Академический Документы
Профессиональный Документы
Культура Документы
Seales y Sistemas
Collection Editor: Richard Baraniuk Authors: Thanos Antoulas Richard Baraniuk Steven Cox Benjamin Fite Roy Ha Michael Haag Don Johnson Ricardo Radaelli-Sanchez Justin Romberg Phil Schniter Melissa Selik JP Slavinsky Ricardo von Borries Translated By: Fara Meza Erika Jackson
CONNEXIONS
Rice University, Houston, Texas
This selection and arrangement of content is licensed under the Creative Commons Attribution License: http://creativecommons.org/licenses/by/2.0/
Table of Contents
1 Seales 1.1 Clasicacin y Propiedades de las Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Operaciones para Seales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.3 Seales tiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.4 Funcin de Impulso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5 El Exponencial Complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.6 Seales en Tiempo-Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 1.7 Exponencial Complejo Discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2 Sistemas 2.1 Clasicacin y Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.2 Propiedades de los Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ?? 3 Anlisis de Sistemas de Tiempo Continuo en el Dominio del Tiempo 3.1 3.2 3.3 3.4
Sistemas Lineales CT y Ecuaciones Diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Convolucin de Tiempo-Continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Propiedades de la Convolucin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Estabilidad BIBO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
??
4 Anlisis de Sistemas Discretos en el Dominio del Tiempo 4.1 4.2 4.3 4.4
Anlisis en el Dominio del Tiempo para Sistemas Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Convolucin Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 Convolucin Circular y el DFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68 Ecuaciones de Diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5 Repaso de Algebra Lineal 5.1 5.2 5.3 5.4 5.5 5.6 5.7
Algebra Lineal: Conceptos Bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 Conceptos Bsicos de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 Eigenvectores y Eigenvalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 Diagonalizacin de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 Generalidades de Eigenvectores y Eigenvalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 Eigenfunciones de los Sistemas LTI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 Propiedades de la Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6 Series Fourier del Tiempo Continuo 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 6.9 6.10 6.11 6.12
Seales Peridicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 Series de Fourier: El Mtodo de Eigenfunciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96 Derivacin de la Ecuacin de Coecientes de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 Generalidades de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 Propiedades de la Serie de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 Propiedades de Simetra de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 Propiedad de Convolucin Circular de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110 Series de Fourier y los Sistemas LTI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 Convergencia de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114 Condiciones de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 El Fenmeno de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Resumen de las Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
iv
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7 Espacios de Hilbert y Expansiones Ortogonales 7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 7.10 7.11 7.12 7.13
Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 Normas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 Producto Interno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 Espacios de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 Desigualdad de Cauchy-Schwarz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 Espacios de Hilbert comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 Tipos de Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 Expansin de Bases Ortonormales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146 Espacio de Funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150 Base de la Ondoleta de Haar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151 Bases Ortonormales en Espacios Reales y Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 Teoremas de Plancharel y Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160 Approximacin y Proyeccin en el Espacio de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 161
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
8 Transformada Discreta de Fourier 8.1 Anlisis de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165 8.2 Anlisis de Fourier en Espacios Complejos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166 8.3 Ecuacin de Matriz para la DTFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173 8.4 Extensin Peridica de las DTFS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 8.5 Desplazamientos Circulares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
??
Transformada de Fourier Discreta en el Tiempo (DTFT) 11.1 11.2 11.3 11.4 11.5 11.6 11.7
Tabla de Transformadas de Fourier Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205 Transformacin Discreta de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206 Transformada Discreta de Fourier (DFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208 Transformada de Fourier Discreta en el Tiempo (DTFT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210 Propiedades de la Transformada de Fourier Discreta en el Tiempo . . . . . . . . . . . . . . . . . . . . . . . . 211 Par de la Transformada de Fourier Discreta en el Tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212 Ejemplos de DTFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
13 Teorema de Muestreo
Muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 225 Reconstruccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 Ms sobre Reconstruccin Perfecta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234 Teorema de Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236 Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238 Filtros Anti-Aliasing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241 Procesamiento de Tiempo Discreto de Seales de Tiempo Continuo . . . . . . . . . . . . . . . . . . . . . . . 243
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
14 Transformada de Laplace y Diseo de Sistemas 14.1 14.2 14.3 14.4 14.5 14.6
La Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249 Propiedades de la Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251 Tabla de Transformadas de Laplace Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253 Regin de Convergencia para la Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253 La Transformada Inversa de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255 Polos y Ceros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
??
15 La Transformada Z y Filtros Digitales 15.1 15.2 15.3 15.4 15.5 15.6 15.7 15.8
La Transformada Z: Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261 Tabla de Transformadas-Z Comunes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266 Regin de Convergencia para la Transformada- Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267 La Transformada Inversa de Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276 Funciones Racionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279 La Ecuacin de Diferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281 Entendiendo las Gracas de Polos y Ceros en el Plano-Z . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . 284 Diseo de Filtros usando la Graca de Polos y Ceros de la Transformada-Z . . . . . . . . . . . . . . . 288
Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
??
16 Tareas 16.1 Homework 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293 16.2 Homework 1 Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297 Solutions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ?? Glossary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309 Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313 Attributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
vi
Chapter 1
Seales
1.1 Clasicacin y Propiedades de las Seales1
1.1.1 Introduccin
Este mdulo explicar algunos fundamentos para la clasicacin de seales. en algunas discusiones como la de seales de energa vs. seales de potencia Es bsicamente una lista de
2
deniciones y propiedades que son fundamentales para la discusin de seales y sistemas. Deber notar que han sido asignadas con su propio mdulo para una discusin mas completa, y no van a ser incluidas.
discreto o continuo (Figure 1.1). Una seal continua en el tiempo tendr un valor
En contraste a esto, una seal discreta
3
para todos los nmeros reales que existen en el eje del tiempo.
(Section 1.6)en el tiempo es comnmente creada utilizando el Teorema de Muestreo igual y son creados en el eje del tiempo.
seal continua, de esta manera la seal nada mas tendr valores en los espacios que tienen una separacin
1 This content is available online at <http://cnx.org/content/m12818/1.8/>. 2 "Signal Energy vs. Signal Power" <http://cnx.org/content/m10055/latest/> 3 "The Sampling Theorem" <http://cnx.org/content/m0050/latest/>
CHAPTER 1.
SEALES
Figure 1.1
anlogo y lo digital es muy similar a la diferencia entre el tiempo continuo y el tiempo y continuo, mientras lo digital corresponde al eje y discreto. Un
discreto. Sin embargo, en este caso, la diferencia es con respecto al valor de la funcin (eje de las ordenadas) (Figure 1.2). Anlogo corresponde al eje ejemplo de una seal digital es una secuencia binaria, donde la funcin solo tiene valores de cero o uno.
Figure 1.2
no se repiten(Figure 1.3). Podemos denir una funcin peridica mediante la siguiente expresin matemtica,
f (t) = f (T + t)
El
(1.1)
f (t),
es el valor ms pequeo de
de la (1.1).
(a)
(b)
Figure 1.3:
(a) Una seal peridica con periodo T0 (b) Una seal Aperidica
tienen valor cero en el tiempo positivo. Las seales positivo y negativo(Figure 1.4).
causales son seales que tienen valor de cero en el tiempo negativo, y las seales anticausales nocausales son seales con valor de cero en el tiempo
CHAPTER 1.
SEALES
(a)
(b)
(c)
Figure 1.4:
(a) Una seal causal (b) Una seal anticausal (c) Una seal nocausal
seal par es cualquier seal f (t) que satisface f simtricas en el eje vertical.
(Figure 1.5).
(t) = f (t).
Una
que satisface
f (t) = (f (t))
(a)
(b)
Figure 1.5:
Usando las deniciones de par e impar, podemos demostrar que cualquier seal se puede escribir como una combinacin de una seal par e impar. Cada seal tiene una descomposicin par-impar. Para demostrar esto, no tenemos ms que examinar una ecuacin.
f (t) =
(1.2)
Al multiplicar y sumar esta expresin, demostramos que lo explicado anteriormente es cierto. Tambin se puede observar que impar (Figure 1.6).
f (t) + f (t)
Example 1.1
CHAPTER 1.
SEALES
(a)
(b)
(c)
(d)
Figure 1.6: e (t) = 1 (f (t) 2
(a) Esta seal ser descompuesta usando la descomposicin Par-Impar (b) Parte Par: 1 (f (t) f (t)) (d) Revisa: e (t) + o (t) = f (t) 2
determinstica es una seal en la cual cada valor est jo y puede ser determinado por una
Los valores futuros de esta seal pueden ser calculados usando sus
valores anteriores teniendo una conanza completa en los resultados. Una con exactitud, solo se pueden basar en los promedios (Figure 1.7).
5
uctuacin respecto a su comportamiento. Los valores futuros de una seal aleatoria no se pueden predecir de conjuntos de seales con caractersticas similares
(a)
(b)
Figure 1.7:
f (t) = 0 para t < t1 < , y una seal de hemisferio-izquierdo es denida como cualquier seal donde f (t) = 0 para t > t1 > . Las siguientes guras son un ejemplo de esto (Figure 1.8). Las dos guras empiezan en t1 y luego se extienden a innidad positiva o negativa con casi todos los valores siendo cero.
4 "Introduction to Random Signals and Processes" <http://cnx.org/content/m10649/latest/> 5 "Random Processes: Mean and Variance" <http://cnx.org/content/m10656/latest/>
CHAPTER 1.
SEALES
(a)
(b)
Figure 1.8:
si tiene un valor
que
innito
> y t2 < . Se puede ver un ejemplo en Figure 1.9. De igual manera, una seal de tamao f (t), es denida con valores no-cero para todos los nmeros reales: f (t)
nito.
Figure 1.9:
Seal de tamao nito. Note que solo tiene valores que no son cero en un conjunto, intervalo
6 This
10
CHAPTER 1.
SEALES
Figure 1.10:
Figure 1.11:
Example 1.2
Las seales cambiadas y escaladas en el tiempo pueden ser contrarias unas de las otras. como se debera ver la seal despus de ciertas operaciones. Este ejemplo muestra una manera de practicar estas operaciones hasta que desarrolle un sentido de
11
Dado
f (t)
, graque
f ( (at)).
(a)
(b)
(c)
Figure 1.12: (a) Empieze con f (t) (b) Luego remplace t con at para obtener f (at) (c) Finalmente, ` ` b b remplace t con t a para obtener f a t a = f (at b)
12
CHAPTER 1.
SEALES
Figure 1.13:
1.3.1 Senosoidales
Probablemente la seal elemental ms importante que usted usar es el senosoidal evaluado en su parte real. En su forma de tiempo-continuo, la forma general de la funcin se expresa as
x (t) = Acos (t + )
donde
es la amplitud,
es remplazado con
es la frecuencia, y representa el desplazamiento. 2f t. Las seales senosoidales son peridicas, esto hace 2
T =
(1.4)
7 This
13
Figure 1.14:
Senosoidal con A = 2, w = 2, y = 0.
en una parte crtica para el estudio de seales y sistemas. La expresin general se escribe de la siguiente
f (t) = Best
donde
(1.5)
s,
siendo
la frecuencia:
s = + j
Por favor vea el mdulo de Exponencial Complejo (Section 1.5) o los mdulos de las otras seales elementales .
8
f (t) = Bet
donde
(1.6)
son parmetros reales. Las funciones de exponencial complejo oscilan, sin embargo, esta seal
, cuando cuando
<0 >0
14
CHAPTER 1.
SEALES
(a)
Figure 1.15:
(b)
Ejemplos de Exponenciales Reales (a) Exponencial que decae (b) Exponencial que Crece
impulso unitario (Section 1.4) (o la funcin delta de Dirac) es una seal que tiene
Mientras en el mundo de ingeniera esta seal es til y ayuda a entender muchos
una altura innita y un ancho casi inexistente. Sin embargo, por la manera que es denida, al ser integrada da un valor de uno. en conceptos, algunos matemticos tienen problemas con esta al ser llamada funcin, porque no est denida
t = 0.
Los ingenieros se evitan este problema al mantenerla denida con una integral. El impulso unitario
(t)
La propiedad ms importante de esta funcin es demostrada con la siguiente integral:
(t) dt = 1
(1.7)
0 if t < 0 u (t) = 1 if t 0
(1.8)
15
1 t
(a)
Figure 1.16:
1 t
(b)
Funciones Bsicas del Escaln (a) Escaln unitario de Tiempo-Continuo (b) Escaln unitario de Tiempo-Discreto
Note que esta funcin es discontinua en el origen; sin embargo no se necesita denirla en este punto ya que no es necesario en la teora de la seal. La funcin de Escaln unitario es una seal muy til para probar y denir otras seales. Por ejemplo, usando varias de estas seales movidas en el tiempo y multiplicadas por otras seales, se puede obtener alguna porcin de la seal por la que fue multiplicada y eliminar el resto.
r (t) =
0 if t < 0
t t0 if
0 t t0
(1.9)
1 if t > t0
16
CHAPTER 1.
SEALES
1 t0
Figure 1.17:
Funcin Rampa
a 2
a+ 2
lim0,
0
tiende a innito conforme su rea total permanece constante con un valor de uno. La funcin del impulso usualmente se escribe como
(t).
(t) dt = 1
(1.10)
9 This
17
Figure 1.18:
Por que es difcil dibujar algo que es innitamente alto, nosotros representamos la Delta de Dirac con una echa centrada en el punto donde es aplicada. Si queremos escalarla, podemos escribir el valor de escalamiento a un lado de la echa. Este es un muestreo unitario ( no tiene escala).
Figure 1.19:
(1.11)
Esta funcin es cero en todas partes excepto en el origen, as que bsicamente estamos eliminando el valor de la funcin de multiplicacin al evaluarla en cero. A primera vista esto no parece tener mayor importancia, porque ya sabemos que el impulso evaluado en cero es innito, y todo lo multiplicado por innito da un resultado innito. Pero, qu pasa si integramos el resultado de la multiplicacin?
18
CHAPTER 1.
SEALES
Propiedad de Desplazamiento
f (t) (t) dt
f (0) (t) dt
= f (0) = f (0)
(t) dt
(1.12)
Finalmente lo que obtuvimos es una simple funcin evaluada en cero. Si hubiramos usado de
(t T )
en vez
propiedad de desplazamiento
de la funcin de Dirac, el cual se usa frecuentemente para denir el impulso unitario. Esta propiedad es muy til al momento de desarrollar la idea de convolucin (Section 3.2) la cual es una de los fundamentos principales para el procesamiento de seales. Al usar convolucin y esta propiedad podemos representar una aproximacin a cualquier resultado de un sistema si se conoce la respuesta al impulso del sistema y su seal de entrada. De clic en el link de convolucin que aparece arriba para mas informacin sobre este tema.
y discreto.
es el escaln unitario.
Impulso de Tiempo-Discreto
1 if n = 0 [n] = 0 otherwise
(1.13)
Figure 1.20:
19
Al analizar una grca de tiempo-discreto de cualquier seal discreta, uno puede notar que todas las seales discretas estn compuestas de un conjunto de muestras unitarias que estn escalados y desplazados en el tiempo. Si dejamos que el valor de una secuencia en cada entero unitaria retrasado que ocurre en de escalamiento.
s [k]
y la muestra
[n k],
como la suma de impulsos unitarios retrasados que son escalados por un valor de la seal, o por coecientes
s [n] =
k=
(s [k] [n k])
(1.14)
Esta descomposicin es una propiedad que solo se aplica a seales de tiempo-discreto y resulta ser una propiedad muy til para estas seales.
note: Usando el razonamiento anterior, nosotros hemos desarrollado la ecuacin(1.14), la cual es
respuesta de impulso es exactamente lo que su nombre implica- la respuesta de un sistema LTI, como
por ejemplo un ltro, cuando la seal de entrada del sistema es un impulso unitario (o muestra unitaria). Un sistema puede ser completamente descrito por su respuesta al impulso por las razones explicadas previamente, ya que todas las seales pueden ser representadas por una superposicin de seales. Una respuesta al impulso da una descripcin equivalente a la dada por una funcin de transferencia de Laplace (Section 14.1) para cada una.
note:
10
y un impulso de tiempo-discreto.
exponencial complejo es una de las seales mas importantes y fundamentales en el anlisis de seales
y sistemas. Su importancia proviene de que sus funciones sirven como una base para las seales peridicas, como tambin sirven para poder caracterizar seales lineales de tiempo invariante (Section 2.1). Antes de continuar, usted debera familiarizarse con los nmeros complejos
12
x,
ex = 1 +
x2 x3 x1 + + + ... 1! 2! 3!
(1.15)
ex =
k=0
1 k x k!
(1.16)
Podemos probar, usando un examen racional, que esta serie converge. De esta manera, podemos decir que la funcin exponencial mostrada arriba es continua y se puede denir fcilmente.
10 "Transfer Functions" <http://cnx.org/content/m0028/latest/> 11 This content is available online at <http://cnx.org/content/m12825/1.6/>. 12 "Complex Numbers" <http://cnx.org/content/m0081/latest/>
20
CHAPTER 1.
SEALES
De esta denicin, podemos probar la siguiente propiedad de las exponenciales que resulta ser muy til, especialmente para los exponenciales que se discutirn en la siguiente seccin.
(1.17)
s,
continuo como:
f (t)
= =
Aest Aejt s
imaginaria,
(1.18)
donde
es una constante,
s = j .
De esta
ecuacin podemos revelar una importante identidad, la Euler lea su biografa short biography ):
(1.19) Tambin
podemos observar el uso de exponenciales para representar cualquier seal real. Si modicamos la frecuencia y el ngulo, podriamos representar cualquier seal por medio de una superposicin de muchas sealestodas deben ser representadas por un exponencial. La expresin anterior no incluye ninguna informacin del ngulo. Debemos generalizar la expresin de exponenciales para generalizar funciones senosoidales con cualquier valor en el ngulo, esto se logra al hacer una sustitucin de
s, s = + j ,
f (t)
= Aest = Ae(+j)t = Ae e
t jt
(1.20)
donde arriba
se dene como la
S = Aet
trmino del ngulo es mas notable.
(1.21)
Tomando en cuenta la identidad de Euler, podemos escribir el exponencial como un senosoidal, donde el
(1.22)
(1.23)
(1.24)
21
f [n]
BesnT
= BejnT
donde
(1.25)
nT
cos (t) =
(1.26)
sin (t) =
(1.27)
(1.28)
22
CHAPTER 1.
SEALES
(a)
(b)
(c)
Las formas posibles para la parte real de un exponencial complejo. Note que la oscilacin es el resultado de un coseno con un mximo local en t = 0. (a) Si es negativa, tenemos el caso de una ventana de un exponencial que desciende. (b) Si es positivo, tenemos el caso de una ventana de un exponencial que crece. (c) Si es cero, tenemos una ventana constante.
Figure 1.21:
Mientras el
determina el ndice de las oscilaciones. es parte del argumento usado en la parte que corresponde al senosoidal.
(Solution on p. 27.)
Cmo se ven las partes imaginarias del exponencial complejo en el dibujo previo?
La siguiente demostracin le permite ver como el argumento cambia la forma del exponencial complejo. Por favor oprima aqu
14
15
(el
plano-s).
14 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/> 15 "The Complex Plane" <http://cnx.org/content/m10596/latest/>
23
Figure 1.22:
Este es el plano-s. Note que en cualquier momento en que s se encuentre en el lado derecho del plano, el exponencial complejo crecer con el tiempo, mientras que si por el contrario s se encuentra en el lado izquierdo, el exponencial complejo disminuir.
anlogas son funciones que constan de cantidades continuas como sus variables independientes, por ejemplo, son funciones denidas en nmeros enteros; son secuencias.
18
anlogas pueden ser trasformadas en una seal de tiempo-discreto y ser recuperada sin ningn tipo de de respuesta instantnea como los son los programas de computadoras.
error.
Este resultado es importante por que las seales de tiempo-discreto pueden ser manipuladas por sistemas En los mdulos subsecuentes se describen como todos los sistemas anlogos se pueden implementar virtualmente con el uso de software. Sin darle importancia a estos resultados, las seales de tiempo-discreto tienen una forma ms general, abarcando seales derivadas de seales anlogas
forman un archivo de escritura proveniente de una secuencia, que tambin son una seal de tiempo-discreto. Tambin tenemos que tratar con seales y sistemas de valor simblico . Como en seales anlogas, buscamos distintas maneras de descomponer seales discretas con valor real en sus componentes ms simples. Con este mtodo que nos lleva a un mayor entendimiento de estructura de seales, podemos usar esta estructura para representar informacin (crear maneras de representar informacin con seales) y de extraer informacin (extraer la informacin que es representada). Para seales de valor simblico este mtodo es diferente: desarrollamos una representacin comn para todas las seales de valor simblico para as representar la informacin que ellas contienen de una manera unicada. Desde el punto de vista de la representacin de informacin, la cuestin ms importante es la eciencia para las seales de
16 This content is available online at <http://cnx.org/content/m12820/1.9/>. 17 "Discrete-Time Signals and Systems" <http://cnx.org/content/m10342/latest/> 18 "The Sampling Theorem" <http://cnx.org/content/m0050/latest/> 19 "Discrete-Time Signals and Systems" <http://cnx.org/content/m10342/latest/#para11>
24
CHAPTER 1.
SEALES
valor simblico y reales; la eciencia es la manera ms compacta y rpida de representar informacin para que pueda ser despus extrada.
s (n),
donde
n = {. . . , 1, 0, 1, . . . }.
Usualmente
dibujamos seales discretas por medio de diagramas de lnea (Stem Plots) para enfatizar el hecho que son funciones denidas en nmeros enteros. Podemos retrasar la seal discreta por un nmero, tal como se hace en las seales anlogas. cuando El retraso de un muestreo unitario es expresado por
(n m),
y es igual a uno
n = m.
Seal del Coseno en Tiempo-Discreto
sn 1 n
Seal del Coseno en Tiempo-Discreto es gracada con una "stem plot". Puede usted encontrar la frmula para esta seal?
Figure 1.23:
s (n) = ej2f n
(1.29)
1.6.3 Senosoidales
Los senosoidales discretos tienen la forma de discretas dan formas nicas
plejos y senosoidales anlogos que pueden tener frecuencias con cualquier valor real, frecuencias para seales
1 1 2 , 2 . Esta propiedad se puede tener al notar que cuando se suma un valor a la frecuencia del exponencial complejo discreto no afecta en ninguna
solo cuando
est en el intervalo
ej2(f +m)n
(1.30)
es igual a uno.
25
1 if n = 0 (n) = 0 otherwise
(1.31)
Muestreo Unitario
n 1 n
Figure 1.24:
Muestreo Unitario.
Al examinar la grca de seales discretas, como el coseno mostrado en la gura Figure 1.23 ( Seal del Coseno en Tiempo-Discreto ), se puede observar que todas la seales consisten en muestreos unitarios que son desplazados y escalados por un valor real. El valor de una secuencia a cualquier nmero
m es escrito por
s (m)
es escrito por
(n m),
cualquier
seal en una suma de muestras unitarias desplazadas a una localizacin apropiada y escalada
s (n) =
m=
(s (m) (n m))
(1.32)
Este tipo de descomposicin es nica para seales discreta. Sistemas discretos pueden actuar sobre seales en tiempo discreto en forma similar a las vistas en seales y sistemas anlogos. Debido al rol que juega el software sobre sistemas discretos, una gran variedad de sistemas pueden ser desarrolladas y construidas a diferencia de las que se pueden lograr usando seales anlogas. De hecho, una clase especial de seales anlogas pueden ser convertidas en seales discretas, procesadas por software, y convertidas despus en seales anlogas, todo esto sin errores. Para estas seales, varios sistemas pueden ser producidos en software, con realizaciones anlogas equivalentes siendo difciles de formar, si no es que imposibles de disear.
{a1 , . . . , aK }
alfabeto
A.
Esta terminologa tcnica no restringe los smbolos a Los sistemas digitales son
ser miembros de un alfabeto del idioma ingles o griego. Ellos pueden representar caracteres en un teclado, byte (secuencias de 8-bits), nmeros que pudieran signicar una temperatura. construidos de circuitos digitales, que consisten
retransmisin y recepcin de seales discretas, como el correo electrnico, son posibles gracias al uso de
26
CHAPTER 1.
SEALES
sistemas y seales anlogas. Entender como las seales discretas y anlogas se interelacionan una con otra es el objetivo principal de este curso.
20 This
27
t = 0).
28
CHAPTER 1.
SEALES
Chapter 2
Sistemas
2.1 Clasicacin y Propiedades de los Sistemas1
2.1.1 Introduccin
En este mdulo algunas de las clasicaciones bsicas de sistemas sern temporalmente introducidas mientras que las propiedades ms importantes de sistemas sern explicadas. Como puede ser visto, las propiedades de los sistemas proveen una manera sencilla de separar un sistema de otro. Entender la diferencia bsica entre sistemas, y sus propiedades, ser un concepto fundamental utilizado en todos los cursos de seales y sistemas, as como de procesamiento digital de seales (Digital Signal Processing) DSP. Una vez que el conjunto de seales puede ser identicado por compartir propiedades particulares, uno ya no tiene que proveer ciertas caractersticas del sistema cada vez, pero pueden ser aceptadas debido a la clasicacin de los sistemas. Tambin cabe recordar que las clasicaciones presentadas aqu pueden no ser exclusivas (los sistemas pueden pertenecer a diferentes clasicaciones) ni nicas (hay otros mtodos de clasicacin sistemas simples se podrn encontrar aqui .
3 2
). Algunos ejemplos de
lineal es un sistema que obedece las propiedades de escalado (homogeneidad) y de superposicin no-lineal es cualquier sistema que no obedece al menos una de estas
(2.1)
30
CHAPTER 2.
SISTEMAS
Figure 2.1:
Figure 2.2:
Es posible vericar la linealidad de un sistema en un paso sencillo. Para hace esto, simplemente combinamos los dos primero pasos para obtener
(2.3)
cambia con el retraso de la entrada. Es decir que para un sistema en el tiempo si para toda
donde
H (f (t)) = y (t), H
es invariante (2.4)
T H (f (t T )) = y (t T )
31
Este diagrama de bloque muestra la condicin de la invariante en el tiempo. La Salida es la misma si el retraso es colocado en la entrada o en la salida.
Figure 2.3:
Cuando esta propiedad no aplica para un sistema, entonces decimos que el sistema es
variante en el
causal es aquel que es no-anticipativo; esto es, que las salidas dependen de entradas presentes
y pasadas, pero no de entradas futuras. Todos los sistemas en tiempo real deben ser causales, ya que no pueden tener salidas futuras disponibles para ellos. Uno puede pensar que la idea de salidas futuras no tiene mucho sentido fsico; sin embargo, hasta ahora nos hemos estado ocupando solamente del tiempo como nuestra variable dependiente, el cual no siempre es el caso. Imaginmonos que quisiramos hacer procesamiento de seales; Entonces la variable dependiente representada por los pxeles de la derecha y de la izquierda (el futuro) de la posicin actual de la imagen. Entonces tendramos un sistema
no-causal.
32
CHAPTER 2.
SISTEMAS
(a)
(b)
Figure 2.4: (a) Para que un sistema tpico sea causal... (b) ...la salida en tiempo t0 , y (t0 ), puede solamente depender de la porcin de la seal de entrada antes t0 .
estable es uno donde las salidas no divergen as como las entradas tampoco divergen. Hay
muchas maneras de decir que una seal diverge; por ejemplo puede tener energa innita. Una denicin particularmente til de divergencia es relacionar si la seal esta acotada o no. Entonces se reere al sistema como
entrada acotada-salida acotada (BIBO) (Bounded input-bounded output) establece que toda posible entrada acotada produce una salida acotada.
Representado propiedades,donde esto de una manera matemtica, un sistema estable debe tener las siguientes
x (t)
es la entrada y
y (t)
|y (t) | My <
cuando tenemos una entrada del sistema esta puede ser descrita como
(2.5)
|x (t) | Mx < Mx
toda y
(2.6)
My
ambas representan un conjunto de nmeros enteros positivos y esta relacin se mantiene para
t.
inestable. Notemos que la estabilidad BIBO de un sistema lineal
5
Si estas condiciones no son satisfechas, es decir, las salidas del sistema con entrada acotada crecen sin limite (divergen), entonces el sistema es la respuesta al impulso. invariante en el tiempo (LTI) es descrito cuidadosamente en trminos de si es o no completamente integrable
5 "BIBO
Stability" <http://cnx.org/content/m10113/latest/>
33
Escalado Lineal
(a)
Figure 2.5
(b)
da la salida
y.
Si
es escalada por un
y es pasada a travs del mismo sistema, como en la Figure 2.5(b), la salida tambin ser escalada
.
Un sistema lineal tambin obedece el principio de superposicin. Esto signica que si dos entradas son
sumadas juntas y pasadas a travs del sistema lineal, la salida ser equivalente a la suma de las dos entradas evaluadas individualmente.
(a)
Figure 2.6
(b)
6 This
34
CHAPTER 2.
SISTEMAS
Principio de Superposicin
Si Figure 2.6 es cierto, entonces el principio de superposiccin dice que Figure 2.7 (Principio de Superposicin) tambin es cierto. Esto es vlido para un sistema lineal.
Figure 2.7:
Esto es, si Figure 2.6 es cierta, entonces Figure 2.7 (Principio de Superposicin) tambin es cierta para un sistema lineal. La propiedad de escalado mencionada anteriormente tambin es vlida para el principio de superposicin. Por lo tanto, si las entradas x y y son escaladas por factores
y ,
respectivamente, entonces
la suma de estas entradas escaladas dar la suma de las salidas escaladas individualmente.
(a)
Figure 2.8
(b)
Dado Figure 2.8 para un sistema lineal, Figure 2.9 (Principio de Superposicin con Escaldo Lineal) tambin es vlido.
Figure 2.9:
35
(a)
(b)
Figure 2.10: Figure 2.10(a) muestra una entrada en tiempo t mientras que Figure 2.10(b) muestra la misma entrada t0 segundos despus. En un sitema invariante en el tiempo ambas salidas sern identicas excepto la de la Figure 2.10(b) estar retrasada por t0 .
x (t)
es
x (t t0 )
x (t t0 ) son pasadas a travs del sistema TI. Ya que el sistema TI es invariante x (t) y x (t t0 ) producen la misma salida. La nica diferencia es que la salida cambiada por el tiempo t0 .
y
Si un sistema es invariante en el tiempo o de tiempo variado puede ser visto en la ecuacin diferencial (o ecuacin en diferencia) descrita. Los sistemas invariantes en el tiempo son modelados con ecuaciones de coecientes constantes. Una ecuacin diferencial(o en diferencia) de coecientes constantes signica que los parmetros del sistema no van cambiando a travs del tiempo y que la entrada nos dar el mismo resultado ahora, as como despus.
(a)
Figure 2.11:
(b)
Esto es una combinacin de los dos casos de arriba. Dado que la entrada Figure 2.11(b) es una versin escalada y desplazada en el tiempo de la entrada de Figure 2.11(a), tambin es la salida.
Como los sistemas LTI son subconjuntos de los sistemas lineales, estos obedecen al principio de superposicin. En la gura de abajo, podemos ver el efecto de aplicar el tiempo invariante a la denicin de sistema lineal de la seccin anterior.
36
CHAPTER 2.
SISTEMAS
(a)
Figure 2.12
(b)
Figure 2.13:
37
(a)
(b)
Figure 2.14:
resultado.
El orden de los sistemas LTI en cascada pueden ser intercambiado sin verse afectado el
(a)
Figure 2.15:
(b)
38
CHAPTER 2.
SISTEMAS
2.2.4 Causalidad
Un sistema es causal si este no depende de valores futuros de las entradas para determinar la salida. Lo que signica que si la primer entrada es recibida en tiempo t0 , el sistema no deber dar ninguna
salida hasta ese tiempo. Un ejemplo de un sistema no-causal puede ser aquel que al detectar que viene un entrada da la salida antes de que la entrada llegue.
Sistema no-Causal
Figure 2.16:
en el tiempo.
En este sistema no-causal, la salida es producida dado a una entradad que ocurri despus
h (t)
t < 0.
Chapter 3
Anlisis de Sistemas de Tiempo Continuo en el Dominio del Tiempo
3.1 Sistemas Lineales CT y Ecuaciones Diferenciales1
3.1.1 Sistemas Lineales de Tiempo-Continuo
Fsicamente realizable, los sistemas lineales invariantes en el tiempo pueden ser descritos por un conjuto de ecuaciones lineales diferenciales:
Figure 3.1:
Describcin grca de un sistema bsico lineal invariante en el tiempo con una entrada,
ai
i=0
con
di y (t) dti
=
i=0
bi
di f (t) dti
(3.1)
an = 1. y (t)
para una entrada
Es fcil mostra que estas ecuaciones denen un sistema que es lineal e invariante en el tiempo. Entonces una pregunta natural es cmo encontrar la respuesta al impulso del sistema Recordando que tal solucin se puede escribir como:
f (t)?.
yi (t)
como la
respuesta de salida-cero la solucin homogenea debido a las condiciones ys (t) como la respuesta de estado-cero la solucin particular en
1 This
40
CHAPTER 3.
f (t).
yi (t),
Figure 3.2
Figure 3.3
y0 (t) ai
tal que
i=0
Si
di y0 (t) dti
= 0 , an = 1
(3.2)
(3.3)
y0 (t)'s
0 para todo t,
entonces
est
donde
s C,
y0 (t) = cest , c = 0
para algun Since
(3.4)
d dt y0
s. (t) = csest ,
d2 dt2 y0
tenemos
41
solo cuando
sn + an1 sn1 + + a1 s + a0 = 0
Donde esta ecuacin es conocida como la son las raices o ceros de este polinomio
(3.6)
{s1 , s2 , . . . , sn }
(s s1 ) (s s2 ) (s s3 ) . . . (s sn ) = 0
es decir las posibles soluciones son: es de la forma:
Ya que el sistema es
{c1 , . . . , cn }
Example 3.3
Vase Lathi p.108 para un buen ejemplo. Generalmente asumimos que las IC's de un sistema son cero, lo que implica que elmtodo de resolver para
yi (t) = 0.
Sin embargo,
yi (t)
se probar ms adelante.
ai
i=0
dada una entrada especca
di y (t) dti
=
i=0
bi
di f (t) dti
(3.8)
f (t)
completamente en la naturaleza de
f (t);
de ecuaciones para encontrar la respuesta del sistema. La Convolucin (Section 3.2) nos ayuda a pasar estas dicultades.
2
convolucin nos ayuda a determinar la salida del sistema, dada solo la entrada del sistema,
h (t).
Antes de derivar el procedimiento de convolucin, mostramos que la respuesta al impulso es derivada facilmente de su ecuacin lineal diferencial (LDE). Mostraremos la derivacin del siguiente LDE, donde
m < n: dn dn1 d dm d y (t) + an1 n1 y (t) + + a1 y (t) + a0 y (t) = bm m f (t) + + b1 f (t) + b0 f (t) n dt dt dt dt dt
Podemos reescribir (3.9) como (3.9)
QD [y (t)] = PD [f (t)]
donde
(3.10)
QD []
y (t)
QD [y (t)] =
y
(3.11)
PD []
mapea
f (t)
(3.12)
m < n
we have
bn = 0.
Tambin,
yn
42
CHAPTER 3.
La convolucin nos ayuda a determinar el efecto que tiene el sistema en la seal de entrada. Puede ser visto que el sistema lineal de tiempo invariante (Section 2.1) es completamente caracterizado por su respuesta al impulso. A primera vista, esto puede parecer de pequeo uso, ya que las funciones de impulso no estn bien denidas en aplicaciones reales. Sin embargo la propiedad de desplazamiento del impulso nos dice que una seal puede ser descompuesta en una suma innita (integral) de impulsos escalados y desplazados. Conociendo como un sistema afecta un impulso simple, y entendiendo la manera en que una seal es abarcada por impulsos escaldos y sumados, suena razonable que sea posible escalar y sumar la respuesta al impulso a un sistema en para poder determinar que seal de salida resultara de una entrada en particular. Esto es precisamente lo que la convolucin hace -
la convolucin determina la salida del sistema por medio conocimiento de la entrada y la respuesta al impulso del sistema.
En el resto de este modulo, vamos a examinar exactamente como la convolucin es denida a partir Esto resultara en la integral de convolucin (vase la siguiente seccin) y sus
propiedades (Section 3.3). Estos conceptos son muy importantes en la Ingeniera Elctrica y harn la vida de los ingenieros mas sencilla si se invierte el tiempo en entender que es lo que esta pasando. Para poder entender completamente la convolucin, ser de utilidad tambin ver la convolucin de tiempo discreto
4
La
integral
y (t) =
x ( ) h (t ) d
(3.13)
La convolucin es una herramienta muy importante que es representada por el smbolo como
= t ,
conmutativa:
Para ms informacin de las caractersticas de la integral de convolucin, lase sobre la Propiedades de la Ahora presentaremos dos aproximaciones distintas que se derivan de la integral de convolucin. Estos procesos, junto con un ejemplo bsico, nos ayudaran para construir una intuicin sobre la convolucin.
