2.6.

Correlacin de seales

La correlacin es una operacin que se utiliza para medir la similitud o parecido entre dos seales, ya sean analgicas o discretas. Est relacionada con el concepto de producto escalar entre vectores, muy conocido en matemticas. El dominio de aplicacin de la correlacin de seales es muy amplio, mencionando por ejemplo radar, sonar, comunicaciones digitales, anlisis de seales ssmicas, etc. En estas aplicaciones suele existir un desplazamiento temporal entre las seales por los tiempos de propagacin, por lo que el producto escalar se hace para diferentes valores de retardos o desplazamientos temporales entre las seales analizadas. El producto escalar que consideramos est relacionado con el concepto de energa y potencia, previamente estudiado en este tema. As, para el caso de seales analgicas, el producto escalar de dos seales f (t) y g (t) viene dado por

f (t), g (t) =

f (t) g (t) dt.

La norma asociada a dicho producto escalar sera f (t) 2 = | f (t), f (t) |2 = f (t) f (t) dt = |f (t)|2 dt, que coincide con la energa de la seal. De forma similar ocurre para el caso de secuencias o seales discretas, donde el producto escalar asociado es

x[n], y [n] =
n=

x[n] y [n] .

2.6.1. Correlacin de seales de energa nita Seales analgicas: La correlacin cruzada de dos seales analgicas x(t) e y(t), ambas de energa nita,
se dene como

rxy ( ) =

x(t) y (t ) dt =

x(t + ) y (t) dt

(1)

La variable indica el desplazamiento temporal entre las dos seales, que de forma equivalente es el retraso de la segunda seal respecto la primera, o el adelanto de la primera respecto la segunda. Los subndices xy indican las dos seales que se estn comparando. Es fcil comprobar que la correlacin cruzada cumple la siguiente propiedad ( ). Ntese que se intercambia el orden de las seales y eso se aprecia en los subndices. de simetra rxy ( ) = ryx Adems, esta denicin se puede escribir en trminos del operador convolucin dada la similitud entre ambos operadores, que involucran la integral del producto de dos seales
rxy ( ) = x ( ) y ( )

Cuando se calcula la correlacin de la misma seal, es decir y (t) = x(t), se obtiene la funcin de autocorrelacin
rxx ( ) = rx ( ) =

x(t) x (t ) dt = x ( ) x ( ) .

Propiedades de la correlacin Tres propiedades se puede citar de la autocorrelacin rx ( ):

1. La autocorrelacin en el origen es igual a la energa/potencia de la seal (nmero real y positivo), ya que
rx (0) =

x(t) x (t) = Ex .

2. La autocorrelacin es mxima en el origen |rx ( )| rx (0). Esto es intuitivo ya que el parecido de dos objetos es mximo cuando son idnticos, es decir, retardo cero entre las seales desplazadas. El mximo es alcanzable (se cumple con la igualdad) para las seales peridicas.
3. Simetra hermtica: rx ( ) = rx ( ). Esto implica parte real par y parte imaginaria impar. En el caso de seales reales, rx (t) es una funcin par. La correlacin cruzada rxy ( ) tiene menos propiedades que rx ( ). Destacamos la simetra rxy ( ) = ryx ( ), que no es hermtica por la permutacin de orden de los subndices.

Un escalado de la seal por un escalar, escala la correlacin de la misma manera, y por tanto carece de importancia en el anlisis de correlacin. Por ello en la prctica se normaliza la correlacin para producir as valores en el intervalo [1; 1]. La autocorrelacin normalizada se dene como:
x ( ) = rx ( ) rx (0)

y la correlacin cruzada normalizada como:

xy ( ) = rxy ( ) rx (0) ry (0)

Correlacin de seales discretas La correlacin cruzada de las secuencias x[n] e y[n], ambas de energa nita, se dene como:

rxy [k ] =
n=

x[n] y [n k ] =
n=

x[n + k ] y [n]

(2)

El ndice k es el parmetro de desplazamiento o retardo en el tiempo, y los subndices xy indican qu seales han sido correlacionadas. Las dos expresiones alternativas de la correlacin cruzada obedecen al hecho de que resulta equivalente hacer el producto escalar de la seal x[n] por versiones desplazadas (retardo de k muestras) de la seal y [n], que el producto escalar entre la seal x[n] adelantada k muestras y la seal y [n]. Por tanto, rxy [k ] presenta una simetra de reexin cuando se permutan las seales x[n] e y [n]
rxy [k ] = ryx [k ] .

El lector debe apreciar la similitud entre la denicin de la correlacin y la suma de convolucin, pues ambas son una suma del producto de seales: en la convolucin una de las dos seales presenta reexin y desplazamiento temporal respecto de la otra, mientras que en la correlacin cruzada slo desplazamiento temporal. El lector puede demostrar que
rxy [k ] = x[k ] y [k ] .

La autocorrelacin de dos seales rxx [k] = rx [k] se dene como la correlacin cruzada de una seal x[n] con versiones desplazadas de la misma seal x[n]

rxx [k ] =
n=

x[n] x [n k ] =
n=

x[n + k ] x [n] = x[k ] x [k ] .

Si x[n] e y [n] son seales causales de duracin nita N (esto es, x[n] = y [n] = 0; n < 0; n N ) la correlacin puede expresarse como:
N +m n 0,k1

rxy [k ] =
n=m ax 0,k

x[n] y [n k ]

En Matlab se dispone de la funcin xcorr() que realiza el clculo de la correlacin cruzada entre dos seales rxy [k ] o la autocorrelacin rx [k ]. Como es equivalente a una convolucin, algunas de sus propiedades, por ejemplo su duracin, vienen determinado por dicha equivalencia.

