APUNTES DE CLASE ´ ˜ ANALISIS DE SENALES

BOGOTA D. C. 2010

´ Indice general

Prologo 1. Introducci´n o 1.1. Introducci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 1.1.1. Fuentes t´ ıpicas de se˜ ales biom´dicas . . . . . . . . . . . . . . n e 1.2. Identidad de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. Se˜ ales y Sistemas n 2.1. Introducci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 2.2. Se˜ ales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . n 2.2.1. Se˜ al causal y no causal . . . . . . . . . . . . . . . . . . . . . n 2.2.2. Se˜ ales continuas y se˜ ales discretas . . . . . . . . . . . . . . n n 2.3. Se˜ ales de importancia . . . . . . . . . . . . . . . . . . . . . . . . . . n

VII

1 1 2 3 4 4 5 5 6 8

2.4. Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5. Propiedades de los sistemas . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.1. Sistemas con y sin memoria . . . . . . . . . . . . . . . . . . . 12 2.5.2. Causalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.5.3. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

i

´ INDICE GENERAL

ii

2.5.4. Invariancia en el tiempo . . . . . . . . . . . . . . . . . . . . . 13 2.5.5. Linealidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.6. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3. Series de Fourier 15

3.1. Introducci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 o 3.2. Representaci´n generalizada de una funci´n en serie de Fourier . . . . 15 o o 3.3. Serie trigonom´trica de Fourier . . . . . . . . . . . . . . . . . . . . . 17 e 3.4. Serie exponencial de Fourier . . . . . . . . . . . . . . . . . . . . . . . 18 3.5. Se˜ ales peri´dicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 n o 3.6. Propiedades de la serie de Fourier . . . . . . . . . . . . . . . . . . . . 21 3.7. An´lisis de la funci´n Delta de Dirac. . . . . . . . . . . . . . . . . . . 23 a o 3.8. C´lculo del coeficiente Cn por el m´todo de diferenciaci´n . . . . . . . 23 a e o 3.8.1. Teorema de Parseval. . . . . . . . . . . . . . . . . . . . . . . . 25 3.9. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4. Transformada de Fourier 28

4.1. Introducci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 o 4.2. Presentaci´n de la transformada de Fourier . . . . . . . . . . . . . . . 28 o 4.3. Condiciones de existencia de la transformada de Fourier. . . . . . . . 30 4.4. Propiedades de la transformada de Fourier. . . . . . . . . . . . . . . . 31 4.4.1. Superposici´n . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 o 4.4.2. Traslaci´n en el Tiempo . . . . . . . . . . . . . . . . . . . . . 31 o 4.4.3. Modulaci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 o 4.4.4. Dualidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 4.4.5. Diferenciaci´n en Tiempo . . . . . . . . . . . . . . . . . . . . 33 o 4.4.6. Integraci´n En Tiempo . . . . . . . . . . . . . . . . . . . . . . 33 o

2. . . . . . . . . . . . . . . . . . . . .4. . .3. .1. Convoluci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . Propiedades de la convoluci´n . . 60 7. . . . . . . Muestreo 59 7. Ejercicios . . . . Funciones Reales y Sinusoidales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Ejercicios . . . . . . Respuesta de un sistema al escal´n . . . . . . . . . . . . . 50 o 5. . . . . Funci´n de transferencia . . . . . . . Transformada Inversa de Laplace . . . . . . . .3. 34 4. . . . . 60 7. . . . . . 37 n o 4. . . . . . . . . .2. . . .6.7. . 42 o 5. . . . . . . . . . . . . . . . . . 55 6. . . . . . . . . . . . . . . . . . . . . . . . Muestreo . . .3. .3. . . . . . . . . Respuesta al impulso y Convoluci´n o 39 5. . . . . 55 6. . . . . . . . . . . . Teorema de Rayleigh . Introducci´n . . . . .3. . . . Propiedades . . . . . . . . Introducci´n . . . . . . . Nomenclatura . . . . 52 6. . 59 o 7. . 54 o 6. . Transformada de Laplace 54 6. . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . Respuesta al impulso .5. . .5. . . Definici´n de la transformada unilateral de Laplace . . . . Funciones Conjugadas .2. .2. . . . .4.8. Proceso de muestreo . . . . . . . . . . . . . . . . . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . 54 o 6. . . . . . . . . . . . 49 o 5. 57 o 6. . . . . . . . . . . . . . . . . . . . . Transformada de Fourier de se˜ ales peri´dicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 . . . . 38 5. .3. . . 34 4. . . 59 7. . . . . . . . . . . . . . . . . . . . .4. . . . . . . . Sistema de procesamiento digital . . . . . . 39 5. . . . . . . . . . . . . . . . . .4.´ INDICE GENERAL iii 4. .6. . . . . . . . .1.3. . . . . . . . . Muestreo impulsivo . . . . . . . 61 7. . . . . . 58 7. . . . .

. . . . . . . . . . . . .5. . . . . . . . . . .2. .2. . . . . Propiedades de la transformada Z . . . . . . . . . .1.6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6.´ INDICE GENERAL iv 7. . Expansi´n binomial . . . Ejercicios . . . . . . . . . . . 83 o 10.5. . . . . . Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 10. . . . . . . Ejercicios . . . . . . . . 71 9. . . . . . . . . . . . . . . . . . . . . . . . Fracciones parciales . .7. . . . .5. . . . . . Consideraciones . . . 77 10. . . .Transformada Z 73 10. . . . . . . . Teorema de muestreo . . Transformada Z inversa . . . . 66 8.1. 68 8. . . . . Dualidad entre las series de Fourier y la DTFT . . . . . . Introducci´n . . . . . . . Transformada de Fourier en tiempo discreto (DTFT) 65 8. . . . . . . . . 63 8. 62 7. . . Transformada Z unilateral .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . . . . . . Transformada Z inversa como pares transformados . . . . . . 81 10. . Presentaci´n de la transformada de Fourier en tiempo discreto (DTFT) 65 o 8. 81 o 10. . . . . . . Transformada discreta de Fourier (DFT) 69 9. . . . . . . .6. . . . . . . . . . . . . . . . . . . . . 74 10. . . . . . . 65 o 8. . . . Antitransformada discreta de Fourier (IDFT) . .3. . . . . . . . . . . . 73 o 10. . . . . . . . . . . .2. . . . .3. . . . .4.3. . . . . Aplicaci´n de la transformada Z . . . . . . . .2. . . . 78 10. 73 o 10. Introducci´n . 84 o . . . . . . . . . . 69 o 9. . . . 69 o 9. . . . . . . . . . . . . . .4. . . . . . . . . . . . 68 9. Presentaci´n de la trasformada Z . . Presentaci´n de la transformada discreta de Fourier (DFT) . . . Introducci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Convoluci´n . . . .3. . . . . .6. . . . . . . . . . . . . . . . . . . . .1. . . . 75 10. . . . .4. . . . . . . . . . . . . . . . . . .

. . . . 102 n . . . . . . . . . . . .1. . . . Funci´n de transferencia .5. . . . . . . . . .4. .8. . . . .1. . . . . . . . . . . . .2. Convoluci´n de tiempo discreto . . . . . Introducci´n . . . .3. . . . . . . . . . . . . . . Dise˜ o empleando ventanas . . . .4. . . . . . . . . . . . . . . . . . . Introducci´n . 89 o 11. . . . . . . . . . . . . . . . 91 12. . . Filtros FIR (Finite Impulse Response) . . Terminolog´ y Clasificaci´n . 98 o 13.Filtros An´logos a 91 12. . 101 13. . . . 85 o e 10. . . . . .5. . . . . . . . . . . . . . . . . . . . Ejercicios . . Implementaci´n de filtros digitales . .1. . . .1. . . 91 a 12. . . . . . Introducci´n . . . . . . . . . Transformaciones de frecuencia . . . . . . .4. . . . . . . . . . .´ INDICE GENERAL v 10. .2. . . . . . .1. . . . . .5. 98 o 13. . . . . . . . 94 n 12. . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 o 13. . . . . . . . . . Pasos de dise˜ o . Descripci´n de los Filtros digitales . . . . 100 n 13. . . . . . . . Ejercicios . . . . . . . 97 ıa o 13. . .Filtros digitales 97 13. . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 11. . . . . . . . . . . Clasificaci´n de los Filtros Digitales . . . . . Ejercicios . . . . 94 12. . . . . 93 12. . .2. . . . . . . . . . . . . . . . . . . Soluci´n num´rica de ecuaciones en diferencias . . . . . . . . . . . . . . . .3. . . . .7. . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . 91 o 12. .2.1. . . . . . .3. . . . . . 89 o 11. . . . . . . . . . . . . .9. . . . . . . . . . . Filtro Butterworth . . . . . . . . .3. . . . 90 12. . Pasos para el proceso de dise˜ o de un filtro digital . . . . . . . . . . . . .1. . . . . . . . . Par´metros de un filtro . . . . . . . . . . . . . .1. .Convoluci´n discreta o 89 11. . . . . . . . 96 13. . . Orden del filtro . . . . . . . . . . . . . . . . . 101 o 13. . .2. . . . . . 84 o 10. . . . . . . .

. . . . S´ ıntesis en el dominio de la frecuencia . . . Funciones para hacer transformaciones de s a z . . . . . . . . . . . . . 114 A. . . . . . . .5. . . . 116 A. . .2. . . 117 o A. . 111 A.´ INDICE GENERAL vi 13. . . . . . . . . . . Comandos para dise˜ o de filtros FIR . . . . .5. Para filtros anal´gicos . . . . .6. .4. . . . . . . . . . . . . . . . . . . . . . . . . 105 13. Funciones para determinar el orden de un determinado filtro . . . . Filtros IIR (Infinite Impulse Response) . . Dise˜ o de Filtros con MATLAB n 112 A. . . . . . . 112 A. .5. . . . . . Funciones para determinar los coeficientes del filtro . . . . . . . . . . . . Funciones para obtener la respuesta frecuencial de un filtro .1.6. . . . . .3. .2. . . . . 117 n A. . . . . . . . . 103 13. . . . . . . .1. . . . . . . . . . . . . .6. . . . . . . S´ ıntesis en el dominio del tiempo . . . . . . . . . Ejercicios . . . . . . . . . . . . . 117 A. . .7.2. . . . 118 . 108 13. .8. Para filtros digitales . . . . Comentarios . . . . . . 110 13. . . . . .1. . . . . . . . . . .

n e n vii . Se adicionan puntos de vista a propios del autor con los cuales se pretende aclarar ciertos aspectos del an´lisis de a se˜ ales como fundamento para el procesamiento digital de se˜ ales. n n Los temas tratados en este documento abordan t´picos b´sicos del an´lisis de o a a se˜ ales como tambi´n del procesamiento digital de se˜ ales.PROLOGO Este documento se realiza con la finalidad de proporcionarle al estudiante una fuente de consulta r´pida de los temas vistos en clase. a Para la elaboraci´n de esta gu´ se realiza una revisi´n de varios autores buscando o ıa o siempre la forma m´s adecuada de presentar los temas.

Como ase pectos adicionales de importancia en el curso est´n: respuesta al impulso. trasforn o mada de Fourier y transformada de Laplace. El an´lisis de se˜ ales es una pilar fundamental en el procesamiento digital de a n se˜ ales. respuesta en frecuencia. n De las primeras aplicaciones de procesamiento digital de se˜ ales se tienen el n desarrollo de algoritmos para la Transformada R´pida de Fourier y el dise˜ o de a n filtros digitales. Es preciso para esto efectuar una revisi´n sobre series de Fourier. el teorema del muestreo. o n a dise˜ o de filtros de respuesta finita al impulso (FIR) y dise˜ o de filtros de respuesn n ta infinita al impulso (IIR). Aunque es posible emplear un software gen´rico de e programaci´n para realizar estas aplicaciones es conveniente emplear un software o especializado como MATLAB para realizar estas aplicaciones con la finalidad de centrar el estudio en el dise˜ o y no tanto en su programaci´n. dise˜ o de filtros an´logos.1. El gran auge que ha tenido el procesamiento digital de se˜ ales se produce por n encontrarse en el mercado dispositivos digitales que permiten realizar este tipo de aplicaciones obteniendo buen desempe˜ o. para lo cual se emplean las herramientas de transformada a de Fourier discreta y de tiempo discreto. lo cual se dejar´ para n o ıa un curso de sistemas digitales. Posteriormente se debe realizar una extensi´n de estas transformadas a tiempo discreto donde se busca realizar aplicao ciones de car´cter digital.Tema 1 Introducci´n o Introducci´n o 1. convolua ci´n. como tambi´n transformada Z. Las aplicaciones del procesamiento digital de se˜ ales son: n 1 .

para lo cual tambi´n se suele emplear t´cnicas de o o e e computaci´n flexible como lo son las redes neuronales. Sensores a nivel microsc´pico (celular): foto celdas. o 4. Fuentes t´ ıpicas de se˜ ales biom´dicas n e Un campo donde el procesamiento tiene buena aplicaci´n es el relacionado con o la medicina. a Biol´gica. Las se˜ ales est´n asociadas al sistema donde se est´n procesando es decir que n a a pueden existir se˜ ales y sistemas de naturaleza: n El´ctrica.1. EEG e 2. El´ctricas: ECG. e Qu´ ımica. e Hidr´ulica. Comunicaciones: Modulaci´n. o etc. o . a T´rmica. aqu´ se suelen capturar diferentes se˜ ales para ser interpretadas por un ı n experto.´ TEMA 1. Im´genes: MRI (Resonancia magn´tica).1. como ejemplo de esto se tiene la conocida modo ulaci´n AM y FM. EMG. a e 3. a Reconocimiento de patrones: Como ejemplo cl´sico de esto se tiene el rea conocimiento de voz. 1. o n a Audio: Sintetizadores de sonidos. electrodos bioactivos. INTRODUCCION 2 Procesar y predecir el comportamiento futuro de se˜ ales: Un ejemplo de esto n es el pron´stico econ´mico. Sensores (transducci´n mec´nico-el´ctrica): Strain gauge. Mec´nica. ultrasonido. o Diagnostico: Identificaci´n de da˜ os en equipos mediante an´lisis en frecuencia. ejemplos de este tipo de se˜ ales son: n 1. o Restauraci´n de se˜ ales: Aplicaciones encaminadas a mejorar la calidad de o n grabaciones de audio e im´genes digitales. transductores de o a e fuerza o presi´n.

De forma intuitiva se puede apreciar esta relaci´n mediante las segundas o derivadas de estas funciones donde se aprecia que al trabajar con variable real no es posible tener una relaci´n entre estas funciones. Una forma de mostrar la identidad de Euler consiste en primer lugar en tomar su definici´n: o ejθ = cos(θ) + j sin(θ) (1.1) Entonces se considera una funci´n que es f θ = cos(θ) + j sin(θ) por lo tanto la o prueba consiste en mostrar que f θ = ejθ . INTRODUCCION 3 1.2.´ TEMA 1. ejθ + e−jθ cos(θ) = 2 jθ e − e−jθ sin(θ) = 2j . Identidad de Euler Uno de los resultados importantes en variable compleja es la identidad de Euler la cual permite tener una relaci´n entre las funciones seno y coseno con la funci´n o o exponencial. se tienen las relaciones para el seno y coseno. considerando que e−jθ = cos(θ)−j sin(θ). entonces: f (θ) = cos(θ) + j sin(θ) Al derivar se tiene: df (θ) = j(cos(θ) + j sin(θ)) dθ df (θ) = jf (θ) dθ df (θ) = j dθ f (θ) ln(f (θ)) = jθ Entonces: Por lo cual se tiene: f (θ) = ejθ Finamente se tiene que: ejθ = cos(θ) + j sin(θ) Adicionalmente. al incluir la unidad imaginaria o √ o j = −1 es posible tener una relaci´n.

n Sobre la definici´n de sistema existen diferentes puntos de vista dependiendo o la disciplina sobre la cual se esta trabajando. n Im´genes digitales. n Se˜ al de voz.1 .1. En las presentes secciones se ampliar´n los conceptos de se˜ ales y sistemas. Algunos ejemplos de se˜ ales son: n Se˜ al ECG. En principio una se˜ al se considera como una funci´n que varia en el n o tiempo. Una representaci´n gr´fica de un sistema se puede apreciar o a en la figura 2. n Se˜ al EEG. En muchas areas del conocimiento el concepto de se˜ al y sistema es de gran n importancia.Tema 2 Introducci´n o Se˜ ales y Sistemas n 2. a n 4 . a Aunque una imagen no presenta variaci´n es posible aplicable t´cnicas de proceo e samiento de se˜ ales. para el caso se considera un sistema como un arreglo de elementos el cual tiene entradas y salidas donde las salidas son funciones de las entradas.

2. 2. n Fractales: Presentan comportamiento similar a corta o larga escala.3) T 2 −T 2 |x(t)|2 dt (2.1: Diagrama de un sistema. Se˜ al causal y no causal n En forma general. n 2. o Se˜ ales de energ´ o de potencia: una se˜ al x(t) es de energ´ si: n ıa n ıa ∞ EX = −∞ |x(t)|2 dt < ∞ (2.1. Se˜ ales n Una clasificaci´n de las se˜ ales es: o n Aleatorias y determin´ ısticas: Si existe o no. incertidumbre sobre el valor de la se˜ al en todo tiempo. Ca´ticas: Son se˜ ales deterministicas pero no predecibles en el futuro. SENALES Y SISTEMAS 5 Entradas Sistema Salidas Figura 2.2) Sobre los conceptos importantes a revisar sobre se˜ ales se trata sobre su causaln idad y si es una se˜ al de tiempo continuo o discreto. una se˜ al causal es aquella que para un valor de tiempo t0 n puede tener un valor diferente de cero mientras que para tiempos inferiores a t0 vale .˜ TEMA 2.2.1) Una se˜ al x(t) se llama de potencia si: n 1 PX = l´ ım T →∞ T y (0 < PX < ∞) (2. o n Peri´dicas y no Peri´dicas: si existe o no alg´ n tipo de repetibilidad de la o o u funci´n en un un tiempo T finito.

n Se˜ ales de tiempo discreto.˜ TEMA 2. t ≥ t0 .0 1. En varias aplicaciones y para efectos pr´cticos en el c´lculo de algunas transformadas el valor de t0 se toma como a a cero. una forma de representar esta se˜ al es f (t). g(t). Por convenci´n la variable n o . es decir: f (t) = 0. Se˜ ales continuas y se˜ ales discretas n n Para efectos de la forma de procesamiento hardware de la se˜ ales se pueden n considerar dos tipos de se˜ ales: n Se˜ ales de tiempo continuo.2: Se˜ al causal y no causal con t0 = 0.2.0 −4 −3 −2 −1 2. n 2.4) De forma an´loga la definici´n de se˜ al no causal indica que esta puede tener a o n valores diferentes de cero para tiempos menores de t0 . t < t0 .2 f (t) 2. n Una se˜ al de continua o de tiempo continuo es una funci´n de una variable n o continua que generalmente es el tiempo.0 1. SENALES Y SISTEMAS 6 cero. (2.2. Aunque en varios textos esta simplificaci´n se presenta de forma expl´ o ıcita es importante tener presente este aspecto. n Esta se˜ al esta definida para cualquier instante de tiempo.0 −4 −3 −2 −1 0 1 2 3 4 t 0 1 f (t) 2 3 4 t Figura 2. Un ejemplo de se˜ al causal y no causal se n puede apreciar en la figura 2.

0 1. Una forma de representar la se˜ al de tiempo discreto es f [n]. n x[n] 3.4.3 se puede apreciar un ejemplo de una se˜ al continua. n u En una se˜ al se˜ al de tiempo discreto solamente est´ definida en ciertos instantes n n a discretos de tiempo. n . . x[n]}..0 2. Este tipo de se˜ ales tambi´n o n e puede ser representado como una secuencia de valores {x[1].0 1 2 3 4 5 t Figura 2. n x(t) 3. Un ejemplo gr´fico a de una se˜ al de tiempo discreto se puede apreciar en la figura 2. Por nomenclatura para la variable de tiempo discreto se emplea n.0 1 2 3 4 5 n Figura 2.. En la figura 2..3: Se˜ al de tiempo contin´ o.˜ TEMA 2. x[3]. de manera que entre cada instante y el siguiente no est´ definia da dicha se˜ al. x[2].4: Se˜ al de tiempo discreto. por n n nomenclatura se emplea un tipo de par´ntesis diferente para su representaci´n ase o pecto que sera de atenci´n en el capitulo de muestreo. SENALES Y SISTEMAS 7 independiente del tiempo se denota como t.0 2.0 1.

5 0. o Las tres primeras se˜ ales son muy empleadas en teor´ de control y la ultima es n ıa de gran importancia para la descripci´n de se˜ ales y sistemas lineales. n Funci´n impuso unitario. 1.5 2. t < 0.3.5. Las se˜ ales a consideraci´n son: n o Se˜ al paso.˜ TEMA 2. n . t ≥ 0.5 1. SENALES Y SISTEMAS 8 2. (2.0 1.0 0.5 1. n Se˜ al parabola unitaria.5 t Figura 2.5) La representaci´n gr´fica de la se˜ al paso se puede apreciar en la figura 2. o a n µ(t) 1. n Se˜ al rampa unitaria. o n Se˜ al paso n La se˜ al paso se encuentra definida como: n µ(t) = 0.0 2. Se˜ ales de importancia n En el an´lisis de se˜ ales existen se˜ ales t´ a n n ıpicas las cuales son objeto de estudio bajo diferentes herramientas.5: Se˜ al tipo paso.