43
1. Un impulso de entrada, nos da como salida una respuesta al impulso. 2. Un impulso desplazado nos da como salida una respuesta al impulso desplazada. Esto es debido a la invariante en el tiempo del sistema 3. Podemos escalar el impulso de entrada para obtener como salida un impulso escaldo. Esto es usando la propiedad de linealidad de la multiplicacin escalar. 4. Podemos sumar un nmero innito de estos impulsos escalados para obtener un nmero innito de sumas de respuestas al impulso escaladas. Esto es usando la cualidad de la aditividad de linealidad. 5. Ahora vemos que esta suma innita no es mas que una integral, as que podemos convertir ambos lados en integrales. 6. Reconociendo que la entrada es la funcin integral de convolucin .
f (t),
Figure 3.4:
Despus consideramos una versin desplazada del impulso de entrada. Debido al tiempo invariante del sistema, obtenemos una versin de una salida desplazada de la respuesta al impulso.
Figure 3.5:
44
CHAPTER 3.
Figure 3.6: Ahora usamos la parte de escalado de linealidad, escalando el sistemas por un valor, f ( ), que es constante con respecto al sistema variable, t.
Ahora podemos usar el aspecto de aditividad de linealidad para sumar un nmero innito de estos, para cada posible . Como una suma innita es exactamente una integral, terminamos con la integral conocida como integral de convolucin. Usando la propiedad de desplazamiento, podemos reconocer el lado izquierdo como la entrada f (t).
Figure 3.7:
(t) =
1 if
<t<
0 otherwise
6 "Photo
45
Figure 3.8:
Despus de denir la realizacin de la unidad de respuesta al impulso, podemos obtener nuestra integral de convolucin de los siguientes pasos que se encuentran en la siguiente tabla. Notemos que la columna de la izquierda representa la entrada y la columna de la derecha es la salida del sistema dada esa entrada.
Salida
h h h h h h
Table 3.1
0 0 0
(f (n) (t n) )
f ( ) (t ) d
(f (n) h (t n) )
f ( ) h (t ) d f ( ) h (t ) d
f (t)
y (t) =
46
CHAPTER 3.
las salidas para seales sencillas, mientras tanto mejoraremos nuestra intuicin para los casos mas complejos donde conaremos en las computadoras. De hecho las Texas Instruments Digital de Seales
8 7
se convierten en Procesamiento
las cuales tienen un conjunto especial para cmputos as como para la convolucin.
Example 3.4
Esta demostracin ilustrara el mtodo grco para la convolucin. Vase aqu ciones de cmo se usa este demo. This media object is a LabVIEW VI. Please view or download it at <CT_Convolution.llb>
9
x (t)
h (t).
(a)
Figure 3.9:
(b)
Aqui hay dos seales bsicas que usaremos para convolucionar juntas.
h (t ).
importa que funcin es reejada y desplazada, sin embargo conforme las funciones se vuelven mas complicadas reejar y desplazar la correcta nos har el problema mas sencillo.
47
Figure 3.10:
Si la funcin fuera mas complicada necesitaremos tener mas limites para que las partes sobrepuestas de las dos funciones puedan ser expresadas en una integral lineal sencilla. Para este problema tendremos las siguientes cuatro regiones. y Comprense estos limites de integracin con los de los bosquejos de Ntese que
h (t )
x (t)
en los limites de
h (t ),
marcada como
Para la primer y cuarta regin es trivial pues siempre ser, siguientes matemticas:
0.
La segunda
y (t)
= = t
t 0
1d
(3.16)
La tercer regin,
1 t < 2,
Conforme movemos
h (t )
t 1,
48
CHAPTER 3.
y (t)
= = =
1 t1
1d
(3.17)
1 (t 1) 2t
Las formulas anteriores muestran el mtodo para calcular la convolucin; sin embargo no deje que la simplicidad de este ejemplo lo confunda cuando trabaje con otros problemas. El mtodo ser el mismo, solo se tendr que tratar con mas matemticas en integrales mas complicadas.
y (t) =
0 if t < 0 t if 0 t < 1
(3.18)
2 t if 1 t < 2 0 if t 2
Ahora que encontramos el resultado para cada una de las cuatro regiones, podemos combinarlas y gracar la convolucin de
x (t) h (t).
Figure 3.11:
10 This
49
demostraciones de las propiedades, usaremos las integrales de tiempo-continuo, pero podemos probarlas de la misma manera usando las sumatorias de tiempo-discreto.
3.3.1 Asociatividad
Theorem 3.1: Ley Asociativa
(3.19)
Figure 3.12:
3.3.2 Conmutatividad
Theorem 3.2: : Ley Conmutativa
y (t)
(3.20)
Proof:
Para probar la (3.20), lo nico que tenemos que hacer es un pequeo cambio de variable en nuestra integral de convolucin (o suma),
y (t) =
Dejando
f ( ) h (t ) d
conmutativa:
(3.21)
= t ,
y (t)
= =
f (t ) h ( ) d h ( ) f (t ) d
(3.22)
(3.23)
50
CHAPTER 3.
La gura muestra que ambas funciones pueden ser vistas como entradas del sistema mientras lo otro es la respuesta al impulso.
Figure 3.13:
3.3.3 Distribucin
Theorem 3.3: Ley Distributiva
(3.24)
La demostracin de este teorema puede ser tomada directamente de la denicin de convolucin y usando la linealidad de la integral.
51
Figure 3.14
entonces
c (t T ) = f (t T ) h (t)
y
(3.25)
c (t T ) = f (t) h (t T )
(3.26)
52
CHAPTER 3.
(a)
(b)
(c)
Figure 3.15:
(3.27)
Usando
f (t) (t) =
( ) f (t ) d ( ) = 0
siempre que
(3.28)
= 0.
Usamos este
f (t) (t)
= =
( ) f (t) d
f (t)
( ( )) d
(3.29)
La integral de
( )
=0
lo tanto esa integral ser igual a uno. Donde podemos simplicar la ecuacin de nuestro teorema:
(3.30)
53
(a)
(b)
Figure 3.16:
Las guras y ecuaciones anteriores, revelan la funcin identidad del impulso unitario.
3.3.6 Ancho
En tiempo continuo, si la
Duracin (f1 ) = T1
y la Duracin
(f2 ) = T2
, entonces (3.31)
Duracin (f1 f2 ) = T1 + T2
54
CHAPTER 3.
(a)
(b)
(c)
Figure 3.17: En tiempo continuo, la duracin de la convolucin resulta igual a la suma de las longitudes de cada una de las dos seales convolucionadas.
(f1 ) = N1
y la Duracin
(f2 ) = N2
, entonces (3.32)
Duracin (f1 f2 ) = N1 + N2 1
55
3.3.7 Causalidad
Si
f h
tambin es causal.
Figure 3.18:
Una seal acotada es una seal para la cual existe un constante A tal que |f (t) | < A
Una vez que ya tenemos identicado lo que signica una seal acotada, debemos mover nuestra atencin a la condicin que un sistema debe poseer para garantizar que si una seal pasa a travs del sistema, una seal acotada se presentara en la salida. Resulta que un sistema LTI (Section 2.1) continuo en el tiempo con una respuesta al impulso
h (t)
es estabilidad BIBO
si y solo si
(3.33)
Extendiendo este concepto a tiempo- discreto tomamos la transicin estndar de integracin a sumatoria
h (n),
(3.34)
11 This
56
CHAPTER 3.
(a)
Figure 3.19:
(b)
(a) Ejemplo de una grca de polos y ceros para un sistema estable de tiempo-continuo. (b) Ejemplo de una grca de polos y ceros para un sistema inestable de tiempo continuo.
57
(a)
Figure 3.20:
(b)
58
CHAPTER 3.
Chapter 4
Anlisis de Sistemas Discretos en el Dominio del Tiempo
4.1 Anlisis en el Dominio del Tiempo para Sistemas Discretos1
Una seal discreta por que
s (n)
es
retrasada por
n0
s (n n0 ),
con
n0 > 0.
2
Optamos
n0
tenga avances negativos sobre los nmeros enteros. Opuesto a los retrasos anlogos , los retrasos
s (n n0 ) e(j2f n0 ) S ej2f
Un sistema
(4.1)
invariante al desplazamiento
S (x (n)) = y (n),
S (x (n n0 )) = y (n n0 )
(4.2)
Nosotros usamos el trmino invariante al desplazamiento para enfatizar que el retraso puede ocurrir solo en los nmeros enteros del sistema discreto, mientras tanto en las seales anlogas, los retrasos pueden ser valores arbitrarios. Nosotros queremos concentrarnos en sistemas que son lineales e invariantes al desplazamiento. Esto ser lo que nos permitir tener todo el control en el anlisis del dominio de la frecuencia y el control de su implementacin. Por que no tenemos una conexin fsica en la construccindel sistema, necesitamos solamente tener especicaciones matemticas. En los sistemas anlogos, las ecuaciones diferenciales especican la entrada y la salida del dominio del tiempo. La correspondiente especicacin discreta esta dada en una
ecuacin diferencial:
y (n) = a1 y (n 1) + + ap y (n p) + b0 x (n) + b1 x (n 1) + + bq x (n q)
La salida de la seal
(4.3)
y (n)
los valores actuales y a los valores pasados de la entrada de la seal se representan por medio de caractersticas del sistema son determinadas por la eleccin de cuantos nmeros
{a1 , . . . , ap }
{b0 , b1 , . . . , bq }.
1 This content is available online at <http://cnx.org/content/m12830/1.6/>. 2 "Simple Systems": Section Delay <http://cnx.org/content/m0006/latest/#delay> 3 "Simple Systems" <http://cnx.org/content/m0006/latest/#para4wra>
59
60
CHAPTER 4.
a0 ?
el trmino
y (n)
a0
es siempre uno.
implcita
de un sistema
(nosotros debemos resolver la ecuacin diferencial), las ecuaciones diferenciales proveen una manera
ex-
plicita
de resolverlas; calculando las salidas para cada entrada. Nosotros simplemente expresaremos las
ecuaciones diferenciales con un programa que calcula cada salida usando valores previos, las corrientes del sistema y las entradas previas. Las ecuaciones diferenciales son usualmente expresadas en el software con iteraciones de
"for" . El
programa de MATLAB da informacin de los primeros 1000 valores formados por medio de las salidas.
y (1)?
y (0), y (1),
Para
calcular estos valores necesitaremos valores previos. La manera de salir de este problema es especicar las
Estos valores pueden ser arbitrarios, la decisin impacta el como responde el sistema con las
Una decisin ocasiona un sistema lineal: Hacer la condicin inicial cero. La razn se encuentra
4
: La nica manera que las salidas de las suma pueda ser la suma de la
Exercise 4.1
(Solution on p. 73.)
La cuestin de la condicin inicial se resuelve al entender la ecuacin diferencial para cada entrada que empieza en algn ndice. No obstante, el programa no trabaja por causa de la programacin, no es conceptual y contiene errores. Qu es esto? , Com se puede "arreglar"?
Example 4.1
Vamos a considerar un sistema simple con:
p=1
q = 0.
(4.4)
y (n) = ay (n 1) + bx (n)
Para calcular la salida de algn ndice, esta ecuacin diferencial indica que nosotros necesitamos la salida previa
y (n 1)
Sin
entrar a detalle, vamos a calcular la salida del sistema para un muestreo unitario como entrada:
x (n) = (n).
Ya que la entrada es cero para un ndice negativo, nosotros debemos empezar por
n = 0. y (0) = ay (1) + b
(4.5)
Cul es el valor de
y (1)?
Ya que hemos usado la entrada de valor cero para todos los ndices Seguramente, la
5
negativos, es razonable asumir que la salida tambin tiene un valor de cero. ecuacin diferencial no describir el sistema lineal no produjo cero en la salida. Con esto podemos asumir:
y (1) = 0,
dejando
y (0) = b.
Para
n > 0,
4 "Simple 5 "Simple
la entrada de un muestrario unitario es cero, lo cual nos deja con la ecuacin diferencial
Systems": Section Linear Systems <http://cnx.org/content/m0006/latest/#linearsys> Systems": Section Linear Systems <http://cnx.org/content/m0006/latest/#linearsys>
61
y (n) = ay (n 1) , n > 0
entrada para hacer una tabla:
y (n) = ay (n 1) + b (n)
(4.6)
n 1 0 1 2
:
x (n) 0 1 0 0 0 0
y (n) 0 b ba ba2
:
ban
Table 4.1
Los valores del coeciente determinan el comportamiento de la salida. El parmetro cualquier valor, y sirve como ganancia. El efecto del parmetro valores que no son cero de (Respuesta al
b puede ser
b.
IRR Impulso Innito). La razn para esta terminologa es que el muestrario unitario
tambin conocido como un impulso(especialmente en una situacin analoga) y el sistema responden a un impulso que perdura por siempre. descomposicin exponencial. Cuando grande que cuando Si
a = 1,
1,
a es negativa y ms a = 1,
creciendo
b.
|a| > 1;
exponencialmente.
x(n)
1 n
y(n) a = 0.5, b = 1
y(n) a = 0.5, b = 1
4 2 0
y(n) a = 1.1, b = 1
n n -1
La entrada para el ejemplo de sistema simple, un muestreo unitario es mostrada arriba, con las salidas para varios valores de parametros de sistemas mostradas abajo.
Figure 4.1:
62
CHAPTER 4.
Valores positivos de
diferencial indica que el nmero en la siguiente generacin es algn mltiplo de un valor previo. Si este mltiplo es menor que uno, la poblacin se extingue; si es mayor que uno, la poblacin se incrementa. La misma ecuacin diferencial tambin describe el efectos del los interes compuesto. Aqu
es igual
b=1
procesar seales, nosotros tpicamente requerimos que la salida continu acotada para cualquier entrada. Para nuestro ejemplo, eso signica que podemos restrigir esto y la ganancia segn su aplicacin.
|a| = 1
Exercise 4.2
Note que en la ecuacin diferencial (4.3),
(Solution on p. 73.)
y (n) = a1 y (n 1) + + ap y (n p) + b0 x (n) + b1 x (n 1) + + bq x (n q)
no tiene trminos como
y (n + 1)
x (n + 1)
Pueden estos
y(n) 1 5
n
Figure 4.2:
Example 4.2
Un sistema un poco diferente que no contiene los coecientes "a". Considere la ecuacin diferencial:
y (n) =
1 (x (n) + + x (n q + 1)) q
(4.7)
Ya que la salida del sistema nada mas depende de los valores actuales y previos de los valores de entrada, nosotros no necesitamos preocuparnos por las condiciones iniciales. Cuando la entrada es
1 q para n = {0, . . . , q 1}, entonces es igual a cero despus de eso. Estos sistemas son conocidos como FIR (Respuesta de Impulso Finito o en ingles
un muestreo unitario, el resultado es igual a Finite Impulse Response) por que su respuesta de muestreo unitario tiene una duracin nita. Al gracar esta respuesta se ve como (Figure 4.2)la respuesta de muestreo unitario es un pulso de
1 q . Esta seal es tambin conocida como boxcar , por eso a este sistema se le le da el nombre de ltro de boxcar. (En la proxima seccin derivaremos su respuesta en frecuencia y
ancho
y altura
desarrollaremos su interpretacin al ltrar.) Por ahora, observe que la ecuacin diferencial dice que cada valor en la salida es igual al promedio de la corriente de las entradas de los valores anteriores. As, el valor de la salida es igual al
tanto este sistema se puede usar para producir el promedio de las temperaturas semanales (q que se pueden actualizar diariamente.
= 7)
63
convolucin continua (Section 3.2). Por esta razn, puede ser de gran ayuda el ver las dos versiones para que usted entienda la extrema importancia del concepto. Recuerde que la convolucin es un instrumento poderoso al determinar el resultado de un sistema despus de saber la una entrada arbitraria y la respuesta al impulso del sistema. Puede ser tambin til al ver la convolucin grcamente con sus propios ojos y jugar con este concepto un poco, as que experimente con las aplicaciones
7
Estos recursos ofrecern mtodos diferentes para aprender este concepto crucial.
y [n] =
k=
(x [k] h [n k])
(4.8)
As como en tiempo continuo la convolucin es representado por el smbolo *, y puede ser escrita como
(4.9)
conmutativa:
Para mas informacin sobre las caractersticas de convolucin, lea las propiedades de convolucin (Sec-
4.2.3 Derivacin
Sabemos que las seales discretas pueden ser representadas por la suma de impulses discretos que estn desplazados y escalados. Ya que estamos asumiendo que el sistema es linear e invariante con el tiempo, se ve razonable decir que la entrada de la seal esta formada por impulses que tambin estn escalados y desplazados, esto en turno dara como resultado del sistema una suma de respuesta de impulse que tambin estn escaladas y desplazadas. Esto es exactamente lo que ocurre en manera matemtica rigurosa de ver esta derivacin: Al dejar
ser un sistema DT LTI, empezaremos con la siguiente ecuacin y trabajaremos hasta llegar a
la suma de convolucion !
y [n]
= H [x [n]] = H = = =
k= k= k= k=
(x [k] [n k])
(4.11)
at <http://cnx.org/content/m12833/1.4/>.
64
CHAPTER 4.
Demos un vistazo rpido a los pasos tomados en la derivacin anterior. del impulso)del DT para re-escribir la funcin, suma unitaria. Despus, movemos el operador linealidad y por el hecho que, multiplicar la ecuacin por
x [k] es constante podemos extraer la constantes ya mencionadas y nada mas H []. Final mente , usamos el dato que H [] es invariante con el tiempo para
llegar a nuestra ecuacin deseada- la suma de convolucion ! Un ejemplo graco puede ayudar en demostrar por que la convolucin funciona
Figure 4.3:
Una simple entrada con impulso da como resultado la respuesta de impulso del sistema.
Figure 4.4:
Un impulso escalado como entrada da como resultado una respuesta escalada, ya que tiene la propiedad de escalmiento para un sistema lineal.
65
Ahora usaremos la propiedad de tiempo invariante del sistema para demostrar que una entrada que esta dasplazada da como resultado una salida con la misma forma, solo que esta desplazada por la misma cantidad que la entrada.
Figure 4.5:
Ahora usaremos la propiedad de adicion del sistema lineal para completar la gura.ya que cualquier seal discreta es nada mas la suma de impulsos discretos que estan desplazados y escalados, podemos encontrar la salida con tan solo saber la seal de entrada y su respuesta al impulso.
Figure 4.6:
66
CHAPTER 4.
m1
y [n] =
l=0
Note que para cualquier y los sumamos despus. Regresamos a los ejemplos anteriores:
(x [l] h [n l]) xl
desplazados en el tiempo por
(4.12)
hl .
Esto es
Figure 4.7:
Figure 4.8:
0.
Esto es el reejo de la respuesta del impulso, h , y se empieza a mover atravez del tiempo
67
Figure 4.9:
Continuamos con el moviimiento. Vea que al tiempo 1 , estamos multiplicando dos elementos de la sealde entraday dos elementos de la respuesta del impulso.
Figure 4.10
68
CHAPTER 4.
Figure 4.11:
Si seguimos esto un paso mas, n = 4, pordiamos ver que producimos la misma salida que vimos en el ejemplo inicial.
Los que estamos haciendo en la demostracin de arriba es reejar la respuesta del impulso en el tiempo y hacerlo caminar a travs de la entrada en la seal. Claramente, esto da el mismo resultado que escalar, desplazar, y sumar respuestas de impulsos. Este mtodo de reexin en el tiempo, y de mover a travs de la seal es una manera comn de presentar la convolucin, ya que demuestra como la convolucin construye el resultado a travs del eje del tiempo.
x [n],
h [n], = =
sistema como
y [n]
x [n] h [n]
k=
(x [k] h [n k]) N ),
(4.13)
Cuando dos DFT son dadas (secuencias de tamao nito usualmente del tamao
multiplicar esas dos seales as como as, como lo sugiere la formula de arriba usualmente conocida como
convolucin linear. Ya que las DFT son peridicas, tienen valores no cero para
de estas dos seales ser no cero para ayuda a desarrollar la idea de
nN
n N.
resultado nuestra seal convuelta teniendo el valor de cero fuera del rango
n = {0, 1, . . . , N 1}.
8 This
69
Y [k]
es la DFT de
y [n]?
(4.14)
y [n] =
1 N
N 1
(4.15)
F [k] =
y [n]
= =
1 N
N 1 k=0 N 1 m=0 f
H [k] ej N kn
(4.16)
[m]
1 N
H [k] ej N k(nm)
la ecuacin de arriba en
donde
podemos
reducir
la
segunda
sumatoria
h [((n m))N ]
1 N
N 1 k=0
H [k] e
j 2 k(nm) N N 1
y [n] =
m=0
Igual a la convolucin circular! cuando tenemos
y [n] (f [n]
note:
h [n])
Que la notacin
Paso 1: "Graque"
f [m]
h [((m))N ]
(a)
Figure 4.12:
(b)
Step 1
70
CHAPTER 4.
Paso 2:
"Rote"
h [((m))N ] n
h [((n m))N ]
h [n],
pasos).
Figure 4.13:
Step 2
f [m]
y la rueda
h [((n m))N ]
wheel.
sum = y [n]
Paso 4: Repite para
0nN 1
(a)
Figure 4.14:
(b)
h [((m))N ]
Figure 4.15
Multiplique
f [m]
sume
para dar:
y [0] = 3
71
h [((1 m))N ]
Figure 4.16
Multiplique
f [m]
sume
para dar:
y [1] = 5
h [((2 m))N ]
Figure 4.17
Multiplique
f [m]
sume
para dar:
y [2] = 3
h [((3 m))N ]
Figure 4.18
Multiplique
f [m]
sume
para dar:
y [3] = 1
9
Example 4.4
La Siguiente Demostracin le permite este algoritmo. Vea aqu este demo. para instrucciones de como se usa
9 "How
72
CHAPTER 4.
DFT.
f [n]
que da
Y [k]
que da
DFT de
h [n]
que da
H [k].
2 N -puntos:
N 1
y [n] =
m=0
Para cualquier
mltiplos,
N 1
sumas
puntos implica
N2
multiplicaciones,
N (N 1)
O N2
10 This
73
74
CHAPTER 4.
Chapter 5
Repaso de Algebra Lineal
5.1 Algebra Lineal: Conceptos Bsicos1
Este pequeo tutorial da algunos trminos clave de lgebra lineal, no pretende remplazar o ser muy provechoso como en aquellos que usted pretende ganar una profundidad en lgebra lineal. En cambio esto es una pequea introduccin a algunos trminos e ideas de lgebra lineal para darnos un pequeo repaso para aquellos que tratan de tener un mejor entendimiento o de aprender sobre eigenvectores (vectores propios) y eigenfunciones (funciones propias), que juegan un papel muy importante en la obtencin de ideas importantes en Seales y Sistemas. La meta de estos conceptos es de proveer un respaldo para la descomposicin de seales y para conducirnos a la derivacin de las Series de Fourier (Section 6.2).
{x1 , x2 , . . . , xk } , xi Cn
es
{x1 , x2 , . . . , xn },
es linealmente independiente si
c1 x1 + c2 x2 + + cn xn = 0
solo cuando
c1 = c2 = = cn = 0 x1 = x2 =
Example
Dados los siguientes dos vectores:
3 2 6 4
Estos son
x2 = 2x1 2x1 + x2 = 0
. Otro mtodo para ver la independencia de los vectores es gracando los vectores. Observando estos dos vectores geomtricamente (como en la siguiente Figure 5.1), uno puede otra vez probar que estos vectores son
no linealmente independientes.
1 This
76
CHAPTER 5.
2 -6 3
4
Figure 5.1:
Example 5.1
Dados los siguientes dos vectores:
x1 = x2 =
Estos son
3 2 1 2
c1 x1 = (c2 x2 )
solo si
c1 = c2 = 0.
linealmente independientes. Tambin podemos gracar estos dos vectores (vase Figure 5.2) para checar la independencia lineal.
1
Figure 5.2:
Exercise 5.1
Son
(Solution on p. 93.)
linealmente independientes?
{x1 , x2 , x3 }
x1 =
3 2
77
x2 = x3 =
1 2 1 0
Como podemos ver en los dos ejemplos anteriores, a veces la independencia de vectores puede ser vista fcilmente a travs de una grca. Sin embargo esto no es tan sencillo, cuando se nos dan tres o ms vectores. Puede decir fcilmente cuando o no estos vectores son independientes Figure 5.3. Probablemente no, esto es, por lo cual el mtodo usado en la solucin anterior se vuelve importante.
-1
Figure 5.3:
Grca de tres vectores. Puede ser mostrado que la combinacin lineal existe entre los tres, y por lo tanto estos son no linealmente independientes.
note:
Un conjunto de
vectores en
Cn
m > n.
{x1 , x2 , . . . , xk } {x1 , x2 , . . . , xk }
es el conjunto de vectores
x1 =
3 2
el subespacio generado de
x1
es una
linea.
Example
Dado los vectores
x1 =
3 2
2 "Subspaces",
78
CHAPTER 5.
x2 =
El subespacio generado por estos vectores es
1 2
C2 .
5.1.3 Bases
Denition 5.3: Base
Una base para ente. Claramente, un conjunto de
Cn
Cn y
base para
Cn .
Example 5.2
Dado el siguiente vector
. . . 0 ei = 1 0 . . . 0
donde el para
1
es
esta siempre en la
i-esima
base
Cn
{ei , i = [1, 2, . . . , n] }
note:
{ei , i = [1, 2, . . . , n] }
es llamada la
base cannica.
Example 5.3
h1 = h2 = {h1 , h2 }
es una base para
1 1 1 1
C2 .
79
Figure 5.4:
{b1 , . . . , b2 } es una base para Cn , entonces podemos expresar cualquier x Cn lineal de bi 's: x = 1 b1 + 2 b2 + + n bn , i C
Si
Example 5.4
Dado el siguiente vector,
x=
escribiendo
1 2
en trminos de
{e1 , e2 }
nos da
x = e1 + 2e2
Exercise 5.2
Trate de escribir
(Solution on p. 93.)
en trminos de
{h1 , h2 } x
varias diferentes maneras (dimos solo dos de las muchas posibilidades). Se puede extender aun ms la idea
espacio de funciones.
: Como se menciono en la introduccin, estos conceptos de lgebra lineal nos ayudaran para
entender las Series de Fourier (Section 6.2), las que nos dicen que podemos expresar las funciones peridicas
f (t),
ej0 nt .
3 This 4 This
80
CHAPTER 5.
Cn .
(5.1)
Ax = b
donde
(a)
(b)
Figure 5.5:
es un vector
v Cn
tal que
Av = v
donde
(5.2)
81
Figure 5.6:
Representa la (5.1), Ax = b.
Si
es un eigenvector de
A,
entonces solo su longitud cambia. Vase Figure 5.7 y note que la longitud
llamada
eigenvalor:
Figure 5.7:
Representa la (5.2), Av = v.
note:
para trabajar.
(Solution on p. 93.)
v1
v2 ,
de
A=
3 0
0 1
1
y
2 ?
viendo estos valores de la informacin dada hasta ahora, veremos otras maneras mas rigurosas de
82
CHAPTER 5.
Exercise 5.4
Muestre que estos dos vectores,
(Solution on p. 93.)
v1 = v2 =
son eigenvectores de dientes.
1 1 1 1
A,
donde
A=
3 1
1 3
.
Tambin encuentre los eigenvalores correspon-
tal que
v = 0,
donde
Av = v Av v = 0 (A I) v = 0
En el paso previo, usamos el hecho de que
v = Iv
donde
es la matriz identidad.
0 1 0 ...
... ...
0 I= 0 0
Por lo tanto,
0 . .. . . . ... 1
A I
Example 5.5
Dada la siguiente matriz,
A,
A I .
A=
a11 a21
a12 a22
83
A I =
Si
a11 a21
es
a12 a22
(A I) v = 0
para algn
v = 0,
entonces
A I
det (A I) = 0
este determinante (el mostrado arriba) se vuelve una expresin polinomial (de grado ejemplo para entender mejor.
n).
Vase el siguiente
Example 5.6
Empezando con la matriz
3 1
1 3
3 1
2
1 3
2
a11 a21
a12 a22
a11 a21
a12 a22
det (A I) = cn n + cn1 n1 + + c1 + c0 = 0
note:
Por lo tanto usando unos pequeos clculos para resolver las races de nuestro polinomio,
84
CHAPTER 5.
i ,
Av = i v A
conjunto de
v1
. . .
1 v1
. . .
solve the
vn
n vn
ecuaciones con
n ecuaciones
para
A, {v1 , v2 , . . . , vn }, generan el subespacio 5 Cn , signica que {v1 , v2 , . . . , vn } n y que podemos escribir cualquier x C como x = 1 v1 + 2 v2 + + n vn
(5.3)
donde de
{1 , 2 , . . . , n } C
A.
Entonces,
x=
i
(i vi )
Figure 5.8:
eigenvectores.
b=
i
note:
(i i vi )
en una combinacin de eigenvectores, la solucin de
x,
Ax
5 "Linear 6 "Linear
Algebra: The Basics": Section Span <http://cnx.org/content/m10734/latest/#span_sec> Algebra: The Basics": Section Linear Independence <http://cnx.org/content/m10734/latest/#lin_ind>
85
(Solution on p. 93.)
y vector
x,
A=
3 1 5 3
1 3
x=
A.
generan el espacio
actuando en
x en trminos de {v1 , v2 , . . . , vn }, entonces tenemos el x, despus esto es igual a A actuando en la combinacin de {v1 , v2 , . . . , vn } x
de
generan el espacio
Cn
(asumiendo que
{v1 , v2 , . . . , vn }
{v1 , v2 , . . . , vn }?
{v1 , v2 , . . . , vn }
de
generan el espacio
Cn ?
Si
tiene
n diferentes j
i = j , i = j
donde
tiene
{v1 , v2 , . . . , vn }
que
generan el espacio
note:
Cn .
La demostracin de esta proposicin no es muy difcil, pero no es interesante para incluirla Si desea investigar esta idea, lase Strang G., Algebra Lineal y sus aplicaciones para la
aqu.
demostracin. Adems,
det (A I) = cn n + cn1 n1 + + c1 + c0 = 0
tiene
races diferentes.
7 This
86
CHAPTER 5.
en trminos de
{v1 , v2 , . . . , vn }?
Queremos encontrar
{1 , 2 , . . . , n } C
x = 1 v1 + 2 v2 + + n vn
Para poder encontrar el conjunto de variables, empezaremos poniendo los vectores culumnas en una matriz
{v1 , v2 , . . . , vn }
como
de nn.
. . .
. . .
. . .
V = v1
. . . Ahora la (5.4) se convierte en
v2
. . .
...
vn
. . .
. . .
. . .
. . .
1
. . .
x = v1
. . .
v2
. . .
...
vn
. . .
x=V
Lo que nos da una forma sencilla de resolver para la variable de nuestra pregunta
=V
Notese que
V.
x=V
donde
x1
. . .
=V
1
. . .
xn
es solo
0 1 0 x = x1 . + x2 . + + xn . . . . . . . 0 0 1
. . .
. . .
. . .
x = 1 v1 + 2 v2 + + n vn
. . . . . . . . .
V transforma x
{v1 , v2 , . . . , vn }
87
{v1 , v2 , . . . , vn }
b,
del sistema:
b = Ax = A (1 v1 + 2 v2 + + n vn ) Ax = 1 1 v1 + 2 2 v2 + + n n vn = b
. . . . . . . . .
1 1
. . .
Ax = v1
. . .
v2
. . .
...
vn
. . .
1 n
Ax = V Ax = V V 1 x
donde
0 2
. . .
... ...
.. .
0 = . . . 0
Finalmente, podemos cancelar las
...
0 . . . n A:
A = V V 1
5.4.3.1 1 Interpretacin
Para nuestra interpretacin, recordemos nuestra formulas:
= V 1 x
b=
i
podemos interpretar el funcionamiento de
(i i vi )
x1
. . .
con
1
. . .
A como:
1 1
. . .
b1
. . .
xn
1 n
bn
Donde los tres pasos (las echas) en la ilustracin anterior representan las siguientes tres operaciones: 1. Transformar
usando
V 1 ,
nos da
2. Multiplicar por
V,
lo que nos da
88
CHAPTER 5.
Figure 5.9:
es
Av = v
solo
(5.5)
multiplicar
por
.
escala
solo
v,
A....
x Cn ,
podemos encontrar
{1 , 2 , n } C
tal que:
x = 1 v1 + 2 v2 + + n vn
Dada la (5.6), podemos reescribir posteriormente:
Ax = b.
Figure 5.10:
Sistema LTI.
8 This
89
x=
i
(i vi ) (i i vi )
i
b=
El sistema LTI representado anteriormente representa nuestra (5.5). La siguiente es una ilustracin de los paso para ir de
b. x = V 1 x V 1 x V V 1 x = b
Donde los tres pasos (las echas) de la ilustracin anterior representan las siguientes tres operaciones: 1. Transformar 2. Accin de
usando
V 1
- nos da
V,
lo que nos da
f (t)
y (t)
(5.7)
H [f (t)] = y (t)
Figure 5.11:
de
N xN
operando en un vector
x CN
bC
Ax = b
(5.8)
90
CHAPTER 5.
Figure 5.12:
es
v CN
tal que
Av = v, C,
Figure 5.13:
Av = v donde v CN es un eigenvector de A.
f (t)
H [f (t)] = f (t) , C
Figure 5.14:
91
est , s C
H est = s est
(5.10)
Figure 5.15:
note:
Mientras que
{est , s C }
nicas eigenfunciones.
Podemos probar la (5.10) expresando la salida como una convolucin (Section 3.2) de la entrada la respuesta al impulso (Section 1.4)
est
y de
h (t)
de
H: = = =
h ( ) es(t ) d h ( ) est e(s ) d est h ( ) e(s ) d
H [est ]
(5.11)
t,
es una constante
s ;
H est = s est
El eigenvalor
s H (s) s .
H.
Para
Figure 5.16:
92
CHAPTER 5.
Ya que la accin del operador LTI en esta eigenfuncin
est
f (t)
Las Series de Fourier (Section 6.2) nos dan la representacin para una seal peridica continua en el tiempo, mientras que (poco ms complicada) transformada de Fourier tiempo continuo. nos deja expandir seales arbitrarias de
1 if |f | < W S (f ) = 0 if |f | > W
Table 5.1
Dominio de la Frecuencia
a1 s1 (t) + a2 s2 (t) s (t) R s (t) = s (t) s (t) = (s (t)) s (at) s (t ) ej2f0 t s (t) s (t) cos (2f0 t) s (t) sin (2f0 t)
d dt s (t) t s () d
a1 S1 (f ) + a2 S2 (f ) S (f ) = S (f ) S (f ) = S (f ) S (f ) = (S (f ))
1 |a| S f a
e(j2f ) S (f ) S (f f0 )
S(f f0 )+S(f +f0 ) 2 S(f f0 )S(f +f0 ) 2j
j2f S (f )
1 j2f S (f ) if S d 1 (j2) df S (f )
(0) = 0
ts (t)
S (0)
2
s (0)
S (f ) df (|S (f ) |) df
2
11 "Derivation of the Fourier Transform" <http://cnx.org/content/m0046/latest/> 12 This content is available online at <http://cnx.org/content/m12875/1.2/>.
93
x1 x2 + 2x3 = 0
donde encontramos una combinacin lineal de estos tres vectores igual a cero sin utilizar los coecientes igual a cero. Por lo tanto, estos vectores son no
linealmente independientes!
x=
Solution to Exercise 5.3 (p. 81)
Los eigenvectores que debi encontrar son:
3 1 h1 + h2 2 2
v1 = v2 =
Y los eigenvalores correspondientes son:
1 0 0 1
1 = 3 2 = 1
Solution to Exercise 5.4 (p. 82)
Para poder probar que estos dos vectores son eigenvectores, mostraremos que estas armaciones cumplen con los requisitos que indica la denicin (Denition: "Eigenvector", p. 80).
Av1 = Av2 =
Este resultado nos muestra que
3 1 3
1 3 1 3
1 1 1
2 2 4
solo escala los dos vectores (es decir cambia sus longitudes) y esto prueba
que la (5.2) es cierta para los siguientes dos eigenvalores que se le pidi que encontrara:
1 = 2 2 = 4
. Si quiere convencerse ms, entonces tambin se pueden gracar los vectores y su producto correspondiente con
para ver los resultados como una versin escalada de los vectores originales
v1
v2 .