Propiedades de la correlacin Tres propiedades se puede citar de la autocorrelacin:

1. La autocorrelacin en el origen es igual a la energa/potencia de la seal (nmero real y positivo), ya que

rx [0] =
n=

x[n] x [n] = Ex .

2. La autocorrelacin es mxima (alcanzable) en el origen |rx [k]| rx [0]. Esto es intuitivo ya que el parecido de dos objetos es mximo cuando son idnticos, es decir, retardo cero entre las seales desplazadas. Es alcanzable para las seales peridicas. (Demostracin en el siguiente ejemplo).
3. Simetra hermtica: rx [k] = rx [k ]. Esto implica parte real par y parte imaginaria impar. En el caso de seales reales, rx [k] es una funcin par.

 La correlacin cruzada rxy [k] tiene menos propiedades que rx [k]. Destacamos la simetra rxy [k] = ryx [k ], que no es hermtica por la permutacin de orden de los subndices. Un escalado de la seal por un escalar, escala la correlacin de la misma manera, y por tanto carece de importancia en el anlisis de correlacin. Por ello en la prctica se normaliza la correlacin para producir as valores en el intervalo [1; 1]. La autocorrelacin normalizada se dene como:

x [k ] =

rx [k ] rx [0]

y la correlacin cruzada normalizada como:

xy [k ] = rxy [k ] rx [0] ry [0]

Ejemplo Demostracin de propiedad 2. Sean x[n] y y[n] dos seales de energa nita. La energa de la seal:
w[n] = a x[n] + b y [n k ] es

|a x[n] + b y [n k ]|
n=

= a2
n=

|x[n]| + b2
n=

|y [n k | + 2ab
n=

x[n] y [n k ]

= a2 rx [0] + b2 ry [0] + 2ab rxy [k ] 0

Esta expresin es equivalente a la forma cuadrtica

[a b]
[k ] rx [0] ryx rxy [k ] ry [0]

a b

por lo que la matriz debe ser semidenida positiva, y por tanto el determinante debe ser positivo
rx [0] ry [0] rxy [k ] 0 |rxy [k ]| rx [0] ry [0] = Ex Ey

y para x[n] = y [n]

|rx [k ]| rx [0] = Ex .

Ejemplo Calcule la autocorrelacin de la seal x[n] = an u[n]

Para k 0,

con |a| < 1

rx [k ] =
n=

x[n] x [n k ] =
n=k

an ank = ak
n=k

a2

= ak

ak a2k = . 2 1a 1 a2

Para k < 0 se puede aplicar la propiedad de simetra hermtica (par en este caso de seal real) directamente k rx [k ] = rx [k ] = rx [k ] = 1a a2 o repetir una expresin similar a la anterior (ejercicio para el lector). |k | Finalmente rx [k] = 1a a2 , que presenta simetra par.

2.6.2. Correlacin de seales de potencia media nita.

Las deniciones anteriores son vlidas nicamente para seales de energa. Para el caso de seales de potencia, se debe proceder de la misma forma que se hizo en la denicin del valor medio de la potencia: evaluar la energa de la seal truncada o enventanada, y evaluar el lmite de dicha potencia (energa/tiempo) cuando la duracin tiende a innito. Por ejemplo, para el caso de seales discretas de potencia nita, la correlacin cruzada rxy [k] se dene como
1 rxy [k ] = l m N 2N + 1
N

x[n] y [n k ] ,
n=N

y la autocorrelacin como
rx [k ] = l m 1 N 2N + 1

x[n] x [n k ] .
n=N

Si las seales son peridicas con periodo M , entonces este promedio temporal puede calcularse en un solo periodo
rxy [k ] = 1 M
M 1

x[n] y [n k ] .
n=0

En la prctica se utiliza la correlacin para encontrar periodicidades en seales, ya que la correlacin presentar un mximo en los mltiplos del periodo. En el caso de seales analgicas, la correlacin cruzada ser
rxy ( ) = l m 1 T 2T
T

x(t) y (t ) dt
T T

y la funcin de autocorrelacin
rx ( ) = l m 1 T 2T

x(t) x (t ) dt .
T

Es fcil vericar que las funciones de correlacin cruzada y autocorrelacin de seales de potencia (descritas en este apartado), son prcticamente las mismas que para el caso de seales de energa nita, por ejemplo: simetra hermtica, mximo en el origen. La nica diferencia es que la interpretacin del valor de la autocorrelacin en el origen, rx (0) rx [0] es la potencia media de la seal en lugar de su energa.

2.6.3. Sistemas LTI y correlacin entrada-salida

Es lgico pensar que el parecido entre dos seales que son entrada-salida de un sistema LTI dependa directamente de la respuesta impulsional h[n] . As por ejemplo la correlacin cruzada entre la salida y [n] = h[n] x[n] y la entrada x[n] se puede expresar como
ryx [k ] = y [k ] x [k ] = (h[k ] x[k ]) x [k ] = h[k ] rx [k ] ,

(3)

por lo que ryx [k] nicamente depende de la respuesta impulsional h[n] y la autocorrelacin de la seal de entrada rx [k ]. De forma similar, la autocorrelacin de la seal de salida ry [k ] se puede calcular como
ry [k ] = y [k ] y [k ] = (h[k ] x[k ]) (h [k ] x [k ]) = h[k ] h [k ] x[k ] x [k ] = rh [k ] rx [k ] rx [k ].