5 2. . t ≥ 0. (2.0 0.5 1. n Se˜ al parabola unitaria n La se˜ al parabola unitaria se encuentra definida como: n p(t) = 0. t ≥ 0. r(t) 1.5 t Figura 2. t < 0.7) La representaci´n gr´fica de la se˜ al parabola unitaria se puede apreciar en la o a n figura 2.0 1.5 0.6) La representaci´n gr´fica de la se˜ al rampa unitaria se puede apreciar en la figura o a n 2.7. SENALES Y SISTEMAS 9 Se˜ al rampa unitaria n La se˜ al rampa unitaria se encuentra definida como: n r(t) = 0. t2 . t. (2.5 1. t < 0.0 2.˜ TEMA 2.6: Se˜ al rampa unitaria.6.

n Funci´n impuso unitario o Para comprender mejor esta se˜ al consid´rese primero la funci´n ventada mostran e o da en la figura 2. SENALES Y SISTEMAS 10 p(t) 1.9) (2.5 2. T ) ım T →0 (2. t = 0.8 donde el area de esta se˜ al debe ser la unidad.7: Se˜ al parabola unitaria.10) δ(t) = ∞ −∞ 0. a medida que se n angosta su base para conservar el ´rea de esta se debe aumentar la altura entonces a cuando la base de esta se˜ al tiende a cero entonces la altura tiende a infinito.0 1. δ(t)dt = 1 .˜ TEMA 2.5 1.5 1.8) (2.0 0. De esta n manera al proponer el anterior limite se puede realizar la definici´n de la funci´n o o impulso sin embargo es importante se˜ alar que esta definici´n tambi´n incluye la n o e caracter´ ıstica que su ´rea debe ser la unidad. ∞. es decir: a δ(t) = l´ ∆(t.5 t Figura 2. t = 0.5 0.0 2.

0 −0.˜ TEMA 2.9: Funci´n impulso unitario δ(t). o La representaci´n gr´fica de la se˜ al impulso se puede apreciar en la figura 2.9 o a n δ(t) 1.5 T Figura 2. t δ(τ )dτ = µ(t) −∞ (2.0 0.5 1.12) (2.5 1.0 1.0 0.8: Funci´n ventana ∆(t.0 −0.11) (2. o Propiedades de la funci´n impuso unitario o Como sera de observar en cap´ ıtulos posteriores.5 −1.5 t Figura 2.5 1.5 −1. SENALES Y SISTEMAS 11 ∆(t. T ) 1.5 −1.5 −1.5 t 0. T ).5 1. las siguientes propiedades son de importancia para el c´lculo de algunas transformadas como tambi´n para realizar el a e paso de sistemas de tiempo continuo a discreto.5 0.0 1.13) dµ(t) = δ(t) dt x(t)δ(t) = x(0)δ(t) .

16) (2.17) x(t)δ(t)dt = x(0) −∞ ∞ −∞ ∞ −∞ x(t)δ(t − t0 )dt = x(t0 ) x(τ )δ(t − τ )dτ = x(t) Para algunas propiedades se tiene t0 ∈ R.˜ TEMA 2.14) (2. SENALES Y SISTEMAS 12 x(t)δ(t − t0 ) = x(t0 )δ(t) ∞ (2. este tipo de sistemas tambi´n es llamado sistema e est´tico. Es de notar que la ultima propiedad no considera que la se˜ al x(t) sea causal. o o Al igual que las se˜ ales se pueden tener sistemas de tiempo continuo o discreto n dependiendo del tipo de se˜ al sobre el cual opere el sistema.4. Sistemas con y sin memoria Un sistema sin memoria es aquel que su salida en un instante depende de su entrada solamente en ese instante. . n 2. Estas propiedades tienen interpretaciones tanto f´ ısicas como matem´ticas a 2.5. Sistemas sin memoria pueden ser estructuras mec´nicas a cargas a est´ticas o tambi´n circuitos el´ctricos con solo elementos resistivos alimentados por a e e fuentes de corriente continua. Propiedades de los sistemas En los siguientes apartes se observaran algunas de las propiedades m´s impora tantes de los sistemas. Sistemas Un sistema se considerar como una transformaci´n que sufren unas entradas en o salidas bajo diferentes operaciones que se realicen en el sistema.15) (2. n 2.5.1.1. a Ejemplo 2. En el caso de tener una sola entrada y una salida la se˜ al de salida est´ relan a cionada con la entrada mediante una relaci´n de transformaci´n y = f (x).

5. Ejemplo 2.O.2.Bounded Output).˜ TEMA 2. el cual es equivalente al circuito formado a por un condensado una inductancia y una resistencia conectados en serie. n .5. SENALES Y SISTEMAS 13 En un sistema con memoria salida puede depender de entradas en instantes anteriores.5. Estabilidad Un sistema estable es aquel cuya salida esta acotada siempre y cuando su entrada est´ acotada. (Bounded Input . o ıa Para efectos pr´cticos es posible realizar procesamiento no causal pero sobre a colecciones de datos almacenados es decir que no sea en tiempo real.2. un ejemplo de esto ocurre cuando se ıa u intenta ejercer un control de seguimiento de para un m´vil a partir de t = 0 pero o antes de este valor el m´vil ya se encontrar´ en movimiento por ser no causal. Causalidad En un sistema es causal su salida en cualquier instante depende s´lo de los valores o de la entrada en el instante actual o en instantes anteriores. e a Ejemplo 2. un claro ejemplo de esto es el procesamiento de voz fuera de linea.3. Este tipo de sistemas es tambi´n llamado sistema din´mico.4. ya que la salida del sistema no anticipa valores futuros de la entrada. 2.I. 2. Para efectos pr´cticos sobre los sistemas no causales no se podia a ejercer ning´ n tipo de control ya antes de ingresar la se˜ al de entrada el sistema u n ya estar´ presentando alg´ n tipo de repuesta. se puede usar el concepto de norma a para introducir diferentes tipos de cotas. La anterior definici´n hace referencia al t´rmino entrada acotada e o e salida acotada o estabilidad en el sentido B.B. Un sistema cl´sico con memoria es el arreglo de masa amora tiguador y resorte en sistemas din´micos.3. Como es de notar las im´genes a digitales tambi´n permiten realizar procesamiento no causal por ser funciones indee pendientes del tiempo. de esta manera. 2. La manera de definir el acotamiento de una se˜ al depende del tipo de n an´lisis que se quiera realizar. Este tipo de sistemas son considerados como no anticipativos. Invariancia en el tiempo Un sistema es invariante en el tiempo si un retardo en la se˜ al de entrada produce n una se˜ al de salida retardada en la misma cantidad de tiempo.

3.5.2.18) Un sistema definido como y(t) = ax(t) + b. Verificar que y(t) = tx(t) es variante en el tiempo. se obtienen coeficientes constantes.6. se dice que es un sistema incrementalmente lineal o af´ ın. entonces en un sistema invariante en el tiempo.1. SENALES Y SISTEMAS 14 Considerando la salida y(t) asociada a la entrada x(t). En un sistema invariante en el tiempo descrito por ecuaciones diferenciales.˜ TEMA 2. Realizar la representaci´n gr´fica de las se˜ ales escal´n unitario. donde a. ya que los incrementos de la salida responden de manera lineal a incrementos de la entrada. b ∈ C y dos se˜ ales de entrada x1 (t) y x2 (t) las n cuales tienen asociadas las respectivas salidas y1 (t) y y2 (t) es decir y1 (t) = f (x1 (t)) y y2 (t) = f (x2 (t)) por lo tanto de dice que el sistema es lineal si: ay1 (t) + by2 (t) = f (ax1 (t) + bx2 (t)) es decir ay1 (t) + by2 (t) = af (x1 (t)) + bf (x2 (t)) (2. la entrada x(t − t0 ) produce la salida y(t − t0 ). o a n o rampa unitaria y parabola unitaria cuando estas son funciones de tiempo discreto. . Mostrar gr´ficamente cada una de las propiedades de la funci´n a o impulso. Ejercicios Ejercicio 2.4. Ejercicio 2. El sistema dado por la ecuaci´n y(t) = sin(t) es invariante en el o tiempo. 2. Ejemplo 2. pero el sistema y(t) = tx(t) es variante en el tiempo. Ejercicio 2. 2.5. Linealidad Un sistema lineal se define coma aquella sobre el cual se puede aplicar el principio de superposici´n. o de diferencias. sin embargo. o Considerando dos constantes a. b son constantes NO es un sistema lineal.19) (2. los cuales com´ nmente son par´metu a ros f´ ısicos del sistema.

2) . t2 ) como: f (t) = kg(t) 15 t1 < t < t2 (3.1) Donde el punto de importancia radica en el procedimiento a emplear para lograr este fin. Representaci´n generalizada de una funci´n o o en serie de Fourier En principio se espera expresar una se˜ al f (t) en funci´n de otra g(t) en un n o intervalo (t1 . sin embargo queda limitada a se˜ ales peri´dicas por lo cual al extender n o este planteamiento a se˜ ales no peri´dicas se da lugar a la transformada de Fourier n o la cual se puede aplicar a se˜ ales continuas no necesariamente peri´dicas. lo cual corresponde a problemas de valor de frontera.2.1. n o El concepto de la serie de fourier consiste en expresar una se˜ al x(t) como: n x(t) = Ak cos(ωk t + θk ) (3. Con el avance en otras disciplinas se aprecio que esta forma de representaci´n es muy o util para el analisis de se˜ ales dado que permite observar su comportamiento en ´ n frecuencia.Tema 3 Introducci´n o Series de Fourier 3. 3. Inicialmente Jean Raptiste Fourier concibi´ la representaci´n de funciones en o o forma de series trigonom´tricas para la soluci´n de ecuaciones de transferencia de e o calor en cuerpos solidos.

Es obvio que. dǫ2 =0 dk dǫ2 1 = dk t2 − t1 t2 t1 1 = t2 − t1 t2 t1 [f (t) − kg(t)]2 dt (3. t0 + 2π ω0 si n = m. lo que arrojar´ un p´simo valor de k.TEMA 3. SERIES DE FOURIER 16 el criterio para determinar el valor ´ptimo de k puede ser. o e Si por alguna raz´n o t2 f (t)g(t)dt = 0 t1 (3. t0 . Un ejemplo de esto seria ıa e aproximar la funci´n sen(t) con la funci´n nula entre 0 − 2π. por ejemplo.6) Se dice que f (t) no tiene componente de g(t). aunque o o ǫ = 0.5) Este valor proporciona la mejor aproximaci´n de f (t) a trav´s de g(t). la aproximaci´n es mala. o que f (t) y g(t) son ortogonales. Si en vez de aproximar f (t) con una sola funci´n g(t) se desean utilizar un grupo o de funciones gk (t). es decir: n f (t) = k=1 Ck gk (t) (3.4) 2[f (t) − kg(t)]g(t)dt = 0 t2 t1 k= f (t)g(t)dt g 2 (t)dt t2 t1 (3. Un mejor criterio es minimizar el promedio del o cuadrado del error (ǫ2 ) donde: ǫ2 para minimizarlo se toma.3) Sin embargo esto no es ´ptimo ya que si existen errores grandes positivos y negativos o se cancelarian. Tambi´n son ortogonales en el mismo intervalo las funciones cos(nω0 t) y e cos(mω0 t) para todo n. t2 ) definido como: ǫ= 1 t2 − t1 t2 t1 [f (t) − kg(t)]dt (3. m.7) . Por ejemplo: sen(nω0 t) y sen(mω0 t) son ortogonales en cualquier intervalo. minimizar o el error promedio ǫ en el intervalo (t1 .

Sin embargo el c´lculo se hace muy complejo excepto si las funciones gk son ortogonales entre s´ en a ı el intervalo de aproximaci´n. En este caso ∞ ∞ f (t) = a0 + n=1 an cos nω0 t + n=1 bn sen nω0 t (3. cos(nω0 t)} en el intervalo [t0 . cos(nω0 t)} por ser las funciones que aparecen en la soluci´n de o ecuaciones diferenciales.9) Para esto es necesario un conjunto completo de funciones ortogonales. SERIES DE FOURIER 17 Se puede utilizar el criterio de minimizar ǫ2 con el fin de calcular Ck . En este caso a se puede decir que no se esta aproximando sino representando la funci´n con una o sumatoria infinita de funciones ortogonales entre s´ ı f (t) = C1 g1 + C2 g2 + · · · + Cn gn + · · · (3.10) y en ese caso tendremos que los coeficientes Ci se calcular´n como: a Ci = t2 t1 f (t)gi (t)dt t2 t1 2 gi (t)dt (3.11) La representaci´n de f (t) mediante un conjunto infinito de funciones ortogonales se o conoce como: Representaci´n generalizada de f (t) en serie de Fourier o Esta es la base para el desarrollo de la series de Fourier en donde se escogen entre las m´ ltiples familias de funciones ortogonales aquella constituida por eleu mentos {sen(mω0 t).8) Si se hace tender n → ∞ el error cuadr´tico medio tiende a cero.12) . es decir que no falte ninguna gx y gi tal que: t2 gx gi dt = 0 t1 ∀i=x (3. 3.3. Serie trigonom´trica de Fourier e Utiliza en la representaci´n la familia de funciones ortogonales de o {sen(mω0 t).TEMA 3. t0 + T ] donde T = 2π/ω0 . en cuyo caso: o Ck = t2 t1 f (t)gk (t)dt t2 t1 2 gk (t)dt (3.

1.31 . C0 = T t0 f (t)dt t0 (3. o 1 ver Lathi.4. t0 + T ) sino para a n todo tiempo y a esto es lo que se le conoce como la serie de fourier para se˜ ales n peri´dicas.5.36) sino con una deducci´n o el valor de Cn que minimiza ǫ2 1 T t0 +T Donde los Cn no se calculan mediante la f´rmula o 1 similar aplicable a se˜ ales complejas .18) En este caso las series vistas aproximar´n la se˜ al no solo entre (t0 . pag.TEMA 3. · · · ∀ t (3.16) f (t) = C0 + n=1 2|Cn | cos(nω0 t + arg Cn ) (3. En este caso n resulta ser: 1 t0 +T Cn = f (t)e−jnω0 t dt.13) f (t) cos nω0 tdt t0 t0 +T f (t) sen nω0 tdt t0 3. bn se minimiza ǫ2 obteni´ndose e a0 = 2 an = T bn = 2 T t0 +T 1 T t0 +T f (t)dt t0 (3.14) (2.17) 3. Se˜ ales peri´dicas n o Una se˜ al es peri´dica con periodo T si: n o x(t + nT ) = x(t) para n = 0. Serie exponencial de Fourier ∞ Utiliza como familia de funciones ortogonales a ejnω0 t por lo tanto f (t) = n=−∞ Cn ejnω0 t (3. SERIES DE FOURIER 18 Para determinar a0 .15) ∗ Cuando f(t) es una funci´n real Cn = C−n por lo tanto en la representaci´n de f(t) o o jnω0 t ∗ jnω0 t cada par Cn e + Cn e resulta: |Cn |ej(nω0 t+arg cn ) + |Cn |e−j(nω0 t+arg Cn ) = 2|Cn | cos(nω0 t + arg Cn ) Esto lleva a otra forma trigonom´trica de las series de fourier: e ∞ (3. an . 2.

5 T −0. n o 2T t a0 = 2 an = T 2 = T 2 2πn sen T /4 1 T T f (t)dt 0 3T /4 2 cos(nω0 t)dt − T −T /4 1 sen(nω0 ) nω0 T /4 cos(nω0 t)dt T /4 3T /4 T /4 1 − sen(nω0 t) nω0 −T /4 − sen 3n2π 4 3nπ 2 n2π 4 1 nπ + sen 3 sen n2π 4 + sen n2π 4 nπ − sen 2 Para n par an = 0 Para n impar n=1 n=3 2 bn = T 1 nπ T /4 −T /4 A1 = a3 = − 4 πn 4 πn = n=1 4 π 4 3π n=3 =− 3T /4 sen(nω0 t)dt − T /4 sen(nω0 t) T /4 3T /4 − cos(nω0 t)|−T /4 + cos(nω0 t)|T /4 .5 −1.1: Se˜ al peri´dica cuadrada.1.1.0 0.TEMA 3. SERIES DE FOURIER 19 Ejemplo 3.0 Figura 3. Determine la serie trigonom´trica de fourier de la se˜ al presentada e n en la figura 3. f (t) 1.

TEMA 3. n o 1 Cn = 0 sen(πt)e−j2πnt dt ejtπ(1−2n) − e−jtπ(1+2n) dt 1 = 1 = 2j 1 2j 1 2j 1 0 ejπ(1−2n)t jπ(1 − 2n) e−jπt(1+2n) − −jπ(1 + 2n) 0 1 0 ejπ(1−2n) 1 ejπ(1+2n) 1 − − + jπ(1 − 2n) jπ(1 − 2n) −jπ(1 + 2n) −jπ(1 + 2n) .5 −3.20) (3.22) Ejemplo 3.2: Se˜ al peri´dica (seno rectificado). Determine la serie exponencial de fourier de la se˜ al mostrada en n la figura 3.0 t Figura 3.19) (3. f (t) 1.0 −1.0 1.0 2.2.0 −2. bn y Cn Cn = 1 T t0 +T t0 1 T t0 +T f (t)e−jnω0t dt = t0 f (t) cos nω0 t − 1 j T t0 +T f (t) sen nω0 t t0 bn an − j = Cn 2 2 ∗ Cn + Cn = an ∗ j(Cn − Cn ) = bn C0 = a0 (3. SERIES DE FOURIER 20 1 nπ − cos nπ πn + cos + cos 2 2 3nπ 2 − cos nπ 2 =0 Determine las relaciones que existen entre a0 . an .21) (3.0 0.2.0 3.

an . f (t) = −f (−t) an = 0 bn = 4 T T /2 f (t)sen(nω0 t)dt 0 (3.6. es decir si f (t) = f (−t) bn = 0 an = 4 T T /2 f (t)cos(nω0 t)dt 0 (3. o sea. Propiedades de la serie de Fourier Para funci´n par o Si f (t) es par.TEMA 3. bn n a0 = C0 = an = 2 π bn = 0 4 π(1 − 4n2 ) 3. SERIES DE FOURIER 21 1 2j − 1 j − jπ(1 + 2n) + jπ(1 − 2n) −π 2 (1 − 4n2 ) Cn = 2 π(1 − 4n2 ) ⇒ 2 2 − jπ(1 − 2n) jπ(1 + 2n) = jπ 2 (1 2jπ − 4n2 ) 2 π C0 = Para la se˜ al anterior determine a0 .24) .23) Para funci´n impar o Si f (t) es impar.

0 0.5 T −0. n .TEMA 3. lo unico que se altera es el coeficiente n ´ C0 = a0 .3: Se˜ al con corrimiento y nivel DC.5 g(t) = k + f (t − t0 ) 2T t 1. Un ejemplo donde se puede aplicar las propiedades de desplazamiento en el tiempo y adici´n de nivel DC se puede observar en la figura 3. o f (t) 0. SERIES DE FOURIER 22 Desplazamiento en tiempo Si la serie de f (t) = n=∞ ∞ Cn ejω0 t ∞ la serie de f (t + τ ) = ′ Cn ejω0 t n=∞ donde: ′ Cn = Cn ejω0 τ Prueba: f (t + τ ) = ∞ ∞ Cn e n=∞ jω0 (t−τ ) = n=∞ Cn ejω0 (τ ) ejω0 (t) por tanto: ′ Cn = Cn ejω0 τ Nivel DC Si a una se˜ al f (t) se le agrega una DC.3.5 T 2T t Figura 3.

25) δ(t)dt = −∞ −ε δ(t)dt = 1 (ε > 0) ∞ (3.8. a o A esta clase de se les llama funciones singulares y entre ellas se destaca la funci´n o impulso o delta de Dirac (δ) la cual satisface las siguientes propiedades: 1. δ(at) = 6.7.30) 7. SERIES DE FOURIER 23 3. a o Existen funciones que aunque no puedan realizarse f´ ısicamente.26) 3. An´lisis de la funci´n Delta de Dirac. C´lculo del coeficiente Cn por el m´todo de a e diferenciaci´n o En el caso de tener que calcular los coeficientes Cn de una funci´n que tenga o deltas de Dirac o que al derivarla k veces las genere.TEMA 3.27) 4.31) 3. ∞ δ(t)φ(t)dt = φ(0) 0 −∞ −∞ δ(t − t0 )φ(t)dt = φ(t0 ) (3. su idealizaci´n o matem´tica muchas veces simplifica la soluci´n de ciertos problemas particulares. ∞ 0 si t = 0 ∞ si t = 0 (o est´ indefinida). a ε (3.29) (3. f (t)δ(t − τ ) = f (τ )δ(t − τ ) 5. 1 δ(t) para todo a = 0 |a| δ(t) = d[u(t)] dt (3. δ(t) = 2. el c´lculo de Cn se simplificar´ a ıa. La funci´n δ(t) puede transformarse a trav´s de ciertas funciones en el l´ o e ımite tales como: a) 1 sen τ →0 πt l´ ım πt τ (3.28) (3. Observe que si: ∞ f (t) = n=−∞ Cn ejnω0 t .