Solution to Exercise 5.5 (p. 85) Mtodo Directo (usese la multiplicacin bsica de matrices)
Ax =
3 1
1 3
5 3
12 4
94
CHAPTER 5.
Eigenvectores (use los eigenvectores y eigenvalores que se encotraron anteriormente para esta misma matriz)
v1 = v2 =
1 1 1 1
1 = 2 2 = 4
Como se muestra en la (5.3), queremos representar caso tenemos:
Para este
x = 4v1 + v2 x= 5 3 1 1 1 1
= 4
Ax = A (4v1 + v2 ) = i (4v1 + v2 )
Por lo tanto, tenemos
Ax = 4 2
Ntese que el mtodo usando eigenvectores
1 1
+ 4
1 1
12 4
Chapter 6
Series Fourier del Tiempo Continuo
6.1 Seales Peridicas1
Recordemos que las funciones peridicas son funciones en las cuales su forma se repite exactamente despus de un periodo o ciclo. Nosotros representaremos la denicin de una como:
f (t) = f (t + mT ) m Z
donde
T > 0
representa el
periodo.
Por esta razn, usted podr ver esta seal ser llamada la seal
peridica-T. Cualquier funcin que satisfaga esta ecuacin es peridica. Podemos pensar en funciones peridicas (con periodo-T ) de dos diferentes maneras: #1) Como una funcin en
todos
Figure 6.1:
#2) O, podemos podemos recortar todas las redundancias, y pensar en ellas como funciones en un intervalo
[0, T ]
[a, a + T ]).
1 This
95
96
CHAPTER 6.
[0, T ].
Figure 6.2:
Remueva la redundancia de la funcion periodica para que f (t) no esta denido afuera
Una funcion
aperiodica CT
f (t)
no se repite para
cualquier
T R;
s.t. esta
dado
est como
una entrada
H (s) C
(Figure 6.3) mostrada abajo tenemos un simple exponencial como entrada que da el siguiente resultado:
(6.2)
Figure 6.3:
es linear, calcular
y (t)
se vuelve fcil de hacer. Esta propiedad de linealidad es descrita por las dos ecuaciones mostradas abajo
2 This
97
y (t),
en el lado
cn esn t
n n
cn H (sn ) esn t
La accin que H ejerce en entradas como las que se muestran en estas dos ecuaciones son fciles de explicar: H escala independientemente del exponencial esn t con un numero complejo diferente H (sn ) C. De esta manera, si podemos describir la funcin f (t) como la combinacin de exponentes complejos esto nos permitira:
H fcilmente dado f (t) como una entrada (tomando en cuenta que conocemos H (s)) como H manipula f (t)
f (t)
f (t) =
n=
Donde
cn ej0 nt
(6.3)
2 T es la frecuencia fundamental. Para casi todas f (t) de inters practico, existe cn que hace la 2 (6.3) verdadera. Si f (t) es de energa nita (f (t) L [0, T ]), entonces la igualdad de (6.3) sostienen la idea
0 =
de convergencia de energa; si si
f (t)
f (t)
Los
tiene algunas condiciones intermedias (las condiciones de DIRICHLET), la ecuacin (6.3) se sostiene
cn
coecientes de Fourier- que nos dicen que tanto del sinusoidal ej0 nt
esta presente en
f (t).
por una sistema LTI (ya que existe una Eigenfuncion para
(6.3) nos dice de un conjunto de exponenciales complejos armnicos pensar en una seal o funcin,
ej0 nt , n Z
para el espacio de funciones T-peridicas continuas. Aqu se muestran algunos ejemplos que les ayudaran a
f (t),
6.2.2.1 Ejemplos
Para cada una de las funciones de abajo, descomponlas en sus partes ms simples y encuentra sus coecientes de Fourier. Oprima para ver la solucin.
Exercise 6.1
(Solution on p. 123.)
f (t) = cos (0 t)
Exercise 6.2
(Solution on p. 123.)
98
CHAPTER 6.
Exercise 6.3
(Solution on p. 123.)
f (t),
cn ,
lo cual requiere
una pequea manipulacin algebraica (para una derivacin completa de estos coeciente por favor vea la seccin titulada derivacin para los coeciente de Fourier (Section 6.3). El resultado nal da la siguiente ecuacin general para estos coecientes:
cn =
La secuencia de nmeros complejos
1 T
(6.4)
f (t).
trasformar en su representacin de series de Fourier usando (6.4). As mismo, podemos sacar la transformada inversa a una secuencia de nmeros complejos, cn , usando (6.3) para
f (t).
As como es una manera natural para representar las seales que son manipuladas por los sistemas LTI, las series de Fourier proveen una descripcin par alas seales peridicas que son convenientes de muchas maneras. Al ver las series de Fourier
f (t),
f (t)
como la
propiedad de suavidad, la existencia de una simetra, as como el signicado fsico de las frecuencias.
Exercise 6.4
(Solution on p. 123.)
f (t), al combinar
Synthesis
f (t) =
n=
cn ej0 nt
(6.5)
Nuestra segunda ecuacin (6.4), llamada la ecuacin de anlisis, revela que tanto de cada sinusoidal existe en
f (t). cn = 1 T
T
Analisis
0
(6.6)
0 =
2 T .
99
note:
[0, T ]
nuestra ecuacin de
[a, a + T ]
de tamao
T.
Example 6.1
Esta demostracin le ayuda a sintetizar una seal al combinar los senosoidales, muy similar a la ecuacin de sntesis para las series de Fourier. Vea aqu
4
que es la
f (t) =
n=
cn ej0 nt cn ,
(6.7)
f (t).
En la siguiente explicacin lo llevaremos paso por paso por la derivacin de la ecuacin generar para
6.3.2 Derivacin
Para resolver la ecuacin (6.7) para
cn ,
que todo, tenemos que multiplicar los dos lados de (6.7) por
e(j0 kt) ,
donde
k Z.
(6.8)
(6.9)
En el lado derecho podemos intercambiar la sumatoria y el integral y sacar la constante fuera del integral.
cn
0
ej0 (nk)t dt
(6.10)
Ahora que hemos hecho esto lo que al parecer es mas complicado, nos enfocaremos en tan solo el integral,
T j0 (nk)t e dt, que se encuentra en el lado derecho de la ecuacin. Para este integral debemos considerar 0 solo dos casos: n = k y n = k . Para n = k tenemos: T
ej0 (nk)t dt = T , n = k
0
(6.11)
4 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/> 5 This content is available online at <http://cnx.org/content/m12894/1.1/>. 6 "Fourier Series: Eigenfunction Approach": Section Fourier Series <http://cnx.org/content/m10496/latest/#fs>
100
CHAPTER 6.
Para
n = k,
tenemos:
ej0 (nk)t dt =
0
Pero
cos (0 (n k) t) dt + j
0 0
sin (0 (n k) t) dt , n = k n k,
entre
(6.12)
cos (0 (n k) t)
T.
Imagine la graca de
un coseno; por que tiene periodos con nmeros enteros, hay reas de igual valor debajo y arriba del eje de las ordenadas en la graca. Este hecho es verdadero para
sin (0 (n k) t)
cos (0 (n k) t) dt = 0
0
Tambin para el integral de una funcin de seno. integral:
T 0
(6.14)
Regresemos a nuestra complicada ecuacin, (6.10), para ver si podemos encontrar una ecuacin para nuestros coecientes de Fourier. Usando los hechos que ya hemos probado, podemos ver que nica vez que la ecuacin (6.10)tiene valores de no cero como resultado es cuando
cn =
1 T
(6.16)
f (t)peridica:
, saque el rea por debajo de la curva (dividiendo por
k,
multiplique
f (t) por e k Z.
(j0 kt)
T ).
f (t),
en trminos de exponenciales
7 This content is available online at <http://cnx.org/content/m12896/1.2/>. 8 "Eigenfunctions of LTI Systems" <http://cnx.org/content/m10500/latest/> 9 "Matrix Diagonalization" <http://cnx.org/content/m10738/latest/>
101
H [. . . ]
est
es
(6.17)
H [. . . ]
nada mas
escala
st
H [. . . ]
(Section 5.1.2: Subespacio Generado) el espacio de funciones peridicas (Section 6.1), lo que signica que para, (casi) todas las funciones peridicas podemos encontrar such that:
f (t)
we can nd
{cn }
where
nZ
and
ci C
(6.18)
f (t) =
n=
Dada (6.18), podemos re-escribir
cn ej0 nt
H [t] = y (t)
Figure 6.4:
Donde tenemos:
f (t) =
n
y (t) =
n
Esta transformacin de
f (t)
en
y (t)
Donde los tres pasos (echa) en nuestra ilustracin de arriba y representa a las siguientes tres operaciones: 1. Transformacin con anlisis(ecuacin de coecientes de Fourier (Section 6.3)):
cn =
2. La accin de
1 T
10
H (j0 n)
3. Regrese a las antiguas bases- transforme inversamente usando nuestra ecuacin de sntesis que viene de las series de Fourier:
y (t) =
n=
cn ej0 nt
10 "Fourier
102
CHAPTER 6.
{cn } de una seal f (t), denida en (6.18), tiene una interpretacin fsica muy imporcn nos dice que tanto de la frecuencia 0 n existe en la seal. cambien lentamente en el tiempo- seales suaves- tienen un gran cn para pequeas n.
(a)
(b)
Figure 6.5: Empezaremos con nuestra seal suave f (t) en la izquierda, y despues usaremos las series de Fourier para encontrar los coecientes de Fourier- lo cual se muestra en la gura de la derecha.
n.
(a)
(b)
Figure 6.6: Empezaremos con nuestra seal ruidosa f (t) en el lado izquierdo, y usaremos las series de Fourier pada encontrar los coecientes de Fourier- lo cual se muestra en la gura de la derecha.
f (t),
en el intervalo
T 2
,T 2
Figure 6.7:
103
cn =
1 T
(6.20)
Podemos calcular fcilmente nuestra cn . Dejaremos este clculo como ejercicio para usted! Despus de resolver la ecuacin para nuestra
resultado:
(6.21)
Para
T1 =
Figure 6.8:
T 8
f (t) n = 0 son
cn
cn
se acerca al innito.
Por qu
cn = 0
n = {. . . , 4, 4, 8, 16, . . . }? n?)
( qu parte de
e(j0 nt)
se encuentra
f (t) =
n= T
cn ej0 nt
(6.22)
cn =
Deje
1 T
(6.23)
F {}
describen la transformacin de
f (t)
F {f (t)} = cn , n Z F {}
graca funciones con valores complejos a secuencias de nmeros complejos
12
104
CHAPTER 6.
6.5.1 Linealidad
F {}
es una
transformacin linear.
y
Theorem 6.1:
Si
F {f (t)} = cn
F {g (t)} = dn .
Entonces
F {f (t)} = cn , C
y
F {f (t) + g (t)} = cn + dn
Proof:
Muy fcil, nada mas es la linealidad del integral.
F {f (t) + g (t)}
= = = =
T (f (t) + g (t)) e(j0 nt) dt , n Z 0 1 T 1 T (j0 nt) dt + T 0 g (t) e(j0 nt) dt T 0 f (t) e
, nZ
cn + dn , n Z cn + dn
(6.24)
6.5.2 Desplazamiento
Desplazamiento en el tiempo es igual a un desplazamiento angular de los coecientes de Fourier (Section 6.3)
Theorem 6.2:
F {f (t t0 )} = e(j0 nt0 ) cn
si
cn = |cn |ejcn ,
entonces
F {f (t t0 )}
= = = =
nZ
(6.25)
(|f (t) |) dt = T
n=
(|cn |)
(6.26)
La relacin de Parseval nos permite calcular la engra de la seal de sus series de Fourier.
note:
maps
L2 ([0, T ])
l2 (Z).
105
Figure 6.9
Exercise 6.5
Par
(Solution on p. 124.)
f (t)
1 n
cn
hace cuando
n ?
(Solution on p. 124.)
Exercise 6.6
S
cn =
, |n| > 0 cn =
1 n
, es
f L2 ([0, T ])?
(Solution on p. 124.)
, es
Exercise 6.7
Ahora , s
, |n| > 0
energa nita.
d f (t) dt
= jn0 cn
(6.27)
f (t) =
n=
entonces
cn ej0 nt
(6.28)
d dt f
(t)
= =
n= n=
d cn dt ej0 nt
cn j0 nej0 nt
acenta las frecuencias altas.
(6.29)
Un diferenciador
f (t)
Remueve rasgos
f (t)
es el
ver cuantas derivadas tienen energa nita. Esto se hace al observar los coecientes de fourier de una seal, especcamente el que tan rpido se
scomponen cuando
tiene la forma
n .
nm . Entonces nk
1 d F {f (t)} = cn y |cn | tiene la forma nk , entonces F dtm f (t) = (jn0 ) cn th derivada tenga energa nita, necesitamos para que la m
Si
de-
nm | nk
<
106
CHAPTER 6.
por lo tanto
2k 2m > 1
o
k>
2m + 1 2
F {f (t)} = cn
entonces
(6.30)
note:
f ( ) d
1 cn j0 n
(6.31)
Si
c0 = 0,
Integracin acenta frecuencias bajas y atena frecuencias altas. Integradores muestran las cosas generales de las seales y suprimen variaciones de corto plazo (lo cual es ruido en muchos casos). Integradores son mejores que diferenciadores.
f (t)
y (t), en ,
es tal
con coecientes de Fourier cn y una seal g (t) con coecientes dn , podemos denir y (t), donde y (t) = f (t) g (t). Descubrimos que la representacin de series de Fourier que en = k= (ck dnk ). Esto es para decir que la multiplicacin de seales en el
dominio del tiempo es equivalente a la convolucin discreta (Section 4.2) en el dominio de la frecuencia. La prueba es la siguiente
en
= = = =
1 T 1 T
T f (t) g (t) e(j0 nt) dt 0 T j0 kt g (t) e(j0 nt) dt k= ck e 0 1 T (j0 (nk)t) dt k= ck T 0 g (t) e k= (ck dnk )
(6.32)
f (t) = f (t) (f (t) es el complejo conjugado de f (t)), entonces cn = cn lo cual implica que Re (cn ) = Re (cn ), Por ejemplo, la parte real de cn es par, y Im (cn ) = (Im (cn )), Por ejemplo, tla parte imaginaria de cn es impar. Vea Figure 6.10. Lo que tambien implica que |cn | = |cn |, Por ejemplo, que la magnitud es par, y que la cn = ( cn ),
107
Proof:
cn
= = =
1 T 1 T 1 T
T 0 T 0 T 0
, f (t) = f (t)
(6.33)
= cn
(a)
(b)
Figure 6.10:
108
CHAPTER 6.
(a)
(b)
Figure 6.11:
|cn | = |cn |, y cn = ( cn ).
f (t) = (f (t)),
cn = cn
Proof:
cn = cn .
T 2
cn
= = = =
1 T 1 T 1 T 2 T
( T ) 2 0 ( T ) 2
T 2 T 2
(6.34)
0 0
entonces
cos (0 nt) son reales lo cual implica que cn es real. cn = cn . Es tn fcil demostrar que f (t) = 2 cos (0 nt) son reales y pares.
y
f (t)
Tambin cos (0 nt) = cos ( (0 nt)) n=0 (cn cos (0 nt)) ya que f (t), cn , y
(t))
cn = (cn ),
Por
f (t) = f (t) , Por ejemplo, la seal es real y impar, entonces cn = cn ejemplo, cn es impar y completamente imaginaria.
y
109
Proof:
Hgalo usted en casa.
Si
f (t)
sin (0 nt):
f (t) =
n=1
6.6.2 Resumen
Podemos encontrar
fe (t),
fo (t),
f (t),
podemos encontrar
{an }
{bn }
que da
f (t) =
n=0
(6.36)
Figure 6.12:
T = 1 y 0 = 2 .
f (t)
es real e impar.
cn =
4A j 2 n2 if n = {. . . , 11, 7, 3, 1, 5, 9, . . . } 4A if n = {. . . , 9, 5, 1, 3, 7, 11, . . . } j 2 n2
0 if n = {. . . , 4, 2, 0, 2, 4, . . . }
110
CHAPTER 6.
Es
cn = cn ?
Figure 6.13:
note:
coecientes de Fourier. Hecha un vistazo a los ejemplos anteriores. Las funciones del pulso y sawtooth no son continuas y sus series de Fourier disminuyen como
1 n . La funcin triangular es continua, pero no es diferenciable, y sus series de 1 Fourier disminuyen como 2 . n Las siguientes 3 propiedades nos darn una mejor idea de esto.
f (t)
v (t),
esta
donde
y (t), an ,
cn y una seal g (t) con coecientes de Fourier dn , v (t) = (f (t) g (t)) Encontramos que la representacin de las series que an = cn dn . (f (t) g (t)) es una convolucin circular16 de dos seales T T convolucin en el intervalo, (f (t) g (t)) = 0 0 f ( ) g (t ) d dt.
cientes de fourier.
14 This content is available online at <http://cnx.org/content/m12899/1.1/>. 15 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/> 16 "Circular Convolution and the DFT" <http://cnx.org/content/m10786/latest/>
111
La prueba es la siguiente
an
= = = = = = = =
T v (t) e(j0 nt) dt 0 T T f ( ) g (t ) d e(j0 nt) dt 0 0 T 1 T f ( ) T 0 g (t ) e(j0 nt) dt d 0 1 T 1 T g () e(j0 (+ )) d d , = T 0 f ( ) T 1 T 1 T g () e(j0 n) d e(j0 n ) d T 0 f ( ) T 1 T (j0 n ) d T 0 f ( ) dn e T 1 (j0 n ) dn T 0 f ( ) e d 1 T 1 T2 1 T
t
(6.37)
cn dn
Example 6.4
Vea el pulso cuadrado con periodo,
T1 =
T 4:
Figure 6.14
cn =
Exercise 6.8
1 T if n = 0 1 sin( 2 n) otherwise 2 2n
(Solution on p. 124.)
an = cn =
2 1 sin ( 2 n) 4 ( n) 2 ? 2
17 This
112
CHAPTER 6.
Figure 6.15:
donde
est
es una eigenfuncin de
18
H. Su eigenvalor h (t)
H (s)
H (s) =
h ( ) e(s ) d f (t)
peridica (Section 6.1) donde
As, usando la expansin de las series de Fourier (Section 6.2) para usamos la entrada
f (t) =
n
en el sistema,
cn ej0 nt
Figure 6.16:
Sistema LTI
nuestra salida
y (t)
ser
y (t) =
n
Podemos ver que al aplicar las ecuaciones de expansin de series de fourier, podemos ir de viceversa, y es lo mismo para la salida,
cn
y (t)
Mantenga en mente el sistema bsico LTI que presentamos en Figure 6.16. El sistema LTI,
H,
{cn }
{H (jw0 n)},
{H (jw0 n) cn }
(una simple multiplicacin de termino por termino). completamente lo que un sistema LTI le hace a una
los eigenvalores,
18 "The
113
Example 6.5
Qu hace este sistema?
Figure 6.17
Example 6.6
Y, est sistema?
(a)
Figure 6.18
(b)
6.8.3 Examples
Example 6.7: El circuito RC
h (t) =
1 t e RC u (t) RC f (t)?
Qu es lo que este sistema hace a las series de fourier de la Calcula los eigenvalores de este sistema
H (s)
= = = = =
(6.38)
1 1+RCs
Ahora, decimos que a este circuito RC lo alimentamos con una entrada periodo
f (t)
peridica (con
T = 2w0 ).
114
CHAPTER 6.
Vea los eigen valores para
|H (jw0 n) | =
El circuito RC es un sistema frecuencias altas (
0)
atena
grandes).
f (t)
cn =
1 t en n = 0 Sistema : Eigenvalores
1 sin n 2 2 n 2
H (jw0 n) =
1 1 + jRCw0 n y (t)
dn = H (jw0 n) cn =
1 1 sin n 2 1 + jRCw0 n 2 n 2
dn =
y (t) =
Qu podemos decir sobre 1. Es 3.
y (t)
de
{dn }?
2. Es
y (t) real? y (t) simtrico par? simtrico impar? Com se y (t) es mas suave que f (t)? (el
radio de descomposicin de
dn
vs.
cn )
dn = |dn | =
1 sin n 2 2 2 2n
cualquier funcin
f (t),
se puede representar como una suma de senosoidales complejos (Section 1.3). Si usted no lo
esta, intente ver la seccin de generalidades de eigenfunciones (Section 5.5) o de eigenfunciones de los sistemas
19 This
115
LTI (Section 5.6). Hemos demostrado que podemos representar la seal como una suma de exponenciales usando las ecuaciones de las series de Fourier (Section 6.2) mostradas aqu:
f (t) =
n
cn ej0 nt
T
(6.39)
cn =
Joseph Fourier
20
1 T
(6.40) Lagrange
insisti que estas ecuaciones eran verdaderas, pero nunca las pudo probar.
ridiculiz pblicamente a Fourier y dijo que solo funciones continuas podran ser representadas como (6.39) (as que probo que la (6.39) funciona para funciones continuas en el tiempo). Sin embargo, nosotros sabemos que la verdad se encuentra entre las posiciones que Fourier y Lagrange tomaron.
fN (t) =
n=N
donde
cn ej0 nt
cn es igual a los coecientes de Fourier, f (t). (vea (6.40)). fN (t) es la reconstruccin parcial de f (t) usando los primeros 2N + 1 coecientes de Fourier. fN (t) se aproxima a f (t), con la aproximacin mejorando cuando N se vuelve grande. As que, podemos pensar que el conjunto fN (t) , N = {0, 1, . . . } es una secuencia de funciones, cada una aproximando f (t)
mejor que la anterior. La pregunta se convierte en , s esta secuencia converge a
f (t)?
fN (t) f (t)
asi como a
N ?
Trataremos de responder estas preguntas al ver la convergencia de dos maneras diferentes: 1. Viendo la
lim fN (t)
en
f (t).
eN (t)
f (t)
y su reconstruccin parcial
fN (t)
(6.41)
f (t) L2 ([0, T ])
eN (t) 0
2
cuando
es
T 0
(|eN (t) |) dt =
0
f (t) fN (t) dt 0
(6.42)
T N
lim
= lim
(|cn |)
|n|>N
=0
Donde la ecuacin antes del cero es la suma de la ltima parte de las series de Fourier. La cual se aproxima a cero por que
f (t) L2 ([0, T ])
20 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Fourier.html
116
CHAPTER 6.
eN 0
f (t)
lim fN (t)
sean
(a)
Figure 6.19
(b)
f (t)
g (t),
t, f (t) = g (t),
pero
T 0
De esto podemos derivar las siguientes relaciones:
Convergencia de energa = convergencia de punto por punto Convergencia de punto por punto convergencia en L2 ([0, T ])
Sin embargo, lo contrario de la proposici no es cierto. Resulta que si entonces
f (t)
tiene una
g (t))
en
t0 ,
f (t)
f (t ) = lim fN (t )
N
si
f (t)
es
continua en
t=t.
Dirichlet, las condiciones Dirichlet son las condiciones existencia y convergencia de las series de Fourier22 o de las trasformadas de Fourier23 .
21 This content is available online at <http://cnx.org/content/m12927/1.2/>. 22 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/> 23 "Derivation of the Fourier Transform" <http://cnx.org/content/m0046/latest/>
117
Proof:
Las series de fourier existen (los coecientes son nitas) si
(6.43)
Esto se puede probar usando la condicin inicial de los coecientes iniciales de las series de fourier que pueden ser nitas.
|cn | = |
1 T
1 T
(6.44)
|e(j0 nt) | = 1,
nos
1 T
|f (t) |dt =
0
1 T
|f (t) |dt
0
(6.45)
<
(6.46)
f (t) =
1 , 0<tT t
no tiene la condicin necesaria.
(6.47)
Esto se puede derivar de la misma manera en la que se derivo las condiciones dbiles de Dirichlet para las series de fourier, se empieza con la denicin y se demuestra que la transformada de fourier debe de ser menor que innito en todas partes.
24 "The
118
CHAPTER 6.
mximos y mnimos. Para que las series de fourier existan las siguientes dos condiciones se deben de
f (t) f (t)
tiene solo un nmero nito de mnimos y mximos. tiene un numero nito de discontinuidades y cada una es nita.
Esto es a lo que nos referimos como las condiciones seales que violan estas condiciones por ejemplo
sin (logt),
laboratorio. Por eso, cualquier seal en el mundo real tendr una representacin de Fourier.
6.10.2.1 Ejemplo
Asumamos que tenemos la siguiente funcin e igualdad:
(6.48)
f (t)
f ( ) = f ( )
en cualquier
donde
f (t)
es continuo y donde
f (t)
es discontinuo,
f (t)
es el valor
(a)
Figure 6.20:
(b)
note: Las funciones que no cumplen con las condiciones de Dirichlet son patolgicas como inge-
25 This
119
nito de discontinuidades. Esto parece decir lo contrario de lo que hemos explicado, ya que los exponenciales complejos (Section 1.5) son funciones continuas. No parece que sea posible el poder reconstruir exactamente una funcin discontinua de un conjunto de funciones continuas. De hecho, no se puede. Sin embargo, podemos relajar la condicin de `exactamente' y remplazarla con la idea de casi en todos lados. Esto es para decir que la reconstruccin es exactamente la misma de la seal origina excepto en un numero de puntos nitas. Estos puntos ocurren en las discontinuidades.
6.11.1.1 Historia
En los 1800s, muchas maquinas fueron construidas para calcular los coecientes de Fourier y re-sintetizar:
fN (t) =
n=N
cn ej0 nt
(6.49)
Albert Michelson (un fsico experimental extraordinario) construyo una maquina en 1898 que poda calcular
cn hasta n = 79,
y re-sintetizo
79
f79 (t) =
n=79
cn ej0 nt
(6.50)
La maquina funciono muy bien en todos los exmenes excepto en esos que tenan
funciones descontinas.
Cuando una funcin cuadrada como la mostrada en Figure 6.21 (Fourier series approximation of a square wave),fue dada a la maquina aparecieron garabatos alrededor de las discontinuidades, aunque el numero de los coecientes de fourier llegaron a ser casi innitos, los garabatos nunca desaparecieron- esto se puede observar en las Figure 6.21 (Fourier series approximation of a square wave). J. Willard Gibbs fue el primero en explicar este fenmeno en 1899, por eso estos puntos son conocidos como el
Fenmeno de Gibbs.
6.11.2 Explicacin
pulso cuadrado) y encontrando su representacin de series de fourier. Entonces trataremos de reconstruir esta
Empezaremos esta discusin tomando una seal con un nmero nito de discontinuidades (como el seal usando sus coecientes de fourier. Vemos que entre mas coecientes usemos, la seal reconstruida se parece ms y ms a la seal original. Sin embargo, alrededor de las discontinuidades, observamos ondulaciones que no desaparecen. Al considerar el uso de ms coecientes, las ondulaciones se vuelven estrechas, pero no desaparecen. Cuando llegamos a un nmero casi innito de coecientes, estas ondulaciones continan ah. Esto es cuando aplicamos la idea de casi en todos lados. Mientras estas ondulaciones siguen presentes (estando siempre arriba del 9% de la altura del pulso), el rea dentro de ellas tiende a ser cero, lo que signica que la energa de las ondulaciones llega a ser cero. Lo que demuestra que su anchura tiende a ser cero y podemos saber que la reconstruccin de la seal es exactamente igual ala seal original excepto en las discontinuidades. Ya que las condiciones de Dirichlet dicen que pueden haber un numero nito de discontinuidades, podemos concluir que el principio de casi en todos lados es cumplido. Este fenmeno es un caso especco de una
convergencia no-uniforme.
Usaremos una funcin cuadrada, junto con sus series de Fourier, para ver gures donde se muestra este fenmeno con detalles un poco mas matemticos.
s (t) = a0 +
k=1
ak cos
2kt T
+
k=1
bk sin
2kt T
(6.51)
120
CHAPTER 6.
6.11.2.2 Ejemplo
La siguiente Figure 6.21 (Fourier series approximation of a square wave) nos muestra varias aproximaciones para las series de fourier de la funcin cuadrada
26
K:
Figure 6.21:
Aproximacion de las series de Fourier para sq (t). El numero de terminos en la suma de Fourier esta indicada en cada graca, la funcion cuadrada es mostrada en dos periodos con una linea quebradiza.
Cuando comparamos la funcin cuadrada con su representacin de la series de Fourier Figure 6.21 (Fourier series approximation of a square wave), no se puede ver claramente que las dos son iguales. El hecho de que las series de fourier requieren ms trminos para una representacin ms exacta no es importante. Sin embargo, una inspeccin mas detallada Figure 6.21 (Fourier series approximation of a square wave) revela un posible problema: la series de Fourier pueden igualar la funcin cuadrada en
En particular, en cualquier cambio de paso en la funcin, las series de fourier muestran un pico seguido por oscilaciones rpidas. Cuando se adhieren ms trminos a las series, las oscilaciones se vuelven ms rpidas
26 "Fourier
121
puede una funcin discontinua, como la funcin cuadrada, ser expresada como una suma, aun si es innita, Uno tiene que sospechar que de hecho no se puede expresar. criticas de la academia de ciencia Francesa (Lapace, Legendre, y Lagrande formaban
parte del comit de revisin) por muchos anos de su presentacin en 1907. Esto no fue resuelto por mas se cien anos, y la solucin es algo importante e interesante de entender para un punto de vista practico. Estos picos en la series de fourier de la funcin cuadrada nunca desaparecen; son llamados el fenmeno de Gibb nombrado por el fsico Americano Josiah Willard Gibb. Ocurran cada vez que las seales discontinuas, y siempre estarn presentes cuando la seal tiene brincos.
tla
igualdad
no es
garantizada. Lo que los matemticos del siglo 19 fue que el error RMS de las series de Fourier eran cero.
lim rms (
K)
=0
(6.52)
Lo que signica es que la diferencia entre la seal actual y su representacin en fourier puede no ser cero, pero el cuadrado de esta cantidad tiene una integral igual a cero! Es a travs del valor de RMS que denimos igualdad: dos seales seales se dicen ser iguales
s1 (t), s2 (t) se dicen ser iguales en el promedio cuadrado si rms (s1 s2 ) = 0. punto a punto si s1 (t) = s2 (t) para todos los valores de t. Para las
Estas series
de fourier, los picos del fenmeno de Gibbs tienen altura nita y anchura de cero: el error diere de cero solo en punto aislado- cuando la seal peridica contiene discontinuidades- igual a 9% del tamao de la discontinuidad. El valor de la funcin en conjunto de puntos nitos afecta el integral. Este efecto no explica la razn del porque denimos el valor de una funcin descontina en su discontinuidad. El valor que se escoja para esta discontinuidad no tiene una relevancia prctica para el espectro de la seal o el como el sistema responde a esta seal. Las series de fourier valoradas en en la discontinuidad es el promedio de los valores en cualquier lado del salto.
f (t)
como la
f (t) =
n=
cn ej0 nt
T
(6.53)
cn =
Donde los coecientes de Fourier, 2. Ya que
1 T
(6.54)
cn ,
0 n
existen en la seal.
ej0 nt
son eigenfunciones de sistema LTI (Section 6.8) podemos interpretar la accin de un : (6.55)
H (j0 n) =
27 http://www-groups.dcs.st-and.ac.uk/history/Mathematicians/Fourier.html 28 This content is available online at <http://cnx.org/content/m12932/1.3/>. 29 "Eigenvectors and Eigenvalues" <http://cnx.org/content/m10736/latest/>
122
CHAPTER 6.
|H (j0 n) | |H (j0 n) |
3. En adicin el
es grande
el sistema
es pequeo el sistema
0 n
{cn }
f (t)
simetras en suavidad en
f (t) f (t),
|cn |.
4. Podemos
truncando la S.F.)
fN (t) =
n|N |
Esta aproximacin funciona bien donde
cn ej0 nt
es continuo pero no funcin tambin cuando
(6.56)
f (t)
f (t)
is
123
ej0 nt .
Para hacer esto, nosotros usaremos nuestro conocimiento de la relacin de Euler (Sec-
tion 1.5.2: La Relacin de Euler) para representar nuestra funcin de coseno en trminos de su exponencial.
f (t) =
1 j0 t e + e(j0 t) 2
Con esta forma y con (6.3), al inspeccionarla podemos ver que nuestros coecientes son:
cn =
Solution to Exercise 6.2 (p. 97)
1 2 if
|n| = 1
0 otherwise
Como lo hicimos en nuestro otro ejemplo usaremos una vez ms la relacin de Euler (Section 1.5.2: La Relacin de Euler) para representar nuestra funcin de seno en trminos de funciones exponenciales.
f (t) =
Asi que nuestros coecientes son
1 ej0 t e(j0 t) 2j
j 2 if n = 1 j 2 if n = 1
cn =
0 otherwise
f (t) = 3 + 4
1 2
ej0 t + e(j0 t) + 2
1 2
ej20 t + e(j20 t)
f (t),
en (6.4).
cn =
Note que debemos considerar dos casos: el integral obtenemos.
1 T
T1 T1
n = 0 y n = 0. cn =
2T1 , n=0 T
124
CHAPTER 6.
Para
n = 0,
tenemos que tomar mas pasos para resolverlo. Empezaremos al observar el integral bsico del
integral que tenemos. Recordando nuestro clculo estamos listos para integrar:
cn =
1 T
1 j0 n
Ahora evaluaremos las funciones exponenciales para los lmites dado s y expandiremos nuestra ecuacin a:
cn =
1 T
1 (j0 n)
cn =
1 T
2j j0 n
sin (0 nT1 ) T
y sustituir
0 =
cn = f (t): cn =
Solution to Exercise 6.5 (p. 105)
Finalmente, si cancelamos algunos trminos llegaremos a nuestra respuesta nal para los coecientes de Fourier:
(|cn |) <
Si, por que
para
f (t)
2
(|cn |) =
2
(|cn |) =
Figure 6.22:
T 4
30 "The
Chapter 7
Espacios de Hilbert y Expansiones Ortogonales
7.1 Espacios Vectoriales1
7.1.1
Introduccin Denition 7.1: Espacio Vectorial
Un espacio vectorial escalar
(donde
para todo
Un conjunto de cosas llamadas "vectores" (X ) Un conjunto de cosas llamadas "escalares" (A) Un operador de adicin de vectores (+) Un operador de multiplicacin escalar ()
Estos operadores necesitan tener todas las siguiente propiedades. La cerradura usualmente es la mas importante para mostrar.
son reales,
es llamado un
Si los escalares
son complejos,
es llamado un
Si los"vectores" en
es llamado un
espacio lineal
x + y = y + x para cada x y y en V x + (y + z) = (x + y) + z para cada x, y, y z en V Hay un nico "vector cero" tal que x + 0 = x para cada x en V Para cada x en V Hay un vector nico x tal que x + (x) = 0.
content is available online at <http://cnx.org/content/m12878/1.2/>.
125
1 This
126
CHAPTER 7.
5. 6. 7. 8.
1x = x (c1 c2 ) x = c1 (c2 x) para cada x en V and c1 y c2 en C. c (x + y) = cx + cy para cada x y y en V y c en C. (c1 + c2 ) x = c1 x + c2 x para cada x en V y c1 y c2 en C.
7.1.2.2 Examples
Rn = espacio vectorial real Cn = espacio vectorial complejo L1 (R) = f (t) | |f (t) |dt < L
es un espacio vectorial
L2 (R) =
2
L ([0, T ]) = funciones de energia nita en un intervalo [0, T] 1 (Z), 2 (Z), (Z) son espacios vectoriales La coleccin de funciones por pedazos constantes entre los enteros
y el espacio vectorial
Figure 7.1
R+ 2
es
no un espacio vectorial.
1 1
R+ 2 ,
pero
1 1
no un espacio vectorial.
z1 = 1 D, z2 = j D,
pero
z1 + z2 D, /
El espacio vectorial es una coleccin de funciones, coleccin de secuencias, asi como una
127
7.2 Normas2
7.2.1 Introduccin
Mucho del lenguaje utilizado en esta seccin ser familiar para usted- debe de haber estado expuesto a los conceptos de
3
expansin de base
Rn .
7.2.2 Normas
La
norma de un vector es un nmero real que representa el "tamao" de el vector. Example 7.1
En
R2 ,
Figure 7.2
x = (x0 , x1 )
, norma
x =
Matemticamente, una
x0 2 + x1 2 norma es solo
nmero real) que satisface tres reglas Para ser una norma,
debe satisfacer:
x >0 , xS x = || x
para todos los vectores El tamao de la
y escalares
x+y x + y
para todos los vectores
x, y .
suma de dos vectores es menor o igual a la suma de sus tamaos Un espacio vectorial
5
lineal normado.
