:
X(f) =
n=
x(n)e
j2fn
x(n) =
_ 1
2
1
2
X(f)e
j2fn
df
Puesto que para la se nal muestreada se tiene
t = nT =
n
F
s
entonces se cumple que
x(n) = x
a
(nT) =
_

X
a
(F)e
j2nF/Fs
dF
!
=
_
1/2
1/2
X(f)e
j2fn
df
Considerando que f = F/F
s
y df = dF/F
s
se obtiene entonces
1
F
s
_
Fs/2
Fs/2
X(F/F
s
)e
j2nF/Fs
dF =
_

X
a
(F)e
j2nF/Fs
dF
El lado derecho se puede segmentar en bloques de ancho F
s
de la siguiente manera:
_

X
a
(F)e
j2nF/Fs
dF =
k=
_
(k+1/2)Fs
(k1/2)Fs
X
a
(F)e
j2nF/Fs
dF
Con un cambio de variable en la integral F
= F kF
s
, dF
= dF, se obtiene un
desplazamiento del k-esimo bloque al intervalo [F
s
/2, F
s
/2]:
_
(k+1/2)Fs
(k1/2)Fs
X
a
(F)e
j2nF/Fs
dF =
_
Fs/2
Fs/2
X
a
(F
+kF
s
)e
j2n
F
+kFs
Fs
dF
=
_
Fs/2
Fs/2
X
a
(F +kF
s
)e
j2nF/Fs
dF
por lo que
1
F
s
_
Fs/2
Fs/2
X
_
F
F
s
_
e
j2nF/Fs
dF =
k=
_
Fs/2
Fs/2
X
a
(F +kF
s
)e
j2nF/Fs
dF
=
_
Fs/2
Fs/2
_

k=
X
a
(F +kF
s
)
_
e
j2nF/Fs
dF
es decir
X
_
F
F
s
_
= X(f) = F
s
k=
X
a
((f k)F
s
)
Notese que el espectro de la se nal discreta X(f) es igual a la repeticion periodica con
periodo F
s
del espectro escalado F
s
X
a
(F).
Si el espectro de la se nal analogica es de banda limitada, es decir, X
a
(F) = 0 si [F[ B,
entonces si se elige F
s
mayor a 2B se cumple para el rango de frecuencias unicas [F[
F
s
/2:
X
_
F
F
s
_
= F
s
X
a
(F), [F[ F
s
/2 .
En este caso no existe aliasing y los espectros de las se nales continua y discreta son
identicos en el intervalo de frecuencias [F[ F
s
/2, exceptuando el factor de escala F
s
(gura 5.9).
(a)
(b)
(c)
x
a
(t)
x(n)
x(n)
t
n
n
T
T
F
s
F
s
=
1
T
F
F
F
s
F
s
B
B
X
a
(F)
B
B
X
F
Fs
F
Fs
Figura 5.9: Se nal analogica de espectro nito y los efectos de diferentes frecuencias de mues-
treo. (a) Se nal analogica x
a
(t) y su espectro. (b) Muestreo con F
s
> 2B. (c) Mues-
treo con F
s
< 2B.
Si F
s
< 2B entonces el solapamiento espectral impide que la se nal original pueda ser
recuperada a partir de las muestras. Si no hay solapamiento, entonces
X
a
(F) =
_
_
_
1
Fs
X
_
F
Fs
_
[F[ F
s
/2
0 [F[ > F
s
/2
y puesto que
X
_
F
F
s
_
=
n=
x(n)e
j2Fn/Fs
y ademas
x
a
(t) =
_
Fs/2
Fs/2
X
a
(F)e
j2Ft
dF
se tiene que
x
a
(t) =
1
F
s
_
Fs/2
Fs/2
_

n=
x(n)e
j2Fn/Fs
_
e
j2Ft
dF
=
1
F
s
n=
x(n)
_
Fs/2
Fs/2
e
j2F(t
n
Fs
)
dF
y puesto que
_
Fs/2
Fs/2
e
j2F(t
n
Fs
)
dF =
e
j2F(t
n
Fs
)
j2
_
t
n
Fs
_
Fs/2
Fs/2
=
e
jFs(t
n
Fs
)
e
jFs(t
n
Fs
)
j2
_
t
n
Fs
_
=
sen
_
F
s
_
t
n
Fs
__
_
t
n
Fs
_ =
F
s
sen
_
F
s
_
t
n
Fs
__
F
s
_
t
n
Fs
_
= F
s
sa
_
F
s
_
t
n
F
s
__
entonces
x
a
(t) =
n=
x(n) sa
_
F
s
_
t
n
F
s
__
=
n=
x
a
(nT) sa (F
s
[t nT])
que es la interpolacion de las muestras utilizando el interpolador ideal
g(t) =
sen
_
t
T
_
t
T
= sa
_
t
T
_
. (5.5)
Notese que g(t) es cero para t = kT, k Z 0. En otras palabras, si x
a
(t) es de
banda limitada B y x(n) = x
a
(nT) es muestreada con F
s
2B entonces x
a
(t) puede ser
reconstruida completamente y de forma unica utilizando el interpolador g(t) dado en (5.5).
Debe advertirse, sin embargo, que g(t) tiene extension innita y no es causal, por lo que en
aplicaciones practicas suele aproximarse con interpoladores nitos. La gura 5.10 muestra
un ejemplo de interpolacion de una secuencia nita de muestras x(n) = 0, 3, 2, 1, 1, 0.
Se aprecia que la funcion interpolada atraviesa todas las muestras, mientras que para
valores de t no enteros todas las muestras contribuyen al valor interpolado.
5.3 Propiedades de la transformada de Fourier de se nales discretas
-2
-1
0
1
2
3
4
-1 0 1 2 3 4 5 6
-2
-1
0
1
2
3
4
-1 0 1 2 3 4 5 6
x(n), x
a
(t) x(n), x
a
(t)
n, t n, t
Figura 5.10: Ejemplo de iterpolacion ideal para una secuencia de muestras nita.
5.3 Propiedades de la transformada de Fourier de
se nales discretas
Simetra: Anteriormente se discutio el hecho de que cualquier se nal puede representarse
como la suma de una componente par y otra impar. Esto se puede aplicar tanto a la parte
real como a la imaginaria del espectro y de su se nal. Se puede demostrar que la relacion
entre estas componentes es la siguiente:
x(n) = [x
e
R
(n) + jx
e
I
(n)] + [x
o
R
(n) + jx
o
I
(n)]
X() = [X
e
R
() + jX
e
I
()] + [jX
o
I
() + X
o
R
()]
Si x(n) es real, entonces X() = X()
Linealidad: Si x
1
(n) X
1
() y x
2
(n) X
2
(), entonces:
a
1
x
1
(n) +a
2
x
2
(n) a
1
X
1
() +a
2
X
2
()
Desplazamiento temporal:
x(n) X() x(n k) e
jk
X()
Reexion temporal:
x(n) X() x(n) X()
Teorema de la Convolucion:
x
1
(n) X
1
(), x
2
(n) X
2
()
x
1
(n) x
2
(n) X
1
()X
2
()
Teorema de la Correlacion:
x
1
(n) X
1
(), x
2
(n) X
2
()
r
x
1
x
2
(n) S
x
1
x
2
() = X
1
()X
2
()
Si la se nal es real, puesto que X() = X() entonces:
r
xx
(n) X()X() = X()X() = [X()[
2
= S
xx
()
que se conoce como el teorema de Wiener-Khinchin.
Desplazamiento frecuencial:
x(n) X() e
j
0
n
x(n) X(
0
)
Teorema de modulacion:
x(n) X() x(n) cos(
0
n)
1
2
X( +
0
) +X(
0
)
Teorema de Parseval:
x
1
(n) X
1
(), x
2
(n) X
2
()
n=
x
1
(n)x
2
(n) =
1
2
_

X
1
()X
2
()d
Demostracion:
1
2
_

X
1
()X
2
()d =
1
2
_

n=
x
1
(n)e
jn
_
X
2
()d
=
n=
x
1
(n)
1
2
_

X
2
()e
jn
d
=
n=
x
1
(n)x
2
(n)
5.4 Sistemas LTI en el dominio de la frecuencia
Para el caso x
1
(n) = x
2
(n) = x(n) X():
E
x
=
n=
[x(n)[
2
=
1
2
_

[X()[
2
d =
1
2
_

S
xx
()d
Teorema del enventanado (multiplicacion de secuencias):
x
1
(n) X
1
(), x
2
(n) X
2
()
x
3
(n) = x
1
(n)x
2
(n) X
3
() =
1
2
_

X
1
()X
2
( )d = X
1
() X
2
()
donde el smbolo a la derecha, denota la convolucion periodica en el dominio de la
frecuencia.
Diferenciacion en el dominio de la frecuencia:
x(n) X() nx(n) j
dX()
d
5.4.1 La funcion de respuesta en frecuencia
En el captulo 2 se demostro que la respuesta de cualquier sistema LTI en reposo a una
se nal de entrada x(n), esta determinada por la convolucion con la respuesta impulsional
h(n):
y(n) =
k=
h(k)x(n k)
Para analizar este sistema en el dominio de la frecuencia se analiza su respuesta a una
se nal exponencial compleja x(n) = Ae
jn
. Se obtiene como salida:
y(n) =
k=
h(k)Ae
j(nk)
= Ae
jn
_

k=
h(k)e
jk
_
= AH()e
jn
Notese que H() existe si el sistema es estable, puesto que
n=
[h(n)[ < .
La respuesta del sistema LTI a una entrada exponencial compleja es entonces otra se nal
exponencial compleja de la misma frecuencia, pero con una nueva amplitud y fase deter-
minadas por H(). Puesto que H() = [H()[e
jH()
entonces es claro que la magnitud
cambia de acuerdo a [H()[ y la fase de acuerdo a H().
Puesto que h(n) es discreta, entonces H() h(n) es periodica y se cumple entonces:
h(n) =
1
2
_

H()e
jn
d
Ademas, por las propiedades de simetra, si h(n) es real, entonces H() = H(), lo que
implica que [H()[ = [H()[ (simetra par), H() = H() (impar), ReH() =
ReH() (par), ImH() = ImH() (simetra impar).
A H() se le denomina respuesta en frecuencia del sistema. Esta funcion determina la
amplitud y fase para cada se nal exponencial compleja de entrada. Ademas, puesto que
cos(n) =
e
jn
+e
jn
2
, entonces la respuesta del sistema LTI con respuesta impulsional
h(n) ante la entrada x(n) = Acos(n), sera:
y(n) =
A
2
_
H()e
jn
+H()e
jn
_
=
A
2
_
[H()[ e
j(n+H())
+[H()[ e
j(nH())
_
=
A
2
[H()[
_
e
j(n+H())
+e
j(n+H())
_
= A[H()[ cos(n +H())
Es decir, [H()[ determina la atenuacion o amplicacion de la componente frecuencial de
la entrada con frecuencia angular , y por ende se le denomina respuesta en magnitud,
mientras que H() determina la fase a la salida de la misma componente (respuesta en
fase).
Ejemplo 5.4 Para el sistema descrito por la ecuacion:
y(n) = ay(n 1) +bx(n), 0 < a < 1 a, b IR
1. Determine H()
2. Elija b de tal modo que [H()[ sea a lo sumo 1 y graque [H()[ y H() para
a = 0,9
3. Determine la salida para x(n) = 5 + 12 sen(
2
n) 20 cos
_
n +

4
_
1. Puesto que Y (z) = aY (z)z
1
+bX(z)
Y (z)
X(z)
=
b
1az
1
= H(z) h(n) = ba
n
u(n)
H() =
b
1 ae
j
[H()[ =
[b[
[1 ae
j
[
=
[b[
[1 a(cos j sen )[
=
[b[
_
(1 a cos )
2
+ (a sen )
2
=
[b[
1 2a cos +a
2
cos
2
+a
2
sen
2
=
[b[
1 2a cos +a
2
H() = b arctan
_
a sen
1 a cos
_
2. [H()[ es maximo si el denominador es mnimo, y esto ocurre, puesto que a [0, 1]
cuando cos es maximo, es decir, cuando = 0:
[H(0)[ =
[b[
1 2a +a
2
=
[b[
1 a
[b[ = 1 a
Eligiendo b = 1 a se obtienen las gracas en la gura 5.11.
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
0 1.5708 3.14159
|H()|
-3.14159
-1.5708
0
1.5708
3.14159
0 0.785398 1.5708 2.35619 3.14159
()
(a) (b)
Figura 5.11: Respuestas de magnitud y fase para el sistema en el ejemplo (5.4).
3. Asumiendo a = 0,9, se requiere H(0), H(
2
), H()
H(0) = 10
H
_
2
_
=
1 a
1 +a
2
=
0,1
1,81
= 0,074
H
_
2
_
= arctan a = 42
[H()[ =
1 a
1 +a
=
0,1
0,9
= 0,053 H() = 0
entonces
y(n) = 5 + 12
H
_
2
_
sen
_
2
n +H
_
2
__
20[H()[ cos
_
n +

4
+H()
_
= 5 + 0,888 sen
_
2
n 42
_
1,06 cos
_
n +

4
_
5.4
5.4.2 Respuesta transitoria y en regimen permanente a entradas
sinusoidales
La seccion anterior analizo la respuesta de sistemas LTI a una entrada cosenoidal o ex-
ponencial compleja eterna, es decir, aplicadas al sistema en n = . La respuesta
observada es entonces en regimen permanente, y no hay respuesta transitoria.
Todo sistema LTI estable BIBO excitado por una se nal exponencial compleja en n = 0
u otro tiempo nito, tendra una respuesta transitoria que tiende a cero a medida que n
tiende a innito.
Ejemplo 5.5 Determine las respuestas transitoria y de estado permanente para:
x(n) = Ae
jn
u(n)
del sistema
y(n) = ay(n 1) +x(n)
En la seccion 2.4.2 se demostro que la respuesta de este sistema con condiciones iniciales
no nulas es:
y(n) = a
n+1
y(1) +
n
k=0
a
k
x(n k), n 0
Sustituyendo x(n) = Ae
jn
u(n) se obtiene:
y(n) = a
n+1
y(1) +A
n
k=0
a
k
e
j(nk)
= a
n+1
y(1) +A
_
n
k=0
a
k
e
jk
_
e
jn
= a
n+1
y(1) +A
1 a
n+1
e
j(n+1)
1 ae
j
e
jn
= a
n+1
y(1) A
a
n+1
e
j(n+1)
1 ae
j
e
jn
+A
e
jn
1 ae
j
El sistema es estable si a < 1, con lo que se obtiene para n la respuesta de estado
permanente (steady state):
y
ss
(n) = lim
n
y(n) =
A
1 ae
j
e
jn
La respuesta transitoria esta dada por los otros terminos:
y
tr
(n) = a
n+1
_
y(1)
Ae
j(n+1)
1 ae
j
e
jn
_
= a
n+1
_
y(1)
Ae
j
1 ae
j
_
y tiende a cero para n . 5.5
5.4.3 Respuesta en regimen permanente a se nales de entrada
periodicas
Sea x(n) una se nal periodica, con periodo fundamental N, denida en el rango <
n < , por lo que la respuesta de un sistema LTI estable sera la respuesta en regimen
permanente. La se nal x(n) puede entonces expresarse por medio de una serie de Fourier:
x(n) =
N1
k=0
c
k
e
j2k
n
N
Puesto que la respuesta a x
k
(n) = c
k
e
j2k
n
N
es:
y
k
(n) = c
k
H
_
2
N
k
_
e
j2k
n
N
entonces, utilizando la linealidad del sistema se obtiene:
y(n) =
N1
k=0
c
k
H
_
2
N
k
_
e
j2k
n
N
=
N1
k=0
d
k
e
j2k
n
N
con d
k
= c
k
H(
2
N
k). La respuesta tiene entonces el mismo periodo de la entrada, pero
otra forma de se nal debido a los cambios de amplitud y fase aportados por los coecientes
d
k
.
5.4.4 Respuesta a se nales de entrada aperiodicas
Puesto que la salida de un sistema LTI en tiempo discreto es:
y(n) = h(n) x(n)
se obtiene en el dominio de la frecuencia:
Y () = H()X()
donde se deriva:
[Y ()[ = [H()[[X()[
Y () = H() +X()
La respuesta en magnitud [H()[ indica cuales frecuencias se amplican y cuales se
aten uan. Notese ademas que la salida de un sistema LTI no puede tener frecuencias
que no esten presentes en la entrada y en la respuesta en frecuencia; solo sistemas no
lineales o variantes en el tiempo pueden generar nuevas frecuencias.
A pesar de que la salida y(n) se puede obtener de la respuesta en frecuencia:
y(n) =
1
2
_