4 n f (t) A t −d1 −d2 d1 d2 T 2 f ′ (t) A d2−d1 d1 −d1 −d2 A − d2−d1 f ′′ (t) A d2−d1 d2 T 2 t −d1 −d2 A − d2−d1 d1 d2 T 2 t Figura 3. Determinar los coeficientes Cn para la se˜ al de la figura 3.4: Representaci´n gr´fica del m´todo de diferenciaci´n. se calculan sus n k Cn y luego se conseguir´ los Cn originales a trav´s de: a e Cn = k Cn Para n = 0 (jnω0 )k (3.32) Ejemplo 3. o a e o .3. SERIES DE FOURIER ∞ 24 f (t) = y ′ (jnω0 )Cn ejnω0 t n=−∞ ∞ dk f (t) k = Cn ejnω0 t dtk n=−∞ donde k Cn = (jnω0 )k Cn Por lo tanto si la derivada k-es´ ıma de la se˜ al tiene deltas de Dirac.TEMA 3.

63) se tiene que o 1 Pf = T0 ∞ T0 /2 ∞ f (t) −T0 /2 n=−∞ ∗ Cn e−jnω0 t dt = Cn n=−∞ 2 1 T0 T0 f (t)e−jnω0t 0 (3.34) Cn e jnω0 t → f (t) = ∗ ∗ Cn e−jnω0t n=−∞ Al sustituir esta expresi´n en (2.1. SERIES DE FOURIER 25 (2) Cn = 1 T T /2 −T /2 A [δ(t + d2 ) − δ(t + d1 ) − δ(t − d1 ) + δ(t − d2 )]e−jnω0 t dt d2 − d1 = A {ejnω0 d2 − ejnω0 d1 − e−jnω0 d2 + e−jnω0 d1 } T (d2 − d1 ) = Cn = 2A [cos(nω0 d2 ) − cos(nω0 d1 )] T (d2 − d1 ) 2A [cos(nω0 d2 ) − cos(nω0 )] T (d2 − d1 )(jnω0 )2 Cada vez que se tenga que determinar una serie de Fourier se debe tratar de utilizar al m´ximo las propiedades y. .33) Donde la magnitud de f (t) se toma para considerar la posibilidad de que f (t) sea compleja.35) Normalizada se define sobre una resistencia de 1 Ohm. el c´lculo de los coeficientes por a a diferenciaci´n.TEMA 3.8. o 3. si es aplicable. Escrito de otra forma: Pf = y como f (t) = n=−∞ ∞ 1 T0 T0 /2 f (t)f (t)∗ dt −T0 /2 ∞ (3. su potencia promedio normalizada2 n se calcula de la siguiente forma: 1 Pf = T0 T0 /2 −T0 /2 |f (t)|2dt (3. Teorema de Parseval. Si una se˜ al f (t) es periodica con periodo T0 .

SERIES DE FOURIER 26 Esto indica que: Pf = ∞ n=−∞ |Cn |2 (3. Por tanto este teorema implica o superposici´n de potencias promedios. o f (t) 2 1 0 −1 −2 Figura 3.9.2. an . o 3. e Potencia contenida en los dos primeros arm´nicos. Serie trigonom´trica de Fourier (a0 . 1 2 3 4 5 6 t . Determinar los coeficientes de la serie trigonom´trica y exponene cial de Fourier para las siguientes se˜ ales: n f (t) = 2 cos(2π10t) + cos(2π20t) + 3 sin(2π10t).5: Se˜ al peri´dica triangular. Para la se˜ al peri´dica f (t) presentada en la figura 3. f (t) = 2 cos(2π10t) sin(2π20t).TEMA 3.5 determin o nar: Serie exponencial de Fourier (Cn ).36) Esta relaci´n es conocida como el teorema de Parseval y establece que la potencia o promedio normalizada de una se˜ al peri´dica f (t) es igual a la suma de los cuadrados n o de las amplitudes de sus componentes arm´nicas. Ejercicios Ejercicio 3.1. bn ). n o Ejercicio 3.

6: Se˜ al peri´dica cuadrada.TEMA 3.6) determinar: ´ Potencia contenida en los cuatro primeros arm´nicos. Para una se˜ al peri´dica cuadrada de amplitud (−1 ≤ u(t) ≤ 1). o Potencia total de la se˜ al. n f (t) 1 −3 −2 −1 1 −1 −2 Figura 3. SERIES DE FOURIER 27 Ejercicio 3. n El porcentaje equivalente de potencia contenida en los cuatro primeros arm´nicos o de la se˜ al.3. n o con ciclo util del 50 % y periodo T = 4s (figura 3. n o 2 3 t .

1. n o para representar una se˜ al x(t) no peri´dica en t´rminos de exponenciales se conn o e struyen una versi´n peri´dica de x(t) llamada xp (t). Un esbozo de lo enunciado anteriormente es apreciable en la figura 4. Entoces: xp (t) = n=−∞ ∞ Cnx ejnωt T0 /2 con Cn = ∞ 1 T0 x(t)e−jnω0 t dt −T0 /2 T0 /2 xp (t) = n=−∞ −T0 /2 x(t)e−jnω0 t dt f0 ejnω0 t 28 . y luego se hace tender el periodo o o a infinito. La transformada de Fourier es una extensi´n del an´lisis de series pero con la o a capacidad de analizar se˜ ales continuas que no necesariamente sean peri´dicas.2. Pero lo importante de hacer tender el periodo al infinito es que cada vez se puede tener una mayor cantidad de la se˜ al x(t) con lo cual si este periodo tiende n al infinito como se dijo anteriormente el an´lisis que se tiene sera para la se˜ al x(t) a n en su totalidad. Presentaci´n de la transformada de Fourier o Las series de Fourier permiten representar se˜ ales peri´dicas para todo tiempo. n o 4.1.Tema 4 Introducci´n o Transformada de Fourier 4.

Bajo estos principios al tomar el limite cuando T0 → ∞ la sumatoria se convierte en una integral de la siguiente forma.1) (4.2) x(t) = . En conclusi´n: o ∞ X(f ) = −∞ ∞ x(t)e−jωt dt X(f )ejωt df −∞ (4. TRANSFORMADA DE FOURIER 29 2 x(t) 1 −4 −3 −2 −1 0 T1 T2 xp1 (t) 2 1 −4 −3 −2 −1 0 1 2 3 t 1 2 3 t T1 x (t) 2 p2 1 −4 −3 −2 −1 0 T2 Figura 4. Si T0 → ∞ se tiene que f0 y su dual ω0 son elementos muy peque˜ os es decir que. ∞ ∞ 1 2 3 t x(t) = −∞ −∞ x(t)e−jωt dt ejωt df y se llama a X(f ) la transformada directa de Fourier de x(t).TEMA 4.1: Planteamiento de la transformada de Fourier. n f0 → df y como n pertenece a un conjunto infinito de numeros se tiene que nω0 = ω la cual es es una frecuencia continua.

Condiciones de existencia de la transformada de Fourier.TEMA 4.5) Esto se entiende al observar que: ∞ X(f ) = −∞ x(t)e−jωt dt < −∞ ∞ −∞ |x(t)e−jωt |dt (4.6) Por lo tanto si: |x(t)e−jωt |dt < ∞ ∞ X(f ) existir´.4) x(t) = 1 2π X(ω)ejωt dω −∞ 4. o e ∞ X(ω) = −∞ x(t)e−jωt dt ∞ (4.1. TRANSFORMADA DE FOURIER 30 Otra forma de representaci´n es en t´rminos de ω. Determinar la transformada de Fourier del pulso rectangular mostrado en la figura 4. La condici´n suficiente para que exista la transformada de Fourier de una se˜ al o n x(t) es que: ∞ −∞ |x(t)|dt < ∞ ∞ (4. x(t) A −T 2 T 2 t Figura 4. m´ a o u a ınimos y discontinuidades en cualquier intervalo de tiempo finito y debe ser univaluada. .3. Pero como |e−jωt |=1 la condici´n se cumplir´ si: a o a −∞ |x(t)|dt < ∞ (4. Ejemplo 4.7) Adem´s la funci´n debe tener un n´ mero finito de m´ximos.3) (4.2.2: Pulso rectangular.

4. Traslaci´n en el Tiempo o Si la transformada de Fourier de x(t) es X(f ).1.3: Transformada de Fourier de la figura 4.TEMA 4. entonces. 4. Superposici´n o Si la transformada de x(t) es X(f ) y la transformada de y(t) es Y (f ).4.8) Para entender este teorema basta recordar que la transformada es una funci´n que o se realiza a partir de integrales las cuales cumplen la propiedad de la linealidad. Propiedades de la transformada de Fourier.2. entonces. F {ax(t) + by(t)} = aX(f ) + bY (f ) (4.4. 4. TRANSFORMADA DE FOURIER 31 ∞ X(f ) = −∞ x(t)e −jωt A dt = e−jωt −jω = 2jA sen jω T /2 −T /2 = ωT ωT A e−j 2 − e+j 2 −jω ωT 2 X(f ) = A sen(πf T ) = AT sinc(f T ) πf X(f ) AT f 2 −T 1 −T 1 T 2 T Figura 4.9) .3. F {x(t − τ )} = X(f )e−jωτ (4. Este teorema permite conseguir transformaciones complejas usando transformaciones sencillas. 4.

F {X(t)} = x(−f ) Prueba: x(t) = −∞ ∞ (4.4. Dualidad Si la transformada de x(t) es X(f ).4.TEMA 4. F {x(t)ejω0t } = X(f − f0 ) Prueba: F x(t)ejω0 t = ∞ ∞ (4. se e tiene.11) X(f )ejωt df . ∞ F {x(t − τ )} = y reorganizando la integral: x(t′ )e−jωt e−jωτ dt′ −∞ ′ ∞ F {x(t − τ )} = x(t′ )e−jωt dt′ e−jωτ −∞ ′ F {x(t − τ )} = X(f )e−jωτ 4. se tiene. se tiene.4.3. TRANSFORMADA DE FOURIER 32 Prueba: F {x(t)} = ∞ x(t)e−jωt dt = X(f ) −∞ ∞ F {x(t − τ )} = −∞ x(t − τ )e−jωt dt Realizando el cambio de variables t − τ = t′ → dt = dt′ o tambi´n t = t′ + τ . Modulaci´n o Si la transformada de Fourier de x(t) es X(f ).10) x(t)ejω0 t e−jωt dt −∞ = −∞ x(t)e−j(ω−ω0 )t dt F x(t)ejω0 t = X(f − f0 ) 4.

4. Integraci´n En Tiempo o Si la transformada de x(t) es X(f ).TEMA 4. F Prueba: x(t) = −∞ dk x(t) dtk = (jω)k X(f ) (4. entonces.6. t F Prueba: x(τ )dτ −∞ = X(f ) jω (4.4.5. Diferenciaci´n en Tiempo o Si la transformada de x(t) es X(f ). TRANSFORMADA DE FOURIER 33 Cambiando t por −τ Intercambiando τ con f ∞ x(−τ ) = −∞ X(f )ejω(−τ ) df ∞ x(−f ) = −∞ X(τ )e−jωτ dτ x(−f ) = F {X(τ )} 4. entonces.12) ∞ X(f )ejωt df ∞ d x(t) = dtk De aqui se llega a la conclusi´n: o F k X(f )(jω)k ejωt df −∞ dk x(t) dtk = (jω)k X(f ) 4.13) x(t) = d dt t x(τ )dτ −∞ t X(f ) = jωF −∞ x(τ )dτ .

TEMA 4. Funciones Conjugadas Si la transformada de una funci´n compleja x(t) es X(f )..15) x(t) sen(ωt)dt x(t) cos(ωt)dt (4. TRANSFORMADA DE FOURIER t 34 F x(τ )dτ −∞ = X(f ) jω X(f ) (jω)n Extendiendo a m´ ltiples integraciones: u F . entonces.. Funciones Reales y Sinusoidales Ahora bien.7. x(τ ) = 4..4.16) 4.14) (4. o F {x∗ (t)} = X ∗ (−f ) Prueba: x(t) = −∞ ∞ (4. sea x(t) una se˜ al cuya transformada es X(f ): n Si x(t) es real X(−f ) = X ∗ (f ) Si x(t) es impar: X(f ) = −2j Si x(t) es par: X(f ) = 2 0 0 ∞ ∞ (4.8.17) X(f )ejωt df Tomando el conjugado de ambos lados: ∞ x∗ (t) = −∞ X ∗ (f )e−jωt df al reemplazar f por −f queda: Nota: Recordar que al realizar un cambio de variable tambi´n se alteran los limites e de integraci´n es decir si f → ∞ entonces −f → −∞.4. o −∞ x∗ (t) = ∞ X ∗ (−f )ejωt (−df ) −∞ x∗ (t) = − X ∗ (−f )ejωt df ∞ ..

TRANSFORMADA DE FOURIER ∞ 35 x∗ (t) = −∞ X ∗ (−f )ejωt df (4. Encontrar la transformada de Fourier de la se˜ al presente en la n figura 4.TEMA 4.4: Se˜ al coseno.5.18) Ejemplo 4. n A p(t) −T 2 T 2 t Figura 4. n Esta se˜ al puede ser escrita como: x(t) = p(t) cos(ωc t) y conociendo que P (f ) = n AT sinc(f T ) es la transformada de Fourier de la se˜ al de la figura 4.2.3. n Al aplicar el teorema de la modulaci´n se tiene que: o X(f ) = es decir: X(f ) = P (f − fc ) P (f + fc ) + 2 2 AT AT sinc[(f − fc )T ] + sinc[(f + fc )T ] 2 2 Ejemplo 4. Encontrar la transformada de x(t) = e−t cos(ωc t)u(t).4. .5: Se˜ al ventana. x(t) = cos(wc t) A −T 2 T 2 t Figura 4.

0 −1.0 −2. x(t) 1.0 −3. n Esta funci´n se le conoce como signo de t y se escribe por conveniencia como: o sgn(t) = l´ (e−at u(t) − eat u(t)) ım a→0 .0 1.6. Encuentre la transformada de: x(t) = e−5t u(t) Se conoce la transformada de e−t u(t).6: Se˜ al.5.0 2. TRANSFORMADA DE FOURIER 36 Se busca primero F {e−t u(t)} ∞ F {e−t u(t)} = e−t(1+jω) = −(1 + jω) e−t e−jωt dt 0 ∞ = 0 1 1 + jω Aplicando el teorema de modulaci´n se consigue X(f ) como: o X(f ) = 1 1 1 1 + 2 1 + j(ω − ωc ) 2 1 + j(ω + ωc ) Ejemplo 4.0 t f 5 Figura 4.TEMA 4. aplicando el teorema de cambio de escala x(t) ←→ X(f ) 1 x(5t) ←→ X 5 Por lo tanto la transformada es: 1 1 1 · jω = 5 1+ 5 5 + jω Ejemplo 4. Encontrar la transformada de Fourier de la figura 4.4.0 −1.0 3.

TRANSFORMADA DE FOURIER 37 Su transformada ser´: a F {sgn(t)} = 1 1 − a + jω a − jω = 2 jω Ejemplo 4. F {1 · ejω0 t } = δ(f − f0 ). Determinar F {δ(t)} ∞ F {δ(t)} = Ejemplo 4.8.5. o Una se˜ al peri´dica x(t) puede representarse como: n o ∞ x(t) = n=−∞ Cn ejnω0 t Al aplicar transformada de Fourier: ∞ F {x(t)} = F Cn ejnω0 t n=−∞ .7.TEMA 4. Sabemos que F {δ(t)} = 1 y que F {1} = δ(t) por lo tanto.6. y aplicando el teorema de modulaci´n. Determinar F {u(t)} u(t) = Por lo tanto su transformada ser´: a F {u(t)} = δ(t) 1 + 2 jω 1 1 + sgn(t) 2 2 4. Transformada de Fourier de se˜ ales peri´din o cas Esto permitir´ unificar el tratamiento de se˜ ales a trav´s de la transformada de a n e fourier. Determinar F (1) Aplicando dualidad: δ(t)e−jωt dt = 1 −∞ δ(t) ←→ 1 ⇐⇒ 1 ←→ δ(−f ) = δ(f ) Ejemplo 4.

20) Escrito de otra forma: EX = y. Teorema de Rayleigh La energ´ normalizada de una se˜ al x(t) compleja se calcula como: ıa n ∞ EX = −∞ |x(t)|2 dt (4.TEMA 4. TRANSFORMADA DE FOURIER ∞ 38 = n=∞ Cn F ejnω0t ∞ F {x(t)} = n=−∞ Cn δ(f − nf0 ) (4. como x(t) = ∞ x(t)x∗ (t)dt −∞ ∞ X(f )ejωt df −∞ ∞ ∞ EX = −∞ x(t) −∞ X ∗ (f )e−jωt df dt Intercambiando el orden de integraci´n: o ∞ ∞ EX = −∞ X ∗ (f ) −∞ ∞ x(t)e−jωt dt df X ∗ (f )X(f )df EX = −∞ ∞ EX = −∞ |X(f )|2df (4. o a Bajo estas condiciones es f´cil encontrar la transformada del sin(ω0 t) y cos(ω0 t) a F {cos(ω0 t)} = F {sin(ω0 t)} = δ(f − f0 ) δ(f + f0 ) + 2 2 δ(f − f0 ) − δ(f + f0 ) 2j 4.6.19) Es decir que la transformada de Fourier tiene la misma forma que el espectro bilateral de amplitud solo que en cada arm´nica est´ aplicada una delta de Dirac.21) .

En el dominio del tiempo o se presenta una forma de caracterizar un sistema. n Una de las propiedades de la funci´n impulso es la capacidad de poder describir o cualquier se˜ al de forma: n ∞ x(t) = −∞ x(τ )δ(t − τ )dτ La figura 5. Es de apreciar que la anterior descripci´n se realiza para una se˜ al no causal.1.1: Caracterizaci´n de un sistema. la cual es la respuesta al impulso h(t). o n Entonces si se tiene un sistema que opera en el tiempo de la forma: y(t) = H{x(t)} 39 . La representaci´n general de un sistema se puede apreciar en la figura 5. o Realizando un an´lisis en el dominio de una transformada es posible determinar a que cuando x(t) = δ(t). o y(t) x(t) Sistema y(t) = H{x(t)} Figura 5.Tema 5 Respuesta al impulso Respuesta al impulso y Convoluci´n o 5. Entonces lo siguiente es determinar la salida y(t) cuando x(t) es una se˜ al arbitraria. En el dominio de una transformada es posible representar un sistema mediante una respuesta en frecuencia o funci´n de transferencia.2 puede ayudar a entender este concepto.1. y(t) = h(t).

´ TEMA 5. RESPUESTA AL IMPULSO Y CONVOLUCION 40 x(t) x(τ )δ(t − τ ) δ(t − τ ) 1. Si x(t) = ejωt . Al aplicar la descripci´n de x(t) mediante la funci´n impulso se tiene: o o ∞ y(t) = H −∞ x(τ )δ(t − τ )dτ Al ser H un operador del tiempo y lineal. Lo siguiente es determinar la relaci´n entre la respuesta al impulso con la funci´n o o de transferencia.0 2. entonces. por lo tanto h(t) = H{δ(t)} y considerando a H como un operador invariante en el tiempo se establece que: h(t − τ ) = H{δ(t − τ ) Finalmente al realizar el respectivo reemplazo se tiene: ∞ y(t) = −∞ x(τ )h(t − τ )dτ = x(t) ∗ h(t) (5.0 4. ∞ y(t) = −∞ h(t − τ ) ejωτ dτ .1) Esta relaci´n recibe el nombre de integral de convoluci´n y por esto se dice que o o la salida de un sistema se determina a trav´s de la convoluci´n de la entrada con su e o respuesta impulsiva.2: Forma de x(t).0 3.0 t Figura 5.0 5. se tiene: ∞ y(t) = −∞ x(τ )H{δ(t − τ )}dτ Entonces tal como se comento anteriormente al ser x(t) = δ(t) se tiene y(t) = h(t).

´ TEMA 5. RESPUESTA AL IMPULSO Y CONVOLUCION 41 empleando el cambio de variable t′ = t − τ es decir dt′ = −dτ −∞ y(t) = − y(t) = e h(t′ ) ejω(t−t ) dt′ ∞ ∞ ′ jωt −∞ h(t′ ) e−jωt dt′ H(f ) ′ En conclusi´n hasta ahora: Si x(t) = ejωt entonces y(t) = H(jω)ejωt. a . o Si conocemos h(t).3) Y esta forma de relacionar entrada y salida proporciona una herramienta poderosa: An´lisis en frecuencia. Sabemos que: ∞ ∞ y(t) = −∞ x(τ )h(t − τ )dτ pero como x(τ ) = ∞ ∞ −∞ X(f )ejωτ df −∞ y(t) = −∞ X(f )ejωτ df h(t − τ )dτ ∞ Intercambiando el orden de integraci´n: o ∞ y(t) = −∞ X(f ) −∞ h(t − τ )ejωτ dτ df sea t − τ = τ ′ ∞ ∞ y(t) = −∞ ∞ X(f ) −∞ h(τ ′ )ejω(t−τ ) dτ ′ df ∞ ′ y(t) = ∞ X(f )ejωt −∞ ∞ h(τ ′ )e−jωτ dτ ′ df ′ Pero: h(τ ′ )e−jωτ dτ ′ = H(f ) −∞ ′ (5.2) Por lo tanto: y(t) = ∞ X(f )H(f ) ejωt df −∞ Y (f ) Y (f ) = X(f ) H(f ) (5. para cualquier x(t): y(t) = x(t) ∗ h(t) Se plantea la posibilidad de Y (f ) conociendo X(f ) y H(f ).