2 This content is available online at <http://cnx.org/content/m12877/1.2/>. 3 "Inner Products" <http://cnx.org/content/m10755/latest/> 4 "Orthonormal Basis Expansions" <http://cnx.org/content/m10760/latest/> 5 "Vector Spaces" <http://cnx.org/content/m10767/latest/>
128
CHAPTER 7.
Rn
(
x0
, x =
n1 i=0
Cn ),
x 1 x= ... xn1
(|xi |), Rn
([0, n 1]).
Figure 7.3:
=1
Example 7.3
Rn
Cn ),
con norma
n1 i=0
(|xi |)
1 2
Rn
es llamado
([0, n 1])
Euclideana").
Figure 7.4:
=1
129
Example 7.4
Rn
(or
Cn ,
with norm
= maxi {|xi |}
is called
([0, n 1])
Figure 7.5:
x R2 con
=1
x [n] = {. . . , x2 , x1 , x0 , x1 , x2 , . . . }
i=
1 2 p
= =
1
,
(Z)
2
< x
p 2
i=
x [n]
(Z)
<
<
f (t)
1 p
f (t)
< f (t)
p
(En el intervalo)
T 0
f (t) Lp ([0, T ])
<
Rn
de
alguno de sus cursos de matemticas o de cmputo. Si no, deniremos el producto interno de la siguiente
x Rn
y Rn
6 This
130
CHAPTER 7.
< x, y > =
yT x x0 x1
. . .
(7.1)
y0
y1
...
yn1
xn1 =
n1 i=0
(xi yi )
x R2
y R2 ,
< x, y >= x
donde
cos ()
(7.2)
es el ngulo entre
y.
Figure 7.6:
fuerza de
en la direccin de
y.
Example 7.5
Por ejemplo, si
x = 1,
entonces
< x, y >= y
cos ()
Figure 7.7:
131
< x, y > mide la longitud de la proyeccin de y sobre x. < x, y > es el mximo (dadas x , y ) donde x y y estan en la misma direccin cos () = 1). < x, y > es cero cuando cos () = 0 = 90 , es decir x y y son ortogonales.
7.3.1.2 Reglas del Producto Interno
= 0
En general el producto interno en un espacio vectorial complejo es solo una funcin (tomando dos vectores y regresando un nmero complejo) que satisface ciertas condiciones:
Simetria Conjugada:
< x, x >> 0 , x = 0
Denition 7.3: Ortogonal
Decimos que
< x, y >= 0
x =
< x, x >
(7.3)
Los Espacios de Hilbert sern de ayuda para estudiar y generalizar los conceptos de la expansin de Fourier, transformada de Fourier, y adems son muy importantes para el estudio de mecnica quntica. Los espacios de Hilbert son estudiados en anlisis funcional una rama de las matemticas.
132
CHAPTER 7.
Para
Cn , < x, y >= y x =
T
x0 x1
. . .
n1 (xi yi ) = i=0
y0
y1
...
yn1
xn1
Espacio de funciones de energa nita compleja:
L2 (R)
< f , g >=
f (t) g (t) dt
(Z)
< x, y >=
i=
x [i] y [i]
R2 , < x, y >= x
cos () y
(7.4)
| < x, y > | x
x, y
| < x, y > | x
que mantiene la igualdad dencia Lineal), es decir
si y solo si
xyy
x = y
para un escalar
133
maximizada cuando
g, entonces f = g . Esto f = g
f es Si f
g. f
y
son funciones,
signica que
que queremos ser capaces de decir cual, y si alguna de estas seales se asemeja a otra seal dada
note:
f (t)
gi (t)
se asemeja a
f (t),
largo.
Esta idea de ser capaz de medir el rango de dos seales semejantes nos da un
Detector de Filtro
f (t).
Por ejemplo
digamos que tenemos las siguientes plantillas (Figure 7.8 (Seal Platilla)) y seales de candidatos (Figure 7.9 (Seales Candidatas)):
Seal Platilla
f(t)
Figure 7.8:
134
CHAPTER 7.
Seales Candidatas
g 1(t)
g 2(t)
t
(a) (b)
de platilla.
Figure 7.9:
Claramente podemos ver cual de las seales nos dar una mejor semejanza a nuestra seal
Ahora si nuestra nica pregunta fuera cual de estas funciones se acerca mas tenemos la respuesta basada en la inspeccin
f (t)
entonces fcilmente
g2 (t).
querremos obtener un mtodo o algoritmo que pueda automatizar estas comparaciones. O tal vez queramos tener un valor cuantitativo expresando que tan similares son las seales. Para tratar estas especicaciones, presentaremos un mtodo mas formal para comparar seales, el cual, tal como se menciono anteriormente, esta basado en el producto interno. Para poder ver cuales de las seales candidatas, realizar los siguientes pasos:
g1 (t)
g2 (t),
mejor se asemeja a
f (t)
% necesitamos
Normalice
gi (t) f (t)
O ponerlo matemticamente
| < f , gi > | gi
(7.5)
135
Seal Patrn
f(t)
Figure 7.10:
El patrn que estamos buscando en una nuestra seal larga teniendo una longitud T .
Seal Larga
Figure 7.11:
Este es una seal larga que contiene un pieza que ensambla en nuestra seal patrn.
Aqu vemos dos seales cambiadas por nuestra seal patrn, cambiando las seales por dos posibilidades nos dan los siguientes clculos y resultados:
s1
and
s2 .
Estas
Cambio de
s1 :
s1 +T s1
s1 +T s1
= largo
(7.6)
Cambio de
s2 :
s2 +T s2
s2 +T s2
= pequeo
(7.7)
Por lo tanto podemos denir una ecuacin generalizada para nuestro ltro acoplado:
(7.8)
m (s) =
(7.9)
de nuestro detector de ltro acoplado es bastante grande para indicar una aceptacin correcta entre las dos
nivel de referencia. Si
136
CHAPTER 7.
s0 .
(a)
(b)
Figure 7.12: Ejemplo de la imagen de Dnde esta Waldo?". Nuestro detector de Filtro Acoplado puede ser implementado para detectar una semejanza posible para Waldo.
Entonces fcilmente podemos crear un programa para encontrar la imagen que ms se asemeje a la imagen de la cabeza de Waldo en la gura larga. Simplemente podemos implementar nuestro algoritmo de ltro
11
acoplado: tomar el producto interno de cada cambio y vase que tan larga es nuestra respuesta resultante. Esta idea fue implementada en esta misma imagen para un Proyecto de Seales y Sistemas liga para saber mas) en la Universidad de Rice. (vase esta
detectores mas ptimos para el ruido Gaussaniano. Las seales en la vida real tambin son distorsionadas por el medio ambiente que las rodea, as que es una lucha constante para descubrir maneras capaces de recibir seales torcidas y despus ser capaces de ltrarlas de alguna manera para determinar cual era la seal original. Los ltros acoplados nos proveen una manera de comparar la seal recibida con dos posibles seales (plantilla) y determinar cual es la que ms se asemeja a la seal recibida.
137
Por ejemplo a continuacin tenemos un ejemplo simplicado de la Frecuencia Desplazada de Keying (Frequency Shift Keying FSK) donde tenemos las siguientes condiciones para '1' y '0':
13
Figure 7.13:
Basados en la codicacin anterior, podemos crear una seal digital basada en 0's y 1's poniendo juntos los dos cdigos anteriores en nmero innito de maneras. Para este ejemplo transmitiremos tres nmeros bsicos de 3-bits: 101, desplegado en la siguiente Figure 7.14:
asdfasd
1
Figure 7.14:
0
asdfasd
13 "Frequency
138
CHAPTER 7.
Ahora la imagen anterior representa nuestra seal original que ser transmitida por algn sistema de comunicacin, el cual inevitablemente pasa a travs del canal de comunicacin, la parte del sistema que distorsionara y alterara nuestra seal. Mientras que nuestro ruido no sea muy grande, nuestro ltro acoplado nos mantendr despreocupados de estos cambios de nuestra seal transmitida. Una vez que la seal ha sido recibida, pasamos la seal del ruido a travs de un sistema simple, similar a la versin simplicada mostrada a continuacin en la Figure 7.15:
Figure 7.15:
Figure 7.15 El diagrama anterior bsicamente muestra que nuestra seal con ruido ser pasada (asumiremos que pasara un bit a la vez) y que esta seal ser separada y pasada a travs de dos detectores de ltros acoplados diferentes. Cada uno comparara la seal con ruido para cada uno de los cdigos que denimos para `1' y `0'. Despus este valor ser pasado y cualquier valor que sea grande (es decir cualquier seal de cdigo FSK a la seal ruidosa que mejor se asemeje) ser el valor que el recibidor tome. Por ejemplo, el primer bit que ser enviado a travs, ser un `1' as que el nivel de arriba del diagrama de bloque ser el valor ms alto, donde denotando que el `1' fue enviado por la seal, aunque la seal aparezca muy ruidosa y distorsionada.
espacio vectorial real . Rule 7.1: Desigualdad de Cauchy-Schwarz para un espacio vectorial real
Para
f Espacio de Hilbert S
g = f . g
2
Proof:
Si
g = f ,
mostrar
| < f, g > | = f
| < f, g > | = | < f, f > | = ||| < f, f > | = ||( f ) | < f, g > | = f (|| f )= f g
139
Si
g = f ,
mostrar
donde tenemos
f + g = 0 , R
0 < ( f + g ) =< f + g, f + g >= 2 < f, f > +2 < f, g > + < g, g > = 2 ( f ) + 2 < f, g > +( g )
Y obtenemos una cuadrtica en
>0
para todo
Tambin ntese que el polinomio no tiene races reales y que el discriminante es menor
que 0. . .
a 2 + b + c
tiene discriminante
2 4ac
donde tenemos:
a=( f )
Por lo tanto podemos colocar estos valores en el discriminante del polinomio de arriba para
(7.11)
(7.12)
Qu cambios tenemos que hacer para hacer la demostracin para un espacio vectorial
7.6.1.1
Rn
(escalares reales ) y
Cn
([0, n 1])
x0 x 1 x = ... xn1
14 This
Es una lista de nmeros (secuencia nita). El producto interno (Section 7.3) para
140
CHAPTER 7.
Producto interno
(xi yi )
(7.13)
Producto interno
yT x
n1 i=0
(xi yi )
Seal Peridica (con periodo
(7.14)
[0, n 1] o
n)
de
tiempo discreto.
x0
x 1 ... xn1
Figure 7.16
7.6.1.2
f L2 ([a, b])
es una funcin de
energa nita en
[a, b]
b
Inner Product
< f, g >=
a
(7.15)
T = b a)
de
7.6.1.3
(Z)
es una
Producto interno
< x, y >=
i=
Modelo para: Seal no-peridica de tiempo discreto
x [i] y [i]
(7.16)
141
7.6.1.4
f L2 (R)
es una
R.
(7.17)
Producto interno
< f, g >=
f (t) g (t) dt
L2 ([a, b]) Series de Fourier 2 ([0, n 1]) Transformada Discreta de Fourier L2 (R) Transformada de Fourier 2 (Z) Transformada Discreta de Fourier en Tiempo
Pero los cuatros estn basados en el mismo principio (Espacio de Hilbert).
note: no todos los espacios normalizados son espacios de Hilbert
Por ejemplo:
L1 (R),
|f (t) |dt. trate como < , > such that < f, f > = =
(|f (t) |) dt ( f
1) 2
2
(7.18)
Lp (R) , L2 (R)
es el
142
CHAPTER 7.
Figure 7.17
Los espacios de Hilbert son en gran medida los ms agradables, si se usa o estudia la expansin de bases ortonormales (Section 7.8) entonces usted empezara a ver por que esto es cierto.
{bi }
donde cada
bi
bi = 1 , i Z
15 This
143
note:
El concepto de bases se aplica a todos los espacios vectoriales (Section 7.1). El concepto
de
Tambin usted puede normalizar una base: solo multiplique cada vector de la base por una constante, tal que
1 bi
Example 7.6
Dada la siguiente base:
1 1 {b0 , b1 } = , 1 1
Normalizado con la norma
1 1 b0 = 2 1 1 1 b1 = 2 1
1 1 2 1 1 1 b1 = 2 1
b0
{bi }
mutuamente ortogonales
< bi , bj >= 0 , i = j
note:
El concepto de base ortogonal se aplica solo a los Espacios de Hilbert (Section 7.4.1:
Espacios de Hilbert).
Example 7.7
Base cannica para
R2 ,
([0, 1]): 1 b0 = 0 b1 = 0 1
< b0 , b1 >=
i=0
144
CHAPTER 7.
Example 7.8
Ahora tenemos la siguiente base y relacin:
bi = 1 , i Z < bi , bj > , i = j
note:
< bi , bj >= ij
donde
1 if i = j ij = 0 if i = j ij
re reere a la funcin delta
16
Donde
[i j].
1 0 , {b0 , b2 } = 0 1
Example 7.10: Ejemplo de Base Ortonormal #2
1 1 {b0 , b2 } = , 1 1
Example 7.11: Ejemplo de Base Ortonormal #3
1 1 1 1 {b0 , b2 } = , 2 2 1 1
16 "Photo
145
{bi }
x x=
i
(i bi )
(7.20)
(k bk ) , bi >
k (k < bk , bi >)
(7.21)
En donde en la ecuacin anterior podemos usar el conocimiento de la funcin delta para reducir la ecuacin:
< bk , bi >= ik
1 if i = k = 0 if i = k
(7.22)
< x, bi >= i
Por lo tanto podemos concluir con la siguiente ecuacin importante para
x:
(7.23)
x=
i
Los
i 's
Example 7.12
Dada la siguiente base:
1 1 1 1 {b0 , b1 } = , 2 2 1 1
representa
x=
3 2
1 ej0 nt | n= T T =
2 0 .
en
L2 ([0, T ])
donde
f (t) =
n=
T 0
1 f (t) ej0 nt dt = T
146
CHAPTER 7.
{bi }
H.
x H
podemos (7.24)
escribir
x=
i
donde
(i bi )
i =< x, bi >. x
en trminos de
Anlisis: descomponer
bi i =< x, bi >
(7.25)
"Sntesis": construir
bi (i bi )
i
(7.26)
x=
Example 7.14
1 La funcin senoidal compleja
para
ej0 nt
para todo
< n <
En nuestras series de Fourier series (Section 6.2) la ecuacin, es solo otra representacin de
n=
cn ej0 nt
,el
{cn }
note:
{bi }
en un espacio vectorial
es una base
bi son linealmente independientes. bi que generan (Section 5.1.2: Subespacio Generado) S . Esto i C (escalares) tal que x= (i bi ) , x S
i
donde
{i },
donde
(7.27)
es un vector en
S,
es un escalar en
C,
es un vector en
S.
17 This
147
{bi }.
note:
{i }
x.
Example 7.15
Veamos un simple ejemplo en
R2 ,
1 2
Base Cannica:
x = e0 + 2e1
Base Alternativa:
1 3 h0 + h1 2 2
como encontramos
{b0 , b1 }
y un vector
x R2 ,
x = 0 b0 + 1 b1
Empezamos
bi 's
= 0
. . .
b0
. . .
+ 1
b1
(7.29)
= b0
. . .
0 b1 1 .
. .
(7.30)
Example 7.16
Este es un ejemplo sencillo, que muestra pequeos detalles de la ecuacin anterior.
x [0] x [1]
0 =
b0 [0] b0 [1]
+ 1
b1 [0] b1 [1]
(7.31)
x [0] x [1]
0 1
(7.32)
148
CHAPTER 7.
Matriz de la Base:
. . .
. . .
B = b0
. . .
b1
. . .
Vector de Coecientes:
0 1
x = B
que es mas equivalente a
(7.33)
x=
1 i=0
(i bi ).
Example 7.17
Dada la base cannica,
1 0 , , 0 1
B=
0 1
1 0
i 's,
= B 1 x
Donde
(7.34)
B 1
18
de
B.
de ahi.
B=
Donde
1 0
0 1
=I
enocontremos primero la inversa de
es la
B 1 =
Por lo tanto obtenemos,
1 0
0 1
= B 1 x = x
18 "Matrix
Inversion" <http://cnx.org/content/m2113/latest/>
149
Example 7.19
Ahora veamos una base un poco mas complicada de
1 1 , = {h0 , h1 } 1 1
Enotnces
B= B 1 =
y para este ejemplo esto nos da que
1 1
1 2 1 2
1 1
1 2 1 2
x=
Ahora resolvemos para
3 2
= B 1 x =
1 2 1 2 1 2 1 2
3 2
2.5 0.5
y obtenemos
x = 2.5h0 + 0.5h1
Exercise 7.1
Ahora dada la siguiente matriz de la base y
(Solution on p. 164.)
x: 1 3 {b0 , b1 } = , 2 0 x= 3 2 x
en trminos de
b0
b1 . B 1
note:
transforms
{b0 , b1 }.
mente mecnico.
R2
y verlas en
Rn y Cn . Este procedimiento se extendiende n Dada la base {b0 , b1 , . . . , bn1 } para R , queremos encontrar
(7.35)
{0 , 1 , . . . , n1 }
tal que
x = 0 b0 + 1 b1 + + n1 bn1
Otra vez, coloque la matriz de la base
B=
b0
b1
b2
...
bn1
150
CHAPTER 7.
donde las columnas iguales a los vectores de la base y que siempre ser una matriz de nn (mientras que la matriz anterior no aparezca al cuadrado ya que dejamos trminos en notacin vectorial ). Podemos proceder a reescribir la (7.33)
x= b0 b1 ... bn1
0
. . .
= B
n1
= B 1 x
. Sea
Pn
un espacio vectorial de orden polinomial n-esimo en (-1, 1) con coecientes reales (vericar que
P2
Example 7.20
P2
es decir
como
i R.
P2
es de dimensin 3.
f (t) = t2 3t 4
Base Alternativa
1, t,
1 3t2 1 2
f (t)
1 2
1 = 3 3 2 = 1 2
19 This content is available online at <http://cnx.org/content/m12913/1.1/>. 20 "Orthonormal Basis Expansions" <http://cnx.org/content/m10760/latest/>
151
enotnces obtenemos
Example 7.21
ej0 nt | n=
f (t) =
Cn ej0 nt
Cn =
1 T
(7.36)
note: Hay un nmero innito de elementos en un conjuto de base, que signican que
L2 ([0, T ])
es
de dimensin innita. Espacios de dimensin-innita Innite-dimensional son difciles de visualizar. Podemos tomar mano de la intuicin para reconocer que comparten varias de las propiedades con los espacios de dimensin nita. Muchos conceptos aplicados a ambos (como"expansin de base").Otros no (cambio de base no es una bonita formula de matriz).
en
L2 ([0, T ])
especialmente para
entradas en sistemas LTI. Sin embargo es til para algunas aplicaciones, es decir, procesamiento de imagenes ).
ondoletas, descubiertas en los pasados 15 aos, son otro tipos de base para
L2 ([0, T ])
y tiene varias
cn
dan informacin frecuente. Las funciones de la base duran todo el intervalo entero.
21 This content is available online at <http://cnx.org/content/m12919/1.2/>. 22 "Orthonormal Basis Expansions" <http://cnx.org/content/m10760/latest/> 23 "Gibbs's Phenomena" <http://cnx.org/content/m10092/latest/>
152
CHAPTER 7.
Figure 7.18:
Ondoletas - las funciones de la base con frecuencia nos dan informacin pero es
local en el tiempo.
153
Figure 7.19:
Figure 7.20:
base =
1 T
ej0 nt
24
(t).
24 "The
154
CHAPTER 7.
Figure 7.21
{j,k (t)}
escalar j y un desplazamiento k.
(t) = 1 , 0 t < T
(t) , 2 2 t k |j Z and k = 0, 1, 2, . . . , 2j 1
155
Figure 7.22
(t) =
1 if 0 t <
T 2
T 2
1 if 0
<T
(7.37)
156
CHAPTER 7.
Figure 7.23
Sea
j,k (t) = 2 2 2j t k
Figure 7.24
Ms grande
j = {0, 1, 2, . . . }, 2j
k =
0, 1, . . . , 2 1
Checar: cada
j,k (t)
157
Figure 7.25
j,k 2 (t) dt = 1
Cualesquiera dos funciones de la base son ortogonales.
j,k (t)
=1
(7.38)
(a)
Figure 7.26:
(b)
158
CHAPTER 7.
Tambin,
{j,k , }
generan
L2 ([0, T ])
: Para cualquier
podemos escribir
Sintesis
f (t) =
j k
+ c0 (t)
(7.39)
Anlisis
wj,k =
0 T
(7.40)
c0 =
0
note: los
f (t) (t) dt
(7.41)
wj,k
son
La transformacin de Haar es
Example 7.22
Esta demostracin nos permite crear una seal por combinacin de sus funciones de la base de Haar, ilustrando la ecuacin de sistesis de la ecuacin de la Transformada de la Ondoleta de Haar. Vemos aqu
26
AT
A= AT =
La
columna
de
es una
la
de
AT
25 "Inner Products" <http://cnx.org/content/m10755/latest/> 26 "How to use the LabVIEW demos" <http://cnx.org/content/m11550/latest/> 27 This content is available online at <http://cnx.org/content/m12920/1.2/>.
159
x=
x0 x1
. . .
xn1 y= y0 y1
. . .
x y=
x0
x1
...
xn1
yn1 y0 y1 . . . yn1
en
Rn
Transpuesta Hermitiana
AH ,
transpuesta y conjugada
AH = AT < y, x >= xH y =
en
(xi yi ) Cn
Cn
Sea
{b0 , b1 , . . . , bn1 }
. . .
. . .
. . .
B = b0
. . . Ahora,
b1
. . .
...
bn1
. . .
...
b0 H b1 H
. . .
...
... B B= ...
bn1 H
... b0 . . . ...
. . .
. . .
. . .
b0 H b0 b1 H b0
. . .
b0 H b1 b1 H b1 bn1 H b1
... ...
b1
. . .
...
bn1
. . .
= B
bn1 H b0
...
B H = B 1
160
CHAPTER 7.
in
B T = B 1
Rn
BH
B 1
es difcil de calcular.
{0 , 1 , . . . , n1 }
tal que
x=
Calcular
(i bi )
= B 1 x = B H x
usando una base ortonormal nos libramos de la operacin inversa.
el producto interno de su
{bi }
H. x H, y H
x= y=
entonces
(i bi ) (i bi ) (i i )
a
< x, y >H =
Example
Aplicando las Series de Fourier, podemos ir de
f (t)
{cn }
y de
g (t)
{dn }
T 0
f (t) g (t) dt =
n=
(cn dn )
Proof:
< bi , bj >= 0
2
.
cuando
i=j
< bi , bj >= 1
cuando
i=j
Si el espacio de Hillbert H tiene un ONB, los productos internos son equivalentes a los productos internos en Todo H con ONB son de alguna manera equivalente a
note:
28 This
161
x H , {bi }
ONB
x=
Entonces
(i bi ) = (|i |)
2
( x
Proof:
Directamente de Plancharel
2 H)
( x
Example
1 Series de Fourier T
H)
= < x, x >H =
(i i ) =
(|i |)
ejw0 nt 1 f (t) = T
T 0
1 cn ejw0 nt T
2
(|f (t) |) dt =
n=
(|cn |)
p l
Figure 7.27:
vectores en
R2 .
Digamos
v = 1.
Para qu valor de
es
x v
mejor se aproxima a
x?)
29 This
162
CHAPTER 7.
x-av x av
Figure 7.28
La condicin es que
x v
sean
ortogonales.
7.13.2 Calculando
Cmo calcular
? x v )
^ es perpendicular para todo vector en el espacio generado {v}, as que ^
Sabemos que (
< x v, v >= 0 ,
^
< v, v >= 1,
por lo tanto
< x, v > v ,
donde
< x, v > v
es la proyeccin de
sobre
v.
Punto a un plano?
Figure 7.29
Exercise 7.2
(Solution on p. 164.)
(Section 7.4) H. Sea esta minimizada.
xH
dado. Encontrar
163
Example 7.23
x R3 ,
1 a 0 V = espacio generado 0 , 1 , x = b . c 0 0
2
Por lo tanto,
y=
Example 7.24
V = {espacio de las seales peridicas con frecuancia no mayor que Cal es la seal en V que mejor se aproxima a f ?
3w0 }.
1 1. {
ejw0 kt ,
3 1 jw0 kt 2. g (t) = > ejw0 kt es la seal ms cercana en V para f(t) k=3 < f (t) , e T struya f(t) usando solamente 7 trminos de su serie de Fourier (Section 6.2).
recon-
Example 7.25
Sea V = { funciones constantes por trozos entre los nmeros enteros} 1. ONB para V.
1 if i 1 t < i bi = 0 otherwise
donde {bi } es una ONB. La mejor aproximacin constante por trozos?
g (t) =
i=
(< f, bi > bi )
i
< f, bi >=
f (t) bi (t) dt =
i1
f (t) dt
Example 7.26
Esta demostracin explora la aproximacin usando una base de Fourier y una base de las ondoletas de Haar. Vase aqui
30
30 "How
164
CHAPTER 7.
en trminos de
b0
b1
B= B 1 =
1 3 0
1 3
2 0
1 2 1 6
= B 1 x =
Y ahora podemos escribir
1
2 3
en trminos de
b0
b1 .
2 x = b0 + b1 3
Y facilmente podemos sustituir nuestros valores conocidos de
b0
b1
{b1 , . . . , bk }
para
sobre
usando
y=
i=1
despus
(< x, bi > bi )
V (
< x y, v >= 0 , v V
Chapter 8
Transformada Discreta de Fourier
8.1 Anlisis de Fourier1
El anlisis de Fourier es elemental para entender el comportamiento de las seales de sistemas. Este es el resultado de que los senosoidales son eigenfunciones (Section 5.6) de sistemas lineales variantes en el tiempo (LTI) (Section 2.1). Si pasamos cualquier senosoidal a travs de un sistema LTI, obtenemos la versin escalada de cualquier sistema senosoidal como salida. Entonces, ya que el anlisis de Fourier nos permite redenir las seales en terminos de senosoidales, todo lo que tenemos que hacer es determinar el efecto que cualquier sistema tiene en todos los senosoidales posibles (su funcin de transferencia ) as tendremos un entendimiento completo del sistema. As mismo, ya que podemos denir el paso de los senosoidales en el sistema como la multiplicacin de ese senosoidal por la funcin de transferencia en la misma frecuencia, puedes convertir el paso de la seal a travs de cualquier sistema de ser una convolucin (Section 3.3) (en tiempo) a una multiplicacin (en frecuencia) estas ideas son lo que dan el poder al anlisis de Fourier. Ahora, despus de haberle vendido el valor que tiene este mtodo de anlisis, nosotros debemos analizar exactamente lo que signica el anlisis Fourier. de este anlisis son:
3 2
Fourier en Tiempo Discreto (Section 11.4), y La Transformada de Fourier Discreta (Section 11.2).
este modulo, nosotros veremos la trasformada de Laplace (Section 14.1) y la transformada Z (Section 14.3). Como extensiones de CTFT y DTFT respectivamente. Todas estas transformadas actan esencialmente de la misma manera, al convertir una seal en tiempo en su seal equivalente en frecuencia (senosoidales). Sin embargo, dependiendo en la naturaleza de una seal especica (por ejemplo, si es de tamao nito o innito, o si son discretas o continuas en el tiempo) hay una transformada apropiada para convertir las seales en su dominio de frecuencia. La siguiente tabla muestra las cuatro transformadas de Fourier y el uso de cada una. Tambin incluye la convolucion relevante para el espacio especicado.
Tabla de Representaciones para Fourier Transformada Dominio del Tiempo Dominio de la Frecuencia Convolucin
1 This content is available online at <http://cnx.org/content/m12865/1.4/>. 2 "Transfer Functions" <http://cnx.org/content/m0028/latest/> 3 "Continuous-Time Fourier Series (CTFS)" <http://cnx.org/content/m10097/latest/> 4 "Continuous-Time Fourier Transform (CTFT)" <http://cnx.org/content/m10098/latest/>
165
166
CHAPTER 8.
Serie
de
Fourier
Con-
L2 ([0, T )) L2 (R)
l2 (Z) L2 (R)
Tiempo cular
Continuo
Cir-
tinua en el Tiempo Transformada Fourier Continuo Transformada Fourier Tiempo Transformada Fourier Discreta
Table 8.1
de Tiempo
en
de en el
l2 (Z)
L2 ([0, 2))
Discreta
de
l2 ([0, N 1])
l2 ([0, N 1])
de tiempo
. Esta derivacin nos lleva a las siguientes ecuaciones las cuales usted debera
f (t) =
n
(8.1)
cn
= =
1 T 1 T
(8.2)
donde
cn
0 n
f (t).
En este mdulo derivaremos una expansin similar para funciones peridicas y discretas en el tiempo. Al hacerlo, nosotros derivaremos las
[0, T ]
5 This content is available online at <http://cnx.org/content/m12848/1.5/>. 6 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/> 7 "Periodic Signals" <http://cnx.org/content/m10744/latest/>
167
f(t)
T
(b)
(a)
Figure 8.1:
Solo consideraremos un intervalo para la funcin peridica en esta seccin. (a) Funcin peridica (b) Funcin en el intervalo [0, T ]
N)
nitos. Por ejemplo, digamos que tenemos el siguiente conjunto de nmeros que describe una seal discreta,
N = 4: {. . . , 3, 2, 2, 1, 3, . . . }
; Podemos representar esta seal como una seal peridica o como un intervalo simple de la siguiente forma:
f[n]
(a)
Figure 8.2:
(b)
Aqu nada mas observamos un periodo de la seal que tiene un vector de tamao cuatro y esta contenida en C4 . (a) Funcin peridica (b) Funcion en el intervalo [0, T ]
es igual a
CN .
entonces usted no tendr ningn problema para entender esta seccin. En todos los libros, usted ver que
ejn
8 "Elemental
Signals" <http://cnx.org/content/m0004/latest/>
168
CHAPTER 8.
Example 8.1
Figure 8.3:
Example 8.2
Figure 8.4:
|ejn | = 1 , n R
unitario. Con respecto al ngulo, la siguiente armacin es verdadera:
(8.3)
El cual nos dice que nuestra senosoidal compleja nicamente toma valores que se encuentran en el crculo
ejn = wn
9 "The
(8.4)
169
Cuando ilustracin:
ejn
las manecillas del reloj alrededor del crculo unitario. Observe las siguiente guras Figure 8.5 para una mejor
(a)
Figure 8.5:
(b)
(c)
Estas imgenes muestran que cuando n incrementa, el valor de ejn se mueve en contra de las manecillas del reloj alrededor del crculo unitario. (a) n = 0 (b) n = 1 (c) n = 2
ejn
ejN = 1
para algn
N.
Example 8.3
Nuestro primer ejemplo nos permite ver una seal peridica donde
2 7 y
N = 7.
(a)
Figure 8.6:
(b)
2 n 7
Example 8.4
Ahora observemos los resultados de gracar una seal no peridica donde
=1
N = 7.
170
CHAPTER 8.
(a)
Figure 8.7:
(b)
`
8.2.2.1.2 Aliasing
Nuestra senosoidal compleja tiene la siguiente propiedad:
ejn = ej(+2)n
Dada a esta propiedad, si tenemos una senosoidal con frecuencia un aliasing con una senosoidal de frecuencia
note:
(8.5)
Cada
ejn
es nica para
[0, 2)
< < 2 ,
(a)
Figure 8.8:
(b)
De nuestras imgenes mostradas arriba, el valor de nuestra senosoidal compleja en el plano complejo se puede interpretar como girar hacia atrs (en direccin de las manecillas del reloj) alrededor del crculo unitario con frecuencia
2 .
2 .
171
Example 8.5
Gracaremos nuestra senosoidal compleja,
ejn ,
donde tenemos
5 4 y
n = 1.
Figure 8.9:
` 3
4
3 4 .
[, )
para
Recuerde que
ejn
e(jn)
son
ejn = e(jn)
los negativos de una a la otra. Esta idea es la denicin bsica de un conjugado.
(8.6)
Las partes reales de ambas exponenciales de la ecuacin de arriba son las mismas; la parte imaginaria son Ya que hemos visto los conceptos de senosoidales complejas, retomaremos la idea de encontrar una base para las seales peridicas en tiempo discreto. Despus de observar las senosoidales complejas, tenemos que responder la pregunta sobre cuales senosoidales en tiempo discreto necesitamos para representar secuencias peridicas con un periodo
N. bk = ejk n , n = {0, . . . , N 1}
tal que
{bk }
sea una
base para
2 N :
Cn
Para resolver la pregunta de arriba, usaremos las senosoidales Armnicos con una frecuencia fundamental de
0 =
Senosoidales Armnicas
ej N kn
(8.7)
(a)
(b)
(c)
Figure 8.10: Ejemplos de nuestras armnicos senosoidales. (a) Senosoidal armnico con = 0 (b) k 2 2 Parte imaginaria del senosoidal, Im ej N 1n , con k = 1 (c) Parte imaginaria del senosoidal, Im ej N 2n , con k = 2
172
2
CHAPTER 8.
ej N kn
y tiene
ciclos entre
n=0
n = N 1.
Theorem 8.1:
Si dejamos
2 1 bk [n] = ej N kn , n = {0, . . . , N 1} N
es una
base ortonor-
Proof:
Primero que todo, debemos demostrar que
{bk }
< bk , bl >= kl
N 1
< bk , bl >=
n=0
bk [n] bl [n]
1 N
N 1
ej N kn e(j N ln)
2 2
n=0
< bk , bl >=
Si
1 N
N 1
ej N (lk)n
n=0
(8.8)
l = k,
entonces
< bk , bl >
= =
1 N
N 1 n=0
(1)
(8.9)
Si
l = k,
N 1
(n ) =
n=0 n=0
(n )
n=N
(n ) =
N 1
1 N 1 N = 1 1 1
2
< bk , bl >=
en esta ecuacin podemos decir que
1 N
ej N (lk)n
n=0
, as podemos ver como esta expresin se encuentra
=e
j 2 (lk) N
1 < bk , bl >= N
As,
1 ej N (lk)N 1
2 ej N (lk)
1 N
11 1 ej N (lk)
2
=0
1 if k = l < bk , bl >= 0 if k = l
Por lo tanto: que existen
(8.10)
{bk }
es un conjunto ortonormal.
{bk }
(ortogonalidad implica independencia linear). Finalmente, hemos demostrado que los senosoidales armnicos ortonormal para forman una base
173
Cn ) f [n],
podemos escribir:
1 f [n] = N 1 ck = N
N 1
N 1
ck ej N kn
k=0
(8.11)
(8.12)
n=0 N
en la expresin para
ck .
Aqu se muestra la forma comn de las DTFS tomando en cuenta la nota previa:
N 1
f [n] =
k=0 N 1
ck ej N kn
ck =
Esto es lo que el comando
1 N
n=0
fft
de MATLAB hace.
12
en
CN .
f [n]
en trminos de la
base
estndar.
f [n]
= =
f [0] e0 + f [1] e1 + + f [N 1] eN 1
n1 k=0
(f [k] [k n]) 0 0 0 0 0
. . .
(8.13)
f [0] 0 0
. . .
f [N 1]
f [1] + 0 . . . 0 f [n]
0 + f [2] . . . 0
+ +
(8.14)
f [N 1]
N 1
f [n] =
k=0
ck ej N kn
(8.15)
10 This content is available online at <http://cnx.org/content/m12859/1.1/>. 11 "Fourier Analysis in Complex Spaces": Section Discrete-Time Fourier Series
174
CHAPTER 8.
f [0] f [1]
1 ej N ej N
. . .
4 8
+ ...
2 1 ej N 4 = c0 1 + c1 f [2] ej N . . . . . . . . . j 2 (N 1) 1 f [N 1] e N W
+ c2
(8.16)
ej N (N 1)
b0 [n] b1 [n] . . . 1 1 ej N ej N
. . .
2 4
bN 1 [n] 1 ej N ej N
. . .
4 8
1 ej N (N 1) ej N 2(N 1)
. . .
(8.17)
1 = 1 . . . 1
con
ej N (N 1)
ej N 2(N 1)
...
ej N (N 1)(N 1)
bk [n] = ej N kn
note: la entrada k-th la y n-th columna es
Wj,k = ej N kn = Wn,k
W = WT WT = W =
(ya que
1 1 W N
{bk [n]}
son ortonormales)
en
CN )
"synthesis" "analysis"
f = Wc c = W T f = W f
Table 8.2
CN
esta
extensin peridica de
c [k]
(coecientes
13 This
175
discretos de Fourier). Las gures bsicas mostradas a continuacin muestran una simple ilustracin de como nosotros podramos representar una secuencia en forma de seales peridicas gracadas sobre un numero innito de intervalos.