Y ()e
jn
d
no es usual emplear la transformada inversa de Fourier por ser relativamente mas simple
el tratamiento con la transformada z. La relacion entre las densidades espectrales de la
entrada S
xx
() y de la salida S
yy
() se obtiene facilmente con:
S
yy
() = [Y ()[
2
= [H()[
2
[X()[
2
= [H()[
2
S
xx
()
La energa de la salida es entonces:
E
y
=
1
2
_

S
yy
()d =
1
2
_

[H()[
2
S
xx
()d
5.4.5 Relaciones entre la funcion de transferencia y la respuesta
en frecuencia
Si la ROC de la funcion de transferencia contiene a la circunferencia unitaria, entonces:
H() = H(z)[
z=e
j =
n=
h(n)e
jn
Si H(z) es racional, H(z) =
B(z)
A(z)
, entonces:
H() =
B()
A()
=
M
k=0
b
k
e
jk
1 +
N
k=1
a
k
e
jk
= b
0
M
k=1
(1 z
k
e
j
)
N
k=1
(1 p
k
e
j
)
con los coecientes reales a
k
y b
k
, y los ceros z
k
y polos p
k
que pueden ser
complejos. Como h(n) es real, entonces H() = H() y as:
[H()[
2
= H()H() = H()H() = H(z)H(z
1
)
z=e
j
= Z r
hh
(n) [
z=e
j (5.6)
lo que conrma el teorema de Wiener-Khinchin [H()[
2
r
hh
(n).
Sea D(z) = B(z)B(z
1
) b(n) b(n) y C(z) = A(z)A(z
1
) a(n) a(n). Puede
demostrarse que:
c(n) =
N|n|
k=0
a(k)a(k +n), N n N, a(k) = a
k
d(n) =
M|n|
k=0
b(k)b(k +n), M n M, b(k) = b
k
que corresponden a la autocorrelacion de a(n) y b(n). Puesto que A() =
N
k=0
a(k)e
jk
y B() =
N
k=0
b(k)e
jk
, c
k
= c
k
y d
k
= d
k
:
[H()[
2
=
d
0
+ 2
M
k=1
d
k
cos k
c
0
+ 2
N
k=1
c
k
cos k
donde con cos k =
k
m=0
m
(cos )
m
, entonces [H()[
2
es una funcion racional de poli-
nomios de cos .
5.4.6 Calculo de la respuesta en frecuencia
Para evaluar el efecto de los polos y ceros de la funcion de transferencia en la respuesta
en frecuencia, eval uese entonces:
H() = b
0
M
k=1
(1 z
k
e
j
)
N
k=1
(1 p
k
e
j
)
= b
0
e
j(NM)
M
k=1
(e
j
z
k
)
N
k=1
(e
j
p
k
)
y con e
j
z
k
= V
k
()e
j
k
()
, e
j
p
k
= U
k
()e
j
k
()
, V
k
() = [e
j
z
k
[,
k
() =
(e
j
z
k
), U
k
() = [e
j
p
k
[,
k
() = (e
j
p
k
), se obtiene:
[H()[ = [b
0
[
V
1
() . . . V
M
()
U
1
() . . . U
M
()
H() = b
0
+(N M) +
1
() +. . . +
M
() [
1
() +. . . +
N
()]
Notese que (e
j
p
k
) puede interpretarse geometricamente como el fasor que va del polo
p
k
al punto e
j
que se encuentra en la circunferencia unitaria con el angulo . El mismo
concepto se aplica a los ceros.
La respuesta en frecuencia H() se hara muy peque na si z = e
j
pasa cerca de un cero,
o se hara muy grande si pasa cerca de un polo.
Notese que si la magnitud de H() se expresa en decibelios, entonces:
[H()[
dB
= 20 log
10
[b
0
[ + 20
M
k=1
log
10
V
k
() 20
N
k=1
log
10
U
k
()
1
Re{z}
Im{z}
e
j
e
j
p
k
p
k
Figura 5.12: Interpretacion geometrica del factor

_
e
j
p
k
_
.
5.5 Sistemas LTI como ltros selectivos en frecuencia
Filtro es un caso particular de sistema que discrimina alg un atributo de los objetos o
se nales aplicados a su entrada, y permite o suprime el paso de dichos objetos o se nales
si y solo si estos presentan ese atributo. As, ltros de aire y aceite permiten que estas
sustancias los atraviesen, evitando que otras impurezas como polvo alcancen su salida;
ltros de luz (por ejemplo, luz infraroja) permiten el paso de solo una parte del espectro
electromagnetico. En las secciones anteriores se presento la propiedad de los sistemas LTI
de ltrar diferentes componentes en frecuencia de su se nal de entrada, caracterizada por
la respuesta en frecuencia H(). Es por ello que los terminos sistema LTI y ltro se
utilizan con frecuencia como sinonimos.
Eligiendo la posicion de los polos y ceros en la funcion de transferencia se eligen los
coecientes a
k
y b
k
para obtener una determinada forma de la respuesta en frecuencia
H(), que puede considerarse como funcion de ponderacion o conformacion espectral,
pues la salida del sistema es Y () = H()X().
Los sistemas LTI en estas funciones de ltrado selectivo de frecuencias o conformacion
espectral se utilizan de varias maneras: como eliminadores de ruido, conformacion espec-
tral para igualacion de canales de comunicacion, deteccion de se nales en radar y sonar,
analisis espectral, etc. En esta seccion se revisaran algunos conceptos basicos, que seran
retomados en el captulo 6 con mayor detalle.
5.5.1 Filtros ideales
Como ltro ideal se conoce un sistema LTI con respuesta en frecuencia
H() =
_
Ce
jn
0
,
1
< <
2
0, en caso contrario
es decir, una ganacia constante C en la banda de paso, y cero en la banda eliminada.
Algunos ltros selectivos se muestran en la gura 5.13.
Paso Bajo Paso Alto Paso Banda
Paso Todo Supresor de Banda
|H()|
|H()| |H()|
|H()| |H()|
c
B
B B

Figura 5.13: Respuesta en magnitud de algunos ltros ideales selectivos en frecuencia.
La respuesta de fase lineal permite que se nales de entrada con componentes frecuenciales
connadas en el intervalo [
1
,
2
] sean simplemente escaladas y trasladadas en el
tiempo, pues:
Y () = H()X()
= Ce
jn
0
X()
= CX()e
jn
0
y(n) = Cx(n n
0
)
El retardo no es considerado como una distorsion grave de la se nal y es usualmente
tolerado, tal y como el escalado en amplitud. En estos ltros la derivada de la fase tiene
unidades de retardo, y a la magnitud
g
() =
d()
d
, () = H()
se le denomina retardo de envolvente o retardo de grupo del ltro. En el caso de los ltros
ideales, puesto que () = n
0
, entonces
g
() = n
0
y es constante. En general,
g
()
indica el retardo temporal que experimenta la componente de frecuencia cuando pasa
a traves del sistema. Entonces, en los ltros ideales todas las componentes se retrasan.
Los ltros ideales no son realizables. Por ejemplo, la respuesta impulsional del ltro paso
bajo es:
h
lp
(n) =
sen(
c
n)
n
, < n <
que es anticausal, innita y no es absolutamente sumable, por lo que el sistema es ines-
table.
Algunos ltros digitales sencillos pueden dise narse colocando polos y ceros en el plano z,
cerca de la circunferencia unitaria, de tal forma que se obtenga la forma de la respuesta en
magnitud deseada, donde los polos deben estar en el interior de la circunferencia unidad,
y si hay polos o ceros complejos, deben presentarse entonces en pares conjugados.
5.5.2 Filtros paso alto, paso bajo y paso banda
En el dise no de ltros paso bajo, los polos deben situarse cerca de los puntos de la
circunferencia unidad correspondientes a las bajas frecuencias (cerca de = 0) y los ceros
cerca de los puntos de la circunferencia unidad correspondientes a las altas frecuencias
(cerca de = ). El caso contrario es para ltros paso alto.
Ejemplo 5.6 Dise ne un ltro paso bajo con [H(0)[ = 1 y
1. un solo polo en p
1
= 0,9
2. un polo y un cero en p
1
= 0,9 y z
1
= 1
1. En general, un sistema LTI tiene la forma:
H(z) =
M
k=0
b
k
z
k
1 +
N
k=0
a
k
z
k
= b
0
M
k=1
(1 z
k
z
1
)
N
k=1
(1 p
k
z
1
)
Un ltro de primer orden sin ceros tendra la funcion de transferencia
H
1
(z) =
b
0
1 p
1
z
1
=
b
0
1 0,9z
1
H
1
() =
b
0
1 0,9e
j
Puesto que [H
1
(0)[ = 1 =
b
0
0,1
b
0
= 0,1, H() =
0,1
1,9
= 0,0526.
2. En este caso
H
2
() =
b
0
(1 z
1
z
1
)
1 p
1
z
1
= b
0
1 +z
1
1 0,9z
1
H
2
() = b
0
1 +e
j
1 0,9e
j
y H
2
(0) = b
0
1+1
0,1
= 20b
0
b
0
=
1
20
, H
2
() = 0
5.6
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
-3.14159 -1.5708 0 1.5708 3.14159
|H
1
()|
|H
2
()|
Figura 5.14: Respuesta en magnitud de (1) ltro paso bajo de un polo, (2) ltro paso bajo de un
polo y un cero; H
1
(z) = (1a)/(1az
1
), H
2
(z) = [(1a)/2][(1+z
1
)/(1az
1
)]
y a = 0,9.
Reejando los polos y ceros con respecto al eje imaginario, se obtienen ltros paso alto:
H
1
() =
b
0
1 + 0,9e
j
, H
2
() =
b
0
(1 e
j
)
1 + 0,9e
j
Para ltros paso banda, se debe escoger un par de polos complejos conjugados cerca de
la circunferencia unidad en la vecindad de la banda de paso.
Ejemplo 5.7 Dise ne un ltro paso banda de segundo orden con banda de paso en =

2
,
con [H(0)[ = [H()[ = 0,
H(
4
9
)
=
1
2
,
H(
2
)
= 1.
Solucion: Los polos deben estar en p
1,2
= re
j
2
= rj, 0 < r < 1, y los ceros en z
1
= 1
y z
2
= 1, por lo que:
H(z) = b
0
(z 1)(z + 1)
(z jr)(z +jr)
= b
0
z
2
1
z
2
+r
2
H() = b
0
e
2j
1
e
2j
+r
2
H
_
2
_
b
0
2
1 r
2
!
= 1 b
0
2
1 r
2
= 1 b
0
=
1 r
2
2
H
_
4
9
_
=
_
1 r
2
2
_
2
2 2 cos
_
8
9
_
1 +r
4
+ 2r
2
cos
_
8
9
_
!
=
1
2
La solucion resulta en r
2
= 0,7 (gura 5.16).
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
-3.14159 -1.5708 0 1.5708 3.14159
|H
1
()|
|H
2
()|
Figura 5.15: Respuesta en magnitud de un ltro paso alto H
1
(z) = (1a)/(1+az
1
), H
2
(z) =
[(1 a)/2][(1 z
1
)/(1 +az
1
)] y a = 0,9.
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
-3.14159 -1.5708 0 1.5708 3.14159
|H()|
Figura 5.16: Respuesta en magnitud de ltro paso banda; 0,15[(1 z
2
)/(1 + 0,7z
2
)].
5.7
Otra manera de convertir un ltro paso bajos en uno paso altos es aplicar el desplazamiento
en frecuencia la respuesta H() radianes:
H
hp
= H
lp
( )
con H
hp
() la respuesta del ltro paso alto (hp: high pass) y H
lp
() la respuesta del ltro
paso bajo (lp: low pass). Notese que la respuesta impulsional sera
h
hp
=
_
e
j
_
n
h
lp
(n) = (1)
n
h
lp
(n)
Ahora interesa observar que le ocurre a los coecientes de la ecuacion de diferencias con
este desplazamiento en frecuencia. Puesto que:
y(n) =
N
k=1
a
k
y(n k) +
M
k=0
b
k
x(n k)
H
lp
() =
M
k=0
b
k
e
jk
1 +
N
k=1
a
k
e
jk
Sustituyendo por + se obtiene:
H
hp
() =
M
k=0
(1)
k
b
k
e
jk
1 +
N
k=1
(1)
k
a
k
e
jk
que equivale a:
y(n) =
N
k=1
(1)
k
a
k
y(n k) +
M
k=0
(1)
k
b
k
x(n k)
5.5.3 Resonadores digitales
Un resonador digital es un ltro paso banda con un par de polos complejos conjugados,
que determinan con su posicion angular la frecuencia de resonancia del ltro y con un
maximo de dos ceros que se sit uan en el origen o en z = 1 (gura 5.17).
Para el caso con los ceros en el origen, se obtiene como funcion de transferencia:
H(z) =
b
0
(1 re
j
0
z
1
)(1 re
j
0
z
1
)
=
b
0
1 (2r cos
0
)z
1
+r
2
z
2
Dado que las bandas de paso se encuentras centradas en
0
o cerca de
0
, b
0
se elige de
tal modo que [H(
0
)[ = 1
H(
0
) =
b
0
(1 re
j
0
e
j
0
)(1 re
j
0
e
j
0
)
=
b
0
(1 r)(1 re
j2
0
)
[H(
0
)[ =
b
0
(1 r)
1 +r
2
2r cos 2
0
= 1 b
0
= (1 r)
_
1 +r
2
2r cos 2
0
r
r
0
0
0.2
0.4
0.6
0.8
1
0
|H()|
r = 0,8
r = 0,95
0
0
H()
r = 0,8
r = 0,95
Figura 5.17: Resonadores digitales todo-polos.
Si se expresa [H()[ como
b
0
U
1
()U
2
()
y () como 2
1
()
2
(), donde (1p
1
z
1
) =
(1 re
j
0
z
1
) = U
1
()e
j
1
()
, (1 p
2
z
1
) = (1 re
j
0
z
1
) = U
2
()e
j
2
()
U
1
() =
_
1 +r
2
2r cos(
0
), U
2
() =
_
1 +r
2
2r cos( +
0
)
U
1
alcanza su mnimo en =
0
(U
1
(
0
) = 1 r) y U
2
en =
0
(U
1
(
0
) = 1 r).
Sin embargo, su producto U
1
()U
2
() alcanza su mnimo en
r
= cos
1
_
1 +r
2
2r
cos
0
_
, lim
r1
r
=
0
0
0.5
1
1.5
2
2.5
3
0
0.2
0.4
0.6
0.8
1
0
0.5
1
1.5
2
2.5
3
r
r
Figura 5.18: Posicion de la frecuencia de resonancia con respecto al radio y al angulo de los
polos.
Puede demostrarse que el ancho de banda de 3 dB es aproximadamente = 2(1 r)
para r 1.
Si los ceros se sit uan en = 0 y = , la funcion de transferencia es:
H(z) = G
(1 z
1
)(1 + z
1
)
(1 re
j
0
z
1
)(1 re
j
0
z
1
)
= G
(1 z
2
)
1 (2r cos
0
)z
1
+r
2
z
2
La presencia de ceros cambia la posicion de la frecuencia de resonancia (gura 5.19): es
ahora mas cercana a
0
. Ademas, su ancho de banda es usualmente menor.
0
0.2
0.4
0.6
0.8
1
0
|H()|
r = 0,8
r = 0,95
0
0
H()
r = 0,8
r = 0,95
Figura 5.19: Resonadores digitales con ceros en = 0 y = .
5.5.4 Filtros ranura
Un ltro ranura o muesca, es un ltro con uno o mas cortes profundos, idealmente ceros
perfectos en su respuesta en frecuencia. Para crear estos en la frecuencia
0
, se introduce
un par de ceros complejos conjugados en la circunferencia unitaria con angulo
0
. Es
decir, z
1,2
= e
j
0
, lo que resulta en:
H(z) = b
0
(1 e
j
0
z
1
)(1 e
j
0
z
1
) = b
0
(1 2 cos
0
z
1
+z
2
)
El problema de esta conguracion es que el corte tiene un ancho de banda relativamente
grande. Esto puede ser atenuado situando polos complejos conjugados en p
1,2
= re
j
0
,
que introducen resonancia en la vecindad del cero, y por tanto reducen el ancho de banda
de la banda suprimida. La funcion de transferencia resultante sera:
H(z) = b
0
1 2 cos
0
z
1
+z
2
1 2r cos
0
z
1
+r
2
z
2
5.5.5 Filtros peine
Un ltro peine puede verse como un ltro ranura en el que los nulos aparecen periodicamente
en toda la banda de frecuencias. Se utilizan por ejemplo en el rechazo de armonicos en
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
-3.14159 -1.5708 0 1.5708 3.14159
|H()|
Figura 5.20: Caracterstica de respuesta en frecuencia de un ltro ranura.