2.´ TEMA 5.0 1. Como t puede tomar valores entre (−∞. As´ ı: .0 A2 (1 − t/2) 1.0 A2 (1 + 2t) −3.0 −1.5 + t y 1 < 2 + t el producto es nulo.1. por lo cual importancia de conocer su interpretaci´n y forma de o o calculo. n Se quiere realizar: ∞ x(t) ∗ h(t) = −∞ x(τ )h(t − τ )dτ En primer lugar se gr´fica x(τ ) y h(t − τ ) recordando que ahora la variable es τ .0 3.4. lo cual permite o a encontrar la convoluci´n de dos se˜ ales de una manera muy sencilla.0 h(t) A2 2. o n x(t) A1 t −3. a tal como aparece en la figura 5.0 2. Es posible apreciar que para −1 > 0.0 −2. Realizar la convoluci´n de las se˜ ales presentadas en la figura 5. Por otra parte el producto de las se˜ ales toma diferentes valores dependiendo el n valor de t. que para t ≤ −1.5 y t ≥ 3 la convoluci´n se o hace cero. ∞) hay que observar para cuales de estos puntos el producto x(τ )h(t−τ ) no es nulo.0 −2.0 t Figura 5.0 3. RESPUESTA AL IMPULSO Y CONVOLUCION 42 5. Convoluci´n o La convoluci´n resulta siendo de gran importancia en el an´lisis de sistemas o a por tratarse de una representaci´n de los fen´menos que ocurren en un sistema en o o funci´n del tiempo. o n Ejemplo 5.3. o sea.0 −1.3: Se˜ ales en el dominio de t. Una forma de realizar la convoluci´n es bajo un esquema gr´fico.

0 2.5 hasta t = −1.0 A2 1 − (t−τ ) 2 A2 A2 (1 + 2(t − τ )) t 1.´ TEMA 5. o ∞ 0.0 2.0 3.6 .0 1. Figura 5.0 τ −3.5. RESPUESTA AL IMPULSO Y CONVOLUCION 43 x(τ ) A1 τ −3.0 τ Figura 5.0 −2.0 −1.0 t−2 Figura 5. h(t − τ ) −3.0 1. a a) Desde t = −1.0 1.0 h(t − τ ) 2. h(t − τ ) −3.5 hasta t = −1.4: Gr´fica de x(τ ) y h(t − τ ).0 −2.0 3.0 −1.0 1 t+ 2 3.0 3.0 −1.5: Convoluci´n desde t = −1.0 −2.0 −2.0 −1.0 2.0 τ x(τ ). Figura 5.5 x(τ ).5+t x(t) ∗ h(t) = −∞ x(τ )h(t − τ )dτ = −1 A1 A2 (1 + 2(t − τ ))dτ b) Desde t = −1 y hasta t = 0.

0 3.0 −1.0 1.0 τ x(τ ). h(t − τ ) −3.5 y hasta t = 1.0 −2.0 −1.5 −1 A1 A2 1 − (t − τ ) 2 dτ + t A1 A2 (1 + 2(t − τ ))dτ c) Desde t = 0.0 τ x(τ ).0 2.0 3.0 τ Figura 5.´ TEMA 5. h(t − τ ) −3.0 3. Figura 5.0 τ Figura 5.5.0 1.0 2.0 2.0 −2.7 x(τ ).0 2.0 3. h(t − τ ) −3. h(t − τ ) −3.7: Convoluci´n desde t = 0.5 y hasta t = 1.0 1.6: Convoluci´n desde t = −1 y hasta t = 0.0 −1. o .0 −2. o ∞ t x(t) ∗ h(t) = −∞ x(τ )h(t − τ )dτ = t+0.0 −1. RESPUESTA AL IMPULSO Y CONVOLUCION 44 x(τ ).0 1.0 −2.

8 x(τ ). Queda a manera de ejercicio determinar la o respuesta final de la convoluci´n o Ejemplo 5.0 2. h(t − τ ) −3.0 1.´ TEMA 5.0 3.0 1.0 −2. Figura 5. h(t − τ ) −3.0 −1.0 −2.0 2.8: Convoluci´n. o ∞ 1 x(t) ∗ h(t) = −∞ x(τ )h(t − τ )dτ = −2+t A1 A2 1 − (t − τ ) 2 dτ La convoluci´n debe ser continua.0 3.2.9: En este caso conviene hacer ∞ y(t) ∗ m(t) = −∞ m(τ )x(t − τ )dτ La convoluci´n existe desde que t + 1 = −1 es decir t = −2 hasta t → ∞ y se o presentan los siguientes casos: .0 τ Figura 5.0 −1.0 τ x(τ ). RESPUESTA AL IMPULSO Y CONVOLUCION ∞ t 45 x(t) ∗ h(t) = −∞ x(τ )h(t − τ )dτ = 1 −1 A1 A2 (1 − t−τ 2 dτ + t A1 A2 (1 + 2(t − τ ))dτ d) Desde t = 1 y hasta t = 3. Determinar x(t) ∗ m(t) considerando la figura 5.

0 t Figura 5.0 t−1 t 1.0 2.0 e−t 1.0 −2.0 3.0 3.0 −1.0 −1. n m(τ ) 1 − τ2 −3.0 t+1 3.0 e−τ 1.0 τ 2.0 m(t) 1 − t2 −3.9: Se˜ ales en el dominio de t.0 τ Figura 5.10: Se˜ ales en funci´n de τ .0 2. n o a) Desde t = −2 y hasta t = −1.0 x(t − τ ) 1+τ −t −3.0 t 2. RESPUESTA AL IMPULSO Y CONVOLUCION 46 x(t) 1−t −3.0 −2.0 1.0 −2.0 −2.´ TEMA 5.0 −1. Figura 5.0 3.11 .0 −1.

0 −2. m(t − τ ) −3.0 3.0 1.0 −1.0 −2. RESPUESTA AL IMPULSO Y CONVOLUCION 47 x(τ ). m(t − τ ) −3.0 2.0 1.0 τ x(τ ). m(t − τ ) −3.12: Convoluci´n desde t = −1 hasta t = 0. Figura 5.0 τ Figura 5.12 x(τ ).0 −1.0 τ Figura 5. o ∞ t+1 y(t) ∗ m(t) = −∞ m(τ )x(t − τ )dτ = −1 (1 − τ 2 )(1)dτ b) Desde t = −1 hasta t = 0.0 −2.0 2. m(t − τ ) −3.0 −1.0 1.0 3.´ TEMA 5.11: Convoluci´n desde t = −2 y hasta t = −1.0 1.0 −1. o .0 −2.0 3.0 τ x(τ ).0 3.0 2.0 2.

0 3. Figura 5.0 1.13 x(τ ).14 ∞ t 1+t y(t) ∗ xm(t) = −∞ m(τ )x(t − τ )dτ = t−1 (τ + 1 − t)e−τ dτ + (1)e−τ dτ t Al efectuar las integrales.0 −1.0 1.0 −2.0 −1.0 2.0 2.13: Convoluci´n desde t = 0 hasta t = 1.0 −2. o ∞ 0 t y(t) ∗ m(t) = m(τ )x(t−τ )dτ = −∞ t−1 1+t (1 −τ 2 )(τ + 1 −t)dτ + 0 (τ + 1 −t)e−τ + t e−τ (1)dτ d) Desde t = 1 hasta t → ∞. RESPUESTA AL IMPULSO Y CONVOLUCION 48 ∞ t 0 y(t) ∗ m(t) = −∞ m(τ )x(t − τ )dτ = + 0 −1 (1 − τ 2 )(τ + 1 − t)dτ + t (1 − τ 2 )(1)dτ 1+t (1)e−τ dτ c) Desde t = 0 hasta t = 1.0 τ x(τ ). m(t − τ ) −3. la convoluci´n toma las siguientes expresiones en o cada intervalo: .´ TEMA 5. Figura 5.0 τ Figura 5. m(t − τ ) −3.0 3.

m(t − τ ) −3.´ TEMA 5.0 τ Figura 5.6) 2. (5. 1. Propiedades de la convoluci´n o x∗y = y∗x (5. o y(t) ∗ m(t) = 4 3  3 − t2 − t3  4 t  − t2 − 2 t + 2 3 t4 − 12 + t3    −(t−1) 12 3 17 12 e −e − 2t 3 −t −e 5 + 12 − e−t −(t+1) −e −(t+1) − e−(t+1) [−2 ≤ t ≤ −1] [−1 ≤ t ≤ 0] [0 ≤ t ≤ 1] [1 ≤ t ≤ ∞] 5. (x ∗ y) ∗ w = x ∗ (w ∗ y) 3. RESPUESTA AL IMPULSO Y CONVOLUCION 49 x(τ ).8) .3.0 −2.0 −1.0 3. m(t − τ ) −3.0 3.0 1.0 2.14: Convoluci´n desde t = 1 hasta t → ∞.5) (5.0 −2. d dy dx [x ∗ y] = x ∗ = ∗y dt dt dt x(t) ∗ δ(t) = x(t) x(t) ∗ δ(t − τ ) = x(t − τ ) (5.0 2.0 −1.0 1.7) 5. (ax + cy) ∗ w = a(x ∗ w) + c(y ∗ w) 4.4) (5.0 τ x(τ ).

´ TEMA 5. F {x ∗ y} = X(f )Y (f ) 7. F −1 {X(f ) ∗ Y (f )} = x(t) y(t) Ejemplo 5. basta derivarla para tener o o su respuesta al impulso: .11) Por lo tanto si se tiene la respuesta a la funci´n escal´n.9) (5. Respuesta de un sistema al escal´n o Para caracterizar un sistema es suficiente tener su respuesta al impulso. el problema radica en la capacidad de generar un delta de Dirac temporal debido a la cantidad de energ´ requerida en un instante de tiempo muy peque˜ o.3. : Prueba de la propiedad 6 de la convoluci´n: o ∞ ∞ −∞ (5. Para solvenıa n tar esta situaci´n se puede proponer la aplicaci´n de un escal´n u(t) tal como se o o o presenta a continuaci´n: o En ese caso la salida del sistema Yu (t) ser´ a Yu (t) = u(t) ∗ h(t) Derivando ambos miembros de esta ecuaci´n se tiene: o dYu (t) d du(t) = [u(t) ∗ h(t)] = ∗ h(t) dt dt dt = δ(t) ∗ h(t) = h(t) (5.10) F {x ∗ y} = −∞ x(τ )y(t − τ )dτ e−jωt dt Cambiando el orden de integraci´n: o ∞ ∞ F {x ∗ y} = x(τ ) −∞ ∞ −∞ y(t − τ )e−jωt dt dτ F {x ∗ y} = F {x ∗ y} = Y (f ) x(τ ) Y (f )e−jωτ dτ −∞ ∞ x(τ )e−jωτ dτ = X(f ) Y (f ) −∞ 5.4. RESPUESTA AL IMPULSO Y CONVOLUCION 50 6.

0 1.0 2. Si la respuesta de un sistema al escal´n es y1 (t) determine la o respuesta a una se˜ al x2 (t) como la mostrada en la figura 5. n Para obtener la respuesta impulsiva de la red se deriva la se˜ al y1 (t).15: Se˜ ales y1 (t) y x2 (t). En este caso es conveniente aplicar superposici´n ya que tanto la se˜ al de entrada como o n la respuesta al impulso est´n formadas por dos pulsos.´ TEMA 5. teniendo n un resultado como el presentado en la figura 5.0 y1 (t) 1. n Ejemplo 5.15.4.0 t .0 2.16: Derivada de la se˜ al.0 3.0 4.0 1.0 4.0 5.0 5.0 3.0 Figura 5. RESPUESTA AL IMPULSO Y CONVOLUCION 51 2.16. n h(t) 2. Para obtener la respuesta a x2 (t) es necesario convolucionarla con h(t).0 5.0 −1. 2.0 x2 (t) 1.0 4.0 1.0 1.0 3.0 t 2.0 t Figura 5. en ese caso se encuentra la a convoluci´n de un pulso de entrada con 1 de la respuesta al impulso y luego se repite o adecuadamente este resultado con las combinaciones de pulsos restantes.

0 4.0 2.2.18: Se˜ ales x(t) y y(t). RESPUESTA AL IMPULSO Y CONVOLUCION 52 Luego de realizar el proceso de convoluci´n tal como fue presentado anterioro mente se tiene el resultado mostrado en la figura 5. Realizar la convoluci´n entre x(t) = u(t) y h(t) = u(t)e−t . Ejercicio 5.0 7.4.17: Resultado de la convoluci´n. Ejercicios Ejercicio 5.3. x2 (t) 2. o Ejercicio 5. Realizar la convoluci´n de las se˜ ales presentadas en la figura o n 5. o 5.5. o x(t) 1 −2 −1 1 2 t −2 −1 h(t) 1 1 2 t Figura 5. Determinar x(t) ∗ h(t) para las se˜ ales de la figura 5. Para las se˜ ales de la figura 5.0 1.0 3.1.0 6.0 −2.18 x(t) y h(t) determinar la conn voluci´n entre ellas.19.20: n .0 5.0 t Figura 5.0 −1. n Ejercicio 5.´ TEMA 5.17.0 1.

0 1 − t/2 −3.0 −2.0 2.0 2.0 m(t) 2.0 3.0 −1.0 −2.0 1.0 t −3.0 −1. n x(t) −3.0 1.0 t Figura 5.0 3.0 t Figura 5.0 h(t) 1 2.0 3.0 −1.0 −2.0 1. n .0 3.0 −1. RESPUESTA AL IMPULSO Y CONVOLUCION 53 x(t) 1 t −3.20: Se˜ ales en el dominio de t.´ TEMA 5.0 −2.0 1.19: Se˜ ales en el dominio de t.

ya que a o permite convertir una ecuaci´n diferencial en una ecuaci´n algebraica. 6. Para ello 54 . por lo tanto. Adicionalo o mente la transformada de Laplace permite representar un sistema como una relaci´n o de entrada salida en el dominio de la transformada lo cual se llama funci´n de transo ferencia.Tema 6 Introducci´n o Transformada de Laplace 6. Definici´n de la transformada unilateral de o Laplace Se define la Transformada de Laplace de la se˜ al x(t) n ∞ X(s) = L{x(t)} = x(t)e−st dt 0 (6.1) La cantidad compleja s = σ + jω generaliza el concepto de frecuencia en la Transformada de Fourier. Muchos de los fen´menos en la naturaleza son descritos en ecuaciones difereno ciales. n La Transformada de Laplace existe si la integral que la define es finita.2. es de gran importancia una herramienta que permita su an´lisis a de forma m´s c´moda siendo esta herramienta la transformada de Laplace. lo cual proporciona una misma Transformada para se˜ ales causales ya que x(t) y x(t)u(t) son iguales. Se hace notar que el l´ ımite inferior de la integral es 0.1.

lo que define una regi´n de convergencia o de la Transformada de Laplace. 6. Con la Transformada de Laplace se generaliza el concepto de funci´n de Transo ferencia de un sistema a aquellos cuyas condiciones iniciales son no nulas.3) Multiplicaci´n por exponencial o L{e−at x(t)} = X(s + a) (6.3.TEMA 6.4. TRANSFORMADA DE LAPLACE 55 se necesita que los valores de sean concretos.5) Multiplicaci´n por seno o 1 L{sen(at)x(t)} = j [X(s + ja) − X(s − ja)] 2 (6. Transformada Inversa de Laplace Esta definida como.6) .4) Multiplicaci´n por coseno o 1 L{cos(at)x(t)} = [X(s + ja) + X(s − ja)] 2 (6. 1 x(t) = L {X(s)} = 2πj −1 σ+jω X(s)e−st ds σ−jω (6. Propiedades Superposici´n o L{ax(t) + by(t)} = aX(s) + bY (s) (6.2) 6.

7) Escalado s 1 L{x(at)} = X a a (6.10) (6.TEMA 6..8) Desplazamiento L{x(t − a)u(t − a)} = e−as X(s) a>0 (6. TRANSFORMADA DE LAPLACE 56 Multiplicaci´n por t o dX(s) ds L{tx(t)} = − (6. − xn−1 (0) (6..12) Convoluci´n o L{x(t) ∗ y(t)} = X(s)Y (s) (6.11) Integraci´n o t L x(τ ) dτ −∞ = X(s) s (6.13) .9) Diferenciaci´n o L{x′ (t)} = sX(s) − x(0) L{xn (t)} = sn X(s) − sn−1 x(0) − .

TRANSFORMADA DE LAPLACE 57 Producto 1 X(s) ∗ Y (s) 2πj L{x(t)y(t)} = (6... Podemos determinar la funci´n o o de transferencia a partir de la ecuaci´n diferencial que describe el sistema o dN y dN −1 y dy dM x dM −1 x dx + a1 N −1 + ...5. podemos obtener la respuesta de un sistema a un se˜ al de entrada x(t) a partir sus Transformadas de n Laplace: y(t) = x(t) ∗ h(t) = L−1 {X(s)H(s)} H(s) es la funci´n de transferencia del sistema..TEMA 6..14) Teorema del valor inicial x(0) = l´ [sX(s)] ım s→∞ (6. + aN −1 s + aN )Y (s) = (b0 sM + b1 sM −1 + . + bM −1 s + bM )X(s) Y (s) b0 sM + b1 sM −1 + . Funci´n de transferencia o De igual manera que en la Transformada de Fourier. + bM −1 s + bM H(s) = = N X(s) s + a1 sN −1 + . + aN −1 = b0 M + b1 M −1 + . + aN −1 s + aN .....15) Teorema del valor final x(t)|t→∞ = l´ [sX(s)] ım s→0 (6. + bM −1 + bM x dtN dt dt dt dt dt Haciendo la transformada de Laplace en ambos miembros y aplicando la propiedad de la derivada para condiciones iniciales cero (sN + a1 sN −1 + ..16) 6..

TEMA 6.1. Para un sistema: H(s) = 1 s+1 determinar la respuesta al escal´n empleando la trasformada de Laplace y luego la o integral de convoluci´n. para la variable de posici´n. o . TRANSFORMADA DE LAPLACE 58 6.2. o Ejercicio 6. Ejercicios Ejercicio 6. Para un sistema de masa resorte encontrar la soluci´n en el o tiempo.6.3. Encontrar la soluci´n para la ecuaci´n diferencial: o o a2 considerando que: dy d2 y + a1 + a0 y = u(t) 2 dx dx dy (0) = y1 dx y(0) = y0 Ejercicio 6.

procesador) realiza la transformaci´n de la se˜ al de entrada. o los datos demogr´ficos o indicadores econ´micos ya mencionaa o dos son ejemplos t´ ıpicos de estas se˜ ales.2. Se˜ ales tales como las relaciones n especie-abundancia. El procesamiento de voz por computadora digital requiere representar la se˜ al n continua de voz por una secuencia discreta de valores que pueda ser procesado por un algoritmo de computadora.Tema 7 Introducci´n o Muestreo 7. El diagrama de bloques con las respectivas se˜ ales presentes en este proceso n se puede apreciar en la figura 7. una se˜ al de tiempo discreto n n puede representar muestras de un fen´meno para el cual la variable independiente o es en realidad continua. Sistema de procesamiento digital Un sistema de procesamiento digital se se˜ ales consiste en una etapa de convern sion de an´logo a digital (A/D) la cual convierte una se˜ al continua en discreta. tal es el caso tambi´n de todas las aplicaciones de e control de procesos continuos mediante un procesador digital. Por otro lado. posa n teriormente un elemento de procesamiento digital (computador. Una se˜ al de tiempo discreto puede representar un fen´meno para el cual la n o variable independiente es propiamente discreta. luego de procesada o n la se˜ al digital es reconstruida en an´loga mediante un converser digital an´logo n a a (D/A). micro-controlador. 59 .1. 7.1.

3. (7.}.2) con el impulso unitario discreto definido como..1. 7. 1. esta se˜ al m(t) es un tren de impulsos con una frecuencia fs = n 1/Ts denominada frecuencia de muestreo (Hertz). 2. Para realizar este proceso es necesaria una se˜ al que proporcione los instantes para realizar la adquisici´n n o de las muestras...2 puede verse que la se˜ al continua x(t) proporciona la amplitud del n tren de pulsos m[n]. 0. 0 para n = 0. Muestreo El proceso a trav´s del cual una se˜ al continua x(t) es transformada en una e n se˜ al discreta x[n] consiste simplemente en la toma de muestras de la se˜ al conn n tinua en instantes discretos de tiempo n denominados tiempos de muestreo n = {.3. 7. El muestreo puede ser uniforme (Ts constante) ωs = 2π/Ts o no uniforme (Ts variable). . Tambi´n es com´ n tomar esta e u frecuencia en rad/seg. para obtener la se˜ al muestreada x[n]. MUESTREO 60 x(t) A/D x[n] h[n] y[n] D/A y(t) Figura 7.2.TEMA 7. 3. es decir que la se˜ al n n muestreada es dada por la amplitud de la se˜ al continua x(t) en los instantes de n muestreo t = nTs . Proceso de muestreo En figura 7. El proceso de muestreo ideal puede representarse como: x[n] = m[n]x(t) donde m[n] = k=−∞ ∞ (7. el valor de Ts es conocido tambi´n como periodo de e muestreo.. δ[n] = 1 para n = 0. −1. El proceso de muestreo se muestra en la figura 7.1: Sistema de procesamiento digital..3) .1) δ(n − k) (7.

