Libro v21

Analisis de Senales
Pablo Irarrazaval M.
Departamento de Ingeniera Electrica
Pontificia Universidad Catolica de Chile
Analisis de Senales
c
Derechos Reservados 1999
McGraw-Hill/Interamericana de Chile Ltda. (primera edicion)
c
Pablo Irarrazaval (segunda edicion)
c
Pablo Irarrazaval (Edicion 2.1)
Dedicado a mi familia,
Isabel, Isabelita, Sofa, Pablito y Tomas
En memoria de mi abuelo,
Alberto Irarrazaval L.
Prefacio
A pesar que las transformadas de Laplace y Fourier se conocen desde la se-
gunda mitad del siglo 18, solo en los ultimos 50 anos se han transformado en
herramientas indispensables en las areas de control automatico, telecomunica-
ciones, electronica, procesamiento de imagenes, etc. Es mas, su aplicabilidad no
solo se limita a estas areas que tradicionalmente se consideran parte de la Inge-
niera Electrica, sino tambien incluye campos del conocimiento tan diversos como
la economa, sismologa o hidrologa.
Las transformadas de Laplace o Fourier de una senal son una representacion
de la misma senal en otro dominio. Se puede entender como un cambio de base.
Evidentemente, la base de Fourier no es una base mas, de las muchas que existen,
es una base que en cierta forma nos es natural. Con un poco de practica y esfuerzo
resulta comodo entender las senales en el dominio de la frecuencia. Es formalizar
un tipo de analisis que todos los das empleamos en forma intuitiva. Claramente
se ve cuando usamos los sentidos de la audicion y vision. En el caso del sonido,
la frecuencia juega un papel preponderante. Algo similar ocurre con las imagenes
en las que quizas igualmente importante que la intensidad del color es la textura.
Este libro fue escrito para servir de base a un curso de analisis de senales
de un semestre de duracion. La filosofa es explicar las materias de lo particular
a lo general, es decir, primero se presentan los conceptos en su forma mas sim-
ple para luego agregar complejidad. Esta manera de presentar la materia, junto
con muchas explicaciones graficas, apunta a facilitar el aprendizaje del alumno.
Tambien se han agregado algunas resenas historicas para motivar a los alumnos
a investigar sobre los orgenes del area.
El primer captulo es una introduccion al analisis de senales donde se aprovecha
de presentar la notacion empleada en el libro. Especialmente relevante es la pre-
sentacion del smbolo para el impulso. El resto de los captulos se pueden agrupar
en tres partes: en la primera se estudian las senales continuas; en la segunda las
senales discretas; y en la ultima se tratan, en forma introductoria, algunos temas
afines mas avanzados.
Tanto para senales continuas (captulo 2) como discretas (captulo 5), se pre-
senta primero los sistemas lineales y respuesta al impulso. En el captulo 5 se
hace la conexion de los sistemas discretos con los continuos a traves del muestreo
de senales. En los captulos 3 y 6 se trata la transformada de Fourier en forma
continua y discreta. Los captulos 4 y 7 hacen lo propio con la transformada de
Laplace y transformada Z (version discreta de la transformada de Laplace).
En el captulo 8 se presentan otras posibles transformadas, tanto continuas
como discretas. Y finalmente, en el captulo 9, se extiende la transformada de
Fourier a dos dimensiones.
v
VI
Este libro no habra sido posible si no es por el trabajo de mis ayudantes.

Ellos escribieron muchos borradores de los diferentes captulos, hicieron figuras,
buscaron ejemplos, etc. Les agradezco el entusiasmo y dedicacion con que hicieron
el trabajo. Ellos son Eduardo Izquierdo, Francisco Oltra, Matas Rosenblitt, Fer-
nando Saieh y Cristian Tejos. Tambien agradezco al profesor Bernardo Leon de
la Barra por sus sugerencias y correcciones. El primer manuscrito de este libro
fue posible gracias al apoyo financiero del Fondo de Desarrollo de la Docencia de
la Universidad Catolica. Finalmente, le agradezco a mi familia, a mis padres, a
mis suegros y a todos los que tuvieron la paciencia para escucharme hablar de
este libro y me alentaron a continuar.
Pablo Irarrazaval
Santiago, Diciembre 1998
Prefacio a segunda edicion

Esta segunda edicion del libro tiene tres tipos de modificaciones respecto de
la anterior. La primera es que los derechos de autor fueron traspasados desde la
editorial Mac-Graw Hill a mi persona, por lo que estoy en libertad de distribiur el
libro en la forma que mejor me parezca. En segundo lugar, fueron arreglados todos
los errores que durante estos anos de uso han sido descubiertos. Y finalmente, he
extendido considerablemente el numero de problemas al final de cada captulo.
La edicion 2.1 incluye unas pocas correcciones menores.
Pablo Irarrazaval
Santiago, Marzo 2008
INDICE GENERAL
1. Introduccion 1
1.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Sistemas de entrada-salida . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Senales fsicas y logicas . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4. Senales y funciones continuas versus discretas . . . . . . . . . . . . 4
1.5. Modelos, ecuaciones diferenciales y de diferencias . . . . . . . . . . 5
1.6. Causalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.7. Como graficar funciones complejas? . . . . . . . . . . . . . . . . . 11
1.8. Simetras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.9. Algunas funciones importantes . . . . . . . . . . . . . . . . . . . . 17
1.9.1. Sinusoide . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.9.2. Exponencial compleja . . . . . . . . . . . . . . . . . . . . . 18
1.9.3. Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.9.4. Uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.9.5. Triangulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.9.6. Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.9.7. Rect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.9.8. Sinc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.9.9. Asinc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.9.10. Escalon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.9.11. Signo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.9.12. Shah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.9.13. Horquilla y antihorquilla . . . . . . . . . . . . . . . . . . . . 28
vii
VIII INDICE GENERAL
1.10. El impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.10.1. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.10.2. La propiedad del cedazo . . . . . . . . . . . . . . . . . . . . 33
1.10.3. El impulso de una funcion . . . . . . . . . . . . . . . . . . . 34
1.11. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2. Sistemas lineales y convolucion 41

2.1. Linealidad e invariancia . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.1. Linealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.2. Invariancia . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.2. Convolucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3. Respuesta al impulso . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3. Transformada de Fourier 57
3.1. Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.1.1. Forma trigonometrica . . . . . . . . . . . . . . . . . . . . . 57
3.1.2. Forma de laboratorio . . . . . . . . . . . . . . . . . . . . . . 60
3.1.3. Forma compleja . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.1.4. Relaciones de ortogonalidad e integrales . . . . . . . . . . . 63
3.2. Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . 63
3.3. Ejemplos de la transformada de Fourier . . . . . . . . . . . . . . . 67
3.3.1. Transformada del impulso . . . . . . . . . . . . . . . . . . . 67
3.3.2. Transformada de un coseno . . . . . . . . . . . . . . . . . . 69
3.3.3. Transformada del rect . . . . . . . . . . . . . . . . . . . . . 69
3.4. Simetras de la transformada de Fourier . . . . . . . . . . . . . . . 71
3.5. Propiedades de la transformada de Fourier . . . . . . . . . . . . . . 75
3.6. Funcion de transferencia . . . . . . . . . . . . . . . . . . . . . . . . 78
3.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4. Transformada de Laplace 89
4.1. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . 90
4.2. Relacion entre las transformadas de Fourier y Laplace . . . . . . . 91
4.3. Ejemplos de la transformada de Laplace . . . . . . . . . . . . . . . 92
4.4. Region de convergencia . . . . . . . . . . . . . . . . . . . . . . . . 95
4.5. Polos y ceros en el plano S . . . . . . . . . . . . . . . . . . . . . . . 101
4.6. Transformada de Laplace inversa . . . . . . . . . . . . . . . . . . . 106
4.7. Propiedades de la transformada de Laplace . . . . . . . . . . . . . 107
4.8. Funcion de transferencia . . . . . . . . . . . . . . . . . . . . . . . . 108
4.9. Transformada de Laplace unilateral . . . . . . . . . . . . . . . . . . 113
INDICE GENERAL IX
4.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5. Muestreo, sistemas lineales y convolucion discreta 125

5.1. Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.2. Convertidor analogo digital . . . . . . . . . . . . . . . . . . . . . . 127
5.3. Teorema del muestreo . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.4. Convolucion discreta . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.5. Convolucion cclica . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.6. Respuesta al impulso . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6. Transformada de Fourier discreta 137

6.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
6.2. Transformada de Fourier de tiempo discreto . . . . . . . . . . . . . 138
6.3. Transformada de Fourier de frecuencia discreta . . . . . . . . . . . 142
6.3.1. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.3.2. Relacion con las series de Fourier . . . . . . . . . . . . . . . 145
6.4. Transformada de Fourier discreta . . . . . . . . . . . . . . . . . . . 146
6.4.1. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
6.4.2. Interpretacion matricial . . . . . . . . . . . . . . . . . . . . 152
6.4.3. Propiedades de la transformada de Fourier discreta . . . . . 154
6.4.4. Transformada rapida de Fourier . . . . . . . . . . . . . . . . 157
6.5. Convolucion lineal versus cclica . . . . . . . . . . . . . . . . . . . . 160
6.6. Consideraciones practicas . . . . . . . . . . . . . . . . . . . . . . . 163
6.6.1. Aliasion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
6.6.2. Interpolacion sinc . . . . . . . . . . . . . . . . . . . . . . . . 170
6.6.3. Apodizacion y derrame . . . . . . . . . . . . . . . . . . . . 172
6.6.4. Aproximacion a la transformada de Fourier . . . . . . . . . 175
6.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
7. Transformada Z 193
7.1. Transformada de Laplace de tiempo discreto . . . . . . . . . . . . . 193
7.2. Transformadas de Laplace y Fourier de tiempo discreto . . . . . . 195
7.3. Transformada Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
7.3.1. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
7.3.2. Region de convergencia . . . . . . . . . . . . . . . . . . . . 199
7.4. Propiedades de la transformada Z . . . . . . . . . . . . . . . . . . . 201
7.5. Polos y ceros en el plano Z . . . . . . . . . . . . . . . . . . . . . . . 203
7.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
X INDICE GENERAL
8. Otras transformadas 211

8.1. Transformadas continuas . . . . . . . . . . . . . . . . . . . . . . . . 211
8.1.1. Transformada coseno y transformada seno . . . . . . . . . . 212
8.1.2. Transformada de Hankel . . . . . . . . . . . . . . . . . . . . 212
8.1.3. Transformada de Mellin . . . . . . . . . . . . . . . . . . . . 213
8.1.4. Transformada de Abel . . . . . . . . . . . . . . . . . . . . . 213
8.1.5. Transformada de Hilbert . . . . . . . . . . . . . . . . . . . . 214
8.1.6. Transformada de Gabor . . . . . . . . . . . . . . . . . . . . 215
8.2. Transformadas discretas . . . . . . . . . . . . . . . . . . . . . . . . 217
8.2.1. Transformadas seno y coseno discretas . . . . . . . . . . . . 217
8.2.2. Transformada de Walsh-Hadamard . . . . . . . . . . . . . . 218
8.3. Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
8.3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . 219
8.3.2. Transformada de Hermite . . . . . . . . . . . . . . . . . . . 221
8.3.3. Transformada de Laguerre . . . . . . . . . . . . . . . . . . . 221
8.3.4. Transformada de Legendre . . . . . . . . . . . . . . . . . . 222
8.3.5. Transformada de Chebyshev . . . . . . . . . . . . . . . . . . 222
8.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
9. Transformada de Fourier en dos dimensiones 225

9.1. Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
9.1.1. Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
9.1.2. Uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
9.1.3. Rect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
9.1.4. Signo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
9.1.5. Jinc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
9.1.6. Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
9.1.7. Impulsos de lnea . . . . . . . . . . . . . . . . . . . . . . . . 230
9.1.8. Shah . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
9.2. Respuesta al impulso y convolucion . . . . . . . . . . . . . . . . . . 231
9.3. Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . 233
9.3.1. Definicion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
9.3.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
9.3.3. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
9.4. Transformada de Fourier discreta . . . . . . . . . . . . . . . . . . . 240
9.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
A. Contexto historico de la teora de Fourier 249
B. Expansion en fracciones parciales 255

INDICE GENERAL XI
Bibliografa 257
XII INDICE GENERAL
CAPITULO 1
INTRODUCCION
En este captulo introductorio se define la idea de sistema y senal, tanto en

forma continua como discreta. Se presenta su modelacion a traves de ecuaciones
diferenciales o de diferencias. Y se establece la notacion necesaria para el resto
del libro.
1.1. Introduccion
Una senal1 , en forma simplificada, se puede entender como cualquier mecan-

ismo que es empleado para transmitir informacion. Ejemplos de senales son: una
conversacion telefonica, ondas electromagneticas enviadas por un radar, ondas
luminosas del semaforo en una interseccion de avenidas, sonido viajando en el
aire, senales de humo, etc. En este libro nos interesa entender como las senales
son modificadas cuando son procesadas por un sistema. Por ejemplo, nos interesa
saber como difiere la musica reproducida por un toca-cinta de audio de la origi-
nal. Para entender esto primero debemos estudiar las propiedades de las senales
y como modelar los sistemas. Haremos una diseccion de las senales por medio
del analisis2 matematico de las mismas y de los sistemas.
1
del latn sign(um): signo, marca, senal, imagen
2
La palabra analisis deriva del griego analy(ein): soltar, escarmenar
1
2 Introduccion
1.2. Sistemas de entrada-salida

Un sistema es un conjunto de objetos disenados para realizar una tarea. Por
ejemplo, un sistema amplificador de sonido esta formado por un microfono, un
amplificador y un parlante. La tarea para la cual fue disenado el amplificador es
convertir un sonido de poco volumen como la voz humana en un sonido de alto
volumen como la que se necesita para que los jovenes en un concierto escuchen
mejor por lo menos en el corto plazo, ya que en el largo plazo se hacen cada
vez mas sordos a su cantante preferido. Aunque describir un sistema puede ser
tan simple o tan complejo como se quiera, todos se pueden describir definiendo
una variable o senal de entrada, una de salida, y especificando como se puede
obtener la senal de salida si se conoce la de entrada. Para el ejemplo del am-
plificador la senal de entrada es la voz del cantante, la de salida el sonido en
el parlante y la correspondencia entre entrada y salida, en una primera aprox-
imacion, es que la salida es igual a la entrada pero con mayor volumen. En la
practica es claro que eso no es as y que habra diferencias, no solo de volumen,
entre la entrada y la salida, por lo que la descripcion del sistema debe ser mas
compleja. Por ejemplo se puede suponer que las componentes de alta frecuencia
del sonido se ven menos amplificadas que las de baja frecuencia el sistema no
es capaz de reproducir fidedignamente los sonidos agudos. La descripcion exacta
del sistema, indudablemente requerira conocer el funcionamiento preciso de cada
componente y subcomponente. Sin embargo, en la mayora de los casos es posible
tratar al sistema como una caja negra en que solo basta conocer la dependencia
matematica entre la senal de entrada y la de salida. Al emplear una modelacion
matematica es posible independizarse de las variables fsicas para solo tratar con
la senal logica o matematica.
1.3. Senales fsicas y logicas

Las senales, tanto de entrada como de salida, de un sistema pueden ser de
distinta naturaleza. Por ejemplo, pueden ser senales de sonido (ondas de presion)
como en el ejemplo anterior. Si se considera solamente el microfono, tenemos
que la entrada es de tipo sonido y la salida de tipo electrico. En el sistema
amplificador, la entrada es electrica y la salida es electrica. Finalmente, en el
parlante la entrada es electrica y la salida es de sonido. En otros sistemas las
senales pueden ser de imagenes de television, luz, ondas de radio, incluso se puede
tener senales economicas, como por ejemplo el ndice de actividad bursatil. Una
senal es una variable de una o mas dimensiones, y por definicion de variable esta
puede tomar distintos valores. En muchos casos toma diferentes valores a medida
1.3 Senales fsicas y logicas 3
x u = 2u
s Hz = 1/s rad/s
cm 1/cm rad/cm
das 1/das rad/das
m 1/m rad/m
Tabla 1.1: Unidades para espacio y frecuencia
que el tiempo transcurre, es decir, como en el ejemplo, es funcion del tiempo.

El sonido puede ser descrito como la presion en el aire, en un lugar especfico,
como funcion del tiempo. Pero tambien puede ser descrito como la presion del
aire en un momento especfico, como funcion del lugar. En general, las senales
son funciones del tiempo y del espacio, pero es comun solo preocuparse de una
dependencia a la vez. Para describir el sistema amplificador, la senal de entrada
sera el sonido en el microfono y la salida, el sonido en el parlante como funcion del
tiempo. Existen otros sistemas en los que es mucho mas importante preocuparse
de la dependencia espacial. Ese es el caso de la fotografa. La senal de entrada
es la luz que llega al lente de la camara, y aqu lo importante es a que lugar del
lente llego, es decir, la luz como funcion de la posicion. Algo similar ocurre con
la salida, la fotografa revelada, donde lo importante es la distribucion espacial
del color y no el tiempo que tomo el revelado.
Desde el punto de vista matematico, evidentemente, que la dependencia sea

espacial o temporal es indiferente, es decir, da lo mismo que la senal sea f (x) o
f (t). En este libro, al tratar las transformadas de Fourier, continua o discreta, en
general se usara x como la variable independiente en vez del tiempo t. La razon de
esto es que el tiempo tiene unas propiedades peculiares, como por ejemplo, que la
salida no puede ocurrir antes que la entrada (causalidad), lo que normalmente no
es cierto en el espacio. Otra ventaja de usar x en vez de t es que obliga al alumno a
pensar en un concepto mas general de frecuencia, que ya no es medida en ciclos por
segundo, sino que en ciclos por centmetro, por ejemplo. Para las transformadas
de Laplace, como es comun, se usara el tiempo como variable independiente ya
que estas son casi exclusivamente empleadas en ese dominio. Consistentemente
con emplear x se usara la variable u para denotar la frecuencia, recproco de x,
en vez de f u . No usaremos la variable f para evitar la tentacion de pensar
que se mide en Hertz y por un aspecto practico, para no confundirla con las
funciones f (). La variable tendra la interpretacion de frecuencia angular, es
decir = 2u. Algunos ejemplos de unidades se muestran en la tabla 1.1.
4 Introduccion
f(t)
Figura 1.1: Senales continuas (el tiempo es continuo)
1.4. Senales y funciones continuas versus discretas
Una primera clasificacion que se puede hacer de las senales es en continuas

o discretas. Una senal continua, del tiempo por ejemplo, tiene un valor para
cualquier instante, mientras que una senal discreta del tiempo, solo esta defini-
da para algunos instantes de tiempo. Una senal continua puede ser representada
matematicamente por una funcion, de las que se usan en calculo, no es as para
una senal discreta, en las que la funcion estara indefinida para la mayora del
dominio. Que una senal sea discreta o continua no hace referencia a los posibles
valores que pueda tomar, estos pueden o no tener limitaciones. Por ejemplo, la
luminosidad roja de un semaforo es una senal continua, a pesar de que solo puede
tomar dos valores (rojo o negro). En realidad, la clasificacion de continuas o disc-
retas hace referencia al dominio de la senal, es decir, a la variable independiente.
Por ejemplo, una senal continua del tiempo significa que el tiempo es continuo y
que la senal tiene un valor para todo tiempo, por otro lado, una senal discreta
del tiempo significa que el tiempo es discreto y que la senal solo puede tomar
valores (Cualquier valor!) para los valores discretos del tiempo. En resumen, no
se debe confundir la definicion matematica de una funcion continua con una senal
continua. Es la variable independiente de la senal la que satisface la definicion de
continuidad matematica y no los valores de la senal (ver figuras 1.1 y 1.2).
Las senales continuas las representaremos con f (x) y las discretas con f [x].
Los parentesis cuadrados indican que x solo puede tomar valores enteros.
1.5 Modelos, ecuaciones diferenciales y de diferencias 5
f[t]
Figura 1.2: Senal discreta
El analisis de senales continuas y el de las discretas difieren considerablemente.

En este libro los captulos 2, 3 y 4 tratan las senales continuas y los captulos 5,
6 y 7 son para las senales discretas.
La gran mayora de las senales fsicas son continuas, por lo menos a escalas
naturales en las que la mecanica cuantica y clasica coinciden. La presion del aire
que forma el sonido tiene un valor para cualquier instante de tiempo. En teora esa
presion se puede medir a las 9:00 y tambien un nanosegundo despues de las 9:00.
Un ndice bursatil como el IPSA es una senal discreta, ya que solo tiene valores
para instantes discretos de tiempo (uno por da, sin incluir los festivos). Que el
IPSA sea discreto no hace referencia a que su calculo haya involucrado toda una
manana de actividad bursatil que se podra considerar continua a una escala de
minutos. Lo importante, para efectos de su clasificacion, es cuando toma un valor
y no lo que ese valor representa. De hecho, la mayora de las senales discretas
provienen de senales continuas que han sido muestreadas, por ejemplo, el audio
digital de los discos compactos. Cada muestra (tiempo discreto) representa una
media de un intervalo pequeno de tiempo del audio continuo.
1.5. Modelos, ecuaciones diferenciales y de diferencias

En nuestra vida cotidiana abundan sistemas que dependen simultaneamente
de una variable y sus derivadas. En la mecanica clasica, tpicamente se encuen-
tran sistemas continuos que dependen de la longitud, de su primera derivada
6 Introduccion
temporal (la velocidad) y de su segunda derivada temporal (la aceleracion). Del

mismo modo, en circuitos electricos que incluyen resistencias, inductancias y con-
densadores, las tensiones en las inductancias dependen de la derivada temporal
de la corriente y en los condensadores, de la integral en el tiempo de la corriente.
La relacion entre la entrada y salida de estos sistemas continuos se describe
con ecuaciones diferenciales.
Las ecuaciones diferenciales pueden ser clasificadas en diferentes categoras. La
clasificacion mas inmediata consiste en identificar la naturaleza de las derivadas
que aparecen en la ecuacion. Aquellas en que existen derivadas de funciones
de una sola variable, se denominan ecuaciones diferenciales ordinarias, mien-
tras que aquellas en que aparecen derivadas parciales se denominan ecuaciones
diferenciales parciales. Tpicamente cuando se habla simplemente de ecuaciones
diferenciales se esta refiriendo a las ordinarias.
Una segunda clasificacion esta dada por el orden de la ecuacion diferencial
(ordinaria o parcial). Se define orden como la derivada de mayor grado que aparece
en la ecuacion diferencial. Por ejemplo,
y 0 (t) = a(t)y(t) + b(t)
es una ecuacion diferencial de primer orden, y
y 00 (t) + a(t)y 0 (t) + b(t)y(t) = c(t),
es de segundo orden, donde a(t), b(t) o c(t) pueden depender de la entrada al

sistema, x(t).
Una tercera clasificacion consiste en identificar si la ecuacion es o no lineal.
Ecuaciones lineales son aquellas que cumplen con f (ax + by) = af (x) + bf (y),
donde a y b son constantes (ver seccion 2.1.1).
En esta seccion revisitaremos algunas herramientas para la resolucion de ecua-
ciones diferenciales lineales de primer y segundo orden. En general no necesitare-
mos resolver ecuaciones diferenciales no lineales ni parciales. Tampoco veremos
ecuaciones diferenciales lineales de orden n > 2, ya que estas se pueden expresar
como un sistema de n ecuaciones lineales de primer orden, que puede ser resuelto
en forma matricial.
Es util expresar las ecuaciones diferenciales en terminos de unRoperador p que
d
denota la operacion de derivada dt y 1/p, la operacion integral dt (ver resena
historica en pagina 32). Esta notacion es comoda porque permite manipular la
ecuacion en forma algebraica. De este modo podemos reescribir los ejemplos an-
teriores como
py(t) = a(t)y(t) + b(t)
y
p2 y(t) + a(t)py(t) + b(t)y(t) = c(t).
Las soluciones de estas ecuaciones son la suma de la solucion homogenea,
yh (t), y la solucion particular, yp (t): y(t) = yh (t) + yp (t). La solucion homogenea
es la solucion del sistema donde se han eliminado los terminos que no dependen
de y(t), en el ejemplo esto corresponde a
pyh (t) = a(t)yh (t)
y
p2 yh (t) + a(t)pyh (t) + b(t)yh (t) = 0.
La solucion particular es una solucion del sistema completo.
La solucion homogenea del primer sistema es
R
a(t) dt
yh (t) = ce
donde c es una constante de integracion (depende de las condiciones iniciales del

sistema). La solucion particular es
R Z R
yp (t) = e a(t) dt b(t)e a(t) dt dt.
Por lo que la solucion completa al sistema de primer orden es

R
Z R

a(t) dt a(t) dt
y(t) = yh (t) + yp (t) = e b(t)e dt + c .
Debido a la comun ocurrencia de sistemas de segundo orden, recordaremos

tambien la solucion homogenea del siguiente sistema de segundo orden:
p2 y(t) + apy(t) + by(t) = 0.
Al resolver la ecuacion cuadratica en p, se tiene dos races p1 y p2 . Dependiendo

de si estas races son reales o complejas y diferentes o iguales, se tienen tres casos:
Si p1 6= p2 , se tiene
yh (t) = c1 ep1 t + c2 ep2 t ,
donde c1 y c2 , al igual que en los otros casos, son constantes que dependen de las
condiciones iniciales. Si p1 y p2 son complejos conjugados se puede escribir
a
yh (t) = e 2 t (c1 ein t + c2 ein t )
8 Introduccion
1
b(t) - y(t)
+ a(t)
p = d/dt
Figura 1.3: Diagrama de flujo de una ecuacion diferencial de primer orden

1
b(t) + + y(t)
- - b(t)
a(t)
p = d/dt p = d/dt
Figura 1.4: Diagrama de flujo de una ecuacion diferencial de segundo orden

donde n = 12 4b a2 . A este caso se le denomina sub-amortiguado. Si p1 y p2
son reales, se llama sobre-amortiguado.
Si p1 = p2 (ambos reales) se tiene
yh (t) = c1 ep1 t + c2 tep1 t .
Este es el caso crticamente amortiguado.

La solucion particular para la ecuacion diferencial lineal de segundo orden
puede ser obtenida a traves de distintos metodos, como por ejemplo, el metodo
de los coeficientes indeterminados. Mas adelante veremos que la transformada de
Laplace es una buena herramienta para la solucion de ecuaciones diferenciales
lineales.
Los sistemas descritos por estas ecuaciones diferenciales pueden representarse
por diagramas de flujo. Las figuras 1.3 y 1.4 muestran los diagramas de flujos
para los dos ejemplos vistos.
De manera similar, los sistemas discretos, modelados por funciones que depen-
den de variables discretas (toman valores solo en algunos instantes de tiempo)
son modelados por ecuaciones de diferencias es las que se especifican cambios
que ocurren en dichos sistemas cada ciertos intervalos regulares de tiempo. Por
ejemplo,
y[n] = a[n]y[n 1] + b[n]
y[n] = a[n]y[n 2] + b[n]y[n 1] + c[n].
b[n] + y[n]
+
a[n]
-1
z
Figura 1.5: Diagrama de flujo de una ecuacion de diferencias de primer orden
c[n] + + y[n]
+ +
a[n] b[n]
-1 -1
z z
Figura 1.6: Diagrama de flujo de una ecuacion de diferencias de segundo orden
En el primer caso el valor de y para un instante de tiempo depende del valor en

el instante anterior. Para el segundo caso, no solo depende del valor en el instante
anterior, sino tambien del anterior al anterior. La primera es una ecuacion de
diferencias de primer orden y la segunda, de segundo orden.
Similarmente a lo que sucede en el caso continuo con el operador p, aqu tam-
bien se puede recurrir a un operador, z definido de manera que z 1 y[n] = y[n 1]
y zy[n] = y[n+1]. De este modo se puede reformular las ecuaciones de la siguiente
manera:
y[n] = a[n]z 1 y[n] + b[n]
y[n] = a[n]z 2 y[n] + b[n]z 1 y[n] + c[n]
Por lo general para resolver este tipo de sistemas de ecuaciones se utiliza la

Transformada Z, que puede entenderse a priori como una version discreta de la
Transformada de Laplace.
Por ultimo, como se puede ver en las figuras 1.5 y 1.6, tambien es posible
obtener una representacion grafica del sistema a traves de diagramas de flujo.
10 Introduccion
x(t) y(t)
Sistema
Causal
T t T t
Figura 1.7: Entrada y salida de un sistema causal
1.6. Causalidad
Un sistema se dice que es causal si para un valor de la variable independiente,
x0 , las salidas de este solo dependen de los valores de las entradas en x < x0 . Este
sistema, cuando es funcion del tiempo, tambien es conocido como no anticipativo,
ya que las salidas del sistema no anticipan valores futuros de la entrada. Los
sistemas fsicos son no anticipativos, ya que en la naturaleza los efectos nunca
preceden a las causas.
Si la entrada f (x) a un sistema lineal se aplica en el instante cero, es decir,
f (x) toma valores distintos de cero solo para x mayor que cero. El sistema es
causal si la salida g(x), en respuesta a la entrada f (x), cumple g(x) = 0 x < 0.
No puede haber una respuesta para valores de x menores al valor en que se
produce la entrada.
Es comun suponer que x = 0 en la posicion o instante en que la entrada deja
de ser cero, de ser as, llamaremos funcion causal (salida de un sistema causal) a
g(x), si
dn
g(x) = 0 y g(x) = 0, para x < 0.
dx
La figura 1.7 muestra un sistema causal con una entrada x(t) y una salida
y(t). El sistema empieza a responder despues del instante T , en el que se presenta
la entrada.
Los sistemas fsicos son siempre causales si la variable independiente es el
tiempo, pero tpicamente no lo son en funcion de la posicion.
Ejemplo 1.6.1 Un ejemplo de un sistema no causal son los suavizadores de

imagen. El sistema entrega una imagen de salida a partir de una imagen de
entrada. Cada pixel de la imagen de salida, es un promedio del mismo pixel en la
imagen de entrada con sus vecinos (tanto los anteriores como los siguientes) lo
que claramente lo hace no causal (fig. 1.8). La salida de este sistema esta dada
1.7 Como graficar funciones complejas? 11
(a) Imagen entrada (b) Imagen salida (suavizada)
Figura 1.8: Sistema no causal en el espacio
por (1.1), donde R es una vecindad con N 2 elementos, en torno al pixel x[m, n].
X x[j, k]
y[m, n] = (1.1)
N2
(j,k) R
1.7. Como graficar funciones complejas?

Se tiene la funcion y = f (x).
Graficar esta funcion cuando x e y son reales, es decir, una funcion real de
argumento real de esas que se ven en los primeros cursos de calculo es
sencillo. Los valores del argumento son asociados al eje de abscisas y para cada
uno de ellos la funcion tiene un valor que es asociado al eje de ordenadas (fig.
1.9).
No es tan sencillo cuando la funcion real tiene el argumento complejo. Una
forma de graficar esta funcion se muestra en la figura 1.10 (a) en la que dos ejes
coordenados son empleados para representar el argumento, la parte real y la parte
imaginaria y el tercer eje se emplea para el valor de la funcion. Como para cada
valor complejo del argumento solo existe un valor de la funcion, el grafico resul-
tante es una superficie (un manto). En algunos casos, no es importante conocer el
valor de la funcion, sino solo saber si la funcion vale cero o infinito. Para esto, se
puede emplear un grafico bi-dimensional, como el de la figura 1.10 (b) en el que
se emplea un crculo para indicar el argumento para el cual la funcion vale cero,
y una cruz para el cual vale infinito (positivo o negativo). Este tipo de grafico se
conoce como diagrama de polos y ceros donde polos son los argumentos donde la
funcion diverge.
12 Introduccion
Figura 1.9: Grafico de una funcion real de argumento real
Im x
polos cero
Re x
Im x
Re x
(a) Manto (b) Diagrama de polos y ceros
Figura 1.10: Grafico de una funcion real de argumento complejo

Re y Im y
x x
(a) Parte real (b) Parte imaginaria
Mag y y
x x
(c) Magnitud (d) Fase
Re y (Im y) Mag y ( y)
x x
(e) Partes real e imaginaria (f) Magnitud y fase
Figura 1.11: Grafico de una funcion compleja de argumento real

14 Introduccion
Re f(x) Re f(x)
Im f(x) Im f(x)
x x
(a) Partes real e imaginarias combinadas (b) Partes real e imaginarias separadas
Figura 1.12: Grafico tridimensional de una funcion compleja de argumento real
Las senales, tpicamente son mejor representadas por funciones complejas de

argumentos reales. En este caso se pueden emplear dos graficos bi-dimensionales,
uno para la parte real de la funcion (fig. 1.11 a) y otro para la parte imaginaria
(fig. 1.11 b). Estos graficos se pueden superponer en los mismos ejes coordenados
y es convencional emplear lnea continua para la parte real, y segmentada para la
imaginaria (fig. 1.11 e). De la misma forma, en vez de parte real e imaginaria de
la funcion, se puede graficar el modulo (fig. 1.11 c) y fase o angulo del complejo
(fig. 1.11 d).
Otra alternativa es emplear un grafico tridimensional, como el de la figura
1.12. En este se emplea un eje para el argumento y los otros dos para las partes
real e imaginaria de la funcion. Ya que para cada argumento existe solo un valor
de la funcion, el grafico resultante es una lnea. La proyeccion de esta lnea en los
planos x Re{y} y x Im{y} corresponde a las partes real e imaginaria de la
funcion (fig 1.12 b). El modulo es la distancia recta desde el eje x a la lnea y la
fase, el angulo formado por la recta que define el modulo. Este tipo de graficos es
de gran ayuda para comprender los conceptos de frecuencia, fase lineal y muchos
otros.
Finalmente, solo nos queda ver que se puede hacer para funciones complejas
de argumentos complejos. La posibilidad mas obvia es emplear dos graficos tridi-
mensionales, en el que dos ejes son las parte real e imaginaria del argumento y
el tercer eje es la parte real (fig. 1.13 a) o imaginaria (fig. 1.13 b) de la funcion.
Para el tercer eje tambien se puede emplear el modulo (fig. 1.13 c) o fase (fig.
1.13 d) de la funcion. Al igual que para funciones reales de argumento complejo,
se puede emplear un diagrama de polos y ceros (fig. 1.13 e).
Indudablemente, las posibilidades de representaciones graficas discutidas en
esta seccion no estan agotadas. La representacion a emplear depende en gran
Re y Im y
Im x Im x
Re x Re x
(a) Parte real (b) Parte imaginaria
Mag y y
Im x Im x
Re x Re x
(c) Magnitud (d) Fase
Im x
Re x
(e) Diagrama de polos y ceros
Figura 1.13: Graficos de una funcion compleja de argumento complejo

16 Introduccion
f(x) f(x)
x x
(a) Funcion par (b) Funcion impar
Re f(x) Re f(x)
Im f(x) Im f(x)
x x
(c) Funcion hermitiana (d) Funcion anti-hermitiana
Figura 1.14: Simetras
medida de la caracterstica de la funcion que se desee resaltar y en menor medida

del gusto personal.
1.8. Simetras
La existencia de simetras facilita el analisis de senales y tpicamente sirven
para comprobar resultados. Veamos algunos conceptos de simetras. Se define
como funcion par aquella que cumple con:
f (x) = f (x) x
Graficamente, en un espacio de dos dimensiones, las funciones pares son simetricas

con respecto al eje de las ordenadas (fig. 1.14 a).
Se define como funcion impar aquella que cumple con:
f (x) = f (x) x
1.9 Algunas funciones importantes 17
cos x (sen x)
Figura 1.15: Sinusoide
Para funciones complejas, se debe tener en consideracion la existencia de una

parte real y una imaginaria. Una funcion compleja es hermitiana cuando su parte
real es par y su parte imaginaria es impar(fig. 1.14 c). Una funcion es anti-
hermitiana cuando su parte real es impar y su parte imaginaria es par(fig. 1.14
d). Cuando una funcion no cumple ninguna de estas caractersticas, decimos que
se trata de una funcion asimetrica.
A menudo es conveniente descomponer una funcion en la suma de sus partes
par e impar, es decir, si f (x) es asimetrica, queremos reescribirla como f (x) =
P (x) + I(x), donde P (x) es una funcion par e I(x) es una funcion impar. Facil-
mente se puede comprobar que esta descomposicion se puede conseguir de la
siguiente manera:
1 1
P (x) = (f (x) + f (x)) e I(x) = (f (x) f (x))
2 2
1.9. Algunas funciones importantes

En esta seccion vamos a revisar algunas funciones o senales que son impor-
tantes y se usan corrientemente. El objetivo es resaltar las propiedades mas im-
portantes y al mismo tiempo establecer una notacion, que en su mayor parte es la
misma empleada por Bracewell [3]. Excepciones son los smbolos utilizados para
el escalon, la horquilla y la anti-horquilla.
1.9.1. Sinusoide
La sinusoide es probablemente la funcion mas conocida. La funcion seno y la
funcion coseno, graficadas en la figura 1.15 provienen de las funciones trigonometri-
cas del mismo nombre.
18 Introduccion
Originalmente el nombre seno se empleaba para la perpendicular dibujada

de un punto de la semi-circunferencia al diametro. En terminos marinos todava
se habla, por ejemplo, del seno de la espa (cuerda para atarse al muelle). La
palabra seno proviene del latn sin(us) que significa curva, doblez o bolsillo, y
que a su vez es sinonimo del arabico jaib que significa cuerda de un arco (de esos
que tiran flechas). Coseno, por supuesto, es el complemento del seno.
Al referirnos a la funcion seno (o coseno) sin indicar los parametros, empleare-
mos las siguientes definiciones:
f (x) = sen x o f (x) = cos x
Es evidente que la funcion seno es periodica y en esta definicion el periodo es

2, es decir la frecuencia de oscilacion es 1/2 (se eligio el argumento x en vez de
x para evitar tener el factor en la frecuencia). Un coseno es igual a un seno que
ha sido desplazado en 1/2, es decir cos x = sen (x + 1/2).
El valor en el origen de la funcion seno es sen 0 = 0 y de la funcion coseno,
cos 0 = 1. La funcion seno es impar y la funcion coseno, par.
Sus derivadas e integrales indefinidas son
d 1
Z
sen x = cos x sen x dx = cos x
dx
y
d 1
Z
cos x = sen x cos x dx = sen x
dx
El area bajo la curva para estas funciones, es decir, la integral definida de
a +, no existe, sin embargo sabemos que esta acotada en el rango 1 a 1.
Convendremos en que el valor de esta integral es cero. Esta decision es motivada
por el area debajo de la curva e(x) sen x, donde e(x) es una envolvente par, por
2
ejemplo, e(x) = ex o e(x) = u(x) (ver definicion en seccion 1.9.7). Como se
vera mas adelante, el considerar el area bajo el seno (y el coseno) como cero tiene
algunas ventajas desde el punto de vista operativo.
Z Z
! !
sen x dx = cos x dx = 0

1.9.2. Exponencial compleja

La exponencial compleja, definida por
f (x) = ei2x
real
imag
Figura 1.16: Exponencial compleja

con i = 1, es una generalizacion de las funciones sinusoidales. De hecho, por
Euler, se tiene que
ei2x = cos 2x + i sen 2x.
La importancia de esta funcion radica en que es la base para la transformada
de Fourier, y es una forma de incluir senos (funcion impar) y cosenos (funcion
par) en la misma funcion.
Las figuras 1.16 y 1.17 grafican la exponencial compleja. Notese que el sentido
de giro es contrario a los punteros del reloj al avanzar en el sentido +x. Para
cambiar el sentido de giro se debe cambiar el signo del exponente (i2x). La
amplitud se mantiene constante en 1 y la fase vara linealmente con x.
1.9.3. Gauss
Definiremos la funcion Gauss como
2
Gauss(x) = ex
Como se muestra en la figura 1.18, la funcion Gauss tiene algunas propiedades

que la hacen interesante. Es una funcion continua y suave ( C () ) que decae a
cero para x tendiendo a o .
Notese que esta funcion es equivalente a la distribucion
de probabilidades
normal con media cero y desviacion estandar = 1/ 2.
1 2 2
Normal(x) = ex /2 .
2
20 Introduccion
real
1
imag
1
1
x
Figura 1.17: Exponencial compleja
Gauss(x)
1
x
Figura 1.18: La funcion Gauss

Resena historica Johann Carl Friederich Gauss
Johann Gauss nacio en Brunswick el 30 de Abril

de 1777 y murio en Gottingen el 23 de Febrero de
1855. Gauss es considerado uno de los matematicos
mas grandes que han existido y quizas el genio
mas bien dotado del cual se tenga recuerdo. Las
areas entre las cuales realizo sus trabajos mas im-
portantes estan la teora de numeros, geometra
diferencial, estadstica, geodesia, magnetismo, as-
tronoma y optica.
Su primer gran aporte fue en 1798 cuando de-
scribe como construir un polgono de 17 lados con
regla y compas. De ese momento en adelante pro-
dujo un resultado importante tras otro. Su tesis Johann Carl Friederich Gauss
doctoral fue, de hecho, un hito para las matematicas
puras cuando demostro, en forma satisfactoria, el teorema fundamental del algebra
(toda funcion polinomial de orden n, tiene n raices reales y/o complejas). Su principal
pasion fue la teora de los numeros.
Tambien se dedico a la astronoma, trabajo como director del observatorio de
Gottingen donde realizo muchos aportes a la astronoma y la estadstica, como fue el
metodo de aproximacion de los mnimos cuadrados y teoras sobre los movimientos
de cuerpos celestes. Mas tarde en su vida se dedico al campo de la geodesia donde
sus multiples investigaciones lo llevaron a presentar mas de 70 publicaciones en 10
anos.
A partir de 1832 Gauss, junto a W. Weber, comienza a investigar en el campo del
magnetismo. Demostro que la Tierra solo puede tener 2 polos; determino la posicion
del polo sur; y publico un atlas geomagnetico de la Tierra.
Descubrio las leyes de Kirchhoff e invento un telegrafo primitivo. Al final de
su vida se dedico a poner en orden el fondo para viudas de la universidad donde
aprendio mucho sobre materias financieras, logrando hacer una fortuna invirtiendo su
dinero en bonos.
A todos sus avances, publicados en vida, se agregan muchos otros que quedaron
en sus libros sin publicar. Se destaca su diario de anotaciones personal (publicado
en 1898), de solo 19 paginas que contienen nada menos que 146 conclusiones de
estudios en los que estuvo ocupado desde 1796 a 1814.
22 Introduccion
La funcion Gauss es una funcion par. Su valor en el origen es uno, y el area

bajo la curva tambien es uno
Z
02 2
e = ex dx = 1

La derivada de Gauss es
d 2
Gauss(x) = 2xex
dx
y su integral
x
1
Z
2
et dt = erf x
0 2
donde erf es la funcion de error estadstica definida como
Z x
1 2
erf x = et dt
0
La funcion Gauss es importante en el analisis de senales por al menos dos ra-

zones, descontando su naturalidad como funcion de probabilidades: es una buena
funcion para apodizar (ver sec. 6.6.3), seleccionar parte de otra funcion en forma
suave; y la transformada de Fourier de ella es tambien una funcion Gauss (ver
sec. 3.3).
1.9.4. Uno
La funcion uno, 1(x) es una funcion constante que vale uno para cualquier
valor de la variable independiente. Se define como
1(x) = 1.
La diferencia entre el valor 1 y la funcion 1(x) es muy sutil y tpicamente son

intercambiables. Solo cuando queramos recalcar la idea de funcion le colocaremos
argumento al 1.
1.9.5. Triangulo
La funcion triangulo, que se muestra en la figura 1.19 se define como

1 |x| si |x| < 1
(x) =
0 si |x| 1
Triang(x)
1
x
Figura 1.19: La funcion triangulo y su derivada

delta(x)
Figura 1.20: El impulso
La funcion triangulo es par, su valor en el origen es uno y el area bajo la curva

tambien lo es. La derivada del triangulo (en lnea segmentada en la figura) es

d 1 si 1 < x < 0
(x) = 1 si 0 < x < 1
dx
0 en otros casos

Para los valores en las discontinuidades ver la discusion acerca de la funcion

rect, que sigue.
1.9.6. Impulso
El impulso (x) no es, en estricto rigor, una funcion matematica, pero si se
observan algunas precauciones se puede emplear como si lo fuera.
24 Introduccion
rect(x)
Figura 1.21: La funcion rect y una aproximacion a ella
El impulso juega un papel importantsimo en este libro, por lo que le dedi-

caremos una seccion especial. Por ahora, solo mencionaremos que cumple con las
siguientes dos condiciones
(x) = 0 si x 6= 0
y Z
(x) dx = 1

y que lo representaremos como una flecha, ver figura 1.20.