-0.2
0
0.2
0.4
0.6
0.8
1
1.2
-3.14159 -1.5708 0 1.5708 3.14159
|H
1
()|
|H
2
()|
Figura 5.21: Caracterstica de respuesta en frecuencia de un ltro ranura con un nulo en =

4
;
H(z) = G[1 2 cos
0
z
1
+z
2
].
lneas de potencia y en la separacion de componentes solares y lunares de las medidas
ionosfericas de la concentracion de electrones.
La forma mas sencilla de ltro peine es el ltro de media movil (FIR):
y(n) =
1
M + 1
M
k=0
x(n k)
con funcion de transferencia
H(z) =
1
M + 1
M
k=0
z
k
=
1 z
(M+1)
1 z
1
y respuesta de frecuencia
H() =
e
j
M
2
M + 1
sen
_
M+1
2
_
sen
_
2
_
De H(z) se deduce con 1 z
(M+1)
= 0 1 = e
2k
= z
M+1
z = e
2k
M+1
, k = 1, 2, . . . , M.
Notese que el polo en z = 1 se cancela con el cero en z = 1 (k = 0), por lo que el unico
polo esta en z = 0.
0
1
-3 -2 -1 0 1 2 3
|H()|
Figura 5.22: Ejemplo de ltro peine FIR con M = 6.

Otra manera de generar ltros peine es a partir de cualquier ltro FIR con al menos un cero
en cierta frecuencia
0
. Si este ltro tiene funcion de transferencia H(z) =
M
k=0
h(k)z
k
y se reemplaza z por z
L
, con L Z, L > 0, entonces el nuevo ltro FIR tiene funcion de
transferencia
H
L
(z) =
M
k=0
h(k)z
kL
Si la respuesta en frecuencia correspondiante a H(z) es H(), entonces:
H
L
() =
M
k=0
h(k)e
jkL
= H(L)
es decir, una repeticion de orden L de H() en el rango 0 , donde H() se
comprime para que todas las repeticiones ocupen dicho intervalo.
Ejemplo 5.8 Dise ne un ltro peine a partir del ltro FIR
y(n) =
1
2
(x(n) +x(n 1))
tal que suprima las frecuencias =

4
+k
2
.
replacemen
x(n) y(n)
1
2
z
1
Figura 5.23: Diagrama de bloques del ejemplo (5.8).
La funcion de transferencia es:
H(z) =
1 +z
1
2
y por lo tanto (gura 5.24)
H() =
1 +e
j
2
=
e
j
2
(e
+j
2
+e
j
2
)
2
= e
j
2
cos
_
2
_
0
0.2
0.4
0.6
0.8
1
0
|H()|
0
0
replacemen
H()
Figura 5.24: Respuesta en frecuencia de y(n) = (x(n) +x(n 1))/2.

Utilizando L = 4 se obtiene H
L
() = e
j2
cos(2), proveniente de H(z) =
1+z
4
2
(-
gura 5.25).
5.8
Notese entonces que si H() tiene un cero en
0
, H
L
() tendra ceros en

0
+2k
L
, k =
0, 1, 2, . . . , L 1.
0
0.2
0.4
0.6
0.8
1
0
|H()|
0
0
H()
Figura 5.25: Respuesta en frecuencia de y(n) = (x(n) +x(n 1))/2.

5.5.6 Filtros paso todo
Un ltro paso todo tiene una respuesta en magnitud constante para todas las frecuencias:
[H()[ = 1, 0
El ejemplo mas simple es el registro de desplazamiento:
H(z) = z
k
H() = e
jk
_
[H()[ = 1
H() = k
Otro caso esta dado por ltros con funciones de transferencia:
H(z) = z
N
A(z
1
)
A(z)
, con el polinomio A(z) =
N
k=0
a
k
z
k
, a
0
= 1 ,
es decir,
H(z) =
a
N
+a
N1
z
1
+. . . +a
1
z
N+1
+z
N
1 +a
1
z
1
+. . . +a
N
z
N
con el resultado de (5.6) en la pagina 168,
[H()[
2
= H(z)H(z
1
)
z=e
j
= z
N+N
A(z
1
)
A(z)
A(z)
A(z
1
)
= 1 .
Notese que si z
0
es un cero, entonces
1
z
0
es un polo, lo que quiere decir que si algun polo
o cero esta dentro del crculo unitario, la contraparte estara fuera (gura 5.26).
Este ltro paso todo puede expresarse entonces como:
H
ap
(z) =
N
R
k=1
z
1
k
1
k
z
1
N
C
k=1
(z
1
k
)(z
1
k
)
(1
k
z
1
)(1
k
z
1
)
1 1
j
j
p
1
p
2
p
3
p
1
p
3
1
p1
1
p2
1
p3
1
p
1
1
p
3
Figura 5.26: Correspondencia entre polos y ceros de un ltro pasa-todo
donde hay N
R
polos y ceros reales, y N
C
polos y ceros complejos conjugados. Si el sistema
es causal y estable, entonces [
k
< 1[ y [
k
< 1[. Para analizar el comportamiento de la
fase y retardo de grupo puede tomarse uno de los terminos anteriores y con
k
= re
j
:
H
ap
k
(z) =
z
1
k
1
k
z
1

H
ap
k
() =
e
j
re
j
1 re
j
e
j
= e
j
1 re
j()
1 re
j()
= e
j
1 r cos( ) jr sen( )
1 r cos( ) +jr sen( )
ap
() = (H
ap
k
(z)) = 2 arctan
_
r sen( )
1 r cos( )
_
y con

x
arctan(x) =
1
1+x
2
se obtiene para el retardo de grupo:
() =
ap
()
= +1 + 2
1
1 +
r
2
sen
2
()
(1r cos())
2
r cos( )(1 r cos( )) r sen( )r sen( )
(1 r cos( ))
2
= +1 + 2
(r cos( ) r
2
cos
2
( ) r
2
sen
2
( ))
1 2r cos( ) +r
2
cos
2
( ) +r
2
sen
2
( )
= +1 + 2
(r cos( ) r
2
)
1 2r cos( ) +r
2
5.6 Sistemas inversos
=
1 +r
2
2r cos( ) + 2r cos( ) 2r
2
1 +r
2
2r cos( )
=
1 r
2
1 +r
2
2r cos( )
> 0, r < 1, r > 0
Un sistema pasotodo con varios polos y ceros tendra siempre un retardo de grupo positivo,
por estar conformado el retardo total por la suma de terminos como el anterior, que seran
siempre positivos..
Este tipo de ltros se utilizan como igualadores de fase, colocandolos en cascada con
un sistema de respuesta en fase no deseada, de tal modo que se compensa la fase total
del sistema para obtener un comportamiento lineal.
5.5.7 Osciladores digitales
Los osciladores son el caso extremo de un resonador digital, donde los polos complejos
conjugados se encuentran sobre la circunferencia unidad. El sistema de segundo orden:
H(z) =
b
0
1 +a
1
z
1
+a
2
z
2
con a
1
= 2r cos
0
, a
2
= r
2
, tiene polos complejos conjugados en p = re
j
0
y respuesta
impulsional:
h(n) =
b
0
r
n
sen
0
sen((n + 1)
0
)u(n)
Para el caso r = 1 entonces:
h(n) =
b
0
r
n
sen
0
sen((n + 1)
0
)u(n) = Asen((n + 1)
0
)u(n)
con A =
b
0
sen
0
. Es decir, cuando el sistema se alimenta con (n), oscila indenidamente.
La ecuacion de diferencias:
y(n) = a
1
y(n 1) y(n 2) +b
0
(n) = 2 cos
0
y(n 1) y(n 2) +Asen
0
(n)
se puede realizar con el sistema mostrado en la gura 5.27.
Notese que el mismo resultado puede obtenerse con entrada cero, pero con y(n 1) = 0
y y(n 2) = Asen
0
.
Por medio de la convolucion, los sistemas LTI transforman una se nal x(n) en la salida
y(n). En ciertos casos se desconocen exactamente las caractersticas del sistema y se desea,
a
1
= 2 cos
0
a
2
= 1
a
1
a
2
(Asen
0
)(n)
y(n) = Asen(n + 1)
0
z
1
z
1
Figura 5.27: Generador digital de sinusoides.
teniendo y(n), determinar x(n). Esto ocurre por ejemplo cuando se desea contrarrestar
los efectos de distorsion que produce un canal de transmision de datos. Se desea entonces
dise nar un sistema que en cascada con el sistema original, produzca la se nal de entrada.
T T
1
y(n) x(n) x(n)
Figura 5.28: Sistema T en cascada con su inverso T
1
.
A este segundo sistema se le denomina sistema inverso y a la operacion que toma y(n) y
produce x(n) se le denomina deconvolucion.
La determinacion del sistema inverso requiere conocimiento sobre la respuesta impulsional
h(n) o la respuesta en frecuencia H(), que se obtienen en un proceso llamado identi-
cacion del sistema. Para esto se alimenta al sistema desconocido con se nales de entrada
conocidas (por ejemplo, senoidales de frecuencia y amplitud conocidas) y se revisan las
salidas.
5.6.1 Invertibilidad de sistemas LTI
Un sistema es invertible si existe una correspondencia biunvoca entre sus se nales de
entrada y de salida. Esto quiere decir que si se conoce la salida y(n) para todo n, entonces
se puede inferir la entrada x(n). El sistema inverso se denota con T
1
y se cumple que:
y(n) = T [x(n)], x(n) = T
1
[y(n)] = T
1
[T [x(n)]]
Para sitemas LTI, as umase que el sistema T tiene una respuesta impulsional h(n), y h
I
(n)
es la respuesta del sistema inverso T
1
. Se debe cumplir entonces que:
h(n) h
I
(n) = (n) H(z)H
I
(z) = 1
de donde se obtiene
H
I
(z) =
1
H(z)
Para un sistema con H(z) racional, si:
H(z) =
B(z)
A(z)
entonces
H
I
(z) =
A(z)
B(z)
lo que quiere decir que los ceros de H(z) se convierten en los polos de H
I
(z) y viceversa.
Esto a su vez implica que si H(z) es todo ceros (FIR), entonces H
I
(z) es todo polos (IIR)
y viceversa.
Ejemplo 5.9 Determine el sistema inverso de h(n) = u(n).
H(z) =
1
1 z
1
H
I
(z) = 1 z
1
h
I
(n) = (n) (n 1)
5.9
Ejemplo 5.10 Determine el sistema inverso del sistema con respuesta impulsional
h(n) = (n) (n 1). Con
H(z) = 1 z
1
H
I
(z) =
1
1 z
1
que tiene dos posibles soluciones
h
I
(n) = u(n) o h
I
(n) = u(n 1)
5.10
Otra manera mas algortmica de obtener la respuesta impulsional h
I
(n) se basa en la
convolucion. Si se asume que h(n) y su inverso son causales, entonces:
h(n) h
I
(n) =
n
k=0
h(k)h
I
(n k) = (n) (5.7)
Para n = 0 se cumple h(0)h
I
(0) = 1 h
I
(0) =
1
h(0)
, y puesto que para n > 0:
n
k=0
h(k)h
I
(n k) = h(0)h
I
(n) +
n
k=1
h(k)h
I
(n k) = 0
h
I
(n) =
n
k=1
h(k)h
I
(n k)
h(0)
Lo que se puede programar directamente. Si h(0) es cero, entonces debe introducirse un
retardo en (5.7) sustituyendo (n) por (n m), donde para n = m, h(n) ,= 0 y h(n) = 0
si n < m. Este metodo tiene sin embargo el problema de que conforme n crece, el error
numerico acumulado crece.
Ejemplo 5.11 Determine el inverso causal del sistema de respuesta impulsional h(n) =
(n) (n 1). Con h(0) = 1, h(1) = y h(n) = 0 para n 2, entonces:
h
I
(0) =
1
h(0)
= 1
h
I
(1) =
h(1)h(0)
h(0)
=
h
I
(2) = (h(1)h
I
(1) + h(2)h
I
(0)) = () =
2
h
I
(3) = (h(1)h
I
(2) + h(2)h
I
(1) + h(3)h
I
(0)) =
3
.
.
.
h
I
(n) =
n
5.11
5.6.2 Sistemas de fase mnima, fase maxima y fase mixta
Sean los sistemas
H
1
(z) = 1 +
1
z
1
y H
2
(z) =
2
+z
1
H
1
(z) tiene un cero en z =
1
y H
2
(z) en z =
1
2
. Puede demostrarse que si
1
=
2
= , entonces las respuestas en magnitud [H
1
()[ = [H
2
()[ son ambas identicas a
1 +
2
+ 2cos . Para la fase de H
1
() se tiene que:
H
1
(z) = 1 +
1
z
1
= z
1
(z +
1
) H
1
() = arg(e
j
(e
j
+
1
))
H
1
() = + arctan
_
sen()
1
+ cos
_
y para H
2
() se tiene que:
H
2
(z) =
2
+z
1
= z
1
(
2
z + 1) H
2
() = arg(e
j
(
2
e
j
+ 1))
H
2
() = + arctan
_

2
sen()
1 +
2
cos
_
= + arctan
_
sen
1
2
+ cos
_
El termino arctan
_
sen()
+cos
_
se comporta de la siguiente manera:
arctan
_
sen
+ cos
_