0 2.0 n xr (t) 1.0 4.0 5.0 t m(t) 1.0 n Figura 7.0 4.0 3. donde se emplea una .0 3.0 4. MUESTREO 61 x(t) 1.2.0 2.0 3.0 5.0 2.0 t x[n] 1.0 4.0 5. Muestreo impulsivo En muchas oportunidades para realizar el paso de una transformada continua a una discreta es necesario emplear muestreo de tipo impulsivo.3.0 3.0 2.2: El proceso de muestreo.0 5.TEMA 7. 7.

Nomenclatura En varios textos se suele denotar de forma similar si una se˜ al es proveniente n de tiempo continuo o si es propiamente de tiempo discreto. Teorema de muestreo Es de notar que al disminuir la frecuencia de muestre de una se˜ al la se˜ al n n muestreada deja de ser parecida a la se˜ al original. Claude Shannon estableci´ que para una se˜ al limitada en banda con una o n frecuencia maxima fm .4) Donde se tiene la se˜ al discreta al realizar el producto: n ∞ xm (t) = x(t)m(t) = x(t) n=0 δ(t − nT ) (7.3.TEMA 7.7) . MUESTREO 62 se˜ al de muestreo como: n m(t) = ∞ n=0 δ(t − nT ) (7.6) 7.4.3. aunque para efectos pr´cticos este detalle no reviste mayor relevancia puede se importante presentar a esta diferencia con la finalidad de poder observar el dominio de cada una de las herramientas empleadas en el an´lisis de se˜ ales. n xm (t) : Se˜ al muestreada (impulsivo) de tiempo discreto. n x(nT ) : Se˜ al discreta muestreada.5) Dada que la suma esta en funci´n de n y aplicando las propiedades de la funci´n o o impulso se tiene: ∞ xm (t) = n=0 x(nT )δ(t − nT ) (7. la frecuencia de muestreo fs minima para esta se˜ al debe n ser: fs > 2fm (7. a n La diferencia a considerar es: x(t) : Se˜ al de tiempo continuo. n 7. n x[n] : Se˜ al discreta. esto se puede asociar a la perdida n de informaci´n debido al proceso de muestreo dando lugar el fen´meno denominado o o aliasing.

MUESTREO 63 Lo anterior es conocido como en teorema de muestreo. en este caso es de apreciar que el caso donde se o toma como fs = 2fm presenta aliasing.0 Figura 7. Realizar la gr´fica de la se˜ al x(t) = sin(2π10t) al ser muestreada a n con: fs = 50Hz fs = 30Hz fs = 20Hz fs = 10Hz . x[n] 1.5.0 0 −1.0 0 −1.0 x(t).1. Ejercicios Ejercicio 7.TEMA 7. Un ejemplo del fen´meno de aliasing se puede apreciar en la figura 7.3: Se˜ al coseno continua muestreada al doble de su frecuencia.3 donde se o tiene el muestreo de una se˜ al coseno a la cual se la aplica un muestreo igual a dos n veces su frecuencia de oscilaci´n. n 7. x(t). n t. x[n] 1. n t.

Realizar la gr´fica de la se˜ al x(t) = sin(2π10t) cos(2π20t) al ser a n muestreada con: fs = 1000Hz fs = 60Hz fs = 30Hz fs = 20Hz .TEMA 7. MUESTREO 64 Ejercicio 7.2.

2. Al igual que en tiempo discreto en tiempo continuo es necesario el an´lisis en a frecuencia de las se˜ ales.Tema 8 Introducci´n o Transformada de Fourier en tiempo discreto (DTFT) 8. la respuesta y[n] es n o ∞ y[n] = k=−∞ ∞ ej2π(n−k)f ts h[k] y[n] = e j2πnf ts k=−∞ e−j2πkf ts h[k] = x[n]H(Ω) 65 . e o ∞ y[n] = x[n] ∗ h[n] = k=−∞ xs [k]hs [n − k] Si se tiene una se˜ al de entrada arm´nica x[n] = exp(j2πnf ts ). Presentaci´n de la transformada de Fourier o en tiempo discreto (DTFT) Un m´todo cl´sico para la deducci´n de la DTFT es empleando el criterio de e a o muestreo pero tambi´n es posible plantearla a partir de la convoluci´n discreta. Por lo anto la herramienta empleada en esta caso es la n transformada de Fourier en tiempo discreto (DTFT).1. 8.

Dualidad entre las series de Fourier y la DTFT Se tiene una se˜ al peri´dica continua xp (t). el cual es llamado tiempo discreto y Ts es el tiempo de muestreo. n Para esta formulaci´n es necesario retomar los resultados observados en el teoo rema de muestreo. adem´s a como una consecuencia de esto se tiene una frecuencia de muestreo denotada como fs . ts = nTs 1 Ts Donde ts es el tiempo continuo que ha sido muestreado. Mediante las series de Fourier transn o formamos esa se˜ al peri´dica continua en una funci´n aperi´dica y discreta (los n o o o . o En este caso se tiene una nueva variable correspondiente a la frecuencia la cual se denomina Ω. n es el conjunto de valores continuos. Ω = 2πf Ts = 2π Ω = 2πf Ts = 2π f fs ω ωs Donde es apreciable que la frecuencia normalizada al ser argumento de una se˜ al n peri´dica como lo es una exponencial compleja el comportamiento de esta funci´n o o es peri´dico por lo tanto se tienen espectros peri´dicos para la DTFT. El resultado anteriormente mencionado es apreciable tambi´n en el teorema de e muestreo y la formaci´n de aliasing. o Finalmente la expresi´n para la DTFT es o ∞ X(Ω) = n=−∞ x[n]e−jΩn 8. TRANSFORMADA DE FOURIER EN TIEMPO DISCRETO (DTFT) 66 H(Ω) es la DTFT de la se˜ al discreta h[n] . la cual resulta siendo. de los cuales tenemos.TEMA 8. n o o o debido a que h[n] es una funci´n discreta. En realidad esta resulta ser una redefinici´n de la frecuencia trabajada o en la transformada de Fourier pero que se ajusta al caso de tener se˜ ales discretas. N´tese que la funci´n H(Ω) es peri´dica. fs = Bajo esta perspectiva se tiene una relaci´n directa entre la frecuencia normalizada o Ω y la frecuencia en herz f o en radianes por segundo ω. con una o o periodicidad de 2π en Ω.3.

X(f ) = 1 + 3e−j4πf ts − 2e−j6πf ts . que es una funci´n de la o frecuencia. 3. n o El comportamiento dual entre las series de Fourier y la DTFT se manifiesta en lo siguiente : En las series de Fourier se parte de una se˜ al x(t). 0. aperi´dica y discreta con una distancia entre dos valores consecuo tivos de f0 = 1/T . En la DTFT se parte de una se˜ al discreta en el tiempo x[n]. TRANSFORMADA DE FOURIER EN TIEMPO DISCRETO (DTFT) 67 coeficientes espectrales Xs [k]).TEMA 8. continua y peri´din o ca (periodo T ) y se obtienen los coeficientes X[k]. que o o es funci´n continua de la frecuencia y peri´dica con periodo fs . con periodo de n muestreo ts = 1/fs y aperi´dica y se obtiene una funci´n X(f ) (X(Ω)). temporal. o o Todas las propiedades para las series de Fourier tienen su correspondientes equivalencias en la DTFT. Ejemplo: DTFT de la secuencia x[n] = δ[n]: ∞ X(f ) = k=−∞ δ[k]e−j2πkf ts = 1 Si se tiene una secuencia x[n] = {1. Xs [k] = 1 T xp (t)e−j2πkf0 t dt T ∞ xp (t) = k=−∞ Xs [k]ej2πkf0 t De una manera dual. a partir de la anterior ecuaci´n y o aplicando la propiedad del desplazamiento. −2} . es posible intercambiar tiempo y frecuencia de forma xs [k] = 1 SF Xp (t)e−j2πkf ts df SF ∞ Xp (f ) = k=−∞ Xs [n]e−j2πkf ts donde SF = 1/ts . Ahora tenemos una se˜ al aperi´dica discreta xs [k] y la transforn o mamos en una se˜ al peri´dica continua Xp (f ) mediante la DTFT.

2. La electr´nica nos obliga a trabajar con un n´ mero finito o u de datos discretos que adem´s tienen una precisi´n finita. Ejercicios Ejercicio 8.TEMA 8. Utilizando las propiedades de la transformada de Fourier de tiempo discreto determinar X(Ω) para las siguientes se˜ ales: n x(n) = n( 1 )|n| 3 x(n) = ej3n Ejercicio 8. x(t) y(t) m(t) Figura 8. En la figura 9. a la hora de realizar operaciones tenemos los mismos problemas que en las series de Fourier ya que se trata con se˜ ales continuas o con series de n datos de longitud infinita. 8. . o Para la salida determinar: Y (Ω) si f s = 200Hz.4.1.5.1: Sistema de modulaci´n. a o De lo que se trata es de conseguir discretizar las variables continuas y de limitar el n´ meros de muestras en los dos dominios (temporal y frecuencial).2 se tiene el esquema b´sico de un modulador de a AM donde: y(t) = x(t)m(t). para lo cual se tiene que x(t) = 4 sin(2π20t) cos(2π10t) y m(t) = 2 cos(2π50t). u Esto lleva a definir las series discretas de Fourier y la Transformada Discreta de Fourier (DFT). TRANSFORMADA DE FOURIER EN TIEMPO DISCRETO (DTFT) 68 8. Consideraciones Sin embargo.

su aplicaci´n a n o queda limitada a conocimiento de una expresi´n anal´ o ıtica que represente la se˜ al n sobre la cual se quiere realizar el an´lisis en frecuencia. es necesario extender la transformada de Fourier de tiempo discreto a una transformada donde la frecuencia tambi´n sea e discreta.1. de la siguiente manera: ∞ xp (nT ) = r=−∞ x(nT + rNT ) 69 . 9.2. sin embargo. Presentaci´n de la transformada discreta de o Fourier (DFT) Dada una se˜ al x(nT ) real. discreta en el tiempo y de duraci´n finita. La transformada que permite lo anterior es la transformada discreta de Fourier donde se da por entendido que se esta trabajando en tiempo discreto. xp (nT ). La transformada de Fourier de tiempo continuo y discreto son excelentes herramientas para el an´lisis de se˜ ales continuas y discretas. En el caso donde se requiera a realizar an´lisis en frecuencia a un conjunto de muescas y que este an´lisis se reala a ice mediante un procesador digital.Tema 9 Introducci´n o Transformada discreta de Fourier (DFT) 9. puede n o formarse una se˜ al peri´dica. entonces. con per´ n o ıodo NT .

0 2. y puede expresarse de la siguiente forma: Xp (jkΩ) = A(kΩ)ejΦ(kΩ) donde: A(kΩ) = |Xp (jkΩ)| Φ(kΩ) = arg Xp (jkΩ) . n o La transformada discreta de Fourier de xp (nT ) se define de la siguiente forma: N −1 Xp (jkΩ) = n=0 xp (nT )W −kn Donde W = ej2π/N Ω = ωs /N ωs = 2π/T En general Xp (jkΩ) es complejo.0 4.0 −1.0 −2.0 −2.0 −3.0 2.1: Se˜ al discreta peri´dica.0 −1.0 N 3. TRANSFORMADA DISCRETA DE FOURIER (DFT) 70 x[n] −4.0 N 3.0 1.0 n xp [n] −4.0 n Figura 9.TEMA 9.0 −3.0 5.0 5.0 4.0 1.

para ∀ otro caso. 0 ∀ otro n.3. por otro lado se tiene que e e W = ej2π/N = ejπ/5 por lo tanto se tiene Xp (jkΩ) = e−j4π/5 sen(πk/2) sen(πk/10) . Xp (jkΩ) = n=2 W −kn = W −2k − W −7k 1 − W −k Es una serie geom´trica en t´rminos finitos.TEMA 9. TRANSFORMADA DISCRETA DE FOURIER (DFT) 71 9. por lo tanto se puede decir que N −1 1 Xp (jkΩ)W kn = xp (nT ) N k=0 Ejemplo: calcular la DFT para la siguiente se˜ al: n xp (nT ) considerando N = 10 se tiene: 6 1 si 2 ≤ n ≤ 6. Antitransformada discreta de Fourier (IDFT) xp (nT ) se denomina “antitransformada discreta de Fourier” de Xp (jkΩ). entonces la suma es diferente de cero solo cuando el par´metro n es igual al argua mento de la suma m lo cual ocurre porque la base es ortogonal. y esta dada por la siguiente expresi´n: o xp (nT ) = Demostraci´n: o 1 N N −1 1 N N −1 Xp (jkΩ)W kn k=0 Xp (jkΩ)W k=0 kn 1 = N = 1 N N −1 N −1 xp (mT )W −km W kn k=0 N −1 m=0 N −1 xp (mT ) m=0 k=0 W k(n−m) como N −1 W k(n−m) = k=0 N 0 si n = m.

2: Sistema de modulaci´n. para lo cual se tiene que x(t) = 4 sin(2π20t) cos(2π10t) y m(t) = 2 cos(2π50t). Ejercicios Ejercicio 9. . o Para la salida determinar: Y (k) si f s = 200Hz.2. TRANSFORMADA DISCRETA DE FOURIER (DFT) 72 9. tomando N = 10 muestras.2 se tiene el esquema b´sico de un modulador de a AM donde: y(t) = x(t)m(t).TEMA 9.4. Utilizando las propiedades de la transformada de Fourier de tiempo discreto determinar X(k) para las siguientes se˜ ales: n x(n) = n( 1 )|n| 3 x(n) = ej3n Ejercicio 9. x(t) y(t) m(t) Figura 9. En la figura 9.1.

La transformada Z se utiliza para el an´lisis de sistemas discretos tal como lo a son los filtros digitales lineales e invariantes en el tiempo. z es una variable compleja de la forma z = x + jy 73 . Esta transformada tiene una aplicaci´n muy parecida a la realizada por la transformada de Laplace y se debe o a su comodidad de transformar ecuaciones en diferencias en expresiones algebraicas.1) Para cualquier z. Presentaci´n de la trasformada Z o ∞ La trasformada Z se encuentra definida como: F (z) = n=−∞ f (nT )z −n = Z{f (nT )} (10.Tema 10 Introducci´n o Transformada Z 10.2. tal que F (z) converge. a 10.1. lo que ayuda al an´lisis sobre los diferentes sistemas discretos.

TEMA 10. TRANSFORMADA Z 74 10. u Z{w −n f (nT )} = F (wz) Diferenciaci´n compleja o dF (z) dz Z{nT f (nT )} = −T z Convoluci´n Real o ∞ Z Z −1 {F (z)G(z)} = {F (z)G(z)} = k=−∞ ∞ f (kT )g(nT − kT ) g(kT )f (nT − kT ) −1 k=−∞ . y Z{f (nT )} = F (z) y Z{g(nT )} = G(z).3. Propiedades de la transformada Z Linealidad Si a y b son constantes. entonces: Z{af (nT ) + bg(nT )} = aF (z) + bG(z) Traslaci´n o Z{f (nT + mT )} = z m F (z) Cambio de escala complejo Considerando w como un n´ mero complejo.

2) la transformada unilateral y bilateral son diferentes si f (nT ) = 0 para n < 0. o Para determinar ciertas trasformadas es necesario recordar el siguiente resultado. Z{δ(nT )} = 1 Ejemplo 10. Z{Ku(nT − T )} = Kz −1 Z{u(nT )} = K z−1 Ejemplo 10. Calcular la trasformada Z de x(nT ) = u(nT )Kw n . Calcular la trasformada Z de x(nT ) = u(nT ). z Z{u(nT )e−αnT } = z − e−αT Ejemplo 10. Cuando se trabaja con funciones que son cero para n < 0. la transformada Z unilateral a es definida de la siguiente forma: ∞ F (z) = n=0 f (nT )z −n (10. Calcular la trasformada Z de x(nT ) = Ku(nT − T ). ∞ a−k = k=0 1 1−a Ejemplo 10.6.2.3. siendo este el caso que se trabaja en este apartado.4. Z{u(nT )} = 1 z = −1 1−z z−1 Ejemplo 10.TEMA 10. Calcular la trasformada Z de x(nT ) = δ(nT ). Transformada Z unilateral De manera an´loga a la transformada de Laplace. Calcular la trasformada Z de x(nT ) = u(nT )e−αnT . no es necesario hacer la distinci´n.5. Calcular la trasformada Z de x(nT ) = nT u(nT ). Z{nT u(nT )} = −T z d Tz Z{u(nT )} = dz (z − 1)2 .4.1. TRANSFORMADA Z 75 10. Z{u(nT )Kw } = KZ n 1 u(nT ) w −n = Kz z−w Ejemplo 10.

2. 1. Calcular la trasformada Z de x(nT ) = u(nT )sen(ωnT ). .. Calcular la transformada Z de la funci´n definida por: o p(k) = 1 si k = 0.∞ 0 si k < 0 Desarrollo ∞ Z {p(k)} = = p(k)z −k k=0 ∞ 1z −k k=0 ∞ = k=0 (z −1 )k teniendo en cuenta que. TRANSFORMADA Z 76 Ejemplo 10.8.TEMA 10. ∞ a−k = k=0 1 1−a entonces Z {p(k)} = 1 1 − z −1 z = z−1 ..7. Z{u(nT )sen(ωnT )} = 1 Z{u(nT )(ejωnT − e−jωnT )} 2j 1 1 = Z{u(nT )ejωnT } − Z{u(nT )e−jωnT } 2j 2j z z 1 = − jωnT 2j z − e z − e−jωnT z sen(ωnT ) = 2 z − 2z cos(ωnT ) + 1 Ejemplo 10.

Transformada Z inversa Si F (z) converge en alg´ n anillo abierto.9.5) f (nT ) = resz=1 [F (z)z n−1 ] + resz=−0. ∞ Z a p(k) = = k ak z −k k=0 ∞ ak (z −1 )k k=0 ∞ = k=0 (az −1 )k 1 1 − az −1 z = z−a = 10. Hallar la antitransformada Z de: F (z) = (2z − 1)z 2(z − 1)(z + 0. TRANSFORMADA Z 77 Ejemplo 10. Aplicando el teorema del residuo se tiene: f (nT ) = resz=pi [F0 (z)] Ejemplo 10.10.5) z=1 2(z − 1) z=−0.TEMA 10.5.5 = 1 2 + 3 3 −1 2 n . Determinar la transformada Z de ak p(k).3) donde k y m son enteros positivos. entonces es posible obtener f (nT ) de u la siguiente manera: f (nt) = Si F (z)z n−1 = F0 (z) = k i=l 1 2πj Γ F (z)z n−1 dz = Z −1 {F (z)} N(z) (z − pi )mi (10.5 [F (z)z n−1 ] (2z − 1)z n (2z − 1)z n = + 2(z + 0.

TEMA 10. TRANSFORMADA Z

78

Como f (nT ) = 0 ∀ n < 0 1 2 f (nT ) = u(nT ) + 3 3 −1 2

n

Ejemplo 10.11. Hallar la antitransformada Z de: F (z) = 1 2(z − 1)(z + 0,5)

z n−1 F0 (z) = F (z)z = 2(z − 1)(z + 0,5) En este caso F (z) tiene un polo en el origen para n = 0 por lo tanto f (0) debe obtenerse por separado. Para n = 0:
n−1

f (0) =

1 2(z − 1)(z + 0,5) 1 2 = −1 + + 3 3 =0

+
z=0

1 2(z + 0,5)z

+
z=1

1 2(z − 1)

z=−0,5

Para n > 0: f (nT ) = = z n−1 2(z + 0,5) 1 1 − 3 3 +
z=1 n−1

z n−1 2(z − 1)

z=−0,5

−1 2

Considerando los casos para n se tiene finalmente: f (nT ) = u(nT − T ) 1 1 − 3 3 −1 2
n−1

10.6.

Transformada Z inversa como pares transformados

Este m´todo es el mas empleado y consiste en tener un conjunto de funciones e comunes y sus transformadas. Teniendo en cuenta que µ(k) es la secuencia de paso unitario y que la secuencia pulso unitario se define como; δ(k) = 1 si k = 0 0 en otro caso

TEMA 10. TRANSFORMADA Z

79

Ejemplo 10.12. Probar que: δ(k) ⇔ 1
0

Z {δ(k)} =

1z −k
k=0 0

= 1z =1 Ejemplo 10.13. Probar que: kak µ(k) ⇔

az (z − a)2

para esta prueba se toma el resultado conocido d F (z) dz para el caso se tiene que f (k) = ak µ(k) por lo cual kf (k) ⇔ −z F (z) = entonces d (z − a) − (z) F (z) = dz (z − a)2 −a = (z − a)2 finalmente kak µ(k) ⇔ −z −a (z − a)2 az ⇔ (z − a)2 z z−a

Ejemplo 10.14. Probar que: k 2 ak µ(k) ⇔ az (z − a)2

para el caso se tiene que f (k) = kak µ(k) por lo cual F (z) = az (z − a)2

TEMA 10. TRANSFORMADA Z

80

entonces a(z − a)2 − 2(z − a)az d F (z) = dz (z − a)4 a(z 2 − 2az + a2 − 2z 2 + 2za) = (z − a)4 a(a2 − z 2 ) = (z − a)4 −a(z 2 − a2 ) = (z − a)4 −a(z − a)(z + a) = (z − a)4 −a(z + a) = (z − a)3 kak µ(k) ⇔ −z −a(z + a) (z − a)3 az(z + a) ⇔ (z − a)3

finalmente

Ejemplo 10.15. Probar que: z2 (k − 1)µ(k) ⇔ (z − 1)2

donde

Z {(k + 1)µ(k)} = Z {kµ(k)} + Z {µ(k)} z z−1 d Z {kµ(k)} = −z Z {µ(k)} dz d z = −z dz z − 1 z = (z − 1)2 Z {µ(k)} = Z {(k + 1)µ(k)} = z z + 2 (z − 1) z−1 2 z+z −z = (z − 1)2 z2 = (z − 1)2

por lo cual

TEMA 10. TRANSFORMADA Z

81

10.6.1.