(a)
(b)
Figure 8.11:
Exercise 8.1
(Solution on p. 188.)
c [k]
tiene sentido?
8.4.2 Ejemplos
Example 8.6: Funcin Cuadrada Discreta
Figure 8.12
176
CHAPTER 8.
Calcule la DTFS
c [k]
usando:
c [k] =
1 N
N 1
(8.18)
n=0
Como en las series de Fourier continuas, podemos tomar la sumatoria en cualquier intervalo, para tener
ck =
Deje que
1 N
N1
e(j N kn)
2
(8.19)
n=N1
m = n + N1 ,(as
ck
= =
1 N
2N1 m=0
1 j 2 k N Ne
(8.20)
m=0
(an ) =
n=0 1 j 2 N1 k N Ne
1 aM +1 1a
2N1 m=0
2
(8.21)
ck
= =
m
(8.22)
ck
1 N
jk 2 2N
) (
jk 2 N
e sin
jk 2 2N
) )
= =
note:
1 N
2k N1 + 1 2 N
ejk !
jk 2 1 N 2
(8.23)
sin( k ) N
digital sinc
es peridica! Figure 8.13, Figure 8.14, y Figure 8.15 muestran como nuestra funcin y
N1 .
(a)
Figure 8.13:
(b)
177
(a)
Figure 8.14:
(b)
(a)
Figure 8.15:
(b)
178
CHAPTER 8.
Figure 8.16
179
Figure 8.17
180
CHAPTER 8.
Figure 8.18
181
Figure 8.19
182
CHAPTER 8.
(a)
(b)
Figure 8.20:
We've cut down on storage space by > 90% (while incurring some loss) (a) Imagen de 256 por 256 (65,636 pixeles) (b) Imagen reconstruida usando 6000 coefcientes
desplazamien-
tos circulares.
14 This content is available online at <http://cnx.org/content/m12864/1.1/>. 15 "Fourier Series: Eigenfunction Approach" <http://cnx.org/content/m10496/latest/> 16 "Periodic Signals" <http://cnx.org/content/m10744/latest/>
183
Figure 8.21
Desplazar
m, f (n + m),
Para
m = 2,
Figure 8.22:
para m = 2
184
CHAPTER 8.
Figure 8.23
f (n)
en el cilindro, ACW
Figure 8.24:
N =8
185
m,
Figure 8.25:
m = 3
Example 8.12
Si
entonces
desplazamiento comn es conocido como desplazamiento linear (un movimiento en una lnea).
lugares es lo mismo que girar por una vuelta completa, o no moverse del mismo lugar.
es equivalente a desplazar CW
N m
186
CHAPTER 8.
Figure 8.26
f [((n))N ]
La expresin anterior, escribe los valores de
f [n]
187
(a)
Figure 8.27:
(b)
f [n] F [k]
entonces
DFT
(Por ejemplo. Desplazamiento circular en el dominio del tiempo= desplazamiento del ngulo en el DFT)
Proof:
f [n] =
as que el desplazar el ngulo en el DFT
1 N
N 1
F [k] ej N kn
k=0
(8.24)
f [n]
= =
1 N 1 N
N 1 k=0 N 1 k=0
F [k] ej N k(nm)
(8.25)
= f [((n m))N ]
188
CHAPTER 8.
(8.26)
N.
Chapter 9
Transformada Rpida de Fourier (FFT)
9.1 DFT: Transformada Rpida de Fourier1
Ahora podemos calcular el espectro de una seal arbitraria: La Transformada de Fourier Discreta (DFT) calcula el espectro en
2
nunca se presenta en el "clculo" anlogo,como la realizada por un cirduito, es cuanto trabajo toma realizar la operacin de procesamiento de seal como la ltracin. En computacin, esta consideracin traslada del nmero de pasos bsicos de computacin requeridos para realizar el proceso. El nmero de pasos, conocidos como,la
complejidad, se vuelve equivalente a cuanto tiempo toma el clculo (que tanto tiempo tenemos
La complejidad no esta atada a computadoras especicas o lenguajes As, un procedimiento con
de programacin, pero a cuantos pasos son requeridos en cualquier clculo. complejidad indicada dice que el tiempo tomado ser en el clculo y en la cantidad demandada.
Por ejemplo, considerar la formula para la transformada discreta de Fourier. Para cada frecuencia que elijamos, debemos multiplicar cada valor de la seal por un nmero complejo y sumar los resultados. Para una seal valorada-real, cada multiplicacin real-por-complejo requiere dos multiplicaciones reales, signica que tenemos
2N
multiplicaciones para realizarse. Para sumar los resultados juntos, debemos mantener la
nmeros requiere
N 1
Como tenemos
frecuencias, el
En clculos de la complejidad, solo tenemos que preocuparnos de que sucede cuando la longitud incrementa, y tomar el trmino dominante aqu el trmino
4N 2
crado haciendo la computacin. Como una constante multiplicativa no importa ya que estamos haciendo una "proporcional" a la evaluacin,encontramos que la DFT es un Esta notacin es leda "orden
O N2
procedimiento computacional.
N -cuadrado".
Exercise 9.1
(Solution on p. 195.)
Haciendo la evaluacin de la complejidad para la DFT, asumimos que los datos son reales. Surgen tres preguntas. Primero que nada, el espectro de las seales tiene simetra conjugada, lo que signica que los componentes de las frecuencias negativas (k
N 3 2 + 1, ..., N + 1 en la DFT ) pueden ser calculadas de los componentes de la frecuencia positiva correspondiente. Esta simetra cambia la
complejidad de la Trasformada Directa de Fourier DFT? En segundo lugar,supongamos que los datos son de valores complejos; Cal es la complejidad de la DFT ahora?
1 This content is available online at 2 "Discrete Fourier Transform", (1) 3 "Discrete Fourier Transform", (1)
190
CHAPTER 9.
Finalmete, pregunta menos importante pero interesante, supongamos que queremos de fecuencias en lugar de
valores
N;
orignalmente descubierta por Gauss a primcipios de 1800 redescubierta por Cooley y Tukey en IBM durante 1960 C.S. Burrus, de la Universidad de Rice University siendo jefe del departamento de Ingenieria, literalmente "escribio el libro" de los algoritmos de la rpida Transformada Discreta de Fourier DFT.
La FFT
del actual algoritmo de la FFT aqui, veamos estas notas idea detras de la FFT.
N 2 )?
Figure 9.1:
Esta gura muestra que tan lento crece el tiempo de solucin de un proceso de O(NlogN).
191
N N2 N logN
10
100
Table 9.1
Digamos que tiene una maquina de 1 MFLOP (un millin de "puntos otantes" de operacione spor segundo). Sea Un Un
N = 1millin = 106 . 12 6 2 algoritmo de O( N ) toma 10 procesos 10 segundos 11.5 6 algoritmo de O( N logN ) toma 6 10 procesos 6 segundos. N = 1millin
es razonable.
das.
note:
Example 9.1
Una camara digital de 3 megapixeles arroja secuencias de punto
3 106
f [n]
h [n].
Si resolvemos directamente
(f [n]
h [n])
: O(
N 2)
operaciones.
Tomando la FFTs O(NlogN) multiplicando la FFTs O(N) la inversa de FFTs O(NlogN). el total de complejidad es O(NlogN).
note:
note:
La Universidad de Rice fue (y sigue siendo) uno de los lugares de hacer investigacin en
DSP.
N = 2l
. Considere que
pasa a los elementos pares numerados y a los elemenots impares numerados de la solucin de la secuencia en
s (0) + s (2) e(j) N + + s (N 2) e(j) N 2(2+1)k 2(N 2+1)k N + s (3) e(j) N + + s (N 1) e(j) 2 ( N 1)k 2 (j) 2k (j) N N 2 2 s (0) + s (2) e + + s (N 2) e N 1 k 2 ( 2 ) (j) 2k (j) N N s (1) + s (3) e e (j2k) 2 + + s (N 1) e 2 N S (k) = 2k s (1) e(j) N
Cada trmino en parntesis al cuadrado tiene la
22k
2(N 2)k
+ = +
(9.1)
DFT de los elementos pares nuemrados,y la segunda es de los elementos impares numerados. DFT es combinada con la segunda multiplicadno por el exponencial complejo
(j2k) N
. La media-longitud
7 This
192
CHAPTER 9.
k {0, . . . , N 1}
Normalmente el
nmero de indices de frecuencia del rango de una calculacin de la DFT esta entre cero y la longitud de
del perido de la transformada discreta de Fourier. La FFT simplemente reusa las soluciones hechas en la , que N , para rescribir la longitud-N DFT. La Figure 9.2 (Descomposicin de la DFT de 2 longitud-8) ilustra la descomposicin. Como se mantiene, ahora resolvemos dos transformadas de longitudesno es peridica sobre media-longitud de la transformada y las combina a travs de sumas y multiplicaciones por
(j2k) N
N 2 (complejidad
2O
N2 4
O (N )
), y
O (N )
). En este punto, el total de complejidad sigue dominado por la , cada una de las transformaciones de media-longitud puede ser
mitad-longitud de la calculacin de DFT, pero el coecente de proporcionalidad ha sido reducido. Ahora para la diversin. Por que
N = 2l
reducida a una de dos cuartos-longitud, cada una de estas en dos octavos-longitud, etc. Esta descomposicin continua hasta que nos quedamos con una transformada de longitud -2 . Esta transformada es absolutamente simple, involucrando solo sumas. Donde la primer etapa de la FFT tiene
N 2 transformadas de longitud-2 (vease la parte de abajo de la Figure 9.2 (Descomposicin de la DFT de longitud-8)). Pares de estas
transformadas son combinados suamando uno a otro multiplicado por el exponencial complejo. Cada par
N 2 . Este nmero de computaciones no cambia de etapa a etapa. Ya que el nmero de etapas, el nmero de veces que
requiere 4 sumas y 4 multiplicaciones, dando un nmero total de computaciones igual a la longitud puede ser dividida por dos, igual a
8N = 4
.
log2 N
, la complejidad de la FFT es
O (N logN )
193
(a)
(b)
La descomposicin inicial de una longitud-8 DFT en trminos usando ndices pares e impares entradas marca la primera fase de convertirse en el algoritmo de la FFT. Cuando esta transformada de media-longitud esta completamente descompuesta, nos quedamos con el diagrama del panel inferior que representa la solucin de la FFT de longitud-8.
Figure 9.2:
Haciendo un ejemplo haremos ahorros de procesos ms obvios. Veamos los detalles de la DFT de longitud8. Como se muestra en la Figure 9.2 (Descomposicin de la DFT de longitud-8), primero descomponemos la DFT en dos DFT de longitud-4,con las salidas sumadas y restadas en pares. Considerando la Figure 9.2 (Descomposicin de la DFT de longitud-8) como el ndice de frecuencia que va de 0 hasta 7,reciclamos valores de la DFT de longitud-4 para los calculos nales por la peridicidad de la salida de la DFT. Examinando como los pares de salidas se recojen juntas, creamos los alementos computacionales bsicos conocidos como una
194
CHAPTER 9.
Mariposa
Los elementos computacionales bsicos de la transformada rpida de Fourier es la mariposa. Toma dos nmeros complejos, representados por a y b, y forma las cantidades mostradas . Cada mariposa requiere una multiplicacin compleja y dos sumas complejas.
Figure 9.3:
Considerando los procesos involucrando la salida de frecuencias comunes de la DFT de dos media-longitud, vemos que las dos multiplicaciones complejas son relacionadas unas con otras, y podemos reducir nuestro proceso en un futuro. Para descomposiciones posteriores las DFT de longitud-4 en las DFT de longitud2 y combinando sus salidas, llegamos al resumen del diagrama de la transformada rpida de Fourier de longitud-8 (Figure 9.2 (Descomposicin de la DFT de longitud-8)). Aunque la multiplicacin de los complejos es absolutamente simple (multiplicando por Tenemos
e(j)
contemos sos para los propsitos de evaluar la complejidad como el complejo se multiplica por completo.
N 2 = 4 multiplicaciones complejas y 2N = 16 sumas para cada etapa y 3N el nmero de procesos bsicos 2 log2 N como se predijo.
log2 N = 3
etapas, haciendo
Exercise 9.2
(Solution on p. 195.)
Notese que el orden de la secuencia de entrada en dos partes de Figure 9.2 (Descomposicin de la DFT de longitud-8) no estan absolutamente iguales. por que no?, cmo esta determinado este orden? Otros lagoritmos "rpidos" han sido descubiertos, todos de los cuales hacen uso de cuantos factores tiene la transformada de longitud N. En teoria de nmeros, el nmero de factores primos de un entero dado tiene medidas como
24
34
2 3
1 2
a travs de
treinta aos de desarrollo del algoritmo de la transformada de Fourier, el algoritmo original de CooleyTukey esta alejado de los usados con mas frecuancia. Es tan eciente computacionalmente hablando como la transformada de longitud de potencia de dos es frecuentemente usada sin importar la longitud actual de los datos.
195
frecuencias, la complejidad
O (KN).
196
CHAPTER 9.
Chapter 10
Convergencia
10.1 Convergencia de Secuencias1
10.1.1 Qu es una Secuencia?
Denition 10.1: secuencia
Una secuencia es una funcin secuencia por:
gn
{gn } | n=1 1 n
Example
Una secuencia de nmeros reales:
gn =
Example
Una secuencia vector:
gn =
sin cos
n 2 n 2
Example
Una secuencia de una funcin:
note: Una funcin puede ser pensada como un vector de dimensin innito donde por cada valor
{gn } | n=1
converge a un lmite
gR
si para
todo
>0
existe un entero
tal que
|gi g| <
1 This
, iN
197
198
CHAPTER 10.
Usualmente denotamos un lmite escribiendo
CONVERGENCIA
lim gi = g gi g
gi 's,
de
g.
Example 10.1
Dada las siguiente secuencia de convergencia :
gn =
1 n
(10.1)
lim gn = 0 > 0.
Escojamos
. Ahora provemos esto rigurosamente, digamos que dado el nmero real donde
N=
x.
Entonces para
nN
tenemos
|gn 0| =
Donde,
1 1 < n N
lim gn = 0
Example 10.2
Ahora veamos la siguiente secuencia no-convergente
gn =
1 if n = par 1 if n = impar
10.1.2.1 Problemas
Para practicar, diga cuales de las siguientes secuencias convergen y de el limite si este existe. 1. 2.
3.
4. 5. 6.
199
{gn } | converge puntualmente al lmite g si cada elemento de gn converge n=1 en g. A continuacin hay unos ejemplos para tratar de ilustrar esta idea.
Example 10.3
gn =
gn [1] gn [2]
1+ 2
1 n 1 n
gn 's:
n
Despus tenemos el siguiente,
puntual, donde
g=
1 2
Example 10.4
gn (t) =
t , tR n t0 =0 n g (t) = 0
para toda
n
donde
t0 R.
Por lo tanto
lim gn = g
puntualmente donde
t R.
{gn } | n=1 0.
converge a
en la norma si
gn 's.
gn
decrese a
Example 10.5
gn =
1+ 2
1 n 1 n
2 This content is available online at <http://cnx.org/content/m12944/1.2/>. 3 "Uniform Convergence of Function Sequences" <http://cnx.org/content/m10895/latest/>
200
CHAPTER 10.
CONVERGENCIA
Sea
g=
1 2
gn g = = =
1 n 1 1 n2 + n2 2 n
1+
+ 2
1 2 n
(10.2)
Asi
lim
gn g = 0,
Por lo tanto,
gn g
en la norma.
Example 10.6
gn (t) =
Sea
t n if
0t1
0 otherwise
1 t2 dt 0 n2 t3 1 3n2 |n=0 1 3n2
en la norma.
g (t) = 0
para todo
t. gn (t) g (t) = = =
(10.3)
Asi
lim
gn (t) g (t) = 0
Por lo tanto,
gn (t) g (t)
Rm ,
Proof: Puntual
Norma
gn [i] g [i]
Asumiendo lo anterior, entonces
( gn g ) =
i=1
As,
lim ( gn g )
= = =
n m i=1
lim
m i=1
2
(10.4)
lim 2
Proof: Norma
Puntual
gn g 0 lim
m i=1
= = 0
m i=1
lim 2
(10.5)
201
Ya que cada trmino es mayor o igual a cero, todos los trminos 'm' deben ser cero. As,
n
para todo
lim 2 = 0
i.
Por lo tanto,
gn g
puntual
note:
Entonces
lim gn (t) = 0
gn (t) g (t)
donde para todo Ahora,
t g (t) = 0. ( gn )
2
= =
1 n
(|gn (t) |) dt
(10.6)
n2 dt
= n
Ya que la norma de la funcin se eleva, no puede converger a cualquier funcin con norma nita.
si n es par
si n es impar
Entonces,
1 n
gn g =
0
donde
1dt =
1 0 n
g (t) = 0
para todo
t.
Entonces,
gn g
Sin embargo, en
en la norma
t = 0, gn (t)
gn (t) no
202
CHAPTER 10.
CONVERGENCIA
10.2.2.2 Problemas
Pruebe si las siguientes secuencias tienen convergencia puntual, norma de convergencia, o ambas se mantienen en sus limites.
1.
2.
1 nt if
gn
donde
RR
Denition 10.3: Convergencia Uniforme
La secuencia (Section 10.1) existe un entero
tal que
uniformemente a la funci
si para cada
> 0
(10.7)
todo
t R.
La
Obviamente toda secuencia uniformemente continua es de convergencia puntual (Section 10.2) . diferencia entre convergencia puntual y uniformemente continua es esta: Si
{gn } converge puntualmente a g , entonces para todo > 0 y para toda t R hay un entero N que depende de y t tal que (10.7) se mantiene si n N . Si {gn } converge uniformemente a g , es posible que para cada > 0 enocntrar un entero N que ser par todo t R.
Example 10.9
gn (t) =
Sea
1 , tR n , nN 0.
>0
N=
. Obviamente,
|gn (t) 0|
para toda
t.
As,
gn (t)
converge uniformemente a
Example 10.10
gn (t) =
Obviamente para cualquier (10.7) se mantiene con tenemos:
t , tR n
> 0 no podemos encontrar una funcin sencilla gn (t) para la cual la g (t) = 0 para todo t. As gn no es convergente uniformemente. Sin embargo gn (t) g (t)
puntual
note:
4 This
203
10.3.1.1 Problems
Pruebe rigurosamente si las siguientes funciones convergen puntualmente o uniformemente, o ambas. 1. 2. 3.
204
CHAPTER 10.
CONVERGENCIA
Chapter 11
Transformada de Fourier Discreta en el Tiempo (DTFT)
11.1 Tabla de Transformadas de Fourier Comunes1
Time Domain Signal Frequency Domain Signal
1 a+j 1 aj 2a a2 + 2 1 (a+j)2 n! (a+j)n+1
Condition
te
u (t) u (t)
t e
n (at)
(t) 1 e
j0 t
1 2 () 2 ( 0 ) ( ( 0 ) + ( + 0 )) j ( ( + 0 ) ( 0 )) () +
2 j 2 ( ( j 0 2 2 1 j
0 ) + ( + 0 ))
+
continued on next page
1 This
206
CHAPTER 11.
2j 0
( ( 0 ) ( + 0 ))
0 2 2
+ a>0 a>0
2 sinc (t)
u ( + 0 ) u ( 0 ) + sinc2 1 =
0 2
+1
0
u +1
+1 u
0
0 0
+ 1 =
triag
n= 2 t 22
( (t nT ))
0 2e
20 ( n= ( 2 2 2
n0 ))
0 =
2 T
Table 11.1
X [k] =
n=0
x [n] e(j) n kn 1 N
N 1
, k = {0, . . . , N 1}
(11.1)
x [n] =
Note que:
X [k] ej
k=0
2 n kn
, n = {0, . . . , N 1}
(11.2)
X [k] es la DTFT evaluado en = 2 k , k = {0, . . . , N 1} N Completar con ceros x [n] a M muestras antes de sacar el muestreada de M -puntos uniformes del DTFT :
N 1
X e
j 2 k M
=
n=0 N 1
x [n] e(j) M k
(11.3)
X ej M k =
n=0
X ej
2 This
2 M k
207
La
N -pt
N -pt:
(11.4)
N 1
X ej =
n=0 N 1
x [n] e(j)n
N 1
X ej =
n=0 N 1
1 N (X [k])
X [k] ej N kn e(j)n
k=0
X ej =
k=0 N 1
1 N sin sin
N 1
e(j)( N k)n
2
k=0 N 2k 2 N 2k 2N
X ej =
k=0
(X [k])
1 N
e(j)( N k)
2
N 1 2
1 .
0
Figure 11.1:
2pi/N 4pi/N
2pi
Sinc dirichlet,
N 1 sin( 2 ) N sin( ) 2
donde
X [0] X [1]
. . .
0 WN
0 WN 1 WN 2 WN . . .
0 WN 2 WN 4 WN . . .
0 WN 3 WN 6 WN . . .
...
x [0] x [1]
. . .
WN = e(j) N
W0 N = 0 WN
. . .
... ...
. . .
(11.5)
X [N 1] X = W (x)
respectivamente.
x [N 1]
columna de
es un polinomio en
n WN
1 W N
1 W N
1 W N
=I
N 2 log2 N en vez de
=W
, es la matriz y DFT.
Para
N2
operaciones.
208
CHAPTER 11.
N
16 64 256 1024
N 2 log2 N
32 192 1024 5120
N2
256 4096 65536 1048576
Table 11.2
calcular su espectro? Por ejemplo, cmo calculamos el espectrograma para el ejemplo de la seal de habla ? La transformada de Fourier discreta ( DFT) nos permite calcula el espectro de informacin discreta en Estando en tiempo discreto podemos calcular exactamente el espectro, para seales anlogas el tiempo.
no existe manera similar para calcular su espectro similar. Para el espectro de seales anlogas se tienen que construir equipo especial, que consiste en casi todos los casos de convertidores A / D y computaciones discretas. continuas. La formula del DTFT
5
Anlisis de el espectro discreta en el tiempo son mas exibles que los anlisis de las seales es una suma que conceptualmente es fcil de calcular excepto por unos problemas. La suma se extiende sobre la duracin de la seal, la cual tiene que ser nita Es extremadamente difcil guardar una seal innita, as que
Duracin de la seal.
[0, N 1].
Frecuencia contina.
1 1 2 , 2 o [0, 1], pero la formula DTFT requiere evaluar el espectro de todas las frecuencias dentro del periodo.
que la frecuencia variable es continua: talvez solo se tenga que extender un periodo, como Calculemos el espectro de unas cuantas frecuencias; las mas obvias son las que tienen una espacio similar
f=
k K,
k {k, . . . , K 1}.
transformada discreta de Fourier ( DFT) como
N 1
As que denimos la
S (k) =
n=0
Aqu,
k
s (n) e(
j2nk K
, k {0, . . . , K 1}
(11.6)
S (k)
representa
S ej2 K
Podemos calcular el espectro en todas las frecuencias con espacio similar que queremos. Note que usted puede pensar de esta motivacin computacional como
pretacin despus. El problema ahora es el saber cuantas frecuencias son sucientes para capturar el como el espectro cambia con la frecuencia. Una manera de responder esta pregunta es determinando la formula de la transformada inversa discreta de Fourier: dado
cmo encontramos
j2nk K
s (n),
n = {0, . . . , N 1}?
S (k) e
. Substituyendo
3 This content is available online at <http://cnx.org/content/m12844/1.1/>. 4 "Modeling the Speech Signal", Figure 5: spectrogram <http://cnx.org/content/m0049/latest/#spectrogram> 5 "Discrete-Time Fourier Transform (DTFT)", (1) <http://cnx.org/content/m10247/latest/#eqn1>
209
K1
N 1
s (n) =
k=0 m=0
s (m) e(j
2mk K
) ej 2nk K
(11.7)
Note que la relacin de ortogonalidad que usamos tiene un carcter diferente ahora.
K1
e(j
k=0
2km K
) ej 2kn K
K =
if
(11.8)
Nosotros obtenemos valores de no cero cada vez que los dos ndices dieren por mltiple de expresar estos resultados como
Podemos
( (m n lK)).
N 1
s (n) =
m=0
Los nmeros sumar un
s (m) K
l=
( (m n lK))
(11.9)
n y m existen en el rango {0, . . . , N 1}. Para obtener una transformada inversa, necesitamos m, n en este rango. Si no lo hiciramos, s (n) igualara a la suma l=0
siempre provee un muestreo unitario
de valores, y no tendramos una transformada valida: una vez que regresemos al dominio de frecuencia, no podramos obtener una ambiguosidad! claramente, el termino (nos haremos cargo del factor de
m = n+K
n.
m, n = {0, . . . , N 1}. s (n) + s (n + K) para cualquier valor de K N : tenemos que tener mas muestreos
de frecuencia que lo que dura la seal. De esta manera, podemos regresar del dominio de frecuencia al cual entramos por la DFT.
Exercise 11.1
(Solution on p. 217.)
Cuando tenemos menos muestreos de frecuencia que lo que dura la seal, algunos valores de la seal discreta igualan la suma de los valore de la seal original. Dada la interpretacin del muestreo para el espectro, caracterice este efecto de una manera diferente. Otra manera para entender este requerimiento es el usar de teora de ecuaciones lineares. Si escribimos la expresin para el DFT como un conjunto de ecuaciones lineares,
(11.10)
= S (1)
+ + s (N 1) e(j) N
= S (K 1) K N.
Nuestra de
K.
Obtenemos ecuaciones en
K < N;
relacin de ortogonalidad esencialmente dice que si tenemos el suciente numero de ecuaciones (muestreos de frecuencia), el conjunto de ecuaciones que resultan de esto se pueden resolver. Por convencin, el numero de valores para las frecuencias del DFT de la seal
N.
210
CHAPTER 11.
S (k) =
n=0
s (n) e(j
N 1
2nk N
(11.11)
s (n) =
Example 11.1
1 N
S (k) ej
k=0
2nk N
(11.12)
Use esta demostracin para hacer un anlisis del DFT para la seal.
Example 11.2
Use esta demostracin para sintetizar una seal de una secuencia DFT
X () =
n=
x (n) e(jn)
(11.13)
x (n) =
1 2
X () ejn d
0
(11.14)
l2
, a seales
6 This content is available online at <http://cnx.org/content/m12861/1.1/>. 7 "Discrete-Time Fourier Transform (DTFT)" <http://cnx.org/content/m10247/latest/>
211
Figure 11.2:
Graca l2 (Z) en el dominio del tiempo para L2 ([0, 2)) en el dominio de la frecuencia.
Dominio de la Frecuencia
a1 S1 ej2f + a2 S2 ej2f S ej2f = S e(j2f ) S ej2f = S e(j2f ) S ej2f = S e(j2f ) e(j2f n0 ) S ej2f S ej2(f f0 ) S (ej2(f f0 ) )+S (ej2(f +f0 ) )
2 S (ej2(f f0 ) )S (ej2(f +f0 ) ) 2j 1 d j2f (2j) df S e j20
1 2
s (n) = s (n) s (n) = (s (n)) s (n n0 ) ej2f0 n s (n) s (n) cos (2f0 n) s (n) sin (2f0 n)
ns (n)
n=
(s (n))
2
S e
1 2
s (0)
n=
( 1 ) 2
S ej2f df |S ej2f | df
2
(|s (n) |)
( 1 ) 2
Figure 11.3:
8 This
212
CHAPTER 11.
1 1 2 . Para demostrar esto, note que un senosoidal en la frecuencia Nyquist 2Ts tiene una forma muestreada que iguala
frecuencia discreta
= =
(11.15)
(j2n) n 1 2 = e(jn) = (1) , lo que signica que la 2 igual e correspondencia entre una frecuencia anloga y una frecuencia discreta es establecida:
fD = fA Ts
onde
(11.16)
fD
fA
gura de aliasing
provee otra manera para derivar este resultado. Conforme la duracin de cada punto en
pTs (t)
pTs (t) , se vuelve iguales. 1 1 As, el espectro muestrario de la seal se convierte peridico con periodo Ts . As la frecuencia Nyquist 2Ts 1 corresponde a la frecuencia 2 .
de la seal, que son gobernadas por los coecientes de la series de Fourier de La transformada inversa de Fourier discreta en el tiempo se deriva fcilmente en la siguiente relacin:
1 if m = n e(j2f m) e+jf n df = 0 if m = n ( 1 )
1 2 2
(11.17)
1 2
S ej2f e+j2f n df
= = =
1 2
( 1 ) 2 m
s (m)
( 1 ) 2
e((j2f ))(mn) df
(11.18)
s (n)
S ej2f =
n
s (n) e(j2f n)
(11.19)
s (n) =
( 1 ) 2
S ej2f e+j2f n df
(11.20)
coeciente mas grande de 0 Fourier, decae al valor cero: |c0 | = A . As, para mantener un teorema de muestreo viable en trminos matemticos, la T 1 amplitud A debe incrementar a , convirtindose innitamente grande conformela duracin del pulso disminuye. Sistemas prcticos usan un valor pequeo de , digamos 0.1Ts y usan amplicadores para reescalar la seal.
9 This content is available online at <http://cnx.org/content/m12845/1.1/>. 10 "The Sampling Theorem", Figure 2: aliasing <http://cnx.org/content/m0050/latest/#alias> 11 Examinar la seal de pulso periodica revela que cuando se hace pequea, el valor de c , el
213
s (n) = an u (n)
, donde
u (n)
S ej2f
= =
n= n=0
(11.21)
series geomtricas.
Series Geomtricas
(n ) =
n=0
As, por mientras que
1 , || < 1 1
(11.22)
|a| < 1
S ej2f =
1 1 ae(j2f )
(11.23)
|S ej2f | =
(11.24)
S ej2f
No importa que valor de
= arctan
(11.25)
raleza peridica del espectro de seales discretas en el tiempo. Figure 11.4 muestra como el espectro es un funcin peridica. Tan solo tenemos que considerar el espectro entre unambiguosamente. Cuando de frecuencias bajas; para
1 2
1 2 para denirla
a>0
a<0
1 2 con una a incrementa nos lleva a un contenido mayor ,tenemos un espectro de pasa altas. (Figure 11.5).
12 This
214
CHAPTER 11.
|S(ej2f)|
f -2 -1 45 0 S(ej2f) 1 2
-2
-1 -45
Figure 11.4:
El espectro de la seal exponencial (a = 0.5) es mostrado sobre el rango de frecuencias [2, 2], claramente demostrando la periodicidad de toda la espectra discreta en el tiempo. EL ngulo tiene las unidades en grados.
20 10 0 -10 90 45 0
a = 0.9
a = 0.5 a = 0.5
0.5
Angle (degrees)
a = 0.5 f 0.5
El espectro de varias seales exponenciales es mostrado aqu . Cual es la relacin aparente entre el espectro de a = 0.5 y a = 0.5 ?
Figure 11.5:
215
Example 11.4
Anlogo a una seal de pulso anlogo encontramos el espectro de la secuencia de pulso de tamao-
pulse sequence.
1 if 0 n N 1 s (n) = 0 otherwise
La transformada de Fourier de esta secuencia tiene la forma de una serie geomtrica truncada.
(11.26)
N 1
S ej2f =
n=0
e(j2f n)
(11.27)
(n ) = n0
n=n0
para
1 N 1
(11.28)
Exercise 11.2
Derive esta formula para la formula de series geomtrica nitas.
(Solution on p. 217.)
El truco es el considerar la
diferencia entre la suma de las series y la suma de las series multiplicada por Aplicando este resultado da (Figure 11.6.)
S ej2f
= =
(11.29)
S ej2f
cuales el
dsinc (x) . = e((jf ))(N 1) dsinc (f ) . El espectro numero incrementa con N , la duracin del
sin(N x) sin(x) , que es mejor conocida como la Por lo tanto, nuestra transformada puede ser expresada como
del pulso discreto contiene muchas ondulaciones, las pulso.
216
CHAPTER 11.
Spectral Magnitude
10
f 0.5
Angle (degrees)
0.5
Figure 11.6:
El espectro para un pulse de tamao-diez es mostrado aqu. Pued usted explicar la apariencia complicada que el ngulo tiene?
217
n=n0
(n )
n=n0
(n ) = N +n0 n0
(11.30)
218
CHAPTER 11.
Chapter 12
Transformada de Fourier de Tiempo Continuo (CTFT)
12.1 Transformada de Fourier de Tiempo Continuo (CTFT)1
12.1.1 Introduccin
Debido al gran nmero de seales de tiempo-continuo que estan presentes en las series de Fourier
2
nos da una
primera ojeada de cuantas maneras podemos representar algunas de estas seales de manera general: como una superposicin de un nmero de seales senosoidales. Ahora podemos ver la manera de representar seales noperiodicas de tiempo continuo usando la misma idea de superposicin. A continuacin presentaremos la
F () =
f (t) e(jt) dt
(12.1)
Inversa de la CTFT
f (t) =
1 2
F () ejt d
(12.2)
note:
No se confunda con la notacin - es comn ver la formula anterior escrita un poco diferente.
Una de las diferencias ms comunes echa por los profesores es la forma de escribir el exponente. Arriba escribimos la variable de la frecuancia readial Vase aqui
3
en el exponencial, donde
= 2f ,
pero
tambin vemos que los profesores incluyen la expresin ms explicicta, de Seales DSP.
j2f t,
en el exponencial.
1 This content is available online at <http://cnx.org/content/m12955/1.1/>. 2 "Classic Fourier Series" <http://cnx.org/content/m0039/latest/> 3 "DSP notation" <http://cnx.org/content/m10161/latest/>
219
220
CHAPTER 12.
La ecuacuin anterior para las CFT y su inversa vienen directamente de las series de Fourier y de nuesro entendimiento de sus coecientes. Para la CTFT simplemente utilizamos la intergracin en lugar de la simulacin para ser capaces de expresar las seales peridicas. Esto debera tener sentido ya que simlemente estamos extendiendo las ideas de las series de Fourier para las CTFT para incluir las seales no-peridicas,y as todo el espectro de la frecuencia. Vase la Derivacin de la Transformada de Fourier ms profunda del tema.
4
L2
a longitud-innita,seales de frecuancia-continua en
L2 .
tion 8.1) para una descripcin de todos los espacios usados en el anlisis de Fourier.
Figure 12.1:
Para ms informacin de las caracteristicas de la CTFT, por favor vase el modulo de las Propiedades de la Transformada de Fourier
5
(Solution on p. 224.)
(12.3)
(Solution on p. 224.)
1 if || M X () = 0 otherwise
(12.4)
4 "Derivation of the Fourier Transform" <http://cnx.org/content/m0046/latest/> 5 "Properties of the Continuous-Time Fourier Transform" <http://cnx.org/content/m10100/latest/>
221
(CTFT). La primera seccin contiene una tabla que ilustra las propiedades, y la siguiente seccin En la tabl, oprima en el nombre de la
discute unas de las propiedades mas interesantes ms a fondo. tabla expandida de las propiedades de Fourier.
note:
operacin para ver la explicacin se se encuentra ms adelante. Vase este modulo (Section 5.7) para una
emos que propiedades similares se matienen para seales de tiempo-continuo y seales peridicas.
Seal (
f (t) )
Transformada (
F () )
F1 () + F2 () F (t) 2f ()
1 || F
tion 12.2.2.1: Linealidad) Simetra Simetra) Escalamiento en el Tiempo (Section 12.2.2.3: Escalamiento en el Tiempo) Desplazamiento (Section en el Tiempo (Section 12.2.2.2:
f (t )
F () e(j )
12.2.2.4:
Desplaza-
miento en el tiempo) Modulacin (Desplazamiento de Frecuencias) cuencia)) Convolucin en el Tiempo (Section 12.2.2.6: Convolucin) Convolucin en la Frecuencia (Section de 12.2.2.5: la FreModulaci(Desplazo
f (t) ejt
F ( )
F1 (t) F2 (t)
1 2
(t)
(j) F ()
6 This content is available online at <http://cnx.org/content/m12957/1.2/>. 7 "Continuous-Time Fourier Transform (CTFT)" <http://cnx.org/content/m10098/latest/>
222
CHAPTER 12.
12.2.2.1 Linealidad
La combinacin de las propiedades de la adicin y de la multiplicacin escalar de la tabla anterior demuestran la propiedad bsica de linealidada. Lo que debe de ver es que si uno toma la Transformada de Fourier de una combinacin lineal de seales entonces esta ser la misma que la combinacin lineal de la transformada de Fourier de cada seal individual. Esto es crucial cuando usamos la tabla (Section 11.1) de las transformadas para encontrar la transformada de una seal ms complicada.