(4)

que equivale a la autocorrelacin de la respuesta impulsional rh [k] con la autocorrelacin de la seal de entrada

Las expresiones anteriores se han mostrado en el caso de seales discretras, pero son totalmente equivalentes para el caso de seales analgicas. As por ejemplo,
ryx ( ) = y ( ) x ( ) = (h( ) x( )) x ( ) = h( ) rx ( )

ry ( ) = y ( ) y ( ) = (h( ) x( )) (h ( ) x ( )) = rh ( ) rx ( )

Ejercicio Al igual que se ha descrito ry [k] y ryx [k] en trminos de la respuesta impulsional h[n] y la autocorrelacin

de la seal de entrada, se puede aplicar el mismo concepto a un sistema LTI denido por una ecuacin en diferencias nitas con coecientes constantes y condiciones iniciales nulas. Se deja como ejercicio para el lector encontrar dichas relaciones que deben partir de la EDF
P Q

y [n] =
i=1

ai y [n i] +
j =0

bj x[n j ]

Ayuda: Se puede multiplicar a mbos lados por x[n + k ] y aplicando un sumatorio se puede obtener una EDF para rxy [k] en trminos de rx [k] y los coecientes {ai } y {bj }. Piense una estrategia parecida para obtener una EDF que permita calcular ry [k].

un ejemplo discreto, por ejemplo considerando la seal de energa x[n] = { , 0, 1, 2, 3, 4, 5, 4, 3, 2, 1, 0 } y el sistema LTI promediador causal de 4 muestras h[n] = , 0, 1/4, 1/4, 1/4, 1/4, 0, 0, . 4

Actividad con MATLAB Realice un experimento con MATLAB para vericar las expresiones (3) y (4) en

Ejercicios resueltos correlaci on

1. Correlaci on cruzada entre x(t) =
T Si < 32 , rxy ( ) = 0 T Si 32 < < T , rxy ( ) = 2 T + T 2 t T

e y(t) =

t 2T

La manera m as sencilla de calcularla es utilizando el m etodo gr aco.

dt =

3T 2

Si T 2 < < Si
T 2

T 2,

rxy ( ) =

T 2
T 2

T 2

dt = T dt =
3T 2

< <
3T 2

3T 2

, rxy ( ) =

T +

Si >

, rxy ( ) = 0

2. Correlaci on cruzada entre x[n] = an u[n] e y[n] = bnM u[n M ], con a, b reales, y |a| < 1, |b| < 1.

rxy [k ] =
n=

an u[n]b(nM k )u[n M k ] = b(M k )

(ab)n u[n]u[n M k ]

(1)

n=

Si k M u[n]u[n M k ] = 1 solo si n M + k , entonces rxy [k ] = b(M k )

n=M +k

(ab)n =

a(M +k ) 1 ab

(2)

Si k < M u[n]u[n M k ] = 1 solo si n 0, entonces rxy [k ] = b(M k )

(ab)n =

n=0

b (M k ) 1 ab

(3)

Calcule la convoluci on de x(t) con h(t) siendo: x(t) = cos(2F0 t) + sin(2F1 t) h(t) = et/T u(t) Consideramos cos(2F0 t) = y ( t) =
1 2

ej 2F0 t + ej 2F0 t y sin(2F1 t) =

1 2j

ej 2F1 t ej 2F1 t ,

x( )h(t )d =

1 2 1 + 2j

ej 2F0 e(t )/T u(t )d +

1 2 1 2j

ej 2F0 e(t )/T u(t )d ej 2F1 e(t )/T u(t )d

(1)

ej 2F1 e(t )/T u(t )d

Calculamos cada una de las integrales por separado

ej 2F0 e(t )/T u(t )d = et/T = et/T

e(j 2F0 +1/T ) d = et/T

e(j 2F0 +1/T ) j 2F0 + 1/T

(2)

e(j 2F0 +1/T )t T = ej 2F0 t j 2F0 + 1/T 1 + j 2F0 T

El resto de las integrales se calculan de manera an aloga a (3). T ej 2F0 t T 1 j 2 F 0 T j 2F1 (t )/T e e u(t )d = ej 2F1 t T 1 + j 2 F 1 T j 2F1 (t )/T e e u(t )d = ej 2F1 t T 1 j 2 F 1 ej 2F0 e(t )/T u(t )d = Sustituyendo las expresiones anteriores en (2) obtenemos y ( t) = 1 T 1 T 1 T 1 T ej 2F0 t + ej 2F0 t + ej 2F1 t ej 2F1 t 2 1 + j 2F0 T 2 1 j 2F0 T 2j 1 + j 2F1 T 2j 1 j 2F1 T 1 T 1 T = ej0 ej 2F0 t + ej0 ej 2F0 t 2 2 1 + (2F0 T ) 2 1 + (2F0 T )2 1 2j T 1 + (2F1 T T )2 ej1 ej 2F1 t 1 2j ej1 ej 2F1 t 1 + (2F1 T )2 T sin(2F1 t 1 ) 1 + (2F1 T )2 T (6)

(3) (4) (5)

+ =

1 + (2F0 T )2

cos(2F0 t 0 ) +

con 0 = arctg (2F0 T ) y 1 = arctg (2F1 T ). Notar que tanto la amplitud como el desfase o retardo que afecta a cada una de las se nales senoidales dependen de la frecuencia de dichas se nales.