_
_
_
, si 0
2
, si 1
sen
, si 1
La gura 5.29 muestra este ultimo componente en funcion de y . El lado derecho de
la misma gura presenta la fase H
i
(z), que es igual al lado izquierdo menos el aporte
igual a del factor exponencial.
0
0.5
1
1.5
2
2.5
3
3
2
1
0
1
2
3
3
2
1
0
1
2
3
arctan
sen
+cos
0
0.5
1
1.5
2
2.5
3
3
2
1
0
1
2
3
3
2
1
0
1
2
3
H
i
(z)
(a) (b)
Figura 5.29: Comportamiento de la fase de H
i
(z) = 1 + z
1
. (a) Componente
arctan
_
sen
+cos
_
. (b) Fase H() = + arctan
_
sen
+cos
_
En las expresiones anteriores el denominador + cos corresponde a la parte real del
segundo factor de la fase (
1
+e
j
o 1 +
2
e
j
). Si se asumen ahora frecuencias cercanas
pero menores a = entonces sen /(+cos ) tiende a cero y puesto que para x 0 se
cumple arctan x x entonces para > 1 se cumple que el aporte en fase de este termino
aproximadamente cero. Si la parte real es negativa, es decir, si < 1, entonces el termino
aportara una fase cercana a .
Para un valor constante de con < 1, se observa entonces que la fase inicia con cero en
= , luego oscila cruzando una sola vez cero, para nuevamente alcanzarlo en = .
Por otro lado, si > 1 entonces la fase inicia con un valor de en = y baja
monotonicamente hasta alcanzar en = . Esto quiere decir que el cambio neto de
fase
1
()
1
(0) para un particular es cero si
1
< 1, mientras que es si
1
> 1. El
primer caso se conoce entonces como sistema de fase mnima y el segundo como sistema
de fase maxima.
Un sistema FIR de longitud M + 1 tiene M ceros y su respuesta en frecuencia se puede
expresar como:
H() = b
0
(1 z
1
e
j
)(1 z
2
e
j
) . . . (1 z
M
e
j
)
Si todos los ceros se encuentran dentro de la circunferencia unitaria, el cambio de fase
neto sera entonces tambien de cero entre = 0 y = , por lo que al sistema se le
denomina de fase mnima. Si todos los ceros se encuentran fuera de la circunferencia
unidad, el cambio neto de fase sera H() H(0) = M, y el sistema se denomina de
fase maxima.
Un sistema es entonces de fase mixta si algunos de los ceros estan dentro de la circun-
ferencia unitaria y otros fuera, y si el sistema tiene en total M ceros se cumple que el
cambio de fase neto sera menor a M radianes, entre = 0 y = .
Puesto que la derivada de la funcion de fase representa en cierta medida el retraso de
cada componente frecuencial, un sistema de fase mnima implica una funcion de retardo
mnima, mientras que un sistema de fase maxima implica un retardo maximo.
Un sistema IIR descrito por la funcion de transferencia racional:
H(z) =
B(z)
A(z)
se denomina de fase mnima si todos sus polos y ceros se encuentran dentro de la circun-
ferencia unitaria, lo que implica ademas que el sistema es estable y causal. Si todos los
ceros estan fuera de [z[ = 1, entonces el sistema es de fase maxima. Si solo algunos de los
ceros estan fuera de [z[ = 1, entonces el sistema es de fase mixta.
Puesto que el inverso de H(z) es H
1
(z) =
A(z)
B(z)
, entonces se deduce de lo anterior que
el inverso de un sistema de fase mnima estable es tambien un sistema de fase mnima
estable. En general, la fase mnima de H(z) asegura la estabilidad de su sistema inverso
H
1
(z), y la estabilidad de H(z) asegura la fase mnima de H
1
(z). Los sistemas de fase
mixta o maxima tienen entonces sistemas inversos inestables.
Descomposicion de sistemas de polos y ceros de fase no mnima
Cualquier sistema de funcion de transferencia racional y de fase no mnima puede des-
componerse en la cascada de un sistema de fase mnima y un ltro pasa todos.
H(z) = H
min
(z)H
ap
(z)
Sea H(z) =
B(z)
A(z)
. El numerador B(z) se puede factorizar como B(z) = B
1
(z)B
2
(z), donde
B
1
(z) tiene todas sus races dentro de [z[ = 1 y B
2
(z) todas sus races fuera. Esto a su
vez implica que B
2
(z
1
) tiene todas sus races dentro de [z[ = 1. De esta forma:
H
min
(z) =
B
1
(z)B
2
(z
1
)
A(z)
, H
ap
(z) =
B
2
(z)
B
2
(z
1
)
Notese que H
ap
(z) es estable puesto que todos los polos de B
2
(z
1
) se encuentran dentro de
la circunferencia unitaria. Ademas, es un ltro paso todo como los descritos anteriormente,
y es de fase maxima al estar todos sus ceros fuera de la circunferencia unitaria.
Este sistema H(z) de fase no mnima tiene el retardo de grupo
g
() =
min
g
() +
ap
g
()
Puesto que
ap
g
() 0 para 0 , entonces se puede concluir que entre todos los
sistemas con igual respuesta en magnitud, el menor retardo de grupo lo tiene el sistema
de fase mnima.
5.6.3 Identicacion de sistemas
Supongase que se observa una secuencia de salida y(n) cuando se excita a un sistema
de respuesta desconocida con la entrada x(n). Se desea ahora determinar la respuesta
impulsional del sistema.
Si existen formas cerradas en el dominio z para x(n) y y(n), entonces h(n) se obtiene
facilmente con
h(n) H(z) =
Y (z)
X(z)
Otro metodo trata directamente la convolucion en el dominio del tiempo, asumiendo que
h(n) es causal:
y(n) =
n
k=0
h(k)x(n k), n 0
y(0) = h(0)x(0) h(0) =
y(0)
x(0)
y(n) =
n1
k=0
h(k)x(n k) +h(n)x(0)
h(n) =
y(n)
n1
k=0
h(k)x(n k)
x(0)
, n 1
Aqu se ha asumido que x(0) ,= 0. El problema se torna numericamente inestable para
n 1.
Un tercer metodo utiliza la correlacion cruzada entrada-salida:
r
yx
(n) = y(n) x(n) = h(n) x(n) x(n) = h(n) r
xx
(n) =
k=0
h(k)r
xx
(n k)
S
yx
() = H()S
xx
() = H()[X()[
2
H() =
S
yx
()
S
xx
()
=
S
yx
()
[X()[
2
5.7 Transformada Discreta de Fourier
En las secciones anteriores se observo que se nales discretas aperiodicas, como se nales
digitales de audio, se nales digitales ssmicas, se nales medicas, etc., tienen un espectro
periodico pero contnuo, que no tiene una representacion directa para ser manejado por
medios digitales. En esta seccion se estudia la transformada discreta de Fourier (DFT,
Discrete Fourier Transform) que representa un mecanismo para el estudio frecuencial por
medios digitales para las mencionadas se nales.
5.7.1 Muestreo en el dominio de la frecuencia
Toda se nal aperiodica x(n) de energa nita tiene un espectro contnuo
X() =
n=
x(n)e
jn
.
Si X() se muestrea periodicamente (gura 5.30) con un espaciado frecuencial =
2
N
solo se necesitaran N muestras puesto que el espectro, por corresponder a una se nal
discreta, es a su vez periodico con periodo 2. Las muestras en = k =
2
N
k son
entonces
X
_
2
N
k
_
=
n=
x(n)e
j2kn/N
k = 0, 1, . . . , N 1
donde descomponiendo la sumatoria en subintervalos de N elementos y haciendo un cam-
0
1
-2 -1 0 1 2 3 4 5 6 7 8 9 10
x(n)
n 0
1
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
|X(
k
)|
k 0
1
-6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6
|X(
k
)|
k
(a) (b) (c)
Figura 5.30: Se nal discreta aperi odica, su espectro contnuo, y su espectro muestreado.
bio de variable para trasladar cada subintervalo al origen se modica en
X
_
2
N
k
_
=
l=
lN+N1
n=lN
x(n)e
j2kn/N
=
N1
n=0
_

l=
x(n lN)
_
. .
xp(n)
e
j2kn/N
con k = 0, 1, . . . , N 1.
La se nal
x
p
(n) =
l=
x(n lN)
se obtiene repitiendo periodicamente x(n) cada N muestras, y por ser periodica puede
calcularse su serie de Fourier como
x
p
(n) =
N1
k=0
c
k
e
j2kn/N
, n = 0, 1, . . . , N 1
con los coecientes
c
k
=
1
N
N1
n=0
x
p
(n) e
j2kn/N
=
1
N
X
_
2
N
k
_
Con esta serie x
p
(n) puede ser reconstruido del espectro muestreado con
x
p
(n) =
1
N
N1
k=0
X
_
2
N
k
_
e
j2kn/N
, n = 0, 1, . . . , N 1
La se nal x(n) puede recuperarse de x
p
(n) si y solo si no hay aliasing en el dominio del
tiempo , es decir, si la longitud L de x(n) es menor que el periodo N de x
p
(n) (gura 5.31):
x(n) =
_
x
p
(n), 0 n N 1
0, en el resto
n
n
n
x(n)
x
p
(n), L < N
x
p
(n), L > N
Figura 5.31: Extension periodica por muestreo del espectro. a) Se nal original, b) Extension
con L < N, c) Extension con L > N.
Si no hay aliasing en el tiempo (L < N) entonces
x(n) = x
p
(n) =
1
N
N1
k=0
X
_
2
N
k
_
e
j2kn/N
, 0 n N 1
con espectro
X() =
N1
n=0
x(n)e
jn
=
N1
n=0
_
1
N
N1
k=0
X
_
2
N
k
_
e
j2kn/N
_
e
jn
=
N1
k=0
X
_
2
N
k
_
_
1
N
N1
n=0
e
j(
2k
N
)n
_
=
N1
k=0
X
_
2
N
k
_
P
_

2k
N
_
donde
P() =
1
N
N1
n=0
e
jn
=
1
N
1 e
jN
1 e
j
=
1
N
sen(N/2)
sen(/2)
e
j(N1)/2
(5.8)
es la funcion de interpolacion que sustituye en este caso a sen()/ con una version de
propiedades similares pero periodica (gura 5.32):
P
_
2
N
k
_
=
_
1 k = 0
0 k = 1, 2, . . . , N 1
0
1
0
P()
2 2
Figura 5.32: Interpolador ideal P() para espectro muestreado con N = 5.
Ejemplo 5.12 Determine el aliasing de la secuencia x(n) = a
n
u(n), [a[ < 1, si el
espectro se muestrea a las frecuencias
k
= 2k/N.
El espectro es
X() =
n=0
a
n
e
jn
=
1
1 ae
j
Las muestras estan dadas por X(
k
) = X
_
2
N
k
_
=
1
1ae
j2k/N
La secuencia periodica x
p
(n) representada por este espectro discreto es
x
p
(n) =
l=
x(n lN) =
0
l=
a
nlN
= a
n
l=0
a
lN
= a
n
1
1 a
N
, 0 n N 1
donde la constante
1
1a
N
representa el aliasing y tiende a cero si N , como es de
esperar. 5.12
5.7.2 La transformada discreta de Fourier
En la seccion anterior se demostro que el espectro muestreado de una se nal x(n) de
longitud nita L no representa a x(n) directamente sino a su extension periodica x
p
(n)
obtenida de
x
p
(n) =
l=
x(n lN)
Si no hay aliasing temporal, entonces x
p
(n) es simplemente la concatenacion periodica de
x(n) de longitud L , que se expande con ceros para alcanzar la longitud N > L:
x
p
(n lN) =
_
x(n) 0 n L 1
0 L n N 1
Notese que el efecto de rellenar con ceros x(n) produce un muestreo mas detallado de su
espectro X() que tendra N y no L muestras. Para todo N > L las muestras no proveen
mayor informacion que el caso N = L, solo una mejor representacion (gura 5.33).
La transformacion de x(n) hacia su espectro muestreado
X(k) = X
_
2
N
k
_
=
L1
n=0
x(n)e
j2kn/N
=
N1
n=0
x(n)e
j2kn/N
, k = 0, 1, . . . , N 1
se conoce como transformada discreta de Fourier DFT y a la reconstruccion de x(n) de
las muestras espectrales
x(n) =
1
N
N1
k=0
X(k)e
j2kn/N
, n = 0, 1, . . . , N 1
se le conoce como transformada discreta de Fourier inversa (IDFT).
Estas transformaciones se expresan a menudo como
DFT: X(k) =
N1
n=0
x(n)W
kn
N
k = 0, 1, . . . , N 1
IDFT: x(n) =
1
N
N1
k=0
X(k)W
kn
N
n = 0, 1, . . . , N 1
0
1
-3 -2 -1 0 1 2 3
|X()|
N
x(n)
n
0
1
-3 -2 -1 0 1 2 3
|X()|
N
x
p
(n)
n
0
1
-3 -2 -1 0 1 2 3
|X()|
N
x
p
(n)
n
Figura 5.33: Efecto de extension de se nal con ceros y la DFT resultante.
donde W
N
= e
j2/N
es una raz N-esima de la unidad. Notese que para cada k, X(k)
se puede expresar como el producto punto de la entrada x(n) y un vector que consiste en
_
1, W
k
N
, W
2k
N
, . . . , W
(N1)k
N
_
, o, si se interpreta X(k) tambien como vector, entonces
X(k) X
N
=
_
_
X(0)
X(1)
.
.
.
X(N 1)
_
_
=
_
_
1 1 1
1 W
N
W
N1
N
.
.
.
.
.
.
.
.
.
.
.
.
1 W
N1
N
W
(N1)(N1)
N
_
_
_
_
x(0)
x(1)
.
.
.
x(N 1)
_
_
o en forma compacta
X
N
= W
N
x
N
de donde se deduce
x
N
= W
1
N
X
N
=
1
N
W
N
X
N
5.7.3 Relacion de la DFT con otras transformadas
Series de Fourier
La secuencia x
p
(n) por ser periodica con periodo N tiene una representacion en series de
Fourier
x
p
(n) =
N1
k=0
c
k
e
j2nk/N
, < n <
c
k
=
1
N
N1
n=0
x
p
(n)e
j2nk/N
k = 0, 1, . . . , N 1
Esto es X(k) = Nc
k
.
Transformada de Fourier de secuencias aperiodicas
Ya se verico la relacion entre la DFT X(k) como muestras del espectro continuo X()
X(k) = X()[
=
2
N
k
que a su vez corresponden con los coecientes de la DFT de x
p
(n), la extension periodica
de x(n). Ambas secuencias son identicas para n = 0, 1, . . . , L 1 sin no hay aliasing
temporal, es decir, si x(n) es nita de longitud L y N > L.
Transformada z
Si la transformada z de x(n) incluye la circunferencia unitaria, entonces
X(k) = X(z)[
z=e
j2nk/N
=
n=
x(n)e
j2nk/N
, k = 0, 1, . . . , N 1
que representa al muestreo de la transformada z sobre el crculo unitario con angulos
distribuidos homogeneamente. Sin aliasing temporal se cumple entonces, con x(n) nita
de longitud N
X(z) =
N1
n=0
x(n)z
n
=
N1
n=0
_
1
N
N1
k=0
X(k)e
j2kn/N
_
z
n
=
1
N
N1
k=0
X(k)
N1
n=0
_
e
j2k/N
z
1
_
n
X(z) =
1 z
N
N
N1
k=0
X(k)
1 e
j2k/N
z
1
que es la reconstruccion de X(z) a partir de la muestras X(k) de la DFT. Evaluando en
la circunferencia unitaria se obtiene para la transformada de Fourier
X() =
1 e
jN
N
N1
k=0
X(k)
1 e
j(
2k
N
)z
1
que es otra forma de interpolacion de las muestras X(k) equivalente a la expresada ante-
riormente con P() (ver ecuacion 5.8 en la pagina 193).
5.7.4 Propiedades de la DFT
Sea x(n) una secuencia de longitud L < N y X(k) su correspondiente DFT de longitud
N. Se cumple que
DFT: X(k) =
N1
n=0
x(n)W
kn
N
k = 0, 1, . . . , N 1
IDFT: x(n) =
1
N
N1
k=0
X(k)W
kn
N
n = 0, 1, . . . , N 1
con W
N
= e
j2/N
.
La relacion entre x(n) y su DFT X(k) se denota con
x(n)
DFT
N
X(k) o x(n)
N
X(k)
Linealidad
Si x
1
(n)
N
X
1
(k) y x
2
(n)
N
X
2
(k) entonces
a
1
x
1
(n) +a
2
x
2
(n)
N
a
1
X
1
(n) +a
2
X
2
(n)
Simetra circular
Puesto que la DFT de N puntos de una secuencia nita x(n) de longitud L N es
equivalente a la DFT de N puntos de una secuencia periodica x
p
(n) de periodo N obtenida
como (gura 5.34)
x
p
(n) =
l=
x(n lN)
x(n)
0 1 2 3 4
es equivalente a
0
1
2
3
4
0
1
2
3
4
0
1
2
3
4
Figura 5.34: Secuencia circular equivalente a x(n).
entonces un desplazamiento de x
p
(n) k unidades hacia la derecha equivale a un desplaza-
miento circular (gura 5.35).
x
p
(n k)
N