La flecha nos indica que el valor en el origen esta muy arriba (en el infinito)
y que es cero en todos los otros lugares. El area del impulso, que se conoce como
la magnitud del impulso, la graficaremos como la altura de la flecha. Es decir,
la flecha tiene una altura de 2 para 2(x). Mucho cuidado se debe tener de no
confundir la altura de la flecha con la amplitud del impulso.
1.9.7. Rect
La funcion Rect es una funcion discontinua definida como

1 si |x| < 1/2
u(x) =
0 si |x| > 1/2
La figura 1.21 muestra su grafica. Que pasa en x = 1/2? En realidad no

es muy importante, despues de todo, Que es un simple punto? Por simetra se
puede suponer que la funcion rect vale 1/2 en la discontinuidad. Otra manera
de ver el rect y no complicarse con la discontinuidad es suponer que hay una
transicion suave entre el cero y el uno, as el rect se obtiene tomando el lmite
de la funcion suave cuando la derivada en x = 1/2 y x = 1/2 tiende a . A
sinc(x)
1
x
Figura 1.22: La funcion de interpolacion sinc
esta funcion la llamaremos la funcion aproximante. Por ejemplo se puede usar la

funcion que aparece con lnea de segmentos en la figura 1.21, es decir
si |x| < 1

1 2
1 1+
si 2 < |x| < 1+
1

u (x) = 2 |x| 2
0 si |x| < 1+

2
y se define
u(x) = lm u (x).
0
De esta manera se puede calcular la derivada de la funcion rect, primero cal-

culandola en la funcion aproximante y luego tomando el lmite. Como veremos
mas adelante la derivada del rect es
d
u (x) = (x + 1/2) (x 1/2)
dx
La funcion u nos da una herramienta para trabajar con el rect como fun-
cion continua, sin embargo, su derivada no es continua. Si quisieramos obtener
derivadas de mayor orden es conveniente emplear una funcion aproximante mas
suave.
1.9.8. Sinc
La funcion sinc (fig. 1.22), o funcion de filtraje o interpolacion, se define como
sen x
sinc x =
x
La importancia de esta funcion proviene del hecho que es la transformada
de Fourier del rect (la transformada de Fourier se trata en el captulo 3). Esto
implica, entre otras cosas, que: una senal que tiene forma de sinc es de ancho
de banda limitado; la respuesta al impulso de un filtro pasa bajos perfecto es un
26 Introduccion
asinc(x)
Figura 1.23: La funcion asinc
sinc; y que la mejor interpolacion que se puede hacer para obtener una muestra
donde no la hay es con un sinc.
La funcion sinc cruza por cero en |x| = 1, 2, 3..., su valor en el origen es uno
y el area total bajo la curva es tambien uno.
sen cos
sinc 0 = lm = lm =1
0 0
Z
sinc x dx = 1

El maximo en el lobulo central es 1, el mnimo en el segundo lobulo es aprox-

imadamente -0,21 y el maximo en el tercero es aproximadamente 0,13. Es bueno
tener una idea de estos valores. Por lo menos sirven para dibujar el sinc correc-
tamente.
1.9.9. Asinc
La funcion asinc (fig. 1.23) se define como
sen x(2N + 1)
asincN (x) =
sen x
y corresponde a una funcion sinc que ha sido aliada (ver seccion 6.6.1), es decir,
esta formada por la suma de funciones sinc, desplazadas en 2N unas de otras.

X
asincN (x) = sinc (x j2N )
j=
La importancia de esta funcion aparece en el dominio de tiempo discreto. Es

la transformada de Fourier de tiempo discreto de un rect que ha sido muestreado
con 2N muestras. Normalmente solo se emplea un periodo de ella.
Escalon(x)
1
x
Figura 1.24: La funcion escalon
1.9.10. Escalon
La funcion escalon o de Heaviside, (x) se define como (fig. 1.24)

1 si x > 0
(x) =
0 si x < 0
Nuevamente se debe referir a los comentarios acerca de la funcion rect para

determinar el valor del escalon en el origen. La derivada del escalon es
d
(x) = (x).
dx
1.9.11. Signo
La funcion signo, sgn(x) se define como (fig. 1.25)

1 si x > 0
sgn(x) =
1 si x < 0
El signo es una funcion impar que puede ser expresada en terminos de la

funcion escalon
sgn(x) = (x) (x) = 2 (x) 1(x)

Por convencion diremos que sgn(0) = 0.
1.9.12. Shah
El impulso es un smbolo que facilita mucho la operacion matematica de tomar
una muestra. Como es natural que se deseen tomar muchas muestras a intervalos
28 Introduccion
sgn(x)
1
x
Figura 1.25: La funcion signo
shah(x)
1
x
Figura 1.26: Shah
regulares, emplearemos un smbolo especial para un impulso replicado, como se

muestra en la figura 1.26. Se define la funcion shah3 , (x) como

X
(x) = (x n)
n=
1.9.13. Horquilla y antihorquilla

De la misma manera que fue conveniente definir la funcion shah, es conve-
niente definir las funciones horquilla, (x), y antihorquilla, (x), que son for-
madas por dos impulsos de area 1/2 cada uno. La importancia de estas funciones
radica en que son proporcionales a la transformada de Fourier de las funciones
coseno y seno, respectivamente. Se define la funcion horquilla como (fig. 1.27)
1
(x) = [(x + 1/2) + (x 1/2)]
2
3
letra del alfabeto cirlico, ver [3]
horq(x)
1
1
x
Figura 1.27: La funcion horquilla
antihorq(x)
1
1
x
Figura 1.28: La funcion anti-horquilla

30 Introduccion
y la funcion antihorquilla como (fig 1.28)
1
(x) = [(x + 1/2) (x 1/2)]
2
Notese que el area total bajo la curva es uno para la horquilla y cero para la
antihorquilla.
1.10. El impulso
1.10.1. Definicion
Es muy comun encontrarse con cantidades fsicas que concentran mucha en-
erga en un instante de tiempo muy breve o en un espacio muy reducido, as es
como sucede con las masas puntuales, cargas puntuales, fuentes de luz puntuales,
fuerzas concentradas, cargas superficiales, etc. Resulta util contar con un smbolo
que sea apropiado para representar estas cantidades y a la vez provea una op-
eratoria matematica. Se define un pulso de area unitaria muy breve e intenso
llamado impulso. Este impulso concentrado e infinitamente fuerte, (x) satisface
las siguientes dos condiciones:
(x) = 0 para x 6= 0
y Z
(x) dx = 1. (1.2)

Hay que hacer notar que el smbolo (x) (empleado por Dirac en vez de
p1 empleado por Heaviside) no es una funcion matematica en estricto rigor, no
obstante, la usaremos como tal; y que la integral (1.2) no es una cantidad con
significado a menos que se establezcan algunas convenciones que nos permitan su
interpretacion. Por ejemplo, lo que la integral (1.2) puede representar es:

1 x
Z
lm u dx.
0
La funcion 1 u ( x ) es un pulso rectangular de alto 1 y ancho , por lo que

tiene area igual a uno. A medida que tiende a cero se genera una secuencia de
pulsos de area uno, que van incrementando su amplitud (fig. 1.29). En el lmite,
se tiene un pulso muy breve y de amplitud muy grande, cuya integral es igual a
la unidad.
1.10 El impulso 31
1/
/2 x
Figura 1.29: Aproximacion de un impulso con la funcion rect
La forma del impulso no es relevante, en esta aproximacion utilizamos un

pulso rectangular de area uno, 1 u ( x ), pero bien pudo ser un pulso triangular de
2
area uno, 1 ( x ), o un perfil de gauss de la forma 1 exp( x
2
), u otro.
Resena historica Paul Dirac
Paul Adrien Maurice Dirac nacio en Bristol,

Gloucestershire, Inglaterra el 8 de agosto de 1902 y
murio en Tallahassee, Florida, Estados Unidos el 20
de octubre de 1984. Dirac recibio el premio Nobel
de fsica en 1933 por su trabajo en fsica cuantica
descrito en The principles of Quantum Mechan-
ics (1930). La funcion impulso, definida por Heavi-
side, se conoce tambien como el delta de Dirac, ya
que fue este ultimo quien definio la notacion (t).
Ademas es un reconocimiento a su interes en la
relacion entre las matematicas y la fsica.
Paul Dirac
32 Introduccion
Esta forma de presentar el impulso, trae una consecuencia importante desde

el punto de vista computacional: uno puede siempre remplazar (x) por 1 u ( x ),
o por otra forma de pulso, y tomar lmite, haciendo tender a cero.
La siguiente es una receta para operar con impulsos. Supongase que se desea
realizar la operacion O{} sobre un problema que involucra impulsos.
1. Reemplazar los impulsos por una funcion aproximante.
2. Realizar la operacion O{}.
3. Tomar lmite del resultado para que la funcion aproximante tienda al im-
pulso.
Resena historica Oliver Heaviside
Oliver Heaviside nacio en Camden Town, Lon-

dres, Inglaterra el 18 de mayo de 1850 y murio en
Torquay, Devon, Inglaterra el 3 de febrero de 1925.
Heaviside contribuyo enormemente al desarrollo de
la electricidad. Despues de leer Treatise on Elec-
tricity and Magnetism de Maxwell (1873), simplif-
ico las 20 ecuaciones con 20 incognitas encontradas
por Maxwell para describir el comportamiento de
los campos electrico y magnetico a 2 ecuaciones
en 2 variables. Las ecuaciones de Maxwell son,
en realidad, las ecuaciones de Heaviside. A pesar
de lo impresionante de los resultados que Heaviside
Oliver Heaviside obtuvo en electromagnetismo, es mas conocido por
el calculo operacional que desarrollo entre 1880 y
1887 como herramienta en sus investigaciones. El reemplazo el operador diferencial
d/dt por p para transformar las ecuaciones diferenciales en ecuaciones algebraicas. No
era claro la validez de la metodologa hasta que fue demostrada por Bromwich cerca
de la muerte de Heaviside. La funcion impulso era denotada por Heaviside como p1,
significando la derivada de la funcion escalon (conocida como el escalon de Heaviside
hoy).
Los impulsos se representan graficamente como una flecha de altura igual a

su integral de area, es decir, altura uno para (x).
1.10 El impulso 33
f(x)
f(0)/
/2 /2 x
Figura 1.30: Propiedad del cedazo
Una relacion valida

R x entre el impulso y escalon unitario, se deriva de la propiedad
de que la integral ()d es igual a la unidad cuando x es positivo e igual a
cero cuando x es negativo. Entonces, siendo (x) la funcion escalon unitario, o
de Heaviside, se tiene: Z x
()d = (x)

o
d
(x) = (x)
dx
1.10.2. La propiedad del cedazo

Analicemos, ahora, el significado de la expresion:
Z
(x)f (x) dx

Para aplicar la receta de la seccion anterior, substituimos 1 u ( x ) por (x) en

la integral y luego, tomando lmite, tenemos:
Z Z
1 x
(x)f (x) dx = lm u ( )f (x) dx.
0
En la figura 1.30 el integrando se muestra con lnea punteada. Su area es

aproximadamente 1 veces el area sombreada f (0), cuando 0. Es decir
34 Introduccion
tenemos Z
(x)f (x) dx = f (0),

o tambien Z
(x a)f (x) dx = f (a)

y Z
(x)f (x a) dx = f (a).

La importancia de esta propiedad es que permite extraer el valor de una
funcion en un punto en particular. De ah su nombre: propiedad del cedazo4 .
1.10.3. El impulso de una funcion

Es valido preguntarse que significa (f (x)), despues de todo, la definicion del
impulso depende de un lmite en el que el rango de la variable independiente juega
un papel importante. Esta claro que (f (x)) vale cero para todos los valores de
x en que f (x) sea distinto de cero. No es tan claro cual es la magnitud, es decir,
el area bajo la curva, del impulso.
Considerando al impulso como el lmite de una funcion rect, se tiene
1 x
(x) = lm u( )
T 0 T T
La figura 1.31 muestra el rango (en el eje X) donde la funcion rect vale 1.
De la misma manera el rango para la funcion rect es mostrado en la figura
1.32 para (y) = (f (x)). En la figura, por simplicidad hemos considerado que
f (0) = 0 y solo un cruce por cero. Notese que la funcion delta es ahora funcion
de y, por lo que lo relevante es el rango en y para que la funcion rect valga 1
(1/2T < y < 1/2T ). Con la ayuda de la figura se desprende que el rango para
x se ve aumentado por el factor 1/f 0 (0), donde se ha reemplazado la funcion
por una recta en torno a cero (lo que es muy valido ya que tomaremos el lmite
cuando el rango tiende a cero). Obviamente no importa si la pendiente es positiva
o negativa, por lo que debemos considerar el valor absoluto de la derivada, |f 0 (x)|.
Si el rango, es decir, la base de la funcion rect es distinta de 1/T , el area del rect
deja de ser 1 y por lo tanto el area del impulso tambien.
En definitiva para el caso en que f (x) sea monotonica y f (0) = 0 se tiene
(x)
(f (x)) = .
|f 0 (0)|
4
En ingles, sifting
1.10 El impulso 35
1/2T 1/2T x
Figura 1.31: Rango para el impulso
1/2T
1/2T
Figura 1.32: Rango para el impulso de una funcion

36 Introduccion
Generalizar este resultado para cualquier f (x) (derivable en torno a las races)
es trivial:
X (x xn )
(f (x)) =
n
|f 0 (xn )|
donde xn son las races de f (x).

1.11 Ejercicios 37
1.11. Ejercicios
1. Encuentre la parte par e impar de las siguientes funciones (t y x son reales):
a) f (t) = cos t
b) f (t) = sen t
c) f (t) = t
1

d) f (t) = log(2i) (i =
2 1)

e) f (x) = x
3

f ) f (x) = x

g) f (x) = x
h) f (t) = et
i) f (x) = log x
j ) f (t) = 42
k ) f (x) = u(x)
l) f (x) = u0 (x) (derivada con respecto a x)
m) f (x) = (x)
n) f (x) = 0 (x)
2. Cambie el origen de x para que f (x) sea impar.
d (x2)2
f (x) = e
dx
3. Es impar una funcion impar de una funcion impar? Que se puede decir de
funciones impares de funciones pares? Y de funciones pares de funciones
impares?
4. Demuestre que Z
sinc x dx = 1

5. Grafique las partes par e impar de
1
1 + (t 1)2
38 Introduccion
6. Escriba la ecuacion diferencial que describe el sistema de suspension de un

automovil en que el resorte tiene una constante K [N/cm] y el amortiguador
una constante C [Ns/cm]. Considere que la entrada del sistema es la cota
del camino (en funcion del desplazamiento) y la salida la cota del automovil.
7. Intente graficar y comente la funcion
lm sen x

8. Defina (x) de dos maneras distintas (como lmite de dos funciones difer-
entes) y pruebe que son equivalentes. Que significa equivalencia en este
caso?
9. Grafique una secuencia de funciones que defina 0 (x).
10. Sea
3( |x|)2 x
g (x) = 3
u ( ).
2 2
Emplee g (x) como funcion aproximante de (x) para calcular
Z
00 (x) dx.

11. Calcule Z
0 (x) dx

12. Demuestre que

R 0
a) (x )f () d = f 0 (x)
b) 0 (x) = 0 (x)
c) x0 (x) = (x)
d) (x) = (1 ex )0 (x)
e) f (x)0 (x) = f (0)0 (x) f 0 (0)(x)
13. Calcule Z
(x 1) (100x) dx

14. Puede encontrar una solucion general para f [f (x)] = f (x)? Note que
f (x) = sgn(x) es una solucion.
1.11 Ejercicios 39
15. Demuestre que

1 1
(x/ 3) = 3(4x3 3x) (x)
3 3
16. Demuestre que
(sen x) = (x)
17. Exprese (2x) como la suma de dos shah.

18. La integral siguiente no esta plenamente definida. Identifique el conjunto
de numeros reales que con seguridad no puede valer.
Z 1/2
(x) 2(i + ei2x ) dx

19. La figura representa un resorte circular lineal de constante k (T = k) al

que se le aplica la derivada de una fuerza impulsiva en el extremo de la
barra de largo l. Existe un angulo de equilibrio? Cual es?
k (l)
20. Existe un angulo de equilibrio para el sistema de la figura si ademas se

aplica la derivada de una fuerza impulsiva en l/2 de signo contrario? Cual
es?
k (l)
(l)
21. Se tiene la ecuacion diferencial para y(t)

y 00 + ay 0 + by = x0 + cx
con condiciones iniciales y 0 (0+) = y00 , y(0+) = y0 y x(0+) = x0 (a, b y
c son constantes reales). Para que valores de b, y(t) presenta un compor-
tamiento oscilatorio? Que suposicion se debe hacer con respecto a los otros
parametros?
40 Introduccion
22. Calcule Z
(x/a) u (x/5a) dx

23. Es causal la senal

d 2
s(t) = lm ex ?
dx 0
Justifique su respuesta.
24. Encuentre la parte par de la funcion f (x) = ln x.
25. Encuentre cuanto vale la siguiente integral

Z

I= { x x} dx

26. Grafique aproximadamente la salida al sistema de entrada x(t) y salida

y(t), descrito por y 0 (t) = ay(t) + x(t) para la entrada x(t) = eat (t).
Con a > 0 y real.
27. Encuentre la salida al sistema discreto de entrada x[n] y salida y[n], descrito
por y[n] = ay[n] + x[n] para la entrada x[n] = an [n]. Con 0 < a < 1 y
real.
28. La funcion (sen(/x)) representa la suma de muchos impulsos. Grafique

seis de esos impulsos.
CAPITULO 2
SISTEMAS LINEALES Y
CONVOLUCION
En este captulo se introducen tres conceptos que son esenciales para el desar-
rollo de la teora de las senales, estos son: la propiedad de linealidad, la operacion
de convolucion, y la respuesta al impulso.
2.1. Linealidad e invariancia

Las propiedades de linealidad e invariancia son la base de la teora de sistemas
lineales, para la cual este libro es una introduccion.
2.1.1. Linealidad
Sea L{} un operador; f (x), f1 (x) y f2 (x), funciones de la variable x (po-
dra ser el tiempo); y , escalares. Se dice que L es lineal si cumple con las
propiedades de homogeneidad y superposicion:
L{f (x)} = L{f (x)}

L{f1 (x) + f2 (x)} = L{f1 (x)} + L{f2 (x)}.
Lo que tambien se puede resumir en una sola ecuacion:
L{f1 (x) + f2 (x)} = L{f1 (x)} + L{f2 (x)}
41
42 Sistemas lineales y convolucion
La propiedad de linealidad permite desarrollar la teora de los sistemas lin-

eales. Esta teora es muy poderosa, en el sentido que proporciona herramientas
de manipulacion que no solo son faciles de emplear, sino tambien proveen una
interpretacion intuitiva de los datos.
En la realidad, practicamente todos los sistemas son no lineales, sin embargo
la teora lineal es una aproximacion util y buena porque facilita la comprension
intuitiva del sistema fsico.
2.1.2. Invariancia
Una operacion es invariante con respecto a alguna variable, si es que una
traslacion de la entrada en la direccion de esa variable, solo produce una traslacion
en la salida. La operacion es invariante en el tiempo si es que esa variable es el
tiempo.
Formalmente, sea L{f (x)} = g(x) y un desplazamiento en x, L{} se dice
invariante en x si
L{f (x )} = g(x )
e invariante en el tiempo si
L{f (t )} = g(t ).
A pesar que el concepto de invariancia es muy simple matematicamente, puede

causar confusion. El siguiente es un ejemplo de un sistema relativamente complejo
que ilustra el significado de invariancia (o variancia) en el tiempo.
Ejemplo 2.1.1 Sea el sistema una maquina fotografica en un patio. La entrada

al sistema es un afiche que se coloca frente a la maquina para fotografiarlo. La
salida del sistema es la fotografa. La respuesta del sistema (la fotografa) depende
de la hora del da en que se coloque la entrada evidentemente la fotografa
sera diferente si se hace a medioda o a medianoche a pesar que la entrada (el
afiche) es el mismo. De esta manera definido, el sistema es variante en el tiempo.
Muy importante resulta aqu la definicion de entrada. Esta fue definida como el
afiche y no como la imagen en la cual se enfoca la camara. Si la entrada fuera
definida como esta ultima, el sistema sera invariante.
Expresemos este concepto matematicamente, sea f (t) la entrada (el afiche, en
realidad, quedara mejor definido por f (t, x, y)) y sea g(t) la salida (la fotografa).
Digamos que la salida g(t) = h(t)f (t), en que h(t) es la luminosidad incidente
sobre el afiche. Para comprobar la invariancia del sistema, se debe comparar la
respuesta a f (t) con la respuesta a f (t T ), es decir, h(t)f (t) con h(t)f (t T ).
En el caso general, entonces, el sistema es variante. Algunos se preguntaran por
2.2 Convolucion 43
que no comparar h(t)f (t) con h(tT )f (tT ). La respuesta viene por la definicion
de entrada al sistema. Debo estudiar la respuesta al sistema al atrasar solo la
entrada en este caso el afiche no cambia con el tiempo y no atrasar el
sistema mismo hacer que el sol de la manana brille en la tarde .
2.2. Convolucion
La integral de convolucion de dos funciones f (x) y g(x) esta definida por
Z
{f g}(x) = f ()g(x ) d.

Por simplicidad y aunque no es una expresion rigurosamente correcta, muchas

veces se prefiere escribir la convolucion como
Z
h(x) = f (x) g(x) = f ()g(x ) d.

Lo importante de notar es que la funcion que esta evaluada en x es la con-

volucion de f () y g() y no cada una de ellas.
Ejemplo 2.2.1 Encontraremos la convolucion de la funcion u(t) consigo mismo.

Reemplazando en Z
f (t) g(t) = f ( )g(t ) d,

f (t) = g(t) = u(t), se tiene,

Z
u(t) u(t) = u( ) u (t ) d.

La evaluacion grafica de esta integral, ademas de simplificar el calculo, permite

entender mejor el significado de la operacion de convolucion. La serie de graficos
de la figura 2.1 muestra como se construye la funcion resultante para todo t. El
valor de la convolucion en t es la integral en todo el rango del producto f ()g()
con g() desplazada en t. El area achurada de la figura.
El resultado es
u(t) u(t) = (t).
f( ) f*g
g( )
f( ) f*g
g( )
f( ) f*g
g( )
f( ) f*g
g( )
f( ) f*g
g( )
f( ) f*g
g( )
Figura 2.1: Desarrollo grafico de la convolucion de rect consigo mismo (en la

segunda columna se grafica el area de la region achurada)
2.3 Respuesta al impulso 45
Hay que notar que la integral es realizada con g( ), es decir, la funcion

g() reflejada en torno al eje , que en el ejemplo anterior no se nota ya que,
por simetra, es la misma funcion, y no como la mas familiar definicion de la
correlacion de dos funciones:
Z
{f ? g}(x) = f ()g(x + ) d.

Notando que la propiedad del cedazo (sec. 1.10.2) no es otra cosa que una
convolucion con el impulso, se tiene,
(x) f (x) = f (x) (x) = f (x).
Otra propiedad interesante de la convolucion es la siguiente:

d
{f (x) g(x)} = f 0 (x) g(x) = f (x) g0 (x)
dx
2.3. Respuesta al impulso

La propiedad de superposicion de los sistemas lineales provee una herramienta
practica de analisis. Esta es: descomponer la senal de entrada; aplicar el sistema
lineal a cada componente; y superponer los resultados. Como se vera, la descom-
posicion de una senal en funciones impulso resulta muy conveniente.
Sea f (x) la senal de entrada al sistema lineal L{}. La salida g(x) estara dada
por
g(x) = L{f (x)}
pero f (x) por la propiedad del cedazo (sec. 1.10.2) puede ser descompuesta como
Z
f (x) = f ()(x ) d.

Esta ecuacion representa una suma infinita de funciones delta uniformemente

repartidas en el espacio, cada una con un peso correspondiente al valor de la senal
f (x) en ese lugar (fig. 2.2).
La salida del sistema lineal es
Z
g(x) = L{ f ()(x ) d}

y por la propiedad de linealidad

Z
g(x) = f ()L{(x )} d

f(x)
Figura 2.2: Descomposicion de una funcion en impulsos
de manera que la respuesta del sistema a la funcion delta, L{(x )} (para

todos los valores de x y ) es suficiente para definir el sistema por completo. Esta
respuesta se conoce como respuesta al impulso, h(x, ).
h(x, ) = L{(x )}
es decir Z
g(x) = f ()h(x, ) d

Esta ultima ecuacion se conoce como integral de superposicion. Indica que la
salida de un sistema lineal a una senal de entrada cualquiera es la integral de
superposicion de la entrada con la respuesta al impulso.
Si el sistema lineal es tambien invariante en x, se tiene
h(x, ) = h(x ) = L{(x )}
por lo que Z
g(x) = f ()h(x ) d

que es la convolucion entre f () y h().
g(x) = f (x) h(x).
En resumen la salida de un sistema lineal e invariante es la convolucion de la

entrada con la respuesta al impulso.
2.4 Ejercicios 47
2.4. Ejercicios
1. Para los siguientes sistemas, muestre si son o no lineales e invariantes en el
tiempo. La entrada es f (t) y la salida es g(t) con h(t) cualquiera.
a) g(t) = 2f (t)
b) g(t) = f (t) + 2
c) g(t) = f (t) + h(t)
d) g(t) = h(t)f (t)
p
e) g(t) = f (t)
f ) g(t) = |f (t)|
g) g(t) = f (t)cost
h) g(t) = max f (t)
i) g(t) = u(t)f (t)
j ) g(t) = f 0 (t)
2. Para el sistema de la figura determine si el sistema es lineal y/o invariante

en el tiempo para los siguientes casos:
a) T = k
b) T = kt
c) T = kt2
d) T = kx(t)
Comente el caso cuando T = kt y x(t) = cos t. Que pasa cuando k < 1?
x(t) retardo T y(t)
3. El sistema de la figura multiplica la entrada por a. Es decir, la salida es

g(x) = af (x).
Para las dos siguientes posibilidades de a, indique si el sistema es lineal o

no, y si es invariante en x o no. Demuestre su respuesta.
(a) a = x
(b) a = f (x) (la entrada)
4. Se tiene un sistema cuya entrada esta dada por A1 cos 0 t y cuya salida es
A2 cos 20 t. Existe algun sistema lineal que se comporte as? Opcional: Si
existe, encuentrelo.
5. En los siguientes sistemas, f (t) es la entrada y g(t) es la salida. A, y k

son constantes. Demuestre para cada uno de los sistema si es o no es lineal
e invariante.
a) Modulacion de fase (PM): g(t) = A cos(t + kf (t))

b) Modulacion de amplitud (AM): g(t) = Af (t) cos(t)
c) Modulacion de frecuencia (FM): g(t) = A cos(( + kf (t))t)
6. Describa la funcion resultante de convolucionar un ruido con la horquilla.

Suponga que el ruido es una funcion aleatoria, s(t) en que para cada valor de
t, s(t) es una variable aleatoria de media cero, independiente e igualmente
distribuida que para otros valores de t.
7. Demuestre las propiedades de conmutatividad, asociatividad y distributivi-

dad de la convolucion.
8. Encuentre la respuesta del sistema lineal e invariante cuya respuesta al

impulso es
h(t) = (t T )
a las siguientes entradas:
a) f (t) = sen t
b) f (t) = u(t)
c) f (t) = (t)
d) f (t) = 0 (t)
e) f (t) = (t)
f ) f (t) = (t)
g) f (t) = (t)
2.4 Ejercicios 49
9. Se tiene un sistema lineal e invariante cuya respuesta al impulso es h(x) =

(x). Encuentre la salida g(x) del sistema si la entrada es
f (x) = [3 u (x/6) u(x/4) u(x/2)] sgn(x).
10. Encuentre las siguientes convoluciones. Evite expresar el resultado en forma

parcelada (con parentesis de llaves). Emplee las funciones definidas en el
libro.
a) u(x) (x)
b) u(x) (x)
c) (x) u(x)
d) (x) (x)
e) {2 u (x/2) + u(x)} u(x)
f) (x) (2x)
11. Se define la auto-convolucion de f (t) como f (t) f (t). La funcion f (t) es

la convolucion de g(t) y h(t). Muestre que la auto-convolucion de f es la
convolucion de las auto-convoluciones de g y h.
12. Se define la autocorrelacion para una funcion real como
f (x) f (x)
f (x) ? f (x) =
A
con A el area total de f (x). Es decir, es la auto-convolucion sin invertir una
de las funciones y normalizada por el area.
Encuentre la parte par e(x) e impar o(x) de f (x) ? f (x).
13. Compare la autocorrelacion de f (x) (x) y de f (x) (f (x) (x) ? f (x) (x) y
f (x) ? f (x)).
14. Discuta la autocorrelacion de cos x.
15. Suponga dos sistemas lineales e invariantes en cascada. La salida del primer
sistema es la entrada del segundo. Los sistemas estan definidos por sus
respuestas al impulso h1 (t) y h2 (t). Encuentre la respuesta al impulso del
conjunto para los siguientes casos:
a) h1 (t) = u(t 1/2) y h2 (t) = (t 2).

b) h1 (t) = u(t 1/2) y h2 (t) = u(t 2).
c) h1 (t) = u(t 1/2) y h2 (t) = (t/2).
16. Encuentre la respuesta de los sistemas lineales e invariantes cuyas respuestas

al impulso son
h(t) = (t)ect
y
h(t) = (t T )
con c y T reales, positivas y distintas de b; a las siguientes entradas:
a) f (t) = (t)ebt
b) f (t) = sen 3t
c) f (t) = (t) sen 3t
d) f (t) = u( t1
2 )
e) f (t) = (t) 3(t 2) + (t 5)
f ) f (t) = u( t/2
) sen t
17. La salida a la entrada f (x) de un sistema cuya respuesta al impulso es h(x)

es g(x). Como se modifica la respuesta del sistema a f (x) si la respuesta
al impulso se encoge en x en un factor k, h(kx)? Cual es la salida si la
entrada tambien se encoge en k?
18. Un sistema tiene una respuesta al impulso h(t) u ( tTT11 /2 ). Si la entrada al

sistema es f (t) u ( tT2 /2
T2 ), Para que valores de t la salida sera 0?
19. La respuesta a la entrada f (x) de un sistema es g(x). Cual es la respuesta

del sistema a la entrada df (x)/dx en terminos de f (x) y g(x)?
20. Un circuito electrico que implementa un filtro pasabajos tiene la siguiente

respuesta al impulso:
1 t/RC
h(t) = e (t)
RC
Encuentre la salida v2 (t) para las siguientes entradas:
a) v1 (t) = A
b) v1 (t) = A cos 0 t/2
c) v1 (t) = A cos 0 t
d) v1 (t) = A cos 20 t
e) v1 (t) = A cos 30 t
2.4 Ejercicios 51
f ) v1 (t) = A cos 40 t
A es una constante y 0 = 1/RC.

Grafique la amplitud de la salida versus la frecuencia de la entrada. Cuenteme
por que cree usted que el filtro se llama pasabajos.
21. (a) Un sistema AM esta definido por
g(t) = f (t) cos 2up t
donde f (t) es la entrada, g(t), la salida, y cos 2up t la portadora de

frecuencia up .
Es el sistema lineal? Demuestre su respuesta.
(b) Es el sistema de la pregunta anterior invariante en el tiempo? Si lo
es, demuestrelo, si no lo es, cuanto tendra que valer up para que lo
sea?
22. Suponga que alguien erroneamente cree que la regla de la cadena se aplica a
la convolucion, (f g)0 = f 0 g + f g0 . Encuentre el error e(x), la diferencia
entre el resultado erroneo y el correcto, si f (x) = u(x) y g(x) = (x).
23. Se tiene un sistema lineal e invariante cuya respuesta a la rampa (x (x)) es

(x 1). Cual es la respuesta del sistema si la entrada es (ex x 1) (x)?
24. Demuestre que si g(x) = f (x) h(x) entonces

Z Z Z
g(x)dx = f (x)dx h(x)dx

25. Calcule u(x) g (x), donde

1 2 2
g (x) = ex /2
2
Le puede ayudar saber que si f (x) y g(x) representan funciones de densidad
de probabilidades, entonces f (x) g(x) representa la funcion de probabili-
dades de la suma de las variables originales. Y tambien que por el teorema
del lmite central sabemos que f (x)n tiende a una distribucion gaussiana
cuando n tiende a infinito (la notacion n indica que la funcion f (x) fue
convolucionada consigo mismo n veces, es decir f (x)2 = f (x) f (x)).
26. Es p(t) igual a q(t) para todo f (t) si S1 y S2 son lineales e invariantes?
Demuestre su respuesta
f(t) S1 S2 p(t)
f(t) S2 S1 q(t)
27. Es p(t) igual a q(t) para todo f (t) si S1 y S2 son solo lineales? Demuestre
su respuesta.
28. Es p(t) igual a q(t) para todo f (t) si S1 y S2 son solo invariantes? De-
muestre su respuesta.
29. Se define el sistema nulo como S{f (t)} = 0. Demuestre si el sistema es
o no lineal y si es o no invariante. De ser lineal e invariante encuentre la
respuesta al impulso.
30. Encuentre las funciones a(x), b(x) y c(x) para que la siguiente igualdad sea
verdad.
f (x) [x2 (x)] = a(x)M0 (x) + b(x)M1 (x) + c(x)M2 (x)
donde Mi (x) es el momento de orden i de la funcion f (x), definido por
Z x
Mi (x) = i f ()d

31. Una senal digital es una senal discreta que solo puede tomar dos valores:
1 (verdad) o 0 (falso). Digamos que un sistema digital es lineal cuando
cumple con la misma propiedad que los sistemas continuos pero en la que
se ha sustituido la operacion de multiplicacion () por un y logico ()
y la adicion (+) por un o logico (). Se tiene un sistema digital cuya
entrada es una senal digital y cuya salida es una senal digital que indica
si la cantidad de unos en la entrada, hasta ese momento, es impar o par,
es decir, y[n] = y[n 1] x[n], con la operacion o exclusivo logico
(0 0 = 0, 0 1 = 1, 1 0 = 1, 1 1 = 0).
Demuestre si el sistema digital es o no lineal.
32. Repita el problema anterior, pero para la definicion de linealidad en vez de
sustituir la adicion por o logico se sustituye por o exclusivo logico.
33. Se tiene un sistema de entrada x(t), cuya salida esta dada por y(t) =
E{x(t)g(t)}, donde g(t) = au(t/b), con a una variable aleatoria distribuida
normal de media m y varianza 2 y b una variable aleatoria, independiente
de a, distribuida uniformemente en el intervalo (1, 2).
Demuestre que el sistema es lineal.
2.4 Ejercicios 53
34. Encuentre la respuesta al impulso para el sistema del problema anterior.
35. Se tiene un sistema mecanico formado por un resorte y una masa (todo
ideal y sin roce) como se observa en la figura.
k
m f(t)
Se define x = 0 para la posicion en reposo con la fuerza externa f (t) = 0.

Sean f (t) y x(t) la entrada y la salida del sistema, respectivamente.
a) Demuestre que para que el sistema sea lineal x(t) = x0 (t) = 0 para t
menor que algun t0 .
b) Si x(t) = x0 (t) = 0 para t 0, encuentre h(t), la respuesta al impulso
del sistema.
36. Se tiene dos sistemas lineales e invariantes en cascada como se indican en

la figura.
f(t) g(t)
*h1 *h2
Si h1 (t) = (t) + sinc t, encuentre h2 (t) de manera que g(t) = f (t) para
cualquier f (t).
37. Sea
x 2 x
f (x) = u( )+ (x) (2x) + ( ) (2x)
4 3 3
a) Grafique f (x), indicando todos los puntos relevantes del grafico.
b) Encuentre F (u), la transformada de Fourier de f (x).
38. Si el odo humano no puede escuchar frecuencias menores a 100 Hz, es

posible almacenar otra informacion en esas frecuencias sin distorsionar el
audio percibido. Disene el sistema de la figura para que permita grabar
audio de voz en esas frecuencias.
m(t)
I m(t)
+
v(t)
II III v(t)
grabacion
o transmision
La senal m(t) es musica y v(t) es voz de la cual solo interesa grabar frecuen-
cias menores a 4 kHz (calidad telefonica). La senal m0 (t) debe ser identica a
m(t) con la excepcion de las frecuencias menores a 100 Hz (imperceptibles).
La senal v 0 (t) debe ser identica a v(t) para frecuencias menores a 4 kHz y
nula para frecuencias mayores a 4 kHz. Su diseno consiste en describir los
sistemas I, II y III. Los que sean lineales e invariantes los debe describir
empleando la respuesta al impulso o la funcion de transferencia. Los que no
lo sean con alguna formulacion matematica.
39. Se tiene un sistema lineal e invariante en el que:
si la entrada es f1 (x) = u(x) entonces la transformada de Fourier de

la salida es G1 (u) (G1 es conocida).
si la entrada es f2 (x) = u( 3x
2 ) entonces la transformada de Fourier de
la salida es G2 (u) (G2 es conocida).
Cual es la salida g3 (x) a la entrada f3 (x) = cos 2x + cos 3x?
40. Se tiene un sistema lineal cuya salida a la entrada (x a) es |a|(x a)

para cualquier a constante. Encuentre y grafique la salida de este sistema
para la entrada u(x).
41. Se tiene un sistema lineal cuya salida a la entrada (x a) es u( xa

a ) para
cualquier a constante. Encuentre y grafique la salida de este sistema para
la entrada u(x).
42. Suponga que un sistema para fotografiar el firmamento tiene una funcion de
transferencia H(u) = sinc 2 (8u). Esta funcion incluye todas las distorsiones
introducidas por la atmosfera, el sistema optico y el sistema fotografico.
Cual es la mnima separacion (en coordenadas de la fotografa) a la que
pueden estar dos estrellas de manera que se pueda reconocer la presencia
de ambas en la fotografa?
2.4 Ejercicios 55
43. Se tiene un sistema lineal e invariante cuya respuesta al impulso es h(t) =

(t) sen t. Cual debe ser la entrada para que la salida sea g(x) = u(x
1/2) sen t?
44. Se tiene un sistema cuya salida a la entrada f (t) es g(t) = max{f (t), f (t
T )}.
a) Encuentre la respuesta del sistema h(t, ) a un impulso ubicado en

t = .
b) Es el sistema lineal? Si lo es, exprese la salida como una integral de
superposicion.
c) Es el sistema invariante en t? Si lo es, indique cual es la respuesta al
impulso.
45. Se tiene el siguiente sistema, que produce un retardo,
S{x(t)} = x(t T )
a) Determine si el sistema es lineal para T = t.

b) Determine si el sistema es invariante en el tiempo para T = t.
46. Calcule
cos x
Z
(x) dx
sinc x
47. Encuentre (x) (x).

2
48. Sea F (u) la transformada de Fourier de f (x) = ex ln(x + 1), cuanto
vale Z
F (u) du?

49. Si la salida de un sistema es g(x), cuando la entrada es f (x). que

R xcondicion
o condiciones debe cumplir el sistema para que la salida sea sea g() d
Rx
cuando la entrada es f () d?
50. Se tiene un sistema descrito por y 0 (t) = 2y(t) x(t). La entrada es x(t)
y la salida y(t), con y(0) = y0 . Sea f (t) la salida del sistema si x(t) = 0 y
g(t) la salida del sistema para t >> 0.
a) Encuentre f (t).
b) Encuentre la ecuacion diferencial que desgribe a g(t).
51. Grafique las senales 2[1sgn(1/2)](1/2) y u(/3)u(), en funcion

de en el mismo grafico. Cuanto vale la convolucion de {2[1 sgn(x)]
(x)} {u(x/3) u(x)} evaluada en x = 1/2?
52. Encuentre la siguiente integral (la convolucion es una convolucion de dos

dimensiones):
ZZ
u(x){sgn(x)(y) (x) u (y)} dxdy

53. El sistema H consiste de un balde que se deja a la interperie en una zona

lluviosa. La entrada del sistema es la cantidad de agua cada instantanea,
medida en mm/s. La salida es la altura del agua en el balde, medida en
mm. Indique las caractersticas que debe tener el balde para que el sistema
sea lineal.
54. Se tiene un sistema de control que regula el nivel en un estanque. La entrada

al sistema es la altura de agua y la salida el flujo de agua de entrada al
estanque. El sistema es un flotador que da o corta una valvula, igual a los
sistemas de un WC. Indique y justifique si el sistema es a) causal y b) lineal.
55. Se tiene un sistema variante en x cuya respuesta a un impulso ubicado en la

posicion a es a sinc (x/a). Encuentre la salida de este sistema a la entrada
f (x) = (x), evaluada en x = 1, 0 y 1, es decir, g(1), g(0) y g(1).
CAPITULO 3
TRANSFORMADA DE FOURIER
En este captulo se presenta la transformada de Fourier. La transformada

de Fourier permite representar en las bases de Fourier (frecuencia) una senal
que originalmente esta representada en las bases del espacio o tiempo. Antes de
presentar la transformada de Fourier general, se estudiara el caso particular de las
senales periodicas y las series de Fourier. Dependiendo de las caractersticas de
las senales (periodicas o aperiodicas) y de las caractersticas de espacio donde se
analizan (tiempo y frecuencia discretos o continuos), se definen distintas formas
para la transformada de Fourier (FT, DTFT, DFFT, DFT). En el apendice A se
sigue el mismo raciocinio de Joseph Fourier por el cual encontro la transformada
de Fourier.
3.1. Series de Fourier

3.1.1. Forma trigonometrica
Una funcion periodica f (x) se puede expresar como una combinacion lineal
de funciones senos y cosenos. Es decir, una senal periodica de periodo X0 siempre
puede representarse como una serie trigonometrica de la forma

X
f (x) = a0 + (ak cos k0 x + bk sen k0 x), (3.1)
k=1
que se conoce como forma trigonometrica, donde 0 es la frecuencia fundamental

0 = 2/X0 , y los coeficientes a0 , ak y bk constituyen un conjunto de numeros
57
58 Transformada de Fourier
asociados unvocamente con la funcion f (x).