Propiedades de los sistemas discretos

Sea x[n] la entrada a un sistema, caracterizado por la transformaci on T {}, e y [n] = T {x[n]} la salida del mismo, x[n] y [n]. 1. Linealidad Un sistema es lineal si cumple el principio de superposici on, es decir, x1 [n] + x2 [n] y1 [n] + y2 [n]. Ejemplos de sistemas lineales: y [n] = k1 x[n] Ejemplos de sistemas no lineales: y [n] = x2 [n], y = k1 x[n] + k2 con k2 = 0. 2. Invarianza temporal Un sistema es invariante con el tiempo si un desplazamiento temporal de la se nal de entrada causa un desplazamiento temporal id entico en la se nal de salida. La salida del sistema no depende del instante en el que se aplica la entrada. x[n m] y [n m] Ejemplos de sistemas variantes en el tiempo: y [n] = x[n], y [n] = nx[n] 3. Causalidad Un sistema es causal si la salida en cualquier instante de tiempo depende solo de los valores pasados y presentes de la entrada. Ejemplos de sistemas causales: y [n] = x[n 1], y [n] = 4. Estabilidad Un sistema es estable si a cualquier entrada acotada le corresponde una salida acotada. Se dice que una se nal est a acotada si su m odulo no crece sin l mite, es decir, |x[n]| < C < para todo t. Un sistema es estable si |x[n]| < C < implica que |y [n]| < D < . Ejemplos de sistemas estables: y [n] = ex[n] Ejemplos de sistemas inestables: y [n] =
n 1 L L1 k=0

(1)

(2)

Ejemplos de sistemas invariantes en el tiempo: y [n] = mediana{x[n], x[n 1], x[n 2]}

Ejemplos de sistemas no causales: y [n] = x[n + 1], y [n] = x[n]

x[ n k ]

x[ k ]

NOTA: Las propiedades son de los sistemas, no de las se nales de entrada. Para demostrar que una propiedad se cumple es necesario comprobar que es cierta para todas las entradas. Para demostrar que no se cumple, basta encontrar un contraejemplo.

Propiedades de la convoluci on
Se define la convoluci on de dos se nales x[n] y h[n] como y [ n ] = x [ n ] h[ n ] = 1. Propiedad conmutativa: x [ n ] h[ n ] = h[ n ] x [ n ] 2. Propiedad asociativa: x[n] h1 [n] h2 [n] = [x[n] h1 [n]] h2 [n] = x[n] [h1 [n] h2 [n]] 3. Propiedad distributiva: x[n] [h1 [n] + h2 [n]] = [x[n] h1 [n]] + [x[n] h2 [n]] 4. Elemento neutro x [ n] [ n] = x [ n] 1 (7) (6) (5) (4)
+ k=

x [ k ] h[ n k ] .

(3)

5. Retardo x[n m] h[n] = y [n m] = x[n] h[n m] 6. Reflexi on y [ n ] = x [ n ] h[ n ] (9) (8)

Propiedades de los sistemas lineales e invariantes con el tiempo (LTI)

1. Aplicaci on a la interconexi on de sistemas Por la propiedad asociativa, conmutativa y distributiva respectivamente los siguientes sistemas o interconexiones de sistemas, son equivalentes:

Figura 1: Propiedad asociativa

Figura 2: Propiedad conmutativa

Figura 3: Propiedad distributiva 2. Sistemas LTI con memoria Un sistema LTI es sin memoria si h[n] = 0 para n = 0. La respuesta impulsional tiene la forma h[n] = k [n]. 3. Invertibilidad Si un sistema LTI es invertible, su inverso es tambi en LTI con respuesta impulsional h1 [n] tal que h[n] h1 [n] = h1 [n] h[n] = [n]. 4. Causalidad Un sistema LTI es causal si h[n] = 0 para todo n < 0. 5. Estabilidad Un sistema LTI es estable si y solo si
n=

| h [ n ] | < + .

Convoluci on peri odica

La convoluci on peri odica de dos se nales x1 [n] y x2 [n] peri odicas con periodo N se define como y [ n ] = x1 [ n ] n x 2 [ n ] = 2
N 1 k=0

x1 [ k ] x 2 [ n k ] .

(10)

N otese que el sumatorio s olo contiene N t erminos. La se nal y [n] es tambi en peri odica con periodo N de modo que solo hace falta calcularla en el intervalo 0 n N 1. Adem as, la suma se puede realizar en cualquier periodo, es decir, y [ n] =
N0 +N 1 k = N0

x 1 [ k ] x2 [ n k ] .

(11)

En la ecuaci on (10) aparece la se nal x2 [n k ], que se obtiene a partir de la se nal x2 [n] mediante sucesivos desplazamientos a la derecha. Sin embargo, s olo estamos interesados en los valores de n en el intervalo 0 n N 1. En cada desplazamiento a la derecha, el primer valor en este intervalo es sustituido por el valor en 1. Como la secuencia es peri odica este valor coincide con el valor en N 1. Podemos suponer que en cada desplazamiento sucesivo, los valores de la secuencia se desplazan una posici on a la derecha, y el u ltimo valor vuelve a la primera posici on. Este tipo de desplazamiento se denomina desplazamiento peri odico o circular. El desplazamiento circular nos permite definir la convoluci on peri odica para secuencias de longitud finita. on peri odica de N puntos como en la Dadas dos secuencias de N puntos x1 [n] y x2 [n] se define su convoluci ecuaci on (10), donde el desplazamiento x2 [n k ] debe ser peri odico.