Expansi´n binomial o

La expansion binomial como t´cnica para calcular la transformada inversa Z e consiste en expander el cociente de una fracci´n de tal forma que se obtenga una o serie en t´rminos de potencia negativas de z. e

F (z) =

K z−w 1 K = z 1 − wz −1 K = (1 − wz −1 + w 2 z −2 + ....) z = K(z − wz −2 + w 2 z −3 + ....)
∞ n=0

=

u(nT − T )Kw n−1 z −n

= Z u(nT − T )Kw n−1 por lo tanto: Z −1 K z−w = u(nT − T )Kw n−1

10.6.2.

Fracciones parciales

Cuando se tiene la transformada Z expresada de la siguiente manera:
k

F (z) =
i=l

Fi (z)

Entonces, la antitransformada Z se puede hallar de la siguiente manera:
k

Z −1 {F (z)} = Ejemplo 10.16. Considerando

i=l

Z −1 {Fi (z)}

1 (z − − 4) 2 1 F (z) = 1 − 1 (z − 2 ) (z − 4 )

F (z) =

z
1 )(z 2

TRANSFORMADA Z 82 entonces f (nT ) = 2u(nT − T ) f (nT ) = 4u(nT − T ) 1 2 1 2 n−1 − u(nT − T ) n 1 4 n−1 − 1 4 n Ejemplo 10.5 = 2Aµ(k) − 2A(0.5 donde a= (z − 1) (z − 1)(z − 0.TEMA 10.5z −1 ) .5) a b = + z − 1 z − 0.5 por lo tanto F (z) 2 −2 = + zA z − 1 z − 0.5 −2z 2Az + F (z) = z − 1 z − 0.5z −1 ) F (z) 1 = zA (z − 1)(z − 0.17.5)k µ(k) Ejemplo 10.5) a=2 (z − 0.5) b= (z − 1)(z − 0. Calcular la transformada Z inversa de: F (z) = 1 + 2z −1 + z −3 (1 − z −1 )(1 − 0.5 2Az Z −1 {F (z)} = Z −1 z−1 −2z + Z −1 z − 0.5) b = −2 z=1 z=0.18. Calcular la transformada Z inversa de: F (z) = A (1 − z −1 )(1 − 0.

5)k µ(k) + 26δ(k) 10.5 = 8µ(k) − 26(0.5 F (z) = 8 −26 18 F (z) = + + z z − 1 z − 0. ∞ Z −1 {F (z)G(z)} k=−∞ f (kT )g(nT − kT ) Ejemplo 10.5) a b = + z − 1 z − 0.5) z 3 + 2z 2 + 1 F (z) = 3 z z (z − 1)(z − 0. aplicando el teorema de convoluci´n se o puede hallar la antitransformada Z.TEMA 10. TRANSFORMADA Z 83 z(z 3 + 2z 2 + 1) z 3 (z − 1)(z − 0. Teniendo Y (z) = z (z − 1)2 z F (z) = z−1 1 G(z) = z−1 Empleando la tabla de transformadas b´sicas se tiene: a f (nT ) = u(nT )) g(nT ) = u(nT − T ) .19.3. Convoluci´n o Si una transformada Z se puede convertir en el producto de dos transformadas Z cuyas antitransformadas sean conocidas.5 8z Z −1 {F (z)} = Z −1 z−1 −26z + Z −1 + Z −1 {26} z − 0.5 z 6 2 + + z z 8z −26z F (z) = + + 26 z − 1 z − 0.6.

= 1 + 1 + 1 + .TEMA 10. TRANSFORMADA Z 84 entonces ∞ y(nT ) = k=−∞ u(kT ) u(nT − T − kT ) = u(0) u(nT − T ) + u(T ) u(nT − 2T ) + ..7. tal como el siguiente: ∞ y(nT ) = k=−∞ x(kT )h(nT − kT ) Z{y(nT )} = Z{h(nT )}Z{x(nT )} Y (z) = H(z) X(z) 10.1.7. Aplicaci´n de la transformada Z o Usando la transformada Z. un filtro digital puede ser caracterizado mediante una funci´n transferencia discreta en el tiempo. que juega el mismo rol que la funci´n o o transferencia cont´ ınua en el tiempo para un filtro anal´gico.. = n u(nT ) 10. Considerando un filtro o digital lineal e invariante en el tiempo. Funci´n de transferencia o Para un sistema discreto el cual puede ser un filtro digital causal y recursivo se tiene: N N y(nT ) = i=0 ai x(nT − iT ) − i=1 bi y(nT − iT ) aplicando transformada Z: N N Z{y(nT )} = i=0 ai z Z{x(nT )} − N −i i=1 bi z −i Z{y(nT )} N Y (z) = X(z) i=0 N ai z −i − Y (z) = X(z) bi z −i i=1 N Y (z) 1 + i=1 bi z −i ai z −i i=0 ...

TRANSFORMADA Z 85 N Y (z) H(z) = = X(z) ai z −i N i=0 1+ i=1 bi z −i otra forma de expresar la anterior expresi´n es en t´rminos de factores donde zi son o e los ceros y pi son los polos.21.20.1 se presenta la respuesta para la siguiente ecuaci´n en diferencias. y(k − a) ⇔ z −a Y (z) por lo tanto se tiene Y (z) − z −1 Y (z) = T z −1 U(z) Y (z)(1 − z −1 ) = T z −1 U(z) T z −1 Y (z) = U(z) (1 − z −1 ) Y (z) T = U(z) (z − 1) T G(z) = (z − 1) 10. N Y (z) H(z) = = X(z) i=0 N i=1 (z − zi ) (z − pi ) Ejemplo 10. Soluci´n num´rica de ecuaciones en difereno e cias Ejemplo 10. o y(k) − y(k − 1) = T u(k − 1) para el desarrollo de esta funci´n de transferencia se tiene en cuenta el par transforo mado.TEMA 10. Se debe encontrar la funci´n de transferencia del sistema dado o por la ecuaci´n en diferencias. Considerando y(0) = 1/4 y y(1) = 1/3. o π k 3 π y(k + 2) = −y(k + 1) − y(k) + 2k cos k 3 y(k + 2) + y(k + 1) + y(k) = 2k cos .8. En la figura 10.

Ejemplo 10.TEMA 10.3 se presenta la respuesta para la siguiente ecuaci´n en diferencias. o 5 1 y(k + 2) + y(k + 1) + y(k) = µ(k) 6 6 5 1 y(k + 2) = − y(k + 1) − y(k) + µ(k) 6 6 Figura 10. Considerando y(0) = 1/5 y y(1) = 2. En la figura 10.22.1: Respuesta hasta k = 100. En la figura 10.23.2 se presenta la respuesta para la siguiente ecuaci´n en diferencias. Ejemplo 10. TRANSFORMADA Z 86 Figura 10. o 1 y(k + 2) − y(k) = 2k 2 1 y(k + 2) = y(k) + 2k 2 . Considerando y(0) = 2 y y(1) = 2.2: Respuesta hasta k = 100.

1.TEMA 10.3: Respuesta hasta k = 100. TRANSFORMADA Z 87 Figura 10. Considerando y(0) = 0 y y(1) = 0.4 se presenta la respuesta para la siguiente ecuaci´n en diferencias. En la figura 10. Ejercicios Ejercicio 10.9.24. o 1 y(k + 2) + y(k + 1) + y(k) = 4 1 y(k + 2) = −y(k + 1) − y(k) + 4 1 3 1 3 k k Figura 10. .4: Respuesta hasta k = 100. 10. Encontrar la transformada Z para las siguientes funciones de tiempo discreto. Ejemplo 10.

determinar su soluci´n o o si x[n] = µ[n].5)n cos(0.3. con y[−1] = 1 y y[−2] = 3. 0.5)n . 0 ≤ n ≤ m. para el resto. 0. x(n) = x(n) = (0.2.4. Para la siguiente ecuaci´n en diferencias.2n)u(n). Encontrar las transformadas Z inversas para: 1 (z − 1 )3 2 z(z + 2) + 4z + 3 X(z) = X(z) = z2 Ejercicio 10. 1. Para la siguiente ecuaci´n en diferencias. para el resto. 0 ≤ n ≤ 5. y[n − 2] + y[n − 1] + y[n] = x[n] . con y[−1] = 0 y y[−2] = 0. TRANSFORMADA Z 88 x(n) = (0. 2y[n − 2] + 3y[n − 1] + y[n] = x[n] Ejercicio 10.TEMA 10.5) . determinar su soluci´n o o n si x[n] = n(0. Ejercicio 10.

Al igual que la convoluci´n de tiempo continuo su dual de tiempo discreto repo resenta la forma del funcionamiento de los sistemas de tiempo discreto.4) .2) n y[n] = x[n] ∗ h[n] = k=0 x[k]h[n − k] (11.2. 11. Convoluci´n de tiempo discreto o La convoluci´n de tiempo discreto para se˜ ales no causales est´ definida como: o n a ∞ y[n] = x[n] ∗ h[n] = k=−∞ x[k]h[n − k] (11.Tema 11 Introducci´n o Convoluci´n discreta o 11.3) n y[n] = h[n] ∗ x[n] = 89 k=0 h[k]x[n − k] (11.1.1) ∞ y[n] = h[n] ∗ x[n] = Para se˜ ales causales se define como: n k=−∞ h[k]x[n − k] (11.

2. −1} y h = o {0. −1. 3. CONVOLUCION DISCRETA 90 11. 4}. 3.5.3. 0.5. 1. Realizar la convoluci´n entre x = {1. Ejercicios Ejercicio 11.5. 1. −1.5} Ejercicio 11. 2. .1. 0.2. 0.´ TEMA 11. Si la respuesta al impulso de un sistema discreto es la secuencia discreta h = {1. 4} determinar la salida del sistema si se tiene una secuencia de entrada x = {1.

En la presente secci´n se mostrara un m´todo de dise˜ o b´sico pero con el cual se obtendr´n buenos o e n a a resultados al momento de la concepci´n de un filtro.3. |ωs | ≤ ω (12. banda de transici´n y banda eliminada y o las respectivas atenuaciones presentes en estas bandas. cuando se 91 . banda de paso.2. |ω| ≤ ωp |H(ω)| ≤ δ2 . Para el dise˜ o de un tipo de filtro se tienen varios aspectos a considerar como lo es n el tipo de filtro las frecuencias de corte y las respectivas atenuaciones. o 12.1.1) 12. Par´metros de un filtro a En primer lugar se examinaran los par´metros b´sicos de un filtro pasa bajos a a entre los cuales se tiene.Tema 12 Introducci´n o Filtros An´logos a 12. las cuales tiene las siguientes relaciones: 1 − δ1 ≤|H(ω)| ≤ 1 + δ1 . Transformaciones de frecuencia Para realizar un dise˜ o practico una metodolog´ esta basada en las posibles n ıa trasformaciones de un filtro normalizado pasabajos a otro tipo de filtro.

6) . Las respectivas trasformaciones antes mencionadas son las siguientes. FILTROS ANALOGOS 92 refiere a un filtro normalizado se trata de un filtro cuya frecuencia de corte es de ω = 1[rad/seg] y que su ganancia en la banda de paso es de uno en magnitud. Pasa bajo S ωc s= (12.5) Para el caso del pasabanda y del rechazabanda se tiene.3) Pasa banda ω0 BW S ω0 + ωc S s= (12. √ ω0 = ωc 1 ωc 2 BW = ωc2 − ωc1 (12.4) Rechaza banda BW ω0 S ω0 + ωc S s= (12.2) Pasa alto s= ωc S (12.´ TEMA 12.

828 25.103 14.126 1 Cuadro 12.. No se entrara en detalle de la formulaci´n del filtro Butterworth pero se tomaran o los resultados utiles para el dise˜ o de este filtro. 12.236 5.606 10. para este tipo de filtro se puede comprobar que su magnitud√ vale 1 para ω = 0 y cuando ω = 1 se tiene un valor de magnitud o |H(ω)| = 1/ 2 en dB a 3dB.126 13.138 5. S(s) = aN sN + aN −1 sN −1 + ..494 1 5. .1 se presentan estos coeficientes hasta N = 8.864 7.691 21.236 1 3.864 1 4. o |H(ω)|2 = 1 1 + (ω)2N (12.613 3. ´ n En primer lugar se tiene que la funcion de transferencia de un filtro pasabajos normalizado Butterworth empleando el operador de Laplace se puede escribir como.848 13. + a1 s + 1 (12.128 21.141 7.103 4.613 1 3.464 9.464 3. FILTROS ANALOGOS 93 N 1 2 3 4 5 6 7 8 a1 a2 a3 a4 a5 a6 a7 a8 1 √ 2 1 2 2 1 2.414 2. Filtro Butterworth La funci´n de amplitud de un filtro Butterworth es. H(s) = 1 S(s) (12. Se puede apreciar que en la medida que N aumenta el filtro tiene una respuesta mas selectiva.606 14.236 5.4. En la tabla 12.´ TEMA 12.7) Donde N indica el orden del filtro.236 3. con lo cual esta especificaci´n de filtro se ajusta al filtro pasabajos normalizado.1: Coeficientes del polinomio Butterworth.8) Donde S(s) es un polinomio Butterworth el cual se puede escribir de la forma.494 10.9) Donde ai es el correspondiente i coeficiente del filtro.

por o n lo cual a continuaci´n se cita este procedimiento.10) = ωs ωc 2N 1 1 − δ1 = 2 −1 1 −1 (δ2 )2 eliminado ωc de las ecuaciones anteriores y despejando para N se tiene   2 δ1 (2 − δ1 )δ2  log (1 − δ )2 (1 − δ 2 )   1 2 1  N=   2 ωp   log ωs (12. Orden del filtro Para considerar el par´metro de dise˜ o correspondiente al orden del filtro. Pasos de dise˜ o n En las anteriores secciones se presento los conceptos b´sicos para el dise˜ o de un a n filtro Butterworth sin entrar en detalle a los pasos l´gicos del dise˜ o del mismo.2. 12. |ω| ≤ ωp |H(ω)| ≤ δ2 . en a n primer lugar se toma la funci´n de trasferencia o |H(ω)|2 = 1 1 + (ω/ωc)2N en segundo lugar se tiene que este filtro debe cumplir con las siguientes especificaciones: |H(ω)| ≤ 1 − δ1 .11) Es necesario tener en cuenta que el valor de N requerido es un entero por lo cual se es necesario aproximar el valor obtenido seg´ n sea la especificaci´n de dise˜ o a u o n cumplir. o . |ω| > ωs Considerando las especificaciones: |H(ωp)| = 1 − δ1 |H(ωs)| = δ2 realizando los reemplazos adecuados se tiene ωp ωc 2N (12.´ TEMA 12. FILTROS ANALOGOS 94 12.1.4.4.

Con el valor de N determinar el respectivo polinomio y la funci´n de transfero encia del filtro pasabajos normalizado. Comprobar que que se esta cumpliendo con las especificaciones de dise˜ o. 6. 4. H(s) = (s/2826. Tomando las anteriores especificaciones se tiene.8)2 + 2(s/2826.´ TEMA 12. Efectuar la respectiva transformaci´n en frecuencia para obtener el filtro reo querido. Los pasos a seguir son: 1.1778 con estos valores de atenuaci´n o se tiene que el orden del filtro requerido es de N = 2.8)s2 + (2826. 20 log10 (1 − δ1 ) = −1 20 log10 (δ2 ) = −15 de tal forma que se tiene δ1 = 1. el cual se aproxima a N = 3 y tomando el respectivo polinomio de la tabla se tiene que la funci´n de o transferencia del filtro pasabajos normalizado es.6045. e 2. H(s) = s3 + 2s2 1 + 2s + 1 luego se calculo que ωc = 2826. Calcular el valor de N.8)3 s3 + (2826.8) + 1 H(s) = (2826. n Ejemplo: Se requiere dise˜ ar un filtro Butterworth con una atenuaci´n inferior n o a 1 dB para |ω| ≤ 2000[rad/s] y superior a 15 dB para |ω| ≤ 5000[rad/s]. 3. 5.1087 y δ2 = 0.8)2 s + (2826.8)3 1 + 2(s/2826. FILTROS ANALOGOS 95 En primer lugar se debe tener en cuenta que el dise˜ o se basa en dise˜ ar un filtro n n pasabajos y luego realizar una transformaci´n en frecuencia para obtener el filtro o que se requiere.8 y aplicando la respectiva transformaci´n se tiene o que el filtro requerido es. Seg´ n los requerimientos de dise˜ o plantear los valores de atenuaciones δ1 y u n δ2 como tambi´n las frecuencias ωp y ωs . Determinar el valor de ωc .8)3 .

5.´ TEMA 12. o .1. Dise˜ ar un filtro que limite en banda la se˜ al de voz para un n n micr´fono. Ejercicios Ejercicio 12.2. Ejercicio 12. FILTROS ANALOGOS 96 12. Dise˜ ar un filtro pasa altos con frecuencia de corte fc = 10000Hz n de orden 4.

Tema

13
Introducci´n o

Filtros digitales
13.1.

En los ultimos a˜ os, los filtros digitales han sustituido a los filtros anal´gicos en ´ n o muchas aplicaciones debido a su mayor fiabilidad, mayor flexibilidad y superiores prestaciones. En la siguiente secci´n se busca presentar los fundamentos te´ricos de o o los filtros digitales y adicionalmente mostrar algunas t´cnicas de dise˜ o tanto de e n forma anal´ ıtica como empleando una herramienta de software (MATLAB) donde se presentaran algunos ejemplos.

13.2.

Terminolog´ y Clasificaci´n ıa o

Un filtro digital es un sistema de tiempo discreto cuya funci´n de transferencia o H(z) cumple con ciertos requisitos en el dominio de la frecuencia o es tal que la respuesta al impulso hk cumple con ciertas condiciones en el dominio del tiempo. Por lo cual el t´rmino filtro digital se entiende como cualquier procesamiento realizado e en una se˜ al de entrada digital. n Un filtro digital es la implementaci´n en hardware o software de una ecuaci´n o o en diferencias. Entre las ventajas de los filtros digitales se tiene: Alta inmunidad al ruido. Alta precisi´n (limitada por los errores de redondeo en la aritm´tica empleada). o e 97

TEMA 13. FILTROS DIGITALES

98

F´cil modificaci´n de las caracter´ a o ısticas del filtro. Muy bajo costo (y bajando). Por estas razones, los filtros digitales est´n reemplazando r´pidamente a los filtros a a anal´gicos. o

13.2.1.

Clasificaci´n de los Filtros Digitales o

Dentro de los filtros digitales existen dos clases las cuales son; los filtros FIR o denominados filtros de solo polos (no recursivos) y los filtros IIR los cuales tiene polos y ceros (recursivos) estos filtros tienen su equivalente en el mundo an´logo siento a esta caracter´ ıstica empleada para una metodolog´ de dise˜ o de este tipo de filtro ıa n tal como se presentara mas adelante. Los filtros FIR no tiene un equivalente an´logo a pero no por esto sus prestaciones son menores, incluso estos tipos de filtros permiten la implementaci´n de sistemas que no son tan f´ciles de lograr an´logamente tal como o a a lo es un diferenciador o un transformador o desfasador de Hilbert. Elecci´n de un filtro digital IIR ´ FIR o o Las consideraciones b´sicas para la elecci´n entre un filtro FIR o IIR son: a o Los filtros IIR producen en general distorsi´n de fase, es decir la fase no es o lineal con la frecuencia. Los filtros FIR son de fase lineal. El orden de un filtro IIR es mucho menor que el de un filtro FIR para una misma aplicaci´n. o Los filtros FIR son siempre estables.

13.3.