Cada termino de la suma, fk (x) = ak cos k0 x + bk sen k0 x, corresponde a
una armonica de la funcion. As, k0 es el multiplo k-esimo de la frecuencia funda-
mental 0 . Si los coeficientes, ak y bk , asociados a la frecuencia k0 son conocidos,
se tiene toda la informacion acerca de la funcion f (x). Es decir, la funcion puede
ser sintetizada a partir de los coeficientes ak y bk . De forma inversa, es posible
determinar los coeficientes de la funcion f (x), ya que ak y bk representan las am-
plitudes de las ondas seno y coseno asociadas. Estos son obtenidos empleando las
propiedades de ortogonalidad (sec. 3.1.4) de las funciones sinusoidales. La funcion
f (x) es multiplicada por una onda sinusoidal de frecuencia m0 y amplitud uno,
y luego se integra en el intervalo de duracion X0 , con lo que se tiene:
Z Z
f (x) cos m0 x dx = a0 cos m0 x dx
X0 X0
Z
X
+ ak cos k0 x cos m0 x dx
X0 k=1
Z X
+ bk sen k0 x cos m0 x dx.
X0 k=1
Usando las relaciones de ortogonalidad e integrales de la seccion 3.1.4, y con

m = 0, se tiene que
Z X0
1
a0 = f (x) dx.
X0 0
Para m = k 6= 0 resulta
X0
2
Z
ak = f (x) cos k0 x dx,
X0 0
ya que m toma los valores 1, 2, . . . y las integrales en las sumas se hacen cero,
excepto para aquella en que m = k.
Para encontrar bk , se multiplica la expansion en serie de (3.1) por sen m0 x
y se integra en un periodo X0 , con lo que se obtiene analogamente
X0
2
Z
bk = f (x) sen k0 x dx.
X0 0
Estas son las ecuaciones de analisis que permiten obtener los coeficientes a0 ,
ak y bk , dado f (x). Aunque aqu no se ha probado la validez de la expansion de
Fourier, la forma de obtener los coeficientes es valida si esta expansion tambien
3.1 Series de Fourier 59
f(x)
X/2 X/4 X/4 X/2 x
Figura 3.1: Funcion periodica rectangular
lo es. Para cualquier funcion periodica f (x) de interes practico esta expansion es
usable.
El coeficiente a0 es conocido como valor promedio o componente continua de
la senal f (x); comunmente a0 se puede determinar por simple inspeccion de un
grafico de f (x).
Aprovechando ciertas propiedades de simetra de las funciones se pueden
obtener versiones simplificadas de las integrales.
Si f (x) es par, o sea,
f (x) = f (x),
se puede simplificar las expresiones para ak y bk usando como intervalo de inte-
gracion (X0 /2, X0 /2), y gracias a que f (x) es simetrica en torno a x = 0. Se
prueba facilmente que
Z X0 /2
4
bk 0, ak f (x) cos k0 x dx
X0 0
X0
2
Z
2
a0 = f (x) dx
X0 0
Si f (x) es impar, es decir,
f (x) = f (x)
Entonces, en forma similar, se tiene

Z X0 /2
4
ak 0, bk f (x) sen k0 x dx
X0 0
Ejemplo 3.1.1 Consideremos la senal periodica f (x) dada por la figura 3.1. Por
inspeccion del grafico, podemos decir que f (x) tiene un valor promedio de A/2;
la senal vale A la mitad del tiempo, y la otra mitad vale cero. Luego
A
a0 =
2
La funcion es par, bk = 0 para todos los valores de k. Para obtener ak se tiene
2 X/4
Z k0 X/4
2
Z
ak = A cos k0 xdx = A cos x dx.
X X/4 Xk0 k0 X/4
Pero como
0 X = 2,
se tiene
+k/2
1 2A k
Z
ak = A cos x dx = sen = A sinc k/2.
k k/2 k 2
Finalmente, la expansion de f (x) es

A X
f (x) = + ak cos k0 x,
2
k=1
con
sen k/2
ak = A
k/2
= A sinc k/2.
3.1.2. Forma de laboratorio

Usando la identidad trigonometrica
r cos(A + ) = p cos A + q sen A,
donde p
r= p2 + q 2 , tan = q/p,
sobre cada par seno-coseno de la expansion, resulta

X
f (x) = A0 + Ak cos(k0 x + k ).
k=1
Esta expresion se conoce a veces como forma de laboratorio, donde

q
A0 = a0 , Ak = a2k + b2k , tan k = bk /ak .
A0 es la componente continua de f (x). Las frecuencias de los cosenos dentro de la

suma estan armonicamente relacionadas por el entero k. El termino con k = 1 se
3.1 Series de Fourier 61
dice que es la primera armonica en la serie y se conoce tambien como componente

fundamental.
Si f (x) es par, k = 0 y la expansion se reduce a una suma de cosenos. Si
f (x) es impar, k = 90o y resulta una suma de senos.
Esta forma es mas directa en cuanto a su significado fsico. La amplitud y fre-
cuencia ko que se requiere para sintetizar una forma de onda es ahora evidente;
cada termino es de la misma forma de la que se observara en un osciloscopio si
se midieran varias armonicas por separado.
3.1.3. Forma compleja

Las dos formas anteriores requieren de la especificacion de dos parametros
independientes por cada componente de frecuencia. Una armonica de ndice k se
determina por los coeficientes ak y bk , en la forma trigonometrica
fk (x) = ak cos k0 x + bk sen k0 x,
y en la forma de laboratorio se determina por la amplitud Ak y por la fase k
fk (x) = Ak cos(k0 x + k )
Una forma mas compacta se logra con notacion compleja y el uso de expo-
nenciales complejas. Expresando los senos y cosenos con las formulas de Euler:
1 ix
cos x = (e + eix ),
2
1 ix
sin x = (e eix ),
i2
se tiene que la armonica de ndice k es
ak ik0 x bk
fk (x) = (e + eik0 x ) + (eik0 x eik0 x )
2 i2
1 1
= (ak ibk )eik0 x + (ak + ibk )eik0 x .
2 2
Se definen los coeficientes asociados a las exponenciales, como
Ck = 12 (ak ibk ) Ck = 12 (ak + ibk ) k > 0,
con C0 = a0 . Y puesto que C0 puede escribirse como C0 ei0 , se tiene que la

ecuacion de sntesis de la forma exponencial compleja de la serie de Fourier es

X
f (x) = Ck eik0 x .
k=
Notese que la relacion Ck = Ck asegura que para cada exponencial positiva

de la forma Ck e+ik0 x habra una exponencial negativa que al combinarse forman
una sinusoidal real.
Las integrales empleadas para determinar los coeficientes de la serie 3.1 en su
forma trigonometrica, ak y bk , tienen su equivalente en la ecuacion de analisis de
la forma compleja, dado por
1
Z
Ck = f (x)eik0 x dx. (3.2)
X0 X0
Resena historica Joseph Fourier
Jean Baptiste Joseph Fourier nacio en Aux-

erre, Bourgogne, Francia el 21 de Marzo de 1768
y murio en Paris, Francia el 16 de mayo de 1830.
Fourier, un excelente fsico matematico, era amigo
de Napoleon (por lo menos conocido) y lo acom-
pano a Egipto en 1798. A su regreso fue prefecto
del distrito de Isere en el sudeste frances. Como tal
construyo el primer camino de Grenoble a Turn.
Tambien fue amigo del joven Champollion, que mas
tarde descifro la piedra Rosetta en el primer paso
para entender los jeroglficos de Egipto.
Al igual que otros cientficos de su epoca, Fouri-
Joseph Fourier er se dedico a estudiar el problema de la transmision
del calor. Fourier envio un trabajo para ser publi-
cado sobre conduccion de calor a la Academia de Ciencias de Pars en 1807. El
trabajo fue juzgado por Lagrange, Laplace y Legendre, quienes lo rechazaron. Pero
a la Academia le interesaba que Fourier continuara desarrollando sus ideas, y para
eso establecio un premio a entregar en 1812. Fourier envio una nueva version de su
trabajo en 1811 que fue juzgado por los mismos tres cientficos. Gano el premio,
pero fue criticado por su falta de rigurosidad y no fue publicado en ese momento
en las Memoires de la Academia. Fourier quedo resentido por el trato que tuvo,
pero siguio trabajando en el tema de calor y, en 1822, publico uno de los clasicos
matematicos, Theorie analytique de la chaleur. Incorporaba la primera parte de su
trabajo de 1811, practicamente sin ningun cambio. Este libro es la principal fuente
que se tiene de las ideas de Fourier. Dos anos despues fue nombrado secretario de
la Academia con lo que pudo publicar finalmente el trabajo de 1811, en su forma
original, en las Memoires.
3.2 Transformada de Fourier 63
Fourier, en su trabajo relativo a la conduccion del calor, establecio que cualquier

distribucion inicial de temperaturas en un cuerpo puede escribirse como
Z Z
1
F (x) = eiqx F ()eiq d dq
2
donde se establece por primera vez la expresion de una funcion cualquiera como suma
de exponenciales sinusoidales.
Fue Cauchy en su trabajo Theorie de la propagation des ondes de 1816 el primero
en establecer explcitamente la transformada de Fourier.
3.1.4. Relaciones de ortogonalidad e integrales

A continuacion se presentan algunas relaciones de ortogonalidad e integrales
de las funciones trigonometricas que son de utilidad (ver seccion 8.3.1).
Z
sen k0 x dx = 0, k = 0, 1, 2, . . . (3.3)
X0
Z
0, k = 1, 2, . . .
cos k0 x dx = (3.4)
X0 X 0 , k =0
Z
m = 0, 1, 2, . . .
sen m0 x cos k0 x dx = 0, (3.5)
X0 k = 0, 1, 2, . . .
Z
0, m 6= k
sen m0 x sen k0 x dx = (3.6)
X0 X0 /2, m = k
Z
0, m 6= k
cos m0 x cos k0 x dx = (3.7)
X0 X0 /2, m = k
3.2. Transformada de Fourier

En la seccion anterior vimos como una funcion cualquiera periodica puede
expresarse como una suma de funciones seno y coseno. El descubrimiento de
las series de Fourier represento, sin duda, un gran avance en las matematicas.
Los coeficientes de Fourier expresan directamente el contenido de frecuencia de
la funcion, es decir, expresan cuales son las armonicas que nos entregaran una
mejor aproximacion de la funcion original. Pero no queremos limitarnos exclu-
sivamente a funciones periodicas. El analisis de Fourier tambien se puede hacer
para funciones no periodicas. Una manera de hacerlo, es suponer que el periodo
T0Fk
f(t)
1
kw0
1 T0 t
T1Fk
f(t)
1
kw1
1 T1 t
F(u)
f(t)
1
u
1 t
Figura 3.2: La transformada de Fourier como el lmite de la serie de Fourier

cio
Aperidica Peridica
pa
Es
Aperidica
Continua
FT DFFT
DTFT DFT
Discreta
Peridica
ia
nc
Continua Discreta
ue
ec
Fr
Figura 3.3: Transformada de Fourier
es infinito. La figura 3.2 muestra una secuencia en la que se aumenta el periodo

de una senal periodica. Como se vio en el ejemplo de la seccion anterior, los coefi-
cientes de la serie de Fourier para una funcion rectangular se obtienen al evaluar
en las frecuencias armonicas la funcion sinc. En otras palabras, la funcion sinc
es la envolvente de los coeficientes de Fourier, como se aprecia en la figura. Al
aumentar el periodo, la frecuencia fundamental 1/T se hace menor, por lo que
los coeficientes son muestras del sinc a intervalos menores. En el lmite, las mues-
tras estan una al lado de la otra, es decir, se tiene una funcion continua de la
frecuencia.
La figura 3.3 representa una clasificacion de las senales considerando su peri-
odicidad y continuidad, tanto en el espacio como en la frecuencia ([16]). La figura
nos indica, por ejemplo, que las senales continuas y aperiodicas en el espacio cor-
responden a senales continuas y aperiodicas en la frecuencia. La transformada de
Fourier es, justamente, aplicable a este tipo de senales.
Formalmente la transformada de Fourier se define como
Z
F (u) = f (x)ei2ux dx,

donde u es la variable de frecuencia, analoga a k0 de la ecuacion (3.2) en la

pagina 62. La frecuencia u tiene unidades que son el recproco de las unidades
de x, es decir, si x esta medido en segundos, entonces u tiene unidades de Hertz
(1/s). Los coeficientes de Fourier Ck , en el analisis continuo pasan a ser los valores
F (u) de la transformada de Fourier.
Re W(x) Re W(x) Re W(x)
Im W(x) Im W(x) Im W(x)
x x x
Re W(x)
Re W(x)
Im W(x) Im W(x)
x x
Figura 3.4: Bases de la transformada de Fourier, frecuencias negativas, frecuencia

cero y frecuencias positivas
Empleando la identidad de Euler, ei = cos + i sen , la transformada de

Fourier se puede expresar como
Z Z
F (u) = f (x) cos(2ux) dx i f (x) sen(2ux) dx,

que a su vez es
F (u) = FC (u) iFS (u).
donde FC (u) es la transformada coseno de la parte par de f (x) y FS (u) es la
transformada seno de la parte impar de f (x), ambas transformadas definidas en
la seccion 8.1.1.
Dado que las funciones W (x) = ei2ux constituyen una base ortonormal
de funciones (fig. 3.4), existe una transformada inversa, es decir, una formula
que a partir de la transformada de Fourier permite encontrar la funcion original
(ecuacion de sntesis). La transformada inversa de Fourier es
Z
f (x) = F (u)ei2ux du.

Es decir, se debe cumplir la relacion F 1 Ff (x) = f (x), o

Z Z
i2u
f ()e d ei2ux du = f (x),

3.3 Ejemplos de la transformada de Fourier 67
lo que ocurre cuando f (x) cumple con las condiciones de Dirichlet1 , las condi-
ciones de existencia de la transformada de Fourier. No es la intencion de este libro
abordar el tema de las condiciones matematicas que debe cumplir f (x) para que
exista transformada de Fourier, solo se dira que para senales fsicas (senales que
se pueden medir en la naturaleza), siempre se cumpliran.
3.3. Ejemplos de la transformada de Fourier

En las figuras 3.5 a la 3.15 se presentan algunos pares corrientes de trans-
formadas de Fourier. Tambien es interesante calcular analticamente o intuitiva-
mente algunas de ellas.
3.3.1. Transformada del impulso

Para encontrar la transformada de Fourier del impulso es conveniente emplear
la propiedad del cedazo. Esta es
Z
(x)f (x) dx = f (0).

Sustituyendo f (x) por el nucleo de Fourier ei2ux se tiene

Z
F{(x)} = (x)ei2ux dx = ei2u0 = 1(u),

es decir, la transformada de Fourier del impulso es una funcion constante que vale
1, independientemente de la frecuencia. En otras palabras, si se suman senos y
cosenos de todas las frecuencias posibles (infinitas) se obtiene la funcion impulso.
Intuitivamente, esto no es tan raro. Pensemos en los cosenos. En una posicion x 6=
0 los cosenos van a tomar todos los posibles valores entre -1 y 1, dependiendo de
la frecuencia del coseno. Como las frecuencias estan uniformemente distribuidas
la suma de estos valores se cancela y se obtiene cero. El unico lugar de x para
el cual no se produce cancelacion es para x = 0, ya que el coseno siempre vale
1, independientemente de la frecuencia. La suma, por lo tanto, es infinito en el
origen (fig. 3.16). Para verificar que la funcion obtenida es el impulso, solo falta
mostrar que la integral bajo la curva vale 1.
1
R

|f (x)|dx < , f (x) tiene un numero finito de maximos y mnimos, y un numero finito
de discontinuidades en cualquier intervalo finito.
gauss(x) gauss(u)
x u
Figura 3.5: Gauss(x) Gauss(u)
rect(x) sinc(u)
x u
Figura 3.6: u(x) sinc (u)
sinc(x) rect(u)
x u
Figura 3.7: sinc (x) u(u)
sinc^2(x) triangulo(u)
x u
Figura 3.8: sinc 2 (x) (u)
1(x) delta(u)
x u
Figura 3.9: 1(x) (u)

3.3 Ejemplos de la transformada de Fourier 69
cos(x)
horquilla(u)
x
u
Figura 3.10: cos x (u)
3.3.2. Transformada de un coseno

Encontremos la transformada de Fourier de la funcion coseno, cosx. Sabemos
que la transformada solo puede tener un valor distinto a cero para la frecuencia
del coseno. Esta es una funcion muy especial porque solo tiene una armonica, la
principal, cuya frecuencia es 1/2 (periodo 2). Aplicando la definicion, la transfor-
mada de Fourier es
Z
F (u) = cos(x)ei2ux dx
Z
Z
= cos(x) cos(2ux) dx i cos(x) sen(2ux) dx

La segunda integral es cero, porque el producto de una funcion par con otra
impar es impar, por lo que la integral desde a + es cero. La primera
integral es distinta de cero solo para valores de u igual 1/2, donde la integral
toma un valor infinito. Esta funcion corresponde a dos impulsos de magnitud 1/2
ubicados justamente en las frecuencias correspondientes a la armonica. Es decir,
1 1 1 1
cos x (u) = (u ) + (u + )
2 2 2 2
3.3.3. Transformada del rect

Una transformada que juega un papel importante en el analisis de senales es
la transformada de la funcion rect. Esta transformada se puede calcular analtica-
mente como
Z Z 1
2
u(x)ei2ux dx = ei2ux dx
21
Z 1
2
= cos 2ux dx
21
sen u
=
u
= sinc u
sen(x) i*antihorquilla(u)
x u
Figura 3.11: sen x i (u)
shah(x) shah(u)
x u
Figura 3.12: Shah(x) Shah(u)
exp((abs(x))
x u
2
Figura 3.13: e|x| 1+(2u)2
escalon(x)
Figura 3.14: Escalon(x) 21 (u) i

2u
sgn(x)
i
Figura 3.15: sgn(x) u
3.4 Simetras de la transformada de Fourier 71
Figura 3.16: Representacion de un impulso como suma de cosenos
es decir
u(x) sinc u.
3.4. Simetras de la transformada de Fourier

En esta seccion se analizara como es el comportamiento tanto en el espacio
como en la frecuencia de senales que presentan algun tipo de simetra. En la
seccion 1.9 se vio que una funcion asimetrica puede ser descompuesta en una
suma de su parte par e impar, es decir, si f (x) es asimetrica, se puede reescribir
como f (x) = e(x) + o(x), donde e(x) es una funcion par y o(x) es una funcion
impar 2 .
1 1
e(x) = (f (x) + f (x)) y o(x) = (f (x) f (x))
2 2
Utilizando tanto esta descomposicion como las igualdades de Euler, se puede
encontrar una nueva expresion para la transformada de Fourier de una funcion
f (x) = e(x) + o(x),
Z
F{f (x)} = f (x)ei2ux dx
Z
Z
= f (x) cos(2ux) dx i f (x) sen(2ux) dx
Z
Z

= e(x) cos(2ux) dx i e(x) sen(2ux) dx

Z Z
+ o(x) cos(2ux) dx i o(x) sen(2ux) dx

Notando que e(x) sen(2ux) y o(x) cos(2ux) son funciones impares en termi-
2
Usaremos e(x) y o(x), del ingles even y odd en vez de P (x) e I(x) para reservar las
mayusculas
para las transformadas. Tampoco podemos usar i(x) porque i lo reservamos para 1.
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.17: real par real par
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.18: real impar imaginaria impar
nos de x, su integral en todo el dominio es cero. De manera que

Z Z
F{f (x)} = e(x) cos(2ux) dx i o(x) sen(2ux) dx.

Finalmente
F{f (x)} = F C {e(x)} iF S {o(x)} = Ec (u) iOs (u),
donde Ec (u) es la transformada coseno de e(x) y Os (u) es la transformada seno

de o(x) (ver 8.1.1).
Es facil analizar que sucede en el dominio de la frecuencia con las transfor-
madas de Fourier de funciones que tienen algun tipo de simetra en el espacio (fig.
3.17 a 3.25), ya que la transformada coseno de cualquier funcion es par (respecto
de u) y la transformada seno de cualquier funcion es impar (sec. 3.2). De esta
forma se sabe que Ec (u) es par y Os (u) es impar.
A continuacion se muestra como se deducen algunas de estas relaciones.
Si f (x) = e(x) es real par, se tiene:
F{f (x)} = F C {e(x)} = Ec (u)
luego, la transformada de Fourier de f (x) es real y par.

3.4 Simetras de la transformada de Fourier 73
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.19: imaginaria par imaginaria par
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.20: imaginaria impar real impar
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.21: compleja par compleja par
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.22: compleja impar compleja impar

Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.23: real hermitiana
Re(f(x)) Re(F(u))
Im(f(x)) Im(F(u))
x u
Figura 3.24: imaginaria antihermitiana
Re(f(x)) Re(F(u))
Im(f(x)) Im (F(u))
x u
Figura 3.25: hermitiana real

3.5 Propiedades de la transformada de Fourier 75
Si f (x) = io(x) (imaginaria impar), se tiene:
F{f (x)} = iF S {io(x)} = i2 Os (u) = Os (u)
luego, la transformada de Fourier de f (x) es real e impar.
Si f (x) = g(x) + ih(x), con g(x) y h(x) pares (f (x) compleja par), se tiene:
F{f (x)} = F C {g(x)}+F C {ih(x)} = F C {g(x)}+iF C {h(x)} = Gc (u)+iHc (u)
luego, la transformada de Fourier de f (x) es compleja y par.
Si f (x) = e(x) + io(x) (hermitiana), se tiene:
F{f (x)} = F C {e(x)}iF S {io(x)} = F C {e(x)}i2 F S {o(x)} = Ec (u)+Os (u)
luego, la transformada de Fourier de f (x) es real.
3.5. Propiedades de la transformada de Fourier

En muchas oportunidades el calculo directo de la transformada de Fourier
puede involucrar bastante trabajo, sin embargo, muchas transformadas complejas
pueden obtenerse a partir de unas pocas transformadas conocidas y la aplicacion
de las propiedades de la transformada de Fourier. A continuacion se listan algunas
de estas propiedades.
Si f (x) F (u) y g(x) G(u) se tiene:
1. Dualidad
F (x) f (u)
2. Linealidad
Si a y b son constantes (reales o complejas) se tiene:
af (x) + bg(x) aF (u) + bG(u)
3. Similitud o Escalamiento (fig. 3.26)

Si a es una constante real, se tiene:
1 u
f (ax) F( )
|a| a
rect
t u
rect(at)
u
t
Figura 3.26: Escalamiento
Re f(t)
Im f(t)
rect
Re f(t)
Im f(t)
rect(ta)
Figura 3.27: Desplazamiento

3.5 Propiedades de la transformada de Fourier 77
g(t) G(u)
t u
x
*
t
u
gm[n]
=
G(u)
=
t
u
Figura 3.28: Modulacion
4. Desplazamiento (fig. 3.27)

Si a es una constante real, se tiene:
f (x a) ei2au F (u)
5. Convolucion
f (x) g(x) F (u)G(u)
6. Producto
f (x)g(x) F (u) G(u)
7. Modulacion. Caso particular de la propiedad del producto (fig. 3.28)
1 w 1 w
f (x)cos(wx) F (u ) + F (u + ) = F (u) ( u)
2 2 2 2 w w
8. Teorema de la Potencia
Z Z
f (x)g (x) dx = F (u)G (u) du

donde g (x) es el complejo conjugado de g(x)

9. Teorema de Rayleigh3 o Energa (caso especial del Teorema de la Potencia)

Z Z
2
|f (x)| dx = |F (u)|2 du

10. Autocorrelacion Z
f ()f (x + ) d |F (u)|2

11. Derivada
f 0 (x) i2uF (u)
3.6. Funcion de transferencia

En la seccion 2.3 se vio como todo sistema lineal e invariante puede ser repre-
sentado por una senal de entrada p(x), una senal de salida q(x) y la respuesta al
impulso del sistema h(x). Donde q(x) es igual a la convolucion entre p(x) y h(x).
La propiedad de la convolucion nos permite traspasar este resultado al dominio
de la frecuencia.
Si se toma la transformada de Fourier a p(x) y h(x) se obtiene P (u) y H(u).
La propiedad de la convolucion establece que la transformada de Fourier de la
convolucion de dos funciones, es el producto de las transformadas de Fourier de
cada funcion. Es decir,
F{q(x)} = Q(u) = P (u)H(u)
De esta forma, se puede modelar cualquier sistema lineal e invariante en el

dominio de la frecuencia en terminos de P (u), Q(u) y H(u). Donde H(u) recibe
el nombre de funcion de transferencia del sistema y corresponde a la transformada
de Fourier de la respuesta al impulso y puede ser evaluada como el cuociente
Q(u)
H(u) =
P (u)
para valores de u en que P (u) 6= 0.
3
Equivalente al teorema de Parseval para series de Fourier
3.7 Ejercicios 79
3.7. Ejercicios
1. Encuentre y grafique los coeficientes de Fourier para las siguientes funciones:
a) T (2x/T ) (x/T )
b) T (2x/T ) (x/T 1/2)
c) T x u (x/T ) (x/T )
d) T x u (x/T ) (x/T 1/2)
e) T x u (x/T ) (x/T )
f ) T | cos x/T | u (x/T ) (x/T )
2. Muestre que las series de Fourier representan un operador lineal.

Encuentre todos los coeficientes ak y bk de la expansion en series de Fourier
de
f (x) = 1 + eix
3. Encuentre la transformada de Fourier de la transformada de Fourier de

f (x).
4. Que es una base ortogonal de funciones? (por ejemplo: {ei2xu })
5. En un sistema de Amplitud Modulada (AM), la senal f (t) es modulada a
fAM (t) = f (t) cos 2uc t,
donde uc es la frecuencia portadora (Por que estoy usando el subndice

c?). Si f (t) no tiene frecuencias mayores que 8 KHz, cual es la separacion
mnima entre las frecuencias portadoras de dos estaciones AM?
6. Muestre que la transformada de Fourier es un operador lineal.
7. Encuentre y grafique (magnitud, fase, parte real y parte imaginaria) la

transformada de Fourier para las siguientes funciones:
a) f (x) = cos 0 x
b) f (x) = 1
c) f (x) = (x)
d) f (x) = (x) sen 0 x
e) f (x) = (x) cos 0 x
f ) f (x) = (x)ex sen 0 x
g) f (x) = (x)ex cos 0 x

h) f (x) = ei0 t
i) f (x) = e|2x|
j ) f (x) = (x)ex sen 2x
k ) f (x) = (x)e5x cos 2x
l) f (x) = e|5x| cos 2x
8. Encuentre la transformada de Fourier de

1
f (x) =
x
9. Si f (x) es real con transformada de Fourier F (u), determine si |F (u)|2 es

par o impar.
10. Demuestre que J0 (x) no tiene componentes de frecuencia mayores que 1/2,
donde J0 es la funcion de Bessel de primer tipo de orden cero.
11. Investigue la relacion de frecuencia de todas las notas de la escala musical.

En terminos de frecuencia, que son las teclas de ebonita del piano?
12. Investigue cual es la respuesta de frecuencia de un odo humano normal.

Como es el odo de un perro?
13. Encuentre la transformada de Fourier de las siguientes funciones (A positi-

vo):
sen x
a) x
sen Ax 2

b) Ax
2
c) ex
d) (Ax)
e) eix
f ) (x 1)
g) u(x)sgnx
14. A la senal f (x) = (x)cos0 x se le aplica un filtro pasabajos ideal de

frecuencia de corte c . Encuentre la senal filtrada para 0 > c y 0 < c .
3.7 Ejercicios 81
15. Repita el problema anterior para

x /0
f (x) = u
2/0
16. Calcule la transformada de Fourier de

0 |x| > 2
f (x) = 2 |x| 1 < |x| < 2
1 |x| < 1

2
17. Encuentre la transformada de Fourier de xex .
18. Suponga que se quiere aproximar Shah agregando impulsos sucesivamente

a cada lado, comenzando en el origen, es decir,
n
X
n (x) = (x k).
k=n
Note que n (x) (x) cuando n . Sea Fn (u) la transformada de

Fourier de n (x). Para verificar si Fn (u) (u) cuando n vamos
a ver que sucede para un valor particular de u a medida que n crece. Para
eso grafique el valor de Fn (u), en funcion de n evaluado en
(a) u = 1/2
(b) u = 1/4
Opcional: Encuentre el grafico para Fn (u) evaluado en u = 1/100.
19. Una senal de audio (limitada a 10 KHz) se graba en una cinta. La salida del
tocacinta es alimentada a un modulador (multiplicador por coseno) de una
frecuencia portadora de 1 MHz. Antes de transmitir, la senal es amplificada
por un amplificador pasabanda. Calcule el ancho de banda del amplificador
necesario si
a) La cinta es tocada a velocidad normal

b) La cinta es tocada a media velocidad
c) La cinta es tocada a doble velocidad
NOTA. Considere como frecuencia de corte el primer cruce por cero.

20. Encuentre la funcion periodica cuyos coeficientes de Fourier son

sen2 kT
Ck =
(kT )2
21. Veamos como funciona el siguiente sistema para hacer Karaoke. La idea es
que no se escuche la voz, manteniendo lo mas posible de los instrumentos.
Supongamos que para un momento en particular, se puede modelar el sonido
de los instrumentos como finst (t) = 4 sinc 2t + 20 sinc 20t y la voz como
fvoz (t) = 4 sinc 2 t cos(10t). La senal, que es la suma de los instrumentos
mas la voz, se pasa por un filtro cuya respuesta al impulso es h(t) = (t)
4 sinc (2t) cos(10t). Calcule la proporcion de energa proveniente de los
instrumentos que se pierde en el filtro. La energa de una senal se define
como f 2 (t)dt.
R

22. Sea F (u) = ea u (1 u) la transformada de Fourier de f (x). Calcule f (x)
(x) evaluada en y +. Es decir, calcule
lm f (x) (x)
x
y
lm f (x) (x)
x
23. Encuentre la transformada de Fourier de
a)
1 x
lm u ( ) {(x + a/2) (x a/2)}
a0 a2 a
b)
1 x
lm 3
u ( ) {(x + 2a) 2(x) + (x 2a)}
a0 8a 2a
24. Sea f (x) una funcion real. Demuestre que
F{f (x) f (x)} 0 para todo u.
25. Encuentre y grafique la transformada de Fourier de la siguiente funcion
f (x) = u(x) (x)+(x)+{ (x)(x)}(x+1)+{ (x)(x)}(x1)
26. Encuentre todos los coeficientes ak y bk de la expansion en series de Fourier

de
f (x) = 1 + eix
3.7 Ejercicios 83
27. Suponga que se quiere aproximar Shah agregando impulsos sucesivamente

a cada lado, comenzando en el origen, es decir,
n
X
n (x) = (x k).
k=n
Note que n (x) (x) cuando n . Sea Fn (u) la transformada de

Fourier de n (x). Para verificar si Fn (u) (u) cuando n vamos
a ver que sucede para un valor particular de u a medida que n crece. Para
eso grafique el valor de Fn (u), en funcion de n evaluado en
(a) u = 1/2
(b) u = 1/4
Opcional: Encuentre el grafico para Fn (u) evaluado en u = 1/100.
28. Se define la potencia promedio P de una senal continua periodica, x(t),

como
1
Z
P {x(t)} = |x(t)|2 dt
T T
donde la integral se realizo en el intervalo de un periodo T . Encuentre
P {x(t)} en funcion de los coeficientes de la serie de Fourier, Ck .
29. Se define una nueva transformada continua que emplea la siguiente base
u(u)ei2ux .
Diga que condiciones debe cumplir la senal f (x) para que su transformada
tenga inversa. Cual es la inversa en ese caso?
30. Se sabe que

Z Z 1/2
f (x) sinc xdx = g(x)dx.
1/2
Encuentre f (x) en funcion de g(x).
31. La funcion de error (de la distribucion gaussiana) se define como

Z x
2 2
erf x = e d
0

Exprese erf( x) como una convolucion de escalon con gauss y calcule su
transformada de Fourier.
32. El circuito de la figura representa el modulo alfa. El modulo alfa esta com-
puesto por un retardo de T , dos integradores y un multiplicador por
1/T , conectado como se indica en la figura. Si se conectan 5 modulos
alfa en cascada, cuanto debe ser el retardo T para que la frecuencia de
0,1 Hz sea atenuada a la mitad, es decir, para que la magnitud de una sinu-
soide de 0,1 Hz a la salida del quinto modulo sea la mitad de la magnitud
de esa sinusoide a la entrada del primer modulo?
Int + 1

retardo
Int
33. Se desea emplear una serie finita de Fourier, SN (x), para aproximar una
funcion f (x) en el rango T /2 < x < T /2, es decir,
N
a0 X
f (x) SN (x) = + (ak cos k0 x + bk sen k0 x)
2
k=1
con 0 = 2/T . Encuentre los coeficientes a0 , ak y bk (k = 1...N ) de manera

que se minimice el error cuadratico medio EN
T /2
1
Z
EN = (f (x) SN (x))2 dx
T T /2
34. Demuestre el siguiente teorema, donde la trasformada de Fourier de f (x)

es F (u). Z Z
|f 0 (x)|2 dx = 4 2 u2 |F (u)|2 du

35. El principio de incertidumbre en el analisis espectral establece que
1
xu
4
donde la dispersion x en x esta dada por
Z
2 1
(x) = (x x)2 |f (x)|2 dx
||f ||2
3.7 Ejercicios 85
con el centro de gravedad x dado por

Z
1
x = x|f (x)|2 dx
||f ||2
y Z
2
||f || = |f (x)|2 dx

Analogamente, la dispersion u en u esta dada por (en esta dimension

u = 0) Z
2 1
(u) = u2 |F (u)|2 du
||F ||2
con Z
||F ||2 = |F (u)|2 du.

Calcule xu para f (x) = axeax (x) (a > 0) y compruebe que se cumple

el principio de incertidumbre. Puede usar el teorema del problema anterior.
Algunas integrales que pueden serles util:
1 2at 3
R 2at R 3 2at 3 2 2at
R e 2atdt = 2a e 1 2at R t4 e2at dt = (b3 t4 + b2 t3 + b1 t2 8a4 )e 3 2at
R te2 2atdt = (b1 t 4a2
)e t e dt = (b4 t + b3 t + b2 t + b1 t 4a5 )e
t e dt = (b2 t2 + b1 t 4a13 )e2at
36. Alicia propone un sistema para reducir los tonos altos de una grabacion
en CD. El sistema consiste en convolucionar (linealmente) las muestras de
audio con h[n] = n1 (1 1 ... 1), es decir, el promedio movil de n muestras.
En un CD, el audio es muestreado a 44 kHz. Si la grabacion consiste de un
tono puro (f [n] = f (nT ), con f (t) = cos(2ut)) de frecuencia u y amplitud
maxima unitaria, interesa conocer la amplitud maxima, P (u, n), de la salida
del sistema, g[n] = f [n] l h[n] en funcion de u y n. Puede suponer que la
primera muestra se toma en t = 0 y que no interesa el transiente.
a) Si u = 11 kHz y n = 2, grafique f [n] y g[n], y encuentre P (u, n).

b) Si u = 11 kHz y n = 3, grafique f [n] y g[n], y encuentre P (u, n).
c) Si u = 11 kHz y n = 4, grafique f [n] y g[n], y encuentre P (u, n).
d) Si u = 5, 5 kHz y n = 2, encuentre P (u, n).
e) Si u = 5, 5 kHz, grafique f [n].
f ) Si u = 38, 5 kHz, grafique f [n]. Explique las similitudes o diferencias
entre este grafico y el del punto anterior.
37. Calcule la siguiente integral (b real) empleando una propiedad de la trans-

formada de Fourier: Z
4
2 ( b)2 )2
d
(1 + 4
38. a) La figura representa un sistema lineal e invariante en el tiempo, las

respuestas al impulso de los subsistemas son h1 (t) = 20 sinc (20t) y
h2 (t) = 5 sinc 2 (5t). Las entradas son x(t) = 10 sinc (10t) y n(t) que es
un ruido blanco.
x(t) y(t)
h1 + h2
n(t)
Encuentre Y (u), la transformada de Fourier de y(t).

b) Encuentre la transformada de Fourier de f (x) = (3 2x) 1/2.
39. Encuentre la transformada de Fourier de u(x/w) (x).
40. Sea f (x) una funcion par y real, y sea G(u) la transformada de Fourier de
f (x a). Encuentre Z
Im{G(u)} du

41. Que condicion o condiciones debe cumplir f (x), cuya transformada de

Fourier es F (u), para que se cumpla la siguiente igualdad?
Z Z
2
f (x) dx = F 2 (u) du

42. Encuentre dos funciones diferentes, f1 (x) y f2 (x) que cumplan con la sigu-
iente condicion: Z
fi (x)dx = Fi (1).

donde fi (x) Fi (u).
43. Encuentre la transformada de Fourier inversa de

1
F (u) = para todo a real.
a + i2u
3.7 Ejercicios 87
44. Grafique la transformada de Fourier inversa de
[( (u) + 2 cos u) sinc 2 u + 4 sinc 2 (2u)]ei4u
45. Un sistema tiene una respuesta al impulso dada por
h(t) = sinc (2t 0,2)
Grafique la funcion de transferencia en Fourier (magnitud y fase) del sis-

tema.
CAPITULO 4
TRANSFORMADA DE LAPLACE
En los captulos anteriores se estudio la transformada de Fourier y sus apli-

caciones a senales y sistemas de tiempo continuo. La transformada de Fourier es
una herramienta de gran utilidad porque no solo permite un analisis matematico
sino tambien por su conexion intuitiva con la realidad fsica.
La transformada de Laplace puede ser vista como una extension a la de Fouri-
er, o, lo que es lo mismo, la transformada de Fourier es un caso particular de la
transformada de Laplace. En muchos textos de estudio se presenta primero la
transformada de Laplace y luego la de Fourier como un caso particular. En este
libro hemos preferido presentar primero la de Fourier de manera que se puedan
asimilar los conceptos de frecuencia en forma mas simple e intuitiva. Al gener-
alizar a Laplace mucho de la conexion intuitiva se pierde, sin embargo el numero
de aplicaciones de la transformada de Laplace es mayor que el de la de Fourier.
Ver figura 4.1.
La transformada de Laplace introduce una nueva variable compleja s, que
representa una frecuencia compleja, a diferencia de la frecuencia exclusivamente
imaginaria i2u de la transformada de Fourier. Las razones que hacen a la trans-
formada de Laplace util son: aplicable a un mayor numero de funciones, incluye
informacion de transientes y facilita la manipulacion algebraica para la solucion
de ecuaciones diferenciales.
Dado que la frecuencia en el dominio de Laplace incluye una parte real, existen
funciones que no tienen transformada de Fourier pero que s tienen transformada
de Laplace. Para estas funciones la region de convergencia como veremos mas
adelante no incluira el eje imaginario, donde esta definida la transformada de
89
90 Transformada de Laplace
po
em
Aperidica Peridica
Ti
T. de Laplace
Aperidica
Continua
FT DFFT
DTFT DFT
Discreta
Peridica
ia
nc
Continua Discreta
ue
ec
Fr
Figura 4.1: Clasificacion de las transformadas segun periocidad y continuidad
Fourier. Veremos que la funcion ya no necesita decaer en el tiempo para tener

transformada de Laplace.
La parte imaginaria de la frecuencia compleja s corresponde a la frecuencia
tal como la vimos para la transformada de Fourier. La extension es en la parte
real que reune informacion acerca de los transientes y no del regimen permanente
como es el caso de la parte imaginaria. Por esta razon la transformada de Laplace
es una caracterizacion mas completa de sistemas lineales, al incluir la parte real
de la frecuencia s, y sus respectivas regiones de convergencia.
Finalmente la transformada de Laplace facilita la manipulacion algebraica de
la solucion de ecuaciones diferenciales lineales, y por lo tanto de sistemas lineales.
Una variacion de la transformada de Laplace conocida como la transformada de
Laplace unilateral es muy adecuada para el estudio de sistemas causales con
condiciones iniciales.
4.1. Transformada de Laplace

Se define la transformada de Laplace de una funcion f (t), como
Z
F (s) = f (t)est dt, < Re{s} <

donde la variable compleja s es s = + i2u o s = + i, siendo y las partes

real e imaginaria respectivamente. Tanto la funcion en el tiempo f (t) como su
transformada F (s) en la frecuencia pueden tomar valores complejos. La expresion
4.2 Relacion entre las transformadas de Fourier y Laplace 91
< Re{s} < con y reales define la region de convergencia: el conjunto

de valores de s para el cual la transformada de Laplace existe. La region de
convergencia se representa en el plano complejo (plano s).
Que la funcion f (t) tenga la transformada de Laplace F (s) lo indicaremos
como
F (s) = L{f (t)}
o
L
f (t) F (s).
A menos que sea necesario no indicaremos el smbolo L sobre la flecha ya que
si la frecuencia es indicada por la variable s se subentendera la transformada de
Laplace y si la frecuencia se indica con u, la transformada de Fourier.
Notese que en el caso particular cuando s = i2u, se tiene
Z
F (s) = f (t)ei2ut dt,

que corresponde a la transformada de Fourier.