Sistemas definidos por ecuaciones en diferencias finitas

Un sistema discreto (anal ogico) est a definido por una ecuaci on entrada-salida. La ecuaci on de convoluci on es un caso particular para los sistemas lineales e invariantes en el tiempo (LTI). Para los sistemas de respuesta impulsional h[n] de duraci on infinita (IIR) es conveniente pensar representaciones alternativas que requieran un n umero finito de operaciones. Existe otra forma de definir sistemas LTI a partir de ecuaciones en diferencias finitas (diferenciales). Un sistema LTI puede expresarse a trav es de una EDF lineal, con coeficientes constantes, y dicha representaci on solventa en gran medida el problema de los sistemas IIR mencionado anteriormente. Una ecuaci on en diferencias finitas con coeficientes constantes responde a la expresi on
P Q

k=0

a k y [n k ] =

k=0

bk x[n k ]

donde la secuencia x[n] es dato, y [n] es inc ognita, y ak , bk son coeficientes constantes. Se denomina orden M de esta ecuaci on a M = m ax(P , Q). Los sistemas definidos por EDF se clasifican en: Ecuaci on recurrente: si ak = 0 para alg un k = 0 (a0 = 0) 1 y [ n] = a0
Q P

k=0

b k x[ n k ]

k=1

ak y [n k ]

En un sistema recursivo la salida se expresa como funci on no solo de los valores actual y pasados de la entrada, sino tambi en de valores pasados de la propia salida. Los sistemas IIR son un ejemplo de sistemas recursivos. Ecuaci on no recurrente: si ak = 0 k = 0 (a0 = 0)
Q

y [ n] =
k=0

bk x[ n k ] a0

En un sistema no recursivo la salida depende u nicamente de los valores actual y pasados de la entrada. Un ejemplo es la implementaci on de un sistema FIR mediante la ecuaci on de convoluci on. Las ecuaciones en diferencias finitas admiten como soluci on general la suma de una soluci on particular yp [n] y una soluci on yh [n] a la ecuaci on homog enea (cuando x[n] = 0), es decir, y [n] = yh [n] + yp [n]. Una EDF no caracteriza totalmente a un sistema, pues para una entrada x[n] no determina de forma u nica una salida y [n]. Observaciones: Una misma EDF puede definir un sistema causal y otro no causal.
Q

y [ n] =
k=0 Q

bk x[ n k ] a0 bk x[ n k ] aP

k=1

ak y [n k ] a0 ak y [n k ] aP

causal

y [n P ] =

P 1 k=0

no causal

k=0

en se satisface Si dos secuencias xp [n] e yp [n] verifican una EDF lineal con coeficientes constantes, tambi dicha EDF para el par xp [n] e yp [n] + yh [n], donde yh [n] es cualquier soluci on de la ecuaci on homog enea. Para calcular la salida de un sistema definido por EDF se requiere conocer el estado del sistema cuando se aplica la entrada, es decir y [n0 1], , y [n0 P ], lo que se conoce como condiciones iniciales (CI). Ejemplos: 1. Diferencias finitas: y [n] = x[n] x[n 1] 2. Acumulador: y [n] = Sistema no recurrente cuya respuesta impulsional es h[n] = u[n]. Este sistema es dif cil de implementar, pero puede reformularse mediante una ecuaci on recurrente m as f acilmente implementable y [n] = x[n] + y [n 1]. 3. Promediador: y [n] =
1 M M 1 k=0 n k=

x[ k ]

x[ k ]

Tambi en en este caso se puede expresar mediante una ecuaci on recurrente m as f acil de implementar 1 y [ n] = M (x[n] x[n M ]) + y [n 1] Para que un sistema definido por una EDF sea LTI debe tener condiciones iniciales nulas (CI=0), es decir, partir del reposo en el momento en el que se aplica la entrada x[n]. La respuesta impulsional de un sistema definido por EDF con CI=0 se calcula aplicando la entrada x[n] = [n]. Como la soluci on no es u nica, generalmente se impone tambi en la condici on de causalidad. 1

Sistemas LTI y exponenciales complejas

Sea un sistema LTI anal ogico con respuesta impulsional h(t) a cuya entrada se aplica una exponencial compleja x(t) = est . La respuesta del sistema es

y(t) = y, asumiendo que

h( )es(t ) d = est

h( )es d,

(1)

h( )es d converge, y(t) = H (s)est (2)

con H (s) = h( )es d . Una se nal para la cual la salida de un sistema es la misma se nal multiplicada por una constante se denomina autofunci on del sistema y al factor de amplitud se le denomina autovalor del sistema. Por tanto, acabamos de demostrar que la exponencial compleja est es autofunci on de un sistema LTI anal ogico y H (s) es su autovalor asociado. De igual manera, sea un sistema LTI discreto con respuesta impulsional h[n] a cuya entrada se aplica una exponencial compleja x[n] = z n . La respuesta del sistema es

y [ n] =

h[ k ] x [ n k ] =
k =

h[ k ] z

n k

=z

k =

h [ k ] z k

(3)

y asumiendo que

k =

h[k ]z k converge y[n] = H (z )z n (4)

con H (z ) = k = h[k ]z k . Por tanto, la exponencial compleja z n es autofunci on de un sistema LTI discreto y H (z ) es su autovalor asociado. De la propiedad de las autofunciones y la propiedad de la superposici on que cumplen los sistemas LTI se deduce que si la entrada a un sistema LTI se representa como una combinaci on lineal de exponenciales complejas, la salida tambi en se puede representar como una combinaci on lineal de las mismas exponenciales complejas. Para se nales y sistemas anal ogicos x(t) =
k

ak esk t y(t) =
k

ak H (sk )esk t

(5)

Para se nales y sistemas discretos x [ n] =

k n ak zk y [ n] = k n ak H (zk )zk

(6)

Table 1: Properties of the Continuous-Time Fourier Series

+ +

x(t) =
k=

ak e

jk0 t

=
k=

ak ejk(2/T )t 1 T

ak =

1 T

x(t)ejk0 t dt =
T

x(t)ejk(2/T )t dt
T

Property

Periodic Signal

Fourier Series Coecients

x(t) y (t)
Linearity Time-Shifting Frequency-Shifting Conjugation Time Reversal Time Scaling Periodic Convolution
T