N
x(n k mod N) x((n k))
N
x
p
(n)
0 1 2 3 4
es equivalente a
0
1
2
3
4
0
1
2
3
4
0
1
2
3
4
Figura 5.35: Secuencia circular equivalente a x
p
(n 2).
Una secuencia es circularmente par si es simetrica con respecto al punto cero de la cir-
cunferencia (gura 5.36):
x(N n) = x(n), 1 n N 1
La secuencia es circularmente impar si es antisimetrica con respecto al punto cero (-
gura 5.37):
x(N n) = x(n), 1 n N 1
0
1 2
3
4
5
-1
-2
0
1 2
3
4
5
-1
-2
0
1 2
3
4
5
-1
-2
Figura 5.36: Simetra circular par
0
1 2
3
4
5
-1
-2
0
1 2
3
4
5
-1
-2
0
1 2
3
4
5
-1
-2
Figura 5.37: Simetra circular impar
La reexion temporal circular se obtiene con
x((n))
N
= x(N n), 0 n N 1
Utilizando x
p
(n) en vez de x(n) se tiene
par: x
p
(n) = x
p
(n) = x
p
(N n)
impar: x
p
(n) = x
p
(n) = x
p
(N n)
conjugada par: x
p
(n) = x
p
(N n)
conjugada impar: x
p
(n) = x
p
(N n)
La secuencia se puede descomponer en
x
p
(n) = x
pe
(n) +x
po
(n)
x
pe
(n) =
1
2
[x
p
(n) +x
p
(N n)]
x
po
(n) =
1
2
[x
p
(n) x
p
(N n)]
Si x(n) = x
R
(n) +jx
I
(n), 0 n N 1, y X(k) = X
R
(k) +jX
I
(k) entonces se obtiene
con la denicion de la DFT.
X
R
(k) =
N1
n=0
_
x
R
(n) cos
_
2kn
N
_
+x
I
(n) sen
_
2kn
N
__
X
I
(k) =
N1
n=0
_
x
R
(n) sen
_
2kn
N
_
x
I
(n) cos
_
2kn
N
__
x
R
(n) =
1
N
N1
k=0
_
X
R
(k) cos
_
2kn
N
_
X
I
(k) sen
_
2kn
N
__
x
I
(n) =
1
N
N1
k=0
_
X
R
(k) sen
_
2kn
N
_
+X
I
(k) cos
_
2kn
N
__
Si x(n) es real, entonces
X(N k) = X(k) = X(k) [X(N k)[ = [X(k)[, X(N k) = X(k)
Si x(n) es real y par entonces x(n) = x(N n), para 0 n N 1, y la DFT se torna
X(k) =
N1
n=0
x(n) cos
_
2k
N
n
_
, 0 k N 1
que tambien es real y par. Puesto que X
I
(k) = 0 entonces
x(n) =
1
N
N1
k=0
X(k) cos
_
2kn
N
_
, 0 n N 1
Si x(n) es real e impar entonces
x(n) = x(N n), 0 n N 1
X(k) = j
N1
n=0
x(n) sen
_
2kn
N
_
, 0 k N 1
y puesto que X
R
(k) = 0 entonces
x(n) =
j
N
N1
k=0
X(k) sen
_
2kn
N
_
, 0 n N 1
Convolucion circular
Sean x
1
(n) y x
2
(n) dos secuencias de duracion nita, ambas de longitud N, y sus respec-
tivas DFT de N puntos
X
1
(k) =
N1
n=0
x
1
(n)e
j2nk/N
, k = 0, 1, . . . , N 1
X
2
(k) =
N1
n=0
x
2
(n)e
j2nk/N
, k = 0, 1, . . . , N 1
Si X
3
= X
1
(k)X
2
(k), k = 0, 1, . . . , N 1 entonces
x
3
(m) =
1
N
N1
k=0
X
3
(k)e
j2km/N
=
1
N
N1
k=0
X
1
(k)X
2
(k)e
j2km/N
=
1
N
N1
k=0
_
N1
n=0
x
1
(n)e
j2kn/N
__
N1
l=0
x
2
(l)e
j2kl/N
_
e
j2km/N
=
1
N
N1
n=0
x
1
(n)
N1
l=0
x
2
(l)
_
N1
k=0
e
j2k(mnl)/N
_
y con a = e
j2(mnl)/N
en
N1
k=0
a
k
=
_
N si a = 1 mn l = pN l = mn pN = ((mn))
N
1a
N
1a
= 0 si a ,= 1, puesto que a
N
= 1
por lo que
x
3
(m) =
N1
n=0
x
1
(n)x
2
((mn))
N
, m = 0, 1, . . . , N 1 = x
1
(m) N _x
2
(m)
operacion denominada convolucion circular. Notese que esta funcion es para los elementos
x
3
(m) con m = 0, 1, . . . , N 1 equivalente a la convolucion de x
1
(n) con la extension
periodica con periodo N de x
2
(n).
Otras propiedades se resumen en la tabla 5.1.
Tabla 5.1: Propiedades de la DFT
Propiedad Dominio temporal Dominio frecuencial
Notacion x(n), y(n) X(k), Y (k)
Periodicidad x(n) = x(n +N) X(k) = X(k +N)
Linealidad a
1
x
1
(n) +a
2
x
2
(n) a
1
X
1
(k) +a
2
X
2
(k)
Reexion temporal x(N n) X(N k)
Desplazamiento temporal circular x((n l))
N
X(k) e
j2kl/N
Desplazamiento frecuencial circular x(n)e
j2ln/N
X((k l))
N
Conjugacion compleja x(n) X(N k)
Convolucion circular x
1
(n) N _x
2
(n) X
1
(k)X
2
(k)
Correlacion circular x(n) N _y(n) X(k)Y (k)
Multiplicacion de dos secuencias x
1
(n)x
2
(n)
1
N
X
1
(k) N _X
2
(k)
Teorema de Parseval
N1
n=0
x(n)y(n)
1
N
N1
k=0
X(k)Y (k)
5.7.5 Filtrado lineal basado en la DFT
La existencia de algoritmos ecientes para extraer la DFT (llamados FFT del ingles Fast
Fourier Transform) hace posible que sea en ocasiones mas eciente calcular el efecto de
un ltro en el dominio de la frecuencia que directamente en el dominio del tiempo.
Sea la entrada x(n) de longitud L y un ltro FIR con respuesta impulsional h(n) de
longitud M. As umase ademas que ambas secuencias son causales, es decir
x(n) = 0, n < 0, n L
h(n) = 0, n < 0, n M
La salida del ltro puede calcularse en el dominio del tiempo con la convolucion
y(n) =
M1
k=0
h(k)x(n k) = h(n) x(n)
que por la naturaleza nita de x(n) y h(n) tambien es nita. En el ejemplo 2.13 (pag. 49)
se determino que la salida tendra longitud M +L 1.
En el dominio de la frecuencia la salida es
Y () = X()H()
Si se desea representar y(n) a traves de muestras de Y () se necesitan entonces al menos
N M +L 1 muestras para evitar as el aliasing temporal y se obtiene con la DFT:
Y (k) = Y ()[
=2k/N
= X()Y ()[
=2k/N
= X(k)H(k)
donde X(k) y H(k) representan entonces la DFT de las secuencias x(n) y h(n) que han
sido extendidas con ceros para alcanzar la longitud N.
Notese que la compensacion de longitud de x(n) y y(n) logra que la convolucion circular
sea equivalente a la convolucion lineal.
Ejemplo 5.13 Calcule la respuesta del ltro con respuesta impulsional h(n) =
_
1
4
,
1
2
,
1
4
_
ante la entrada x(n) = 4, 2, 2, 4.
La longitud de x(n) es L = 4 y la de h(n) es M = 3, por lo que la salida necesita al menos
L + M 1 = 6 muestras. Se utilizara N = 8 por simplicidad y porque los algoritmos de
FFT usualmente requieren N = 2
k
muestras, con k IN. As
X(k) =
7
n=0
x(n)e
j2kn/8
= x(0) + x(1)e
j
4
k
+x(2)e
j
2
k
+x(3)e
j
3
4
k
= 4(1 + e
j
3
4
k
) + 2(e
j
4
k
+e
j
2
k
)
con lo que se obtiene
X(0) = 12
X(1) = 4
2 j(2 + 3
2)
X(2) = 2 + j2
X(3) = 4 +
2 +j(2 3
2)
X(4) = 0
X(5) = 4 +
2 j(2 3
2) = X(3)
X(6) = 2 j2 = X(2)
X(7) = 4
2 +j(2 + 3
2) = X(1)
De forma similar
H(k) =
7
n=0
h(n)e
j2kn/8
= h(0) + h(1)e
j
4
k
+h(2)e
j
2
k
=
1
4
_
1 +e
j
2
k
_
+
1
2
e
j
4
k
X(0) = 1
X(1) =
1 +
2
4
j
1 +
2
4
= X(7)
X(2) =
j
2
= X(6)
X(3) =
1
2
4
+j
1
2
4
= X(5)
X(4) = 0
El producto de ambas secuencias es
Y (0) = 12
Y (1) =
3 +
2
2
j
5 + 2
2
2
= Y (7)
Y (2) = 1 j = Y (6)
Y (3) =
2 3
2
+j
5 2
2
2
= Y (5)
Y (4) = 0
Y con la IDFT se obtiene nalmente
y(n) =
7
k=0
Y (k)e
j2kn/8
, n = 0, 1, . . . , 7
=
_
1,
5
2
,
5
2
,
5
2
,
5
2
, 1, 0, 0
_
5.13
5.7.6 Filtrado de secuencias de larga duracion
En aplicaciones reales, la secuencia de entrada puede ser muy larga o incluso de longitud
impredecible, por lo que el tratamiento, tanto por limitantes de espacio de memoria como
por limitaciones en el retardo de la respuesta, debe realizarse separando en bloques esa
se nal de entrada.
Aqu se analizaran dos metodos que dividen la se nal de entrada en bloques de longitud L
y aplican por medio de la DFT el ltro h(n) de longitud M en el dominio de la frecuencia.
La salida, de forma equivalente a la aplicacion del ltro al bloque completo de la entrada,
se obtiene por medio de la concatenacion adecuada de cada bloque obtenido para cada
bloque de entrada. Sin perdida de generalidad se asume la longitud de la entrada mucho
mayor que la del ltro (L M).
Metodo de solapamiento y almacenamiento
En el metodo de solapamiento y almacenamiento (overlap-save) la entrada se separa en
bloques de N = L + M 1 muestras donde cada bloque contiene M 1 muestras del
bloque de entrada anterior seguidas por L muestras nuevas. La respuesta impulsional del
ltro se aumenta con L1 ceros para alcanzar as la longitud N. La longitud de las DFT
e IDFT es entonces N, y la salida para cada bloque se calcula a traves de su producto.
Puesto que el bloque de entrada tiene longitud N y el ltro longitud M, en el tiempo
discreto la salida de la convolucion debera tener N +M 1 muestras (ver ejemplo 2.13),
por lo que es de esperar que las primeras M1 muestras de la salida esten distorsionadas
por aliasing, por lo que se descartan (gura 5.38). La salida para el m-esimo bloque se
obtiene con
y
m
(n)
N
Y
m
(k) = H(k)X
m
(k), k = 0, 1, . . . , N 1
x(n)
x
1
(n)
x
2
(n)
x
3
(n)
x
4
(n)
y(n) y
1
(n)
y
2
(n)
y
3
(n)
y
4
(n)
M1
M1
M1
M1
M1
M1
M1
M1
L L L L
0
Figura 5.38: Metodo de solapamiento y almacenamiento.
La salida total se obtiene concatenando las ultimas L muestras de cada bloque de salida.
Metodo de solapamiento y suma
En este metodo la DFT se aplica a L muestras de la entrada, a las que se concatenan
M 1 ceros. Los bloques de salida deben entonces traslaparse y sumarse para obtener el
resultado nal (gura 5.39).
x(n)
x
1
(n)
x
2
(n)
x
3
(n)
x
4
(n)
y(n) y
1
(n)
y
2
(n)
y
3
(n)
y
4
(n)
M1
M1
M1
M1
L L L L
0
0
0
0
+
+
+
Figura 5.39: Metodo de solapamiento y suma.
5.7.7 Analisis frecuencial de se nales usando la DFT
Para calcular el espectro exacto de una se nal, indiferentemente si esta es continua o
discreta, es necesario contar con informacion de todo instante de tiempo, en el intervalo
t ], [. En aplicaciones reales esto es imposible y se debe utilizar un intervalo nito
de muestras que tendra repercusiones en la medicion espectral.
El procedimiento para el analisis espectral de una se nal analogica x
a
(t) involucra primero
limitar el ancho de banda B con un ltro antialias seguido por el muestreo a una tasa
F
s
2B, que asegura que la mayor frecuencia sera F
s
/2, equivalente a la frecuencia
normalizada f = 1/2. Ademas, es necesario limitar la longitud temporal de la se nal a L
muestras, lo que implica que T
0
= LT es la duracion del bloque de se nal analizado. No
se estudia entonces la se nal x(n) sino otra obtenida por enventanado
x(n) = x(n)w(n)
con la ventana de longitud L
w(n) =
_
1 0 n L 1
0 en el resto
Para el caso particular de una componente espectral x(n) = cos(
0
n) con espectro X() =
1
2
[(
0
) +( +
0
)] la se nal enventanada tendra espectro:
x(n)

X() =
1
2
[W(
0
) +W( +
0
)]
donde W() es el espectro de la ventana que para el caso de la ventana rectangular es
(gura 5.40)
W() =
sen
_
L
2
_
sen
_
2
_ e
j(L1)/2
0
X()
2

Figura 5.40: Espectro del producto de una se nal cosenoidal de frecuencia = /2 con una
ventana rectangular de longitud L = 25.
Notese que el espectro no se encuentra localizado en
0
, como la se nal original, sino que
ha ocurrido un derrame de la potencia de la se nal a todo el intervalo de frecuencias. Este
derrame impide ademas distinguir lneas espectrales que se encuentren muy cerca. Por
ejemplo, con
x(n) = cos(
0
n) + cos(
1
n) + cos(
2
n)
y
0
= 0,2,
1
= 0,22 y
2
= 0,6 se obtienen las respuestas en magnitud de la
gura 5.41.
0
|

X()|
2
0
|

X()|
2
0
|

X()|
2

(a) (b) (c)
Figura 5.41: Respuestas en magnitud para una superposicion de tres se nales cosenoidales con
(a) L = 25, (b) L = 50 y (c) L = 100.
Los lobulos laterales pueden reducirse utilizando otras ventanas diferentes a las rectangu-
lares, como la de Hanning:
w(n) =
_
1
2
_
1 cos
2
L1
n
_
0 n L 1
0 en el resto
a costa del mayor ancho del lobulo central.
Captulo 6
Introduccion al dise no de ltros
digitales
6.1 Causalidad y sus implicaciones
Sea h(n) la respuesta impulsional de un ltro paso bajo ideal con respuesta en frecuencia
H() =
_
1 [[
C
0
C
< <
h(n) =
_
n = 0
sen(
C
n)
C
n
en otro caso
que obviamente no es causal y por tanto no realizable. Pero como debe ser H() para
que h(n) sea causal? Esta pregunta la responde el Teorema de Paley-Wiener que arma:
si h(n) tiene energa nita y es causal (h(n) = 0, n < 0) entonces
_

[ ln [H()[ [ d <
Si esta ecuacion se cumple para [H()[ entonces puede buscarse una respuesta de fase
asociada () tal que H() = [H()[e
j()
represente una se nal causal.
Notese que de acuerdo a este teorema la funcion [H()[ puede ser cero en frecuencias
puntuales aisladas, pero no en una banda nita, puesto que la integral se hara innita.
Por lo tanto, ning un ltro ideal es causal.
209
6 Introduccion al dise no de ltros digitales
Puesto que h(n) se puede separar en componentes par e impar:
h(n) = h
e
(n) +h
o
(n)
h
e
(n) =
1
2
[h(n) +h(n)]
h
o
(n) =
1
2
[h(n) h(n)]
Si h(n) es causal entonces se tiene ademas
h(n) =2h
e
(n)u(n) h
e
(0)(n) = 2h
o
(n)u(n) +h(0)(n)
h
e
(n) =h
o
(n), n > 0
y si h(n) es absolutamente sumable (estable BIBO) entonces
H() = H
R
() +jH
I
()
y puesto que h(n) es causal y real entonces
h
e
(n) H
R
()
h
o
(n) H
I
()
con lo que se deduce que H
R
() es suciente para establecer H(). En otras palabras
H
R
() y H
I
() son interdependientes y no se pueden especicar libremente para sistemas
causales.
Para establecer la relacion entre las partes real e imaginaria de la respuesta en frecuencia
se plantea utilizando el teorema del enventanado
H() = H
R
() +jH
I
() = F 2h
e
(n)u(n) h
e
(0)(n)
= 2 [H
R
() U()] h
e
(0)
=
1
H
R
()U( ) d h
e
(0)
que con
u(n) U() = () +
1
1 e
j
= () +
1
2
j
1
2
cot

2
, < <
6.1 Causalidad y sus implicaciones
es equivalente a
H() =
1
H
R
()( ) d
. .
H
R
()
+
1
H
R
()
1
2
d
. .
he(0)
+
1
H
R
()
j
2
cot
_

2
_
d h
e
(0)
y puesto que
H
R
() +jH
I
() = H
R
()
j
2
_

H
R
() cot
_

2
_
d
H
I
() =
1
2
_

H
R
() cot
_

2
_
d
denominada Transformada de Hilbert discreta de H
R
().
La causalidad ademas tiene otras consecuencias aqu no demostradas, como por ejemplo
que [H()[ no puede ser constante en ning un rango nito de frecuencias y la transicion
de la banda de paso a la banda de rechazo no puede ser innitamente abrupta. Por estas
razones, las respuestas en magnitud de ltros reales solo pueden ser aproximaciones de
las versiones ideales, tal y como lo muestra la gura 6.1. La frecuencia angular
P
dene
el lmite superior de la banda de paso y as el ancho de banda del ltro. La frecuencia
angular
S
indica el inicio de la banda de rechazo. El ancho de banda de transicion es
entonces
S
P
. Los rizados de las bandas de paso y rechazo son
1
y
2
respectivamente.
En aplicaciones reales se debe especicar entonces antes de dise nar el ltro
1. Maximo rizado permitido en la banda de paso
1
2. Maximo rizado permitido en la banda de rechazo
2
3. Frecuencia de corte de la banda de paso
P
4. Frecuencia de corte de la banda de rechazo
S
.
donde las dos ultimas se escogen usualmente en terminos de potencia mitad.
El grado en que H() acata las especicaciones depende en parte de los criterios utilizados
para seleccionar a
k
y b
k
, as como del n umero de polos y ceros utilizados.
Generalmente el dise no de ltros se concentra en el tipo pasa bajos, para lo que existen
gran variedad de tecnicas. Algunas de ellas se muestran en la gura 6.2 y se ilustran con
mas detalle en [13]. Existen metodos para transformar los ltros pasa bajos a otros tipos
como paso altos o paso banda.
|H()|
1
1 +
1
1
1
2
Banda de Paso Banda
de
Transici on
Banda de Rechazo
Rizado de Banda de Paso
Rizado de Banda de Rechazo
P