La familia de funciones {est } son las bases para la transformada de Laplace.
4.2. Relacion entre las transformadas de Fourier y

Laplace
En esta seccion expondremos la motivacion, desde el punto de vista de Fourier,
para definir la transformada de Laplace.
Si se tiene una funcion f (t) para la cual no existe transformada de Fourier
porque no se cumple la condicion
Z
|f (t)| dt < , (4.1)

es razonable pensar en una envolvente de esta funcion para que sus valores tien-
dan a cero para tiempos lejanos (aproximando a y +). La exponencial
es especialmente apta para esto. Muchas funciones que no cumplen con (4.1)
s cumpliran con la condicion
Z
|f (t)et | dt < . (4.2)

En estos casos podemos tomar la transformada de Fourier de f (t)et en vez

de f (t). Esta transformada no solo dependera de la frecuencia u sino tambien del
parametro que define la envolvente. Llamemosla F (, u).
Abs L(f(t))
Im s
Re s
Figura 4.2: Relacion Transformada de Fourier - Transformada de Laplace
Z Z
t i2ut
F (, u) = f (t)e e dt = f (t)e(+i2u)t dt

Al definir s = + i2u, tenemos que

Z
F (s) = F ( + i2u) = F{f (t)et } = f (t)est dt

Es decir, la transformada de Laplace se puede calcular obteniendo la trans-

formada de Fourier para cada valor de . la figura 4.2 muestra la magnitud de
una transformada para = 0 y general correspondientes a las transformadas
de Fourier de f (t) y de f (t)et .
La region de convergencia sera el conjunto de valores de para el cual la
transformada de Fourier de f (t)et existe, es decir, para los cuales se cumple
(4.2).
Expresada la transformada de Laplace de esta forma es claro que cuando
= 0 lo que tenemos es la transformada de Fourier, o sea, la transformada de
Fourier es un caso particular de la transformada de Laplace.
4.3. Ejemplos de la transformada de Laplace

En los siguientes ejemplos se calculara la transformada de Laplace para las
funciones (t) y eat (t) y se presentara una tabla con pares de transformadas
de Laplace (tabla 4.1). Se aprovechara de dar una idea acerca del efecto de , la
constante de decaimiento en la exponencial.
4.3 Ejemplos de la transformada de Laplace 93
Im s
Re s
Figura 4.3: Region de convergencia de la transformada de Laplace del escalon
Ejemplo 4.3.1 Calculemos la transformada de Laplace, F (s), del escalon (t).
Z
F (s) = (t)est dt
Z

= est dt
0

est
=
s 0
1
= Re{s} > 0
s
Notese que para valores negativos de la transformada de Laplace no existe. La

region de convergencia de esta transformada es, entonces, el semi-plano derecho
del espacio s (fig. 4.3).
Ejemplo 4.3.2 Un caso un poco mas interesante y que tiene mucha aplicabilidad
debido a la gran cantidad de sistemas lineales que tienen una respuesta al impulso
de este tipo, es la funcion exponencial para valores del argumento mayores que
Im s
Re s
Figura 4.4: Region de convergencia de la transformada de Laplace de eat , t > 0,

a>0
cero: eat (t). La transformada de Laplace es

Z
F (s) = f (t)est dt
Z

= eat (t)est dt

Z
= e(a+s)t dt
0
1
= Re{s} > a
s+a
Las figuras 4.4 y 4.5 grafican la region de convergencia como un semi-plano dere-
cho en el espacio s para Re{s} > a. Si a es positivo (fig. 4.4), o sea, el lmite
de la region de convergencia esta a la izquierda del eje imaginario, la transfor-
mada de Fourier existira, ya que esta es la transformada de Laplace evaluada
en = 0, que esta dentro de la region de convergencia. Si a < 0 (fig. 4.5), la
transformada de Fourier no existe ya que el eje imaginario esta fuera de la region
de convergencia de la transformada de Laplace.
La figura 4.6 grafica la funcion compleja est de argumento real t en el plano s

para distintos valores de y . Observamos que al variar el valor de se modifica
4.4 Region de convergencia 95
Im s
Re s
Figura 4.5: Region de convergencia de la transformada de Laplace de eat , t > 0,

a<0
la razon de crecimiento o de decaimiento, mientras que cambios en afectan la

frecuencia y sentido de la helice. La columna central ( = 0) corresponde a las
bases de Fourier.
La figura 4.7 muestra la funcion est con mayor detalle para el caso < 0 y
< 0.
4.4. Region de convergencia
Los valores de la frecuencia generalizada s, para los cuales la transformada

de Laplace existe o converge se conocen como region de convergencia.
La region de convergencia es parte integral de la transformada de Laplace, ya
que dos senales diferentes pueden tener identicas expresiones analticas para la
transformada de Laplace y se distinguiran unicamente por la region de conver-
gencia.
La region de convergencia esta formada por bandas paralelas al eje i (i2u)
en el plano s. Es decir, la region de convergencia depende solamente de la parte
real de s, o Re{s}. Esta es la que determina la convergencia, porque et
modifica la amplitud de la senal. La parte imaginaria ei no cambia la amplitud,
solo su fase.
Re f(t)
Re f(t) Re f(t)
Im f(t)
Im f(t) Im f(t)
t t
Re f(t) Re f(t) Re f(t)
Im f(t) Im f(t) Im f(t)
t t t
Re f(t) Re f(t)
Re f(t)
Im f(t)
Im f(t) Im f(t)
t t
Figura 4.6: Tabla generalizada para est en el plano s en funcion de y
Im f(t)
1
Re f(t) Re f(t)
1
Im f(t) Im f(t)
Re f(t)
t t
Figura 4.7: Funcion est para < 0 y < 0

f (t) F (s) Convergencia
eat (t) 1 > a

s+a
eat (t) 1 < a

s+a
(t) 1 0<
s
t (t) 1 0<
s2
(t) 1 s
0 (t) s s
(1 eat ) (t) a max(0, a) <

s(s + a)
cos(2uc t) (t) s 0<

s2 + (2uc )2
sen(2uc t) (t) 2uc 0<

s2 + (2uc )2
teat (t) 1 a <

(s + a)2
ea|t| 2a a < < a

a2 s2
senh( 12 s)
u(t) 1 s
2s
2
senh( 12 s)

(t) 1 s
2s
(t) cosh( 12 s) s
(t) senh( 12 s) s
Tabla 4.1: Pares de transformadas de Laplace

f(t)
Figura 4.8: f (t) = et (t > 0)

f(t)
Figura 4.9: f (t) = et (t < 0)
Ejemplo 4.4.1 Sea f (t) = e|t| , se tiene

Z Z
|t| st
F (s) = e e dt = e|t| et ei2ut dt

Para t > 0 (figura 4.8) tenemos que
e|t| et = e(1+)t
expresion que converge para > 1.
Para t < 0 (figura 4.9) tenemos que
et et = e(1)t
expresion que converge para < 1, luego la region de convergencia de la trans-

formada de Laplace es la interseccion de ambas, || < 1 (figura 4.10).
Algunos casos particulares de region de convergencia:

Im s
Re s
Figura 4.10: Region de convergencia de la transformada de Laplace para f (t) =

e|t|
1. Si f (t) es una funcion limitada en el tiempo por la derecha (f (t) = 0, t > b)

y por la izquierda (f (t) = 0, t < a), la region de convergencia es el plano
s completo (suponiendo una funcion integrable), dado que
Z
F (s) = f (t)est dt

Zb
= f (t)est dt
a
Z b
= [f (t)et ]eit dt
a
Z b
< M eit dt
a
<
y que f (t)et es acotada en el intervalo (a, b).
En general todas las funciones limitadas en el tiempo convergen para todo
s.
Ejemplo 4.4.2 Sea f (t) = u(t). Su transformada de Laplace se puede

obtener de la siguiente manera
Z Z Z 1/2
st st
F (s) = f (t)e dt = u(t)e dt = est dt
1/2
es decir
1/2
est
F (s) =
s 1/2
es/2 es/2 1
F (s) = + = (es/2 es/2 ),
s s s
senh( 12 s)
F (s) = 1 s
2s
2. Si f (t) = g(t) (t a) es una funcion limitada en el tiempo por la izquierda

(f (t) = 0, t < a) y tiene transformada de Laplace, la region de convergen-
cia correspondera a todos los valores de s para los cuales Re{s} > 0 , un
semi-plano derecho, ya que se puede encontrar un 0 para el cual
|f (t)| = |g(t) (t a)| < M e0 t (t a)
luego
Z Z
st
|F (s)| |g(t) (t a)e | dt = |g(t) (t a)|et dt

donde et representa la magnitud de est , luego

M e(0 )a
Z
|F (s)| < M e(0 )t dt = , > 0
a 0
Notese que 0 puede tener un valor en el rango que va desde a +.
3. Analogamente, si f (t) = g(t) (b t) es una funcion limitada en el tiempo

por la derecha (f (t) = 0, t > b) y tiene transformada de Laplace, la
region de convergencia correspondera a todos los valores de s para los cuales
Re{s} < 0 , un semi-plano izquierdo.
4. Si f (t) es una funcion que no esta limitada en el tiempo y Re{s} = 0

esta en la region de convergencia, la region de convergencia esta formada
por una banda en el plano s, que incluye a Re{s} = 0 .
4.5 Polos y ceros en el plano S 101
4.5. Polos y ceros en el plano S

Los valores de s para los cuales la transformada de Laplace diverge son cono-
cidos como los polos de la funcion, o polos del sistema si es que la funcion es
la respuesta al impulso de un sistema. En estricto rigor es donde la formula en
funcion de s de la transformada de Laplace, F (s), diverge, ya que la transformada
consta de dos partes: la formula F (s) y la region de convergencia, < Re{s} < .
Fuera de la region de convergencia la transformada de Laplace no existe aunque
la formula F (s) no diverja. En los polos, F (s) diverge, lo que forzosamente sig-
nifica que por un lado, en el lmite de la region de convergencia hay un polo, y
por otro que no hay polos dentro de la region de convergencia.
Los ceros de la funcion, o sistema, son los valores de s para los cuales F (s) es
cero.
Una clase de transformadas de Laplace muy importante, debido a la comun
ocurrencia de exponenciales en sistemas reales, es la de fracciones polinomiales.
Es decir,
Z(s)
F (s) = , < Re{s} <
P (s)
donde Z(s) = am sm + am1 sm1 + + a0 y P (s) = bn sn + bn1 sn1 + + b0

son el polinomio numerador y denominador respectivamente. Las races de estos
dos polinomios (los polos y ceros) se pueden ubicar en el plano s y nos dan
especificaciones de como se comporta la transformada de Laplace, F (s), y el
sistema del cual es la funcion de transferencia.
Ejemplo 4.5.1 La transformada de Laplace de f (t) = (et + e2t ) (t) es
1 1 2s + 3
F (s) = + = 2
s+1 s+2 s + 3s + 2
donde Re{s} > 1. Los polos estan dados por las races del denominador s = 1
y s = 2, y los ceros por la raz del numerador s = 3/2 (figura 4.11).
Ejemplo 4.5.2 La funcion de transferencia
1
H(s) =
(s + 1)(s + 2)
puede representar diferentes sistemas dependiendo de la region de convergencia
Im s
1.5
2 1 Re s
Figura 4.11: Polos y ceros de la transformada de (et + e2t ) escalon(t)
segun se muestra en la figura 4.12. Los sistemas que se obtienen son los siguientes
(et e2t ) (t) para el primer caso
(et e2t ) (t) para el segundo caso
et (t) e2t (t) para el tercer caso
Para visualizar el efecto de un polo veamos el siguiente ejemplo

Ejemplo 4.5.3 Sea h(t) = ept (t) cuya transformada de Laplace es H(s) =
1
sp , > p. La figura 4.13 muestra h(t), el diagrama de polos y ceros, el valor
absoluto y la fase de la transformada de Fourier para diferentes valores de p.
En el siguiente ejemplo se puede observar el efecto de un cero

Ejemplo 4.5.4 Sea h(t) = (z + 1)et (t) + (t) cuya transformada de Laplace
es H(s) = sz
s+1 , > 1.
Las figuras 4.14 y 4.15 muestran h(t), el diagrama de polos y ceros, el valor
absoluto y la fase de la transformada de Fourier para diferentes valores del cero
z.
Para sistemas de segundo orden (seccion 1.5), los polos seran ambos reales
o complejos conjugados. Si ambos son reales y distintos, el sistema es sobre-
amortiguado. Si son iguales, sera crticamente-amortiguado. Y si son complejos
conjugados sera sub-amortiguado.
f(t)
Im s
2 1 Re s
t
f(t)
Im s
2 1 Re s
t
f(t)
Im s
2 1 Re s
t
1
Figura 4.12: Regiones de convergencia para (s+1)(s+2) y sus respectivas transfor-
madas de Laplace inversas
h(t)
Im s
Abs H(u), Ang H(u)
1
t
Re s u
h(t)
Im s
Abs H(u), Ang H(u)
1
t
Re s u
h(t)
Im s
Abs H(u), Ang H(u)
1
t
Re s u
h(t)
Im s
Abs H(u), Ang H(u)
1
t
Re s u
Figura 4.13: Variacion de la magnitud y fase de la transformada de Fourier por

efecto de un polo
h(t)
Im s
Abs H(u), Ang H(u)
1
t
Re s u
h(t)
Im s
Abs H(u), Ang H(u)
1
t
Re s u
h(t)
Im s
Abs H(u), Ang H(u)
1
t
Re s u
h(t)
Im s
Abs H(u), Ang H(u)
1
t
Re s u
Figura 4.14: Variacion de la magnitud y fase de la transformada de Fourier por

efecto de un cero z (z=-2; z=-1,5; z=-1; z=-0,5 y z=0) (continua)
h(t)
Im s
Abs H(u), Ang H(u)
1
t
Re s u
Figura 4.15: Continuacion: Variacion de la magnitud y fase de la transformada

de Fourier por efecto de un cero z (z=-2; z=-1,5; z=-1; z=-0,5 y z=0)
4.6. Transformada de Laplace inversa

La transformada de Laplace inversa es
Z c+i
1
f (t) = F (s)est ds
i2 ci
donde c es una constante real cualquiera perteneciente a la region de convergencia
de F (s) (para la cual F (s) existe).
Esta formula de inversion es facilmente encontrada si se emplea la relacion
entre la transformada de Fourier y Laplace
F{f (t)et } = F (s) /F 1

f (t)et = F 1 {F (s)}
f (t) = et F 1 {F (s)}
Z
= et F ( + i2u)ei2ut du
Z
= F ( + i2u)e(+i2u)t du.

Sustituyendo s = + i2u, o sea du = ds/i2, se tiene,

Z +i
1
f (t) = F (s)est ds.
i2 i
Para encontrar la transformada inversa de Laplace raramente se recurre a
esta formula. Resulta mas rapido aplicar las propiedades de la transformada para
4.7 Propiedades de la transformada de Laplace 107
reducir la expresion a un par conocido. Si F (s) tiene la forma de una fraccion

polinomial es recomendable aplicar el metodo de las fracciones parciales para
reducirla a otras conocidas. Ver apendice B.
4.7. Propiedades de la transformada de Laplace

Supongamos que f (t) F (s) con < Re{s} < , entonces se tienen las
siguientes propiedades para la transformada de Laplace:
1. Similitud
1 s
f (at) F < <
|a| a a
En particular, si a = 1 se tiene
f (t) F (s) < <
2. Linealidad
af1 (t) + bf2 (t) aF1 (s) + bF2 (s) max(1 , 2 ) < < mn(1 , 2 )
3. Desplazamiento
f (t a) eas F (s) <<
4. Convolucion
f1 (t) f2 (t) F1 (s)F2 (s) max(1 , 2 ) < < mn(1 , 2 )
5. Multiplicacion
c+i
1
Z
f1 (t)f2 (t) F1 ()F2 (s ) d 1 + 2 < < 1 + 2
i2 ci
1 < c < 1
2 < c < 2
6. Modulacion
La modulacion es un caso especial de la propiedad de multiplicacion, uno
muy importante por cierto.
1 1
f (t) cos t F (s i) + F (s + i) <<
2 2
La generalizacion de esta propiedad es
eat f (t) F (s + a) < + Re{a} <
7. Autocorrelacion
f (t) f (t) F (s)F (s) || < mn(||, ||)
8. Diferenciacion
f 0 (t) sF (s) <<
f (n) (t) sn F (s) <<
9. Integracion
t
1
Z
f () d F (s) max(0, ) < <
s

1
Z
f () d F (s) < < mn(0, )
t s
4.8. Funcion de transferencia

Una de las aplicaciones mas importantes de la transformada de Laplace es
el analisis y caracterizacion de sistemas lineales e invariantes en el tiempo. Tal
analisis y caracterizacion esta estrechamente ligado con la propiedad de la con-
volucion, a partir de la cual se deduce que las transformadas de Laplace de la
entrada y de la salida de un sistema estan relacionadas por medio de la multipli-
cacion con la transformada de Laplace de la respuesta al impulso de un sistema.
De esta manera
Y (s) = H(s)X(s),
donde X(s), Y (s) y H(s) son la transformadas de Laplace de la entrada, de la

salida y de la respuesta al impulso respectivamente, de un sistema (fig. 4.16).
La funcion H(s) es conocida como la funcion de transferencia del sistema.
H(s) es una funcion importante ya que como adelantamos en la seccion 4.5
muchas propiedades de los sistemas lineales e invariantes en el tiempo estan es-
trechamente relacionadas con la localizacion de polos y ceros en el plano s de esta
funcion, lo que a su vez se relaciona con la estabilidad del sistema.
4.8 Funcion de transferencia 109
Respuesta al impulso
x(t) x(t)*h(t)
*h(t)
Funcin de transferencia
X(s) X(s)H(s)
H(s)
Figura 4.16: Funcion de transferencia

R
+ +
C
V1(t) V2(t)
i(t)
- -
Figura 4.17: Circuito RC
Ejemplo 4.8.1 En la figura 4.17 se muestra un circuito electrico RC. Calcule-

mos su respuesta al impulso y funcion de transferencia.
Z
V1 (t) = Ri(t) + 1/C i(t) dt
Z
V2 (t) = 1/C i(t) dt
i(t)
V20 (t) =
C
luego
V1 (t) = RCV20 (t) + V2 (t)

1 1
V20 (t) +
V2 (t) = V1 (t)
RC RC
resolviendo esta ecuacion diferencial se encuentra
1 t/(RC)
Z
V2 (t) = e V1 (t)et/(RC) dt.
RC
Con este resultado podemos obtener facilmente la respuesta al impulso. Si

V1 (t) = (t), entonces
1 t/RC
Z
h(t) = V2 (t) = e (t)et/RC dt,
RC
que por la propiedad del cedazo es
1 t/RC
h(t) = e ,
RC
valido para t > 0, es decir,
1 t/RC
e
h(t) = (t).
RC
Aplicando la transformada de Laplace podemos obtener la funcion de trans-
ferencia del sistema.
En vista de
1
et (t)
s+1
con Re{s} > 1, se tiene
1 t/RC 1
e (t)
RC 1 + RCs
es decir, la funcion de transferencia es
1
H(s) =
1 + RCs
La figura 4.18 muestra H(s) en funcion de u.
Las propiedades de las transformadas de Laplace pueden utilizarse para obten-

er directamente la funcion de transferencia de un sistema caracterizado por una
ecuacion diferencial sin resolverla. Si, por ejemplo, se tiene la ecuacion diferencial
y 00 + ay 0 + by = cx0 + dx,
donde x es la entrada e y la salida. Aplicando la transformacion de Laplace a

ambos lados se tiene
L{y 00 + ay 0 + by} = L{cx0 + dx}

4.8 Funcion de transferencia 111
Re H (Im H) Abs H (Ang H)
u u
Figura 4.18: Funcion de transferencia H(s) en funcion de u
que por linealidad es
L{y 00 } + aL{y 0 } + bL{y} = cL{x0} + dL{x}
que, a su vez, en vista de la propiedad de diferenciacion, es
s2 Y (s) + asY (s) + bY (s) = csX(s) + dX(s)
Y (s)(s2 + as + b) = X(s)(cs + d)
cs + d
Y (s) = X(s)
s2 + as + b
Y (s) = H(s)X(s)
con
Y (s) cs + d
H(s) = = 2
X(s) s + as + b
Debido a que la transformada involucra una integral de a +, en la
funcion de transferencia no estan consideradas las condiciones iniciales. S se
incluyen en la transformada de Laplace unilateral que veremos mas adelante.
Ejemplo 4.8.2 Se tiene el sistema mecanico de la figura 4.19, el cual esta con-
stituido por una masa m unida a un resorte de constante k y sometida a una
fuerza de roce fr , proporcional a la velocidad con constante .
Este sistema da origen a la siguiente ecuacion diferencial:
d2 y dy
m 2
+ + ky = r(t),
dt dt
111111111
000000000
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111 111
000
0
1
k
000000000
111111111 0
1
y1
0
000000000
111111111
000000000 1
111111111 0
1
0
0
1 000000000
111111111 0
1
0
1 000000000 1
111111111 0
0
1
fr1
0 000000000
111111111
000000000
111111111
0
1
0
1 000000000
111111111
000000000
111111111
M
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
000000000
111111111
Figura 4.19: Modelo fsico
donde r(t) es la fuerza externa aplicada. Aplicando la transformada de Laplace

se tiene
ms2 Y (s) + sY (s) + kY (s) = R(s)
y si r(t) = (t), Y(s) sera la funcion de transferencia H(s)
ms2 H(s) + sH(s) + kH(s) = 1,
es decir
1 1/M
H(s) = = 2
M s2 + s + k s + s/M + k/M
Supongamos para poder graficarla, que k = 1, m = 0, 5 y = 1, 5, con lo que se
tiene
2
H(s) = ,
(s + 1)(s + 2)
empleando la transformada de Laplace inversa de la funcion de transferencia se
tiene la respuesta al impulso (fig. 4.20)
h(t) = 2(et e2t ).
La respuesta al escalon, que describe el hecho de soltar la masa en el instante

t=0 para dejar que la gravedad la tire hacia abajo, se puede encontrar convolucio-
nando la respuesta al impulso con el escalon o resolviendo nuevamente la ecuacion
diferencial
4.9 Transformada de Laplace unilateral 113
h(t)
0.5
1 2 t
Figura 4.20: Respuesta al impulso para el sistema de segundo orden
Si r(t) = (t), entonces
y(t) = h(t) (t)

Z t
= h() d
= (1 2et + e2t ) (t).
O, en el dominio de Laplace, empleando fracciones parciales

2 1 2 1
= +
s(s + 1)(s + 2) s s+1 s+2
encontramos que la respuesta al escalon es
(1 2et + e2t ) (t).
4.9. Transformada de Laplace unilateral

Se define la transformada de Laplace unilateral como
Z
F1 (s) = f (t)est dt, Re(s) > .
0
La diferencia con la transformada de Laplace (bilateral) esta en que solo se

consideran los valores de la senal que estan a la derecha del origen (t > 0), es
decir
L1 {f (t)} = L{f (t) (t)}.
R
t=0
+
+
C
V(t)=1 V VL(t)
i(t)
-
-
Figura 4.21: Circuito RLC
La transformada de Laplace unilateral es empleada comunmente para mod-

elar fenomenos fsicos, ya que es apta para considerar condiciones iniciales. La
propiedad de la derivada (diferente a la de la transformada bilateral) como se ve
a continuacion incluye las condiciones para el instante cero.
Para calcular la transformada de Laplace unilateral de la derivada tenemos
Z
0
L1 {f (t)} = f 0 (t)est dt.
0
Integrando por partes
Z

L1 {f 0 (t)} = f (t)est 0 f (t)(sest ) dt
Z 0
= f (0) + s f (t)est dt
0
luego
L1 {f 0 (t)} = sF1 (s) f (0)
En general
L1 (f (n) (t)) = sn F1 (s) (f (n1) (0) + sf (n2) (0) + ... + sn2 f 0 (0) + sn1 f (0)).
Analogamente, para la propiedad de la integral se tiene
F (s) 1 0
Z Z
L1 { f (t) dt} = + f (t) dt
s s
Ejemplo 4.9.1 La figura 4.21 muestra un circuito electrico RLC serie provisto
de una fuente de tension continua y un interruptor que es cerrado en t = 0
(R = 5[], L = 1[H] y C = 1/6[F ]).
4.9 Transformada de Laplace unilateral 115
Las condiciones iniciales del sistema son
i(0) = 0[A]
VC (0) = 6[V ]
y la ecuacion diferencial que representa al circuito (valida con el interruptor
cerrado) es
di(t)
Z
+ 5i(t) + 6 i(t) dt = V (t) = (t),
dt
aplicando transformada de Laplace unilateral
Z 0
6 1
[sI(s) i(0)] + 5I(s) + I(s) + i(t) dt =
s s
R0
donde C1 i(t)dt es el voltaje inicial en el condensador (t = 0).
Z 0
2
s I(s) + 5sI(s) + 6I(s) = 1 + si(0) 6 i(t) dt

I(s)(s2 + 5s + 6) = 1 + 6
7
I(s) = 2
s + 5s + 6
separando en fracciones parciales
7 7
I(s) =
s+2 s+3
y aplicando la transformada de Laplace inversa se tiene
i(t) = 7(e2t e3t ) (t)
Bajo la suposicion de que f (t) es una funcion causal y que f (t) no contiene
impulsos o funciones singulares en el origen se puede calcular el valor de f (0+ )
(valor inicial, se denota con 0+ para indicar que ocurre inmediatamente despues
del cero y no en el transiente) directamente a partir de la transformada de Laplace,
con
f (0+ ) = lm sF (s)
s
y por otra parte el valor de f (t) cuando t (valor final) es
lm f (t) = lm sF (s)
t s0
4.10. Ejercicios
1. Encuentre la region de convergencia de la transformada de Laplace para las
siguientes funciones (basta inspeccionar la funcion, no es necesario encontrar
la transformada completa):
a) (t)
b) t (t)
c) t2 (t)
d) tet (t)
e) 3e2t (t)
f ) u(t)

g) e t (t)
h) (1 + t2 )1
i) (1 + t3 )1 (t)
j ) (1 + t3 )1
k ) (log t) (t)
l) sgn(t)
m) log t
n) t1 u (t)
n) t1
o) (t)
2. Encuentre la transformada de Laplace, indicando la region de convergencia

de las siguientes funciones:
a) (et et ) (t)
b) e|t|
c) (et et ) (t)
d) u(t)
e) u(t 1/2)
f ) (t)
4.10 Ejercicios 117
3. Encuentre tres funciones diferentes que tengan la transformada de Laplace

1
F (s) = .
(s 1)(s + 1)
Para cada funcion determine la region de convergencia. Cual de ellas tiene

transformada de Fourier?
4. Encuentre cuatro funciones diferentes que tengan la transformada de Laplace

1
F (s) = .
(s 3)(s 1)(s + 1)
Para cada funcion determine la region de convergencia.
5. Encuentre la transformada de Laplace de la funcion escalera (t) + (t

T ) + (t 2T ) + ....
6. Encuentre la transformada de Laplace de (t).
7. Encuentre la region de convergencia de la transformada de Laplace de

1
(t 1)
t
8. Calcule la funcion de transferencia (H(s)) de un sistema cuya respuesta al

impulso es un tren de impulsos a intervalos regulares de amplitudes que
decaen exponencialmente.
9. Se tiene dos sistemas en cascada. El primero tiene una respuesta al impulso

f (t) y el segundo g(t). La entrada al sistema total es x(t) y la salida es y(t).
Si
f (t) = (b a)ebt (t) + (t)
g(t) = eat (t)
y
x(t) = 0 (t) b(t)
encuentre y(t).
10. Para el sistema de la figura
a) Encuentre la respuesta al impulso

b) Encuentre la funcion de transferencia (Laplace y Fourier)
c) Explique como es la salida del sistema si la entrada es (t)f (t)
x(t) y(t)
+ Integral
-
Retardo T
11. Si dos sistemas causales tienen respuestas al impulso h1 (t) y h2 (t) cuyas
transformadas de Laplace son H1 (s) y H2 (s), se dicen inversos si la re-
spuesta al impulso del sistema resultante de colocarlos en cascada es (t).
En general, cual es la relacion que debe existir entre H1 (s) y H2 (s)? Si
la respuesta al impulso de los dos sistemas decae en forma exponencial con
el tiempo, que puede decir de la ubicacion de los polos y ceros de H1 (s)? Si
h1 (t) = (t)(1 e2t ) encuentre H2 (s) y h2 (t). Grafique h1 (t), h2 (t) y el
diagrama de polos y ceros para H1 (s) y H2 (s).
12. Resuelva las siguientes ecuaciones diferenciales para y(t), (t > 0), sujetas a
las condiciones iniciales y(0+ ), y 0 (0+ ), ...
a) y 0 (t) + 2y(t) = 1
b) y 0 (t) + 2y(t) = 0
c) 3y 0 (t) y(t) = sen t
d) y 00 (t) + 2y 0 (t) + y(t) = 2
e) y 00 (t) + 2y(t) = 1
f ) y 00 (t) + 2y 0 (t) = sen t
g) y 00 (t) + 2y 0 (t) + 3y(t) = cos t
13. Encuentre las funciones causales que tienen las siguientes transformadas de
Laplace. Indique cual es la region de convergencia.
a)
1
F (s) =
s(s + 1)
b)
s+1
F (s) =
(s + 2)(s + 3)
4.10 Ejercicios 119
c)
es
F (s) =
s1
d)
(s + 3)(s + 4)(s + 5)
F (s) =
(s + 1)(s + 2)
e)
s
F (s) =
(s + 1)2 (s + 2)
14. Demuestre las siguientes propiedades para la transformada de Laplace bi-

lateral. No olvide encontrar la region de convergencia.
(a) Similitud, f (at).

(b) Desplazamiento, f (t T ).
(c) Convolucion, f (t) g(t).
15. Se tiene un sistema, de entrada f (t) y salida g(t), gobernado por la ecuacion
diferencial
g000 (t) g00 (t) + g0 (t) g(t) = f 0 (t) Af (t).
a) Cuanto debe valer A para que el sistema sea estable?

b) Cual es la respuesta al impulso y al escalon del sistema para el valor
de A encontrado en (a)?
16. Si f (t) F (s), encuentre la transformada de Laplace inversa de G(s). Se

puede suponer que F (c + i2u) 0 y G(c + i2u) 0 cuando u .
a)

G(s) = F (s)
u
b)
G(s) = F 0 (s)
c)
c+i2u
1
Z
G(s) = F () d (c Region de convergencia)
i2 ci
17. La funcion de transferencia de un sistema es
H(s) = esT cosh(s/8).
Es el sistema lineal? Es el sistema invariante en el tiempo? Justifique su

respuesta en no mas de tres lneas.
18. Sea F (s) la transformada de Laplace de f (t) con un polo en s = a. Encuen-

tre la transformada de Laplace de

tc
g(t) = ebt f .
p
Que puede decir de los polos de G(s)?
19. Encuentre la transformada de Laplace inversa de
eT esT
F (s) = , > .
s+
20. Sea F (s) la transformada de Laplace de f (t) y sea A un crculo centrado

en s0 y de radio , completamente contenido en la region de convergencia
de F (s). Encuentre I
F (s)ds.
A
Ayuda: La transformada de Laplace es analtica en la region de convergen-
cia, es decir, puede ser escrita por una expansion de Taylor.
21. Un sistema esta descrito por la siguiente ecuacion diferencial
ax00 (t) + bx0 (t) + cx(t) = u(t).
Encuentre las condiciones iniciales x(0+) y x0 (0+), de manera que la sal-

ida sea x(t) = (t){Aet + 43 te3t } cuando la entrada es u(t) = (t)et .
Encuentre el valor de A.
22. La figura representa un sistema de control realimentado, en el que la planta

esta definida por una funcion de transferencia dada por el cuociente de
polinomios en s:
N (s) n0 + n1 s + n2 s2 +
H(s) = = .
D(s) d0 + d1 s + d2 s2 +
4.10 Ejercicios 121
Que condicion deben cumplir los coeficientes de los polinomios de la planta

para que el error tienda a cero, es decir, para que lmt e(t) = 0, cuando
la entrada r(t) es (t)?
23. Encuentre cualquier funcion f (x) que tenga el siguiente diagrama de polos
en el plano s (los 16 polos estan uniformemente repartidos en la circunfer-
encia unitaria) y cuya region de convergencia es > 1.
24. Se sabe que la transformada de Fourier de sechx = 2(ex + ex )1 es

sechu. Encuentre la transformada de Laplace de sechx con su region de
convergencia.
25. La transformada de Laplace de la respuesta al impulso, h(t), de un sistema

estable no causal es
1
H(s) = 2
s + ei
con = /2 + atan(3/4). Encuentre h(t).
26. El sistema de la figura representa un proceso, H(s), controlado por un

sistema de control, Hc (s). La respuesta al impulso del sistema de control es
hc (t) = k(t) y la del proceso es h(t) = e2t (t).
a) Es estable el proceso H(s) (entrada x(t) y salida y(t))? Por que?

b) Que valores puede tomar k para que el sistema total, de entrada r(t)
y salida y(t), sea estable?
27. Se define la senal dientes(t) como en la figura (0 para t < 0).
a) Encuentre la transformada de Laplace de dientes(t) en forma cerrada,

es decir, una formula que no involucre series. No olvide especificar la
region de convergencia.
b) Encuentre la transformada de Laplace de f (t) = (t) (t 2).
c) Grafique la convolucion f (t) dientes(t).
d) Encuentre la transformada de Laplace de la convolucion dientes(t)
f (t) y compruebe que es el producto de lo encontrado en las letras (a)
y (b).
1
28. La transformada de Laplace (LT) de f (t) = et (t) es F (s) = s+1 con
> 1. Si hacemos la division larga, se tiene
1
= s1 s2 + s3
s+1

X
= (1)k sk = G (s)
k=1
El lado derecho siguie siendo la LT de f (t), pero ahora con > 0, de manera
que cada sk tiene una LT inversa. Si quisieramos aproximar F (s) con n
terminos, se tiene
F (s) = Gn (s) + R(s)
a) Encuentre el residuo R(s) y su LT inversa ( > 0).

b) Encuentre gn (t), la LT inversa de Gn (s) con > 0.
4.10 Ejercicios 123
c) Si se quiere aproximar f (t) con gn (t) en el rango t =] 32 ] con

una precision de a lo mas 25 %, que valor de n elegira? La precison se
define como
f (t) g(t)
p = max

t f (t)
29. Sea F (s) la transformada de Laplace de f (t) con un polo en s = a. Sea
g(t) = ebt f (pt c)
a) Encuentre la transformada de Laplace G(s) de g(t) en funcion de F (s).

b) Donde tiene un polo G(s)?
c) Conteste verdadero o falso (requiere haber contestado correctamente
la pregunta anterior.).
1) La respuesta anterior es valida solo si a, b, c y p son reales.
2) La respuesta anterior es valida solo si p es real.
3) La respuesta anterior es valida solo si c y p son reales.
30. Encuentre una funcion del tiempo f (t) cuya transformada de Laplace tenga
los polos y region de convergencia que se indica.
31. Sea F (s) = senh(s) ( ) la transformada de Laplace de f (t).
a) Encuentre f (t).
b) Obtenga la transformada de Fourier de f (t).
32. Encuentre la transformada de Laplace de f (t) = 2e2t (t) + 3e3t (3t).

33. La transformada de Laplace unilateral de f (t) es

2s + 1
F1 (s) =
s(s + 1)
a) Especifique la region de convergencia.

b) Encuentre el valor inicial y final de f (t).
c) Encuentre f (t).
34. Cual es la transformada de Laplace inversa de

1
F (s) = con Re{s} > 1?
s1
35. Cual es la transformada de Laplace inversa de

s
F (s) = con Re{s} > 1?
s1
36. Cual es la transformada de Laplace de (t)? No olvide especificar la region

de convergencia.
37. Se tiene un sistema lineal, invariante y causal formado por dos subsistemas
de primer orden en cascada. Uno de ellos tiene un polo en a < 0 y el otro
en b < 0 (a 6= b). La respuesta al escalon de ambos subsistemas en t
es 1. Encuentre la respuesta al escalon del sistema total.
38. Encuentre la transformada de Laplace de u(et ).

CAPITULO 5
MUESTREO, SISTEMAS
LINEALES Y CONVOLUCION
DISCRETA
El avance tecnologico de los computadores digitales ha permitido que el calcu-

lo y procesamiento de numeros sea muy rapido, versatil y preciso. Los computa-
dores son, por esto, herramientas poderosas para procesar senales discretas. En el,
una senal discreta es simplemente una lista de numeros. Como la mayora de los
sistemas fsicos entregan senales continuas, para emplear un computador es nece-
sario convertir la senal continua en una discreta. En el procesamiento de senales
electricas, el componente que cumple esta funcion es conocido como convertidor
analogo/digital (A/D).
As como las senales continuas son representadas por la funcion continua
f (t), las senales discretas seran descritas con una secuencia de numeros f [n]. Los
parentesis cuadrados indican que n solo puede tomar valores enteros. La variable
n es un ndice que numera las muestras.
Ejemplos de senales discretas son
f [n] = (..,2, 1, 2, 1, 2, ...),
y
f [n] = (..,0, 0, 0, 0, 1, 2, 0, 0, 0, ...) = (1, 2).
Para abreviar escritura, los ceros del comienzo y el final, como en el segundo
ejemplo, se pueden omitir. Para que la representacion de la senal sea completa,
125
126 Muestreo, sistemas lineales y convolucion discreta
es necesario especificar cual es el origen para el ndice n. Cuando sea necesario lo

indicaremos subrayando el valor en el origen n = 0. Por ejemplo f [n] = (1, 2) o
f [n] = (1, 2).
En relacion a las senales discretas, surgen con frecuencia funciones periodicas,
por lo que adoptaremos una notacion especial para explicitar la periodicidad. Si
la funcion continua f (x) es periodica, la denotaremos como f(x). Lo mismo para
las senales discretas, f[n]. De esta manera, basta especificar un solo periodo, por
ejemplo, f[n] = (1, 2) significa f [n] = (..,2, 1, 2, 1, 2, ...).
5.1. Muestreo
El proceso de convertir una senal continua en una discreta se conoce como
muestreo, es decir, consiste en obtener muestras, un numero finito de ellas (o por
lo menos numerable), de una funcion continua. Es corriente que las muestras sean
tomadas a distancias o intervalos regulares. Por ejemplo, si la funcion continua
es f (x) y el intervalo de muestreo con el que se obtuvo las muestras f [n] es T ,
las muestras seran obtenidas en los valores x = nT .
Si las muestras tienen un valor igual al valor de la funcion continua, evaluada
en la posicion de la muestra, es decir, f [n] = f (nT ), el muestreo se conoce como
muestreo de amplitud. Esta operacion esta estrechamente ligada a la propiedad
del cedazo del impulso (seccion 1.10.2),
Z
(x nT )f (x) dx = f (nT ),

que indica que (x nT )f (x) tiene un area bajo la curva de f (nT ), es decir, el
impulso (x nT )f (x) tiene una magnitud igual a f (nT ). Esta propiedad nos
permite establecer un nexo entre las funciones continuas y discretas. Se puede
decir que una funcion discreta es la secuencia que forman las magnitudes de un
tren de impulsos. Llamaremos fs (x) a tal tren de impulsos. Notese que fs (x) es
una funcion continua que vale cero en todo el dominio, excepto en las posiciones
de las muestras,

X
fs (x) = f (x)(x nT )
n=
1 x
= ( )f (x).
T T
La funcion shah es conocida, por esto, como la funcion de muestreo. En este
caso 1/T (x/T ) representa un tren de impulsos unitarios (el factor 1/T se explica
5.2 Convertidor analogo digital 127
f(x)
1/T Shah(x/T)
x
f[n]
=
Figura 5.1: Muestreo
en la seccion 1.10.3) ubicados a intervalos T . La figura 5.1 grafica la operacion

de muestreo como una multiplicacion con un shah.
Debido a razones, tanto de orden practico (no existe un instrumento que
pueda medir en forma instantanea una amplitud) como teorico (conservacion
de energa), se prefiere emplear muestreo de area. En el muestreo de area las
muestras no son iguales a la amplitud sino a un area. En el caso mas simple y
mas comun, esa area corresponde a la multiplicacion del intervalo de muestreo T
por la amplitud, f [n] = T f (nT ), con lo que el tren de impulsos asociado es

X
fs (x) = T f (x)(x nT )
n=
x
= ( )f (x).
T
5.2. Convertidor analogo digital

Un convertidor analogo digital (A/D) es un circuito electrico que transforma
una senal continua (analoga) en una senal discreta (digital). En estricto rigor, una
senal digital es mas restrictiva que una senal discreta. La senal digital no solo
es discreta en la variable independiente, el tiempo por ejemplo, (una secuencia

de numeros) sino que tambien lo es en amplitud. Los numeros que componen la
secuencia de una senal digital tienen una precision limitada, dada por el numero
de bits empleados para representar cada muestra, por lo que solo pueden tomar
valores discretos.
El convertidor A/D puede pensarse como un muestreador ideal seguido de
un cuantizador. El primero entrega una secuencia de numeros reales (precision
infinita) y el segundo los aproxima a una representacion binaria con un numero
limitado de bits. Si N es el numero de bits empleados para representar cada
muestra, esta tomara un valor de entre los 2N posibles. La diferencia entre la
muestra con precision infinita y la aproximacion digital se conoce como ruido de
cuantizacion. En muchos casos el ruido de cuantizacion es una variable aleatoria
con distribucion uniforme de 1/2 bit a +1/2 bit.
En este libro no se considera cuantizacion, es decir, se suponen senales disc-
retas y no digitales. En la mayora de los casos, esto no es una limitacion fun-
damental porque la velocidad cada vez mayor y el costo cada vez menor de los
sistemas digitales permiten emplear mayores precisiones, con la cual el ruido de
cuantizacion es minimizado. Claro que tambien se podra argumentar, con las
mismas razones, que el muestreo puede hacerse cada vez con menores intervalos
de tiempo o espacio con lo que bastara estudiar las senales continuas ya que las
discretas se le aproximaran cada vez mas. En cierta medida, eso puede ser cierto
y explica el fuerte hincapie que se le da a la relacion entre las transformadas
discretas y las continuas en los proximos captulos.
5.3. Teorema del muestreo

Es obvio que el intervalo de muestreo (o la frecuencia de muestreo) es fun-
damental en la relacion entre la senal discreta y la continua. La senal discreta
siempre contendra menos informacion que la senal continua, a menos que se den
condiciones especiales, en cuyo caso se puede conservar la cantidad de informa-
cion. El teorema del muestreo o teorema de Nyquist establece esas condiciones.
Teorema del Muestreo (Nyquist) Si f (x) es una funcion cuya transfor-

mada de Fourier F (u) es cero para frecuencias mayores que uc , F (u) = 0 para
|u| > uc , entonces la senal muestreada
fs (x) = (x/T )f (x)
contiene la misma informacion que f (x) si T < 1/2uc .

5.4 Convolucion discreta 129
En otras palabras, el teorema de Nyquist establece que una funcion continua

de ancho de banda limitado puede ser recuperada de sus muestras, siempre que
estas hayan sido obtenidas con una frecuencia de muestreo superior a dos veces
la maxima frecuencia contenida en la funcion original.
La demostracion de este teorema surgira en forma trivial cuando veamos el
nexo entre la transformada de Fourier y la transformada de Fourier de tiempo
discreto.
5.4. Convolucion discreta

La convolucion discreta lineal, o producto serial, de las funciones discretas
f [n] y g[n] se define como

X
X
f [n] l g[n] = f [m]g[n m] = f [n m]g[m],
m= m=
donde se ha empleado el smbolo l para especificar claramente que esta con-

volucion es lineal, en contraposicion a la convolucion cclica que veremos mas
adelante.
Ejemplo 5.4.1 Sea f [n] = (1 2 4 3 2) y g[n] = (1 2 2), entonces f [n]l g[n] =

(1 4 10 15 16 10 4). El origen de los ndices de las secuencias originales no
cambia la secuencia resultado de la convolucion, solo el origen del ndice en el
resultado, como se aprecia para los siguientes casos:
(1 2 4 3 2) l (1 2 2) = (1 4 10 15 16 10 4)
(1 2 4 3 2) l (1 2 2) = (1 4 10 15 16 10 4)
(1 2 4 3 2) l (1 2 2) = (1 4 10 15 16 10 4)
El largo de la secuencia resultante de una convolucion es P + Q 1, donde P

y Q son los largos de las secuencias originales.
5.5. Convolucion cclica

La convolucion lineal de senales periodicas tpicamente diverge. Por ejemplo
Cuanto es f[n] l g[n], con f[n] = (1 2 3 4) y g[n] = (1 2)?
(... 1 2 3 4 1 2 3 4 1 ...) l (... 1 2 1 2 1 2 1 2 1 ...)

Evidentemente la convolucion lineal diverge. Dado que las senales periodicas son
naturales para el analisis de senales discretas, es necesario definir la convolucion
de ellas.
La convolucion de senales discretas se conoce como convolucion cclica. Sea
f [n] una secuencia de largo P y g[n] una secuencia de largo Q, con P Q. Se
define la convolucion cclica como
Q1
X
f [n] g[n] = f [n m|P ]g[m]
m=0
donde la notacion [x|P ] indica el ndice x modulo P . En general la convolucion

cclica se usa para senales del mismo largo (o igual perodo). Quizas el uso mas
tpico para P 6= Q es cuando se quiere aplicar un filtro de respuesta al impulso
finita (FIR) a una senal dada. Notese que esta formula es directamente aplicable
a senales periodicas si solo se considera un perodo
h[n] = f [n] g[n]
y
h[n] = f[n] g[n]
donde h[n], f[n] y g[n] tienen periodos iguales a h[n], f [n] y g[n] respectivamente.
Ejemplo 5.5.1 La convolucion cclica de una funcion cualquiera
f[n] = ( 1, 4 1, 1 0, 4 0, 0 0, 1 0, 2 0, 4 0, 2 0, 3 0, 9
1, 1 0, 9 0, 6 0, 6 1, 1 1, 7 2, 1 2, 0 1, 7 1, 6)
y la funcion asinc
g[n] = ( 6, 5 2, 8 1, 3 0, 2 0, 8 0, 5 0, 2 0, 6 0, 3 0, 2
0, 5 0, 2 0, 3 0, 6 0, 2 0, 5 0, 8 0, 2 1, 3 2, 8)
es
f[n] g[n] = ( 8, 8 13, 8 3, 7 1, 9 0, 3 1, 6 2, 8 2, 9 3, 3

9, 7 10, 3 8, 8 6, 7 5, 1 10, 3 18, 3 19, 6 19, 2 20, 5 10, 5)
La figura 5.2 muestra una representacion grafica en que las senales son dispuestas
en forma circular (de ah el nombre cclica).
Finalmente, es importante recalcar que el smbolo de convolucion cuando

este aplicado a senales discretas, siempre se referira a la convolucion cclica.
5.5 Convolucion cclica 131
(a) f [n]
(b) g[n]
(c) f [n] g[n]
Figura 5.2: convolucion cclica (c) entre un asinc (b) y una funcion cualquiera
(a)
5.6. Respuesta al impulso

Siguiendo exactamente el mismo raciocinio que para los sistemas continuos
(sec. 2.3), la salida de un sistema discreto lineal e invariante es una convolucion
lineal de la entrada con la respuesta al impulso.
Un impulso discreto es
[n] = (1) = (... 0 0 1 0 0 ...).
Sea f [n] la senal de entrada al sistema lineal discreto L{}. La salida g[n]
estara dada por
g[n] = L{f [n]},
pero f [n] puede ser descompuesta como

X
f [n] = f [m][n m],
m=
es decir, una suma de funciones delta discretas uniformemente repartidas en el

espacio, cada una con un peso correspondiente al valor de la senal f [n] en ese
lugar.
La salida del sistema es

X
g[n] = L{ f [m][n m]},
m=
y por la propiedad de linealidad

X
g[n] = f [m]L{[n m]},
m=
de manera que la respuesta del sistema a la funcion delta, h[n, m] = L{[n m]}
(para todos los valores de n y m) es suficiente para definir el sistema por completo:

X
g[n] = f [m]h[n, m].
m=
Si el sistema lineal es tambien invariante en n, se tiene
h[n, m] = h[n m] = L{[n m]}
por lo que

X
g[n] = f [m]h[n m].
m=
5.6 Respuesta al impulso 133
Esta ultima ecuacion es una convolucion lineal de las funciones f [n] y h[n],
g[n] = f [n] l h[n]
En el caso de los sistemas continuos es posible definir una funcion de transfer-

encia debido a que la propiedad de la convolucion involucra la convolucion lineal.
Es decir, se puede expresar la convolucion en el espacio como una multiplicacion
en la frecuencia. Como veremos mas adelante, en el caso discreto, la propiedad
de la convolucion de la transformada de Fourier conecta la multiplicacion con la
convolucion cclica y no la lineal. Esto hace que no se pueda definir una funcion de
transferencia de Fourier para sistemas discretos, por lo menos en forma directa.
Que lastima!
5.7. Ejercicios
1. Muestre que una funcion periodica p(t) de perodo unitario siempre puede
ser expresada en la forma (t) f (t) de infinitas maneras. Relacione esto
con el hecho que infinitas funciones distintas pueden compartir el mismo
conjunto de muestras.
2. Exprese el tren de pulsos cuadrados

X
u(10(x n))
n=
en la forma (x) f (x) de tres maneras distintas.
3. La funcion cos(t ) es muestreada a la frecuencia crtica (/2 Hz).