Periodic with period T and fundamental frequency 0 = 2/T

ak bk Aak + Bbk ak ejk0 t0 = ak ejk(2/T )t0 ak M a k a k ak T ak b k

+

Ax(t) + By (t) x(t t0 ) ejM 0 t = ejM (2/T )t x(t) x (t) x(t) x(t), > 0 (periodic with period T /) x( )y (t )d x(t)y (t)

Multiplication Dierentiation Integration

al b k l
l=

dx(t) dt
t

jk0 ak = jk (nite-valued and periodic only if a0 = 0)

2 ak T ak

x(t)dt

Conjugate Symmetry for Real Signals Real and Even Signals Real and Odd Signals Even-Odd Decomposition of Real Signals

x(t) real

x(t) real and even x(t) real and odd xe (t) = Ev{x(t)} [x(t) real] xo (t) = Od{x(t)} [x(t) real]

1 1 ak = jk (2/T ) jk0 a = a k k e{ak } = e{ak } m{ak } = m{ak } |ak | = |ak | < ) ak = < ) a k ak real and even

ak purely imaginary and odd e{ak } j m{ak }

Parsevals Relation for Periodic Signals + 1 |ak |2 |x(t)|2 dt = T T k=

Table 2: Properties of the Discrete-Time Fourier Series x[n] =

k=<N >

ak ejk0 n =
k=<N >

ak ejk(2/N )n 1 N x[n]ejk(2/N )n
n=<N >

ak =

1 N

x[n]ejk0 n =
n=<N >

Property

Periodic signal

Fourier series coecients

x[n] y [n]
Linearity Time shift Frequency Shift Conjugation Time Reversal Time Scaling

Periodic with period N and fundamental frequency 0 = 2/N

ak bk

Periodic with period N

Ax[n] + By [n] x[n n0 ] ejM (2/N )n x[n] x [n] x[n] x(m) [n] = x[n/m] if n is a multiple of m 0 if n is not a multiple of m

Aak + Bbk ak ejk(2/N )n0 ak M a k a k viewed as 1 ak periodic with m period mN N ak bk al b k l

l= N

(periodic with period mN ) Periodic Convolution

r= N

x[r]y [n r] x[n]y [n] x[n] x[n 1]

n

Multiplication First Dierence Running Sum

x[k ]
k=

nite-valued and periodic only if a0 = 0

Conjugate Symmetry for Real Signals Real and Even Signals Real and Odd Signals Even-Odd Decomposition of Real Signals

x[n] real

x[n] real and even x[n] real and odd xe [n] = Ev{x[n]} [x[n] real] xo [n] = Od{x[n]} [x[n] real] Parsevals Relation for Periodic Signals 1 |x[n]|2 = |ak |2 N
n= N k= N

(1 ejk(2/N ) )ak 1 ak (1 e jk(2/N ) ) ak = a k e{ak } = e{ak } m{ak } = m{ak } | ak | = |ak | < ) ak = < ) a k ak real and even ak purely imaginary and odd e{ak } j m{ak }

1 2

X (e

)e jn d

1 2

X (e

)e jn d

PROPERTIES of the DFT

The index-domain signal is x[n] for n = 0, 1, 2, . . . , N 1; and the frequency domain values are X [k] for k = 0, 1, 2, . . . , N 1. Outside the range [0, N 1], the values of x[n] and X [k] are periodic. Analysis Equation: X [k ] =
N 1 n=0 nk x [n] W N

(1)

Synthesis Equation: Exponential: N -point signal: x[n], n = 0, 1, . . . , N 1 ax1 [n] + bx2 [n]
x[n] = W N
n

x [n] = WN

1 N

N 1 k=0

nk X [k ] W N

(2) (3)

= e j2/ N

N -point DFT: X [k], k = 0, 1, . . . , N 1 aX1 [k] + bX2 [k] (Linearity)

)

= e + j2

n/ N

X [k ] = N [ ( k

mod N ] (Duality) (Duality)

y [ n ] = X [ k ] |k n y[n] =
1 N

Y [k] = N x[(k ) mod N ] Y [ k ] = x [ n ] |nk

no k WN X [k ]

X [(n ) mod N ]

x[(n no ) mod N ]
WN
n

x[n]
N 1 =0

X [(k x[ ]h[(n ) mod N ]

mod N ]

x [n] N h[n] = x [n] w[n] x [n]

X [k ] H [k ]
1 N N 1 =0

(windowing)

X [ ] W [(k ) mod N ]

X [(k ) mod N ] X [k ]
Xcs [k] = 1 2 { X [k mod N ] + X [ (k ) mod N ]} Xcas [k] = 1 2 { X [k mod N ] X [ (k ) mod N ]}

x [(n ) mod N ] e{ x[n]} j m{ x[n]}

xcs [n] = 1 2 { x[n mod N ] + x [ (n ) mod N ]} xcas [n] = 1 2 { x[n mod N ] x [ (n ) mod N ]} N 1

e{ X [k]} j m{ X [k]}

(cs = conjugate-sym) (cas = conj-anti-sym)

Parseval's Theorem: N
n =0

| x[n]|2 =

N 1 k=0

| X [k]|2

The following properties apply when x[n] is purely real: Conjugate Symmetry Real part of X [k] is even Imaginary part of X [k] is odd | X [k]| (Magnitude) is even arg { X [k]} (Phase) is odd X [k] = X [(k ) mod N ] e{ X [k]} = e{ X [(k ) mod N ]} m{ X [k]} = m{ X [(k ) mod N ]}