S
Figura 6.1: Respuesta real de ltro pasa bajas.
6.2 Filtros de respuesta de impulso nita
Para un ltro FIR de longitud M la relacion de entrada salida esta dada por la convolucion
y es
y(n) =
M1
k=0
b
k
x(n k) =
M1
k=0
h(k)x(n k) = h(n) x(n)
y la funcion de transferencia es
H(z) =
M1
k=0
h(k)z
k
=
1
z
M1
M1
k=0
h(k)z
M1k
cuyas races son los ceros del ltro. Este ltro tiene fase lineal si su respuesta impulsional
satisface las simetras:
h(n) = h(M 1 n), n = 0, 1, . . . , M 1
Dise no de
Filtros Digitales
FIR IIR
Ventanas
Muestreo
en frecuencia
Optimos Anal ogicos Directos

Aproximaci on Aproximaci on
de derivadas de Pad`e
Invarianza Mnimos
impulsional cuadrados
Dominio de Transformaci on
bilineal frecuencia
Transformada z
adaptada
Figura 6.2: Taxonoma de metodos para el dise no de ltros.
que para la transformada z de h(n), H(z) implica los siguientes casos.
Para M par
H(z) = z
(M1)/2
M
2
1
k=0
h(k)
_
z
(M12k)/2
z
(M12k)/2
y con z = e
j
y asumiendo simetra circular par h(n) = h(M 1 n) entonces
H() = e
j(M1)/2
M
2
1
k=0
h(k)
_
e
j(M12k)/2
+e
j(M12k)/2
2
2
= e
j(M1)/2
2
M
2
1
k=0
h(k) cos
_
2
(M 1 2k)
_
= e
j(M1)/2
H
r
()
donde H
r
() es una funcion real por corresponder a una suma ponderada con coe-
cientes reales h(k) y terminos cosenoidales con argumentos reales. De forma equi-
valente, para el caso antisimetrico circular h(n) = h(M 1 n):
H() = e
j
M1
2
M
2
1
k=0
h(k)
_
e
j(M12k)/2
e
j(M12k)/2
2j
2j
= e
j(
M1
2

2
)
2
M
2
1
k=0
h(k) sen
_
2
(M 1 2k)
_
= e
j(
M1
2

2
)
H
r
()
Para M impar:
H(z) = z
(M1)/2
_
_
_
h
_
M 1
2
_
+
M3
2
k=0
h(k)
_
z
M12k
2
z
M12k
2
_
_
_
_
Con simetra circular par h(n) = h(M 1 n) lo anterior, en el domino de la
frecuencia, conduce a
H() = e
j(M1)/2
_
_
h
_
M 1
2
_
+ 2
M3
2
k=0
h(k) cos
_
M 1 2k
2
_
_
_
= e
j(M1)/2
H
r
()
y con antisimetra circular h(n) = h(M1n), que ademas implica h
_
M1
2
_
= 0:
H() = e
j(
M1
2

2
)
2
M3
2
k=0
h(k) sen
_
M 1 2k
2
_
= e
j(
M1
2

2
)
H
r
()
Notese que se cumple ademas
z
(M1)
H(z
1
) = H(z)
lo que implica que si z
k
es un cero, entonces z
k
, 1/z
k
y 1/z
k
tambien lo son (gura 6.3).
La tabla 6.1 resume las posibilidades brindadas por las diferentes simetras para ltros
FIR de fase lineal.
1 1
j
j
z
1
z
2
z
3
z
1
z
3
1
z1
1
z2
1
z3
1
z1
1
z3
Figura 6.3: Posicion de los ceros en un ltro FIR de fase lineal.
Tabla 6.1: Simetras en ltros FIR de fase lineal
Simetra Simetrica h(n) = h(M 1 n) Antisimetrica h(n) = h(M 1 n)
M par H
r
(0) = 2
M
2
1
k=0
h(k) H
r
(0) = 0
no apto como ltro paso bajos
M impar H
r
(0) = h
_
M 1
2
_
+ 2
M3
2
k=0
h(k) H
r
(0) = H
r
() = 0
no apto como ltro paso bajos o altos
6.2.1 Dise no de ltros FIR por el metodo de ventanas
Sea H
d
() la respuesta en frecuencia deseada, que usualmente sigue la forma de un ltro
ideal. En general, la respuesta impulsional correspondiente h
d
(n) es innita y dada por
la transformada inversa de Fourier
h
d
(n) =
1
2
_

H
d
()e
jn
d
El ltro FIR se obtiene truncando h
d
(n) por medio de una ventana
w(n) =
_
1 n = 0, 1, . . . , M 1
0 en otro caso
es decir,
h(n) = h
d
(n)w(n) =
_
h
d
(n) n = 0, 1, . . . , M 1
0 en otro caso
En el dominio de la frecuencia H() = H
d
() W(). Puesto que W() tiene gene-
ralmente un lobulo central y lobulos laterales, el efecto de la convolucion es suavizar la
respuesta H
d
(). Para reducir el efecto de dichos lobulos laterales se utilizan ventanas
diferentes a la rectangular, caracterizadas por no tener cambios abruptos en el dominio
del tiempo, lo que conduce a lobulos menores en el dominio de la frecuencia. Algunas
ventanas tpicas y sus caractersticas se presentan en la tabla 6.2.
Tabla 6.2: Funciones utilizadas como ventanas.
Ventana h(n), 0 n M 1 Ancho Pico lobulo
lobular lateral [dB]
Rectangular 1 4/M 13
Bartlett (triangular) 1
2
n
M1
2
M 1
8/M 27
Hamming 0,54 0,46 cos
2n
M 1
8/M 32
Hanning
1
2
_
1 cos
2n
M 1
_
8/M 43
Ejemplo 6.1 Dise ne un ltro pasa bajos de longitud M que aproxime
H
d
() =
_
e
j(M1)/2
0 [[
C
0 en el resto
Se obtiene con la transformada inversa de Fourier
h
d
(n) =
1
2
_

C
C
e
j(n
M1
2
)
d =
sen
C
_
n
M1
2
_
_
n
M1
2
_
Para el ltro FIR se toman solo M muestras:
h(n) =
sen
C
_
n
M1
2
_
_
n
M1
2
_ , 0 n M 1
6.1
El truncamiento de h
d
(n) conduce a un comportamiento oscilatorio cerca del lmite de
la banda de paso denominado fenomeno de Gibbs. Notese que este metodo no permite
mucho control sobre el valor de los parametros
1
,
2
,
S
y
P
resultantes.
Dise no de ltros FIR de fase lineal por el metodo de muestreo de frecuencia
En este metodo se muestrea la respuesta en frecuencia deseada en
_
M
2
_
puntos equiespa-
ciados
k
=
2
M
(k +) k = 0, 1, . . . ,
M 1
2
M impar
k = 0, 1, . . . ,
M
2
1 M par
= 0 o
1
2
y se calcula la respuesta impulsional h(n) correspondiente, donde para reducir los lobulos
laterales se utilizan metodos numericos de optimizacion que sit uan las muestras en la
banda de transicion.
Puesto que
H(k +) = H
_
2
M
(k +)
_
=
M1
n=0
h(n)e
j2(k+)n/M
, k = 0, 1, . . . , M 1
y haciendo uso de la ortogonalidad de la exponencial compleja se cumple ademas
h(n) =
1
M
M1
k=0
H(k +)e
j2(k+)n/M
, n = 0, 1, . . . , M 1
Con = 0 estas ecuaciones equivalen a la DFT e IDFT respectivamente. Si h(n) es real,
entonces
H(k +) = H(M k )
lo que justica la utilizacion de
_
M
2
_
muestras en vez de M. Utilizando la simetra se
obtiene
H(k +) = H
r
_
2
M
(k +)
_
e
j[/22(k+)(M+1)/2M]
donde = 0 si h(n) es simetrica y = 1 si h(n) es antisimetrica. Con
G(k +) = (1)
k
H
r
_
2
M
(k +)
_
k = 0, 1, . . . , M 1
se obtiene
H(k +) = G(k +)e
jk
e
j[/22(k+)(M+1)/2M]
Respuesta impulsional h(n) = h(M 1 n)
Simetra circular par
a = 0:
_
_
H(k) = G(k)e
jk/M
k = 0, 1, . . . , M 1
G(k) = (1)
k
H
r
_
2k
M
_
G(k) = G(M k)
h(n) =
1
M
_
_
G(0) + 2
M1
2
|
k=1
G(k) cos
_
2k
M
_
n +
1
2
__
_
_
a =
1
2
:
_
_
H
_
k +
1
2
_
= G
_
k +
1
2
_
e
j
2
e
j(2k+1)/2M
G
_
k +
1
2
_
= G
_
M k
1
2
_
h(n) =
2
M
M1
2
|
k=0
G
_
k +
1
2
_
sen
2
M
_
k +
1
2
__
n +
1
2
_
Simetra circular impar
a = 0:
_
_
H(k) = G(k)e
j/2
e
jk/M
k = 0, 1, . . . , M 1
G(k) = (1)
k
H
r
_
2k
M
_
G(k) = G(M k)
h(n) =
2
M
M1
2
k=1
G(k) sen
_
2k
M
_
n +
1
2
__
M impar
h(n) =
1
M
_
_
_
(1)
n+1
G(M/2) 2
M
2
1
k=1
G(k) sen
_
2k
M
_
n +
1
2
__
_
_
_
M par
a =
1
2
:
_
_
H
_
k +
1
2
_
= G
_
k +
1
2
_
e
j(2k+1)/2M
G
_
k +
1
2
_
= (1)
k
H
r
_
2
M
_
k +
1
2
__
G
_
k +
1
2
_
= G
_
M k
1
2
_
; G(M/2) = 0 para M impar
h(n) =
2
M
M
2
1|
k=0
G
_
k +
1
2
_
cos
2
M
_
k +
1
2
__
n +
1
2
_
Ejemplo 6.2 Dise ne un ltro de longitud M = 15 con respuesta impulsional h(n)
simetrica y respuesta en frecuencia condicionada a
H
r
_
2k
15
_
=
_
_
1 k = 0, 1, 2, 3
0,4 k = 4
0 k = 5, 6, 7
Solucion: h(n) es simetrica y en este caso = 0. Con G(k) = (1)
k
H
r
_
2k
15
_
, k =
0, 1, . . . , 7 y las ecuaciones anteriores se obtiene
h(0) = h(14) = 0,014112893
h(1) = h(13) = 0,001945309
h(2) = h(12) = 0,04000004
h(3) = h(11) = 0,01223454
h(4) = h(10) = 0,09138802
h(5) = h(9) = 0,1808986
h(6) = h(8) = 0,3133176
h(7) = 0,52
6.2
6.2.2 Dise no de ltros optimos
El dise no de ltros se denomina optimo si el error de aproximacion entre la respuesta en
frecuencia deseada y la actual se distribuye equitativamente a lo largo de las bandas de
paso y rechazo.
Dadas las frecuencias de corte para las bandas de paso y rechazo
P
y
S
respectivamente,
el ltro debe satisfacer ademas
1
1
H
r
() 1 +
1
[[
P
2
H
r
()
2
[[ >
S
por lo que
1
representa el rizado de la banda de paso y
2
la atenuacion o rizado en la
banda de rechazo.
Utilizando los ltros simetricos y antisimetricos de fase lineal puede demostrarse que
H
r
() = Q()P()
con Q() y P() dados en la tabla 6.3.
T
a
b
l
a
6
.
3
:
D
e
s
c
o
m
p
o
s
i
c
i
o
n
d
e
l
t
r
o
s
F
I
R
e
n
P
(
)
y
Q
(
)
.
S
i
m
e
t
r
i
c
o
A
n
t
i
s
i
m
e
t
r
i
c
o
h
(
n
)
=
h
(
M
n
)
h
(
n
)
=
h
(
M
n
)
M
I
m
p
a
r
C
a
s
o
1
C
a
s
o
3
Q
(
)
=
1
P
(
)
=
(
M
1
)
/
2
k
=
0
a
(
k
)
c
o
s
k
a
(
k
)
=
_
h
_
M
1
2
_
k
=
0
2
h
_
M
1
2
k
_
k
=
1
,
2
,
.
.
.
,
M
1
2
Q
(
)
=
s
e
n
(
)
P
(
)
=
(
M
3
)
/
2
k
=
0
c
(
k
)
c
o
s
k
c
_
M
3
2
_
=
2
h
(
0
)
c
_
M
5
2
_
=
4
h
(
1
)
c
(
k
1
)
c
(
k
+
1
)
=
4
h
_
M
1
2
k
_
,
2
5
2
c
(
0
)
+
1 2
c
(
2
)
=
2
h
_
M
3
2
_
M
P
a
r
C
a
s
o
2
C
a
s
o
4
Q
(
)
=
c
o
s
_
2
_
P
(
)
=
M
2
1
k
=
0
b
(
k
)
c
o
s
(
k
)
b
(
0
)
=
h
_
M
2
1
_
b
(
k
)
=
4
h
_
M
2
k
_
b
(
k
1
)
,
1
M
2
2
b
_
M
2
1
_
=
4
h
(
0
)
Q
(
)
=
s
e
n
_
2
_
P
(
)
=
M
2
1
k
=
0
d
(
k
)
c
o
s
(
k
)
d
_
M
2
1
_
=
4
h
(
0
)
d
(
k
1
)
d
(
k
)
=
4
h
_
M
2
k
_
,
2
M
2
d
(
0
)
1 2
d
(
1
)
=
2
h
_
M
2
1
_
El error de aproximacion se dene entonces como
E() = W()[H
dr
() H
r
()]
= W()[H
dr
() Q()P()]
= W()Q()
_
H
dr
()
Q()
P()
_
donde W() es una funcion de ponderacion de error que usualmente se dene como
W() =
_
2
en la banda de paso
1 en la banda de rechazo
y H
dr
() la respuesta ideal del ltro deseada que es 1 en la banda de paso y cero en la de
rechazo. Con
W() = W()Q()
H
dr
() =
H
dr
()
Q()
el error se puede reescribir como
E() =

W()
_
H
dr
() P()
_
.
El dise no del ltro consiste entonces en buscar los parametros (k) = a(k), b(k), c(k)
o d(k) que conducen al menor valor maximo de [E()[.
arg min
{(k)}
_
max
S
[E()[
_
= arg min
{(k)}
_
max
S
W()
_
H
dr