Example 12.1
Empezaremos con la siguiente seal:
(12.5)
Z () = F1 () + F2 ()
(12.6)
12.2.2.2 Simetra
La simetra es una propiedad que nos puede hacer la vida ms fcil resolviendo problemas que involucran la transformada de Fourier. Basicamente ;p que dice esta propiedad es que ya que la funcin rectangular en el tiempo es una funcin sinc en la frecuancia, entonces una funcin sinc en el tiempo ser una funcin rectangular en la frecuencia. Este es un resultado directo de las similaridades entre la CTFT y la inversa de la CTFT. La nica diferencia es que es escalda por
con una
en funcin constante de longitud-innita en frecuencia. La tabla anterior muestra esta idea para una transformacin general del dominio-tiempo de la seal. Usted debera de ser capaz de notar que esta ecuacin muestra la relacin mencionada anteriormente: si la variable tiempo incrementa entonces el rango de la frecuencia sera decreciente.
Example 12.2
Primero empezaremos dejando que con la expresin anterior sustituida para
z (t) = f (t ). z (t).
Z () =
f (t ) e(jt) dt
(12.7)
8 "Elemental
223
= t .
A travs de la calculacin
antarior, podemos ver que solamente la variable en el exponencial es alterada solo cambiando la
Z ()
= =
= e
(12.8)
F ()
z (t) =
1 2
F ( ) ejt d
(12.9)
Ahora simplemente reducimos esta ecuacin por medio de un cambio de variable y simplicando los trminos. Despus probaremos la propiedad expresada en la tabla anterior:
(12.10)
12.2.2.6 Convolucin
Convolucin es una de las grandes razones para convertir seales en dominios de frecuancia ya que la convolucin en el tiempo se convierte en multiplicacin en frecuencia. Esta propiedad es tambin otro buen ejemplo de la simetria entre el tiempo y la frecuencia. Tambin muestra que hay muy poca ganancia cambiando el dominio de frecuancia cuando la multiplicacin en el tiempo esta involucrada. Introduciremos la integral de convolucin, pero si no la ha visto anteriormente o necesita refrescar la memoria vase el modulo de convolucin de tiempo-continuo (Section 3.2) para una explicacin mas profunda y su derivacin.
y (t)
= =
f1 ( ) f2 (t ) d
(12.11)
Esto
9 "The
224
CHAPTER 12.
, y clculos bsicos.
F ()
= = = =
(12.12)
F () =
Solution to Exercise 12.2 (p. 220)
1 + j
(12.13)
Aqui usaremos la (12.2) (Inversa de la CTFT) para encontrar la inversa de la FT, dado eso
t = 0.
x (t)
= = =
M 1 jt d 2 M e 1 jt |,=ejw 2 e 1 t sin (M t)
(12.14)
x (t) =
sinc
Mt
(12.15)
10 "The
Chapter 13
Teorema de Muestreo
13.1 Muestreo1
13.1.1 Introduccin
Una computadora puede procesar exible y poderoso. Mas sin embargo la mayoria de las seales de interes son de como casi siempre aparecen al natural. Este modulo introduce la idea de trasladar los problemas de tiempo continuo en unos de tiempo discreto, y podra leer ms de los detalles de la importancia de el
muestreo.
Preguntas clave
Cmo pasamos de una seal de tiempo continuo a una seal de tiempo discreto (muestreo, A/D)? Cundo podemos reconstruir (Section 13.2) una seal CT exacta de sus muestras (reconstruccin, D/A)? Manipular la seal DT es lo que reconstruir la seal?
13.1.2 Muestreo
Muestreo (y reconstruccin) son los mejores entendimiento en dominio de frecuencia. Empezaremos viendo algunos ejemplos:
Exercise 13.1
Qu seal CT
(Solution on p. 246.)
f (t)
f (t) =
1 This
1 2
F (jw) ejwt dw
225
226
CHAPTER 13.
TEOREMA DE MUESTREO
Figure 13.1:
Pista:
F (jw)
son:
(a)
Figure 13.2
(b)
Exercise 13.2
Qu seal DT
(Solution on p. 246.)
fs [n]
fs [n] =
1 2
fs ejw ejwn dw
Figure 13.3:
227
Figure 13.4:
discreto de f (t)
13.1.2.1 Generalizacin
Por supuesto, que los resultados de los ejemplos anteriores pueden ser generalizados a
cualquier
f (t)
con
donde
f (t)
es
limitado en banda a
[, ].
(a)
Figure 13.5:
(b)
228
CHAPTER 13.
TEOREMA DE MUESTREO
(a)
Figure 13.6:
(b)
Fs ejw
2 )
versin de
F (jw). Fs ejw
es la DTFT de muestreo
F (jw)
es la CTFT de seal.
Si
f (t)
[, ]
fs [n] = f (n)
es solo peridica (con perodo
2 )
versin de
F (jw).
fs [n]
Fs ejw
(a)
Figure 13.7:
(b)
Ahora, sea
fimp (t) =
n=
La seal CT,
fimp (t),
229
Figure 13.8
Exercise 13.3
Cal es la CTFT de
(Solution on p. 246.)
[, ],
f (t).
Figure 13.9: Diagrama de bloque mostrando cada paso bsico usado para reconstruir f (t). Podemos hacer nuestro resultado igual a f (t) exactamente?
13.2 Reconstruccin2
13.2.1 Introduction
El proceso de reconstruccin empieza tomando una seal muestreada, que estar en tiempo discreto, y haciendo unas operaciones para poder convertirla en tiempo-continuo y con algo de suerte en una copia de la seal original. Un mtodo bsico usado para reconstruir una seal limitada en banda de muestras en los enteros es hacer los siguientes pasos:
[, ]
de sus
fs [n]
en un tren de impulso
fimp (t)
( freq. =
fimp (t)
f (t)
2 This
230
CHAPTER 13.
TEOREMA DE MUESTREO
Figure 13.10:
Diagrama de bloque de reconstruccin con el ltro pasa bajas (lowpass lter (LPF)).
g (t).
f (t).
f (t)
= = =
f (t)
n= n=
Figure 13.11
fs [n] para segundos. Esto crea un bloque o pasos fs [n] es simplemente arrastrado al siguiente pulso.
ecuacin y la ilustracin (Figure 13.12) representan como el ltro de reconstruccin funciona con
231
la siguiente
fs [n] =
n=
(13.2)
(a)
Figure 13.12:
(b)
note:
Cmo es que
f (t)
f (t)
en el
domionio de frecuencia?
232
CHAPTER 13.
TEOREMA DE MUESTREO
(a)
(b)
(c)
Figure 13.13: Ejemplo de N-esimo Orden (n-esimo orden es igual a un B-spline de n-esimo orden) (a) Primer Orden (b) Segundo Orden (c) Orden
233
Diagrama de bloque de nuestra reconstruccin. Notese que cada una de estas seales tiene su propia CTFT o DTFT correspondiente.
Figure 13.14:
Si
G (j)
Figure 13.15:
entonces
f (t) = f (t)
Por lo tanto,un ltro pasa baja ideal nos dara una reconstruccin perfecta! En el dominio en el tiempo, la respuesta al impulso
g (t) =
(13.3)
f (t)
= =
n= n=
(13.4)
= f (t)
[, ],
f (t) =
n=
fs [n]
sin ( (t n)) (t n)
(13.5)
234
CHAPTER 13.
TEOREMA DE MUESTREO
La ecuacin anterior para una reconstruccin perfecta merece una mirada ms cercana (Section 13.3), que se ver en la siguiente seccin para un mejor entendimiento de la recostruccin. cosas para empezar a pensar en ellas por ahorita: Aqu estan algunas
Que
sin((tn)) iguala a los enteros diferentes a n? (tn) sin((tn)) Cal es el soporte de (tn) ?
f (t) =
n=
Escribiremos
fs
sin ( (t n)) (t n)
(13.6)
f (t)
sin ( (t n)) (t n)
es una
nZ
[, ] .
Pero espere . . . .
<
(13.7)
Este producto interno (Section 7.3) puede ser difcil de calcular en el dominio del tiempo, asi que usaremos el Teorema de Plancharel (Section 7.12)
< , >=
1 2
e(jn) ejk d
(13.8)
3 This
235
(a)
(b)
Figure 13.16
si
e(jn) ejk d
1
1 (jn) jn e d 2 e 1 j(kn) d 2 e 1 sin((kn)) 2 j(kn)
(13.9)
si
(13.10)
(13.11)
sin ( (t n)) (t n)
.
nZ
es una base ortonormal (Section 7.7.3: Base Ortonormal) (ONB) para el espacio de funciones limitadas de banda de
[, ]
note: Muestreo es lo mismo que calcular los coecientes de ONB, que es el producto interno con
sincs
13.3.1.2 Resumen
Una ltima vez para
f (t) [, ]
limitado en banda
236
CHAPTER 13.
TEOREMA DE MUESTREO
Sntesis
f (t) =
n=
fs [n]
sin ( (t n)) (t n)
(13.12)
Anlisis
(13.13)
Para poder entender un poco ms sobre como podemos reconstruir una seal exacatamente, ser til entre las transformadas de Fourier (CTFT y DTFT) a ms profundidad.
igual a nuestro perodo de muestreo (distancia entre las muestras). Despus sea
f (t)
es limitado en banda en
T <
2 s
<
s > 2B
f (t)
f (t) es limitado en banda a [B , B ], podemos reconstruirlo perfectamente de sus muestras fs [n] = f (nT )
para
s =
2 T
> 2B
Nyquist " para
N = 2B
posible
es llamada la "frecuencia
f (t).
s 2B
donde
es la frecuancia de muestreo y
237
Figure 13.17:
13.4.2.1 Reconstruccin
La formula de la reconstruccin en el dominio del tiempo se ve como
f (t) =
n=
Podemos concluir, desde antes que
fs [n]
sin
T
(t nT ) (t nT )
sin
T
es una base (Section 5.1) para el espacio de de expansin para esta base son
(t nT ) (t nT )
, nZ
T . Los coecientes
note: La base tambin es ortogonal. Para hacerla ortonormal (Section 7.8), necesitamos un factor
de normalizacin de
T.
(Solution on p. 246.)
Qu sucede cuando muestreamos abajo del valor de Nyquist?
s < 2B ?
238
CHAPTER 13.
TEOREMA DE MUESTREO
13.5 Aliasing6
13.5.1 Introduccin
Cuando consideramos la reconstruccin (Section 13.2) de una seal, usted ya debe de estar familiarizado con la idea de el valor de Nyquist. (Section 13.4) Este concepto nos permite encontrar el valor de muestreo que nos dara una reconstruccin perfecta de nuestra seal. Si nosotros muestreamos en un valor muy bajo (abajo del valor de Nyquist), entonces surgirn problemas para hacer una reconstruccin perfecta imposible-este problema es coocido como
ocurre cuando hay un traslapo en el desplazamiento, copias priodicas en nuestra seal FT, es decir espectro. En el dominio de frecuencia, notaremos que parte de la seal se trasladara con la seal siguiente a l. En este solapamiento los valores de la frecuencia sern sumados juntos y la forma del espectro de la seal ser indeseablemente alterado. Este solapamiento o aliasing hace posible determinar correctamente la fuerza de la frecuencia. La Figure 13.18 nos da un ejemplo visual de este fenmeno:
Figure 13.18:
El espectro de una seal limitada en banda (a W Hz) es mostrada arriba en la grca. Si el intervalo muestreado Ts es elegida demasiado gande relativo con el ancho de banda W , el aliasing ocurrira. En la grca de la parte de abajo, el intervalo muestreado es elegido sucientemente pequeo para evitar el aliasing. Note que si la seal no fuera limitada en banda, el componente del espectro siempre sera traslapado.
s < 2B , T >
6 This
239
Example 13.4
Sea
f1 (t)
tiene CTFT.
Figure 13.19:
s 2
=a
Sea
f2 (t)
tiene CTFT.
Las porciones originales de la seal resultan del solapamiento con replicas desplazadasmostrando la demostracin visual del aliasing.
Figure 13.20:
f1,s [n] = f1 (nT ) ? f2,s [n] = f2 (nT ) ? misma DTFT como f1,s [n]
f2,s [n]?
CONCLUSIN: Si muestreamos debajo de la frecuencia de Nyquist, hay muchas seales que pueden producir la secuencia dada de la muestra.
240
CHAPTER 13.
TEOREMA DE MUESTREO
Figure 13.21:
diferentes seales CT (en comparacin a cuando muestreamos la frecuencia de Nyquist anterior, entonces la secuencia muestra representa una seal CT nica).
Figure 13.22:
diferentes.
Estas dos seales contienen las mismas cuatro muestras, con todo son seales muy
Example 13.5
241
Figure 13.23:
Caso 1: Muestra
note:
s > 2B
w s
Caso 2: Muestra
note:
8 3
rad seg
T = 3 seg. 4
s < 2B
Cuando corremos la DTFT del Caso #2 a travs de los pasos de reconstruccin, nos damos cuenta que terminamos con el siguiente coseno:
f (t) = cos
t 2
Esta es una versin "estrecha" de la versin original. Claramente nuestro valor de muestra no fue lo suencitemente alto para asegurar la reconstruccin correcta de las muestras. Probablementa ya habra visto algunos efectos del aliasing tal como: una rueda del carro que da vuelta al revs en una pelcula occidental. a una frecuencia muy baja. Aqu hay algunas ligas
7
242
CHAPTER 13.
TEOREMA DE MUESTREO
(a)
(b)
Figure 13.24
Frecuencias altas en la seal original "se dobla" en frecuencias bajas. Frecuencias altas disfrazadas como frecuencias bajas producen artefactos seal reconstruida.
note: Debemos de evitar el aliasing de la forma que podamos.
altamente indeseables en la
s > 2B ?
s 2 antes
s 2 . 3. Ahora tenemos una grca de nuestra seal en el dominio de frecuencia con todos los valores de
f (t). c =
s 2 igual a cero. Ahora tomamos la inversa de la CTFT para regresar a nuestra seal de tiempo continuo,
|| >
fa (t).
4. Y nalmente estamos listos para muestrear nuestra seal.
Example 13.6
Valor de muestra para podemos escuchar). Debido a esto, podemos ltrar la seal de salida del instrumento antes de que la muestremos usando el siguiente ltro:
CD = 44.1KHz. 22KHz
(aun cucando no los
243
Figure 13.25:
(4kHz)
pasarla a travs del ltro como la mostrada en la Figure 13.25, donde ahora ponemos La seal que recibimos de este ltro solamente contiene valores donde Ahora podemos muestrear en
|| > 8k .
16k = 8kHz
Figure 13.26
G (j)
Yimp (j)
ys [n].
As que,
F
r=
F 2r T F 2r T
Y (j) =
10 This
1 G (j) H ejT T
F
r=
244
CHAPTER 13.
TEOREMA DE MUESTREO
y
,T =
s 2 T
, s 2
G (j)
es un ltro perfecto
note:
Y (j)
Entonces, para seales limitadas en banda, y con un valor de muestra sucientemente alto y un ltro de reconstruccin perfecto
Figure 13.27
Figure 13.28
donde
Siendo cuidadosos podemos implementar el sistema LTI para seales limitadas en banda en nuestra propia computadora.
Figure 13.29
Nota importante:
Ha (j)
245
Figure 13.30
Ha (j)
es LTI si y solo si
246
CHAPTER 13.
TEOREMA DE MUESTREO
f (t) =
Solution to Exercise 13.2 (p. 226)
Ya que
1 2
F (jw) ejwt dw
F (jw) = 0
afuera de
[2, 2] f (t) = 1 2
2
F (jw) ejwt dw
2
fs [n]
de su DTFT, tenemos
fs [n] =
Ya que
1 2
fs ejw ejwn dw
2
F (jw) = Fs ejw
en
es decir fs [n] es una versin muestreada de Solution to Exercise 13.3 (p. 229)
fimp (t) =
n=
F imp (jw)
= = = =
f (t) e(jwt) dt imp (jwt) dt n= (fs [n] (t n)) e (jwt) (t n) e dt n= (fs [n]) (jwn) n= (fs [n]) e
(13.14)
= Fs ejw
As que la CTFT de
note:
fimp (t)
es
igual a la DTFT de
fs [n]
(t n) e(jwt) dt = e(jwn)
247
Figure 13.31
Fs ej
248
CHAPTER 13.
TEOREMA DE MUESTREO
Chapter 14
Transformada de Laplace y Diseo de Sistemas
14.1 La Transformada de Laplace1
La transformada de Laplace es una generalizacin de la Transformada de Fourier de Tiempo-Continuo (Section 12.1). Sin embargo, en lugar de usar funciones senosoidales complejas (Section 8.2) de la forma
ejt , como lo s = + j .
est ,
donde
Aunque las transformadas de Laplace rara vez se resuelven mediante integracin (si no por medio de tabla (Section 14.3) y uso de computadoras (por ejemplo Matlab) es ms comun), aqu veremos los
pares bilaterales de la transformada de Laplace . Esto dene la transformada de Laplace y su inversa. Notese
las similitudes entre la transformada de Laplace y su inversa. Esto nos dara como resultado muchas de las simetrias encontradas en el anlisis de Fourier. (Section 8.1)
Transformada de Laplace
F (s) =
f (t) e(st) dt
(14.1)
f (t) =
1 2j
c+j
F (s) est ds
cj
(14.2)
1 This
249
250
CHAPTER 14.
laplace e ilaplace, las dos forman parte de las librerias simbolicas, y encontraremos la
transformada de Laplace y su inversa respectivamente. Este mtodo es preferido generalmente para funciones ms complicadas. Funciones ms sencillas e ideales usualmente se encuetran ms facil mediante el uso de tablas (Section 14.1.1.3: Usando Tablas).
H (s), como la suma de otras funciones m (Hi (s)) donde cada una de las Hi se encuentra en la tabla (Section 14.3). i=1 2. Invertir cada Hi (s) para obtener su hi (t). m 3. Se suma cada hi (t) para obtener h (t) = i=1 (hi (t))
Example 14.1
Calcule
H (s) =
h (t)
para
H (s) =
1 s+5
Esto puede ser resuelto directamente usando la tabla (Section 14.3) para ser
Example 14.2
Encontrar la representacin en el dominio del tiempo Para resolver esto, primero notemos que
H (s)
25 s+10 , Re (s) > 10 1 tambin puede ser escrito como 25 s+10 . Entonces
h (t),
de
H (s) =
Example 14.3
Podemos extender los dos ejemplos anteriores encontrando
, Re (s) >
5
los tres pasos descrito anteriormente para obtner como resultado
Para ejemplos ms complicados, seri ms difcil descomponer la funcin de transferencia en partes que se encuentren en la tabla. En este caso, es necesario el uso de expansin en fracciones parciales la funcin de transferencia en una forma ms til. para obtener
imaginarias
una
F (j).
Esto es algo que se podra visualizar mediante grcas en 2-dimensiones (parte real e
funcin de valores complejos de variable compleja. Para examinar la magnitud y la fase o la parte real e imaginaria de esta funcin,
2 "Partial
251
(a)
(b)
Figure 14.1: Parte real e imaginaria de H (s) son cada una supercies en 3-dimensiones. (a) La parte real de H (s) (b) La parte Imaginaria de H (s)
(a)
Figure 14.2:
(b)
Magnitud y Fase de H (s) son tambin supercies en 3-dimensiones. Esta representacin es ms comun que las partes real e imaginaria. (a) La magnitud de H (s) (b) La fase de H (s)
Mientras que estas son maneras legitimas de ver una seal en el dominio de Laplace, es algo difcil dibujarlas y analizarlas. Por esta razon, un mtodo ms sencillo ha sido desarrollado; que aqu no ser discutido a detalle, el mtode de Polos y Ceros (Section 14.6) donde es mucho ms sencillo de entender la Transformada de Laplace y su contraparte discreta en el tiempo la Transformada Z (Section 15.1) y son representadas grcamente.
252
CHAPTER 14.
Propiedad
Linealidad
Seal
Transformada de Laplace
X1 (s) + X2 (s) e
(s )
ROC1
Desplazamiento en el Tiempo Desplazamiento de Frecuencia (modulacin) Escalamiento en el Tiempo
ROC2
X (s)
ROC
Desplazado una
X (s )
ROC
s x (t) (1 ||) X (s )
debe de estar en la
ROC
debe de estar en
x (t)
X (s )
ROC
Al menos una
x1 (t) x2 (t)
d dt x (t)
ROC1
Diferenciacin en el Tiempo Diferenciacin de la Frecuencia Integracin en el Tiempo
Table 14.1
ROC2 ROC
Al menos una
(t) x (t)
t
(s)
ROC
Al menos una
x ( ) d
(1 s) X (s)
ROC
Re (s) > 0
253
1 e
(sT ) 1 s 1 s 1 s2 n! sn+1 n! sn+1 1 s+ 1 s+ 1 (s)2 n! (s+)n+1 n! (s+)n+1 s s2 +b2 b s2 +b2 s+a (s+a)2 +b2 b (s+a)2 +b2 n
s s
Re (s) > 0 Re (s) < 0 Re (s) > 0 Re (s) > 0 Re (s) < 0 Re (s) > Re (s) < Re (s) > Re (s) > Re (s) < Re (s) > 0 Re (s) > 0 Re (s) > a Re (s) > a
All
Table 14.2
e(t) te
(t) n (t)
t e
modulo discutir como encontrar la regin de convergencia para cualquier sistema LTI continuo.
Transformada de Laplace
H (s) =
(14.3)
obtenemos la siguiente
e(at) e(st) dt =
0 0
e((a+s)t) dt
(14.4)
4 This content is available online at <http://cnx.org/content/m12959/1.1/>. 5 This content is available online at <http://cnx.org/content/m12961/1.1/>. 6 "The Laplace Transforms" <http://cnx.org/content/m10110/latest/>
254
CHAPTER 14.
1 s+a s=+
lim e((s+a)t) 1
(14.5)
Nota que esta ecuacin ira innito cuando tomaremos un paso mas al usar
lim e((s+a)t) vaya al innito. Para entender por que pasa esto, t j para realizar ecuaciones como
t
Al reconocer que
e(jt)
+a
+a
no tendr una potencia negativa, lo que prevendr que vaya a cero y el sistema no va a converger. Lo que todo esto nos dice es que para una seal causar, tenemos convergencia cuando
Re (s) > a
(14.7)
Aunque no pasaremos por este proceso otra vez paras seales anticausales, podramos hacerlo. Al hacerlo, nos daramos cuenta que la condicin necesaria para convergencia es cuando
Re (s) < a
(14.8)
(a)
Figure 14.3:
(b)
(a) La ROC para una seal causal. (b) La ROC para una seal anti-causal.
Despus de reconocer esto, la pregunta necesaria es esta: Que hacemos cuando tenemos polos mltiples? La respuesta ms simple es que tenemos que tomar la interseccin de todas las regiones de convergencias para cada respectivo polo.
255
Example 14.4
Encuentre
H (s)
Al separa esto en dos trminos obtenemos que las funciones de transferencia y la respectivas regiones de convergencia de
H1 (s) =
y
(14.9)
H2 (s) =
Combinando esto obtenemos la regin
(14.10) Si
a > b,
podemos
Figure 14.4:
es
L1 (h) (t) =
donde
1 2
(14.11)
y el numero real
cson
singularidades de
se encuentren en
7 This content is available online at <http://cnx.org/content/m12962/1.1/>. 8 "Eigenvalue Problem: The Transfer Function" <http://cnx.org/content/m10490/latest/>
256
CHAPTER 14.
x = Bx + g
, como (14.12)
x (t) = L1 (sI B)
Por ejemplo, tomaremos el primer componente de
(L {g} + x (0))
L {x},nombrado
.
Lx1 (s) =
Denimos:
en los cuales
Lx1 (s)
explota.
1/100, 329/400
73 16
, and
1/6.
(14.13)
No suponemos que el lector aya encontrado integraciones en el plano complejo pero esperamos que este ejemplo provea la motivacin necesaria para examinarla. comando MATLAB tiene el clculo necesario para desarrollar este punto. observamos que el
ilaplace
produce
t t 6
x1 (t) = 211.35e 100 (0.0554t3 + 4.5464t2 + 1.085t + 474.19) e (329t) 73t 73t e 400 262.842cosh 16 + 262.836sinh 16
9 http://www.caam.rice.edu/caam335/cox/lectures/b3.m
257
Figure 14.5:
10
Los otros potenciales, vistos en esta gura posen una expresin similar. Por favor note que cada uno de los polos de
L {x1 }
x1
ya que al gracar su magnitud y ngulo a su parte real e imaginaria da como resultado varias gracas de Por esta razn, es comn el examinar la con sus polos y ceros y tratar una vez mas una idea cualitativa de lo
H (z),
z donde
el
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
Fibers and the Dynamic Strang Quartet", Figure 1: An RC model of a nerve ber <http://cnx.org/content/m10168/latest/#RC_model_g> 11 This content is available online at <http://cnx.org/content/m12963/1.2/>. 12 "The Laplace Transforms" <http://cnx.org/content/m10110/latest/> 13 "Transfer Functions" <http://cnx.org/content/m0028/latest/>
10 "Nerve
258
CHAPTER 14.
z donde
el
2. Las frecuencias complejas que hacen de la ganancia de la funcin de transferencia del ltro se
para observa detalladamente como gracar los ceros y polos en la transformada-z en el plano-z.
Example 14.5
Encuentre los polos y ceros de la funcin de trasferencia en el plano-s.
H (s) =
Lo primero que tenemos que reconocer que la funcin de transferencia ser igual a cero cuando lo de arriba, para
igual a cero. Para encantar que esto iguala a cero factorizamos esto Esto da a ceros en
s = 2
s = 4.
mas complicada, talvez tendramos que usar la formula cuadrtica. Para los polos, tenemos que reconocer que la funcin de transferencia ser innita cuando la parte de abajo es cero. Esto sucede cuando funcin esto nos da y
j 2
Al gracar esto nos da Figure 14.6 (Graca de Polos y Zeros)
s+j 2
2 s + 2 es cerro para encontrar esto, tenemos que factorizar la s j 2 . Lo que signica que tenemos races imaginarias de +j 2
Figure 14.6:
Mestra de la Graca
Ya que hemos encontrado y gracado los polos y cero, tenemos que preguntarnos que es lo que nos dice esta graca. Lo que podemos deducir es que magnitud de la funcin de trasferencia ser mayor cuando se encuentre
14 "Understanding
259
cerca de los polos y menos cuando se encuentre cerca de los ceros. Esto nos da un entendimiento cualitativo de lo que el sistema hace en varias frecuencias y es crucial para la funcin de estabilidad (Section 3.4).
H (z) = z 2
H (s) =
teora de control.
260
CHAPTER 14.
Chapter 15
La Transformada Z y Filtros Digitales
15.1 La Transformada Z: Denicin1
15.1.1 Denicin Bsica de la Transformada-Z
La
X (z) =
n=
Algunas veces esta ecuacin es conocida como la es denida por
x [n] z n
(15.1)
X (z) =
n=0
la cual es conocida como la la cual es denida como
x [n] z n
(15.2)
X e
Note que cuando para
=
n=
x [n] e(jn)
(15.3)
z n
es remplazada con
e(jn)
z = ej
z.
1 This
261
262
CHAPTER 15.
Plano-Z
Figure 15.1
El plano-Z es un plano complejo con un eje imaginario y real que se reejen eso se reere a la variable compleja donde
z.
rej
. X (z)
|z| = 1,
=1
en
z=1
ayuda por que, al representar la transformada de fourier como una transformada-z en el crculo unitario, se puede ver muy fcilmente la periodicidad de la transformada de Fourier.
x [n]
es denida como el
serie de potencia,
x [n] z n
|x [n] z n | <
n=
Se tiene que satisface para la convergencia. transformadas-z de
(15.4)
n u [n]
n u [n 1].
Example 15.1
Para
x [n] = n u [n]
(15.5)
263
Figure 15.2:
X (z)
= = = =
(15.6)
Esta secuencia es un ejemplo de una exponencial del lado derecho por que tiene un valor de no cero para
n 0.
|z 1 | < 1. X (z) = =
Cuando converge,
1 1z 1 z z n
(15.7)
Si
|z 1 | 1,
n=0
z 1
valores cuando
|z 1 | < 1
o, equivalentemente,
|z| > ||
(15.9)
264
CHAPTER 15.
Figure 15.3:
Example 15.2
Para
x [n] = ( (n )) u [n 1]
(15.10)
265
Figure 15.4:
X (z)
= = = = = =
1] z n )
(15.11)
|1 z| < 1
o, equivalentemente
(15.12)
|z| < ||
Si la ROC se satisface, entonces
(15.13)
X (z)
= =
1
z z
1 11 z
(15.14)
266
CHAPTER 15.
Figure 15.5:
u [n]
z 1 = z1 1 z 1
(15.15)
2 This
267
Seal
Transformada-Z
ROC
Allz
z k
z z1 z z1 z (z1)2 z(z+1) (z1)3 z (z 2 +4z+1) (z1)4 z z z z z (z)2 z(z+) (z)3 z (z)m+1 z(zcos()) z 2 (2cos())z+ 2 zsin() z 2 (2cos())z+ 2
Table 15.1
|z| > 1 |z| < 1 |z| > 1 |z| > 1 |z| > 1 |z| < || |z| > || |z| > || |z| > ||
2 n
ROC, es importante entender por que dene la regin transformadaz se dene por
X (z) =
n=
La ROC para una palabras,
x [n] z n z
(15.16)
x [n]
transformadaz es una
x [n] z n
|x [n] z n | <
n=
tiene que ser satisfecha para la convergencia.
(15.17)
x [n].
La ROC no tiene que contener algn polo. Por denicin un polo es donde X (z) es innito. Ya que X (z) tiene que ser nita para todas las z para tener convergencia, no puede existir ningn polo
para ROC.
3 This
268
CHAPTER 15.
Si x [n] es una secuencia de duracin nita, entonces la ROC es todo el plano-z, excepto en z = 0 o |z| = . Una secuencia de duracin nita es aquella que tienen valor de no cero en un intervalo nito n1 n n2 . Mientras que cada valor de x [n] es nito entonces la secuencia ser 1 absolutamente sumable. Cuando n2 > 0 entonces existir z trminos por lo tanto la ROC no incluye z = 0. Cuando n1 < 0 la suma ser innita por lo tanto la ROC no incluye |z| = . Pero si, n2 0 entonces la ROC incluir z = 0, y cuando n1 0 la ROC incluir |z| = . Con esta condiciones, la nica seal que tiene una ROC que cubre todo el plano-z es x [n] = c [n].
Figure 15.6:
Las siguientes propiedades se aplican a secuencias con duracin innita. mente la transformada-z converge cuando
|X (z) | < .
|X (z) | = |
n=
x [n] z
|
n=
|x [n] z
| =
n=
|x [n] |(|z|)
(15.18)
(15.19)
N (z) =
n=
y
|x [n] |(|z|)
(15.20)
P (z) =
n=0
Para que
|x [n] |(|z|)
(15.21)
|X (z) |
se innita,
|x [n] |
|x (n) | C1 r1 n
(15.22)
269
para
n<0
y
|x (n) | C2 r2 n
para
(15.23)
n0
De estos tambin se pueden derivar ms propiedades:
Si x [n] es una secuencia del lado derecho entonces la ROC se extiende hacia fuera en el ultimo polo desde X (z). Una secuencia del lado derecho es aquella donde x [n] = 0 para
n < n1 < .
Si vemos la porcin del tiempo positive de la ultima derivacin, se puede deducir que
P (z) C2
n=0
Por lo tanto para que la suma converja, tiene la forma de
r2 n (|z|)
= C2
n=0
r2 |z|
n
(15.24)
|z| > r2 ,
|z| > r2 .
Figure 15.7:
270
CHAPTER 15.
Figure 15.8:
Si x [n] es una secuencia del lado izquierdo, entonces la ROC se extiende hacia dentro desde el polo mas cercano en X (z). Una secuencia del lado izquierdo es aquella donde x [n] = 0
para que
r1 n (|z|)
n=
= C1
n=
r1 |z|
= C1
k=1
|z| r1
k
(15.25)
|z| < r1 ,
|z| < r1 .
Figure 15.9:
271
Figure 15.10:
Si x [n] es una secuencia con dos lados, la ROC va ser un anillo en el plano-z que esta restringida en su interior y exterior por un polo. Una secuencia de dos lados es aquella con
duracin innita en direcciones positivas y negativas. De la derivacin de las dos propiedades, podemos deducir que si r2 < |z| < r2 converge, entonces el tiempo positivo y el tiempo negativo converge, y X (z) converge tambin. Por eso la ROC de una secuencia de dos lados tiene la forma de r2 < |z| < r2 .
Figure 15.11:
272
CHAPTER 15.
Figure 15.12:
15.3.3 Ejemplos
Para entender esto mejor veremos los siguientes ejemplos.
Example 15.3
Tomemos
x1 [n] =
La transformada de
1 2
1 4
1 2.
u [n]
(15.26)
Figure 15.13:
La ROC de
` 1 n
2
u [n]
273
La transformada de
|z| >
1 4 .
Figure 15.14:
La ROC de
` 1 n
4
u [n]
Usando linealidad,
X1 [z]
= =
z z + z+ 1 z 1 2 4 1 2z (z 8 )
(15.27)
z 1 2
)(
z+ 1 4
)
y el otro en
|z| >
1 2.
274
CHAPTER 15.
Figure 15.15:
La ROC de x1 [n] =
` 1 n
2
u [n] +
` 1 n
4
u [n]
Example 15.4
Ahora tomemos
x2 [n] =
La transformada y ROC de La transformada de
1 4
u [n]
1 2
u [n 1]
(15.28)
1 n 2
1 n u [n] fueron mostradas en el ejemplo anterior (Example 15.3). 4 1 z u [n 1] es z 1 con una ROC en |z| > 2 . 2
275
Figure 15.16:
La ROC de
` `` 1 n
2
u [n 1]
Usando linealidad,
X2 [z]
= =
z z + z 1 z+ 1 4 2 1 z (2z 8 )
(15.29)
(z+ 1 )(z 1 ) 4 2
|z| <
1 2.
276
CHAPTER 15.
Figure 15.17:
La ROC de x2 [n] =
` 1 n
4
u [n]
` 1 n
2
u [n 1].
X (z) =
n=
Es de gran ayuda el poder encontrar esto:
x [n] z n X (z).
(15.30)
x [n]
dado
1. Inspeccin (Section 15.4.1: El Mtodo de Inspeccin) 2. Expansion de fracciones parciales (Section 15.4.2: Mtodo de Expansin de Fracciones Parciales) 3. Expansin de series de potencia (Section 15.4.3: Mtodo de Expansin de Series de Potencia) 4. Integracin del contorno (Section 15.4.4: Mtodo de Integracin del Contorno)
Example 15.5
Dado
X (z) =
4 This
z z
277
|z| >
Al inspeccionar podemos determinar que
x [n] = n u [n]
X (z)
= =
B(z) A(z) PM
Pk=0 N
(bk zk )
(15.31)
k ) k=0 (ak z
a0 X (z) = b0
donde Si
M k=1 N k=1
1 ck z 1 (1 dk z 1 )
y
(15.32)
ck representa los ceros con valor no ceros de X (z) M < N entonces X (z) se puede representar por
N
dk
X (z) =
k=1
Ak 1 dk z 1
(15.33)
Esta forma ayuda el invertir cada termino de la suma usando el mtodo de inspeccin (Section 15.4.1: El Mtodo de Inspeccin) y la tabla de transformadas (Section 15.2). Por lo tanto el numerador es un polinomio se vuelve necesario usar la expansin de fracciones parciales arriba. Si
5
X (z)
en la forma descrita
M N
entonces
X (z)
M N
X (z) =
r=0
Br z r +
(15.34)
Example 15.6
Encuentre la transformada inversa-z de
X (z) =
Donde el ROC es obtener
1 + 2z 1 + z 2 1 + (3z 1 ) + 2z 2
as que tenemos que la divisin larga para
|z| > 2.
En este caso
M = N = 2,
X (z) =
Tenemos que factorizar el denominador.
1 7 1 1 2 + 2z + 2 1 + (3z 1 ) + 2z 2
X (z) = 2 +
5 "Partial
(1) + 5z 1 (1 2z 1 ) (1 z 1 )
278
CHAPTER 15.
X (z) =
9 A2 1 4 A1 1 2 + = + + + 2 1 2z 1 1 z 1 2 1 2z 1 1 z 1
Ahora cada trmino se puede invertir usando el mtodo de inspeccin y la tabla de transformada-z. ya que la ROC es
X (z) =
n=
entonces cada termino de la secuencia
x [n] z n
(15.35)
x [n]
z n .