Tema 3
1. Considere la se nal diente de sierra peri odica con periodo T , definida en el intervalo T 2 < t < x ( t) = t. a) Calcule los coeficientes de la serie de Fourier. b) Compruebe la relaci on de Parseval num erica y anal ticamente. c) Dibuje la serie de Fourier truncada para N = 3, 10 y 50. Es posible reconstruir la se nal x(t) a partir de la serie de Fourier truncada? Comente el fen omeno observado. 2. Determine la representaci on en series de Fourier de las siguientes se nales: (a) x[n] = en/2 , para 2 n 2, peri odica con N = 5.
k= T 2

como

(b) x(t) =

xp (t 2k ), con xp (t) = (t) 2 (t 1). 0t2 , peri odica con T = 4. 2t4

(c) x(t) =

sin(t) 0

3. Sea x(t) una se nal peri odica con periodo fundamental T y coeficientes de Fourier ak . Obtenga los coeficientes de Fourier de cada una de las siguientes se nales en funci on de los ak . (a) x(t t0 ) + x(t + t0 ) (b)
d2 dt2 x(t)

(c) x(3t 1) 4. Considere un sistema LTI causal implementado mediante un circuito RLC como el mostrado en la Fig.4, donde vi (t) es la tensi on de entrada y la tensi on en los extremos del condensador se considera la salida vo (t).

Figura 4: Circuito RLC

a) Determine la ecuaci on diferencial que relaciona vi (t) con vo (t). b) Determine la respuesta frecuencial de este sistema teniendo en cuenta la salida del sistema a entradas del tipo vi (t) = ej t . c) Sean R=1 , L=1 H y C=1 F, determine la salida del sistema cuando la entrada es vi (t) = sin(t). 5. Considere el sistema LTI con respuesta impulsional h(t) = e4|t| . Encuentre la representaci on en series de Fourier de la respuesta a las siguientes entradas: (a) x(t) = (b) x(t) =
n n= (1) (t n) n= xp (t n), con

xp (t) = (2t)

6. Calcule la Transformada de Fourier de las siguientes se nales: (a) x(t) = et cos(0 t)u(t), con > 0 (b) x(t) = e3|t| sin(2t) (c) x(t) = (d) x(t) = te (e) x(t) = (f) x(t) =
k=0 2t

sen(4t)u(t)

k (t kT ), con || < 1

sin(t) sin(2 (t1)) t (t1) |t2n| n= e

(h) x[n] = A cos2 (0 n + )

(g) x[n] = an u[n 5], |a| 1 5

(i) x[n] =

n 0nL1 0 otro n
1 2 (1 n+1) cos( ( L+1 )

(j) x[n] =

0nL1 otro n

7. Calcule la Transformada de Fourier inversa de las siguientes funciones: (a) X (j ) =

2 sin(3(2 )) 2

(b) X (j ) = cos(4 + /3) (d) X ej = (c) X (j ) = 2 ( 1) + 2 ( + 1) + 3 ( 2 ) + 3 ( + 2 ) (e) X ej = j , para | |

j 2

1 (1aej )(1bej ) ,

|a| 1, |b| 1.

e (f) X ej = 0,9 10,9e1+ j +0,81ej 2 sin(4(t1)) (t1) .

8. Considere un sistema LTI cuya respuesta impulsional es h(t) = a las siguientes se nales de entrada: (a) x(t) = cos(6t + 2) (b) x(t) = (c) x(t) = (d) x(t) =
1 k 2 sin(4(t+1)) (t+1) k=0 sin(2t) t 2

Determine la salida del sistema

sin(3kt)

9. La entrada y salida de un sistema LTI est a dada por la siguiente ecuaci on diferencial con condiciones iniciales nulas: d2 y (t) dy (t) + 8 y ( t) = 2 x ( t) . +6 2 dt dt (a) Encuentre la respuesta al impulso de este sistema. (b) Cu al es la respuesta del sistema si la entrada es x(t) = te2t u(t)? 10. Considere un sistema LTI cuya respuesta a la entrada x(t) = [et + e3t ]u(t) es y (t) = [2et 2e4t ]u(t) (a) Calcule la respuesta en frecuencia de este sistema. (b) Calcule la respuesta impulsional del sistema. (c) Encuentre la ecuaci on diferencial que relaciona la entrada y la salida del sistema. 11. Calcular la respuesta impulsional del sistema causal dado por la E.D.F. siguiente con condiciones iniciales nulas: 1 1 y [n] y [n 1] = x[n] x[n 1] 2 4 12. Sean x1 [n] y x2 [n] dos pulsos unitarios de longitud L=6. x 1 [ n ] = x 2 [ n ] = p6 [ n ] = 1, 0 n 5 0 otros.

Calcular la convoluci on circular de N puntos de x1 [n] y x2 [n] con N = L = 6 y N = 2L = 12. Coincide en alg un caso con la convoluci on lineal? 13. Sea la secuencia x[n] = p4 [n]: (a) Calcule su transformada de Fourier X (ej ). Dibuje su m odulo y su fase. (b) Calcule su DFT X [k ] con N=12 puntos. (c) Determine la secuencia temporal x2 [n] resultante al calcular la DFT inversa de X2 [k ] = X [k ]ej 4k/3 , con k = 0, 1, ..,11. 6

14. Considere la secuencia x[n] = {..., 0, 1, 2, 2, 2, 0, ...}. A continuaci on se indican distintas operaciones sobre su DFT, el n umero de muestras con la que se ha calculado y la secuencia y [n] resultante de aplicar la DFT inversa: a ) Y [k ] = X [k ]ej (2/N )k , N = 4, y [n] = {..., 0, 0, 1, 2, 2, 0, ...}

b ) Y [k ] = X [k ]ej (4/N )k , N = 5, y [n] = {..., 0, 0, 1, 2, 2, 2, 0, ...}

d ) Y [k ] = X [k ]ej (4/N )k , N = 4, y [n] = {..., 0, 2, 2, 1, 2, 0, ...} Cu al de las siguientes afirmaciones es cierta? (a) Todas las relaciones anteriores son correctas. (b) Solamente tres relaciones son correctas. (c) Solamente dos relaciones son correctas. (d) Solamente una relaci on es correcta. (e) Ninguna de las relaciones es correcta.