L
k=0
(k) cos k
_
_
donde S representa el conjunto (disjunto) de bandas sobre las que se realiza la optimi-
zacion. Este problema de optimizacion requiere tambien metodos numericos de optimi-
zacion (por ejemplo el algoritmo de intercambio de Remez) basados en el teorema de la
alterternancia, que establece que la funcion de error E() debe exhibir al menos L+2 fre-
cuencias extremas en S, es decir, deben existir al menos L+2 frecuencias
i
en S tales
que
1
<
2
< . . . <
L+2
, E(
i
) = E(
i1
) y [E(
i
)[ = max
S
[E()[, i = 1, 2, . . . , L + 2
para que P() =
L
k=0
(k) cos k sea la mejor y unica aproximacion ponderada de
H
dr
().
El nombre del teorema se debe a la alternancia de signo entre dos extremos consecutivos.
6.3 Dise no de ltros de respuesta impulsional innita
a partir de ltros analogicos
Puesto que el dise no de ltros analogicos es un campo maduro y bien desarrollado, puede
hacerse uso de sus resultados transformando ltros analogicos, descritos en el dominio de
frecuencia compleja s = +j como
H
a
(s) =
B(s)
A(s)
=
M
k=0
k
s
k
N
k=0
k
s
k
(6.1)
a ltros digitales utilizando alg un mapeo adecuado entre las variables s y z. La funcion
de transferencia H
a
(s) se relaciona con la respuesta impulsional h(t) a traves de la Trans-
formada de Laplace
H
a
(s) =
_

h(t)e
st
dt
que teniendo una forma racional como en (6.1) esta relacionada con la ecuacion diferencial
N
k=0
k
d
k
y(t)
dt
k
=
M
k=0
k
d
k
x(t)
dt
k
(6.2)
donde x(t) representa la entrada del ltro y y(t) su salida.
Puesto que el sistema descrito por H
a
(s) es estable si sus polos se encuentran al lado
izquierdo del eje = 0 entonces el mapeo de s a z debe
1. Transformar s = j en la circunferencia unitaria en el plano z.
2. El semiplano izquierdo (LHP) de s debe corresponder con el interior de la circunfe-
rencia unitaria.
En la seccion anterior se menciono que un ltro tiene fase lineal si
H(z) = z
N
H(z
1
) .
Con ltros FIR esto se utiliza para ubicar los ceros, pero con ltros IIR esto implica que
cada polo dentro de la circunferencia unitaria en z tiene otro polo correspondiente fuera
de ella, lo que implica que el ltro sera inestable. En otras palabras, si se requiere un
ltro de fase lineal, debe utilizarse un ltro FIR como los tratados en la seccion anterior.
Con ltros IIR usualmente se enfoca el dise no a la respuesta en magnitud, dejando que
las interrelaciones existentes entre fase y magnitud determinen la fase, seg un corresponda
con la metodologa de dise no utilizada.
6.3 Dise no de ltros de respuesta impulsional innita a partir de ltros analogicos
6.3.1 Dise no por aproximacion de derivadas
Si se cuenta con la ecuacion diferencial del ltro (6.2), se pueden aproximar las derivadas
haciendo uso de
dy(t)
dt
t=nT
y(nT) y(nT T)
T
=
y(n) y(n 1)
T
con el intervalo de muestreo T. Transformando al dominio s y z se tiene
s =
1 z
1
T
.
Puede deducirse de forma similar que la k-esima derivada resulta en la relacion
s
k
=
_
1 z
1
T
_
k
por lo que la aproximacion para el ltro IIR digital es
H(z) = H
a
(s)[
s=
1z
1
T
La equivalencia entre s y z se puede derivar de
z =
1
1 sT
mapeo que se ilustra en la gura 6.4.
-2
-1
0
1
2
-2 -1 0 1 2
Im{z}
Re{z}
j
Figura 6.4: Mapeo entre el plano s y el plano z para la aproximacion de derivadas.
Notese que los polos del ltro digital solo se ubicaran en frecuencias peque nas, lo que
restringe la utilidad de este metodo a solo ltros paso bajo y paso banda con frecuencias
resonantes relativamente bajas.
6.3.2 Dise no por invarianza impulsional
Este metodo consiste en buscar una respuesta impulsional del ltro digital que corresponda
a la respuesta impulsional muestreada del ltro analogico:
h(n) = h(t)[
t=nT
, n = 0, 1, . . .
En captulos anteriores se analizo el hecho de que el muestreo en el tiempo conduce a una
extension periodica que consiste en la superposicion del espectro analogico desplazado por
m ultiplos de la frecuencia de muestreo F
s
= 1/T.
H() = F
s
k=
H
a
(F
s
2F
s
k)
El aliasing que ocurre a altas frecuencias hace este metodo inapropiado para el dise no de
ltros paso alto.
En este caso puede demostrarse que la equivalencia entre los dos dominios es z = e
sT
=
e
+j
T = e
T
e
jT
= re
j
con r = e
T
y = T, lo que implica que el semiplano izquierdo
(LHP) corresponde al interior de la circunferencia unitaria (r < 1). Notese que todos los
intervalos de frecuencia (2k 1)
T
(2k + 1)
T
se proyectan en la circunferencia, lo
que hace de esta correspondencia una relacion inyectiva que proviene del efecto de aliasing
debido al muestreo (ver seccion 1.2.2).
-3
-2
-1
0
1
2
3
-3 -2 -1 0 1 2 3
Im{z}
Re{z}
j
Figura 6.5: Mapeo entre el plano s y el plano z para la invarianza impulsional.
Puede demostrarse que el ltro analogico
H
a
(s) =
M
k=1
c
k
s p
k
equivale a H(z) =
M
k=1
c
k
1 e
p
k
T
z
1
y aunque los polos siguen la relacion z
k
= e
p
k
T
, esto no se satisface para los ceros.
6.4 Transformacion de Frecuencia
6.3.3 La transformada z adaptada
De forma similar al dise no por invarianza impulsional, se utiliza aqu el mapeo z = e
sT
,
pero tanto para polos como para ceros. As, transformacion z adaptada se le denomina a
la equivalencia entre (s a) y (1 e
aT
z
1
). De esta forma
H(s) =
M
k=1
(s z
k
)
N
k=1
(s p
k
)
es equivalente a H(z) =
M
k=1
_
1 e
z
k
T
z
1
_
N
k=1
_
1 e
p
k
T
z
1
_
Con este metodo debe seleccionarse T lo sucientemente peque no para evitar el aliasing.
6.3.4 Dise no por transformacion bilineal
En este metodo se utiliza la relacion
s =
2
T
_
1 z
1
1 +z
1
_
denominada relacion bilineal y derivada de la formula trapezoidal para integracion numerica.
Este metodo es apto para transformar ltros paso alto y paso banda por tener una repre-
sentacion biyectiva entre y . Con
z =
Ts + 2
Ts 2
se obtiene el mapeo mostrado en la gura 6.6.
6.3.5 Filtros Analogicos
Estas transformaciones pueden aplicarse para derivar ltros digitales, por ejemplo, ltros
Butterworth, ltros Chebyshev (tipos I y II), ltros elpticos y ltros Bessel (tabla 6.4).
Hay dos maneras de obtener un ltro digital paso bajo, paso alto, paso banda o supresor
de banda a partir de un ltro paso bajo analogico:
Tabla 6.4: Caractersticas de Filtros Paso Bajo Analogicos
Filtro Funcion de Transferencia Caractersticas
Butterworth
(todo-polos)
[H()[
2
=
1
1 + (/
C
)
2N
C
: frecuencia de corte
[H()[ monotona en las bandas de paso
y rechazo.
Chebyshev,
Tipo I (todo-
polos)
[H()[
2
=
1
1 +
2
T
2
N
_

P
_
T
N
: polinomio de Chebyshev
T
0
(x) = 1
T
1
(x) = x
T
N+1
(x) = 2xT
N
(x) T
N1
(x)
Rizado constante en la banda de paso y
caracterstica monotona en la banda de
rechazo.
Chebyshev,
Tipo II (polos
y ceros)
[H()[
2
=
1
1 +
2
_
T
2
N
T
2
N
_
T
N
: polinomio de Chebyshev
Rizado constante en la banda de re-
chazo y caracterstica monotona en la
banda de paso.
Elptico o
Cauer (polos y
ceros)
[H()[
2
=
1
1 +
2
U
N
_

P
_
U
N
: funcion elptica Jacobiana
de orden N
Rizado constante tanto en la banda de
paso como en la de rechazo.
Bessel (todo-
polos)
H(s) =
1
B
N
(s)
B
N
(s): funciones de Bessel
B
0
(s) = 1
B
1
(s) = s + 1
B
N
(s) = (2N 1)B
N1
(s) +s
2
B
N2
(s)
Respuesta de fase lineal en la banda
de paso (aunque se destruye en la con-
version a digital).
-2
-1
0
1
2
-2 -1 0 1 2
Im{z}
Re{z}
j
Figura 6.6: Mapeo bilineal entre el plano s y el plano z.
1. Transformar en el dominio analogico al ltro deseado, y luego usar uno de los mapeos
de s a z presentados anteriormente para transformarlo al dominio digital.
2. Transformar el ltro paso bajo a un equivalente paso bajo digital, para luego hacer
la transformacion al ltro deseado en el dominido digital.
Para el primer caso se utilizan las transformaciones mostradas en la tabla 6.5. Para el
segundo se presentan las modicaciones en la tabla 6.6.
Tabla 6.5: Transformaciones de frecuencia para ltros analogicos.
Tipo de ltro Transformacion Nuevas
deseado frecuencias
de corte
Paso bajo s

P
P
s
P
Paso alto s

P
P
s

P
Paso banda s
P
s
2
+
l
u
s(
u

l
)

u
,
l
Supresor de banda s
P
s(
u

l
)
s
2
+
l
u
,
l
P
: frecuencia de corte del prototipo
l
: frecuencia de corte inferior
u
: frecuencia de corte superior
Tabla 6.6: Transformaciones de frecuencia para ltros digitales.
Tipo de ltro Transformacion Constantes Nuevas
deseado frecuencias
de corte
Paso bajo z
1
z
1
a
1 az
1
a =
sen
P
2
sen
P
+
P
2
P
Paso alto z
1
z
1
+a
1 +az
1
a =
cos
P
+
P
2
cos
P
2
P
Paso banda z
1
z
2
a
1
z
1
+a
2
a
2
z
2
a
1
z
1
+ 1
a
1
= 2
K
K+1

u
,
l
a
2
=
K1
K+1
=
cos(
u+
l
2
)
cos(
u
l
2
)
K = cot
u
l
2
tan

P
2
Supresor z
1
z
2
a
1
z
1
+a
2
a
2
z
2
a
1
z
1
+ 1
a
1
= 2
1
K+1

u
,
l
de banda a
2
=
1K
1+K
=
cos(
u+
l
2
)
cos(
u
l
2
)
K = tan
u
l
2
tan

P
2
P
: frecuencia de corte normalizada del prototipo
l
: frecuencia de corte normalizada inferior
u
: frecuencia de corte normalizada superior
Bibliografa
[1] P. Alvarado. Modelos de sistemas. Notas de clase, 2005. URL http://www.ie.itcr.
ac.cr/palvarado/Modelos/modelos.pdf. 90, 106, 131, 148
[2] C. S. Burrus, J. H. McClellan, A. V. Oppenheim, T. W. Parks, R. W. Schafer,
and H. W. Schuessler. Ejercicios de Tratamiento de la Se nal. Un enfoque practico.
Prentice Hall, 1998.
[3] H. F. Davis. Fourier series and orthogonal functions. Dover Publications, Inc., 1963.
[4] John W. Eaton. Octave [online]. 1998 [visitado el 20 de abril de 2006]. URL
http://www.octave.org. 28, 231
[5] John W. Eaton. Octave repository [online]. 1998 [visitado el 20 de abril de 2006].
URL http://octave.sourceforge.net/afunclist.html. 231
[6] S. Haykin and B. van Veen. Se nales y sistemas. Limusa Wiley, 2001.
[7] G. James. Matematicas Avanzadas para Ingeniera. Prentice Hall, 2da edition, 2002.
[8] E. Kreyszig. Matematicas Avanzadas para Ingeniera, volume I. Limusa Wiley, 3ra
edition, 2000.
[9] E. Kreyszig. Matematicas Avanzadas para Ingeniera, volume II. Limusa Wiley, 3ra
edition, 2000.
[10] D. Lindner. Introduccion a las se nales y los sistemas. McGraw Hill, 2002.
[11] MathWorks. Matlab [online]. 1994 [visitado el 20 de abril de 2006]. URL http:
//www.matlab.com. 28, 231
[12] A. Oppenheim, A. Willsky, and S. H. Nawab. Se nales y Sistemas. Prentice Hall, 2da
edition, 1998.
[13] J. G. Proakis and D. G. Manolakis. Tratamiento Digital de Se nales. Prentice Hall,
1998. 3, 4, 5, 10, 13, 88, 211, 233
229
Bibliografa
[14] M. J. Roberts. Se nales y Sistemas. Analisis mediante metodos de transformada y
MatLab. McGraw Hill, 2005.
[15] G. E. Shilov. Elementary Real and Complex Analysis. Dover Publications, Inc.,
1973.
[16] E. Soria Olivas, M. Martnez Sober, J. V. Frances Villora, and G. Camps Valls. Tra-
tamiento Digital de Se nales. Problemas y ejercicios resueltos. Prentice Hall, Madrid,
2003. 1, 233
[17] F. G. Stremler. Introduccion a los sistemas de comunicacion. Addison Wesley Long-
man, 1993.
[18] Wikimedia. Wikipedia [online]. Diciembre 2005 [visitado el 20 de abril de 2006].
URL http://en.wikipedia.org/wiki. 3, 131
Apendice A
Octave y Matlab
MatLab[11] y Octave[4] son programas utilizados en procesamiento numerico de datos,
dentro de lo cual gura el area de procesamiento digital de se nales. Este apendice es
una brevsima introduccion a la utilizacion del interprete de ambos sistemas. Muchas de
las funciones disponibles para MatLab deben ser instaladas por aparte para el Octave, y
pueden ser encontradas en la base de datos del grupo que lo desarrolla [5].
La representacion graca de se nales de variable discreta en MatLab se realiza con la
funcion stem. Por ejemplo:
nn = 0:30; % genere un vector de 31 elementos: 0, 1, 2 .. 30
sinus = sin(nn/2+1); % para cada x en nn genere sin(x/2+1)
stem(nn,sinus); % muestre valores en sinus para las muestras nn
El punto y coma ; le indica al MatLab que no debe mostrar el resultado de la operacion.
Si es omitido, el resultado se mostrara directamente.
Con los comandos hold y hold off se puede controlar si se debe gracar sobre la misma
imagen o no.
La funcion zeros(m,n) genera una matriz de m las por n columnas. As que para generar
un impulso puede utilizarse
imp=zeros(20,1);
imp(5)=1;
Dependera de los ndices generados para esta secuencia el n umero de muestra para el
impulso. Por ejemplo, con nn=-5:14 el retardo del impulso es -1 pero con nn=0:19 el
retardo sera 4.
231
A Octave y Matlab
Para generar se nales periodicas puede utilizarse el siguiente concepto:
x = [0;1;1;0;0;0] * ones(1,8);
x = x(:);
Lo que ocurre en la primera lnea es generar una matriz con ocho las todas identicas
al vector dado antes del smbolo . La segunda lnea convierte la matriz a un vector
concatenando todas las las, lo que equivale una se nal periodica con N = 6 periodos.
Apendice B
Respuestas a Problemas
A continuacion se presentan los esbozos de las soluciones a los problemas planteados en
los diferentes captulos. Estos problemas tienen como objetivo ayudar en preparacion
del estudiante para las pruebas parciales y nal del curso. El estudiante debe solucionar
los problemas por su cuenta antes de comparar sus respuestas con las versiones aqu
presentadas. De otra forma no se asegurara el aprendizaje.
Problemas adicionales encontrara el estudiante en abundancia en [16, 13].
Problema 1.1. El estudiante debe buscar ejemplos que el conoce: se nales de voz, se nales
de video, sismos, se nales utilizadas en medicina, etc.
Problema 1.2.
Se nal Caracterstica
N
u
m
.
V
a
r
i
a
b
l
e
s
(
U
/
M
)
D
i
m
e
n
s
i
o
n
(
E
/
V
)
V
a
r
i
a
b
l
e
s
(
D
/
C
)
V
a
l
o
r
e
s
(
D
/
C
)
E
s
t
a
d
s
t
i
c
a
(
D
/
A
)
Imagen tomada por una camara digital a color M V D D D
Registro mensual de la posicion de
una bandada de aves migratorias U V D C A
Se nales de salida de un microfono estereo U V C C
Se nal digital D D
Se nal analogica C C
233
B Respuestas a Problemas
Problema 1.4. Notese primero que el valor de M no afecta el periodo fundamental de
la se nal, puesto que M y N son n umeros primos relativos.
Las se nales armonicamente relacionadas estan dadas por
s
k
(n) = e
j(2(
M
N
k)n)
Determnese la se nal armonicamente relacionada s
k+
(n):
s
k+
(n) = e
j(2(
M
N
(k+))n)
= e
j(2(
Mk
N
+
M
N
)n)
= e
j(2(
Mk
N
)n)
e
j(2(
M
N
)n)
El segundo termino del producto es igual a 1 cuando M/N Z, lo cual, bajo la res-
triccion de que M y N son primos relativos, es posible si y solo si es un m ultiplo de
N. En otras palabras la frecuencia (k + iN)
0
, con i Z es un alias de k
0
. As que
solo valores de < N generan frecuencias unvocas, pues con N es posible encontrar
siempre un < N que da paso a una se nal equivalente.
Problema 1.5. El estudiante debe buscar las diferentes tecnicas utilizadas para obtener
mayores velocidades o mayores precisiones.
Problema 1.6. Con 44,1 kHz de frecuencia de muestreo es posible representar a lo sumo
frecuencias de 22,05 kHz.
Los 24 bits por pixel permiten, si el convertidor A/D cubre exactamente el rango dinamico
de la se nal, un SQNR=(1,76+6,0224)=146,24 dB.
Si se requirieran 100 dB entonces bastaran 17 bits por muestra.
Problema 1.7. El estudiante debe buscar las diferentes tecnicas utilizadas para obtener
mayores velocidades o mayores relaciones se nal a ruido. Por lo menos debe revisar las
estructuras llamadas ash, el metodo de aproximaciones sucesivas y el llamado
(delta-sigma).
Problema 2.1.
1. x
1
(n) = x(n 2)
2. x
2
(n) = x(n + 3)
3. x
3
(n) = x(n + 2)
4. x
4
(n) = x(n 3)
Problema 2.2.
1. x
3
(n) = 4, 2, 0
, 3, 4, 1, 5
2. x
4
(n) = 0, 0, 1
, 10, 3, 12, 0
3. x
5
(n) = 0, 0, 3
, 9, 12, 3, 15
Problema 3.1.
1. x(n) = sen(n)u(n) ROC: exterior de un crculo
2. x(n) = u(n + 4) u(n 2) ROC: todo el plano z menos cero e innito
3. x(n) = u(n 2) ROC: el interior de un crculo
4. x(n) = u
r
(n) 2u
r
(n 5) +u
r
(n 10) ROC: todo el plano z menos cero
5. x(n) =
_
1
2
_
|n|
ROC: anillo
6. x(n) = u
r
(n + 5)u(n) ROC: todo el plano z menos innito
Problema 3.2.
1. [z[ > 1/3 menos
2. [z[ > 1
3. [z[ < 1/3
4. 1/3 < [z[ < 3
Problema 3.3.
X(z) =
1
16
z
2
1
1
4
z
1
, ROC: [z[ > 1/4
Problema 3.4. [[ = 2, y todo n
0
Problema 3.5. Polos en
1
2
e
j/4
, ROC: [z[ < 1/2.
Problema 3.6.
1. Ceros en 1/2 e , polos en 1/3 y 1/4.
2. Ceros en 1 y 2, polos en 3 y 4.
3. Ceros en 1 y en (este ultimo doble), y polos 1/4.
Problema 3.7. Si x(n) es absolutamente sumable, entonces su ROC incluye al crculo
unitario [z[ = 1. Puesto que tiene un polo en 1/2 entonces la ROC puede ser un anillo
delimitado por el crculo interno de radio 1/2 o puede ser el exterior de dicho crculo. Por
tanto, x(n) puede ser bilateral o derecha.
Problema 3.8. X(z) tiene polos de primer orden en z = j/2, 1/2 y 3/4. As tiene
tres posibles regiones de convergencia: [z[ < 1/2, 1/2 < [z[ < 3/4 y [z[ > 3/4.
Problema 3.9. Algunas de las transformaciones ya han sido demostradas en el texto.
Aqu solo se indican algunas sugerencias para la demostracion de las otras.
La transformada de na
n
u(n) se realiza a partir de despejar el valor para
n=0
n
n
De forma similar a lo hecho para otras series, esta se resuelve calculando el resultado de
sumar
_
M
n=0
n
n
_
2
_
M
n=0
n
n
_
+
2
_
M
n=0
n
n
_
Expandiendo cada termino y realizando las sumas de cada termino
k
se obtiene
M
n=0
n
n
=
(1 (N + 1)
N
+N
N+1
)
1 2 +
2
Si N entonces lo anterior converge solo si [[ < 1 a
M
n=0
n
n
=