Divida la funcion en su parte par e impar y muestre que las muestras corre-
sponden solo a las muestras de la parte par. Explique como es muestreada
la parte impar.
4. Calcule las siguientes convoluciones discretas
a) (1 2 1) (1 2 1)
b) (1 2 1) l (1 2 1)
c) (1 1) l (1 1 1 4 1 1 1)
d) (1 1) l (1 1 1 4 1 1 1)
e) (1 0 1 0) (0 1 0 1)
f ) (1 0 1 0) l (0 1 0 1)
g) (1 1) l (1 1) l (1 1)
h) (1 1) l (1 1)
i) (1 1) l (1 1) l (1 1)
j ) (1 0 0 0 0) (1 2 3 4 5)
k ) (0 0 0 0 1) (1 2 3 4 5)
5. Conecte uno o mas (los menos posibles) de los siguientes bloques para re-
alizar una convolucion cclica discreta entre f [n] y g[n], ambas de largo
N.
h es la correlacion discreta lineal entre f y g.
g es una secuencia con los mismos elementos que f pero en orden
inverso.
5.7 Ejercicios 135
g es la secuencia formada al replicar f s veces (s es entero real).
g es una secuencia igual a f , pero con s ceros despues del ultimo

elemento de f (acolchar).
g es una subsecuencia de f , es decir, el primer elemento de g es el

elemento n de f y el ultimo elemento de g es el elemento m de f .
6. Sea f (x) una senal de ancho de banda limitado a 1, F (u) = 0 |u|

1/2. Sean f [n] las muestras de f (x) tomadas cada x = 1/2 (al doble de
Nyquist). Encuentre g(x) como la interpolacion sinc de f [n], realizada a la
frecuencia de Nyquist, en funcion de f (x).
7. Se tiene un sistema discreto de entrada x[n] y salida y[n] definido por

1
y[n] = y[n 1] + nx[n].
2
a) Encuentre h[n, m], la respuesta del sistema a un impulso ubicado en
m.
b) Encuentre la respuesta del sistema a la entrada (..,0 0 1 1 1 1 0 0...).
c) Calcule la diferencia entre la respuesta al impulso del sistema y[n] =
1 17
2 y[n 1] + 8 4 x[n] y la respuesta encontrada en (b).
8. Se tiene una senal discreta f [n] que corresponde a las muestras de f (t)
a intervalos t = 1. Para recuperar f (t) a partir de las muestras se pro-
pone emplear primero una interpolacion del vecino mas cercano y luego un
promedio movil, es decir,
Z t+1/2
f(t) = fN ()d
t1/2
donde fN (t) es la senal interpolada con el vecino mas cercano.
a) Exprese f(t) como operaciones de multiplicacion y convolucion sobre

f (t).
b) Si f [n] = (2, 3, 1, 5), encuentre
1) f(0)
2) f(0, 5)
3) f(1, 25)
c) Si f (t) no contiene frecuencias mayores a 1/2. Como recuperara f (t)

exactamente a partir de f [n]?
9. Un interpolador de segundo orden usa f [n], f [n+1] y f [n+2] para encontrar

las constantes de la curva f (t) = a + bt + ct2 con nT t < (n + 1)T .
a) Encuentre las constantes en funcion de f [n], f [n + 1] y f [n + 2].

b) Encuentre la respuesta al impulso de un filtro ideal que entregue ex-
actamente la salida de un interpolador de segundo orden.
10. Encuentre la convolucion cclica f [n] g[n] si

2 2
f [n] = cos n y g[n] = sen n
N N
11. Encuentre (1 2 3) l (1 1). En su resultado indique el origen.

CAPITULO 6
DISCRETA
En este captulo se examinaran las distintas versiones que adopta la transfor-

mada de Fourier para el analisis de senales en las que el tiempo (o espacio), la
frecuencia o ambos son variables discretas. Las versiones discretas de la transfor-
mada de Laplace se veran en el captulo siguiente.
6.1. Introduccion
La teora de sistemas lineales continuos, incluyendo el analisis de Fourier,
haba alcanzado un gran desarrollo cuando aparecieron los sistemas digitales y
los primeros computadores. A partir de entonces los sistemas discretos han ido
tomando cada vez mas importancia.
A pesar que es posible presentar los sistemas discretos como una teora inde-
pendiente, hemos preferido presentarlos en conexion con los sistemas continuos y
as aprovechar la intuicion ya formada en estos. Obtendremos la transformada de
Fourier discreta a partir de la continua apoyandonos en los conceptos relativos al
muestreo de senales.
Las distintas formas que adopta la transformada de Fourier quedan determi-
nadas por el tipo de senal que se esta interesado en examinar, es as como para
realizar un analisis de frecuencia de una senal discreta, es necesario antes definir
una transformada de Fourier de tiempo discreto o DTFT (Discrete Time Fourier
137
138 Transformada de Fourier discreta
po
em
Aperidica Peridica
Ti
Aperidica
Continua
FT DFFT
DTFT DFT
Discreta
Peridica
ia
nc
Continua Discreta
ue
ec
Fr
Figura 6.1: Transformada de Fourier de tiempo discreto
Transform)1 . Por razones historicas se habla de la transformada de Fourier de

tiempo discreto y no de espacio discreto. El tiempo era la variable independiente
mas comun, quizas la unica, en el pasado. Para senales de frecuencia discreta, no
el espacio (este es el caso de las senales periodicas), se define la transformada de
Fourier de frecuencia discreta o DFFT (Discrete Frequency Fourier Transform).
Por ultimo, para aquellas funciones en que tanto espacio como frecuencia son
variables discretas, se define la transformada de Fourier discreta o simplemente
DFT (Discrete Fourier Transform).
6.2. Transformada de Fourier de tiempo discreto

Una senal discreta se puede representar como muestras de una senal continua.
Aunque esta representacion pueda no tener ninguna relacion con la realidad,
es una buena herramienta matematica para obtener la transformada de Fourier
de una funcion discreta en el tiempo. La figura 6.1 muestra la clasificacion de
la DTFT como una transformacion valida para senales de tiempo discretas y
frecuencia continua y periodica.
En esta seccion encontraremos una expresion para la transformada de Fourier
en el caso en que la senal es discreta (explcitamente usaremos tiempo y no espacio
discreto). Sea f [n] la senal de tiempo discreto de la cual nos interesa conocer su
contenido de frecuencia. Para aprovechar toda la teora que ya desarrollamos
1
Conservaremos las siglas en ingles para evitar confusion con textos en ese idioma.
6.2 Transformada de Fourier de tiempo discreto 139
para la transformada de Fourier continua, emplearemos una funcion auxiliar f (t)

continua. A esta funcion continua le pedimos que en t = nT sea igual a f [n]/T , es
decir, f [n] = T f (nT ). El factor T aparece porque queremos emplear muestreo de
area. Para no complicar el desarrollo tambien le vamos a pedir a f (t) que sea de
ancho de banda limitado, es decir, si F (u) es la transformada de Fourier de f (t),
entonces F (u) = 0 para |u| > 1/2T . Esta condicion simplifica la representacion
grafica del procedimiento, pero no es una condicion necesaria, aunque siempre es
posible encontrar tal funcion.
Sea f (t) una funcion continua tal que f [n] = T f (nT ) y sea fs (t) la funcion
f (t) muestreada con impulsos a intervalos regulares distanciados en T .

X
fs (t) = (t/T )f (t) = T f (t)(t nT )
n=
Vamos a definir la transformada de Fourier de tiempo discreto (DTFT) de f [n]

como la transformada de Fourier de fs (t). Recordando que fs (t) es una funcion
continua, por lo que es valido tomar la transformada de Fourier continua, se tiene

X
Fs (u) = T f (nT )F{(t nT )}
n=
X
= T f (nT )ei2unT .
n=
Se define la transformada de Fourier de tiempo discreto como

X
F (u) = f [n]ei2unT
n=
Para encontrar la inversa usaremos

Z
1
f (t) = F {F (u)} = F (u)ei2ut du,

que es equivalente a
Z 1/T
f (t) = F (u)ei2ut du,
0
porque en el intervalo [1/2T, 1/2T ] las funciones F (u) y F (u) son identicas y
porque se supone F (u) = 0 fuera de ese intervalo. Ya que F (u) es periodica el
intervalo se puede reemplazar por [0, 1/T ].
f(t) F(u)
t u
Shah(t/T) Shah(Tu)
x *
t u
f[n] F(u)
= =
t u
Figura 6.2: Representacion grafica de la obtencion de la DTFT
Para encontrar f [n] a partir de f (t), usamos f [n] = T f (nT ), por lo que la
transformada de Fourier de tiempo discreto inversa es
Z 1/T
f [n] = T F (u)ei2unT du.
0
La figura 6.2 muestra el proceso de muestreo de una senal continua y su efecto

de replicar la transformada en el dominio de la frecuencia.
En resumen la DTFT encuentra las componentes de frecuencia de una funcion
discreta. Que la funcion sea discreta en el tiempo implica que la transformada
de Fourier es periodica, lo que justifica usar F (u) en vez de F (u). En general (si
f [n] no es periodica) la DTFT es continua.
Ejemplo 6.2.1 En este ejemplo calcularemos la DTFT de una funcion u disc-

reta. Consideremos g(t) = u( t ) cuya transformada de Fourier es G(u). Si g(t)
es muestreada con ((2N + 1) t ) de manera que existen 2N + 1 muestras en el
intervalo se obtiene la senal discreta de la figura 6.3.
6.2 Transformada de Fourier de tiempo discreto 141
f(t)
F(u)
t u
x
Shah(t/T)
* Shah(Tu)
t u
=
f[n]
= F(u)
t u
Figura 6.3: La DTFT de la funcion rect.
La DTFT de g[n] es
N
X
G(u) = ei2unT
n=N

con T = 2N +1
Redefiniendo n como m-N se tiene
2N
X
G(u) = ei2u(mN )T
m=0
2N
X
= ei2uN T ei2umT
m=0
utilizando la serie geometrica

M 1
X 1 xM
xn =
1x
n=0
1 ei2u(2N +1)T
G(u) = ei2uN T
1 ei2uT
cio
Aperidica Peridica
pa
Es
Aperidica
Continua
FT DFFT
DTFT DFT
Discreta
Peridica
ia
nc
Continua Discreta
ue
ec
Fr
Figura 6.4: Transformada de Fourier de frecuencia discreta
que se puede escribir como

T T T
ei2u 2 ei2u(2N +1) 2 ei2u(2N +1) 2
G(u) = T T T ,
ei2u 2 ei2u 2 ei2u 2
es decir,
sen[uT (2N + 1)]

G(u) =
sen(uT )
= asincN (uT ) ,
que tambien se grafica en la figura 6.3.
6.3. Transformada de Fourier de frecuencia discreta

6.3.1. Definicion
En esta seccion encontraremos la transformada de Fourier de frecuencia disc-
reta (DFFT). Esta transformada encuentra las componentes de Fourier para una
funcion periodica y continua en el tiempo o espacio(fig 6.4). La transformada
resulta discreta, es decir, tiene valores para un conjunto finito de frecuencias,
y como veremos , no es otra cosa que la serie de Fourier que ya empleamos co-
mo introduccion a la transformada de Fourier continua (seccion 3.1). En forma
6.3 Transformada de Fourier de frecuencia discreta 143
analoga a la DTFT vamos a derivar una expresion para la DFFT empleando una
funcion auxiliar f (x). Esta funcion sera limitada en el espacio, es decir, f (x) = 0
para |x| > 1/2U . La transformada de Fourier de f (x), F (u) sera muestreada
a intervalos regulares en la frecuencia de largo U . Al igual que para la DTFT
emplearemos muestreo de area:
F [k] = U F (kU ).
La version muestreada de F (u) es

X
Fs (u) = (u/U )F (u) = U F (u)(u kU )
k=
Vamos a definir la transformada de Fourier de frecuencia discreta inversa de

F [k] como la transformada de Fourier inversa de Fs (u). Nuevamente es bueno
recordar que Fs (u) es una funcion continua, por lo que es valido tomar la trans-
formada de Fourier inversa continua.

X
fs (x) = U F (kU )F 1 {(u kU )}
k=
X
= U F (kU )ei2kU x
k=
Se define la transformada de Fourier de frecuencia discreta inversa

como

X
f (x) = F [k]ei2kU x
k=
Para encontrar la transformada directa usaremos

Z
F (u) = F{f (x)} = f (t)ei2ux dx,

Z 1/U
F (u) = f(x)ei2ux dx,
0
porque en el intervalo [1/2U, 1/2U ] las funciones f (x) y f(x) son identicas y
porque se supone f (x) = 0 fuera de ese intervalo. Ya que f(t) es periodica el
intervalo se puede reemplazar por [0, 1/U ].
f(x) F(u)
x u
Shah(Ux) Shah(u/U)
* x
x u
f(x) F[k]
= =
x u
Figura 6.5: Representacion grafica de la obtencion de la DFFT
Para encontrar F [k] a partir de F (u), usamos F [k] = U F (kU ), por lo que la
transformada de Fourier de frecuencia discreta es
Z 1/U
F [k] = U f(x)ei2kU x dx
0
La figura 6.5 muestra la obtencion de la DFFT en forma grafica.
Ejemplo 6.3.1 Como en el ejemplo 3.1.1 calcularemos la DFFT de una senal

periodica rectangular.
Aplicando la definicion de la DFFT se tiene, con U = 1/T
6.3 Transformada de Fourier de frecuencia discreta 145
T
T
1 1
Z Z
4
i2k Tx x
F [k] = e dx + ei2k T dx
T 0 T 3T
4

1 T i2k 41 i2k i2k 34
= (e 1+e e )
T i2k

1 T k 3k
= (i sen( ) + i sen( ))
T i2k 2 2
sen(k/2)
=
k
es decir,
1
sinc (k/2)
F [k] =
2
exactamente igual a las series de Fourier
6.3.2. Relacion con las series de Fourier

Como introduccion a la transformada de Fourier, presentamos las series de
Fourier, que son aplicables a funciones periodicas, y con las que se obtienen
coeficientes discretos en la frecuencia. Es evidente como lo muestra el ejemplo
6.3.1 que las series de Fourier no son otra cosa que la DFFT.
De la seccion 3.1.3 sabemos que toda funcion periodica f(x) puede ser expre-
sada como una combinacion lineal de senos y cosenos a traves de la expresion

f(x) =
X
Ck eik0 x ,
k=
donde 0 corresponde a la frecuencia fundamental.

Notese que Ck corresponde a un parametro discreto, es decir, solo existe para
valores enteros de k. Luego, tanto las series de Fourier como la DFFT son apli-
cables a funciones periodicas y cuyo resultado es discreto.
La transformada de Fourier de frecuencia discreta inversa es

f(x) =
X
F [k]ei2kU x .
k=
Mediante la simple sustitucion de Ck por F [k] y de 0 por 2U , observamos

que ambas expresiones son identicas. En consecuencia podemos darle una nueva
cio
Aperidica Peridica
pa
Es
Aperidica
Continua
FT DFFT
DTFT DFT
Discreta
Peridica
ia
nc
Continua Discreta
ue
ec
Fr
Figura 6.6: Transformada de Fourier discreta
interpretacion a la DFFT, esta es, entenderla como una combinacion lineal de

sinusoides de distinta magnitud.
De igual forma podemos encontrar la equivalencia para la DFFT y los coefi-
cientes de la serie de Fourier
T0 1/U
1
Z Z
Ck = f(x)eik0 x dx = U f(x)ei2kU x dx = DF F T (f(x))
T0 0 0
1 2
donde T0 = U y 0 = T0 .
6.4. Transformada de Fourier discreta

6.4.1. Definicion
La transformada de Fourier discreta se emplea para encontrar el contenido
de frecuencia de funciones que son periodicas y discretas. Esto implica que en el
dominio de la frecuencia tambien seran periodicas (porque en el espacio son disc-
retas) y discretas (porque en el espacio son periodicas) como se ve en la figura 6.6.
Es importante mencionar que historicamente la transformada de Fourier discreta
(DFT) fue desarrollada en forma practicamente independiente de la transformada
de Fourier continua. La conexion entre ambas se limito solo, por mucho tiempo,
a decir que la DFT es una aproximacion de la transformada de Fourier. Es rela-
tivamente reciente la conexion teorica que desarrollaremos en esta seccion.
6.4 Transformada de Fourier discreta 147
Cuando en las secciones anteriores encontramos la DTFT y la DFFT llegamos

a la mitad del camino entre la FT y la DFT. En la DTFT falta discretizar la
frecuencia y en la DFFT falta discretizar el espacio. A pesar de que sera suficiente
trabajar a partir de solo una transformada semi-discreta (la DTFT o la DFFT),
vamos a emplear las dos para encontrar la DFT.
Primero usemos el par DFFT
f(x) F [k]
y discreticemos el tiempo con
f[n] = T f(nT ),
lo que se logra considerando la funcion muestreada

fs (x) = (x/T )f(x) = T f(x)(x nT ).
X
n=
La transformada DFFT de fs (x) esta dada por
Z 1/U
F [k] = U fs (x)ei2kU x dx
0
Z 1/U
f(nT )(x nT )ei2kU x dx
X
= UT
0 n=
.
Antes de continuar es necesario estudiar la relacion entre U y T . Una funcion

discreta puede ser periodica solo si el periodo es un multiplo entero del intervalo
de muestreo. Llamemos N a este multiplo. En el espacio, el intervalo de muestreo
es T y el periodo es 1/U (el inverso del intervalo de muestreo en la frecuencia),
se tiene que N T = 1/U . O, en la frecuencia, el intervalo de muestreo es U y el
periodo es 1/T (el inverso del intervalo de muestreo en el espacio), se tiene que
N U = 1/T . Es decir, N U T = 1.
Volviendo a nuestro desarrollo, la integral entre 0 y 1/U limita el numero de
impulsos (x nT ) incluidos en la integral a N (la region de integracion, 1/U ,
dividida por el intervalo de muestreo T ). Con lo que se tiene

Z N 1
X
F [k] = U T
n=0
N 1 Z
X
= UT
n=0
N 1 Z
f(nT )
X
= UT (x nT )ei2kU x dx
n=0
N 1
f(nT )ei2kU nT
X
= UT
n=0
,
pero
1
f(nT ) = f[n]
T
de manera que la transformada se puede expresar en la siguiente forma (se de-
spejo el parametro U )
N 1
1 X
F [k] = f [n]ei2kn/N
N T n=0
de donde se define la transformada de Fourier discreta como

N 1
1 X
F [k] = f [n]ei2kn/N ,
N
n=0
en la que se ha considerado un periodo unitario. La figura 6.7 muestra las bases

W [n] = ei2kn/N .
Para calcular la transformada de Fourier discreta inversa haremos un analisis
similar a partir del par DTFT
f [n] F (u)
Sea
F [k] = U F (kU )
y

X
Fs (u) = U F (u)(u kU ).
k=
Re f(t) Re f(t) Re f(t)
Im f(t)
Im f(t) Im f(t)
t
t t
Re f(t)
Re f(t)
Re f(t)
Im f(t)
Im f(t)
Im f(t)
t t t
Figura 6.7: Bases de la DFT
Encontraremos la transformada de Fourier discreta inversa como la DTFT

inversa de Fs (u).
Z 1/T
f[n] = T Fs (u)ei2unT du
0
Z 1/T
X
= UT F (u)(u kU )ei2unT du
0 n=
N
X 1 Z
= UT F (kU )(u kU )ei2unT du
k=0
N
X 1
= UT F (kU )ei2kU nT ,
k=0
donde se han empleado argumentos analogos al desarrollo para la DFT directa,

es decir, que los lmites de la integral solo dejan participar a N impulsos y que
N U T = 1. De esta manera se tiene
N 1
f[n] = T
X
F [k]ei2kn/N ,
k=0
y si T = 1 se define la transformada de Fourier discreta inversa como

N 1
f[n] =
X
F [k]ei2kn/N .
k=0
Se puede observar todo este razonamiento en forma grafica en la figura 6.8.

En la figura se observa como se muestrea primero una senal continua en el espacio
(que es equivalente a replicar la funcion en frecuencia) para luego discretizar este
resultado en frecuencia (que es replicar la funcion en el espacio equivalentemente)
con esto se obtiene una funcion discreta en el tiempo y en la frecuencia.
Ejemplo 6.4.1 Nuevamente analizamos el caso visto para la DTFT y DFFT,

una funcion rectangular periodica. Lo que queremos es llevarla a frecuencia disc-
reta,
L
1 X i2kn/N
F [k] = e
L
n=L
si hacemos n = l L
2L
1 X i2(lL)k/N
F [k] = e
L
l=0
reorganizando
2L
1 i2Lk/N X i2k/N l
F [k] = e (e )
L
l=0
1 i2Lk/N 1 ei2(2L+1)k/N
F [k] = e
L 1 ei2k/N
manipulando esta expresion, F [k] se puede escribir como
1 sen[(2L + 1)k/N ]
F [k] =
L sen(k/N )
o
1 sen[(2L + 1)kU ]
F (kU ) =
L sen(kU )
asumiendo T = 1.
f(x) F(u)
x u
Shah(x/T) Shah(Tu)
x *
x u
f[n] F(u)
= =
x u
Shah(Tx) Shah(u/T)
* x
x u
f[n] F[k]
= =
x u
Figura 6.8: Representacion grafica de la obtencion de la DFT

Figura 6.9: Numero 6 en el tono del telefono
Ejemplo 6.4.2 La figura 6.9 representa una senal real. Se trata de un tono de
telefono (el numero 6), esta es una senal muestreada a 12,5 ms obteniendose un
total de 400 muestras. Una simple observacion de la senal revela la presencia de
dos sinusoides predominantes, incluso da la impresion que una de las sinusoides
predominantes tiene una frecuencia que es multiplo de la otra. En la figura 6.10
se puede ver el modulo de la DFT de la senal. Se comprueba la existencia de dos
frecuencias fundamentales; una aproximadamente de 750 Hz y otra de 1450 Hz.
Como se esperaba de una senal real, la DFT es hermitiana, lo que se manifi-
esta como magnitud par.
6.4.2. Interpretacion matricial
Debido al creciente uso de herramientas computacionales cuyo manejo de

datos se realiza en terminos vectoriales y matriciales, resulta practico expresar la
DFT como una multiplicacion matricial. Esta es
F = Wf
donde
f = [ f [0] f [1] f [2] . . . f [N 1] ]T ,
F = [ F [0] F [1] F [2] . . . F [N 1] ]T

750 1450 u(Hz)
Figura 6.10: Espectro de frecuencias del tono 6
y
W 00 W 10 W 20 W (N 1)0

W 01 W 11 W 21 W (N 1)1
1
W 02 W 12 W 22 W (N 1)2

W=

N

.. .. .. ..
. . . .
W 0(N 1) W 1(N 1) W 2(N 1) W (N 1)(N 1)
con W = ei2/N . Notese ademas que W N = W 0 = 1; W k+N = W k y |W k | = 1.

La interpretacion matricial, como un cambio de bases, es todo otro mundo
con el cual se pueden interpretar los datos. En este libro hemos preferido la
interpretacion escalar ya que provee una nocion mas intuitiva de como son las
senales en el mundo fsico.
Ejemplo 6.4.3 Calculemos la matriz de transformacion, para N = 4

1 1 1 1
i2 14 1 3
1 e
1 ei2 2 ei2 4
W=

i2 12 i2 i2 23
N 1 e e e

i2 34 i2 23 i2 94
1 e e e
1 1 1 1
1
1 i 1 i .

W=
N 1 1 1 1
1 i 1 i
Ya que el modulo de cada elemento de la matriz es uno, la matriz se puede rep-
resentar por rotaciones en el crculo unitario, dado por (cos(2 kn kn
N )i sen(2 N )),

1
,

W=
N

es decir en la primera fila se produce una rotacion progresiva de 00 , en la segunda

fila una rotacion de 900 , en la tercera de 1800 y en la cuarta de 2700
Ejemplo 6.4.4 La matriz de transformacion para N=8 se obtiene si cada fila es

rotada en 00 , luego en 450 , luego en 900 , etc.

- . & %

. - % &
1
W=
N & % -

.

% & . -
Los valores de los elementos se obtienen de ei2r/N para r = 0 (N 1).

Comparese esta representacion pictorica con los graficos de las bases de la DFT
de la figura 6.7.
6.4.3. Propiedades de la transformada de Fourier discreta

En general, muchas de las propiedades de la transformada de Fourier tambien
se cumplen para la DFT, a pesar de tratarse de senales discretas. Las simetras
de la DFT son las mismas que las de la transformada de Fourier continua como
se resume en la tabla 6.1. Para las definiciones de simetra se debe recordar la
f[n] F [k]
real par real par
real impar imaginaria impar
imaginaria par imaginaria par
imaginaria impar real impar
compleja par compleja par
compleja impar compleja impar
real hermitiana
imaginaria antihermitiana
Tabla 6.1: Simetras de la DFT
inherente periodicidad de las senales. Por la definicion de la DFT, la componente

continua es el primer elemento de la salida.
Algunas de las propiedades de la DFT se presentan a continuacion. Si f[n]
F [k] y g[n] G[k] se tiene:
1. Dualidad
1
DFT{DFT{f[n]}} = f [n]
N
2. Conjugado
f [n] F [k]
3. Inverso
f[n] F [k]
4. Superposicion
Si f[n] y g[n] tienen periodos iguales, se tiene
f[n] + g[n] F [k] + G[k]
5. Desplazamiento
Para todo a entero, se tiene
f[n a] ei2ka/N F [k]

6. Operador diferencial
Para todo a entero, se tiene
a f[n] = f[n] f[n a] (1 ei2ka/N )F [k]

en que [n-a] es de modulo N
7. Suma
n
F [k] F [0]
f[j]
X
para k 6= 0.
j=0
1 ei2k/N
Para k = 0 no hay una representacion simple
N 1 n
1 XX
F [0] = f [j]
N n=0
j=0
8. Convolucion periodica, cclica o circular

Si f[n] y g[n] tienen periodos del mismo largo, se tiene:
f[n] g[n] N F [k]G[k]
9. Producto
Si f[n] y g[n] tienen periodos del mismo largo, se tiene:
f[n]g[n] F [k] G[k]
10. Area
N 1
f[n] = N F [0]
X
n=0
11. Valor central

N 1
f[0] =
X
F [k]
k=0
12. Rayleigh o Energa2
N 1 N 1
|f[n]|2 = N
X X
|F [k]|2
n=0 k=0
2
Equivalente al teorema de Parseval para series de Fourier
f[n] F[k]
N n
N k
fa[n] Fa[k]
N 2N n
N 2N k
Figura 6.11: Funcion original con el valor absoluto de su DFT y funcion acolchada
con el valor absoluto de su DFT
En la practica muchas veces es necesario cambiar el largo de la senal. Esto

se puede hacer agregando ceros al final lo llamaremos acolchar (padding) o
agregando ceros entre muestra y muestra lo llamaremos estirar (stretching).
Notese que para acolchar los ceros son agregados en la posicion mas lejana del
origen, es decir, al medio. Como se muestra en la figura 6.11, la transformada
de Fourier discreta de un vector acolchado (en el caso de la figura al doble) es
la DFT de la funcion original en la que se han intercalado valores intermedios
(tantos como las veces que la senal se alargo) cuyos valores pueden ser obtenidos
por interpolacion sinc (sec. 6.6.2). La DFT de una senal estirada es igual a la
DFT de la senal original replicada tantas veces como ceros fueron intercalados.
la figura 6.12 muestra un ejemplo.
6.4.4. Transformada rapida de Fourier

Se llama transformada rapida de Fourier, o bien FFT (fast Fourier transform),
a un algoritmo desarrollado para obtener la DFT de una forma mas rapida y efi-
ciente [6]. El tiempo de procesamiento de la FFT es considerablemente mas rapido
que calcular la DFT directamente de su definicion, porque explota la simetra de
la matriz de transformacion con la consiguiente reduccion en el numero de op-
eraciones matematicas
Esta reduccion en el numero de operaciones se logra basicamente a traves de
la descomposicion del vector x[n] sucesivamente en varias secuencias de menor
tamano aplicandoles DFT a cada una de ellas.
n k
n k
Figura 6.12: Senal original con la magnitud de su DFT y senal estirada con la
magnitud de su DFT
Una version de la FFT consiste en separar la secuencia x[n] de largo N en

dos, donde N es un entero potencia de 2, es decir N = 2 . La primera mitad
corresponde a aquellos puntos donde n es par y la segunda donde n es impar.
Con esto se tiene
N 1
1 X
X[k] = x[n]ei2kn/N
N
n=0
subdividiendo x[n]
1 X X
X[k] = ( x[n]ei2kn/N + x[n]ei2kn/N )
N n par
n impar
mediante la sustitucion n = 2r para los pares y n = 2r + 1 para los impares se

tiene
N N
2
1 2
1
1 X i4kr/N
X
X[k] = ( x[2r]e + x[2r + 1]ei2k(2r+1)/N )
N
r=0 r=0
N N
2
1 2
1
1 X i4kr/N i2k/N
X
= ( x[2r]e +e x[2r + 1]ei4kr/N )
N
r=0 r=0
G(0)
x(0) 2X(0)
DFT WN0
G(1)
x(2) 2X(1)
N WN
1
G(2)
x(4) 2 2X(2)
2
WN
G(3)
x(6) 2X(3)
WN3
x(1) 2X(4)
H(0)
DFT WN4
x(3) 2X(5)
N H(1)
WN5
x(5) 2 2X(6)
H(2) 6
WN
x(7) 2X(7)
H(3) 7
WN
Figura 6.13: Diagrama para el calculo de la FFT en el que se calcula una DFT
de N componentes como 2 DFT de N2 componentes (para N = 8)
si llamamos al factor ei2/N = WN tenemos

N N
2
1 2
1
1 X kr
X
X[k] = ( x[2r]WN/2 + WNk kr
x[2r + 1]WN/2 )
N
r=0 r=0
Por ultimo, si llamamos a la DFT de los pares G[k] y a la de los impares H[k],
podemos reescribir esta expresion como
2X[k] = G[k] + WNk H[k].
La figura 6.13 es una representacion grafica del procedimiento. Con el resul-

tado anterior hemos logrado expresar la DFT de un vector de N puntos como
dos DFTs de N/2 puntos, una de ellas multiplicada por un factor WNk .
Es facil observar que para el calculo de una DFT de un vector cuyo periodo
sea de largo N a traves del metodo directo son necesarias N 2 multiplicaciones
complejas y N 2 sumas complejas. Para ser preciso deberamos decir (N 1)2 ,
pero para grandes N , no hay mucha diferencia.
Al subdividir en 2 el vector de entrada, para cada DFT de N/2 muestras
se deben realizar (N/2)2 multiplicaciones complejas e igual cantidad de sumas
complejas. Son necesarias ademas N multiplicaciones complejas para incluir el
factor WNk y por ultimo, N sumas complejas para considerar ndices pares e
impares. Por lo tanto, el calculo completo requiere a lo mas N + N 2 /2 sumas
complejas y multiplicaciones complejas.
Si la cantidad N/2 es par, es posible aplicar el mismo procedimiento, de tal
forma que se aplique ahora la DFT a un conjunto de cuatro vectores de N/4
muestras. Las nuevas expresiones quedan de la forma

N N N
2
1 4
1 4
1
1 X kr 1 X 2lk
X (2l+1)k
G[k] = g[r]WN/2 = ( g[2l]WN/2 + g[2l + 1]WN/2 )
N N
r=0 l=0 l=0
donde r = 2l para los pares y r = 2l + 1 para los impares, luego

N N
4
1 4
1
1 X lk k
X
lk
G[k] = ( g[2l]WN/4 + WN/2 g[2l + 1]WN/4 )
N
l=0 r=0
De igual forma, H[k] puede expresarse como

N N
4
1 4
1
1 X lk lk
X
lk
H[k] = ( h[2l]WN/4 + WN/2 h[2l + 1]WN/4 )
N r=0
l=0
Producto de esta nueva descomposicion el factor (N/2)2 se reemplaza por

N/2 + 2(N/4)2 , luego el nuevo numero, tanto de sumas complejas como de mul-
tiplicaciones complejas a realizar, es 2N + 4(N/4)2 .
Si se cumple que N = 2 el mismo procedimiento se puede repetir = log2 N
veces. Descomponiendo veces el vector de entrada, es posible realizar la DFT
en N log2 N sumas complejas e igual numero de multiplicaciones complejas.
Para tener una nocion de cual es la reduccion efectiva de operaciones, con-
sideremos por ejemplo una secuencia de largo N = 210 = 1024. Por el metodo
directo tendremos que realizar N 2 = 220 = 1, 048, 576 sumas y multiplicaciones
para obtener la DFT, en cambio, solo bastan N log2 N = 10, 240 si se emplea la
FFT, esto es mas de 100 veces mas rapido.
Si N no es una potencia de dos, la FFT puede ser empleada en un vector
acolchado de manera que su largo s sea potencia de dos.
Ademas del algoritmo aqu descrito existen una serie de variantes que se
pueden usar para explotar caractersticas particulares de la senal. Por ejemplo,
si se sabe que la senal es real.
6.5. Convolucion lineal versus cclica

Las propiedades de la DFT relacionadas con productos o convoluciones estan
definidas para convoluciones cclicas. Sin embargo, la relacion entre las senales de
entrada, la respuesta al impulso y la salida de los sistemas discretos se expresa
como una convolucion lineal (sec. 5.6). Por este motivo no se puede definir una
6.5 Convolucion lineal versus cclica 161
funcion de transferencia en el dominio de Fourier para los sistemas discretos.

As todo, si se toman algunas precauciones, que exploraremos en esta seccion,
se puede trabajar en el dominio de la frecuencia. La razon de querer hacerlo es
porque se puede tener una mejor intuicion del sistema y tambien se pueden lograr
ventajas computacionales.
Si x[n] es la entrada de un sistema y h[n] es la respuesta al impulso, entonces
la salida y[n] es la convolucion lineal (l ) entre x[n] y h[n].
Por otra parte, si x[n] y h[n] tienen largo L y P respectivamente, es facil
comprobar que y[n] tiene largo L + P 1.
x[n] = (x0 , x1 , x2 , ..., xL1 )
h[n] = (h0 , h1 , h2 , ..., hP 1 )
y[n] = x[n] l h[n] = (y0 , y1 , y2 , ..., yL+P 2 )
Estamos interesados en expresar y[n] en funcion de la convolucion cclica entre

la entrada y la respuesta al impulso del sistema. Una posibilidad para expresar
una convolucion lineal en terminos de una circular es acolchar la funcion periodica
x[n] (o bien h[n]) con tantos ceros como sea necesario para evitar una distorsion
de la senal que se conoce con el nombre de aliasion3 . Veamos en un ejemplo lo
que sucede.
Ejemplo 6.5.1 Se tiene un sistema discreto con respuesta al impulso h[n] =

(e, f, g) y la entrada es x[n] = (a, b, c, d). La respuesta estara dada por
y[n] = x[n] l h[n].
Estamos interesados en obtener y[n] a partir de una convolucion cclica de

las funciones periodicas x[n] y h[n], formadas a partir de x[n] y h[n]. Definamos
x[n] = (a, b, c, d), es decir x[n] se repite infinitas veces para transformarse en
periodica, y h[n] = (e, f, g, 0), donde hemos agregado un cero a h[n] antes de
repetirla para que h[n] tenga el mismo periodo que x[n].
Sea
u[n] = x[n] h[n]
y comparemos u[n] con y[n].