c ) Y [k ] = X [k ]ej (4/N )k , N = 6, y [n] = {..., 0, 2, 2, 0, 0, 1, 2, 0, ...}

15. Calcule la densidad espectral de energ a o de potencia, seg un corresponda, de las siguientes se nales: (a) x(t) = e2t u(t) (b) x(t) = e3t u(2 t) (d) x(t) = signo(t) (e) x(t) =
t2 2

(c) x(t) = cos(0 t)u(t)

t+2 2

(f) x[n] = u[n]

(g) x[n] = cos2 [0 n]u[n] (h) x[n] = np4 [n 2] 16. Sea x[n] una secuencia real peri odica con periodo de P muestras y xo [n] la secuencia x o [ n] = x [ n] 0 0nP 1 para otro n

(a) Demuestre que la autocorrelaci on de x[n] puede expresarse como r x [ m] = [k ]|2 . donde A[k ] = |X
P 1 k=0

A[k ]ej P

km

(b) Obtenga la densidad espectral de potencia de x[n]. (c) Si x[n] tiene por autocorrelaci on la secuencia r x [ m] = 1 1 P
1 P

m = 0, P, 2P, ... para otro m

calcule y dibuje el m odulo de la DFT de xo [n] para P = 8. 17. Sea x(t) una se nal real para la cual X (j ) = 0 para || > 2000 . La se nal x(t) se modula en amplitud con una frecuencia portadora de Fc = 1000 Hz, de forma que la se nal modulada tiene la expresi on xc (t) = x(t) cos(2000t). La se nal modulada es transmitida sin ning un tipo de distorsi on y recibida por el receptor, donde se realiza la demodulaci on mediante el esquema de la Fig. 5. El filtro paso bajo ideal tiene una frecuencia de corte de 2000 y una ganancia de 2. (a) Calcule la densidad espectral de potencia de xc (t) en funci on de la densidad espectral de potencia de x(t), Sx (j ). (c) Calcule la densidad espectral de potencia de g (t) cos(2000t). (b) Calcule la densidad espectral de potencia de y (t) en funci on de Sx (j ). 7

Figura 5: Demodulador s ncrono

18. La se nal x(t) = A0 cos(0 t) pasa por un sistema denominado Transformador de Hilbert, caracterizado por 1 la respuesta impulsional h(t) = t . (a) Calcule la densidad espectral de potencia de la se nal de salida y (t). (b) Obtenga la expresi on de y (t). Compare las se nales x(t) e y (t) tanto en el dominio temporal como en el frecuencial. 19. Considere la interconexi on de 4 sistemas LTI mostrada en la Fig. 6, donde h1 (t) = d sin(c t) , dt 2t H2 (j ) = ej 2 c ,

h 3 ( t) =

sin(3c t) , t

h 4 ( t) = u ( t)

(1)

Figura 6: Conexi on de sistemas LTI

(a) Calcule la respuesta al impulso de todo el sistema.

ct (b) Calcule la respuesta del sistema cuando la entrada es x(t) = sin(2c t) + cos( 2 ).

20. Se desea analizar una se nal anal ogica compuesta por tres tonos, uno de los cuales es de menor duraci on que los dem as. Para ello se ha muestreado la se nal a 8 kHz y se ha tomado un segmento de la secuencia resultante que incluye la transici on de tres a dos tonos. La duraci on del segmento de an alisis es de 128 muestras y la transici on tiene lugar en la mitad del segmento aproximadamente. En la Fig. 7 se muestra para k=0,1, ..., 256 el m odulo de la DFT (N=512) del segmento enventanado con la ventana de Hamming que toma las 64 primeras muestras del segmento de se nal, y del mismo segmento enventanado con la ventana de Hamming de 128 muestras de longitud. Ambas ventanas han sido normalizadas de forma que L1 on y el valor de los m aximos de la DFT son n=0 v [n] = 1. La posici gr afica inferior: k=102 |X [k ]|=0.0770, k=127 |X [k ]|=0.4983, k=141 |X [k ]|=0.3483 Justifique su respuesta a las siguientes cuestiones: (a) Cu al de las dos gr aficas corresponde a la ventana de Hamming de 64 muestras de longitud? (b) Cu al es la amplitud del l obulo principal de la transformada de Fourier de una ventana normalizada de acuerdo a la expresi on dada? (c) Cu al es la frecuencia del tono de menor duraci on? Y su potencia? (d) Cu ales son la frecuencia y la potencia de los dem as tonos? 21. Explore las propiedades (resoluci on y sensibilidad) de la siguiente ventana w[n] = sin4 Relacionela con alguna otra ventana conocida. 8 n N 1 . gr afica superior: k=103 |X [k ]|=0.1516, k=128 |X [k ]|=0.5133

Figura 7: DFT de segmento de se nal enventanado con ventana de Hamming

22. Considere la secuencia y [n] = sin(2 0,1992n) + 0,005 sin(2 0,25n), para 0 n 127. Estudie la idoneidad de las diferentes ventanas estudiadas para la estimaci on de las dos frecuencias presentes en la se nal. Comente el efecto del n umero de puntos M considerados en el c omputo de la DFT en la estimaci on de las frecuencias.