Example 15.7
Ve la siguiente transformada -z de la secuencia de
tamao nito.
1 1 2 z 1
X (z)
z 2 1 + 2z 1
1 2
1 + z 1
= z2 + 5 z + 2
claro que
+ z 1 X (z).
(15.36)
Al inspeccinala, se vuele
Example 15.8
Suponga
X (z) = logn 1 + z 1
Al notar que
logn (1 + x) =
n=1
Entonces
1n+1 xn n
X (z) =
n=1
Por lo tanto
1n+1 n z n n n1
X (z) =
1n+1 n if n
0 if n 0
279
x [n] =
donde
1 2j
r
X (z) z n1 dz
(15.37)
Para
expandir este mtodo para encontrar la inversa se necesita conocimiento de teora de variables complejas y esto no se vera en este modulo.
Example
Aqu se muestra un ejemplo de una funcin racional, denominador es cero.
f (x).
nador pueden ser polinomios de cualquier orden, pero la funcin racional es indenida cuando el
f (x) =
x2 4 2x2 + x 3
(15.38)
Si usted ha empezado a usar la transformada-z (Section 15.1), usted debi notar que todas las transformadas son funciones racionales. En seguida veremos algunas de las propiedades de las funciones racionales y como se pude usar para reveler caractersticas importantes de la transformada-z, y por lo tanto revelar una seal o un sistema LTI.
15.5.2.1 Races
Para entender muchas de las caractersticas de las funciones racionales, tenemos que empezar por encontrar las races de la funcin racional. Para ser esto, factoricemos los dos polinomios para poder observar las races fcilmente. Como todos los polinomios, las races nos darn informacin sobre muchas de sus propiedades. Esta funcin nos muestra el resultado que da el factorizar la funcin racional anterior, (15.38).
f (x) =
(x + 2) (x 2) (2x + 3) (x 1)
(15.39)
As, las races para esta funcin son las siguientes: Las races del numerador son: Las races del denominador son:
{2, 2} {3, 1}
6 This
280
CHAPTER 15.
note:
Para entender las funciones racionales, es esencial el saber y entender las races que forman
15.5.2.2 Discontinuidades
Ya que estamos viendo la divisin de dos polinomios, tenemos que ver los valores de la variable que darn que el denominador de nuestra fraccin sea cero. Cuando esto pasa, la funcin racional se vuelve indenida, por lo tanto, tenemos una discontinuidad en la funcin. Ya que sabemos nuestras races, es muy fcil saber cuando ocurre esto. Cuando tenemos una variable en el denominador igual a cualquier raz en el denominador, la funcin se vuelve indenida.
Example 15.9
Usando la funcin racional anterior, (15.38), podemos observar que funcin tendr discontinuidades en los siguientes puntos:
x = {3, 1}
Con respecto al plano cartesiano podemos decir que las discontinuidades ocurren con respecto al eje de las
x. Esta discontinuidades sern asintoticamente vertical en la graca y representara los valores donde la
funcin esta indenida.
15.5.2.3 Dominio
Usando las races anteriores, el
Example
Usando la funcin racional anterior, (15.38), el dominio se puede denir como cualquier numero real
donde
{ x R |x = 3 and x = 1}
(15.40)
15.5.2.4 Intercepciones
La
f (x),en
racional iguala a cero. Ya que hemos encontrado las races de la funcin este proceso es muy simple. Usando algebra, sabemos que la salida ser cero cuando el numerador de la funcin igual a cero. Por lo tanto, la funcin tendr una intercepciones en La
X (z) =
b0 + b1 z 1 + + bM z M a0 + a1 z 1 + + aN z N
(15.41)
281
Si usted ya vio el modulo titulado el entender gracas de polos y ceros y la transformada-z , usted sabr como las races de las funciones racionales forman un papel importante para entender la transformada-z. La ecuacin anterior, (15.41), se puede expresar en una forma factorizada similar la funcin racional vista anterior menta, vea (15.39). Por lo tanto podemos encontrar las races del numerador y denominador de la transformada-z. Las siguientes dos relaciones se vuelven obvias:
15.5.4 Conclusin
Una vez que usemos nuestro conocimiento de funciones raznales para encontrar sus races, podemos manipular una transformada-z en varias maneras tiles. Podemos usar este conocimiento para representar un sistema LTI grcamente usando una graca de polos y ceros , o para analizar o disear un ltro digital a travs de la transformada-z .
9 8
sirve para expresar esta relacin en un sistema discreto. El escribir la secuencia de entradas y salidas, las cuales representan las caractersticas del sistema LTI, como una ecuacin de diferencia nos ayuda entender y manipular el sistema.
Denition 15.3:
entre ellos.
La Ecuacin de Diferencia
Es una ecuacin que muestra la relacin entra valores consecutivos de una secuencia y la diferencia Usualmente se escribe en una ecuacin recurrente para que la salida del sistema se pueda calcular de las entradas de la seal y sus valores anteriores.
Example
y [n] + 7y [n 1] + 2y [n 2] = x [n] 4x [n 1]
(15.42)
n. H (z),
del sistema. Las siguientes subsecciones veremos la forma genera de la ecuacin diferencial en la conversin
7 "Understanding Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/> 8 "Understanding Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/> 9 "Filter Design using the Pole/Zero Plot of a Z-Transform" <http://cnx.org/content/m10548/latest/> 10 This content is available online at <http://cnx.org/content/m12965/1.1/>.
282
CHAPTER 15.
(ak y [n k]) =
k=0 k=0
(bk x [n k])
(15.43)
y [n] =
k=1
De esta ecuacin, note que
(ak y [n k])
+
k=0
(bk x [n k]) x [n k]
(15.44)
y [n k]
N representa
el
orden de la ecuacin de diferencia que corresponde a la memoria del sistema representado. condiciones iniciales, se deben saber.
Ya que la ecuacin depende de los valores pasados de la salida, para calcular una solucin numrica, algunos valores pasados, conocidos como
funcin de transferencia,
de diferencia. Los siguientes pasos se deben de tomar para convertir cualquier funcin de diferencia en su Primero se tiene que tomar la transformada de Fourier de todos los trminos en Despus usando la propiedad de linealidad para sacar la transformada fuera de la sumatoria
y usamos la propiedad de desplazamiento en el tiempo de la transformada z para cambiar los trminos desplazados en el tiempo a exponenciales. Despus de hacer esto, llegamos a la siguiente ecuacin:
a0 = 1.
(15.45)
Y (z) =
k=1
ak Y (z) z k H (z) = =
Y (z) X(z) PM
+
k=0
bk X (z) z k
(15.46)
Recuerde que la razn por la que usamos estas formulas es el poder disear un ltro. Un
LCCDE es una de las maneras ms fciles de representar los ltros FIL. Al encontrar la respuesta de frecuencia, podemos ver las funciones bsicas de cualquier ltro representado por una simple LCCDE. La formula general para la respuesta de frecuencia en la transformada-z es la siguiente. La conversin es simplemente tomar la formula de la transformada-z, instante de
H (z),
y remplazarla en cualquier
con
ejw . H (w) = = H (z) |z,z=ejw PM (jwk) ) k=0 (bk e PN (ak e(jwk) ) k=0
(15.47)
Despus de que usted entienda la derivacin de esta formula vea el modulo titulado el ltro y la transformadaz
12
para que vea las ideas de la transformada-z (Section 15.1) y la ecuacin de diferencia, y las gracas de
13
polos y ceros
11 "Derivation of the Fourier Transform" <http://cnx.org/content/m0046/latest/> 12 "Filter Design using the Pole/Zero Plot of a Z-Transform" <http://cnx.org/content/m10548/latest/> 13 "Understanding Pole/Zero Plots on the Z-Plane" <http://cnx.org/content/m10556/latest/>
283
15.6.3 Ejemplo
Example 15.10: Encontrando la Funcin de Diferencia
Aqu se muestra un ejemplo de tomar los pasos opuestos a los descritos anteriormente: dada una funcin de transferencia uno puede calcular fcilmente la ecuacin de diferencia del sistema.
H (z) =
(z + 1) z1 z+ 2
3 4
(15.48)
Dada una funcin de transferencia de un ltro, queremos encontrar la funcin de diferencia. Para hacer esto, expanda los os polinomios y divdalos por el orden mas alto de
z.
H (z)
= = =
(z+1)(z+1)
1 3 (z 2 )(z+ 4 )
(15.49)
De esta funcin de transferencia, los coecientes de los dos polinomios sern nuestros valores de
ak
bk que
coecientes y la forma anterior de la funcin de transferencia, podemos escribir la ecuacin de diferencia as:
1 3 x [n] + 2x [n 1] + x [n 2] = y [n] + y [n 1] y [n 2] 4 8
(15.50)
En el ltimo paso re-escribimos la ecuacin de diferencia en una forma ms comn, mostrando su naturaleza recurrente del sistema.
y [n] = x [n] + 2x [n 1] + x [n 2] +
3 1 y [n 1] + y [n 2] 4 8
(15.51)
x (n)
y basadas en un conjunto de
indirecto, este ltimo basado en la transformada-z. En las siguientes subsecciones se explica brevemente
las formulas para resolver los LCCDE as como el uso de estos dos mtodos.
(15.52)
yh (n), se conoce como la solucin homognea y la segunda parte, yh (n),se le llama solucin particular. El siguiente mtodo es similar al usado para resolver las ecuaciones diferenciales,
284
CHAPTER 15.
x (n) = 0.
(ak y [n k]) = 0
k=0
Para resolver esto, asumimos que la solucin tiene la forma de un exponencial. Usaremos lambda, representar los trminos exponenciales. Ahora tenemos que resolver la siguiente ecuacin:
(15.53)
para
ak nk = 0
k=0
Expandiremos la ecuacin y factorizaremos todos los trminos de lambda. dentro del parntesis, lo cual se conoce como
(15.54)
la clave para resolver esto ecuacin. Si se tienen races diferentes, la solucin general es la siguiente:
yh (n) = C1 (1 ) + C2 (2 ) + + CN (N )
(15.55)
Sin embargo, si la ecuacin caracterstica contiene mltiples races la solucin mostrada anterior mente sufre algunos cambios. La versin modicada de la ecuacin se muestra abajo, donde
tiene
races:
(15.56)
yp (n),
(ak yp (n k)) =
k=0 k=0
Para resolverla, nuestra estimacin de la solucin para
(15.57)
x (n).
Despus de esto, uno nada mas tiene que sustituir la respuesta y resolver la ecuacin.
Y (z).
Al usar la
transformada inversa (Section 15.6.2.2: Conversin a la Transformada-z) y usando la expansin parcial de fracciones, podemos encontrar la solucin.
X (z) =
14 This
P (z) Q (z)
(15.58)
285
P (z) y Q (z), nos dejan encontrar los polos y ceros (Section 14.6) de la transformada-
P (z) = 0.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
donde
Q (z) = 0.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea
Example 15.11
Esta es la funcin de transferencia con polos y ceros.
H (z) =
Los ceros son: Los polos son:
z+1 z1 z+ 2
3 4
{1} 1 2,
3 4
15.7.2 El Plano-z
Despus de encontrar los polos y ceros de una trasformada-z, se pueden gracar en el plano-z. El plano-z es un plano complejo con ejes reales e imaginarios para la variable compleja de complejo es dada por
z.
rej
y el ngulo se da del lado positive del eje real del plano y se escribe
Al gracar
los polos y ceros, los polos son mostrados con "x" y los ceros con "o". La siguiente gura muestra el plano-z, as como algunos ejemplos de como gracar polos y ceros en algn lugar particular en el plano.
Plano-Z
Figure 15.18
286
CHAPTER 15.
H (z) =
Los ceros son: Los polos son:
z z
1 2
z+
3 4
{0} 1 2,
3 4
Figure 15.19:
Usando los ceros y polos de la funcion de transferencia, un cero es gracado a el valor ` 1 cero y los dos polos se colocan en 2 y 3 4
H (z) =
Los ceros son: Los polos son:
1 2
(z j) (z + j) 1 2j z 1 + 1j 2 2
{j, j} 1, 1 + 1 j, 1 1 j 2 2 2 2
287
Figure 15.20: Usando los ceros y polos de la funcion de transferencia, los ceros son gracados en j , los polos son colocados en 1, 1 + 1 j y 1 1 j 2 2 2 2
MATLAB- si se usa este programa, entonces usted podr usar funciones que crean este tipo de gracas
rpidamente. Abajo se muestra un programa que graca polos y ceros del ejemplo anterior.
% Set up vector for zeros z = [j ; -j]; % Set up vector for poles p = [-1 ; .5+.5j ; .5-.5j]; figure(1); zplane(z,p); title('Pole/Zero Plot for Complex Pole/Zero Plot Example');
X (z)
ceros. Aunque varias ROC pueden existir, donde cada una corresponde a una respuesta al impulse diferente, existen opciones que son mas practicas. Un ROC se puede escoger para hacer la funcin de transferencia causal y/o estable dependiendo de la graca de polos y ceros.
Si la ROC se extiende hacia afuera desde su ultimo polo, entonces el sistema es Si la ROC incluye el crculo unitario, entonces el sistema es
causal.
estable.
288
CHAPTER 15.
La siguiente graca es un posible ROC para la transformada-z del ejemplo graca simple de polos y ceros (Example 15.12: Graca Simple de Polos y Ceros) la regin mostrada indica la ROC elegida para el ltro. Podemos inferior que el ltro ser causal y estable ya que tiene las propiedades mencionadas anteriormente.
Example 15.14
H (z) =
z z
1 2
z+
3 4
Figure 15.21:
15 "Filter Design using the Pole/Zero Plot of a Z-Transform" <http://cnx.org/content/m10548/latest/> 16 This content is available online at <http://cnx.org/content/m12967/1.3/>.
289
frecuencia. Este es un resultado de la correlacin entre la repuesta de frecuencia y la funcin de transferencia evaluada en el crculo unitario de la graca de polos y ceros. La respuesta de frecuencia, o DTFT, del sistema es denida por:
H (w)
= =
(15.59)
Al factorizar la funcin de transferencia a sus polos y ceros y el multiplicar el numerador y denominador por
ejw
se obtiene lo siguiente:
H (w) = |
b0 | a0
M k=1 N k=1
|ejw ck | (|ejw dk |)
(15.60)
De la (15.60) obtenemos la respuesta de frecuencia en una forma que se puede usar para interpretar las caractersticas fsicas de las respuesta de frecuencia del ltro. El numerador y denominador contienen un producto en trminos de la forma
|ejw h|,
donde
ck
Los vectores son usados para representar el trmino y sus partes en el plano complejo. El polo o cero, un vector que viene del origen a la su lugar en cualquier parte del plano complejo y conecta el polo o cero a un lugar en el circulo unitario que depende del valor de en el plano-z y
dk . h, es
ejw
es un vector que
viene del origen hasta una posicin en el circulo unitario. El vector que conecta estos dos puntos,
|ejw h|,
w.
entender como la magnitud de la respuesta de frecuencia es un radio de distancias de polos y ceros presente
|H (w) | = |
b0 | a0
a
En conclusin, usando las distancias del crculo unitario a los polos y ceros, podemos gracar la respuesta de la frecuencia del sistema. Cuando
va de
2 , las |H (w) |.
Example 15.15
En este ejemplo, tomaremos una transformada-z sencilla mostrada aqu:
|ejw h|,
w,
son gracados especcamente en el plano complejo, visto en la siguenta gura. Estos vectores
va de
0 a 2 , tambin w = 0, el vector
17 "Understanding
290
CHAPTER 15.
es mayor as que la respuesta de frecuencia tendr la mayor amplitud. Cuando tamao del vector disminuye junto con la amplitud de
se acerca a
el
|H (w) |.
Figure 15.22: La primera gura reprecenta la graca de polos y ceros con unos cuantos vectores, la segunda muestra la respuesta de frecuancia que es maxima en +2 y es gracada entre positivo y negativo .
Example 15.16
En este ejemplo, una funcin de transferencia ms compleja es analizada para poder representar la respuesta de la frecuencia del sistema
H (z) =
z z
1 2
1 1 1 z 1 2
H (w) =
Pedemos observar dos gures que
1 1 1 e(jw) 2
las ecuaciones anteriores. La cnxn
describes
H (w).
Figure 15.23(b) (Respuesta de Frecuencia: |H(w)|) La secunda gura muestra la magnitud de la respuesta de frecuencia. Usando las formulas y lo dicho en la seccin anterior, podemos ver que cuando
w = 0
circulo unitario. El radio de la (15.60) nos ayuda a ver la conduccin matemticamente y ver la relacin entre las distancias del circulo unitario y los polos y los ceros. Cuando a
se mueve de
observamos como el cero empieza a cubrir los efectos del polo y as hacer que la respuesta de
0.
291
La primera r=gura representa la graca de polos y ceros, la segunda muestra la respuesta de frecuencia que es maxima en +2 y es gracada entre positivo y negativo .
292
CHAPTER 15.
Chapter 16
Tareas
16.1 Homework #11
note:
16.1.1 Assignment 1
Homework, tests, and solutions from previous oerings of this course are o limits, under the honor code.
16.1.1.1 Problem 1
Form a study group of 3-4 members. With your group, discuss and synthesize the major
themes of this
week of lectures. Turn in a one page summary of your discussion. You need turn in only one summary per group, but include the names of all group members. Please do not write up just a "table of contents."
16.1.1.2 Problem 2
Construct a WWW page (with your
picture) and email Mike Wakin (wakin@rice.edu) your name (as you
want it to appear on the class web page) and the URL. If you need assistance setting up your page or taking/scanning a picture (both are easy!), ask your classmates.
learning styles. Write a short summary of what you learned. Also, complete the "Index of learning styles" self-scoring test on the web and bring your results to class.
16.1.1.4 Problem 4
Make sure you know the material in Lathi, Chapter B, Sections 1-4, 6.1, 6.2, 7. Specically, be sure to review topics such as:
complex arithmetic (adding, multiplying, powers) nding (complex) roots of polynomials complex plane
4
1 This content is available online at <http://cnx.org/content/m10826/2.9/>. 2 http://www2.ncsu.edu/unity/lockers/users/f/felder/public/Learning_Styles.html 3 http://www-dsp.rice.edu/courses/elec301/ 4 "The Complex Plane" <http://cnx.org/content/m10596/latest/>
293
294
CHAPTER 16.
vectors (adding, inner products)
TAREAS
Complex Numbers applet (may take a few seconds to load). (a) Change the default add function to exponential (exp). Click on the complex plane to get a blue arrow, which is your complex number is equal to
z.
Click again anywhere on the complex plane to get a yellow arrow, which
ez .
Now drag the tip of the blue arrow along the unit circle on with
|z| = 1
ez
(b) Experiment with the functions absolute (abs), real part (re), and imaginary part (im) and report
20
Cartesian form,
a + jb.
Do
jj
roots
command and to plot the roots in the complex plane. Mark the root locations with an 'o'.
Put all of the roots on the same plot and identify the corresponding polynomial (a,
b,
etc...).
j2 N
is called an
z=e 7 . j4 z=e 7 .
Draw Draw
z, z 2 , . . . , z 7 z, z 2 , . . . , z 7
u C2
and
v C2
are called
linearly independent if
if and only if as a
u + v = 0
It is a fact that we can write any vector in
==0
C2
and
are complex-valued.
295
(a) Write
3 + 4j 6 + 2j
as a linear combination of
1 2 1 2
and
5 3 5 3
.
That is, nd
and
such that
3 + 4j 6 + 2j x1
a linear combination of
as
x=
1 2
and
5 3
.
We will denote
(c) Write the answer to (a) in matrix form, i.e. nd a 22 matrix
such that
x1 x2
(x) (x)
u
and
(d) Repeat (b) and (c) for a general set of linearly independent vectors
v.
f (x) = x2 +
with
xJ
if the sequence
x J,
also belongs to
J. ,
the boundary of a Julia set is a fractal curve - it contains "jagged" detail no
matter how far you zoom in on it. The well-known Mandelbrot set contains all values of corresponding Julia set is connected. (a) Let (b) Let
= 1. Is x = 1 in J ? = 0. What conditions
on
ensure that
belongs to
J?
and plot the results using the threshold
(c) Create an approximate picture of a Julia set in MATLAB. The easiest way is to create a matrix of complex numbers, decide for each number whether it belongs to command. To determine whether a number belongs to iterations of we say that
J,
J,
g . For a given x, if the magnitude |gn (x) | remains below some x belongs to J . The code below will help you get started:
296
CHAPTER 16.
TAREAS
N = 100; % Max # of iterations M = 2; % Magnitude threshold mu = -0.75; % Julia parameter realVals = [-1.6:0.01:1.6]; imagVals = [-1.2:0.01:1.2]; xVals = ones(length(imagVals),1) * realVals + ... j*imagVals'*ones(1,length(realVals)); Jmap = ones(size(xVals)); g = xVals; % Start with g0 % % % % Insert code here to fill in elements of Jmap. Leave a '1' in locations where x belongs to J, insert '0' in the locations otherwise. It is not necessary to store all 100 iterations of g!
= 0.75, N = 100,
and
M = 2.
297
Figure 16.1:
Example image where the x-axis is Re (x) and the y-axis is Im (x).
Using the
N, M,
and
x,
= 0.391 0.587j .
M.
Tip: try
imagesc(log(Jmap))
colormap jet
for a
16.2.2 Problem #2
No solutions provided.
16.2.3 Problem #3
No solutions provided.
16.2.4 Problem #4
No solutions provided.
7 This
298
CHAPTER 16.
TAREAS
16.2.5 Problem #5
16.2.5.1 Part (a)
ez
z = j .
When
z = j ,
= =
(16.1)
z = + j,
you want a
e+j
reduces as
e+j = e ej = e0 ej = ej
We know by Euler's formula
8
that
ej = cos () + jsin ()
The magnitude of this is given by So, we know we want to pick have to choose
sin2 () + cos2 (), which is 1 (which implies that ej is on the unit circle). a z = Aj that is on the unit circle (from the problem statement), so we
A = 1
| | gives magnitude of complex number Re () gives real part of complex number Im () gives imaginary part of complex number
16.2.6 Problem #6
16.2.6.1 Part (a)
1 j 2
16.2.6.2 Part (b)
20
5 2e 4 2
20
= e
5 4
20
= ej25 = ej = 1
1 + 2j = 3 + 4j
16.2.6.3 Part (c)
1 + 2j 3 + 4j
3 4j 3 4j
3 + 6j 4j + 8 11 + 2j 11 2 = = + j 9 + 16 25 25 25
2ej 3 1 + 3j = = ej 2 = j j 3j 2e 6
16.2.6.4 Part (d)
j= e
8 "The
j 2
1 2
=e
j 4
= cos + jsin 4 4
2 2 = + j 2 2
299
j j = ej 2
= ej
2 2
=e
16.2.7 Problem #7
16.2.7.1 Part (a)
z 2 4z = z (z 4) Roots of z = {0, 4}
16.2.7.2 Part (b)
z 2 4z + 4 = (z 2)
Roots of z = {2, 2}
16.2.7.3 Part (c)
z 2 4z + 8 Roots of z = 4
16 32 = 2 2j 2
z2 + 8
32 Roots of z = = 2 2j 2
z 2 + 4z + 8 Roots of z = 4
16 32 = 2 2j 2
16.2.7.6 Part (f )
2z 2 + 4z + 8 Roots of z = 4
16 64 = 1 3j 4
%%%%%%%%%%%%%%% %%%%% PROBLEM 7 %%%%%%%%%%%%%%% rootsA = roots([1 -4 0]) rootsB = roots([1 -4 4]) rootsC = roots([1 -4 8])
300
CHAPTER 16.
TAREAS
rootsD = roots([1 0 8]) rootsE = roots([1 4 8]) rootsF = roots([2 4 8]) zplane([rootsA; rootsB; rootsC; rootsD; rootsE; rootsF]); gtext('a') gtext('a') gtext('b') gtext('b') gtext('c') gtext('c') gtext('d') gtext('d') gtext('e') gtext('e') gtext('f') gtext('f')
Figure 16.2:
301
16.2.8 Problem #8
16.2.8.1 Part (a)
Raise
j2 N
to the
N th
power.
e
note:
j2 N
= ej2 = 1
1 N j2 N
Similarly,
(1) N = ej2
=e
z=e
j2 7
zk = e
j2 7
= ej2 7
We will have points on the unit circle with angle of MATLAB can be found below, followed by the plot.
27 2 22 7 , 7 ,..., 7
%%%%%%%%%%%%%%% %%%%% PROBLEM 8 %%%%%%%%%%%%%%% %%% Part (b) figure(1); clf; hold on; th = [0:0.01:2*pi]; unitCirc = exp(j*th); plot(unitCirc,'--'); for k = 1:7 z = exp(j*2*pi*k/7); plot(z,'o'); text(1.2*real(z),1.2*imag(z),strcat('z^',num2str(k))); end xlabel('real part'); ylabel('imag part'); title('Powers of exp(j2\pi/7) on the unit circle'); axis([-1.5 1.5 -1.5 1.5]); axis square;
302
CHAPTER 16.
TAREAS
Figure 16.3:
z=e
j4 7
zk = e
Where we have
2
j4 7
= ej2
6
2k 7
%%% Part (c) figure(1); clf; hold on; th = [0:0.01:2*pi]; unitCirc = exp(j*th); plot(unitCirc,'--');
303
for k = 1:7 z = exp(j*4*pi*k/7); plot(z,'o'); text(1.2*real(z),1.2*imag(z),strcat('z^',num2str(k))); end xlabel('real part'); ylabel('imag part'); title('Powers of exp(j4\pi/7) on the unit circle'); axis([-1.5 1.5 -1.5 1.5]); axis square;
Figure 16.4:
304
CHAPTER 16.
TAREAS
16.2.9 Problem #9
16.2.9.1 Part (a)
To solve for
3 + 4j 6 + 2j
1 2
5 3
5 = 3 + 4j 2 + 3 = 6 + 2j
If we multiply the top equation by terms:
we will get the following, which allows us to cancel out the alpha
2 + 10 = 6 8j 2 + 3 = 6 + 2j
And now we have,
13 = 6j =
And to solve for
6 j 13
= = =
3 + 4j + 5 3 + 4j + 5 3+
22 13 j 6 13 j
(16.2)
x1 x2
1 2
5 3
x1 = 5 x2 = 2 + 3
Solving for
and
we get:
(x) = (x) =
16.2.9.3 Part (c)
(x) (x)
3 13 2 13
5 13 1 13
x1 x2
305
Write
u=
u1 u2
and
v=
v1 v2
.
Then solve
x1 x2
u1 u2
v1 v2
x1 = u1 + v1 x2 = u2 + v2
Solving for
and
we get
(x) = (x) =
For the matrix
v2 x1 v1 x2 u1 v2 u2 v1 u2 x1 u1 x2 v1 u2 u1 v2 v1 u1
we get
v 1 2 A= u1 v2 u2 v1 u2
u = 1,
then
f (x) = x2 1.
x=1
belongs to
J.
306
CHAPTER 16.
TAREAS
u = 0,
then
f (x) = x2 .
So we have
= x4
gn (x) = x2
Writing
= x2n
x = rej ,
we have
and so we have
r > 1.
Thus
belongs to
if and only if
|x| 1.
So,
%%%%%%%%%%%%%%%% %%%%% PROBLEM 10 %%%%%%%%%%%%%%%% %%% Part (c) - solution code N = 100; M = 2; % Max # of iterations % Magnitude threshold
mu = -0.391 - 0.587*j; % Julia parameter realVals = [-1.6:0.01:1.6]; imagVals = [-1.2:0.01:1.2]; xVals = ones(length(imagVals),1)*realVals + ... j*imagVals'*ones(1,length(realVals)); Jmap = ones(size(xVals)); g = xVals; % Start with g0 for n = 1:N g = g.^2 + mu; big = (abs(g) > M); Jmap = Jmap.*(1-big); end imagesc(realVals,imagVals,Jmap); colormap gray; xlabel('Re(x)'); ylabel('Imag(x)');
307
Figure 16.5:
%%% Just for fun code N = 100; % Max # of iterations M = 2; % Magnitude threshold mu = -0.391 - 0.587*j; % Julia parameter realVals = [-1.6:0.005:1.6]; imagVals = [-1.2:0.005:1.2]; xVals = ones(length(imagVals),1)*realVals + ... j*imagVals'*ones(1,length(realVals)); Jmap = zeros(size(xVals)); % Now, we put zeros in the 'middle', for a % cool effect. g = xVals; % Start with g0 for n = 1:N g = g.^2 + mu; big = (abs(g) > M); notAlreadyBig = (Jmap == 0);
308
CHAPTER 16.
TAREAS
Figure 16.6:
MATLAB plot.
GLOSSARY
309
Glossary
1
1 Linealmente Independiente
Un conjunto dado de vectores
{x1 , x2 , . . . , xn },
es linealmente independiente si
c1 x1 + c2 x2 + + cn xn = 0
solo cuando
Example:
c1 = c2 = = cn = 0
x1 = x2 =
Estos son
3 2 6 4
x2 = 2x1 2x1 + x2 = 0
. Otro mtodo para ver la independencia de los vectores es gracando los vectores. Observando estos dos vectores geomtricamente (como en la siguiente Figure 5.1), uno puede otra vez probar que estos vectores son
no linealmente independientes.
Base Normada
una base (Section 5.1.3: Bases)
{bi }
donde cada
bi
bi = 1 , i Z
Base Ortogonal
una base
{bi }
mutuamente ortogonales
< bi , bj >= 0 , i = j
Base Ortonormal
Una base que es
normalizada y ortogonal
bi = 1 , i Z < bi , bj > , i = j
Base
Una base para independiente.
Cn
Cn y
(2) es linealmente
310
GLOSSARY
Ceros
1. El valor(es) para
z donde
el
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea cero.
ceros
1. valor(es) dez donde
P (z) = 0.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea cero.
Convergencia Uniforme
La secuencia (Section 10.1) existe un entero
tal que
uniformemente a la funci
si para cada
>0
(10.7)
todo
t R.
Desigualdad de Cauchy-Schwarz
Para
x, y
| < x, y > | x
que mantiene la igualdad
y .
si y solo si
x = y
para un escalar
dominio
El grupo, o conjunto, de valores que son denidos por una funcin.
Example:
donde
obtenemos lo siguiente:
{ x R |x = 3 and x = 1}
(15.40)
Eigenvector
Un eigenvector de
es un vector
v Cn
tal que
Av = v
donde
(5.2)
es llamado el
eigenvalor correspondiente.
solo cambia la
longitud de
v,
no su
direccin.
Espacio Vectorial
Un espacio vectorial escalar
(donde
para todo
Funcin Racional
Para dos polinomios cualquiera, A y B, su fraccin es conocida cono una funcin racional.
Example:
f (x).
denominador pueden ser polinomios de cualquier orden, pero la funcin racional es indenida cuando el denominador es cero.
f (x) =
2x2
x2 4 +x3
(15.38)
GLOSSARY
311
La Ecuacin de Diferencia
Es una ecuacin que muestra la relacin entra valores consecutivos de una secuencia y la diferencia entre ellos. Usualmente se escribe en una ecuacin recurrente para que la salida del sistema se pueda calcular de las entradas de la seal y sus valores anteriores.
Example:
y [n] + 7y [n 1] + 2y [n 2] = x [n] 4x [n 1]
lmite
Una secuencia
(15.42)
{gn } | n=1
converge a un lmite
gR
si para
todo
>0
existe un entero
tal que
|gi g| <
Usualmente denotamos un lmite escribiendo
, iN
lim gi = g
gi g
O P
Ortogonal
Decimos que
< x, y >= 0
polos
1. El valor(es) para
z donde
el
2. Las frecuencias complejas que hacen de la ganancia de la funcin de transferencia del ltro se innita.
polos
Tambin llamadas como singularidades estos son los punto
en los cuales
Lx1 (s)
explota.
polos
1. valor(es) de
donde
Q (z) = 0.
2. Las frecuencias complejas que hacen que la ganancia de la funcin de transferencia del ltro sea innita.
Producto Interno
El producto interno esta denido matemticamente de la siguiente manera:
(7.1)
xn1 =
n1 i=0
(xi yi )
secuencia
312
GLOSSARY
Una secuencia es una funcin secuencia por:
Example:
gn
{gn } | n=1 1 n
n 2 n 2
gn =
Example:
gn =
Example:
sin cos
Subespacio Generado
El subespacio generado o span
9
de
Dado el vector
x1 =
el subespacio generado de
Example:
3 2
x1
es una
linea.
x1 = x2 =
El subespacio generado por estos vectores es
3 2 1 2
C2 .