3
Debido a que no existe una buena traduccion para el termino en ingles Aliasing, hemos
decidido crear nuestro propio vocablo haciendo referencia al termino anglosajon ya mencionado
y al latn Alias que significa: como en otro tiempo.
y[0] = ae
y[1] = af + be
y[2] = ag + bf + ce
y[3] = bg + cf + de
y[4] = cg + df
y[5] = dg
y
u[0] = ae + cg + df
u[1] = af + be + dg
u[2] = ag + bf + ce
u[3] = bg + cf + de
Las diferencias entre y[n] y u[n], en los primeros cuatro valores, estan mar-
cadas en negrita. Lo que paso es que y[5] se sumo con y[1] e y[4] con y[0], como
si alguien hubiera escrito el vector en una esfera y los dos ultimos terminos se
sobrepusieron a los dos primeros. Este fenomeno se conoce como aliasion. Para
evitarlo se puede acolchar x[n].
Sea
x[n] = (a, b, c, d, 0, 0)
ahora
u[n] = x[n] h[n]
con lo que
y[n] = u[n]
para un periodo de u[n].
El numero de ceros necesarios para evitar aliasion (sec. 6.6.1) en el vector

y[n] depende del largo de los vectores x[n] y h[n]. Observando con detenimiento
el ejemplo se puede ver que se tienen m 1 terminos de aliasion, donde m es el
mnimo entre L y P . Sera necesario agregar a lo menos P 1 ceros al vector x[n],
o bien L 1 ceros al vector h[n] para evitar la aliasion.
El siguiente ejemplo muestra lo que sucede en el dominio de la frecuencia
cuando los vectores son acolchados en el dominio del tiempo.
6.6 Consideraciones practicas 163
Ejemplo 6.5.2 Supongamos que
x[n] = (a, b, c, d) X[k] = (A, B, C, D),
h[n] = (a0 , b0 , c0 , d0 ) H[k] = (A0 , B 0 , C 0 , D0 )

e
y[n] = x[n] l h[n].
Acolchando x[n] y h[n] se tiene
x[n] = (a, b, 0, 0, 0, 0, c, d)
h[n] = (a0 , b0 , 0, 0, 0, 0, c0 , d0 )
Aplicando DFT se tiene
1
x[n] (A, , B, , C, , D, )
2
1
h[n] (A0 , 0 , B 0 , 0 , C 0 , 0 , D0 , 0 )
2
donde , , y son los terminos que aparecen por interpolacion sinc (propiedad
de acolchamiento). Luego, utilizando la propiedad de la convolucion
1
y[n] (AA0 , 0 , BB 0 , 0 , CC 0 , 0 , DD0 , 0 )
4
6.6. Consideraciones practicas

6.6.1. Aliasion
Como ya se menciono en el caso discreto, la aliasion (ver pie de pagina 161) es
el fenomeno en el que las muestras de un extremo de una secuencia se sobreponen
(se suman) a las muestras del otro extremo. La aliasion tambien puede ocurrir
con senales continuas, donde replicas de la senal se sobreponen o suman entre
ellas. Tpicamente la aliasion ocurre en su forma continua en el dominio de la
frecuencia. Surge de muestrear una senal continua a una frecuencia baja (menor
que la de Nyquist).
Las figuras 6.14, 6.15 y 6.16 nos muestran un ejemplo del proceso tpico de
muestreo de una senal continua y luego su recuperacion a partir de las muestras.
Cada figura representa el mismo proceso realizado con tres diferentes frecuencias
f(x) F(u)
x uL u
Shah(x/T) Shah(Tu)
x *
T x 1/T u
f[n] F(u)
= =
x u
sinc(x/T) rect(Tu)
* x
x u
f(x) F(u)
= =
x u
Figura 6.14: Muestreo y aliasion: funcion sobremuestreada

f(x) F(u)
x uL u
Shah(x/T) Shah(Tu)
x *
T x 1/T u
f[n] F(u)
= =
x u
sinc(x/T) rect(Tu)
* x
x u
f(x) F(u)
= =
x u
Figura 6.15: Muestreo y aliasion: funcion muestreada a frecuencia de Nyquist

f(x) F(u)
x uL u
Shah(x/T) Shah(Tu)
x *
T x 1/T u
f[n] F(u)
= =
... ...
x u
sinc(x/T) rect(Tu)
* x
x u
f(x) F(u)
= =
x u
Figura 6.16: Muestreo y aliasion: funcion submuestreada

de muestreo a una senal continua de ancho de banda limitado con frecuencia

maxima de uL . En la figura 6.14, la frecuencia de muestreo es suficientemente alta,
es decir 1/T > 2uL ; en la figura 6.15, la frecuencia de muestreo es exactamente la
frecuencia de Nyquist, 1/T = 2uL ; y en la figura 6.16 , la frecuencia de muestreo
es inferior a la de Nyquist, 1/T < 2uL . En este ultimo caso es cuando encontramos
aliasion.
El muestreo es representado como una multiplicacion con la funcion shah,
(x/T ), que en el dominio de la frecuencia es equivalente a la convolucion con una
serie de impulsos a una distancia 1/T . El resultado de la convolucion en frecuencia
es una replica del espectro de la senal. Si los impulsos estan suficientemente
alejados (para frecuencias de muestreo iguales o mayores que la de Nyquist) las
replicas no se aliaran (fig. 6.14 y 6.15).
Para recuperar la senal a partir de las muestras, se emplea un filtro pasabajos
ideal, es decir, se convoluciona (en el tiempo) con un filtro cuya respuesta de
frecuencia es u(T u). La frecuencia de corte para este filtro debe ser elegida de
manera que solo sobrevivan las frecuencias correspondientes a una sola replica
en frecuencia de la senal. Es el caso de las dos primeras figuras en las que la
senal es recuperada completamente. Para la figura 6.16, no es posible recuperar
la misma senal porque el espectro sufrio aliasion en la que se combinaron los
valores de dos o mas replicas. Como se puede ver, la senal recuperada no es la
senal original.
Las figuras 6.17 y 6.18 tambien ilustran la aliasion, en este caso, de una
senal sinusoidal. En la figura 6.17, la frecuencia de muestreo es suficiente para
que no se produzca aliasion, y es facil encontrar un filtro pasabajos ideal que
recupera la senal original. En la figura 6.18 se tiene un caso severo de aliasion.
En el se muestrea una senal sinusoidal de alta frecuencia con una frecuencia de
muestreo absolutamente insuficiente. El espectro de esta senal muestreada resulta
ser el mismo que en el primer ejemplo, y la senal recuperada claramente no es la
original.
En conclusion, para evitar la aliasion es necesario muestrear a una frecuencia
igual o mayor que la de Nyquist. En la practica, la frecuencia de muestreo no
puede ser todo lo alta que se requiere por problemas de costos o simplemente
imposibilidad tecnologica. En esos casos, es conveniente filtrar previamente la
senal continua, eliminando todas las frecuencias altas y as evitar la aliasion y
por lo tanto la distorsion, no solo de las frecuencias altas, sino tambien de las mas
bajas a las que las altas se alan. La idea es que es mejor no tener informacion a
esas frecuencias que tenerla distorsionada. Este filtro se conoce como filtro anti-
aliasion (anti-aliasing). Especialmente util son estos filtros cuando la informacion
no es relevante a esas frecuencias, sino mas bien ruido. Un buen ejemplo es lo
f(x)
Im F(u)
x u
Shah(x/T) Shah(Tu)
x *
T x u
1/T
f[n] Im Fm(u)
= =
x u
Figura 6.17: Muestreo y aliasion de una sinusoide sobremuestreada

g(x)
Im G(u)
x u
Shah(x/T) Shah(Tu)
x *
T x 1/T u
g[n] Im Gm(u)
= =
x u
Figura 6.18: Muestreo y aliasion de una sinusoide submuestreada

que ocurre en los discos compactos. La senal de audio es muestreada a 44 kHz,

porque se supone que el odo humano, por muy buen estado en que este, no es
capaz de discernir frecuencias mayores que 20 kHz. La frecuencia de Nyquist es
por lo tanto 40 kHz, pero se emplea 44 kHz para darle un margen de error. En
este caso un filtro anti-aliasion con una frecuencia de corte de 22 kHz, solo elimina
componentes no audibles (ruido). Por ejemplo, si existiera un tono de 29 kHz,
que el odo humano no escucha (quizas una resonancia en la guitarra electrica)
y no se empleara filtro anti-aliasion, este se vera aliado en los 15 kHz, donde
s podra ser escuchado.
6.6.2. Interpolacion sinc
Como se vio en los ejemplos anteriores, la senal continua es recuperada de las

muestras multiplicando el espectro con un filtro ideal pasabajos, o equivalente-
mente, convolucionando en el tiempo con un sinc. Esta operacion se conoce como
interpolacion sinc, por la cual se obtiene una senal continua que coincide con las
muestras. Esta senal es de ancho de banda limitado y es la senal mas suave
que pasa por las muestras.
En el ejemplo de las figuras 6.19 y 6.20 se emplea interpolacion sinc para
encontrar la senal de ancho de banda limitado que coincide con las muestras de
una senal de ancho de banda ilimitado.
La senal g(x) es ilimitada en frecuencia, como se puede ver de su transformada
de Fourier G(u). Se muestrea en el tiempo a una frecuencia us , obteniendose su
version discreta gs [n] y su respectiva DTFT G(u). Notese que al ser ilimitada en
frecuencia, para cualquier frecuencia de muestreo se producira aliasion.
Para limitar en frecuencia a gs [n] se aplica un filtro pasabajos de ancho de
banda us , H(u), obteniendose F (u), una version truncada de G(u). En el espacio,
este procedimiento equivale a convolucionar con un sinc (us x).
Finalmente se muestrea en el espacio a la misma frecuencia us , consiguiendo
la funcion discreta fs [n], de ancho de banda limitada, cuyos valores coinciden
exactamente con los valores de gs [n], a pesar de que las funciones continuas desde
donde fueron obtenidas las muestras no son iguales.
Con esto hemos mostrado que siempre es posible encontrar una funcion f (x)
continua en el tiempo y limitada en frecuencia, cuyas muestras coincidan exac-
tamente con las muestras de una funcion g(x) continua en el tiempo e ilimitada
en frecuencia.
g(x)
G(u)
x u
Shah(us x)
x * Shah(u/us)
1/us x us u
gs[n]
= = G(u)
x u
h(x)
* x H(u)
x us/2 u
= f(x)
= F(u)
x u
Figura 6.19: Obtencion de dos funciones que coinciden en las muestras, una ilim-
itada, g(x), y otra limitada, f(x), en frecuencia (continua)
Shah(us x)
x *
1/us x us u
= =
fs[n]
x u
Figura 6.20: Continuacion: Obtencion de dos funciones que coinciden en las

muestras, una ilimitada, g(x), y otra limitada, f(x), en frecuencia
6.6.3. Apodizacion y derrame

Para analizar senales discretas se emplean computadores, que por supuesto
tienen capacidad limitada y no pueden procesar por ejemplo, calcular la DFT
senales muy largas, como podra ser el audio de una pieza musical. Esta lim-
itacion nos obliga a analizar las senales por parte, es decir, a tomar solo una
seccion de la secuencia total. Esta limitante tambien ocurre en el sentido inverso
en el que, para sintetizar una senal muy larga, es necesario hacerlo por tramos.
La forma mas obvia de extraer una seccion de la senal, es multiplicando por
un rect. La operacion de multiplicar la senal por una ventana se conoce como
apodizacion4 .
El dilema aqu, es que si se apodiza con un rect, por ejemplo, en la frecuencia se
esta convolucionando con un sinc, y el sinc es una funcion de extension ilimitada.
Es decir, la apodizacion nos deja con una funcion de ancho de banda ilimitado,
por lo que al muestrear se producira aliasion. Es por esto, que la eleccion de una
buena funcion de apodizacion es importante y ha constituido el tema de muchos
trabajos. En general se busca un compromiso entre las extensiones en ambos
dominios. Algunas funciones normalmente empleadas incluyen las funciones de
Hamming, Hanning, Coseno elevado, Gauss truncado, etc.
La apodizacion no solo afecta a la aliasion, sino tambien puede producir el
fenomeno conocido como derrame5 . En las figuras 6.21 y 6.22 se ejemplifica este
4
Al igual que para aliasion, al no existir una buena traduccion para el ingles windowing,
acunamos el vocablo apodizar, que hace alusion a la palabra griega podos, que significa pie,
luego entiendase apodizar como cortar los pies.
5
Traduccion del ingles leakage.
f(x)
F(u)
Tc x
1/Tc u
h(x/3Tc)
H(u)
x *
x
T= 1.5Tc u
=
=
x
u
Shah(x/3Tc) Shah(3Tcu)
* x
1/u1 x u1 u
f(x)
= F[k]
=
x
1/Tc k
Figura 6.21: Apodizacion y derrame

f(x)
F(u)
Tc x
1/Tc u
h(x/3.5Tc) H(u)
x *
x u
T= 1.75Tc
fa(x)
= Fa(u)
=
x
u
Shah(x/3.5Tc) Shah(3.5Tc u
* x
x u
f[k]
f(x) =
=
x k
Figura 6.22: Apodizacion y derrame

efecto.
En la figura 6.21 la funcion f (x) = cos( 2x Tc ) se apodiza en primer lugar
x
mediante u( 3Tc ). Luego se muestrea en el dominio de la frecuencia con el tren de
pulsos (3Tc u). Como resultado todas las muestras coinciden con los cruces por
cero, excepto para las frecuencias 1/Tc y 1/Tc , lo que corresponde exactamente
a la transformada de Fourier de cos( 2x Tc ). En este caso debido a la eleccion de
la funcion no hay derrame. En la figura 6.22 se realiza el mismo procedimiento,
x
pero esta vez se apodiza con u( 3,5T c
). Al muestrear en el dominio de la frecuencia
se produce un corrimiento de las muestras, efecto que llamaremos derrame y
que en este caso se manifiesta, en el dominio del tiempo, como la union de dos
cosenos desfasados entre s. Para subsanar esta situacion en el caso de funciones
periodicas es necesario considerar una longitud de la apodizacion que corresponda
a un multiplo entero del periodo de la funcion a muestrear.
En el caso general la ventana de apodizacion debe ser suave de modo de
minimizar el derrame.
6.6.4. Aproximacion a la transformada de Fourier

Un uso comun de la DFT es como aproximacion a la transformada de Fourier.
Se tiene una senal continua que interesa procesarla en el dominio de la frecuencia.
El ejemplo de las figuras 6.23 y 6.24 muestra los pasos que se pueden seguir.
En ella se muestra la senal original continua f (x) y su respectiva transformada
de Fourier F (u). Se ha elegido una senal par, con el fin de evitar en el analisis
el estudio de la fase. Tpicamente la senal tendra pequenas perturbaciones de
considerable amplitud pero de escasa energa, atribuibles a ruido. Dichas pertur-
baciones corresponden, en el dominio de la frecuencia, a alteraciones de escasa
magnitud que se reparten en un amplio espectro.
El primer paso es aplicar un filtro anti-aliasion consistente en un pasabajos
de ancho de banda 1/T , donde T es el perodo de muestreo, eliminando as todas
las componentes de frecuencias que puedan producir aliasion, y entre ellas, gran
parte del ruido. Para establecer cual sera la frecuencia de muestreo, supongamos
que T0 es el largo del segmento a examinar de la senal f (x) y N es el numero
de muestras que vamos a transformar. De esta manera el perodo de muestreo es
T = T0 /N . Se ve tambien la importancia de aplicar un filtro anti-aliasion, para
que las muestras tomadas no coincidan con las perturbaciones.
Solo analizaremos un intervalo de largo T0 , es decir, la senal es apodizada,
fL (x). En este ejemplo la apodizacion consiste en multiplicar la funcion en el
tiempo por u(x/T0 ), o bien convolucionar en frecuencia con sinc (u/T0 ). La fun-
cion u, en general, no es una buena funcion de apodizacion, solo se emplea para
ejemplificar el proceso.
f(x) F(u)
x u
g(x) G(u)
* x
T x 1/2 T u
fl(x) Fl(u)
= =
x u
h(x)
h(u)
x *
x
T0 u
= FL(u)
fL(x)
=
x u
Figura 6.23: Uso de la transformada discreta de Fourier como aproximacion de

la transformada de Fourier (continua)
Shah(x/T) Shah(Tu)
x *
T x 1/T u
fd[n]
= Fp(u)
n u
Shah(x/T0) Shah(T0 u)
* x
T0 x 1/T0 u
f[n]
= F[k]
n k
Figura 6.24: Continuacion: Uso de la transformada discreta de Fourier como

aproximacion de la transformada de Fourier
A continuacion muestreamos la funcion resultante en el tiempo con el tren de

pulsos (x/T ), obteniendo como resultado fd[n] y su respectiva transformada de
Fourier de tiempo discreto F (u).
Por ultimo debemos muestrear F (u), logrando as el resultado buscado en el
dominio de la frecuencia, bastando solo aplicar la transformada inversa de Fourier
discreta a la expresion anterior, para obtener su equivalencia en el tiempo, con
lo que se completa el analisis.
6.7 Ejercicios 179
6.7. Ejercicios
1. Encuentre el analogo a todas las propiedades de la FT que sean aplicables
a la DTFT y la DFFT. De un ejemplo didactico y ojala grafico para cada
una. Las propiedades deben incluir (por lo menos):
a) similaridad
b) linealidad
c) desplazamiento
d) convolucion
e) multiplicacion
f ) modulacion
g) diferenciacion
h) integracion
2. Encuentre la DTFT de las siguientes funciones discretas (suponga que el

intervalo de muestreo es T ). Grafique la funcion en los dos dominios (tiempo
y frecuencia).
a) f [n] = 0, 8n [n]
b) f [n] = (0, 8)n [n]
c) f [n] = a|n| con 0 < a < 1
d) f [n] = cos 0 nT
e) f [n] = sen 0 nT
NOTA: [n] = 0 para n < 0 y [n] = 1 para n 0.
3. Demuestre que f [n] =DFT{DFT1 {f [n]}}.
4. La DTFT (F (u)) es una funcion periodica compleja de la variable continua

u. Dado que la DTFT esta definida para funciones discretas infinitamente
largas, y ademas es funcion de una variable continua, en Matlab solo pode-
mos encontrar una aproximacion.
Defina una funcion de Matlab, F = dtft(f,N) que entregue un vector com-
plejo F correspondiente a N muestras de la DTFT del vector f. Es decir, si
L es el largo del vector f,
L1
X
F (uk ) = F (k/N T ) = f [n]ei2kn/N para k = 0, 1, ..., N 1
n=0
Si N= L esta formula no es otra que la transformada discreta de Fourier

(DFT). La funcion dtft debe ser valida para N L.
Emplee las funciones predefinidas de Matlab fft y fftshift. Asegurese de
que la componente continua este donde usted la desea.
5. Escriba la definicion de DFT de Matlab y comparela con nuestra definicion.
Si esta fuera diferente modifique la funcion dtft para que esta corresponda
a nuestra definicion. Necesita o no pasar a la rutina el periodo de muestreo,
T?
6. Usando Matlab, grafique la magnitud y fase de la DTFT, R(u), del rect,
r[n]:
1 |n a| < L
r[n] =
0 otro caso
para 1/2 u 1/2 con T = 1. Hagalo para diferentes valores de a y L.
Pruebe con L par y L impar.
7. Use la funcion dtft para encontrar la DTFT de r[n], dada en el problema
anterior con L = 12. Haga un grafico del modulo y de la fase de la DTFT
para el rango 1/2T u < 1/2T con T = 1. Para que el grafico sea
suave elija entre 5 a 10 veces mas muestras de la frecuencia que largo de la
secuencia (Experimente un poco).
8. Grafique la magnitud y fase de la DFT, R[k], de la funcion rect, r[n] de N
muestras:
1 |n| < L
r[n] =
0 otro caso
Grafique y compare con el grafico anterior la funcion continua sinc, s(u),
que mejor calza con F [k].
9. Explique como modificara la funcion dtft para que calcule la DTFT de
una secuencia desplazada en n0.
10. Encuentre la DTFT de un rect, r[n], de 23 puntos (L = 23) que comienza en
n = 11. La transformada debe ser puramente real y par. Haga un grafico
de ella.
11. Haga un grafico de la funcion triangular de largo 2L 1 con L = 11 para
el rango 20 n 20. Calcule manualmente y con Matlab la DTFT.
Calcule la DFT de una secuencia f [n] de 32 elementos, en la que los ultimos
16 son cero (en el sentido periodico). Se conoce la DFT de los 16 primeros
elementos como F [k].
6.7 Ejercicios 181
12. Calcule la DFT de f [n] = en/4 para 1 n 31 y f [0] = 0, 5. Compare

con la transformada de Fourier continua.
13. Sea f [n] = an con n = 0, .., N 1 y g[n] = bn con n = 0, .., N 1. Usando

Matlab, encuentre
a) F [k] = DFT{f [n]}.

b) G[k] = DFT{g[n]}.
c) h[n] = f [n] l g[n]
d) m[n] = f [n] g[n]
e) H[k] = DFT{h[n]}.
f ) M [k] = DFT{m[n]}.
Compruebe que M [k] = N F [k]G[k]. Que propiedad debe tener f [n] y g[n]
para que H[k] = N F [k]G[k], por lo menos en algun intervalo?
14. Es comun emplear un discretizador de orden cero (zero order hold) para
obtener muestras de una senal continua. La salida f0 (t) del discretizador es
f0 (t) = f (kT ) kT t < (k + 1)T, k = ... 2, 1, 0, 1, 2, ...
Disene un filtro que tome como entrada f0 (t) y cuya salida sea f (t) (Notese
que este filtro es solo teorico porque no se puede realizar, entre otras cosas,
porque incluye un retardo negativo). Aplique el filtro a la senal f0 (kT ):
{...0, 0, a, b, c, d, e, 0, 0, ...} correspondientes a k = {...-2, -1, 0, 1, 2, 3, 4,
5, 6, ...}, y estime el valor de f (0, 5T ) y f (0, 9T ). AYUDA: Disene dos filtros
en cascadas. El primero obtiene un tren de impulsos de fuerza equivalente a
la amplitud de f0 (t) a partir de f0 (t). Este filtro se puede obtener de dividir
en el dominio de la frecuencia la salida por la entrada. El segundo filtro
realiza una interpolacion sinc en los impulsos.
15. Una senal continua f (t) tiene la transformada de Fourier

1 A A
F () =
0 || > A
La senal es muestreada empleando una frecuencia de muestreo s = 30 ra-
dianes/segundo. Se intenta reconstruir f (t) como fr (t) a partir de las mues-
tras, generando el tren de impulsos apropiado y aplicando un filtro pasa-
bajos ideal de frecuencia de corte s /2. Grafique el espectro (transformada
de Fourier) de la salida del filtro si A = 8 rad/s. Produce distorsion en la
senal este proceso? Repita el problema para s = 10 rad/seg.
16. Describa como empleara un algoritmo FFT para secuencias de largo N =

2 para calcular la DFT de una secuencia de largo que no es potencia de dos
(use alcolchamiento y obtenga una DFT del mismo largo que la secuencia
original).
17. Describa un algoritmo FFT para secuencias de largo N = 3 . Compare las

bondades y desventajas de este algoritmo con usar acolchamiento hasta una
potencia de 2. Use matlab para verificar su algoritmo.
18. Se tiene una senal continua F (u) correspondiente a la transformada de

Fourier de f (t). Comparemos algunos metodos para obtener una aproxi-
macion de f (t). Se puede suponer N U grande.
a) Por muestreo en el tiempo: ft [n] = T f (nT ) (N muestras a intervalos

T ).
b) Por muestreo en la frecuencia: Sea Fu [k] = U F (kU ) (N muestras a
intervalos U en la frecuencia). Y sea fu [n] la DFT inversa de Fu [k].
c) Por muestreo en la frecuencia desplazado: Sea Fd [k] = U F ((k 1/2)U )
(N muestras a intervalos U en la frecuencia). Y sea fd [n] la DFT
inversa de Fd [k].
Si f (t) es limitada en el tiempo (f (t) = 0 para |t| > N T /2) como se

diferencian fu [n] y fd [n] con ft [n]? Si f (t) no es limitada en el tiempo
(f (t) 6= 0 para |t| > N T /2) como se diferencian fu [n] y fd [n] con ft [n]?
Responda las preguntas (4 respuestas) en forma cualitativa dando un argu-
mento matematico.

19. Sea DTFT{f [n]} = sen u + 2 y el escalon discreto definido por [n] = 1
si n 0 y 0 si n < 0. Calcule f [n] l [n] evaluada en y +.
20. Por que f (x) y su derivada en la ecuacion A.10 del apendice A deben ser
continuas?

X x
f (x) = b sen
l
=1
21. Sea F [k] la DFT de f[n] de largo N par. Encuentre, en funcion de los
elementos de f[n],
a) F [0] + F [2] + ... + F [N 2]

b) F [1] + F [3] + ... + F [N 1]
6.7 Ejercicios 183
22. Encuentre la DFFT de

t nT0
f(t) =
X
u( ).
n=

Evalue la DFFT para T0 = 2 y = 1. Compare sus resultados con los

coeficientes de la serie de Fourier del ejemplo 3.1.1.
23. El dueno de una tienda de zapatos esta interesado en conocer la distribu-

cion estadstica del tamano de los pies de sus clientes. Para esto anota los
numeros pedidos por cada persona que entra y los coloca en un vector x[n].
Los datos los ingresa en Matlab y les calcula la transformada de Fourier
(por jugar). Justo en ese instante ocurre una desgracia (se corta la luz)
y se borra el vector x[n] y el matlab. Afortunadamente pudo rescatar la
transformada de Fourier X[k]. Su mision es calcular la media y desviacion
estandar de los numeros originales en funcion de los X[k] (no se puede hacer
la transformada inversa).
24. Describa un algoritmo que calcule la convolucion lineal de dos vectores de

largo n en base a acolchar, fft e ifft. Si la complejidad de acolchar es O(1)
y la de la fft es O(n log n), estime la complejidad del algoritmo descrito.
Nota: O(2n2 + n) O(n2 )
25. En la figura se ha graficado en la columna izquierda el valor absoluto de

un vector y a la derecha la fase en grados (los crculos cercanos a 200 son
en realidad 180). La primera fila corresponde al vector f = [1 1 1 1 1 0
0 0 0 0 0 0 1 1 1 1]. Cual fila y por que corresponde a fft(f) ? A
que corresponde la ultima fila?
abs() fase()
1 1
0.5 0
0 1
100 5 10 15 20 2000 5 10 15 20
5 100
0 0
100 5 10 15 20 2000 5 10 15 20
5 100
0 0
100 5 10 15 20 2000 5 10 15 20
5 100
0 0
100 5 10 15 20 4000 5 10 15 20
5 200
0 0
100 5 10 15 20 2000 5 10 15 20
5 100
0 0
0 5 10 15 20 0 5 10 15 20
26. Definicion preliminar: Un proceso aleatorio es una secuencia de variables

aleatorias, x[n], indexadas por n. La autocorrelacion del proceso se define
como rx [m] = E{x[n + m]x? [n]}, donde E{} es la esperanza y x? es el
complejo conjugado de x. Se define la densidad espectral de potencia como
la DTFT de la autocorrelacion, Rx (u) = DTFT{rx [m]}.
Cual es la densidad espectral de potencia del ruido blanco gaussiano? El
ruido blanco gaussiano esta definido por la secuencia de variables aleatorias
independientes e identicamente distribuidas gaussianas x[n] de media cero
y varianza 2 .
27. Un sistema discreto lineal e invariante en el tiempo tiene una respuesta

al impulso h[n] cuya DTFT es H(u). Determine la densidad espectral de
potencia, Ry (u) de la salida y[n], cuando la entrada es x[n] con una densidad
espectral de potencia Rx (u). Exprese su resultado en funcion de Rx (u) y
H(u).
28. Se define la siguiente transformada discreta para un vector de largo N (N

6.7 Ejercicios 185
par).
F [k] = 2f [k] + f [k + N/2]
Defina la transformada inversa correspondiente.
29. Encuentre y grafique la DTFT, suponiendo T = 1, de
a) f[n] = (1 1)
b) f[n] = (1 0)
c) f[n] = (0 1)
d) f[n] = (1)
30. Las primeras dos figuras muestran el registro de un acelerometro para el

terremoto de Loma Prieta, California (direccion Norte-Sur, segun demo de
Matlab). Los datos fueron muestreados a 200 Hz. Arriba esta el registro
completo y abajo un intervalo de interes de 1024 muestras. Las dos figuras
siguientes muestran la magnitud de la DFT tomada a los 1024 puntos de
la region de interes. Abajo se grafica un detalle con las muestras 1 a la 50.
Cual es la frecuencia (en Hz) con mas energa? Indique aproximadamente
la frecuencia de Nyquist para estos datos.
31. Si f [n] = (a b c d 0 0 0 0) F [k] = (A B C D E F G H), Cual es la

DFT de g[n] = (a b c d) en funcion de los valores de F [k]?
32. Un alumno sugirio que la version correcta de la propiedad de la suma de la
DFT para f [n] F [k], es
n
X F [k] F [0]
f [j] para k 6= 0.
j=0
1 ei2k/N
Es correcta esta sugerencia? Demuestre su respuesta ya sea positiva o

negativa para el caso N = 4.
33. a) Suponga que se quiere recuperar la senal f (x) de sus muestras. f (x)
tiene un ancho de banda de 2, F (u) = 0 |u| 1, y las muestras
fueron tomadas al intervalo de Nyquist (x = 1/2). Pero hay una
buena y una mala noticia. La mala es que se perdieron la mitad de las
muestras, es decir, solo se tiene f (2x) f (0) f (2x) , represen-
tadas por g(x) = (x)f (x). La buena noticia es que ademas se tiene la
derivada de esa funcion en esos lugares, es decir, f 0 (2x) f 0 (0) f 0 (2x) ,
representadas por g0 (x) = (x)f 0 (x) (notese que g0 (x) no es la deriva-
da de g(x)). Encuentre las transformadas de Fourier de g(x) y de g0 (x),
G(u) y G0 (u), en funcion de F (u) para el rango 1 u 1.
b) Exprese F (u) en funcion de G(u) y G0 (u). Tome la transformada de
Fourier a esta expresion para obtener f (x) en la forma
f (x) = a(x) g(x) + b(x) g0 (x).
6.7 Ejercicios 187
Con esto demostro que es posible recuperar la senal.
34. Se tiene el siguiente par de Fourier,
[a+bi, x1 , abi, a, x4 , a, abi, a] [y0 , y1 , bi/2, 0, a, y5 , bi/2, y7 ]
Encuentre cualquier valor para los numeros x1 , x4 , y0 , y1 , y5 e y7 de manera

que se satisfaga la igualdad. a y b son conocidos.
35. Hartley I. Se define la transformda discreta de Hartley (DHT) como

N 1 N 1
1 X X
F [k] = f [n]cas(2nk/N ) y f [n] = F [k]cas(2nk/N )
N
n=0 k=0
con cas = cos + sen . La DHT es especialmente util para f [n], y con-
secuentemente F [k], real. Encuentre la propiedad del desplazamiento para
la DHT, es decir, exprese la transformada DHT de f [n + a] en funcion de
F [k], la transformada de f [n].
36. Hartley II. Encuentre la propiedad del estiramiento con factor 2 para
la DHT. Es decir, encuentre la DHT de la funcion g[n] de largo 2N , si
g[2m] = f [n] y g[2m + 1] = 0, (m = 0..N 1) en funcion de la DHT de
f [n]. Demuestre su resultado.
37. Encuentre, en la forma mas simplificada posible,

X
g() = sinc 2 (m + )
m=
para cualquier . Ayuda: Use la DTFT de una funcion triangular.
38. Se tienen unos walkie-talkies para comunicar audio con contenidos de fre-
cuencia solo en el rango 1 a 2 kHz. Si se dispone de una licencia para
emplear las frecuencias de radio de 88,1 a 88,2 MHz, cual es el maximo
numero de canales de modulacion AM independientes que se pueden tener?
Cuales seran las frecuencias de modulacion de cada uno?
39. Se calcula el numero NZ de la siguiente manera NZ = sum(abs(F)<1e-6);.

Encuentre NZ para las siguientes definiciones de F. Justifique su respuesta.
a) F = fft([1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1]);
b) F = fft([1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1]);
40. El siguiente programa Matlab genera el grafico de la figura.
x = -32:31; % lnea 1
a = fftshift(exp(-pi/4*x.^2)); % lnea 2
y = % lnea 3
Y = fft(y); % lnea 4
plot(x,real(Y),o,x,imag(Y),+); % lnea 5
Complete la lnea 3 y justifique su respuesta.
41. a) Encuentre la DFT del siguiente vector
(a, b + 2i, c, b, a, b, c, b, a, b, c, b, a, b, c, b)
b) Suponga que tenemos un algoritmo muy bueno para calcular la DFT

de funciones reales. Pretendemos usar este algoritmo para calcular la
DFT de la funcion compleja f [n] de largo N . Para esto se almacena
en un vector de largo 2N la parte real de f [n] en los ndices pares y la
parte imaginaria en los ndices impares (g[2n] = realf [n] y g[2n + 1] =
imagf [n]). La DFT de largo 2N de g[n] es G[k]. Encuentre la DFT de
f [n] en funcion de G[k]
6.7 Ejercicios 189
42. Los pulsos empleados en radares son de la forma po para facilitar la

deteccion de ecos. La senal po es
2 /T
p(t) = u(t/Tm )eiW t m
Escuche la funcion po y especule por que se llama as.
a) Grafique una estimacion aproximada de |P (u)|, el valor absoluto de

la transformada de Fourier de p(t). No calcule la transformada, solo
haga un trazado a mano alzada, indicando los valores para el eje de la
frecuencia. AYUDA: busque la frecuencia instantanea.
b) La version muestreada de la senal po a una frecuencia um = pW es
2
p[n] = ei2(nN/2) 0 n < N.
Encuentre y N .
c) Si p = 1 y N es multiplo de 4, se tiene que P [k], la DFT de p[n], es
tambien un po discreto. Encuentre P [k].
43. Se desea disenar un implante para el caracol del odo humano que funciona
de la siguiente manera:
La entrada de audio, que no contiene frecuencias superiores a 8 kHz,

es muestreada a una frecuencia um .
Se selecciona un trozo de entrada de duracion M con una funcion
de apodizacion rect.
Y se toma la DFT de las muestras.
Si se desea que algunas de las frecuencias discretas correspondan a las fre-

cuencias u1 = 200 Hz, u2 = 220 Hz y u3 = 1 kHz, encuentre los siguientes
parametros de manera que el sistema sea lo mas rapido posible (DFT mas
corta).
a) T = 1/um , el periodo de muestreo.

b) N , el numero de muestras de cada DFT.
c) M , la duracion de cada trozo de senal.
d) k1 , el ndice de la frecuencia discreta correspondiente a u1 .
44. Se tiene un filtro anti-aliasion H(u). Interesa minimizar las distorsiones

de Gibbs introducidas por el filtro. Para medirlas se define el coeficiente
R = |h1 |/|h0 |, donde h0 es la altura maxima del lobulo principal de la
respuesta al impulso del filtro, y h1 la altura maxima (en valor absoluto)
del primer lobulo lateral.
Si H(u) = u(u) u(u) (n veces),
a) [2 ptos] Cual es el mnimo valor de n para que R < 0, 003?

b) [2 ptos] Cual es la mnima frecuencia de muestreo con la que no ocurre
aliasion para ese n?
45. Suponga que Romualdo programo una rutina para obtener la DFT: F =
calculaDFT(f,N), donde f y F son vectores de largo N. Desgraciadamente
Romualdo se equivoco y uso la siguiente definicion:
N 1
1 X
F [k] = f [n]ei4kn/N
N n=0
a) Si Ud. esta interesado en obtener la DFT (correcta) de x[n] (largo

N ), como empleara la rutina de Romualdo?
b) Como recuperara la DFT (correcta) de x[n] (largo N ) a partir de la
salida de calculaDFT(y,2N) con y = (0..,0 x[0] x[1]...x[N 1] 0..,0)?
(y tiene N/2 ceros al principio y N/2 ceros al final, N par).
46. Se define la transformada de Gonzalez discreta (DGT) como

N
X 1
F [k] = h[n, k]f [n]
n=0
donde h[n, k] = [n k] [n N + 1](1 + a).
a) [3 ptos] Encuentre la DGT de (1 1 1 1).

b) [3 ptos] Encuentre la DGT inversa de (3 2 0 3 7 12).
Cuanto le gustara que valiera a?
[AYUDA: Exprese la DGT en forma matricial]

47. Sea
N/21
X
MN [n] = [n 2i]
i=0
y f[n] = (a, b, c, d, a, b, c, d), cuya DFT es F [n] con N = 8.

6.7 Ejercicios 191
a) Encuentre F [n]MN [n]

b) Encuentre F [n]MN [n 1]
48. Si se definiera la DFT como

N
X 1
F [k] = 2 f [n]ei2kn/N
n=0
Cual sera la DFT inversa?
49. Como se llama el fenomeno que ocurre cuando una senal continua es
muestreada sin cumplir con la frecuencia de Nyquist?
50. Si x es un vector de 128 elementos cualquiera, cuanto vale la siguiente

expresion? Se esta empleando notacion Matlab.
sum(abs(fft(x)) - abs(fft(fftshift(x))))
51. Si la DFT de [a b c] es [A B C], cual es la DFT de [a b c a b c]?
52. Encuentre la DFT de f [n] = a + (1)n b, n = 0...N (N impar).
53. Encuentre A1 si

1 1 1 0 0 0
A = cos 2/3 1 1 1 + i sen 2/3 0 -1 1
1 1 1 0 1 -1
54. Encuentre los productos internos < a(m), b(n) > para todo m, n = 0 . . . N1
donde a(m) = [a0 (m) a1 (m) . . . aN 1 (m)] y b(n) = [b0 (n) b1 (n) . . . bN 1 (n)]
con
ak (m) = ei2km/N y bk (n) = ei2kn/N .
55. Grafique un periodo de la funcion expandida por la serie de Fourier cuyos

coeficientes son
C2 = i, C1 = i, C0 = 1, C1 = i, C2 = i y Ck = 0 para |k| > 2.
56. Escriba una lnea de comando de Matlab que encuentre la DFT del vector
x con la definicion vista en el curso, y no la de Matlab que se reproduce
aqu (tomado de help fft).
The functions X = fft(x) and x = ifft(X) implement the transform and

inverse transform pair given for vectors of length N by:
N N
(j1)(k1) (j1)(k1)
X X
X(k) = x(j)N x(j) = (1/N ) X(k)N
j=1 k=1
where N = e(2i)/N is an N th root of unity.

CAPITULO 7
TRANSFORMADA Z
La transformada de Laplace es una extension de la transformada de Fourier

para senales continuas. Algo similar ocurre para senales discretas, es decir, las
transformadas de Laplace discretas son una extension de las transformadas de
Fourier discretas.
Por otro lado, las transformadas de Fourier discretas pueden ser definidas a
partir de la version continua de la transformada de Fourier, mediante muestreo de
las senales. Esto nos hace pensar que las versiones discretas de la transformada de
Laplace, tambien deberan ser posibles de definir a partir de la version continua.
En la practica, la unica version discreta de la transformada de Laplace que
tiene alguna utilidad es la transformada de Laplace de tiempo discreto, o DTLT
(Discrete Time Laplace Transform). Y tampoco es mucho lo que se usa en s. Su
importancia es que nos permite definir la transformada Z que s es muy importante
y ampliamente empleada.
Antes de dedicarnos a la transformada Z de lleno, que es el tema de este
captulo, en las dos primeras secciones definiremos la DTLT por dos caminos, uno,
como muestreo de la transformada de Laplace continua y otro como extension de
la DTFT. Finalmente definiremos la transformada Z con un cambio de variable
en la DTLT (fig. 7.1).
7.1. Transformada de Laplace de tiempo discreto

Para definir la transformada de Laplace de tiempo discreto emplearemos un
raciocinio muy similar al de la seccion 6.2, en la que se define la transformada de
193
194 Transformada Z
po
em
Aperidica Peridica
Ti
Aperidica
Continua
FT DFFT
DTFT DFT
Discreta
Peridica
Transformada Z
ia
nc
Continua Discreta
ue
ec
Fr
Figura 7.1: Clasificacion de las transformadas segun periocidad y continuidad
Fourier de tiempo discreto.

Sea f [n] la senal discreta de la cual deseamos conocer su DTLT. Sea la senal
continua f (t) una funcion tal que T f (nT ) = f [n] y su transformada de Laplace
sea limitada en la frecuencia (imaginaria),es decir, F (s) = 0 para |u| > 1/2T .
La constante T es el periodo de muestreo, donde se esta empleando muestreo de
area. Tal funcion, como vimos siempre existe (Teorema de Nyquist).
Sea fm (t) la senal continua formada por impulsos de magnitud igual a las
muestras (de area) de la senal f (t),

X
fm (t) = (t/T )f (t) = T f (nT )(t nT ).
n=
La transformada de Laplace de fm (t) es

X
Fm (s) = T f (nT )L{(t nT )}
n=
X
= T f (nT )esnT < Re{s} <
n=
donde y son constantes reales que definen la region de convergencia de la

sumatoria, y como T f (nT ) = f [n], se tiene la definicion de la DTLT como,

X
F (s) = f [n]esnT < Re{s} <
n=
7.2 Transformadas de Laplace y Fourier de tiempo discreto 195
Para encontrar la DTLT inversa, comenzamos con la inversa de la transfor-

mada de Laplace
Z c+i
1
f (t) = F (s)est ds <c<
i2 ci
Como se supone que F (s) = 0 para |u| > 1/2T y ademas F (s) y F (s) son identicas
en un periodo,
Z c+i2/T
1
f (t) = F (s)est ds <c<
i2 c
que finalmente es
c+i2/T
T
Z
f [n] = F (s)esnT ds <c<
i2 c
Al igual que para la transformada de Laplace inversa continua, c es una constante

real perteneciente a la region de convergencia.
7.2. Transformadas de Laplace y Fourier de tiempo

discreto
Siguiendo el mismo argumento que en la seccion 4.2, es decir,
Z
t
F (s) = F ( + i2u) = F{f (t)e } = f (t)est dt,

definiremos la DTLT a partir de la DTFT.

Recordando la definicion de DTFT

X
F (u) = f [n]ei2unT ,
n=
la idea es multiplicar la senal f [n] por una exponencial discreta enT antes de
tomar la transformada de Fourier,

X
F (s) = F ( + i2u) = DTFT{f [n]enT } = f [n]e(+i2u)nT
n=
con lo que se define la DTLT como

X
F (s) = f [n]esnT < Re{s} <
n=
196 Transformada Z
donde y son los lmites para , region en la cual existe la transformada

de Fourier de la funcion original multiplicada por la exponencial. Notese que la
periodicidad de la funcion F (s) ocurre en la direccion imaginaria (u) y no en la
direccion real ().
La DTLT inversa se puede encontrar similarmente a lo que se hizo en la
seccion 4.6 para encontrar la inversa de la transformada de Laplace continua.
DTFT{f [n]enT } = F (s)

f [n]enT = DTFT1 {F (s)}
f [n] = enT DTFT1 {F (s)}
Z 1/T
= enT T F ( + i2u)ei2unT du
0
Z 1/T
= T F ( + i2u)e(+i2u)nT du
0
Sustituyendo s = + i2u, o sea, du = ds/i2, se tiene que la transformada

de Laplace de tiempo discreto inversa es
+i2/T
T
Z
f [n] = F (s)esnT ds <<
i2
donde es una constante real cualquiera que pertenece a la region de convergencia

de F (s).
7.3. Transformada Z
7.3.1. Definicion
Supongase que para ahorrar escritura se definiera la variable z como z = esT .
La DTLT sera entonces
X
F (z) = f [n]z n .
n=
Esta es la definicion de la transformada Z. La transformada Z no es otra

cosa que la DTLT en la que se hace el cambio de variable z = esT . Este cambio
de variable tiene implicancias importantes que hacen de la transformada Z una
herramienta empleada universalmente para describir senales y sistemas discretos.
En primer lugar notese que esT es la DTLT de [n1], es decir, z 1 esta aso-
ciado a un atraso (desplazamiento) de una unidad. La consecuencia de esto es
7.3 Transformada Z 197
que la transformada Z es extremadamente facil de obtener para secuencias finitas.

Por ejemplo, la transformada Z de f [n] = (3, 4, 5, 1, 3) con el origen en 5 es
F (z) = 3z 2 + 4z + 5 + z 1 + 3z 2 .
No fue casualidad llamar z 1 al operador de las ecuaciones de diferencias de
la seccion 1.5.
La figura 7.2 muestra la correspondencia entre los planos s y z a traves de
z = esT . En ella se puede ver como las rectas verticales ( = constante) pasan a
ser circunferencias concentricas (|z| = constante) y las rectas horizontales (u =
constante), rayos (6 z = constante).
Recordando que la DTLT es periodica en u, vemos como la periocidad se
manifiesta naturalmente en el plano z. Nos podemos imaginar recorriendo la recta
vertical en s y pasando de periodo en periodo. El mismo recorrido en el plano
z es por una circunferencia con lo que llegamos al mismo punto de partida una
y otra vez. Evidentemente la correspondencia de s a z esta determinada por el
intervalo de muestreo T , sin embargo, independientemente del valor de T se tiene
que: el semi plano izquierdo de s es mapeado al interior del crculo unitario; el
semi plano derecho es mapeado al exterior del crculo unitario y el infinito real
negativo (la recta vertical infiinitamente a la izquierda) se convierte en el origen
de z.
Al igual que la DTLT, la transformada Z puede ser definida en terminos de
la DTFT, considerese z = rei2uT , con r = eT ,

X
F (z) = f [n]z n
n=
X
F (rei2uT ) = f [n]r n ei2unT
n=
i2uT
F (re ) = DTFT{f [n]r n }
La DTFT de f [n] definida en el eje imaginario del plano s, esta entonces

definida en el crculo unitario (r = 1 o = 0) del plano z. La DTFT existira si
la region de convergencia de la transformada z incluye al crculo unitario. Si
f [n] F (z), entonces la DTFT es
F (u) = F (ei2uT )
Ejemplo 7.3.1 Consideremos una senal causal de 2 exponenciales
1 1
f [n] = n
[n] + n [n]
2 3
198 Transformada Z
La transformada Z es

X 1 1
F (z) = ( n
[n] + n [n])z n
n=
2 3

X 1 X 1
F (z) = ( z 1 )n + ( z 1 )n
2 3
n=0 n=0
que, utilizando la serie geometrica infinita

X 1
xn =
1x
n=0
1 1
F (z) = 1 1 +
1 2z 1 13 z 1
2 65 z 1
=
(1 21 z 1 )(1 13 z 1 )
Encontrar la region de convergencia de esta transformada sera diferido al ejemplo

7.3.2.
La transformada Z inversa se puede obtener de la DTLT inversa

Z +i2/T
T
f [n] = F (s)esnT ds <<
i2
haciendo el cambio de variable z = esT , es decir,

1 1
s= ln z ds = dz
T Tz
se obtiene
1
I
f [n] = F (z)z n1 dz
i2
donde es una circunferencia en el interior del anillo de convergencia.
En muy raras ocasiones la transformada z inversa se calcula empleando direc-
tamente esta formula, lo mas comun es reducir la transformada a pares conocidos
empleando las propiedades y fracciones parciales (ver anexo B.
De todas maneras existen varias metodologas para simplificar el calculo de
esta integral compleja.
7.3 Transformada Z 199
Resena historica Transformada Z
Es natural preguntarse por que la transformada Z se llama as, y mas aun, quien la
descubrio (nunca he sabido si las formulas se inventan o descubren). La transformada
Z, como formula fue empleada por De Moivre (1667 - 1754), quien la introdujo como
funcion generadora de momentos en teora de probabilidades

X
(z) = p[n]z n
n=
donde p[n] es la probabilidad que una variable aleatoria tome el valor n [7]. Mas
tarde fue extensamente empleada por Laplace (1749 - 1827) en su forma continua,
la transformada de Laplace, tambien como funcion generadora de momentos.
Debido al advenimiento de los computadores digitales y los sistema de muestreo,
a comienzos de la decada de 1950 se renovo el interes en esta transformada. Los
primeros intentos de caracterizar sistemas discretos entrada-salida en el dominio de
frecuencia por parte de Shannon (1945) fueron en base a la transformada de Fourier.
Luego Hurewicz (1947) emplea las funciones generadoras de momentos, llamadas
transformada de Laplace generalizadas por Stone (1948), y que finalmente son lla-
madas transformadas Z por Ragazzini y Zadeh (1952). Ellos ademas establecen clara-
mente su correspondencia con la transformada de Laplace (llamada transformada S
por Salzer, 1951) [18, 14]
7.3.2. Region de convergencia

Como se aprecia en el ejemplo 7.3.1 la transformada z no necesariamente existe
para todos los valores de z. La region del plano z en el cual exsite la transformada
z se llama region de convergencia.
Los lmites para z estran dados por < < Ya que la region de conver-
gencia para la transformada de Laplace es una franja en el plano s, es evidente
que en el plano z sera un anillo. en efecto
si < < , implica que
eT < |z| < eT
o si r = eT y r = eT
r < |z| < r
200 Transformada Z
1111111
0000000
0 1
1 0u
0000000
1111111
0 1
1 0 Im z
0000000
1111111
0 1
1
000000
1111110
0000000
1111111
0
1
000000
1111110
1
0
1
000000
111111
0000
1111
000
1110
1
0
1
0000
1111
000
1110
1
0
1
0000
1111
000
111
0
1 0
1
0
1 11111111111111
00000000000000
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
111
0
1 0
1
0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000000000
1111111111
0000
1111
000
111
0
1
0000
1111
000
111
0 1
1
0
1
00 00000000000000
11111111111111
0000000000 1
1111111111
00000000000000
11111111111111
0000000000
1111111111 Re z
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000000000
1111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 0000000000
1111111111
00000000000000
11111111111111
0000
1111
000
111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
1110
1 0000000000
1111111111
00000000000000
11111111111111
0
1
0000
1111
000
111
0
1 0
1
0
1 00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0 1
1 0
1 00000000000000
11111111111111
0000
1111
000
111
0
1
000000
1111110
0000
1111
000
111
0
1
000000
1111110
1
0
1
000000
1111110
1
0
1
0000000
1111111
000000
1111110
1
0
1
0000000
11111110
1
0
1
0 1
0000000
1111111
1 0
0
1
0000000
1111111
Plano "s" Plano "z"
Figura 7.2: Relacion entre los planos s y z
La funcion z = esT crea una correspondencia entre los puntos del plano s y
el plano z (ambos son complejos). La correspondencia es facilmente apreciable si
se escribe
z = esT = eT ei2uT
donde la primera exponencial es el modulo de z,
|z| = eT
y el angulo esta definido por u.