Descripci´n de los Filtros digitales o

Un filtro digital es un sistema de tiempo discreto cuya funci´n de transferencia o H(z) cumple con ciertos requisitos en el dominio de la frecuencia o es tal que la respuesta al impulso hk cumple con ciertas condiciones en el dominio del tiempo. Realmente en esta secci´n se tratar´n como filtros digitales a sistemas de tiempo o a discreto sin considerar la cuantizaci´n (los efectos de la cuantizaci´n pueden tenerse o o

TEMA 13. FILTROS DIGITALES

99

en cuenta por aparte) pero se llamar´n digitales porque las realizaciones pr´cticas a a de ellos, bien sea por hardware o por software, ser´n digitales (en la mayor´ de los a ıa casos). Y (z) = H(z)X(z) (13.1)

X(z)

H(z)

Y (z)

Figura 13.1: Filtro digital. Un filtro digital podr´ representarse entonces mediante una ecuaci´n en diferena o cias del tipo
r m

Yk =
i=0

Li Xk−i −

kj Yk−j
j=1

(13.2)

de modo que
r

Y (z) H(z) = = X(z)

Li z −i (13.3) kj z −j

i=0 m

1+
j=1

El tipo de caracter´ ısticas del filtro digital depender´ de los coeficientes Li con i = a 0, 1, 2, 3, ..., r y Kj con j = 1, 2, 3, ..., m. El dise˜ o de alg´ n filtro digital consiste en n u hallar los valores de esos coeficientes que hagan que la funci´n de transferencia del o filtro cumpla con los requerimientos establecidos. Pero para que se usan los filtros digitales si en la practica lo que se necesita es filtrar se˜ ales anal´gicas. La respuesta a este interrogante se basa en dos hechos n o fundamentales: Los filtros digitales se vuelven pr´cticos con el actual avance de la tecnolog´ a ıa digital integrada (de estado s´lido) y pueden hacerse bastante econ´micos o o para dise˜ os complejos si se tiene en cuenta la universalidad de aplicaciones n que permiten su programabilidad. Los sistemas de tiempo discreto (filtros digitales) pueden simular sistemas anal´gicos si se cumplen ciertos requisitos con respecto a las se˜ ales anal´gicas o n o que se manejan (recordar el teorema de muestreo de Nyquist. En seguida se

H(Ω) X(Ω) y[n] D/A Y (Ω) y(t) Y (w) Figura 13. etc. o X(w) H(w) Y (w) Figura 13. Pasos para el proceso de dise˜ o de un filtro digital n Establecer las especificaciones del filtro para unas determinadas prestaciones. y pasa banda.2. a la salida de todo el sistema.1.3: Filtro anal´gico equivalente. Para implementar una funci´n de filtro continua usando un filtro digital se tiene un o arreglo como el de la figura 13.4) 13.3.TEMA 13. o muestra como un sistema de tiempo discreto puede realizar una funci´n de o transferencia de tiempo continuo relacionando ´ ıntimamente a los sistemas de tiempo discreto y los sistemas de tiempo continuo. ganancia dc. Estas especificaciones son las mismas que las requeridas por un filtro anal´gico: o frecuencias de rechaza banda. atenuaciones. y por ultimo un dispositivo de reconstrucci´n que n o convierte la salida del filtro digital que es una se˜ al de tiempo discreto en una se˜ al n n de tiempo continuo. Determinar la funci´n de transferencia que cumpla las especificaciones. Se presentan B´sicamente tres componentes: un muestreador que convierte la a se˜ al anal´gica en una se˜ al de tiempo discreto.2: Implementaci´n de un filtro digital. o . El sistema anal´gico equivalente o se muestra en la figura 3 y tiene una funci´n de transferencia anal´gica Hs (jΩ) tal o o que Ya (jΩ) = Ha (jΩ)Xa (jΩ) (13. o Realizar la funci´n de transferencia en hardware o software. Un filtro digital a trav´s del cual la n o n e se˜ al muestreada es transformada. FILTROS DIGITALES 100 x(t) A/D X(w) x[n] h[n].

el hecho es que para diferentes implementaciones diferir´ m´s o menos. o es decir existen infinitas posibilidades de sistemas de tiempo discreto con la misma funci´n de transferencia H(z). para cada funci´n de transfereno o cia H(z) de un filtro digital determinado existen infinitas formas. Esa a a limitaci´n impl´ o ıcita de los filtros digitales puede volverse cr´ ıtica para la estabilidad si los polos del sistema dise˜ ado est´n cerca del circulo unitario. n o a n La implementaci´n real de un filtro digital depender´ de dos factores: o a Si es por software (programas de computador) los sumadores y multiplicadores ser´n las operaciones correspondientes en el algoritmo.5. hao cia el exterior del c´ ırculo unitario y as´ el filtro se vuelva inestable. s´lo afectan la forma de la funci´n de transferencia y para desviaciones o o peque˜ as de los coeficientes la distorsi´n en esa forma ser´ peque˜ a. Estas restricciones se refieren a la sensibilidad de la posici´n o de los polos y ceros del sistema con respecto a los coeficientes del dise˜ o. n Si en cambio la realizaci´n es por hardware (un circuito digital dedicado exo clusivamente a esta labor) los sumadores y multiplicadores ser´n los circuitos a digitales correspondientes y las.TEMA 13. Los coeficientes de la implementaci´n podr´n encontrarse en memorias ROM o a o alg´ n otro dispositivo de memoria no vol´til. ya que n estos coeficientes se desv´ normalmente del valor deseado por la limitaci´n en la ıan o longitud de sus representaciones (con un n´ mero finito de cifras significativas). En las implementaciones reales de filtros digitales o tambi´n existen algunas restricciones que hacen que unas realizaciones sean m´s e a apropiadas que otras. Implementaci´n de filtros digitales o Del mismo modo que para los filtros anal´gicos. gracias a la variaci´n de los coeficientes del sistema. de a condensadores suicheados. 13. y las unidades de rea tardo corresponden a unidades de memoria (variables) que almacenan el valor actual y anteriores de las se˜ ales en sus instantes de muestreo.4. FILTROS DIGITALES 101 13. Lo u anterior indica que la funci´n de transferencia de una implementaci´n real de un o o filtro digital siempre diferir´ de alguna manera de la funci´n de transferencia dea o seada. unidades de retardo ser´n unidades de memoa ria o Flip-Flops actuando como registros de desplazamiento (shift reg. ya que es posible n a que estos polos se muevan. Tambi´n es com´ n actualu a e u mente el uso de condensadores y suiches an´logos en los llamados filtros. de su realizaci´n.isters). El problema con ı los ceros es menos cr´ ıtico si se tiene en cuenta que estos no afectan la estabilidad del filtro. Filtros FIR (Finite Impulse Response) Entre las principales caracter´ ısticas de los filtros FIR se tiene: .

o 2. o 3. + BM z −M La secuencia {BK } son los coeficientes del filtro.. Dise˜ o empleando ventanas n Este tipo de dise˜ o tambi´n es conocido como el m´todo de las Series de Fourier.. El proceso de dise˜ o de filtros FIR empleando este m´todo se puede resumir en n e los siguientes pasos: 1. La respuesta es por tanto una suma ponderada de valores pasados y presentes de la entrada.. la salida ser´ tambi´n cero. 4. De ah´ que esta se denomine Media en Movimiento (Moving ı Average) La funci´n de Transferencia tiene un denominador constante y s´lo tiene ceros. 5. Convertir el Prototipo de Filtro pasabajo al Filtro deseado hF [n]. a e 13. Conversi´n de especificaciones a la de un Prototipo de Filtro pasabajos. es decir. o o La respuesta es de duraci´n finita ya que si la entrada se mantiene en cero o durante M periodos consecutivos.1. Seleccionar una ventana w[n] de N puntos para obtener hw [n] = hN [n] w[n]. .. la salida depende s´lo de la entrada y no de valores o o pasados de la salida.TEMA 13. Truncamiento de la respuesta a impulso de un filtro ideal h[n] ∝ sinc(n) a hN [n] de longitud N. n e e El m´todo se basa en seleccionar la respuesta al impulso hN [n] como una versi´n e o truncada de la respuesta a impulso h[n] de un filtro ideal con repuesta frecuencial H(Ω). 6. FILTROS DIGITALES 102 Un filtro FIR de orden M se describe por la siguiente ecuaci´n en diferencias o y[n] = B0 x[n] + B1 x[n − 1] + . Retrasar hF [n] para asegurarse que el filtro es causal. + BM x[n − M] lo que da lugar a la funci´n de transferencia o H(z) = B0 + B1 z −1 + .5. Normalizaci´n de frecuencias por la frecuencia de muestreo. No hay recursi´n. El orden del filtro es N − 1.

Utilizar los valores de h[n] definidos por la ecuaci´n anterior como coo eficientes del filtro FIR. y adem´s decae muy o a a lentamente. Filtros IIR (Infinite Impulse Response) Veremos dos variaciones de este tipo de filtros: AR y ARMA Filtros AR (Autoregresivo) La ecuaci´n en diferencias que describe un filtro AR es o y[n] + A1 y[n − 1] + A2 y[n − 2] + . o o 2. El ancho del l´bulo principal y el de transici´n decrece al aumentar N. Ventanas espectrales El truncamiento de h[n] equivale a multiplicar h[n] por una ventana rectangular w[n] de longitud N. La amplitud de los l´bulos de los lados permanece constante con N. o Idealmente el espectro de una ventana debe estar confinado en el l´bulo principal. Aqu´ el efecto Gibbs u ı se da en el dominio frecuencial al usar un truncamineto de la respuesta a impulso.. FILTROS DIGITALES 103 Aunque los anteriores pasos indican que se debe dise˜ ar un filtro pasa bajos para n luego trasformarlo en el filtro requerido existe la posibilidad de dise˜ ar otro tipo de n filtro sin necesidad de realizar esta transformacion. Debido a la lentitud de la funci´n sinc(x) . ıa o 13. + AN y[n − N] = x[n] . seria necesario filtro de elevado o orden (gran n´ mero de puntos) para dise˜ ar filtros con transiciones r´pidas entre u n a bandas. El espectro de hN [n] = h[n]w[n] es la convoluci´n de H(Ω) o y W (Ω). de la misma forma que se produc´ el efecto Gibbs al reconstruir una se˜ al ıa n discontinua con un n´ mero finito de coeficientes espectrales..6. La funci´n W (F ) va a producir rizados y sobreimpulsos en la se˜ al de o n salida. Para reducir los efectos de un truncamiento abrupto se utilizan ventanas espectrales que tienden a suavizar esos efectos.TEMA 13. o sin casi energ´ en los l´bulos de los lados. pero se hace necesario calcular la respectiva respuesta al impulso para este filtro. La funci´n sinc(x) est´ definida para todo valor de x . dar´ lugar a sobre impulsos en la respuesta frecuencial del a filtro. Los espectros de las ventanas presentan dos cosas: 1.

M)... 2.. a o El t´rmino autoregresivo tiene un sentido estad´ e ıstico en que la salida y[n] tiene una regresi´n hacia sus valores pasados. + BM x[n − M] Y la funci´n de transferencia o H(z) = B0 + B1 z −1 + . o La respuesta al impulso es normalmente de duraci´n infinita.. 3. + AN y[n − N] = B0 x[n] + B1 x[n − 1] + . La ecuaci´n en diferencias que describe un filtro ARMA de o orden N es y[n] + A1 y[n − 1] + A2 y[n − 2] + .. + AN z −N Un filtro de este tipo se denota por ARMA(N. m. o El filtro es recursivo ya que la salida depende no solo de la entrada actual sino adem´s de valores pasados de la salida (Filtros con realimentaci´n).. .. de ah´ su nombre. FILTROS DIGITALES 104 lo que da lugar a una funci´n de transferencia o H(z) = 1 + A1 z −1 1 + A2 z −2 + ... + AN z −N La funci´n de transferencia contiene solo polos.. + AM z −M 1 + A1 z −1 + A2 z −2 + . . o ı Filtros ARMA (Autoregresivo y Media en Movimiento) Es el filtro m´s general y es una combinaci´n de los filtros MA y AR descritos a o anteriormente.TEMA 13. Su respuesta a impulso es tambi´n de duraci´n infinita y por tanto es un filtro e o del tipo IIR. En general se puede decir que los filtros IIR son filtros de tipo recursivos es decir que son filtros digitales con realimentaci´n y ganancias directas por lo tanto o la ecuaci´n en diferencias que los representa ser´ o a r m Yk = i=0 Li Xk−i − kj Yk−j j=1 con kj = 0 para al menos j = 1. es decir es Autoregresivo de orden N y Media en Movimiento de orden M ....

a una se˜ al de entrada x(t) muestreada. y(kTs ). ha de ser la misma que la salida del filtro anal´gico (con funci´n o o de transferencia Ha (s) que se desea emular) muestreada.1. Para aclarar esto se muestra la figura 13. donde se desea lograr que yk = y(kTs ) para alguna entrada x(t) espec´ ıfica (13. n xk = x(kTs ).4. yk .5) Y (z) H(z) = = X(z) Li z −i (13.8) .7) Por lo anterior se dice que la H(z) que cumple para alguna Ha (s) es un dise˜ o n invariante a la se˜ al x(t).6. La respuesta del filtro digital. Estos filtros pueden presentar problemas con la ubicaci´n de o los polos. o sea que Xa (s) = L{x(t)} (13. o o A continuaci´n se mostrar´n dos m´todos de dise˜ o de filtros recursivos o IIR: o a e n uno desde el punto de vista del dominio del tiempo conocido como dise˜ o invariante n y el otro desde el punto de vista del dominio de la frecuencia conocido como m´todo e de la transformada bilineal.TEMA 13. FILTROS DIGITALES 105 Gracias a la presencia de realimentaci´n los filtros recursivos tienen una respuesta o al impulso de duraci´n infinita. es decir que para esta entrada x(t) el comportamiento n de los sistemas de las figuras 13.4a con Ha (s) y 13. S´ ıntesis en el dominio del tiempo Este m´todo tambi´n es conocido como dise˜ o invariante y consiste en dise˜ ar e e n n un sistema de tiempo discreto H(z) tal que cumpla con el planteamiento presentado en la figura 13. es posible que el sistema se vuelva inestable si se mueven afuera de este c´ ırculo debido a la precisi´n finita de los coeficientes de la realizaci´n.4b con H(z) es el mismo en el dominio del tiempo. Si Xa (s) es la transformada de Laplace de x(t). es decir para los filtros IIR se cumple que hk = 0 para k > 0 Un filtro recursivo o IIR tendr´ entonces una funci´n de transferencia como a o r (13.4. de aqu´ surge el apelativo de filtros IIR (Infinite o ı Impulse Response).6) kj j=1 i=0 m 1+ z −j de donde se observa que H(z) tiene m polos con m ≥ 1 o sea que es posible que el filtro sea inestable. 13. Cuando estos se encuentran por dise˜ o muy cerca del c´ n ırculo unitario.

as´ se tiene finalmente que ı H(z) = G Z L−1 {Ha (s)Xa (s)}|t=kTs Z{x(kTs )} (13.10) Tomando la transformada Z y despejando H(z) conduce a H(z) = L−1 {Ha (s)Xa (s)} t=kTs Normalmente se introduce aqu´ un factor constante G que permite ajustar la gananı cia del filtro de modo que se obtenga la respuesta de frecuencia en el nivel deseado.9) (13.TEMA 13. FILTROS DIGITALES 106 x(t) H(s) X(s) y(t) A/D y(nTs ) Y (s) Ts Y (z) x(t) A/D x(nTs ) H(z) y(nTs ) X(s) Ts X(z) Y (z) Figura 13.11) Esta es la ecuaci´n general del dise˜ o invariante ante la se˜ al de entrada x(t). n de la figura 4a se tendr´ que a y(t) = L−1 {Ha (s)Xa (s)} y por lo tanto al evaluar en t = kTs . o n n .4: Dise˜ o invariante. se obtiene y(kTs ) = L−1 {Ha (s)Xa (s)} De otro lado se observa de la figura 1b que yk = Z −1 {H(z)X(z)} se obtiene entonces Z −1 {H(z)X(z)} = L−1 {Ha (s)Xa (s)} 1 Z X(z) t=kTs t=kTs (13.

15) Esta ecuaci´n es la forma general que determina a H(z) por medio del dise˜ o ino n variante al impulso dado que el sistema anal´gico que quiere emularse tiene una o respuesta al impulso ha(t) . Como L{x(t)} = L{δ(t)} = 1 si se toma al impulso de tiempo discreto como la versi´n muestreada del impulso de o tiempo continuo. y se obtiene finalmente m H(z) = Ts i=1 1− Ki −si Ts z −1 e (13. podr´ hacerse a H(z) = G Z L−1 {Ha (s)}|t=kTs Z{δk } = GZ{ha (kTs )} (13. FILTROS DIGITALES 107 Entre los dise˜ os invariantes el m´s usado es el dise˜ o invariante al impulso para n a n el cual x(t) = δ(t). n Soluci´n: La funci´n de transferencia del filtro anal´gico es la siguiente.12) donde ha (t) es la respuesta impulsiva del sistema anal´gico que va a emularse. En o general puede escribirse m ha (t) = L {Ha (s)} = o sea que ha (kTs ) = i=1 m m −1 Ki e−si t u(t) i=1 (13.TEMA 13. o o o Ha (s) = 1. Ejemplo: Obtener un filtro digital que emule un filtro anal´gico con funci´n de o o transferencia Ha (s) usando el dise˜ o invariante al impulso.7751x1011 (s + 3936)(s2 + 3936s + 4.14) Se hace G = Ts para igualar las funciones de transferencia.5097x107 ) .13) Ki e−si Ts k uk Ki Z{e−si Ts k uk } Z{ha (kTs )} = m i=1 = i=1 1− Ki −si Ts z −1 e (13.

S´ ıntesis en el dominio de la frecuencia Este m´todo se basa en tener ciertas correspondencias entre el dominio frecuene cial de tiempo continuo y el dominio frecuencial de tiempo discreto.TEMA 13.01969 + j0.2.9569z −1 + 0.06421 z −1 H(z) = 8.9614z 1 − 0. FILTROS DIGITALES 108 y ser puede expandir en fracciones parciales as´ ı Ha (s) = 1968 − j603 1968 + j603 3936 − − s + 3936 s + 1968 + j6421 s + 1968 + j6421 Si el filtro va a ser usado en audio de alta fidelidad la frecuencia de muestreo debe ser por lo menos fs = 2 × 20KHz = 40KHz. Para dar un mayor margen de seguridad se escoge fs = 100KHz y el periodo de muestreo ser´ Ts = 10µseg.00603 0.6.6526x10−5 z −2 (1 − 0.06421 z −1 1 − 0. a Ya que cada t´rmino de Ha (s) es de la forma e Ki s + si da lugar a un termino de ha (t) de la forma Ki e−si t u(t) y en H(z) da lugar a un t´rmino de la forma e Ki 1 − e−si Ts z −1 Para el dise˜ o invariante al impulso queda entonces n H(z) = 3936Ts (1968 − j603)Ts (1968 + j603)Ts − − 3936Ts z −1 (1968+j6421)Ts z −1 1−e 1−e 1 − e(1968+j6421)Ts z −1 Queda entonces H(z) = o mejor 0.712x10−5 z −1 + 8. el cual es el tema de atenci´n en el presente e o segmento.01968 − j0.9614z −1 )(1 − 1.9805ej0.9805e 1 − 0. Bajo esta perspectiva existen varios tipos de trasformaciones que cumplen con este objetivo pero uno de los mas empleados en el dise˜ o de filtros digital es el correspondiente al n m´todo de la transformada bilineal.03936 0.00603 − − −1 −j0.9614z −2 ) 13. En el m´todo anterior se trat´ de igualar las respuestas de los filtros digital y e o anal´gico en el dominio del tiempo por lo que se trat´ de un m´todo de dise˜ o en o o e n .

18) Donde esta ecuaci´n muestra la compresi´n que se logra en el eje de Ω por la o o transformaci´n dada en esta compresi´n logra que el rango de Ω entre −∞ y ∞ sea o o mapeado (transformado) en el rango de Ω1 entre −π/Ts y π/Ts . Se dec´ que C era alguna constante apropiada.16) La funci´n de transferencia obtenida ser´ entonces Ha (jΩ1 ) donde se tiene que o a Ω = CT an(Ω1 Ts /2) (13.TEMA 13. o o Lo anterior muestra que solamente se podr´n emular sistemas anal´gicos de banda a o limitada (o sea con Ha (jΩ) = 0 para |Ω| > π/Ts ) por sistemas de tiempo discreto con funci´n de transferencia H(ejw ) y un per´ o ıodo de muestreo Ts . Una transformaci´n que cumple con esta condici´n es o o Ω = CT an(ω/2) donde C es una constante apropiada. La transformaci´n que se busca entre s y z ha de lograr entonces que el rango o de Ω entre −∞ e ∞ para Ha (jΩ) corresponda al rango de w entre −π y π para H(ejw ). punto que ser´ denotado u a por Ωr . as´ que una de las ideas de este m´todo en el dominio de la frecuencia ı e es evitar a toda costa que el dise˜ o presenta aliasing (en su funci´n de transferencia). n o Siguiendo las ideas planteadas lo que se buscar´ es una transformaci´n (en prina o cipio no lineal del plano s al plano z que evite el aliasing. Se sabe que cualquier funci´n de transferencia o jw de tiempo discreto H(e ) es peri´dica en ω con per´ o ıodo 2π de modo que es totalmente definida por sus valores en el intervalo −π < ω < π (los otros valores constituyen la repetici´n peri´dica de este per´ o o ıodo). o sea que para que Ω = Ω1 = Ωr se tiene Ωr = C tan(Ωr Ts /2) . En el dise˜ o invariante se presenta el problema n n del aliasing (esta es una de las razones fundamentales para incluir el factor corrector de ganancia G). En cambio la funci´n de transo ferencia anal´gica Ha (jΩ) debe ser definida para todo Ω ya que no es peri´dica. Ahora se busca un m´todo que haga corresponder a una e funci´n de transferencia anal´gica Ha (s) una funci´n de transferencia de tiempo o o o discreto H(z) de tal modo que haya alguna similaridad en sus formas de acuerdo con el dise˜ o de filtro que se requiera. Al realizar la anterior transformaci´n se obtendr´ una funci´n de transferencia o a o equivalente diferente a la funci´n de transferencia original Ha (jΩ) por lo que se o cambia Ω por una Ω1 donde w = Ω1 Ts (13. de tal forma que cualquier funci´n de transferencia anal´gica Ha (s) pueda convertirse en una funci´n de transo o o ferencia de tiempo discreto H(z). FILTROS DIGITALES 109 el dominio del tiempo. esta se elige para lograr que alg´ n ıa u punto del eje de Ω coincida con alg´ n punto de eje de Ω1 .17) (13.

o H(s) para filtros anal´gicos y H(z) para filtros digitales.7.22) donde C est´ dada por las ecuaciones anteriores y Ωr es la frecuencia en la cual las a funciones de transferencia deseada y dise˜ ada coinciden. si se hace s = jΩ y z = ejw .19) Ya se tiene que la transformaci´n dada es util para los fines que se buscan pero falta o ´ expresarla en t´rminos de s y z.TEMA 13. Comentarios El dise˜ o de los filtros consiste en obtener una aproximaci´n anal´ n o ıtica a la caracter´ ıstica deseada del filtro en forma de funci´n d e transferencia. e Multiplicando la ecuaci´n por la unidad imaginaria j se obtiene o jΩ = CjT an(w/2) pero como jT an(x) = T anh(jx) se logra jΩ = CT an(jw/2) y si se recuerda que ex − e−x T anh(x) = x e + e−x ejw/2 − e−jw/2 1 − e−jw =C ejw/2 + e−jw/2 1 + e−jw se obtiene que jΩ = C (13. El m´todo de la transformada bilineal consiste entonces en aplicar a la funci´n e o de transferencia deseada Ha (s) la transformada bilineal dada para lograr as´ que ı H(z) sea H(z) = Ha (s)|s=C 1−z−1 1+z −1 (13. es decir.20) Finalmente.21) Esta es la conocida transformada bilineal que transforma el eje imaginario (s = jΩ) del plano s en el c´ ırculo unitario (z = ejw = ejΩTs ) del plano z. FILTROS DIGITALES 110 o mejor C = Ωr cot(Ωr Ts /2) (13. se tiene s=C 1 − z −1 1 + z −1 (13. n 13. o .

o Los friltros digitales est´n sujetos a errores de cuantificaci´n. Ejercicios Ejercicio 13. a o 13.8.1. FILTROS DIGITALES 111 Los firtros digitales IIR se pueden obtener partiendo de dise˜ os anal´gicos n o equivalentes utilizando la t´cnica de invarianza al impulso o la de transformae ci´n bilineal. Realizar un cuadro comparativo entre filtros IIR y FIR. .TEMA 13.2. Dise˜ ar un filtro pasa altos digital con frecuencia de corte fc = n 10000Hz de orden 4. Ejercicio 13.