1 2 +
2
=

(1 )
2
=

1
(1
1
)
2
Tomando esto en cuenta se puede calcular la transformada de na
n
u(n) con la denicion:
X(z) =
na
n
u(n)z
n
=
0
n
_
az
1
n
=
az
1
(1 az
1
)
2
donde se ha sustituido = az
1
. Lo anterior es valido solo si [[ = [az
1
[ < 1, es decir,
si [z[ > a.
La otras formulas se derivan facilmente reemplazando las se nales trigonometricas por sus
equivalentes exponenciales complejos por medio de la identidad de Euler.
Problema 3.10. Puesto que X(z) es racional, con un polo en z = 1/2 se sabe que la
se nal es de duracion innita (la descomposicion en fracciones parciales tendra un termino
con ese polo unicamente, el cual corresponde a una exponencial de duracion innita).
Por la propiedad de escalado en la frecuencia se sabe que la ROC de X(z) escalada por 1/4
contiene al crculo unitario, no as si se escala por 1/8. Esto implica que hay alg un otro
polo que al multiplicarlo por 1/8 queda dentro del crculo unitario, pero si se multiplica
por 1/4 queda fuera. En todo caso, la ROC de X(z) debe ser para esto un anillo y por
tanto x(n) debe ser bilateral.
Problema 3.11.
Por hacer:
Problema 3.12.
Por hacer:
Problema 3.13.
Por hacer:
Problema 3.14.
Por hacer:
Problema 3.15.
Por hacer:
Problema 3.16.
Por hacer:
Problema 3.17.
1. No causal
2. Causal
3. No causal
Problema 3.18. El sistema es causal y estable, puesto que sus polos se encuentran dentro
del crculo unitario, al ser h(n) derecha entonces su ROC es externa a los polos.
Problema 3.19.
Por hacer:
Problema 3.20.
1. (1/2)
n
u(n)
2.
_
1
3
_
1
2
_
n
+
1
6
_
1
4
_
n
u(n)
3.
_
2
3
_
1
2
_
n
+
1
6
_
1
4
_
n
u(n)
Problema 4.1. Utilizando coordenadas esfericas un vector de norma 1 en el espacio eu-
clidiano tridimensional se puede expresar como x
1
= [sen() cos(), sen() sen(), cos ]
T
.
Este vector es perpendicular a un plano, que contiene un n umero innito de vectores
perpendiculares a x.
Se toman arbitrariamente dos vectores: uno en la interseccion entre el plano que pasa por
el vector x
1
y el eje z y el plano de los vectores perpendiculares a x
1
. El tercer vector se
obtiene utilizando el producto cruz de los dos vectores anteriores.
x
2
=
_
sen
_
+

2
_
cos () , sen
_
+

2
_
sen () , cos
_
+

2
__
T
= [cos () cos () , cos () sen () , sen ()]
T
El producto x
1
, x
2
) resulta en
x
1
, x
2
) = cos() sen() cos
2
() cos() sen() sen
2
() + cos() sen()
= cos() sen()
_
cos
2
() + sen
2
()
_
+ cos() sen()
= 0
con lo que la ortogonalidad entre ambos vectores queda demostrada.
El producto cruz de estos vectores resulta en
x
3
= x
1
x
2
=
x y z
sen() cos() sen() sen() cos
cos() cos() cos() sen() sen()
=
_
_
sen
2
() sen() + cos
2
() sen()
sen
2
() cos() cos
2
() cos()
sen() cos() cos() sen() + sen() cos() cos() sen()
_
_
=
_
_
sen()
cos()
0
_
_
El producto punto de x
3
con x
1
y x
2
es
x
1
, x
3
) = sen() sen() cos() sen() sen() cos() + 0 = 0
x
2
, x
3
) = cos() cos() sen() +cos() cos() sen() + 0 = 0
Problema 4.2. La ortogonalidad de las funciones u
i
(t) implica que para todo i ,= k se
cumple
_
x
2
x
1
u
i
(t)u
k
(t) dt = 0
y utilizando la representacion rectangular se obtiene
_
x
2
x
1
(r
i
(t) jq
i
(t))(r
k
(t) +jq
k
(t)) dt = 0 .
Considerando solo la componente real de la expresion anterior se obtiene
_
x
2
x
1
r
i
(t)r
k
(t) +q
i
(t)q
k
(t) dt = 0
_
x
2
x
1
r
i
(t)r
k
(t) dt =
_
x
2
x
1
q
i
(t)q
k
(t) dt .
Finalmente, con la componente imaginaria se obtiene
_
x
2
x
1
r
i
(t)q
k
(t) q
i
(t)r
k
(t) dt = 0
_
x
2
x
1
r
i
(t)q
k
(t) dt =
_
x
2
x
1
q
i
(t)r
k
(t) dt .
Problema 4.3. Utilizando la denicion de error e insertando la aproximacion lineal de
la funcion se obtiene:
E(c) =
_
x
2
x
1
x(t)
n
i=0
c
i
u
i
(t)
2
dt .
En coordenadas rectangulares, los coecientes y funciones se pueden expresar como
c
i
= a
i
+jb
i
u
i
(t) = r
i
(t) +jq
i
(t)
x(t) = x
Re
(t) +jx
Im
(t)
con lo que el error se puede reescribir como
E(c) =
_
x
2
x
1
x
Re
(t) +jx
Im
(t)
n
i=0
a
i
u
i
(t) j
n
i=0
b
i
u
i
(t)
2
dt .
Utilizando u
i
(t) = r
i
(t) +jq
i
(t) y desarrollando se obtiene
E(c) =
_
x
2
x
1
_
x
Re
(t)
n
i=0
a
i
r
i
(t) +
n
i=0
b
i
q
i
(t)
_
2
+
_
x
Im
(t)
n
i=0
a
i
q
i
(t)
n
i=0
b
i
r
i
(t)
_
2
dt
Ahora, como condiciones necesarias (pero no sucientes) en el mnimo de la funcion de
error se cumple para todo k
E(c)
a
k
!
= 0
E(c)
b
k
!
= 0
Desarrollando y considerando los resultados del ejercicio 4.2 se obtiene
E(c)
a
k
=
_
x
2
x
1
x
Re
(t)r
k
(t) +x
Im
(t)q
k
(t) dt
i=0
a
i
_
x
2
x
1
r
i
(t)r
k
(t) +q
i
(t)q
k
(t) dt
. .
=0 para i=k
+
n
i=0
b
i
_
x
2
x
1
q
i
(t)r
k
(t) +r
i
(t)q
k
(t) dt
. .
=0 para todo i
= 0
por lo que
E(c)
a
k
=
_
x
2
x
1
x
Re
(t)r
k
(t) +x
Im
(t)q
k
(t) dt a
k
_
x
2
x
1
r
2
k
(t) +q
2
k
(t) dt = 0
a
k
=
_
x
2
x
1
x
Re
(t)r
k
(t) +x
Im
(t)q
k
(t) dt
_
x
2
x
1
r
2
k
(t) +q
2
k
(t) dt
=
_
x
2
x
1
x
Re
(t)r
k
(t) +x
Im
(t)q
k
(t) dt
_
x
2
x
1
[u
k
(t)[
2
dt
De forma equivalente se obtiene derivando E(a) con respecto a c
k
E(c)
b
k
=
_
x
2
x
1
x
Re
(t)q
k
(t) +x
Im
(t)r
k
(t) dt
i=0
a
i
_
x
2
x
1
r
i
(t)q
k
(t) q
i
(t)r
k
(t) dt
. .
=0 para todo i
+
n
i=0
b
i
_
x
2
x
1
q
i
(t)q
k
(t) +r
i
(t)r
k
(t) dt
. .
=0 para i=k
= 0
b
k
=
_
x
2
x
1
x
Re
(t)q
k
(t) x
Im
(t)r
k
(t) dt
_
x
2
x
1
[u
k
(t)[
2
dt
Finalmente, utilizando c
k
= a
k
+jb
k
y (4.9)
c
k
=
_
x
2
x
1
x
Re
(t)r
k
(t) +x
Im
(t)q
k
(t) jx
Re
(t)q
k
(t) +jx
Im
(t)r
k
(t) dt
_
x
2
x
1
[u
k
(t)[
2
dt
=
_
x
2
x
1
u
k
(t)x(t) dt
_
x
2
x
1
[u
k
(t)[
2
dt
=
u
k
(t), x(t))
|u
k
(t)|
2
Indice alfabetico
alias, 14, 19
aliasing, 157
temporal, 191
amplitud, 10
analisis, 3
analogica, 2
analogico, 4
analizador espectral, 145
anticausalidad, 55
armonica
relacion exponencial, 16
armonicos, 146
base, 134
canonica, 134
ortogonal, 135
ortonormal, 135
BIBO, 46
canales, 2
cascada, 46
cero, 98
cifrado, 8
codicacion, 17
compresion, 8
condicion inicial, 40
conjunto generador, 133
conjunto libre, 133
conjunto ligado, 133
convolucion, 49
correlacion, 74
autocorrelacion, 75
cruzada, 75
normalizada, 76
cuanticacion
denicion, 17
error, 17, 20
ruido, 20
cuanto, 21
cuerpo, 131
deconvolucion, 184
densidad espectral
de energa, 149
de potencia, 146
de tension, 146
derrame, 207
desplazamiento, 49
DFT, 190
digital, 2
dimension, 134
DTFS, 151
ecuacion
de diferencias, 58
encriptacion, 8
energa, 35
espacio
completo, 136
euclidiano, 136
funcional, 139
Hilbert, 136
241
Indice alfabetico
pre-Hilbert, 134
producto interno, 134
vectorial, 131
espacio vectorial
nito, 134
espectro, 145
estimacion espectral, 145
estructura
forma directa I, 72
forma directa II, 72
exponencial
relacionadas armonicamente, 16
formula
integral de Cauchy, 89
fase, 10
fenomeno de Gibbs, 216
ltrado, 8
ltro, 8, 170
paso todo, 181
peine, 177
ranura, 177
solapamiento y almacenamiento, 205
solapamiento y suma, 206
forma
canonica, 72
directa I, 72
directa II, 72
frecuencia, 10
angular, 10
de plegado, 20
fundamental, 14
negativa, 11
normalizada, 19
funcion
de energa, 35
de potencia, 35
de transferencia, 103
impropia, 110
propia, 110
funcion
propia, 145
Gibbs, 216
Hilbert, 211
identidad, 39
identicacion, 8
interconexion
cascada, 46
paralela, 46
interpolacion, 17
metrica euclidiana, 136
memoria, 43
muestra
n umero, 12
muestreo
denicion, 17
intervalo, 17
periodico, 18
uniforme, 18
multiplicacion, 49
norma, 135
ortogonal, 131
osciladores, 183
Paley-Wiener
Teorema, 209
paralelo, 46
Parseval
se nales continuas periodicas, 146
periodo
fundamental, 13, 37
polinomio
caracterstico, 64
polo, 98
potencia promedio, 35
principio de incertidumbre, 150
Indice alfabetico
procesamiento, 3
producto escalar, 134
producto interno, 134
producto punto, 136
rango fundamental, 16
reconocimiento, 8
reexion, 49
reposo, 40
residuo, 106
resonador digital, 175
respuesta
de estado permanente, 122
en fase, 164
en frecuencia, 164
en magnitud, 164
entrada cero, 61
estado nulo, 61
forzada, 61, 119
natural, 119
transitoria, 122
retardo
de grupo, 171
ruido, 8
se nal, 1
acotada, 36
anticausal, 46
asimetrica, 37
de energa, 35
de potencia, 36
impar, 37
multicanal, 2
par, 37
periodica, 37
simetrica, 37
tiempo discreto, 2
se nal elemental, 27
secuencia de Cauchy, 136
serie
Fibonacci, 118
Fourier, 141
generalizada de Fourier, 140
simetra circular
impar, 198
par, 198
sintetizacion, 8
sistema, 3
de fase maxima, 188
de fase mnima, 188
de polos y ceros, 105
de todos ceros, 104
de todos polos, 105
discreto, 38
estable, 46
inestable, 46
inverso, 184
invertible, 184
LTI, 170
MWA, 73
no recursivo, 59
recursivo, 59
solucion
homogenea, 64
particular, 64
total, 67
SQNR, 22
subespacio, 133
submuestreo, 33
suma, 49
teorema
del valor nal, 117
Wiener-Khinchin, 162
transformada
de Fourier, 148
transformada z, 83
directa, 83
inversa, 89
transformada de Hilbert, 211
Indice alfabetico
vector, 2
generador, 133
Wiener-Khinchin, 162

Pds

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Pds

Uploaded by

Copyright:

Available Formats

Instituto Tecnologico de Costa Rica

Escuela de Ingeniera Electronica

Indice de tablas vii

Indice alfabetico 241

Conjunto de los n umeros naturales sin cero IN

El segundo termino representa un submuestreo retrasado:

, 1, 2 encuentre sus componentes par e impar.

, 8, 9, 9, . . .. Note que el acumulador puede reescribirse como

(n, k) la respuesta del sistema a un impulso desplazado k unidades

(n, k) = T [(n k)]

(n, k) = h(n k) y por lo tanto

(n) tiende rapidamente a cero, por lo que en r

, 2/7, 3/14, 1/7, 1/14, 0, y otra para la se nal x(n) = 1

, 1, y otra para la se nal x(n) = 1

< 1 [z[ >

Polos reales Polos reales

con el. La gura 4.1

Figura 4.1: Construccion geometrica para obtener un vector ortogonal.

) se calcula entonces como

son diferentes a los obtenidos con |. Sin embargo,

Figura 5.12: Interpretacion geometrica del factor

Figura 5.20: Caracterstica de respuesta en frecuencia de un ltro ranura.

Figura 5.22: Ejemplo de ltro peine FIR con M = 6.

Figura 5.24: Respuesta en frecuencia de y(n) = (x(n) +x(n 1))/2.

Figura 5.25: Respuesta en frecuencia de y(n) = (x(n) +x(n 1))/2.

Optimos Anal ogicos Directos

You might also like