Empleando los mismos argumentos que en 4.4 se tiene las siguientes propiedades
de convergencia
1. Secuencias finitas. Sea f [n] definida en el intervalo (N1 , N2 ). Por la defini-

cion de transformada Z se tendra
F (z) = f [N1 ]z N1 + f [N1 + 1]z (N1 +1) + + f [N2 ]z N2
F (z) tiene un valor finito para todo z, con la posible excepcion del origen,
por lo que la region de convergencia es todo el plano z.
2. Secuencias infinitas derechas. La region de convergencia de una secuencia

f [n] con f [n] = 0 para n < n0 esta al exterior de una circunferencia en
el espacio z. Intuitivamente esto se puede verificar de la siguiente manera:
7.4 Propiedades de la transformada Z 201
la transformada Z tendra infinitos terminos de la forma f [n]z n que seran

distinto de cero para n > n0 , es decir, para n suficientemente grande (n0
podra ser negativo), el exponente n es negativo. Para que el factor z n
no crezca hasta infinito se necesita que z sea mayor que algun valor finito.
3. Secuencias infinitas izquierdas. Con un argumento analogo al de las secuen-

cias infinitas derechas, la secuencia f [n] con f [n] = 0 para n > n0 tiene una
region de convergencia al interior de una circunferencia.
4. Secuencias infinitas. La region de convergencia en este caso estara al exterior

de una circunferencia, dada por la parte derecha de f [n], y al interior de
otra, dada por la parte izquierda de f [n]. En general esto es un anillo, pero
tambien es posible que la interseccion de estas regiones sea vaca, lo que
simplemente indica que f [n] no tiene transformada Z.
Ejemplo 7.3.2 Retomando el ejemplo anterior (ej. 7.3.1)
1 1 2 56 z 1
( )n [n] + ( )n [n]
2 3 (1 12 z 1 )(1 31 z 1 )
P n 1
La serie geometrica x = 1x converge solo para |x| < 1 por lo tanto
1 1
| z 1 |< 1 y | z 1 |< 1
2 3
o equivalentemente
1 1
| z |> y | z |>
2 3
es decir la region de convergencia es
1
| z |>
2
la region de convergencia se puede observar en la figura 7.3.
7.4. Propiedades de la transformada Z

Las propiedades de la transformada Z se derivan directamente de las propiedades
de la DTLT, que a su vez son equivalentes a las de la DTFT.
Sea
f [n] F (z) r < |z| < r
202 Transformada Z
1/2 1
1
Figura 7.3: | z |> 2
y
g[n] G(z) s < |z| < s
Se tienen las siguientes propiedades:
1. Linealidad
af [n] + bg[n] aF (z) + bG(z) max(r , s ) < |z| < mn(r , s )
2. Inversion
f [n] F (z 1 ) r < |z|1 < r
3. Desplazamiento
f [n m] z m F (z) r < |z| < r
4. Convolucion
f [n] l g[n] F (z)G(z) max(r , s ) < |z| < mn(r , s )
5. Diferenciacion en la frecuencia
d
nf [n] z F (z) r < |z| < r
dz
7.5 Polos y ceros en el plano Z 203
6. Escalamiento en frecuencia
z0n f [n] F (z01 z) r < |z/z0 | < r
Si z0 es complejo la transformada Z es rotada en el plano z (la transformada

de Laplace es trasladada). El modulo de z0 produce un escalamiento del
plano z.
7. Decimacion
f(k) [n] F (z k ) r < |z|1/k < r
donde
f [n/k] si n es multiplo de k
f(k) [n] =
0 otro caso
7.5. Polos y ceros en el plano Z

Como se vio en la seccion 4.5 los polos y ceros se definen como los valores
de z para los cuales la funcion diverge y vale 0, respectivamente. Al igual que
los polos del plano s, los polos en el plano z definen las fronteras de la region de
convergencia. Por ejemplo la existencia de la transformada de Fourier esta deter-
minada por la presencia de la circunferencia unitaria en el interior de la region
de convergencia.
Si la senal es causal, por ejemplo, la respuesta al impulso de un sistema causal,
la senal es derecha por lo que la region de convergencia estara al exterior del
crculo definido por el polo mayor. El sistema sera estable si existe transformada
de Fourier, por lo tanto, se requiere que todos los polos esten en el interior del
crculo unitario
Retomando el ejemplo 7.3.1 tenemos
1 1 2 56 z 1
( )n [n] + ( )n [n]
2 3 (1 12 z 1 )(1 31 z 1 )
1 1 5
Los polos son 2 y 3 y los ceros son 0 y 12 .
204 Transformada Z
7.6. Ejercicios
1. Encuentre la transformada Z y grafique los polos, ceros y region de conver-
gencia de las siguientes funciones:
a) f [n] = 0, 5n [n]
b) f [n] = (0, 5)n [n]
c) f [n] = 0, 5|n|
d) f [n] = (0, 4 + 0, 3i)n [n]
e) f [n] = ( 12 )n [n] + ( 13 )n [n]
f ) f [n] = [n] sen 0, 8n
g) f [n] = 0, 7n [n] cos 0, 8n
2. Determine cuales de todas las transformadas que conoce son aplicables a

cada una de las siguientes funciones:
a) f (t) = et (t)
b) f [n] = en [n]
c) f [n] = an [n]
Encuentre las transformadas (no olvide encontrar la region de convergencia

cuando sea necesario).
3. Demuestre las propiedades de valor final e inicial para la transformada Z

de una funcion causal f [n] (analogas a las propiedades de la transformada
de Laplace):
f [0] = F (z)|z=
lm f [N ] = lm (1 z 1 )F (z)
N z1
4. Describa el algoritmo FZT (Fast Z Transform), analogo al algoritmo FFT

(Fast Fourier Transform).
5. Obtenga la transformada Z inversa de las siguientes funciones. Emplee ex-

pansion en fracciones parciales y en una serie de potencias. Para esta ultima
se debe realizar la division de polinomios, para encontrar los coeficientes de
z n . La region de convergencia es el plano que esta afuera de una circun-
ferencia (centrada en el origen) que contiene todos los polos.
7.6 Ejercicios 205
a)
z 1 5
Fa (z) =
(az 1 1)(bz 1 1)
b)
z 1 5
Fb (z) =
(az 1 1)(bz 1 + 1)
c)
z 2 z 1 5
Fc (z) =
(az 1 1)(bz 1 + 1)
d)
z 3 + 2z 2 z 1 5
Fd (z) =
(az 1 1)(bz 1 + 1)(0, 2z 1 1)
6. Se tiene tres sistemas caracterizados por las siguientes ecuaciones de difer-

encia (f [n] es la entrada y g[n] es la salida):
a)
g[n] = f [n] + 0, 5f [n 1] + 0, 3f [n 2]
b)
g[n] = f [n] + 0, 5f [n 1] + 0, 2g[n 1] + 0, 1g[n 2]
c)
g[n] = f [n] + 0, 5f [n 1] + 0, 2g[n 1] + g[n 2]
Use la transformada Z para encontrar la respuesta de cada sistema a la

senal
f [n] = (1/2)n [n]
Discuta las diferencias de cada respuesta.
7. Los tres sistemas del problema anterior son concatenados. Encuentre la

funcion de transferencia total. Grafique el diagrama de polos y ceros del
sistema completo y comparelo con el de los componentes.
8. Use convolucion para encontrar la transformada Z inversa de
1 z 1
H(z) =
(1 0, 5z 1 )(1 + 0, 3z 1 )
con |z| > 0, 5.

206 Transformada Z
9. Encuentre una forma cerrada para las siguientes series:

a)
n
X 1
en
2
n=0
b)
n
X 1
sen 0, 1n
3
n=0
c)

X
e0,3n sen 0, 1n
n=0
d)

X
22n sen2 0, 1n
n=0
10. Se tiene un sistema lineal causal, descrito por y 0 (t) + ay(t) = x(t). Para
simularlo en el computador se discretiza empleando la aproximacion y 0 (t)
y(nT ) y(nT T ).
a) Para que valores de a el sistema continuo es estable?

b) Encuentre la ecuacion de diferencias que describe el sistema discreto.
c) Encuentre la funcion de transferencia en el dominio Z.
d) Encuentre la respuesta al impulso del sistema discreto.
e) Para que valores de a es el sistema discreto estable?
11. Encuentre la transformada Z inversa de

(a2 + a 1)z 1 (1 2b + a2 + 2a2 b)z 2 + (a b2 + a2 b2 )z 3
(a (a2 + 1)z 1 + az 2 )(1 bz 1 )2
con |b| < |z| < 1/|a|, (|b| > |a|).

a)
N
X
F (z) = (2/3)k z k
k=N
con una region de convergencia dada por |z| > 1.

7.6 Ejercicios 207
b)
N
X
F (z) = (2/3)k z k
k=N
con una region de convergencia dada por |z| < 1.

c)
(a + a1 )z 1
F (z) =
1 (a + a1 )z 1 + z 2
con region de convergencia |a| < |z| < 1/|a|.
13. Encuentre la transformada Z de f [n] = (0,5n 0,3n ) [n] y especifique en

un grafico su region de convergencia.
14. Encuentre la transformada Z de f [n] = 0,3n [n] 0,5n [n 1] y es-

pecifique en un grafico su region de convergencia.
15. Encuentre la transformada Z de f [n] = (0,3n 0,5n ) [n 1] y especifique

en un grafico su region de convergencia.
16. Encuentre la funcion causal cuya transformada Z es
z2
F (z) =
(z + 0,4)(z 0,3)
17. Sea G(z 1 ) una transformada Z racional con polos singulares en 0 , 1 ,...
que puede ser expresada por su expansion en fracciones parciales:
P (z 1 ) 0 1
G(z 1 ) = = + +
D(z 1 ) 1 0 z 1 1 1 z 1
Encuentre
P (z 1 )

xj = 0 1
D (z ) z=j
en funcion de los residuos 0 , 1 ,... y de los polos 0 , 1 ,..., donde D 0 (z 1 ) =

dD(z 1 )
dz 1
18. Encuentre el maximo valor de T para que el cuadrado en el plano-s quede

dibujado exclusivamente en el semi-plano derecho del plano-z. Dibuje el
plano-z con el cuadrado transformado, indicando todos los puntos rele-
vantes.
208 Transformada Z
19. Se tiene el sistema discreto de entrada x[n] y salida y[n], definido por la
ecuacion de diferencias siguiente
y[n 2] + 2y[n 1] + y[n] = x[n].
Si la entrada es x[n] = 2n [n] ( [0] = 1) y se sabe que y[1] = y[2] = 0,
a) Evalue y[n] directamente de la ecuacion de diferencias para n = 0, 1, 2, 3.

b) Encuentre Y (z), la transformada Z de y[n].
c) Separe Y (z) empleando fracciones parciales.
d) Encuentre y[n].
e) Evalue de la respuesta encontrada en (d) los cuatro primeros terminos.
Compruebe que esos valores coinciden con los encontrados en (a).
20. La transformada Z de f [n] es
2 + 3z + 4z 2
F (z) =
z 4 + 2z 3 + z 8
(No se conoce la region de convergencia).
a) Encuentre f [n] para n = 0, 1, 2, 3 y 4, si f [n] = 0 para n < 0. Cual es

la region de convergencia en este caso?
b) Encuentre f [n] para n = 0, 1, 2, 3 y 4, si f [n] = 0 para n > 0.
Cual es la region de convergencia en este caso?
21. Encuentre F (z), la transformada Z de f [n], en funcion de G(z), la trans-

formada Z de g[n]
n
X
f [n] = g[k]
k=
7.6 Ejercicios 209
a) Encuentre la senal causal f [n], cuya transformada Z es

3 2z 1
F (z) =
1 1,5z 1 + 0,5z 2
b) Encuentre x[n] si
X(z) = ln(1 z 1 ) |z| > 1/2
22. Encuentre la funcion de transferencia H(z), y la respuesta al impulso, h[n],

del sistema descrito por la siguiente ecuacion de diferencias
a1 y[n 1] + a0 y[n] = b1 x[n 1] + b0 x[n]
23. Los filtros peineta tienen valores nulos que aparecen a frecuencias regulares.
Entre otras aplicaciones son usados para eliminar armonicas. El filtro que
toma una media movil descrito por la siguiente ecuacion es un filtro peineta
M
1 X
y[n] = x[n k]
M +1
k=0
Encuentre los ceros y polos del filtro.

24. Si la transformada Z de f [n] es F (z) con |z| > a, cual es la region de
convergencia de f [n 1]?
25. Empleando division larga, encuentre la transformada Z inversa de
3z 2 + z + 1 4z 1 + 2z 2 3z 3
F (z) =
1 z 1
con region de convergencia en todo el plano.
26. Que puede decir del siguiente lmite si se sabe que la region de convergencia
de la transformada Z de f [n] es 0, 5 < |z| < 2?
f [n]
lm
n f [n]
27. Encuentre la transformada Z de f [n] = (. . . 0, 0, 0, 1, 0, 1, 0, 1, 0, 1 . . .).

28. Encuentre los valores de f [n], para 7 < n < 7, la transformada Z inversa
de
z 2 + 2z 1
F (z) = 3 |z| > r
z + 2z 2 + 3z 3 + 4
210 Transformada Z
29. Encuentre los valores de f [n], para 4 < n < 4, la transformada Z inversa
de
z 2 + 2z 1
F (z) = 3 |z| < r
z + 2z 2 + 3z 3 + 4
30. Se sabe que la region de convergencia de la transformada Z de una senal
f [n] derecha (f [n] = 0 para n < n0 ) se extiende hacia afuera del crculo
|z| = r , para algun r . Encuentre los valores de n0 para que esa region de
convergencia incluya a z = .
31. Se conocen los siguientes pares de Laplace

1
eat (t) > a
s+a
1
eat (t) < a
s+a
Encuentre los pares equivalentes para la DTLT.
32. Para los mismo pares de la pregunta anterior, encuentre los equivalentes
para la transformada Z.

1 + 3z 1 1
F (z) = |z| >
1 12 z 1 2
CAPITULO 8
OTRAS TRANSFORMADAS
Si bien la transformada de Fourier y Laplace son las mas usadas, por lo que les
hemos dedicado una gran proporcion de este libro, tambien existen otras trans-
formadas que revisaremos brevemente en este captulo. Presentaremos primero
algunas transformadas continuas, luego discretas y terminaremos con una dis-
cusion de transformadas de frecuencia discreta, o series.
8.1. Transformadas continuas

Generalizando la transformada de Fourier a otras bases, es posible definir una
transformada general de la forma
Z
F (u) = f (x)k(u, x) dx

cuya inversa, de existir, es

Z
f (x) = F (u)k0 (u, x) du.

Para la transformada de Fourier, k(u, x) = ei2ux y k0 (u, x) = ei2ux . En

esta seccion definiremos otros nucleos k(u, x) que a su vez definen diferentes
transformadas.
211
212 Otras transformadas
8.1.1. Transformada coseno y transformada seno

Intimamente relacionado con el nucleo de Fourier estan las funciones seno y
coseno. Si se define k(u, x) = 2 cos 2x (x) se tiene la transformada coseno
Z
FC (u) = 2 f (x) cos 2ux dx,
0
cuya transformada inversa es

Z
f (x) = 2 FC (u) cos 2ux du.
0
Notese que la transformada coseno ignora los valores de f (x) para x < 0 y asume
implcitamente que f (x) es par.
Analogamente se define k(u, x) = 2 sen 2x (x) en la transformada seno
Z
FS (u) = 2 f (x) sen 2ux dx,
0
cuya transformada inversa es

Z
f (x) = 2 FS (u) sen 2ux du.
0
La transformada seno tambien ignora los valores de f (x) para x < 0 y asume
implcitamente que f (x) es impar.
Ambas transformadas se relacionan con la transformada de Fourier por
F (u) = G(u) iH(u),
donde G(u) es la transformada coseno de la parte par de f (x) y H(u) es la

transformada seno de la parte impar de f (x) (ver seccion 3.4).
8.1.2. Transformada de Hankel

Si se define k(q, r) = 2J0 (2qr)r (r), la transformada de Hankel es
Z
FH (q) = 2 f (r)J0 (2qr)r dr
0
y su inversa Z
f (r) = 2 FH (q)J0 (2qr)q dq
0
8.1 Transformadas continuas 213
donde J0 es la funcion de Bessel de primer tipo y orden 0, definida, por ejemplo

en su forma integral, por
1
Z
J0 (z) = cos(z cos ) d
0
La transformada de Hankel es una transformada unidimensional que puede ser

interpretada como la transformada de Fourier para objetos de 2 dimensiones con
simetras circulares. Si se tiene un objeto circularmente simetrico f (x, y) = f (r)
con r 2 = x2 + y 2 , la transformada de Fourier es tambien circularmente simetrica,
esto es, F (u, v) = F (q) con q 2 = u2 + v 2 , siendo F (q) la transformada de Hankel
de f (r).
La transformada de Hankel se puede generalizar a n dimensiones:
Z
2 1
FH n(q) = n 1 f (r)J n2 1 (2qr)r 2 n dr,
q2 0
donde la funcion de Bessel Jn (primer tipo, orden n) se puede definir como
( z2 )n
Z
Jn (z) = cos(z cos ) sen2n d.
(n + 21 )( 12 ) 0
Esta transformada tambien se puede interpretar como la transformada de

Fourier para objetos con simetra circular de n dimensiones.
8.1.3. Transformada de Mellin

Si se define k(x, s) = xs1 (x), se tiene la transformada de Mellin
Z
FM (s) = f (x)xs1 dx,
0
cuya inversa es
c+i
1
Z
f (x) = FM (s)xs ds.
2i ci
La transformada de Mellin esta relacionada con la transformada de Laplace,
a traves del cambio de variable x = et .
8.1.4. Transformada de Abel

Si se define
2r
k(r, x) = (r) (r x)
r 2 x2
f(r)
Abel Hankel
f(x) Fourier
F(q)
Figura 8.1: Relacion entre las transformadas de Abel, Fourier y Hankel para fun-
ciones circularmente simetricas
se tiene la transformada de Abel,

f (r)r
Z
fA (x) = 2 dr
x r 2 x2
y su inversa

1 f 0 (x)
Z
f (r) = A dx,
r x2 r 2
donde fA0 (x)
es la derivada respecto de x de fA (x).
Esta transformada unidimensional cobra importancia si la utilizamos para
analizar sistemas de dos dimensiones con simetra circular, ya que en estos casos
la transformada de Abel representa la proyeccion de la funcion en un angulo
cualquiera.
Existe ademas una relacion intrnseca entre esta transformada, la transfor-
mada de Hankel y la de Fourier para objetos circularmente simetricos como se
muestra en la figura 8.1 en la que el sentido de la flecha indica la direccion de la
transformada directa.
Esta relacion es utilizada para reconstruir imagenes tomograficas a partir de
proyecciones.
8.1.5. Transformada de Hilbert

Si se define
1 1
k(s, x) =
xs
8.1 Transformadas continuas 215
se tiene la transformada de Hilbert,

1 f (x)
Z
FHi (s) = dx
xs
y su transformada inversa es

1 FHi (s)
Z
f (x) = ds.
sx
La transformada de Hilbert es de especial relevancia para definir senales

analticas, es decir una senal compleja f (t) iFHi (t) en la que la parte imaginaria
es la senal en cuadratura con la parte real.
8.1.6. Transformada de Gabor

Si se define
k(u, x) = g (x b)ei2ux
con
1 x2
g (x) = e 4 ,
2
se tiene la transformada de Gabor,
Z
Fb (u) = f (x)g (x b)ei2ux dx,

cuya inversa es

ei2ux
Z
f (x) = Fb (u) du.
g (x b)
Como se puede apreciar esta transformada es muy similar a la transformada

de Fourier en la que la senal es previamente apodizada por la ventana de Gauss
g (x b). Esta ventana depende de dos parametros: > 0 define el ancho de
la ventana y b la posicion en la que esta centrada. La motivacion para esto es
obtener el contenido de frecuencia de la senal en forma localizada en el espacio.
Esta es tambien la idea basica de las transformadas de wavelet. La localizacion
en el espacio tiene como consecuencia que la transformada inversa sea difcil de
evaluar para valores de x muy diferentes de b, ya que g (x b) tiende a cero.
Algunas bases de la transformada de Gabor se muestran en la figura 8.2.
real real
imag imag
x x
(a) = 2 (b) = 1
real real
imag imag
x x
(c) = 1/4 (d) = 1/16
Figura 8.2: Bases de la transformada de Gabor con b = 0 y u = 1 para =

2, 1, 1/4 y 1/16
8.2 Transformadas discretas 217
8.2. Transformadas discretas

Si f es un vector en el espacio, la multiplicacion matricial
F = Wf
representa un cambio de base, es decir, una transformacion discreta, que tambien

se puede escribir como
NX1
F [k] = f [n]Wk [n].
n=0
La matriz W esta formada por los vectores fila Wk . Cada una de las posibles
matrices W define una transformada diferente. Para que la transformada tenga
inversa se requiere que W 1 exista.
En el captulo 6 se vio en detalle la transformada de Fourier discreta. En esta
seccion se presentan otras transformadas discretas.
8.2.1. Transformadas seno y coseno discretas

La transformada coseno discreta (DCT) se define como
N 1
r
2 [k] X k(2n + 1)
FC [k] = f [n] cos ,
N 2N
n=0
es decir, r
2 [k] k(2n + 1)
Wk [n] = cos ,
N 2N
y su inversa es
N 1
r
X 2 [k] k(2n + 1)
f [n] = FC [k] cos .
N 2N
k=0
Analogamente, la transformada seno discreta (DST) se define como

r N 1
2 X (n + 1)(k + 1)
FS [k] = f [n] sen ,
N +1 N +1
n=0
es decir, r
2 (n + 1)(k + 1)
Wk [n] = sen ,
N +1 N +1
y su inversa es
r N 1
2 X (n + 1)(k + 1)
f [n] = FS [k] sen .
N +1 N +1
n=0
En compresion de imagenes y video, la DCT juega un rol preponderante. Los

algoritmos mas populares de compresion auspiciados por la ISO1 y la CCITT2
estan basados en la DCT. Estos son el formato de compresion JPEG3 para
imagenes y los formatos de compresion H.261 MPEG-1, MPEG-2 y MPEG-44
para video.
8.2.2. Transformada de Walsh-Hadamard

Las transformadas de Walsh y Hadamard fueron de las primeras empleadas
para el procesamiento de imagenes. La gran ventaja sobre transformadas de bases
sinusoidales es su facilidad de computacion, solo requieren de sumas y restas. La
idea es reemplazar las sinusoides por trenes de pulsos cuadrados, por lo que tam-
bien se las conoce como representacion de Fourier binaria. Ambas son identicas,
excepto por un reordenamiento de las filas en la matriz de transformacion. Es
comun hablar de la transformada de Walsh-Hadamard para referirse a cualquiera
de las dos.
La transformada de Hadamard se define como
N 1
1 X P n1
FH [k] = f [n](1) i=0 bi (n)bi (k) ,
N n=0
donde bi (n) es el bit numero i de la representacion binaria de n.

La transformada de Walsh se define como
N 1 n1
1 X Y
FW [k] = f [n] (1)bi (n)bn1i (k) .
N n=0
i=0
Debido a que las matrices de transformacion tienen filas y columnas ortogo-

nales, las transformadas inversas estan definidas por la misma ecuacion, excepto
por el factor N1 :
N
X 1 P n1
f [n] = FH [k](1) i=0 bi (n)bi (k) ,
k=0
1
ISO, International Standarization Organization
2
CCITT, Consultative Committee of the International Telephone and Telegraph
3
JPEG, Joint Photographic Experts Group
4
MPEG, Motion Picture Experts Group
8.3 Series 219
N
X 1 n1
Y
f [n] = FW [k] (1)bi (n)bn1i (k) .
k=0 i=0
Para N = 8, la matriz de transformacion de la transformada de Walsh es
1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1
W= 1
,
1 1 1 1 1 1 1
1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
y la de Hadamard
1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1
W= .

1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
Ejemplo 8.2.1 Sea f [n] = (1 2 1 3), con N = 4, la transformada de Hadamard

es
F [0] 5 1 1 1 1 1
F [1] 1 5 1 1 1 1 1 2 .

F [2] = 4 1 = 4 1

1 1 1 1
F [3] 3 1 1 1 1 3
Es decir, F [n] = (5/4 5/4 1/4 3/4).
8.3. Series
8.3.1. Introduccion
Una funcion expresada como una serie es la suma de las funciones bases
ponderadas por los coeficientes de la serie. Por ejemplo, la serie de Fourier suma
senos y cosenos para representar funciones periodicas. Naturalmente, se pueden
definir series que emplean bases no sinusoidales. Para que sea posible encontrar
los coeficientes de la serie a partir de la funcion original, es necesario que la base
sea una clase ortogonal de funciones. Por otro lado, para que la expansion exista
es necesario que la base sea un conjunto ortogonal completo y que la funcion
original cumpla con las condiciones de Dirichlet (ver nota al pie de pagina 67).
Las funciones Wk (x) son ortogonales en el rango [x1 , x2 ] con respecto a la
ponderacion p(x) si
Z x2
p(x)Wj (x)Wk (x) dx = k [j k],
x1
donde p(x) > 0 y k es una constante. Las funciones se llaman ortonormales si

k = 1.
Si Wk (x) es ortogonal y ademas es completo, se puede escribir la expansion
de f (x) como
X
f (x) = ak Wk (x) x1 x x2 ,
k=
donde ak son los coeficientes constantes de la serie, o

X
f (x) = ak Wk (x) x1 x x2 ,
k=0
cuando Wk (x) son reales.

Si f (x) cumple con las condiciones de Dirichlet es posible determinar los coefi-
cientes ak , multiplicando ambos lados de la expansion por p(x)Wk (x) e integrando
desde x1 a x2 , Z x2
1
ak = p(x)Wk (x)f (x) dx.
k x1
Desde el punto de vista fsico, interesa que pocos coeficientes de la expansion
sean suficientes para aproximar la funcion original. Esto se puede expresar como
que el error cuadratico ponderado mnimo tienda a cero cuando N (el numero
de coeficientes empleados en la expansion) tienda a infinito. Esta es tambien la
manera de demostrar que las bases son completas. Suponiendo que los coeficientes
ak son la expansion de la funcion f (x), la aproximacion g(x) a f (x), dada por
N
X
g(x) = bk Wk (x)
k=N
minimiza el error cuadratico ponderado

Z x2
= p(x)(f (x) g(x))2 dx
x1
8.3 Series 221
cuando bk = ak para N, . . . N .
A continuacion se definiran transformadas (series) a partir de algunos poli-
nomios conocidos.
8.3.2. Transformada de Hermite

Los polinomios de Hermite se definen como
dk x2 2
Hk (x) = (1)k ex
e ,
dxk
y son ortogonales en el rango x con el ponderador
2
p(x) = ex
Z
2
ex Hj (x)Hk (x) dx = 2k k! [j k].

La transformada de Hermite se puede definir como
Z
1 2
F [k] = k f (x)ex Hk (x) dt
2 k!
y su inversa

X
f (x) = F [k]Hk (x) x .
k=0
8.3.3. Transformada de Laguerre

Los polinomios de Laguerre se definen como
1 x dk k x
Lk (x) =
e x e ,
k! dxk
y son ortogonales en el rango 0 x con el ponderador
p(x) = ex
Z
ex Lj (x)Lk (x) dx = [j k].
0
La transformada de Laguerre se puede definir como
Z
F [k] = f (x)ex Lk (x) dx
0
y su inversa

X
f (x) = F [k]Lk (x) 0 x .
k=0
8.3.4. Transformada de Legendre

Los polinomios de Legendre se definen como
1 dk 2
Pk (x) = (x 1)k ,
2k k! dxk
y son ortogonales en el rango 1 x 1 con el ponderador
p(x) = 1
1
2
Z
Pj (x)Pk (x) dx = [j k].
1 2k + 1
La transformada de Legendre se puede definir como
2k + 1 1
Z
F [k] = f (x)Pk (x) dx
2 1
y su inversa

X
f (x) = F [k]Pk (x) 1 x 1.
k=0
8.3.5. Transformada de Chebyshev

Los polinomios de Chebyshev se definen como
Tk (x) = cos(k acosx)
y son ortogonales en el rango 1 x 1 con el ponderador

1
p(x) =
1 x2
1
1
Z
Tj (x)Tk (x) dx = [j k].
1 1 x2 2 [k]
La transformada de Chebyshev se puede definir como
2 [k] 1 1
Z
F [k] = f (x) Tk (x) dx
1 1 x2
y su inversa

X
f (x) = F [k]Tk (x) 1 x 1.
k=0
8.4 Ejercicios 223
8.4. Ejercicios
1. Encuentre la transformada coseno y seno de u(x).
2. Encuentre la transformada de Hankel de u(r/2) y de 1/r.
3. Si las transformadas de Hankel de f (r) y g(r) son F (q) y G(q), encuentre

la transformada inversa de Hankel de F (q)G(q).
4. Si F (q) es la transformada de Hankel de f (r), Cual es la transformada

inversa de Hankel de 2 F ?
d2 F 1 dF
2 F = +
dq 2 q dq
5. Encuentre el segundo momento en torno al centroide de f (x) en funcion de

su transformada de Mellin evaluada en diferentes puntos.
6. Demuestre que la inversa de la transformada

Z
F (u) = f (x)k(ux) dx
0
es Z
f (x) = F (u)k(ux) du
0
si K(s)K(1 s) = 1, donde K(s) es la transformada de Mellin de k(x).
7. Demuestre que
1
F = K FA0

donde Z
FA (x) = K(x r)F (r) dr
0
con
1
K(x) = (x).
x
Esta es la version modificada de la transformada de Abel.
2
8. Si f (r) = er , encuentre la transformada de Abel, fA (x) y la transformada
de Hankel, F (q). Compruebe que la transformada de Fourier de fA (x) es
F (q).
9. Encuentre la senal analtica f (t) iFHi (t) para f (t) = cos t.

10. Muestre que la magnitud del espectro de una senal f (x) y la magnitud del
espectro de su transformada de Hilbert, FHi (x) son iguales. Que puede
decir de las fases?
11. Si FC [k] es la DCT de f [n], encuentre FC [0] en funcion de f [n].
12. Obtenga la DCT de f [n] = [n] y f [n] = 1[n] en funcion de N . Obtenga la

DCT inversa de F [k] = [k] y F [k] = 1[k]. Comente los resultados.
13. Encuentre la expansion en series de Hermite, Legendre y Chebyshev para

u(x). Compute numericamente los tres primeros coeficientes. Compare las
expansiones entre s y con la expansion en series de Fourier. Que puede
decir de la expansion evaluada fuera del rango de ortogonalidad de los
polinomios?
14. Repita el problema anterior para la expansion en series de Laguerre para

u(x) (x).
15. Encuentre la transformada de Mellin de la funcion f (x) = u(x).
16. Exprese la transformada de Mellin en funcion de la transformada de Laplace.

CAPITULO 9
EN DOS DIMENSIONES
En los captulos previos se han analizado diversas transformadas para f (x) en

el caso continuo y f [n] en el caso discreto. Es evidente que estas transformadas son
solo aplicables, en general, a problemas basados en senales de una dimension, tales
como sonido, ondas de radio, aceleraciones en movimientos teluricos, corriente
electrica en funcion del tiempo, etc.
Con un mnimo de esfuerzo es posible generalizar la transformada de Fourier
a dos o mas dimensiones para poder aprovechar su potencial como herramienta
de analisis en problemas que naturalmente son de dos o mas dimensiones. La
transformada de Fourier de dos dimensiones es particularmente util para analizar
imagenes, pero tambien se la emplea en problemas tan variados como membranas,
antenas, difraccion, etc.
En este captulo se extendera la transformada de Fourier a dos dimensiones,
tanto en el caso continuo como discreto.
9.1. Funciones
Una funcion de dos dimensiones puede definirse por una formula de la for-
ma f (x, y) que asigna un valor, real o complejo, para cada posicion x e y. La
funcion f (x, y) se dice separable si f (x, y) = f1 (x)f2 (y).
p La funcion f (x, y) es cir-
cularmente simetrica si f (x, y) solo depende de r = x2 + y 2 , es decir, se puede
expresar como f (r).
225
226 Transformada de Fourier en dos dimensiones
Gauss(x,y)
Figura 9.1: Gauss(x, y)
9.1.1. Gauss
Empleando la misma definicion que para una dimension, tenemos
2 +y 2 ) 2
Gauss(x, y) = Gauss(r) = e(x = er .
La figura 9.1 muestra un grafico de esta funcion. Esta es una funcion separable,
ya que
Gauss(x, y) = Gauss(x)Gauss(y).
Al igual que para una dimension, la funcion de Gauss en dos dimensiones se
transforma en s misma.
9.1.2. Uno
La funcion uno en dos dimensiones representa un plano de altura uno, es decir,
1(x, y) = 1.
Evidentemente, la funcion uno es separable, ya que
1(x, y) = 1(x)1(y).
9.1.3. Rect
La funcion rect en dos dimensiones se define como
si |x| < 12 e |y| < 12

1
u(x, y) =
0 en todo otro caso
9.1 Funciones 227
rect(x,y)
Figura 9.2: u(x, y)
circ(x,y)
Figura 9.3: circ (x, y) = u(r)
La figura 9.2 muestra la funcion rect.

Las mismas consideraciones que se tuvo para el valor de la funcion rect de
una dimension en |x| = 1/2, se debe tener para su version en dos dimensiones. Es
decir, se puede pensar en una funcion aproximante que en el lmite, la derivada
en el cuadrado de lado 1 es .
Se puede comprobar que la funcion rect es separable
u(x, y) = u(x) u (y).
En base a la funcion rect de una dimension se puede definir la funcion circular

como (ver figura 9.3)
si r = x2 + y 2 < 21
p
1
circ (x, y) = u(r) =
0 en todo otro caso.
sgn(x,y)
y
Figura 9.4: sgn(x, y)
9.1.4. Signo
En dos dimensiones se define la funcion signo como
xy
sgn(x, y) = ,
|xy|
es decir, sgn(x, y) toma el valor de 1 en el primer y tercer cuadrante, y toma el

valor 1 en el segundo y cuarto cuadrante del plano x-y, como se aprecia en la
figura 9.4.
Podemos suponer que el valor de la funcion en los lmites entre cuadrantes,
es decir para x = 0 y para y = 0, es cero.
9.1.5. Jinc
Debido a la importancia que tiene la funcion circ y su transformada de Fourier,
es conveniente definir la funcion jinc. La funcion jinc es una funcion de una
dimension definida como
J1 (x)
jinc x =
2x
donde J1 es la funcion de Bessel de primer tipo y primer orden ( jinc (0) = /4).
La funcion jinc en una dimension se grafica en la figura 9.5.
La funcion jinc interpretada como una funcion circularmente simetrica de dos
dimensiones, en la que la variable independiente es el radio se aprecia en la figura
9.6. Esta es la transformada de Fourier de la funcion circ.
9.1 Funciones 229
jinc x
Figura 9.5: jinc x
jinc r
p
Figura 9.6: jinc x2 + y 2
9.1.6. Impulso
Al igual que para una dimension, es muy util definir un impulso en dos di-
mensiones. Este representa una cantidad muy intensa y localizada en el espacio.
Se define el impulso en dos dimensiones de manera que satisface las siguientes
dos condiciones:
2
(x, y) = 0 x 6= 0 o y 6= 0
y Z Z
2
(x, y) dx dy = 1.

Esto significa que la amplitud del impulso es infinito en el origen. Para traba-
jar con este smbolo es conveniente definir una funcion aproximante que tienda
al impulso, por ejemplo se puede usar la siguiente definicion
2 1 x y
(x, y) = lm u ( , ).
0 2
De esta definicion se puede apreciar que la funcion impulso es separable ya que
la funcion rect lo es, es decir,
2
(x, y) = (x)(y).
9.1.7. Impulsos de lnea

En dos dimensiones existen mas variantes para el impulso. El impulso de la
seccion anterior, 2 (x, y), esta localizado en un punto y tiene volumen unitario.
Tambien es posible definir un impulso que este localizado en una lnea y que
tenga un volumen unitario por unidad de longitud. Esto es un impulso de lnea.
El impulso de lnea se puede definir empleando la funcion impulso para una
dimension como
(f (x, y)).
Este impulso de lnea estara localizado en la lnea definida por f (x, y) = 0. La
magnitud del impulso (volumen por unidad de longitud) no es necesariamente
unitaria. Dependera de la curvatura de f (x, y). De hecho, la magnitud del impulso
es
1
|f |f (x,y)=0
Ejemplo 9.1.1 Calculemos la magnitud de un impulso de lnea circular

p
(r R) = ( x2 + y 2 R).
9.2 Respuesta al impulso y convolucion 231
Es evidente que el impulso estara definido

p en la circunferencia centrada en el
origen y de radio R. Ya que f (x, y) = x2 + y 2 R, tenemos
f x
=p
x x + y2
2
y
f y
=p ,
y x + y2
2
por lo que s
f 2 f
|f | = ( ) + ( )2 = 1.
x y
Es decir, un impulso de lnea circular tiene magnitud unitaria (volumen unitario
por unidad de longitud). En otras palabras la integral de volumen en todo el
espacio es 2R.
9.1.8. Shah
Para muestrear una funcion de dos dimensiones en forma uniforme resulta
muy conveniente definir el smbolo shah de dos dimensiones

X
X
2
(x, y) = (x n, y m).
n= m=
El smbolo shah distribuye impulsos en una malla cartesiana con separacion uni-
taria entre ellos. Si cada impulso es representado por una flecha, shah parece una
cama de clavos.
Por separabilidad del impulso se tiene que
(x, y) = (x) (y).
9.2. Respuesta al impulso y convolucion

De la misma manera de como se definio la respuesta al impulso y convolucion
para sistemas de una dimension, tanto continuos como discretos, se tiene para
sistemas de dos dimensiones que
Z Z
g(x, y) = f (, )L{2 (x , y )} d d

donde g(x, y) es la salida del sistema lineal L{} a la entrada f (x, y).
La respuesta al impulso es
h(x, y, , ) = L{2 (x , y )}
por lo que la salida del sistema es la integral de superposicion

Z Z
g(x, y) = f (, )h(x, y, , ) d d.

Si el sistema es ademas invariante en x e y, la salida es la convolucion de la

entrada con la respuesta al impulso
Z Z
g(x, y) = f (x, y) h(x, y) = f (, )h(x , y ) d d.

La convolucion, por supuesto, es muy similar a la correlacion, definida por

Z Z
f (x, y) ? h(x, y) = f (, )h(x + , y + ) d d.

La correlacion en dos dimensiones es relevante en el procesamiento de imagenes

como un metodo para buscar patrones. Para encontrar la posicion del patron
h(x, y) en la imagen f (x, y), el maximo de la correlacion entre esas dos senales es
un buen estimador.
Es facil obtener una intuicion de la correlacion y convolucion (que invierte
una de las senales) si se las piensa como el desplazamiento de una imagen sobre
la otra. Para cada desplazamiento se computa el volumen del producto de ambas
imagenes. Este volumen es el valor de la correlacion para ese desplazamiento.
Ejemplo 9.2.1 La funcion u(x)(y) es un impulso de lnea que es diferente de

cero solo para el eje x desde 1/2 a +1/2. Calculemos la convolucion
u(x)(y) (x) u (y).
Como se puede apreciar de la figura 9.7, la convolucion se puede obtener grafi-

camente. En esta se representa las dos funciones a convolucionar. Una de ellas,
u(x)(y), esta en su posicion original. La otra, (x) u (y) esta desplazada en 1/2
en el sentido x y algo en el sentido y. Con lnea segmentada se indican desplaza-
mientos de 1/2 a 1/2 en el sentido y. Cuando un rect no intercepta al otro,
la convolucion vale cero. Esto ocurre para valores de desplazamiento superiores a
Figura 9.7: Obtencion grafica de u(x)(y) (x) u (y)
1/2. Para desplazamientos menores, la convolucion valdra el volumen bajo el pro-

ducto de dos impulsos de lnea que se cruzan. Por ejemplo, para desplazamientos
de x = 0 e y = 0, Z Z
(x)(y) dx dy,

que por separabilidad del impulso en dos dimensiones es

Z Z Z Z
2
(x)(y) dx dy = (x, y) dx dy = 1.

Es decir,
u(x)(y) (x) u (y) = u(x, y)
9.3. Transformada de Fourier

9.3.1. Definicion
La transformada de Fourier en dos dimensiones se define como
Z Z
F (u, v) = f (x, y)ei2(ux+vy) dx dy

y su inversa como
Z Z
f (x, y) = F (u, v)ei2(ux+vy) du dv,

donde u y v son las variables recprocas, es decir frecuencias, de x e y.