’s’) Lo mismo que antes. Ws. Rs) Calcula el orden de un filtro pasabajos digital de Butterworth. Ws. pero para un filtro pasobajo anal´gico. Wp y Ws deben ser entre (0. Rp. Ws. Wn] = cheb1ord( Wp. Para calcular el orden de otros tipos de filtro (pasoalto. Rp. Ws. Rs. Las mismas consideraciones que en el caso del filtro de Butterworth. parabanda o pasabanda) deberemos aplicar primero las respectivas transformaciones al prototipo de filtro pasobajo. Rp. Wp la parabanda.1. N es el orden del filtro y Wn la frecuencia de 3 dB. [N. Wn] = buttord( Wp.1). Rp. A. tanto anal´gicos n o como digitales. y Rp y Rs las atenuaciones respectivas de pasabanda y parabanda en decibelios. siendo 1 la frecuencia de Nyquist (f0 /2). con a las especificaciones dadas. Wn] = buttord( Wp. [N. ’s’) Para el filtro anal´gico o 112 . Wn] = cheb1ord( Wp. Rs. Rs) C´lculo del orden necesario para un filtro digital pasobajo de Chebyshev I. Funciones para determinar el orden de un determinado filtro [N. Aqu´ los valores de o ı Wp y Ws pueden tomar cualquier valor en radianes.´ Apendice A Dise˜ o de Filtros con MATLAB n MATLAB dispone de funciones que facilitan el dise˜ o de filtros. [N. con Ws la frecuencia de pasabanda.

5Hz.0941 ≫ [N.2. 192.3265 ≫ [N. Soluci´n: La frecuencia de muestreo deber´ ser > 2fmax = 400Hz. Wn] = ellipord( Wp.0.4736 ≫ [N.5. Rp. 2* pi* 192. Rs) Filtro digital de Chebyshev II [N. Ws. f3 = 0. 0.2. La frecuencia de pasobajo es f3 − f2 = 20Hz.04.40. Wn]= cheb1ord( 2* pi* 20.4.´ ˜ APENDICE A. Wn]= buttord( 0. Wn]= cheb2ord( 2* pi* 20.1. Recalo o culo f1 .5Hz.385.5.40) . Rs) Filtro digital el´ ıptico [N.04.04. As > 40dB Soluci´n: Hacemos primero la transformaci´n de Pasabanda a Pasobajo.5. Wn]= ellipord( 0.5. ’s’) N = 3 Wn = 2* pi* 41.2. Wn]= cheb1ord( 0. Wn] = cheb2ord( Wp. f1 = 0.385. Wn]= ellipord( 2* pi* 20.06. Wn] = cheb2ord( Wp.40. Se toma o a fs = 1000Hz.40) N = 3 Wn = 0. Ap < 2dB.2. Rs.3006 ≫ [N. ’s’) Filtro anal´gico de Chebyshev II o [N. ’s’) N = 2 Wn = 2* pi* 162. y la frecuencia de pasoalto es f4 − f1 = 192. f 2 = 0.40) N = 2 Wn = 0.2.0. Parabanda < 5Hz y > 200Hz.40.40. Elegir la frecuencia de muestreo.04. DISENO DE FILTROS CON MATLAB 113 [N. Recalculamos f1 de acuerdo con Tabla 2.2. Normalizando las frecuencias con respecto a la frecuencia de Nyquist (fs /2): f1 = 0.2* pi* 192. Rp. Rp. Ws. Wn] = ellipord( Wp. ’s’) N = 2 Wn = 2* pi* 20 ≫ [N. Wn]= buttord( 2* pi* 20. pero con filtros digitales. ’s’) Filtro anal´gico el´ o ıptico Ejemplo 1: Determinar el orden necesario para un filtro anal´gico pasabanda o con las siguientes especificaciones y para todos los tipos de filtros vistos: Pasabanda 30 − 50Hz . o ≫ [N. Wn]= cheb2ord( 0. Rp. 2* pi* 192.40) N = 2 Wn = 0. Ws. f4 = 0. ’s’) N = 2 Wn = 2* pi* 20 Ejemplo 2: Lo mismo de antes. Ws.2. f1 = f2 f3 /f4 = 7.01.2.04 ≫ [N.0.015 y hacemos la Transformaci´n a pasobajo. Rs. ≫ [N.385.385.

1). los vectores B y A son los n o coeficientes del filtro anal´gico correspondiente. [B. Para dise˜ ar un filtro de n pasoalto. Se deben especificar el orden del filtro n N. n [B. DISENO DE FILTROS CON MATLAB 114 N = 2 Wn = 0. A] = ellip( N. A] = cheby2( N. A] = butter( N. A˜ adiendo a los comandos anteriores la opti´n ‘s’. Wn es en este caso un n vector que especifica las frecuencias de pasabanda.´ ˜ APENDICE A. pasabanda y n parabanda se siguen las mismas reglas que en el dise˜ o de filtros de Butterworth. en orden decreciente de un filtro de Butterworth digital. Wn. R. Rp.Wn) y la parabanda es (Wn. El aliasing no ser´ tan significativo ya que a el la respuesta de filtro a esas frecuancias es muy peque˜ a (> 40dB). R. ’high’) Comando para dise˜ ar un filtro de pasaalto.1). A] = cheby1( N. Wn) B y A son los coeficientes del numerador y del denominador respectivamente. Para dise˜ ar filtros de pasoalto. A] = butter( N. Sigue siendo v´lido lo que se meno a . [B.04 Se puede obtener un filtro de menor orden si utilizamos una frecuencia de muestreo menor (por ejemplo. n A. Rs. pero R es el rizado de parabanda. La pasabanda es (0. el comando a escribir es: [B. Para dise˜ ar un filtro pasobajo Wn es un escalar entre n (0. Funciones para determinar los coeficientes del filtro [B. n [B.[W1 W2]) Comando empleado para dise˜ ar un filtro rechazabanda. Wn) Rp y Rs son los rizados de pasabanda y parabanda. donde [W1 W2] son las frecuencias de n la banda rechazada.[W1 W2]. Wn) Lo mismo que antes. ’stop’) comando para dise˜ ar un filtro rechazabada. [B. donde Wn es un escalar. A] = butter( N. 500). el rizado de pasabanda permitido R y la frecuencia de corte normalizada con respecto a la frecuencia de Nyquist.A] = butter( N.2. Wn) Dise˜ o de filtros digitales de Chebyshev I. El valor de Wn debe estar normalizado con la frecuencia de Nyquist. N es el orden del filtro (calculado previamente) y Wn es la frecuencia de corte.

2* pi*[ 30 50].0000 0.7776] ≫ [B.0000 -5.0059 3.1338 -16.0000 1.[ 0. ’s’) B = 1.0000 0. ’s’) B = 1.2196] A = [1.0000 0. R.0000 0. Chevyshev II y El´ ıptico).6588 0. ’s’) Ejemplo 1: Dise˜ ar el filtro anal´gico con las especificaciones anteriores para n o todos los tipos de filtros estudiados (Butterworth. 2.2* pi*[ 30 50].0000] A = 1. 5906 0.0000 -3.5067] ≫ [B. pasabanda y parabanda.06 0.0015 3. Chevyshev II y El´ ıptico).0001 0.4667 -3. 2.[ 0. Rs. Soluci´n: La frecuencia de muestreo elegida es fs = 1000Hz.5792 13.0001 0.2* pi*[ 30 50].40. A] A] A] A] = = = = butter( N.0383 0.6588 0. 0e+ 014 * [0. o ≫ [B. Rp. 0e+ 007 * [0. 0000 -0. 0e+ 009 * [0.0025 0 -0. DISENO DE FILTROS CON MATLAB 115 cion´ anteriormente acerca del dise˜ o de filtros pasoalto. A]= ellip( 2.0000 0. A]= cheby2( 2. ’s’) B = 1. o n pero Wn puede tomar cualquier valor en radianes (no est´ limitado entre (0.0000 -0.0049 0.003 * [0. 0e. Wn. ’s’) B = 1.6956 -3.9753] ≫ [B.0088 2. 1]) B = [0. Chebyshev I.0000 0.0000 0.0000 0. [B. 40.2196 0.1]) B = [0. ’s’) ellip( N. A]= cheby2( 2.0000 0.1]) .1]) B = 1.0000 3. 0000 0.´ ˜ APENDICE A.0000 0.06 0.1)): a [B.0001 0.0002 0. Wn.8577 5.0000 0. 0771 -4.6913 12.0000 -3. A]= ellip( 2. A]= butter( 3. R.9040] ≫ [B.[ 0. 0e+ 009 * [0. Wn. 06 0. 8097 0.0324 0.0000 0.5067] ≫ [B.0000 0. ’s’) cheby2( N. 2* pi*[ 30 50].0000 0. 0e+ 007 * [0. 0383 0. Chebyshev I.5120] A = 1.0000 0.0100 -0.0001 0.0000 0.0100] A = [1. A]= butter( 3.0000 0.06 0.0012 0.0025] A = [1.0000 0. 0e+ 006 * [0 0.0000] A = 1.0000 1.0766] ≫ [B.5067] Ejemplo 2: Dise˜ ar el filtro digital con las especificaciones anteriores para todos n los tipos de filtros estudiados (Butterworth. 2. 0e+ 004 * [0 0.[ 0. ’s’) cheby1( N. 40.40. Soluci´n: Utilizaremos los resultados del anterior ejercicio. 0e+ 009 * [0.0568 -0.9844 0.5067] A = 1.0000 3.0000 0. 2.7177 0. [B. A]= cheby1( 2.0060 3. A]= cheby1( 2.7768 5. Wn. o ≫ [B. [B.

Bdi = [.0333 -0.0000 -0.41187.0001 0.0499 -0.0369 0.9158] .0000 1. A] = butter( N. Solucion: Predistorsionamos las frecuencias que nos piden [5 30 50 200] Hz → [0.31676]. Fs) Hace la transformaci´n invariante al impulso de la funci´n de Transferencia en s o o definida por los vectores de coeficientes B y A.0000 0.0770 -4.0000] A = [1. Wn] = buttord( 0.6589 0. A.31676 1. A. 40.0000 0. ≫ [N. Los coeficientes de este filtro fueron calculados anteriormente y eran.6589 0. 0000 0.0000 0. o ≫ B = 1. dise˜ o el filtro anal´gico (no hay predistorn o si´n).12772.7177 0. e [Bz. 0021 0.0000 0. Funciones para hacer transformaciones de s az [NUMd. Fs) Hace la Transformaci´n bilineal entre la funci´n de Transferencia en s dada por los o o coeficientes NUM y DEN.1338 -16. A. 2196 0. 18904 0. 5922 0.5839 2. 0000 -1. 0369 0.2. Adi] = impinvar( B.7776] Por la respuesta invariante al impulso.5792 13. 0000 0. 1.0000 -5.9046] A.0000 -0. a una frecuencia de muestreo de Fs Hz.03149 0.8862 0. 6913 12.0160] Adi = [1.2123 0. a la funci´n de Transferencia en z dada por NUMd y o DENd. Ad] = bilinear( B.0766].0120] A = [1.0120 -0.3 *[ 0. ≫ A = 1.0127 0. ≫ [Bdi. 0088 2.9844 0.0002] ≫ [Bd. DEN.3042 ≫ [B.2.7773 5.´ ˜ APENDICE A. 0e+ 6 *[ 0 0. 2554 0. Se debe especificar tambi´n la frecuencia de muestreo Fs en Hz. Az] = impinvar( B.0000 0.45308] rad Dise˜ amos el filtro anal´gico para estas fren o cuencias.0000 0.0000 0. DENd] = bilinear( NUM.0000 0.’s’) N = 3 Wn = 0. 0009 0.3. 1000). Ejemplo: Transformar el filtro anal´gico de Butterworth dise˜ ado anteriormente o n en un filtro digital (Fs = 1000KHz).4682 -3. 0327 0.[ 0.0000 0.18904 0.0e+ 14 *[ 0. 1) Bd = 1e.0000 0.0000]. DISENO DE FILTROS CON MATLAB 116 B = [0.8959 0. ’s’) B = [0 0. 0000 0.0000 -3.2196] Ad = [1.

window) La funci´n fir2 interpola la respuesta frecuencial deseada (F.4. B = fir2( N. se crea una regi´n de o lap puntos alrededor de este punto (por defecto. A. H = freqs( B. Wn. lap= 25). que es la respuesta frecuencial al filtro u .M) con npt puntos (por o defecto. Wn. M.5. F debe estar entre 0 y 1. usa la ventana de Hamming. Funciones para obtener la respuesta frecuencial de un filtro Para filtros anal´gicos o A. en orden creciente. window) Dise˜ a un filtro FIR utilizando el m´todo del muestreo frecuencial. a a o B = fir2( N. El par´metro window indica el tipo de ´ a ventana a utilizar. bartlett( N+1)) B = fir1( N. Otro tipo de ventanas o pueden tambi´n especificarse: e B = fir1( N.[ W1 W2]. Por defecto. chebwin( N+1.1. Comandos para dise˜ o de filtros FIR n B = fir1( N. de forma que plot(F. ’high’.´ ˜ APENDICE A. F. Se pueden especificar otro tipo de filtros de la misma forma que con los filtros IIR mediante el par´metro type. DISENO DE FILTROS CON MATLAB 117 A. Los par´metros n e a de entrada es el orden del filtro N (longitud N+1) y dos vectores F y M que especifican la frecuencia y la magnitud. ’stop’) Por defecto la funci´n FIR usa la ventana de Hamming. Si dos valores sucesivos de F son iguales. npt= 512).R)) B = fir2( N.M) es una gr´fica de la a respuesta deseada del filtro. Se pueden indicar saltos bruscos en la respuesta frecuencial duplicando el valor de la frecuencia de corte. para un filtro rechaza banda: a B = fir1( N.5. type. F. window) Dise˜ a un filtro FIR pasa bajo de orden N (longitud N+ 1) y frecuencia de corte n Wn (normalizada con respecto a la frecuencia de Nyquists. M. lap. W) Devuelve el vector H de n´ meros complejos. M. Por ejemplo. Wn. ’bartlett( N+ 1)’) Se pueden especificar m´s par´metros en esta funci´n. siendo el primer elemento igual a 0 y el ultimo 1. F. A. npt. 0 ≤ W n ≤ 1).

unwrap( angle( H))) Dibuja la fase de la respuesta frecuencial del filtro. plot( W. . Para ello debemos especificar la respuesta deseada para cada frecuencia. plot( F. Fs) Devuelve el vector H de n´ meros complejos. F es la frecuencia normalizada con respecto a la frecuencia de Nyquist (0-1). Uno de e n e estos m´todos es el de Yule-Walker. A. La respuesta frecuencial o se eval´ a en los puntos especificados por el vector F en Hz. M´s opciones en el Help de MATLAB. gd) Dibuja el retraso de grupo de la funci´n de Transferencia Discreta. plot( F. M´s opciones en u a el Help de MATLAB. A]= yulewalk( N. abs( H)) Dibuja la magnitud de la respuesta frecuencial del filtro. a o plot( F. Para u m´s opciones de esta funci´n ver el Help de MATLAB. a gd = grpdelay( B. F. M) N es el orden del filtro y F y M son dos vectores de igual longitud. A. que es la respuesta frecuencial al filtro u cuya funci´n de transferencia en z viene dada por B y A. A. La funci´n unwrap hace que no o haya discontinuidad en la fase por el paso de +π a −π. o Tambi´n podemos dise˜ ar filtros digitales mediante m´todos recursivos. que calcula los coeficientes del filtro de orden e N utilizando m´ ınimos cuadrados. ´ M es el vector que especifica la maginitud de la respuesta para cada elemento de F. F. La respuesta frecuencial o se eval´ a en los puntos especificados por el vector W en radianes. DISENO DE FILTROS CON MATLAB 118 cuya funci´n de transferencia en s viene dada por B y A. abs( H)) Dibuja la magnitud de la respuesta frecuencial del filtro. unwrap( angle( H))) Dibuja la fase de la respuesta frecuencial del filtro. En MATLAB la funci´n se denonima “yulewalk”: o [B. siendo la frecuencia de u mustreo Fs Hz. Fs) Calcula retraso de grupo (dφ/dt) de la funci´n de Transferencia formada por los o polinomios B y A Se eval´ a en los puntos especificados por W en radianes. Debe estar en orden creciente y el primer y ultimo elemento del vector deben ser 0 y 1 respectivamente.´ ˜ APENDICE A. plot( W.5. F.2. Para filtros digitales H = freqz( B.

7811 0. A]= yulewalk( 5. y su respuesta la rota y le vuelve a aplicar el mismo filtro. Existe otra funci´n llamada “f iltf ilt”. A. Soluci´n: Primero hay que elegir una frecuencia de muestreo.3155 0. 708 0 0]) B = [0. ≫ [B.´ ˜ APENDICE A. cuando dise˜ emos un filtro digital nos interesar´ poder aplicar ese n a filtro a una se˜ al temporal. 6490 0. 0577] ≫ H = 20* log10( abs( freqz( B. 5000))) ans = -0. 5031 0. A. La respuesta final evita la distorsi´n de fase o propia de los filtros IIR. x) El vector x es la entrada y el vector y es la salida filtrada. Calcular las atenuaciones a 1KHz y e 2KHz. n o y = filter( B. Fs).0000 0. B y A son los coeficientes del filtro digital. Tomamos fs = o 5KHz. ≫ semilogy( F. Fs= 5000.[ 1 1 0. M´s detalles en el Help de MATLAB. 4675 0. DISENO DE FILTROS CON MATLAB 119 Ejemplo: Dise˜ ar un filtro digital pasobajo de orden 5 con frecuencia de corte n fc = 1.[ 1000 2000]. Eso se consigue con la funci´n de MATLAB “f ilter”. pero hace dos filtrados.3284 0. x) .9538 % En decibelios ≫ F= 0: 10: 2500.3KHz. que funciona de la misma manera que o “f ilter”.5046 0. abs( Hz)). por el m´todo de Yule-Walker. 2422 -20. A. 5. Finalmente. 8087 0.[ 0 1 1. Primero filtra el vector x .3 2 2. F. ≫ Hz = freqz( B.1355 0. 5]/ 2. A. a y = filtfilt( B. 1492] A = [1.

n Samir S. Soliman & Mandyam D.Bibliograf´ ıa [1] Transmisi´n de informaci´n. [4] Aprenda Matlab 4.modulaci´n y ruido. Prentice Hall. Willsky. o o o Mischa Schwartz. Oppenheim & Alan S. n Alan V. Mc Graw Hill. Srinath. [5] Tutorial de MATLAB. 120 . Francisco Godi˜ o Cevallos. n Red de informacion cientifica. Prentice Hall.2 como si estuviera en Primero Javier Garc´ de Jal´n de la Fuente & Rufino Go˜ i Lasheras ıa o n Universidad de Navarra. [2] Se˜ ales y sitemas continuos y discretos. [3] Se˜ ales y sistemas.

Sign up to vote on this title
UsefulNot useful