9 "Subspaces",
INDEX
313
apples, 1
1 A
1 Linealmente Independiente, 75 alfabeto, 1.6(23), 25 alias, 13.5(238), 13.6(241) Aliasing, 1.7(26), 8.2(166), 13.5(238), 238, 13.6(241) amplitud compleja, 20 Anti-Aliasing, 13.6(241) anticausal, 1.1(1) anticausales, 3 anlisis de fourier, 8.2(166) anlogo, 1.1(1), 2 anlogos, 23 aperiodica, 96 aperidico, 1.1(1) approximacin, 7.13(161) armnico, 8.2(166) asintoticamente vertical, 280
cero, 14.4(253), 14.6(257), 15.7(284), 15.8(288) Ceros, 257, 281, 285 circular, 4.3(68), 6.7(110) coecientes, 6.2(96) coecientes de fourier, 6.2(96), 97, 6.3(99), 6.9(114) complejidad, 189, 9.3(191) complejo, 1.6(23), 8.2(166), 15.7(284) complex vector spaces, 7.1(125) compuesto, 194 Condiciones de Dirichlet, 6.10(116) Condiciones de Dirichlet debles, 6.10(116) Condiciones de Dirichlet fuertes, 6.10(116) condiciones iniciales, 60, 282 conjugados, 171 conmutativa, 42, 49, 63 continua, 116 continuo, 1 continuous time, 3.2(42), 3.4(55), 11.1(205) converge, 10.3(202) convergencia, 6.9(114), 116, 10.1(197), 10.2(199), 10.3(202) convergencia de punto por punto, 6.9(114) convergencia no-uniforme, 6.11(118), 119 convergencia uniforme, 10.3(202), 202 convergente, 10.3(202) convoluciones, 4.3(68) Convolucin, 4.2(63), 63, 4.3(68), 6.7(110), 12.2(221) convolucin circular, 4.3(68), 68, 6.7(110) convolucin linear, 68 convolution, 3.2(42), 3.3(48) convolver, 4.3(68) Cooley-Tukey, 9.1(189), 9.3(191) Coordenadas Polares, 1.7(26) cpnvergencia puntual, 10.2(199) csi, 7.5(132) CTFT, 12.1(219), 13.1(225) cuachy, 7.5(132)
baraniuk, 16.2(297) base, 5.1(75), 78, 78, 78, 7.7(142), 7.8(146), 146, 7.9(150), 7.10(151), 7.11(158), 171, 234 base cannica, 78, 7.8(146) base normada, 7.7(142), 142, 143 base ortogonal, 7.7(142), 143 base ortonormal, 7.7(142), 144, 7.8(146), 8.2(166), 172 bases, 5.1(75), 8.2(166), 8.3(173) bases estandard, 8.3(173) BIBO, 3.4(55) bounded input bounded output, 3.4(55) buttery, 9.3(191)
cada, 97 Cartesian, 294 cascade, 2.2(33) casi en todas partes, 6.11(118) cauch-schwarz, 7.5(132) cauchy, 7.5(132) causal, 1.1(1), 2.1(29), 31, 2.2(33), 287 causales, 3
314
INDEX
decompose, 7.8(146) delta de Dirac, 14 descomponer, 1.6(23), 147 desigualdad de cauchy-schwarz, 7.5(132), 132 desplazamiento circular, 8.5(182), 185 Desplazamiento en el eje del Tiempo, 1.2(9) desplazamiento en el tiempo, 12.2(221) desplazamientos circulares, 8.5(182), 182 Detector de Filtro Acoplado, 133 determinant, 5.3(79) determinstica, 7 dft, 4.3(68), 8.5(182), 9.2(190), 11.2(206), 11.3(208) diferenciacin en el tiempo, 12.2(221) diferenciales, 3.1(39) digital, 1.1(1), 2, 11.6(212), 11.7(213) Dirichlet, 116 discontinuidad, 6.9(114), 116 discrete time, 3.4(55) discreto, 1, 8.2(166), 13.7(243) dominio, 280, 280 Dominio de la Frecuencia, 11.5(211) Dominio de la secuencia, 11.5(211) dominio del tiempo, 4.1(59) dot product, 7.3(129) DSP, 4.1(59), 11.7(213), 13.4(236), 15.2(266) DT, 4.2(63) dtfs, 8.2(166), 8.3(173), 8.4(174) DTFT, 11.2(206), 11.4(210), 13.1(225) duracin nita, 268 elec 301, 16.1(293), 16.2(297) elec301, 16.1(293), 16.2(297) energa, 115 entrada acotada-salida acotada (BIBO), 32 Escala en el eje del Tiempo, 1.2(9) escalamiento en el tiempo, 12.2(221) escaln unitario, 1.3(12), 14 espacio de funciones, 79 espacio de Hilbert, 131, 7.6(139), 7.8(146), 7.10(151), 7.13(161) espacio de las funciones, 7.9(150) espacio de producto interno, 131 espacio lineal de funciones., 125 espacio lineal normado, 127, 131 espacio normado, 7.6(139) Espacio Vectorial, 125, 7.6(139), 7.7(142), 7.9(150) espacio vectorial complejo, 125 espacio vectorial normado, 127 espacio vectorial real, 125, 138 espacios de hilbert, 7.4(131), 7.6(139), 7.7(142) espacios de las funciones, 7.9(150) espacios vectoriales, 7.6(139), 7.7(142) estable, 32, 287 Euclidean norm, 7.2(127) existencia, 116 expansin, 7.9(150), 7.10(151) exponencial, 1.3(12), 1.6(23), 6.3(99) exponencial complejo, 13, 1.5(19), 19 Exponencial que Crece, 13 Exponencial que decae, 13
ecuaciones diferenciales, 3.1(39) ecuacin caracterstica, 41 ecuacin de diferencia de coeciente linear constante, 281 Ecuacin de matriz, 8.3(173) ecuacin diferencial, 4.1(59), 59 eigen, 5.5(88) eigenfuncion, 6.4(100) eigenfunciones, 6.2(96), 6.4(100) eigenfuncin, 5.6(89), 90 eigenfunction, 5.3(79), 5.5(88) eigenfunctions, 5.5(88) eigenseal, 90 eigenvalor, 310, 81, 5.6(89) eigenvalue, 5.3(79), 5.5(88) eigenvalues, 5.3(79), 5.5(88) eigenvector, 5.3(79), 80, 5.5(88), 5.6(89) eigenvectors, 5.5(88) ejemplo, 11.7(213) ejemplos, 11.7(213)
F, 62 fasor, 20 fenmeno de Gibb, 121 fenmeno de Gibbs, 6.11(118), 119 FFT, 9.1(189), 9.2(190), 9.3(191), 11.2(206) ltro, 13.6(241), 15.8(288) ltro de boxcar, 62 FIR, 62 foltro acoplado, 7.5(132) forma, 191 fourier, 5.3(79), 6.2(96), 6.3(99), 6.4(100), 6.5(103), 6.6(106), 6.7(110), 6.8(111), 6.9(114), 6.10(116), 6.12(121), 7.10(151), 8.2(166), 8.3(173), 8.4(174), 8.5(182), 9.2(190) fourier series, 5.3(79) fourier transform, 11.1(205) fourier transform pairs, 5.7(92)
INDEX
frecuencia continua, 11.4(210), 12.1(219) frecuencia Nyquist, 11.7(213), 13.4(236), 236 frequencia, 11.6(212) frequency shift keying, 7.5(132) fsk, 7.5(132) fuertes de Dirichlet, 118 funcion, 15.5(279) funcion racional, 15.5(279) funciones descontinas, 119 funciones periodicas, 6.1(95) funciones racionales, 15.5(279), 279 funcin de Delta de Dirac, 1.4(16) funcin de sinc discreta, 215 funcin de transferencia, 282 funcin de valores complejos, 250, 250 funcin delta, 7.7(142) funcin Delta de Dirac, 1.3(12) funcin peridica, 95 Funcin Racional, 279 14.5(255) lado izquierdo, 270 laplace transform, 3.4(55) limitado en banda, 227 lineal, 2.1(29), 29 Lineal de tiempo invariante, 5.6(89) linealidad, 12.2(221) linealmente independiente, 75 linear, 2.2(33) linear combination, 294 linear function spaces, 7.1(125) linear system, 5.3(79) linear time invariant, 3.2(42) lineares de tiempo invariante, 277 linearly independent, 294 LTI, 3.2(42), 63, 5.5(88), 5.6(89), 6.2(96), 6.8(111) lmite, 197
315
M magnitude, 298
mariposa, 193 matched lter detector, 7.5(132) matched lters, 7.5(132) matriz de la base, 7.8(146), 148 matriz identidad, 148 mejor se aproxime, 162 metodo grco, 45 modulacin, 12.2(221) muestra, 13.5(238) muestreando, 13.4(236) muestrear, 208 muestreo, 225, 13.3(234), 13.4(236), 13.5(238), 13.6(241) muestro unitario, 1.6(23) mutuamente ortogonales, 309 mximo, 131 mximos, 118 mtodo directo, 283 mtodo indirecto, 283 mnimos, 118
G H
genera, 150 haar, 7.10(151) hermitiana, 7.11(158) hilbert, 7.4(131), 7.5(132), 7.6(139), 7.8(146), 7.10(151) homework 1, 16.1(293) homework one, 16.1(293)
I, 62 identidad de Euler, 20 imaginary part, 298 impulso, 1.3(12), 1.4(16) impulso unitario, 14 independencia, 5.1(75) independencia lineal, 5.1(75) inestable, 32 inner product, 7.3(129) inner products, 7.3(129) integral de convolucin, 42 intercepcin y, 280 intercesin en la x, 280 interno, 7.4(131) interpolacin, 13.2(229) invariante en el tiempo, 2.1(29), 30 invariantes linear del tiempo, 63 IRR, 61
nivel de referencia, 135 no causal, 1.1(1) no-anticipativo, 31 no-causal, 31 no-lineal, 29 nocausal, 2.1(29) nocausales, 3 nolineal, 2.1(29) norm, 7.2(127), 7.3(129) norma, 127, 10.1(197), 10.2(199) norma de convergencia, 10.1(197),
K L
316
INDEX
10.2(199) normada, 7.7(142) normalizada, 309 normalization, 7.2(127) normed linear space, 7.2(127) normed vector space, 7.2(127) norms, 7.2(127) Nota importante:, 244 Nth Root of Unity, 294 Nyquist, 11.6(212), 13.4(236) propiedad de desplazamiento, 1.3(12), 1.4(16), 18 propiedad de simetria, 6.6(106) propiedades, 6.6(106) Propiedades de la Transformada de Fourier Discreta en el Tiempo, 11.5(211) propiedades simetricas, 6.6(106) proporcional, 189 proyeccin, 131, 7.13(161) pulso cuadrado, 119 punto a punto, 121 punto por punto, 6.9(114) puntual, 10.2(199) puntualmente, 199
ondoleta, 7.10(151) ondoleta de haar, 7.10(151) ondoletas, 7.10(151), 151 orden, 9.3(191), 14.5(255), 257, 282 orthogonal, 7.3(129) Ortogonal, 131, 7.7(142), 309 ortogonales, 131, 162 ortonormal, 7.7(142), 7.8(146), 8.2(166)
R, 62 racional, 15.5(279) real part, 298 real vector spaces, 7.1(125) reconstruccin, 13.2(229), 13.3(234), 13.4(236), 13.5(238) reconstruir, 13.3(234) Reexin en el eje del Tiempo, 1.2(9) region de convergerncia, 14.4(253) regin de convergencia (ROC), 253 respuesta al impulso, 4.2(63) respuesta de estado-cero, 39 respuesta de impulso, 19 respuesta de salida-cero, 39 ROC, 14.4(253), 15.1(261), 262, 267
parallel, 2.2(33) pares bilaterales de la transformada de Laplace, 249 pares de transformacion, 15.2(266) Parseval, 7.12(160) perfecta, 13.3(234) periodicidad, 6.1(95) periodico, 6.1(95), 8.4(174) periodo, 2, 6.1(95), 95, 8.4(174) periodo fundamental, 2 peridico, 1.1(1) Plancharel, 7.12(160) plano complejo, 1.5(19) plano-s, 22 Plano-Z, 1.7(26), 261, 15.7(284) pole, 3.4(55) polinomio, 15.5(279) polinomio caracterstico, 284 polo, 14.4(253), 14.6(257), 15.7(284), 15.8(288) polos, 14.5(255), 256, 258, 281, 285 procesamiento de seales digitales, 4.1(59), 11.7(213) procesamiento de tiempo discreto, 13.7(243) processing, 13.7(243) producto interno, 129, 130, 7.4(131), 7.5(132), 7.11(158) producto punto, 129 productos internos, 7.5(132) projection, 7.3(129) promedio cuadrado, 121 property, 3.3(48)
schwarz, 7.5(132) secuencia, 197 secuencia de dos lados, 271 secuencia de funciones, 115, 10.3(202) secuencia del exponencial complejo, 24 secuencia del lado derecho, 269 secuencias, 1.6(23), 10.1(197), 10.3(202) seno, 1.6(23) Senosoidal, 1.6(23), 6.3(99) senosoidal compleja, 8.2(166) senosoidales armnicos, 8.2(166), 167 serie de potencia, 262, 267 series de fourier, 6.2(96), 6.3(99), 6.4(100), 6.6(106), 6.7(110), 6.9(114), 6.10(116), 6.11(118), 6.12(121), 7.7(142), 7.10(151), 8.1(165), 8.2(166), 8.3(173), 8.4(174) series de fourier discretas en el tiempo, 8.2(166), 166, 8.4(174) series geomtricas, 213 seaes y sistemas, 4.2(63)
INDEX
seal, 4.2(63), 6.1(95), 6.12(121) seal aleatoria, 7 seal de tamao nito, 8 seal exponencial compleja de tiempo-continuo, 20 seal exponencial compleja en tiempo-discreto, 21 seal impar, 4, 6.6(106) seal par, 1.1(1), 4, 6.6(106) seales, 1.2(9), 1.3(12), 1.4(16), 1.5(19), 1.6(23), 2.1(29), 6.2(96), 6.3(99), 8.1(165), 14.4(253), 14.6(257) seales de tiempo discreto, 225 Seales de Valores Simblicos, 1.6(23) seales ruidosas, 102 seales y sistemas, 1.1(1) signals, 3.2(42), 3.3(48), 3.4(55), 11.1(205) simetria, 6.5(103), 6.6(106), 12.2(221) sinc, 13.3(234) Sinc Dirichlet, 11.2(206) singularidades, 14.5(255), 255 sistema, 4.3(68), 6.4(100), 6.12(121) sistema continuo, 29 sistema discreto, 29 sistema lineal, 3.1(39) sistema LTI, 6.2(96), 6.4(100) sistemas, 1.6(23), 8.1(165), 14.4(253), 14.6(257) sistemas de desplazamiento invariante, 4.1(59) sistemas discretos, 4.1(59) solucin homognea, 283 solucin particular, 283 span, 5.5(88) stability, 3.4(55) suaves, 102 subespacio generado, 5.1(75), 77 suma de convolucin, 63 superposicin, 4.1(59) superposition, 2.2(33) system, 5.5(88) systems, 3.2(42), 3.3(48), 3.4(55), 11.1(205) sntesis, 98 8.1(165), 12.1(219), 13.1(225), 225, 13.7(243), 14.1(249), 14.2(251), 14.3(253), 14.4(253), 14.6(257)
317
tiempo discreto, 1.1(1), 4.2(63), 8.1(165), 8.3(173), 8.5(182), 11.4(210), 11.5(211), 11.6(212), 11.7(213), 13.1(225), 14.6(257), 15.2(266) Tiempo-continuo, 12.2(221) tiempo-discreto, 1.6(23) time-invariant, 2.2(33) transforma, 86 transformacion lineal, 6.5(103) transformacin linear, 104 transformada, 6.2(96) transformada de fourier, 4.3(68), 6.10(116), 8.1(165), 8.5(182), 9.2(190), 11.3(208), 11.4(210), 11.5(211), 11.6(212), 11.7(213), 12.1(219), 12.2(221), 15.1(261), 261 Transformada de Fourier de Tiempo-Continuo, 219 transformada de fourier discreta, 4.3(68) Transformada de Fourier Discreta en el Tiempo, 11.7(213) transformada de laplace, 8.1(165), 14.1(249), 14.2(251), 14.3(253), 14.4(253), 14.6(257) transformada de z, 8.1(165) Transformada Discreta de Fourier, 11.3(208), 208 transformada inversa, 6.2(96), 98 Transformada Rpida de Fourier, 9.1(189), 9.2(190), 9.3(191) transformada z, 14.6(257), 15.2(266) transformada-z, 15.1(261), 261, 15.2(266) transformada-z bilateral, 261 transformada-z unilateral, 261 transformadas de z unilateral y bilateral, 266 transformadaz, 267 transforms, 149 transpuesta, 7.11(158) trasformar, 98
U V
una seal de tamao innito, 8 uniforme, 10.3(202) unilateral, 15.2(266) unitario, 16 valor complejo, 1.6(23) valor real, 1.6(23) variante en el tiempo, 2.1(29), 31 vector, 7.1(125), 10.2(199)
t-periodico, 6.1(95) tamao nito, 278 Teorema de Nyquist, 13.4(236), 236 Teorema de Parseval, 11.7(213) teora de control, 259 tiempo continuo, 1.1(1), 1.3(12), 3.1(39),
318
INDEX
vector de coecientes, 7.8(146), 148 vector space, 7.1(125) vector spaces, 7.1(125) vectores, 10.2(199) ventaja computacional, 192
z transform, 3.4(55) z-transform, 15.5(279) zero, 3.4(55) lgebra lineal, 5.1(75) nalogo, 11.6(212), 11.7(213) nica, 147
ATTRIBUTIONS
319
Attributions
Collection: Seales y Sistemas Edited by: Richard Baraniuk URL: http://cnx.org/content/col10373/1.2/ License: http://creativecommons.org/licenses/by/2.0/ Module: "Clasicacin y Propiedades de las Seales" By: Melissa Selik, Richard Baraniuk, Michael Haag, Ricardo von Borries URL: http://cnx.org/content/m12818/1.8/ Pages: 1-9 Copyright: Ricardo von Borries, Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Signal Classications and Properties By: Melissa Selik, Richard Baraniuk, Michael Haag URL: http://cnx.org/content/m10057/2.16/ Module: "Operaciones para Seales" By: Richard Baraniuk URL: http://cnx.org/content/m12823/1.7/ Pages: 9-12 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Signal Operations By: Richard Baraniuk URL: http://cnx.org/content/m10125/2.5/ Module: "Seales tiles" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12819/1.11/ Pages: 12-16 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Useful Signals By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10058/2.10/ Module: "Funcin de Impulso" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12824/1.9/ Pages: 16-19 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: The Impulse Function By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10059/2.16/
320 Module: "El Exponencial Complejo" By: Richard Baraniuk URL: http://cnx.org/content/m12825/1.6/ Pages: 19-23 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: The Complex Exponential By: Richard Baraniuk URL: http://cnx.org/content/m10060/2.18/ Module: "Seales en Tiempo-Discreto" By: Don Johnson URL: http://cnx.org/content/m12820/1.9/ Pages: 23-26 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Signals By: Don Johnson URL: http://cnx.org/content/m0009/2.20/ Module: "Exponencial Complejo Discreto" By: Richard Baraniuk URL: http://cnx.org/content/m13001/1.2/ Page: 26 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete -Time Complex Exponential By: Richard Baraniuk URL: http://cnx.org/content/m11407/1.3/ Module: "Clasicacin y Propiedades de los Sistemas" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12822/1.4/ Pages: 29-32 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: System Classications and Properties By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10084/2.18/ Module: "Propiedades de los Sistemas" By: Thanos Antoulas, JP Slavinsky URL: http://cnx.org/content/m12826/1.2/ Pages: 33-38 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Properties of Systems By: Thanos Antoulas, JP Slavinsky URL: http://cnx.org/content/m2102/2.16/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Sistemas Lineales CT y Ecuaciones Diferenciales" By: Michael Haag URL: http://cnx.org/content/m12985/1.2/ Pages: 39-41 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: CT Linear Systems and Dierential Equations By: Michael Haag URL: http://cnx.org/content/m10855/2.4/ Module: "Convolucin de Tiempo-Continuo" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12828/1.4/ Pages: 42-48 Copyright: Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Continuous-Time Convolution By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10085/2.25/ Module: "Propiedades de la Convolucin" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12829/1.2/ Pages: 48-55 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Properties of Convolution By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10088/2.12/ Module: "Estabilidad BIBO" By: Richard Baraniuk URL: http://cnx.org/content/m12834/1.3/ Pages: 55-57 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: BIBO Stability By: Richard Baraniuk URL: http://cnx.org/content/m10113/2.8/ Module: "Anlisis en el Dominio del Tiempo para Sistemas Discretos" By: Don Johnson URL: http://cnx.org/content/m12830/1.6/ Pages: 59-62 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Systems in the Time-Domain By: Don Johnson URL: http://cnx.org/content/m10251/2.20/
321
322 Module: "Convolucin Discreta" By: Ricardo Radaelli-Sanchez, Richard Baraniuk URL: http://cnx.org/content/m12833/1.4/ Pages: 63-68 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Convolution By: Ricardo Radaelli-Sanchez, Richard Baraniuk URL: http://cnx.org/content/m10087/2.17/ Module: "Convolucin Circular y el DFT" By: Justin Romberg URL: http://cnx.org/content/m12831/1.3/ Pages: 68-72 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Circular Convolution and the DFT By: Justin Romberg URL: http://cnx.org/content/m10786/2.6/ Module: "Ecuaciones de Diferencia" By: Richard Baraniuk URL: http://cnx.org/content/m13010/1.1/ Page: 72 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Dierence Equations By: Richard Baraniuk URL: http://cnx.org/content/m10550/2.2/ Module: "Algebra Lineal: Conceptos Bsicos" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12862/1.3/ Pages: 75-79 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Linear Algebra: The Basics By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10734/2.3/ Module: "Conceptos Bsicos de Vectores" By: Michael Haag URL: http://cnx.org/content/m12863/1.2/ Page: 79 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Vector Basics By: Michael Haag URL: http://cnx.org/content/m10844/2.0/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Eigenvectores y Eigenvalores" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12870/1.2/ Pages: 79-85 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Eigenvectors and Eigenvalues By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10736/2.6/ Module: "Diagonalizacin de Matrices" By: Michael Haag URL: http://cnx.org/content/m12871/1.2/ Pages: 85-88 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Matrix Diagonalization By: Michael Haag URL: http://cnx.org/content/m10738/2.4/ Module: "Generalidades de Eigenvectores y Eigenvalores" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12872/1.3/ Pages: 88-89 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Eigen-stu in a Nutshell By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10742/2.4/ Module: "Eigenfunciones de los Sistemas LTI" By: Justin Romberg URL: http://cnx.org/content/m12874/1.3/ Pages: 89-92 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Eigenfunctions of LTI Systems By: Justin Romberg URL: http://cnx.org/content/m10500/2.7/ Module: "Propiedades de la Transformada de Fourier" By: Don Johnson URL: http://cnx.org/content/m12875/1.2/ Page: 92 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Transform Properties By: Don Johnson URL: http://cnx.org/content/m0045/2.8/
323
324 Module: "Seales Peridicas" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12933/1.3/ Pages: 95-96 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Periodic Signals By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10744/2.5/ Module: "Series de Fourier: El Mtodo de Eigenfunciones" By: Justin Romberg URL: http://cnx.org/content/m12893/1.3/ Pages: 96-99 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series: Eigenfunction Approach By: Justin Romberg URL: http://cnx.org/content/m10496/2.20/ Module: "Derivacin de la Ecuacin de Coecientes de Fourier" By: Michael Haag URL: http://cnx.org/content/m12894/1.1/ Pages: 99-100 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Derivation of Fourier Coecients Equation By: Michael Haag URL: http://cnx.org/content/m10733/2.6/ Module: "Generalidades de las Series de Fourier" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12896/1.2/ Pages: 100-103 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series in a Nutshell By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10751/2.3/ Module: "Propiedades de la Serie de Fourier" By: Justin Romberg, Benjamin Fite URL: http://cnx.org/content/m12897/1.2/ Pages: 103-106 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series Properties By: Justin Romberg, Benjamin Fite URL: http://cnx.org/content/m10740/2.7/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Propiedades de Simetra de las Series de Fourier" By: Justin Romberg URL: http://cnx.org/content/m12898/1.1/ Pages: 106-110 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Symmetry Properties of the Fourier Series By: Justin Romberg URL: http://cnx.org/content/m10838/2.4/ Module: "Propiedad de Convolucin Circular de las Series de Fourier" By: Justin Romberg URL: http://cnx.org/content/m12899/1.1/ Pages: 110-111 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Circular Convolution Property of Fourier Series By: Justin Romberg URL: http://cnx.org/content/m10839/2.4/ Module: "Series de Fourier y los Sistemas LTI" By: Justin Romberg URL: http://cnx.org/content/m12900/1.2/ Pages: 111-114 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series and LTI Systems By: Justin Romberg URL: http://cnx.org/content/m10752/2.7/ Module: "Convergencia de las Series de Fourier" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12934/1.2/ Pages: 114-116 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Convergence of Fourier Series By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10745/2.3/ Module: "Condiciones de Dirichlet" By: Ricardo Radaelli-Sanchez URL: http://cnx.org/content/m12927/1.2/ Pages: 116-118 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Dirichlet Conditions By: Ricardo Radaelli-Sanchez URL: http://cnx.org/content/m10089/2.9/
325
326 Module: "El Fenmeno de Gibbs" By: Ricardo Radaelli-Sanchez, Richard Baraniuk URL: http://cnx.org/content/m12929/1.1/ Pages: 118-121 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Gibbs's Phenomena By: Ricardo Radaelli-Sanchez, Richard Baraniuk URL: http://cnx.org/content/m10092/2.8/ Module: "Resumen de las Series de Fourier" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12932/1.3/ Pages: 121-122 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Series Wrap-Up By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10749/2.3/ Module: "Espacios Vectoriales" By: Michael Haag, Steven Cox, Justin Romberg URL: http://cnx.org/content/m12878/1.2/ Pages: 125-126 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Vector Spaces By: Michael Haag, Steven Cox, Justin Romberg URL: http://cnx.org/content/m10767/2.4/ Module: "Normas" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12877/1.2/ Pages: 127-129 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Norms By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10768/2.3/ Module: "Producto Interno" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12876/1.2/ Pages: 129-131 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Inner Products By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10755/2.5/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Espacios de Hilbert" By: Justin Romberg URL: http://cnx.org/content/m12879/1.2/ Pages: 131-132 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Hilbert Spaces By: Justin Romberg URL: http://cnx.org/content/m10840/2.4/ Module: "Desigualdad de Cauchy-Schwarz" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12880/1.2/ Pages: 132-139 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Cauchy-Schwarz Inequality By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10757/2.5/ Module: "Espacios de Hilbert comunes" By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m12881/1.2/ Pages: 139-142 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Common Hilbert Spaces By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m10759/2.5/ Module: "Tipos de Bases" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12902/1.2/ Pages: 142-146 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Types of Basis By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10772/2.4/ Module: "Expansin de Bases Ortonormales" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12928/1.1/ Pages: 146-150 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Orthonormal Basis Expansions By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10760/2.4/
327
328 Module: "Espacio de Funciones" By: Justin Romberg URL: http://cnx.org/content/m12913/1.1/ Pages: 150-151 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Function Space By: Justin Romberg URL: http://cnx.org/content/m10770/2.4/ Module: "Base de la Ondoleta de Haar" By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m12919/1.2/ Pages: 151-158 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Haar Wavelet Basis By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m10764/2.6/ Module: "Bases Ortonormales en Espacios Reales y Complejos" By: Justin Romberg URL: http://cnx.org/content/m12920/1.2/ Pages: 158-160 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Orthonormal Bases in Real and Complex Spaces By: Justin Romberg URL: http://cnx.org/content/m10765/2.7/ Module: "Teoremas de Plancharel y Parseval" By: Justin Romberg URL: http://cnx.org/content/m12931/1.1/ Pages: 160-161 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Plancharel and Parseval's Theorems By: Justin Romberg URL: http://cnx.org/content/m10769/2.4/ Module: "Approximacin y Proyeccin en el Espacio de Hilbert" By: Justin Romberg URL: http://cnx.org/content/m12935/1.2/ Pages: 161-163 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Approximation and Projections in Hilbert Space By: Justin Romberg URL: http://cnx.org/content/m10766/2.6/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Anlisis de Fourier" By: Richard Baraniuk URL: http://cnx.org/content/m12865/1.4/ Pages: 165-166 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Analysis By: Richard Baraniuk URL: http://cnx.org/content/m10096/2.10/ Module: "Anlisis de Fourier en Espacios Complejos" By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m12848/1.5/ Pages: 166-173 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Fourier Analysis in Complex Spaces By: Michael Haag, Justin Romberg URL: http://cnx.org/content/m10784/2.5/ Module: "Ecuacin de Matriz para la DTFS" By: Roy Ha URL: http://cnx.org/content/m12859/1.1/ Pages: 173-174 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Matrix Equation for the DTFS By: Roy Ha URL: http://cnx.org/content/m10771/2.6/ Module: "Extensin Peridica de las DTFS" By: Roy Ha URL: http://cnx.org/content/m12860/1.2/ Pages: 174-182 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Periodic Extension to DTFS By: Roy Ha URL: http://cnx.org/content/m10778/2.5/ Module: "Desplazamientos Circulares" By: Justin Romberg URL: http://cnx.org/content/m12864/1.1/ Pages: 182-187 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Circular Shifts By: Justin Romberg URL: http://cnx.org/content/m10780/2.6/
329
330 Module: "DFT: Transformada Rpida de Fourier" By: Don Johnson URL: http://cnx.org/content/m12937/1.1/ Pages: 189-190 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: DFT: Fast Fourier Transform By: Don Johnson URL: http://cnx.org/content/m0504/2.8/ Module: "La Transformada Rpida de Fourier (FFT)" By: Justin Romberg URL: http://cnx.org/content/m12942/1.1/ Pages: 190-191 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: The Fast Fourier Transform (FFT) By: Justin Romberg URL: http://cnx.org/content/m10783/2.5/ Module: "Derivando la Transformada Rpida de Fourier" By: Don Johnson URL: http://cnx.org/content/m12941/1.1/ Pages: 191-194 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Deriving the Fast Fourier Transform By: Don Johnson URL: http://cnx.org/content/m0528/2.7/ Module: "Convergencia de Secuencias" By: Richard Baraniuk URL: http://cnx.org/content/m12943/1.2/ Pages: 197-198 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Convergence of Sequences By: Richard Baraniuk URL: http://cnx.org/content/m10883/2.4/ Module: "Convergencia de Vectores" By: Michael Haag URL: http://cnx.org/content/m12944/1.2/ Pages: 199-202 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Convergence of Vectors By: Michael Haag URL: http://cnx.org/content/m10894/2.2/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Convergencia Uniforme de Secuencias de Funciones." By: Michael Haag, Richard Baraniuk URL: http://cnx.org/content/m12945/1.1/ Pages: 202-203 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Uniform Convergence of Function Sequences By: Michael Haag, Richard Baraniuk URL: http://cnx.org/content/m10895/2.5/ Module: "Table of Common Fourier Transforms" Used here as: "Tabla de Transformadas de Fourier Comunes" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10099/2.9/ Pages: 205-206 Copyright: Melissa Selik, Richard Baraniuk License: http://creativecommons.org/licenses/by/1.0 Module: "Transformacin Discreta de Fourier" By: Phil Schniter URL: http://cnx.org/content/m12843/1.2/ Pages: 206-208 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete Fourier Transformation By: Phil Schniter URL: http://cnx.org/content/m10421/2.10/ Module: "Transformada Discreta de Fourier (DFT)" By: Don Johnson URL: http://cnx.org/content/m12844/1.1/ Pages: 208-210 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete Fourier Transform (DFT) By: Don Johnson URL: http://cnx.org/content/m10249/2.23/ Module: "Transformada de Fourier Discreta en el Tiempo (DTFT)" By: Richard Baraniuk URL: http://cnx.org/content/m12861/1.1/ Pages: 210-211 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Fourier Transform (DTFT) By: Richard Baraniuk URL: http://cnx.org/content/m10108/2.11/
331
332 Module: "Propiedades de la Transformada de Fourier Discreta en el Tiempo" By: Don Johnson URL: http://cnx.org/content/m12846/1.1/ Pages: 211-212 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Fourier Transform Properties By: Don Johnson URL: http://cnx.org/content/m0506/2.6/ Module: "Par de la Transformada de Fourier Discreta en el Tiempo" By: Don Johnson URL: http://cnx.org/content/m12845/1.1/ Page: 212 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete-Time Fourier Transform Pair By: Don Johnson URL: http://cnx.org/content/m0525/2.6/ Module: "Ejemplos de DTFT" By: Don Johnson URL: http://cnx.org/content/m12847/1.1/ Pages: 213-216 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: DTFT Examples By: Don Johnson URL: http://cnx.org/content/m0524/2.10/ Module: "Transformada de Fourier de Tiempo Continuo (CTFT)" By: Richard Baraniuk, Melissa Selik URL: http://cnx.org/content/m12955/1.1/ Pages: 219-220 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Continuous-Time Fourier Transform (CTFT) By: Richard Baraniuk, Melissa Selik URL: http://cnx.org/content/m10098/2.9/ Module: "Propiedades de la Transformada de Fourier de Tiempo-Continuo" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12957/1.2/ Pages: 221-223 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Properties of the Continuous-Time Fourier Transform By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10100/2.13/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Muestreo" By: Justin Romberg URL: http://cnx.org/content/m12964/1.3/ Pages: 225-229 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Sampling By: Justin Romberg URL: http://cnx.org/content/m10798/2.6/ Module: "Reconstruccin" By: Justin Romberg URL: http://cnx.org/content/m12969/1.2/ Pages: 229-234 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Reconstruction By: Justin Romberg URL: http://cnx.org/content/m10788/2.5/ Module: "Ms sobre Reconstruccin Perfecta" By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m12970/1.2/ Pages: 234-236 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: More on Perfect Reconstruction By: Roy Ha, Justin Romberg URL: http://cnx.org/content/m10790/2.4/ Module: "Teorema de Nyquist" By: Justin Romberg URL: http://cnx.org/content/m12971/1.2/ Pages: 236-237 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Nyquist Theorem By: Justin Romberg URL: http://cnx.org/content/m10791/2.4/ Module: "Aliasing" By: Justin Romberg, Don Johnson URL: http://cnx.org/content/m12973/1.3/ Pages: 238-241 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Aliasing By: Justin Romberg, Don Johnson URL: http://cnx.org/content/m10793/2.5/
333
334 Module: "Filtros Anti-Aliasing" By: Justin Romberg URL: http://cnx.org/content/m12974/1.2/ Pages: 241-243 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Anti-Aliasing Filters By: Justin Romberg URL: http://cnx.org/content/m10794/2.4/ Module: "Procesamiento de Tiempo Discreto de Seales de Tiempo Continuo" By: Justin Romberg URL: http://cnx.org/content/m12976/1.2/ Pages: 243-245 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Discrete Time Processing of Continuous Time Signals By: Justin Romberg URL: http://cnx.org/content/m10797/2.4/ Module: "La Transformada de Laplace" By: Richard Baraniuk URL: http://cnx.org/content/m12978/1.2/ Pages: 249-251 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: The Laplace Transforms By: Richard Baraniuk URL: http://cnx.org/content/m10110/2.12/ Module: "Propiedades de la Transformada de Laplace" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12979/1.2/ Pages: 251-252 Copyright: Fara Meza, Erika Jackson License: http://creativecommons.org/licenses/by/2.0/ Based on: Properties of the Laplace Transform By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10117/2.9/ Module: "Tabla de Transformadas de Laplace Comunes" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12959/1.1/ Page: 253 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Table of Common Laplace Transforms By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10111/2.10/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Regin de Convergencia para la Transformada de Laplace" By: Richard Baraniuk URL: http://cnx.org/content/m12961/1.1/ Pages: 253-255 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Region of Convergence for the Laplace Transform By: Richard Baraniuk URL: http://cnx.org/content/m10114/2.8/ Module: "La Transformada Inversa de Laplace" By: Steven Cox URL: http://cnx.org/content/m12962/1.1/ Pages: 255-257 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: The Inverse Laplace Transform By: Steven Cox URL: http://cnx.org/content/m10170/2.8/ Module: "Polos y Ceros" By: Richard Baraniuk URL: http://cnx.org/content/m12963/1.2/ Pages: 257-259 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Poles and Zeros By: Richard Baraniuk URL: http://cnx.org/content/m10112/2.11/ Module: "La Transformada Z: Denicin" By: Benjamin Fite URL: http://cnx.org/content/m12951/1.1/ Pages: 261-266 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: The Z Transform: Denition By: Benjamin Fite URL: http://cnx.org/content/m10549/2.9/ Module: "Tabla de Transformadas-Z Comunes" By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m12950/1.2/ Pages: 266-267 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Table of Common z-Transforms By: Melissa Selik, Richard Baraniuk URL: http://cnx.org/content/m10119/2.12/
335
336 Module: "Regin de Convergencia para la Transformada- Z" By: Benjamin Fite URL: http://cnx.org/content/m12956/1.2/ Pages: 267-276 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Region of Convergence for the Z-transform By: Benjamin Fite URL: http://cnx.org/content/m10622/2.5/ Module: "La Transformada Inversa de Z" By: Benjamin Fite URL: http://cnx.org/content/m12958/1.2/ Pages: 276-279 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Inverse Z-Transform By: Benjamin Fite URL: http://cnx.org/content/m10651/2.4/ Module: "Funciones Racionales" By: Michael Haag URL: http://cnx.org/content/m12960/1.1/ Pages: 279-281 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Rational Functions By: Michael Haag URL: http://cnx.org/content/m10593/2.7/ Module: "La Ecuacin de Diferencia" By: Michael Haag URL: http://cnx.org/content/m12965/1.1/ Pages: 281-284 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Dierence Equation By: Michael Haag URL: http://cnx.org/content/m10595/2.5/ Module: "Entendiendo las Gracas de Polos y Ceros en el Plano-Z" By: Michael Haag URL: http://cnx.org/content/m12966/1.1/ Pages: 284-288 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Understanding Pole/Zero Plots on the Z-Plane By: Michael Haag URL: http://cnx.org/content/m10556/2.8/
ATTRIBUTIONS
ATTRIBUTIONS
Module: "Diseo de Filtros usando la Graca de Polos y Ceros de la Transformada-Z" By: Michael Haag URL: http://cnx.org/content/m12967/1.3/ Pages: 288-291 Copyright: Erika Jackson, Fara Meza License: http://creativecommons.org/licenses/by/2.0/ Based on: Filter Design using the Pole/Zero Plot of a Z-Transform By: Michael Haag URL: http://cnx.org/content/m10548/2.9/ Module: "Homework 1" By: Richard Baraniuk, Justin Romberg URL: http://cnx.org/content/m10826/2.9/ Pages: 293-297 Copyright: Richard Baraniuk, Justin Romberg License: http://creativecommons.org/licenses/by/1.0 Module: "Homework 1 Solutions" By: Justin Romberg, Richard Baraniuk, Michael Haag URL: http://cnx.org/content/m10830/2.4/ Pages: 297-308 Copyright: Justin Romberg, Richard Baraniuk, Michael Haag License: http://creativecommons.org/licenses/by/1.0
337
Seales y Sistemas
Este curso trata acerca de seales, sistemas, y transformadas a partir de las bases matmaticas y teorticas hasta las implementaciones prcticas en circuitos y algoritmos. Al terminar ELEC 301, tendr un amplio entendimiento de las matmaticas y temas prcticos relacionados con las seales en tiempo continuo y tiempo discreto, sistemas lineales invariantes en el tiempo, la convulocin, y la trasformada de Fourier.
About Connexions
Since 1999, Connexions has been pioneering a global system where anyone can create course materials and make them fully accessible and easily reusable free of charge. We are a Web-based authoring, teaching and learning environment open to anyone interested in education, including students, teachers, professors and lifelong learners. We connect ideas and facilitate educational communities. Connexions's modular, interactive courses are in use worldwide by universities, community colleges, K-12 schools, distance learners, and lifelong learners. Connexions materials are in many languages, including English, Spanish, Chinese, Japanese, Italian, Vietnamese, French, Portuguese, and Thai. Connexions is part of an exciting new information distribution system that allows for
has partnered with innovative on-demand publisher QOOP to accelerate the delivery of printed course materials and textbooks into classrooms worldwide at lower prices than traditional academic publishers.