Analogamente al caso de una dimension, la transformada F (u, v) define la
amplitud y fase de las funciones bases de Fourier en dos dimensiones, que son
Wuv (x, y) = ei2(ux+vy) .
Las funciones bases tienen magnitud uno y una fase que vara linealmente en la
direccion definida por el vector [u v]. En la figura 9.8 se observa la parte real e
imaginaria de algunas de estas funciones
Wuv (x, y) = ei2(ux+vy) = cos 2(ux + vy) i sen 2(ux + vy).
9.3.2. Propiedades
La mayora de las propiedades de la transformada de Fourier en una dimen-
sion (seccion 3.5) se pueden extender en forma inmediata a dos dimensiones. Si
f (x, y) F (u, v) y g(x, y) G(u, v), se tiene
1. Dualidad
F (x, y) f (u, v)
2. Linealidad
Si a y b son constantes (reales o complejas) se tiene:
af (x, y) + bg(x, y) aF (u, v) + bG(u, v)
3. Similitud o Escalamiento
Si a y b son constantes reales, se tiene:
1 u v
f (ax, by) F( , )
|ab| a b
4. Desplazamiento
Si a y b son constantes reales, se tiene:
f (x a, y b) ei2(au+bv) F (u, v)
Real(f(x,y)) Im(f(x,y)) Im(f(x,y))

Real(f(x,y))
y y y
y
x x x
x
(a) u = 0, 5, v = 0, 5 (b) u = 0, 5, v = 0
Real(f(x,y)) Im(f(x,y))
Im(f(x,y)) Real(f(x,y))
y y
y y
x x
x x
(c) u = 0, 5, v = 0, 5 (d) u = 0, v = 0, 5
Im(f(x,y)) Real(f(x,y)) Im(f(x,y))
Real(f(x,y))
y y y
y
x x x
x
(e) u = 0, v = 0 (f) u = 0, v = 0, 5
Real(f(x,y)) Im(f(x,y)) Im(f(x,y))
Real(f(x,y))
y y y
y
x x x
x
(g) u = 0, 5, v = 0, 5 (h) u = 0, 5, v = 0
Real(f(x,y)) Im(f(x,y))
y y
x x
(i) u = 0, 5, v = 0, 5
Figura 9.8: Partes real (cos 2(ux+vy)) e imaginaria (sen 2(ux+vy)) de algunas
bases de Fourier en dos dimensiones
5. Convolucion
f (x, y) g(x, y) F (u, v)G(u, v)
6. Producto
f (x, y)g(x, y) F (u, v) G(u, v)
7. Teorema de la Potencia
Z Z Z Z

f (x, y)g (x, y) dx dy = F (u, v)G (u, v) du dv

donde g (x, y) es el complejo conjugado de g(x, y)
8. Teorema de Rayleigh o Energa (caso especial del Teorema de la Potencia)

Z Z Z Z
2
|f (x, y)| dx dy = |F (u, v)|2 du dv

9. Derivada

f (x, y) i2uF (u, v)
x
y

f (x, y) i2vF (u, v).
y
Tambien se tiene
2 2

2
f= + f (x, y) 2 2 (u2 + v 2 )F (u, v)
x2 y 2
A continuacion se destacan tres propiedades que son propias de la bidimen-

sionalidad.
1. Separabilidad
Si f (x, y) es separable, es decir puede expresarse como
f (x, y) = f1 (x)f2 (y),
la transformada de Fourier es
F (u, v) = F1 (u)F2 (v),

donde f1 (x) F1 (u) y f2 (y) F2 (v). Esta propiedad es facil de de-

mostrar si se considera que las bases de Fourier tambien son separables,
Z Z
F (u, v) = f (x, y)ei2(ux+vy) dx dy

Z Z
= f1 (x)ei2ux f2 (y)ei2vy dx dy
Z

Z
i2ux
= f1 (x)e dx f2 (y)ei2vy dy

= F1 (u)F2 (v).
Mucho cuidado se debe tener en no confundir la propiedad de la convolucion

con la separabilidad. Alguien que despreocupadamente no notara que las
variables son distintas podra no darse cuenta que f (x)g(y)
6 F (u)F (v).
2. Transformacion afn
Ya se presento la propiedad del escalamiento para la transformada de Fouri-
er de dos dimensiones. Esta propiedad permite conocer como se modifica la
transformada de Fourier si el plano x-y es remapeado al plano ax-by. Es
indudable, que este es un caso particular de transformacion afn. La pre-
gunta es como cambia la transformada de Fourier al realizar el siguiente
cambio de variable
x0 = S x x + x y + x0 e y 0 = y x + S y y + y 0 .
Teorema de la transformacion afn. Si F (u, v) es la transformada de

Fourier de f (x, y), entonces la transformada de f (Sx x + x y + x0 , y x +
Sy y + y0 ) es

1 1 i2[(Sy x0 x y0 )u+(Sx y0 y x0 )v] Sy u y v x u + Sx v
e F ,
||
donde
S x x
=
= S x S y x y .
y S y
Los coeficientes Sx y Sy representan escalamiento puro; los coeficientes x

y y representan la cizalladura (o deslizamiento cortante); y x0 e y0 repre-
sentan un desplazamiento.
En el caso particular de Sx = Sy = 1 y x = y = 0 ( = 1), se tiene la

propiedad de desplazamiento
f (x + x0 , y + y0 ) ei2[x0 u+y0 v] F (u, v).
Si x = y = 0 y x0 = y0 = 0 ( = Sx Sy ), se tiene la propiedad de
escalamiento,
1 u v
f (Sx x, Sy y) F , .
|Sx Sy | Sx Sy
Si Sx = cos , Sy = cos , x = sen , y = sen y x0 = y0 = 0 ( = 1),
se tiene la propiedad de la rotacion
f (x cos y sen , x sen + y cos ) F (u cos v sen , u sen + v cos ),
es decir, una rotacion en un angulo en el plano x-y implica una rotacion

tambien, en el plano u-v y en el mismo angulo. Es sorprendente que la
rotacion en ambos planos sea en el mismo sentido.
3. Teorema de la seccion central
Existe una interesante relacion entre las proyecciones de una funcion y su
transformada de Fourier. Esta dice que la transformada unidimensional de
una proyeccion es la seccion de la transformada bidimensional en el mismo
angulo. Esta propiedad ha sido fundamental en el desarrollo de la tomo-
grafa computarizada. En el caso de los tomografos de rayos X, los datos
recolectados son precisamente proyecciones del cuerpo a variados angulos.
El proceso de reconstruccion consiste en reconstituir la funcion (imagen) a
partir de sus proyecciones. Usando el teorema de la seccion central, el pro-
ceso se reduce a ensamblar la transformada de Fourier de dos dimensiones a
partir de secciones de ella. Cada seccion, por el teorema, es la transformada
unidimensional de la proyeccion.
Una proyeccion de f (x, y) en el angulo , es decir sobre la lnea recta =
x cos + y sen , es g () y se puede encontrar como
Z
g () = f ( cos sen , sen + cos ) d

donde es un parametro definido a lo largo de la recta y es la distancia

perpendicular a la recta. Para estos propositos se define la transformada de
Radon haciendo k(, , x, y) = ( x cos y sen ), es decir,
Z Z
g () = Radon{f (x, y)} = f (x, y)( x cos y sen ) dx dy.

La seccion central de la funcion F (u, v) en un angulo se define como
F (w cos , w sen ),
es decir, es un corte al angulo que pasa por el origen.
Teorema de la seccion central. Sea g () la proyeccion de f (x, y) en

el angulo y sea F (u, v) la transformada de Fourier en dos dimensiones
de f (x, y). La transformada de Fourier en una dimension de g () es la
seccion central de F (u, v) en el angulo .
Es instructivo analizar el caso = 0. Para otros angulos basta aplicar la

propiedad de la rotacion. Si la proyeccion es en el eje x = 0 ( = 0) se tiene
= x y = y, por lo que la proyeccion es
Z
g0 () = f (, ) d.

La transformada de Fourier en una dimension de la proyeccion es

Z
F{g0 ()} = g0 ()ei2u d

Z Z
= f (, ) dei2u d
Z
Z
= f (, )ei2(u+0) d d

= F (u, v = 0).
9.3.3. Ejemplos
A continuacion se presentan algunos ejemplos simples de transformadas de
Fourier en dos dimensiones. Notese que r 2 = x2 + y 2 , q 2 = u2 + v 2 , x = r cos ,
y = r sen , u = q cos y v = q sen .
2 2
Gauss(x, y) Gauss(u, v) (er eq )
u(x, y) sinc u sinc v

sinc x sinc y u(u, v)
u(x) sinc u(v)
2
(x, y) 1(u, v)
1(x, y) 2 (u, v)
(x) (v)
(y) (u)
(x, y) (u, v)
(x) (u)(v)
(x)(y) cos u
(x) (v) cos u
u(r) jinc q
2 2
Gauss(x) Gauss(u)(v) (ex eu (v))
1
sgn(x, y)
2 uv
sen 2 2 (u, v) sen 2
2 2
er sen 2 eq sen 2
9.4. Transformada de Fourier discreta

La transformada de Fourier discreta de dos dimensiones (2DFT) se define
como
N 1 M 1
1 X X
F [k, l] = f [n, m]ei2(nk/N +ml/M ) .
N M n=0 m=0
La transformada inversa es
N 1 M 1
f[n, m] =
X X
F [k, l]ei2(nk/N +ml/M ) .
k=0 l=0
Al igual que para una dimension, la discretizacion de la funcion en el espacio

implica periodicidad en la frecuencia, y la discretizacion en frecuencia implica
periodicidad en el espacio. La figura 9.9 muestra un ejemplo de la representacion
continua de la senal periodica. En ella se ven las islas que se producen producto
de la periodicidad. Para una correcta separacion de estas islas existe una mnima
frecuencia de muestreo (para evitar aliasion), la frecuencia de Nyquist.
f(x,y)
Figura 9.9: f(x, y)
El algoritmo FFT para calcular la DFT en una dimension se puede aplicar

primero a las filas y luego a las columnas de f [n, m] para calcular la 2DFT, es
decir, para cada m se tiene
N 1
1 X
F 0 [k, m] = f [n, m]ei2nk/N m = 0...M 1
N n=0
y para cada k se tiene

M 1
1 X 0
F [k, l] = F [k, m]ei2ml/M k = 0...N 1.
M
m=0
La aplicacion mas comun de la 2DFT es como una aproximacion de la trans-

formada continua de dos dimensiones. Ya que la 2DFT, al igual que la DFT,
esta normalizada, en el sentido de que considera periodos de muestreo unitarios,
es conveniente repasar la relacion dimensional que existe entre el espacio y la
frecuencia. Para esto veamos el siguiente ejemplo.
Ejemplo 9.4.1 En este ejemplo se vera como cambia la 2DFT de un rect discre-
to a medida que se modifican sus dimensiones. Todas las imagenes de este ejemplo
tienen un tamano de 256 256. Debido a que el rect es simetrico y esta centrado
con respecto al origen, la 2DFT no tiene parte imaginaria y se puede mostrar
10
12
14
16
18
2 4 6 8 10 12 14 16 18
(a) f [n, m] (b) 2DFT (c) 2DFT (detalle)
Figura 9.10: 2DFT de f [n, m] = 1
10
12
14
16
18
2 4 6 8 10 12 14 16 18
Figura 9.11: 2DFT de f [n, m] = u[2n/N ] u [2m/M ]
como imagen. En estas imagenes el color blanco es cero y el negro el maximo

valor de la funcion.
El rect mas grande posible es el que vale uno en todo el rango (256 256), que
no es otra cosa que la funcion uno. Sabemos que la 2DFT de esta es el impulso
discreto. La figura 9.10) muestra la funcion uno y su 2DFT. Tambien se muestra
el detalle central de la 2DFT para apreciar que es un impulso discreto (un pixel
de espesor).
Como se espera de la teora y se aprecia en la figura 9.11, si se reduce el
tamano del rect en el espacio, por ejemplo a la mitad, el tamno de la funcion
en el dominio de Fourier aumenta, al doble en el ejemplo. Notese que el impulso
discreto pasa a ser ahora un asinc que tiene sus cruces por cero a dos pixeles del
origen.
Si se sigue reduciendo el tamano del rect, a un 1/4 del total, el asinc tiene
sus cruces por cero a 4 pixeles del origen (figura 9.12).
10
12
14
16
18
2 4 6 8 10 12 14 16 18
10
12
14
16
18
2 4 6 8 10 12 14 16 18
Figura 9.13: 2DFT de f [n, m] = cos 3n/N
De estos casos se puede concluir que el espesor del asinc (medido entre cruces
por cero del lobulo principal) es el numero de veces que el rect cabe en la imagen
multiplicado por dos. Es decir, cada pixel de la 2DFT tiene unidades de ciclos
por imagen. Esto es facil de apreciar si la funcion es un coseno. La figura 9.13
muestra la 2DFT de f [n, m] = cos 3n/N , donde se puede ver que los impulsos
estan a 3 pixeles del origen, correspondiendo a una frecuencia del coseno de 3
ciclos por imagen.
Finalmente, si el rect solo tiene un espesor de 5 pixeles, los cruces por cero
del asinc estan a aproximadamente 50 pixeles del origen, como se puede apreciar
en la figura 9.14.
Para terminar se presentan a continuacion algunas 2DFT que sirven para

ilustrar algunas propiedades. Las funciones bidimensionales son mostradas como
imagenes, en las que el color blanco es cero y el negro el maximo valor. Solo se
(a) f [n, m] (b) 2DFT
(a) f [n, m] (b) ln(|F [k, l]| + 1)
Figura 9.15: 2DFT de la funcion circ
muestra la magnitud de la 2DFT. Adicionalmente, para acentuar las caractersti-

cas de baja intensidad en la 2DFT, en vez de graficar la magnitud |F [k, l]| se
aplica un escalamiento logartmico y se grafica ln(|F [k, l]| + 1).
La figura 9.15 muestra la 2DFT de una funcion circular (tipo u(r)). Como se
esperaba, la 2DFT es tambien circular (tipo jinc q).
La figura 9.16 muestra lo que sucede al rotar un rect.
Y no podamos terminar este libro si no es tomando la transformada de Fourier
al mismsimo Fourier (figura 9.17).
(a) f [n, m] (b) ln(|F [k, l]| + 1)
Figura 9.16: 2DFT de la funcion rect rotada
(a) f [n, m] (b) ln(|F [k, l]| + 1)
Figura 9.17: Fourier en el espacio y Fourier en Fourier

9.5. Ejercicios
1. Encuentre la transformada de Fourier en 2D para las siguientes funciones:
u(x/a) u (y/b); u(x/a) u (y/b 0, 5); y u(x/a 0, 5) u (y/b). Explique por
que F (0, 0) es el mismo para los tres casos. Explique por que F (u, 0) es el
mismo para los dos primeros casos.
2. Encuentre la transformada de Fourier de f (x, y) cos x + if (x, y) sen x.
3. Muestre que si g(x, y) es cualquier funcion real, par en x e y, cuya

transformada es G(u, v), entonces g(x, y) + G(x, y) se transforma en
s mismo.
Muestre que si g(x, y) es cualquier funcion compleja, cuya transforma-
da es G(u, v), entonces g(x, y) + g(x, y) + G(x, y) + G(x, y) se
transforma en s mismo.
4. Un sistema se dice que es invariante en el espacio si la respuesta a la entrada

f (x a, y b) es g(x a, y b) para todo a y b, donde g(x, y) es la respuesta
a f (x, y).
Un sistema fsico se prueba con la entrada u(x2 + y 2 ) centrada en

numerosos puntos (a, b), con a2 + b2 < 5 y la respuesta es siem-
2 2
pre e(xa) (yb) hasta el lmite del instrumento de medicion por
lo menos. Hay alguna razon para pensar que el sistema pueda ser
variante?
2 2
Otro sistema siempre entrega la salida ex y independiente de la
entrada. Es el sistema invariante y por que?
5. Sea f3 (x, y) = f1 (x, y)f2 (x, y). f1 y f2 son comprimidos en x por un factor
k. Cual es la relacion entre f4 (x, y) = f1 (kx, y) f2 (kx, y) y f3 (x, y)?
6. Observando que u(r) y jinc, que forman un par de la transformada Han-

kel, tienen area unitaria, un alumno propone la siguiente
R conjetura:
R Si f (r)
tiene una transformada de Hankel F (), entonces 0 f (r) dr = 0 F () d
Sera cierto? Demuestre o entregue un contraejemplo.
7. Grafique la siguiente funcion
{ (x) (x) (y) (x)(y)} (x) u (y)
8. Sea f (x, y) = ( sinc 2 x sinc y (x, y)) Gauss(x, y)

9.5 Ejercicios 247
a) Encuentre F (u, v), simplificandola lo mas posible.

q
b) Grafique F (u, 0) y F (u, 1 ln 2). Indique cuanto vale el maximo para
ambos casos.
c) Evalue Z Z
f (x, y)dxdy

9. Calcule la magnitud
(volumen por unidad de longitud) del impulso de linea
(y x2 ) en x = 2, y = 2.
10. Encuentre la transformada de Fourier en 2D de las siguientes funciones:
a) u(x) u (y)
b) u(x)(x, y)
c) (x)(y)
d) (x, y) u (y)
11. Se tiene una senal discreta de dos dimensiones f [n, m] cuya 2DFT es F [k, l].
Encuentre la matriz WNM para N = 2 y M = 4 de manera que
F [0, 0] f [0, 0]

F [1, 0] f [1, 0]

F [0, 1] f [0, 1]

F [1, 1] f [1, 1]
=W
NM f [0, 2]

F [0, 2]

F [1, 2] f [1, 2]

F [0, 3] f [0, 3]
F [1, 3] f [1, 3]
APENDICE A
CONTEXTO HISTORICO DE LA
TEORIA DE FOURIER
Para entender como Fourier llego a la idea de expresar una funcion como
una suma de senos y cosenos, lo que hoy conocemos como series de Fourier, es
necesario comprender primero el problema que estaba resolviendo [15].
Al igual que otros cientficos de su epoca, Fourier se dedico a estudiar el
problema de la transmision del calor. El flujo de calor era de interes como un
problema practico, en el manejo de metales en la industria, y como un problema
cientfico, en el intento de determinar la temperatura en el interior de la tierra, la
variacion de esa temperatura con el tiempo, y preguntas por el estilo. En el interior
de un cuerpo que esta ganando o perdiendo calor, generalmente la temperatura
no esta uniformente distribuida y cambia en cada lugar con el tiempo. Es decir, la
temperatura T es una funcion del tiempo y del espacio. Esta funcion depende de
la forma del cuerpo, la densidad, el calor especfico del material, la distribucion
inicial de T , y las condiciones en la superficie del cuerpo. El primer problema
mayor que abordo Fourier en su libro fue la determinacion de la distribucion de
temperatura T en un cuerpo homogeneo e isotropico en funcion de x, y, z y t. El
demostro, en base a principios fsicos que T debe satisfacer la ecuacion diferencial
parcial, conocida como la ecuacion de calor, en tres dimensiones,
2
2T 2T

T T
+ + = k2 (A.1)
x2 y 2 z 2 t
donde k2 es una constante que depende del material.
249
250 Contexto historico de la teora de Fourier
Fourier, entonces, resolvio problemas especficos de conduccion de calor. Con-

sideremos el caso, que es tpico de su metodo para resolver la ecuacion (A.1), de
una barra cilndrica de largo l, cuyos extremos son mantenidos a una temperatura
de 0 y cuya superficie lateral es aislada, de manera que no hay flujo de calor a
traves de ella. Como para esta barra solo se necesita una dimension, la ecuacion
(A.1) se reescribe como
2T T
2
= k2 (A.2)
x t
sujeta a las condiciones de bordes
T (0, t) = 0, T (l, t) = 0, para t > 0 (A.3)
y la condicion inicial
T (x, 0) = f (x) para 0 < x < l. (A.4)
Para resolver este problema, Fourier, al igual que dAlambert en 1763, em-
pleo el metodo de la separacion de variables. Escribio
T (x, t) = (x)(t) (A.5)
y lo sustituyo en la ecuacion diferencial, obteniendo
00 (x) 0 (t)
2
= .
k (x) (t)
Cada una de estas fracciones debe ser una constante, digamos , de manera que
00 (x) + k2 (x) = 0 (A.6)
y
0 (t) + (t) = 0. (A.7)
Las condiciones de borde (A.3), y en vista de (A.5), implican que (0) = 0 y
(l) = 0. La solucion general de (A.6) es

(x) = b sen( kx + c)
La condicion (0) =0 implica que c = 0. La condicion (l) = 0 impone una

limitacion en , que debe ser un multiplo entero de /kl. De manera que hay
un numero infinito de valores posibles para , que son de la forma
2
= ( ) ( entero). (A.8)
kl
251
Estos son los que ahora nosotros llamamos valores propios. Como la solucion
a (A.7) es de la forma exponencial, y ya esta limitado a los valores , Fourier
tena hasta ah que
2 x
T (x, t) = b e( kl ) t sen
l
donde ahora b es la constante en vez de b y = 1, 2, 3, ..., pero la ecuacion (A.2)
es lineal por lo que la suma de soluciones es tambien una solucion, con lo que
Fourier encontro

X 2 x
T (x, t) = b e( kl ) t sen (A.9)
l
=1
Para satisfacer la condicion inicial (A.4), se debe tener para t = 0

X x
f (x) = b sen (A.10)
=1
l
Fourier se encontro entonces con la pregunta Puede f (x) ser representada

como una serie trigonometrica? En particular, se puede determinar los b ?
Para responder a estas preguntas Fourier tuvo el cuidado de ser riguroso al
estilo del siglo 18. Por simplicidad vamos a suponer l = , con lo que consideramos

X
f (x) = b sen x para 0 < x < . (A.11)
=1
Fourier tomo cada funcion seno y la expandio en una serie de potencias por el
teorema de Maclaurin, es decir, uso

X (1)n1 2n1
sen x = x2n1 (A.12)
n=1
(2n 1)!
en vez de sen x en (A.11). Intercambiando el orden de las sumas, una operacion

aceptada en la epoca, obtuvo

!
X (1)n1 X 2n1
f (x) = b x2n1 . (A.13)
n=1
(2n 1)! =1
De esta manera expreso f (x) como una serie de potencias en x, lo que impone
una fuerte restriccion en f (x) que no fue presupuesta. Esta serie debe ser la serie
de Maclaurin para f (x),

X 1 (k)
f (x) = f (0)xk . (A.14)
k!
k=0
Igualando los coeficientes de las mismas potencias de las ecuaciones (A.13) y

(A.14), Fourier encuentra que f (k) (0) = 0 para k par y ademas

X
2n1 b = (1)n1 f (2n1) (0) n = 1, 2, 3, ...
=1
Como las derivadas de f (x) son conocidas porque f (x) es la condicion inicial
dada, se tiene que los b son un conjunto infinito de incognitas en un sistema
algebraico de infinitas ecuaciones lineales.
En un problema anterior, donde se haba econtrado con el mismo tipo de
sistema de ecuaciones, Fourier tomo los primeros k terminos y las constantes del
lado derecho de las primeras k ecuaciones. Resolvio el sistema de k ecuaciones
obteniendo una expresion general para b,k , que es la proximacion de b , y con-
cluyo que b = lmk b,k . Pero, esta vez no resulto tan sencillo. Opto por tomar
muchas funciones f (x) y mostro como determinar los b para cada una de ellas
por procedimientos muy complicados que involucraban expresiones divergentes.
Usando estos casos epeciales como gua, fue capaz de obtener una expresion para
b en base a productos y sumas infinitas. Fourier se dio cuenta que esta expre-
sion era, en general, inutil, por lo que con pasos osados e ingeniosos, aunque
cuestionables, llego a la formula
2
Z
b = f () sen d (A.15)
0
Esta conclusion en cierta forma no era nueva. Euler (1729) y Clairaut (1757)
haban expandido algunas funciones en series de Fourier y haban obtenido las
formulas
1 1
Z Z
an = f (x) cos nx dx bn = f (x) sen nx dx n 1 (A.16)

Aun mas, los resultados de Fourier hasta ah derivados eran limitados porque
asuman que f (x) tena una expansion de Maclaurin, lo que significa un numero
infinito de derivadas. Finalmente, el metodo de Fourier era, ciertamente, no
riguroso y mas complicado que el de Euler. Mientras Fourier tena que usar
un sistema de ecuaciones lineales infinito, Euler simplemente se basaba en las
propiedades de las funciones trigonometricas.
Pero Fourier en ese momento hizo una observacion genial. Noto que cada b
puede ser interpretado como el area bajo la curva y = 2 f (x) sen x para x entre
0 y . Un area de este tipo tiene sentido incluso para funciones muy arbitrarias.
La funcion no necesita ser continua o se puede conocer solo graficamente. Fourier
253
concluyo que toda funcion f (x) puede ser representada como

X
f (x) = b sen x para 0 < x < (A.17)
=1
Esta posibilidad haba sido rechazada por todos los grandes maestros del siglo
dieciocho, excepto por Daniel Bernoulli.
Cuanto saba Fourier del trabajo de sus predecesores no esta claro. En una
publicacion de 1825 el dice que Lacroix lo ha informado del trabajo de Euler, pero
no dice cuando sucede esto. En todo caso, Fourier no fue amilanado por la opinion
de sus predecesores. Tomo una gran variedad de funciones f (x), calculo algunos
b para cada funcion y grafico la suma de los primeros terminos de la serie (A.17).
De esta evidencia grafica el concluye que la serie siempre representa f (x) en el
intervalo 0 < x < , independientemente de lo que sucede fuera del intervalo. En
su libro dice que dos funciones pueden igualarse un un intervalo determinado pero
no necesariamente fuera de el. La incapacidad de los matematicos anteriores a el
de ver esto, explica por que no podan aceptar que una funcion arbitraria pueda
ser expandida en series trigonometricas. Lo que la serie entrega es una funcion
periodica en la que un perodo, en este caso de 0 a , coincide con la funcion
f (x).
Una vez obtenido este resultado simple para b , Fourier, como Euler, se da
cuenta que cada b puede ser obtenido multiplicando la serie (A.17) por sen x e
integrando de 0 a . Tambien establecio que este procedimiento es aplicable a la
representacion

a0 X
f (x) = + a cos x (A.18)
2
=1
Luego Fourier considero la representacion de cualquier f (x) en el intervalo

(, ). La serie (A.17) representa una funcion impar y la serie (A.18), una
funcion par. Pero cualquier funcion puede ser expresada como la suma de una
parte par y una parte impar, de manera que cualquier funcion en el intervalo
(, ) puede ser representada por

a0 X
f (x) = + (a cos x + b sen x) (A.19)
2
=1
y los coeficientes pueden ser determinados multiplicando por cos x o sen x e

integrando de a , lo qe resulta en (A.16).
Fourier nunca demostro en forma completa que una funcion arbitraria pue-
da ser representada por una serie como la (A.19). En su libro da argumentos
sueltos y en la discusion final acerca de este punto da los lineamientos de una de-
mostracion. Pero incluso ah, Fourier no establece las condiciones que la funcion
debe satisfacer. De todas maneras, su conviccion de que la expansion es siem-
pre posible queda demostrada a lo largo de todo el libro. Tambien dice que su
serie converge sin importar que sea f (x), si tiene o no una expresion analtica o
si sigue o no alguna regla. Su conviccion se basaba en la evidencia geometrica,
relativo a lo cual el dice Nada nos parece mas apropiado que la construccion
geometrica para demostrar la verdad de los nuevos resultados y para manifestar
comprensiblemente la forma que el analisis usa para sus expresiones.
El trabajo de Fourier significo una serie de avances cientficos importantes.
Ademas de avanzar en el desarrollo de las ecuaciones diferenciales parciales,
forzo la revision del concepto de funcion que ya no necesariamente requera de una
expresion analtica, en oposicion al pensamiento de Euler y Lagrange. Su trabajo
marca un quiebre de las funciones analticas, es decir, que se puedan expandir en
series de Taylor.
El trabajo de Fourier explicito tambien otro hecho que estaba implcito en el
trabajo de Euler y Laplace. Ellos haban expandidos algunas funciones en series de
funciones de Bessel y polinomios de Legendre para resolver problemas especficos.
El hecho general que una funcion puede ser expandida en una serie de funciones
como las funciones trigonometricas, las funciones de Bessel o los polinomios de
Legendre salio a la luz gracias a Fourier.
Possoin (17811840), uno de los grandes del analisis del siglo 19 y fsico
matematico de primera clase que haba sido muy crtico del trabajo de Fouri-
er, fue fuertemente impresionado por los resultados de este, que se convencio que
todas las ecuaciones diferenciales parciales pueden ser resueltas por expansion en
series. Tambien crea que si una expansion diverga siginificaba que no se haba
elegido correctamente las funciones de la serie. Obviamente, Poisson fue demasi-
ado optimista.
La forma mas exitosa para resolver ecuaciones diferenciales parciales fue la
integral de Fourier que surge del trabajo preliminar de Laplace. La idea se debe a
Fourier, Cauchy y Poisson. Es imposible asignar prioridades del descubrimiento,
porque los tres presentaron trabajos orales en la Academia de Ciencias que no
fueron publicados hasta un tiempo despues. Ademas se escucharon entre ellos.
APENDICE B
EXPANSION EN FRACCIONES
PARCIALES
Es corriente encontrar que la transformada de Laplace o Z son fracciones de

polinomios. En esos casos las transformadas inversas se pueden obtener facilmente
si se descompene la fraccion de polinomios en fracciones parciales. Cada una de
ellas suficientemente simple como para tener su transformada inversa (calculada
o de tablas).
Supongase que la fraccion polinomial es
B(s) B(s)
F (s) = = ,
A(s) (s a1 )(s a2 ) (s an )
donde el grado de A(s) es mayor que el de B(s).

Si no hay raices repetidas en el denominador, es posible representar la fraccion
polinomial por fracciones parciales de la forma
B(s) K1 K2 Kn
F (s) = = + + + .
A(s) (s a1 ) (s a2 ) (s an )
Para encontrar el valor de Ki se puede multiplicar ambos lados por (s ai ) y

luego tomar el lmite s ai , con lo que se obtiene
B(s)(s ai )
Ki = lm .
sai A(s)
255
256 Expansion en fracciones parciales
Si hay raices repetidas (multiples polos), la expansion debe hacerse con-

siderando tantas potencias del polo repetido como repeticiones. Supongamos que
la raiz a1 esta repetida r veces. La expansion sera
B(s) Cr1 Cr2 C0 K2 Kn

F (s) = = + 2
++ r
+ ++ .
A(s) (s a1 ) (s a1 ) (s a1 ) (s a2 ) (s an )
Los coeficientes Ki se siguen obteniendo como en el caso anterior y los coeficientes

Cj son
1 dj B(s)(s a1 )r

Cj = lm .
sai j! dsj A(s)
Ejemplo B.0.1 Se desea encontrar la expansion en fracciones parciales de
2s2 + 7s + 10
F (s) = .
(s + 1)3
Sabemos que
C2 C1 C0
F (s) = + 2
+ .
(s + 1) (s + 1) (s + 1)3
F (s)(s + 1)3 = 2s2 + 7s + 10
por lo que
C0 = lm 2s2 + 7s + 10 = 5
s1
C1 = lm 4s + 7 = 3
s1
y
1
C2 = lm 4 = 2,
s1 2!
es decir,
2s2 + 7s + 10 2 3 5
3
= + 2
+ .
(s + 1) (s + 1) (s + 1) (s + 1)3
BIBLIOGRAFIA
[1] M. Abramowitz, I. A. Stegun, Handbook of Mathematical Functions Dover

Publications, Inc., 1972.
[2] N. Ahmed, K. R. Rao, Orthogonal Transforms for Digital Signal Process-

ing Springer-Verlag, 1975.
[3] R. N. Bracewell, The Fourier Transforms and Its Applications M c Graw

Hill, Inc, 1986.
[4] R. N. Bracewell, Two-Dimensional Imaging Prentice Hall, Inc., 1995.
[5] C. S. Burrus, J. H. McClellan, A. V. Oppenheim, T. W. Parks, R. W. Schafer,

H. W. Schuessler, Computer-Based Excercises for Signal Processing, Using
Matlab, Matlab Curriculum Series, Prentice Hall, 1994.
[6] J. W. Cooley, J. W. Tukey, An Algorithm for the Machine Computation of

Complex Fourier Series, Mathematical Computation, vol 19, 1965, 297301.
[7] W. K. Chen, The Circuits and Filters, CRC Press, IEEE Press, 1995.
[8] P. M. Chirlian, Signals and Filters Van Nostrand Reinhold, 1994.
[9] C. K. Chui, An Introduction to Wavelets Academic Press, Inc., 1992
[10] R. C. Gonzalez, R. E. Woods, Digital Image Processing Addison-Wesley,

1992.
257
258 BIBLIOGRAFIA
[11] I. S. Gradshteyn, I. M. Ryzhik, Table of Integrals, Series and Products

Academic Press, Inc., 1980.
[12] H. P. Hsu, Analisis de Fourier Addison-Wesley Iberoamerica, 1987.
[13] J. F. James, A Students Guide to Fourier Transforms Cambridge Univer-

sity Press, 1995.
[14] E. I. Jury, Sampled-Data Control Systems John Wiley & Sons, 1958.
[15] M. Kline, Mathematical Thought from Ancient to Modern Times, Oxford

University Press, 1972.
[16] P. Kraniauskas, Transforms in Signals and Systems Addison-Wesley, 1992
[17] A. V. Oppenheim, A. S. Willsky, I. T. Young Senales y Sistemas Prentice-

Hall Hispanoamerica, S.A., 1994.
[18] J. R. Ragazzini, L. A. Zadeh, Analisys of Sampled-Data Systems Trans.

A.I.E.E., vol. 71, no. 2, pp. 225-234, 1952.
[19] G. Simmons, Calculus Gems, Brief lives and memorable mathematics

M c Graw Hill, Inc, 1992.
INDICE ALFABETICO
2DFT, vease tansformada de Fourier240 diagrama de polos y ceros, 11

efecto de los, 102
Abel, transformada de, 213 plano Z, 203
acolchar, 157 Chebyshev, transformada de, 222
aliasion, 163 circ, funcion, 227
aliasing, vease aiasion163 condiciones de Dirichlet, 67
analogo digital, convertidor, 127 condiciones iniciales, 113
analtica, senal, 215 convergencia, region de, vease tansfor-
anti-hermitiana, funcion, 17 mada de Laplace91, 95, vease
anti-horquilla, funcion, 28 tansformada Z199
apodizacion, 172, 175 convertidor analogo digital, 127
asinc, funcion, 26 convolucion
autocorrelacion 2D, 231
problema, 49, 184 cclica, 129, 160
propiedad de la, 78, 108
definicion, 43
bases de Fourier discreta, 129
1D, 66 integral de, 43
2D, 234 lineal, 160
bases de Laplace, 91 propiedad de la, 77, 107
bases discretas de Fourier, 148 correlacion
Bessel, funcion de, 213 1D, 45
2D, 232
causalidad, 10 coseno
cedazo, propiedad del, 33 funcion, 17
ceros transformada, 66, 212
de un sistema, 101 transformada de Fourier del, 69
259
260 INDICE ALFABETICO
transformada discreta, 217 final, valor, 115

cuantizacion, 128 Fourier, Joseph, 62
Fourier, transformada de, vease tans-
DCT, 217 forma de Fourier65
delta, vease ipulso23 Fourier, transformada rapida de, 157
derivada, propiedad de la, 78, 108 fracciones parciales, 255
derrame, 172 frecuencia compleja, 89
desplazamiento, propiedad del, 77, 107 funcion de transferencia, 78, 108
DFFT, 142 funciones complejas, 11
directa, 144 grafico de, 11
inversa, 143 funciones en 2 dimensiones, 225
DFFT y series de Fourier, 145 funciones ortogonales, 220
DFT, 146 funciones ortonormales, 220
directa, 148
interpretacion matricial, 152 Gabor, transformada de, 215
inversa, 150 Gauss, funcion, 19
diagrama de polos y ceros, 11 2D, 226
Dirac, Paul, 31 Gauss, Johann, 21
Dirichlet, condiciones de, 67
DST, 217 Hadamard, transformada de, 218
DTFT, 138 Hankel, transformada de, 212
directa, 139 Heaviside, funcion, vease ecalon27
inversa, 140 Heaviside, Oliver, 32
DTLT, 193 Hermite, transformada de, 221
directa, 194 hermitiana, funcion, 17
inversa, 195 Hilbert, transformada de, 214
dualidad, propiedad de, 75 homogeneidad, 41
horquilla, funcion, 28
ecuaciones diferenciales, 6
primer orden, 7 impar, funcion, 16
segundo orden, 7 impulso, 23
solucion con Laplace, 110 2D, 230
energa, teorema de la, 78 de lnea, 230
escalon, funcion, 27 de una funcion, 34
escalamiento, vease smilitud75 definicion, 30
estirar, 157 propiedad del cedazo, 33
exponencial compleja, 18 transformada de Fourier, 67
impulso discreto, 132
FFT, 157 inicial, valor, 115
filtro anti-aliasion, 175 integracion, propiedad de la, 108
INDICE ALFABETICO 261
integral de superposicion, 46 de un sistema, 101

interpolacion sinc, 170 diagrama de, 11
invariancia, 42 efecto de los, 102
plano Z, 203
jinc, funcion, 228 potencia, teorema de la, 77
JPEG, 218 producto serial, 129
producto, propiedad del, 77
Laguerre, transformada de, 221
propiedad
Laplace, bases de, 91
autocorrelacion, 78, 108
Laplace, transformada de, vease tans-
convolucion, 77, 107
formada de Laplace90
derivada, 78, 108, 114
leakage, vease drrame172
desplazamiento, 77, 107
Legendre, transformada de, 222
dualidad, 75
linealidad, 41
energa, 78
propiedad de, 75, 107
escalamiento, vease smilitud75
Mellin, transformada de, 213 integracion, 108
modelos linealidad, 75, 107
ecuaciones de diferencia, 8 modulacion, 77, 107
ecuaciones diferenciales, 6 multiplicacion, 107
modulacion, propiedad de la, 77, 107 potencia, 77
MPEG, 218 producto, 77
muestreo, 126, 175 similitud, 75, 107
de area, 127 propiedad de superposicion, 41
funcion de, 126 propiedades
teorema del, 128 2DFT, 234
multiplicacion, propiedad de la, 107 DFT, 154
transformada de Fourier, 75
Nyquist, teorema de, 128 transformada de Fourier 2D, 234
transformada de Fourier discreta, 154
ortogonales, funciones, 220 proyeccion, 238
ortogonalidad, relaciones de, 63
ortonormales, funciones, 220 Radon, transformada de, 238
Rayleigh, teorema de, vease eerga78
packing, vease aolchar157 rect
par, funcion, 16 transformada de Fourier del, 69
pares de transformadas de Fourier, 67 rect, funcion
pares de transformadas de Laplace, 95 1D, 24
plano Z, 197 2D, 226
polinomiales, fracciones, 101 region de convergencia, vease tansfor-
polos mada de Laplace91, vease tans-
262 INDICE ALFABETICO
formada Z199 simetras, 16

respuesta al impulso DFT, 154
2D, 231 dominio de Fourier, 71
continua, 45 similitud, propiedad de, 75, 107
discreta, 132 sinc
rotacion, 238 funcion, 25
interpolacion, 170
senal analtica, 215 sinusoide, 17
senales sistema, 2
continuas, 4 invariante, 42
discretas, 4 lineal, 41
discretas periodicas, 126 superposicion, 41
discretas, representacion, 125 integral de, 46
en el espacio, 3 propiedad de, 41
en el tiempo, 3
en la frecuencia, 3 teorema de la energa, 78
etimologa, 1 teorema de la potencia, 77
fsicas, 2 teorema de la transformacion afn, 237
logicas, 2 teorema de Nyquist, 128
periodicas, 126 teorema de Rayleigh, vease torema de
seccion central, 238 la energa78
seccion central, teorema de la, 239 teorema del muestreo, 128
seno transferencia, funcion de, 78, 108
funcion, 17 transformacion afn, 237
transformada, 66, 212 transformada coseno, 212
transformada discreta, 217 transformada coseno discreta, 217
separabilidad, 225, 236 transformada de Abel, 213
series de Fourier transformada de Chebyshev, 222
forma compleja, 61 transformada de Fourier
forma de laboratorio, 60 continua
forma trigonometrica, 57 bases, 66
funcion impar, 59 definicion, 65
funcion par, 59 del impulso, 67
shah, funcion del rect, 69
1D, 27 directa, 65
2D, 231 ejemplos, 67
sifting, vease cdazo33 inversa, 66
signo, funcion, 27 propiedades, 75
2D, 228 relacion con Laplace, 91
simetra circular, 213, 225 discreta
INDICE ALFABETICO 263
bases, 148 unilateral, 113

directa, 148 transformada de Legendre, 222
interpretacion matricial, 152 transformada de Mellin, 213
inversa, 150 transformada de Radon, 238
propiedades, 154 transformada de Walsh, 218
rapida, 157 transformada rapida de Fourier, 157
simetras, 154 transformada seno, 212
frecuencia discreta transformada seno discreta, 217
directa, 144 transformada Z, 196
inversa, 143 directa, 196
series de Fourier, 145 inversa, 198
tiempo discreto propiedades, 201
directa, 139 region de convergencia, 199
inversa, 140 resena historica, 199
transformada de Fourier 2D tren de impulsos, vease sah27
continua triangulo, funcion, 22
bases, 234 unidades, 3
definicion, 233 unilateral, transformada de Laplace, vease
ejemplos, 239 tansformada de Laplace113
propiedades, 234 uno, funcion, 22
discreta 2D, 226
definicion, 240
ejemplos, 241 valor final, 115
transformada de Gabor, 215 valor inicial, 115
transformada de Hadamard, 218
transformada de Hankel, 212 Walsh, transformada de, 218
transformada de Hermite, 221 wavelet, 215
transformada de Hilbert, 214 windowing, vease aodizacion172
transformada de Laguerre, 221 Z, transformada, vease tansformada Z196
transformada de Laplace
definicion, 90
ecuaciones diferenciales, 110
inversa, 106
pares de, 95
propiedades, 107
region de convergencia, 91
relacion con Fourier, 91
tiempo discreto, 193
tiempo discreto inversa, 195

Libro v21

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

Libro v21

Uploaded by

Copyright:

Available Formats

Analisis de Senales

Este libro no habra sido posible si no es por el trabajo de mis ayudantes.

Prefacio a segunda edicion

2. Sistemas lineales y convolucion 41

4.10. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

5. Muestreo, sistemas lineales y convolucion discreta 125

6. Transformada de Fourier discreta 137

8. Otras transformadas 211

9. Transformada de Fourier en dos dimensiones 225

A. Contexto historico de la teora de Fourier 249

B. Expansion en fracciones parciales 255

En este captulo introductorio se define la idea de sistema y senal, tanto en

Una senal1 , en forma simplificada, se puede entender como cualquier mecan-

1.2. Sistemas de entrada-salida

1.3. Senales fsicas y logicas

Tabla 1.1: Unidades para espacio y frecuencia

que el tiempo transcurre, es decir, como en el ejemplo, es funcion del tiempo.

Desde el punto de vista matematico, evidentemente, que la dependencia sea

Figura 1.1: Senales continuas (el tiempo es continuo)

1.4. Senales y funciones continuas versus discretas

Una primera clasificacion que se puede hacer de las senales es en continuas

Figura 1.2: Senal discreta

El analisis de senales continuas y el de las discretas difieren considerablemente.

1.5. Modelos, ecuaciones diferenciales y de diferencias

temporal (la velocidad) y de su segunda derivada temporal (la aceleracion). Del

y 0 (t) = a(t)y(t) + b(t)

es una ecuacion diferencial de primer orden, y

y 00 (t) + a(t)y 0 (t) + b(t)y(t) = c(t),

es de segundo orden, donde a(t), b(t) o c(t) pueden depender de la entrada al

pyh (t) = a(t)yh (t)

donde c es una constante de integracion (depende de las condiciones iniciales del

Por lo que la solucion completa al sistema de primer orden es

Debido a la comun ocurrencia de sistemas de segundo orden, recordaremos

p2 y(t) + apy(t) + by(t) = 0.

Al resolver la ecuacion cuadratica en p, se tiene dos races p1 y p2 . Dependiendo

Figura 1.3: Diagrama de flujo de una ecuacion diferencial de primer orden

Figura 1.4: Diagrama de flujo de una ecuacion diferencial de segundo orden

yh (t) = c1 ep1 t + c2 tep1 t .

Este es el caso crticamente amortiguado.

Figura 1.5: Diagrama de flujo de una ecuacion de diferencias de primer orden

Figura 1.6: Diagrama de flujo de una ecuacion de diferencias de segundo orden

En el primer caso el valor de y para un instante de tiempo depende del valor en

y[n] = a[n]z 2 y[n] + b[n]z 1 y[n] + c[n]

Por lo general para resolver este tipo de sistemas de ecuaciones se utiliza la

Figura 1.7: Entrada y salida de un sistema causal

Ejemplo 1.6.1 Un ejemplo de un sistema no causal son los suavizadores de

(a) Imagen entrada (b) Imagen salida (suavizada)

Figura 1.8: Sistema no causal en el espacio

1.7. Como graficar funciones complejas?

Figura 1.9: Grafico de una funcion real de argumento real

Figura 1.10: Grafico de una funcion real de argumento complejo

(a) Parte real (b) Parte imaginaria

(c) Magnitud (d) Fase

(e) Partes real e imaginaria (f) Magnitud y fase

Figura 1.11: Grafico de una funcion compleja de argumento real

Figura 1.12: Grafico tridimensional de una funcion compleja de argumento real

Las senales, tpicamente son mejor representadas por funciones complejas de

(a) Parte real (b) Parte imaginaria

(c) Magnitud (d) Fase

(e) Diagrama de polos y ceros

Figura 1.13: Graficos de una funcion compleja de argumento complejo

(a) Funcion par (b) Funcion impar

(c) Funcion hermitiana (d) Funcion anti-hermitiana